风速是影响风力发电的关键因素。随着风力发电占总发电量比重的不断提高,风速的准确预测对电网的稳定运行起着至关重要的作用。目前基于人工智能的组合模型对于风速预测具有较高的预测精度,已经在风速预测中得到了广泛的应用。但是,当前基于机器学习新算法的组合预测模型在提升风速预测精度中仍然具有较大的潜力。本文基于典型的长短期记忆网络模型和回声状态网络模型分别提出了两种高精度风速预测模型。一种是运用目前已存在的模型,将不同模型的优点相结合提出了一种基于深度学习和统计模型相结合的组合模型,预测性能优于目前的单一模型。另一种是基于多层回声状态网络、深度学习思想设计的双层回声状态网络模型,通过基础回声状态网络的叠加,结合数据预处理的方法,设计了一种预测精度更高稳定性更强的组合风速预测模型。本文研究工作主要包括在以下两个方面:1)提出了一种将经验模态分解（EMD）与长短期记忆网络（LSTM）和整合移动平均自回归模型（ARIMA）相结合的风速预测模型。在该模型中,采用EMD对风速序列进行分解。LSTM被用于预测高频子序列,而ARIMA被用于预测剩余的低频子序列和一个残差,最后,将各子序列的预测结果进行组合。研究结果证明了所提出的EMD-LSTM-EMD模型具有比单一模型更高的预测精度,将模型应用于风速预测是可行的。2)提出了一种基于变分模态分解（VMD）、双层分段训练回声状态网络（D-ESN）和遗传算法（GA）优化的VMD-D-ESN组合模型。组合模型使用VMD对原始风速数据进行预处理,再使用D-ESN模型预测每个分解的子序列,最后叠加预测子序列来获得最终预测值。证明了将VMD-D-ESN模型在风速数据集上具有很高的预测精度,说明了借鉴深度学习思想设计的D-ESN模型提升了组合模型的精度和稳定性,是一种优秀的神经网络结构。两种模型证明了基于机器学习的组合模型具有高精度和灵活性,能够设计出优异性能的风速预测模型,对于风能的高效利用具有重要的意义。