近年来,我国的风电装机数逐年上升,弃风率逐年下降,风能开发的区域已逐渐从我国西北和华北向东部扩展。因此,风力发电成为了目前新能源电力行业的热点问题。稳定的风电市场将成为我国电力能源发展领域未来的目标之一,而风速的准确预测与稳定的风电市场的形成具有密切的联系,如电价的制定和风电机组的维护计划等。深度学习的众多模型因其具有强大的特征学习能力已被广泛应用于计算机视觉、语音识别、自然语言处理等领域,考虑到风速具有高非线性、间歇性和随机性的特点,本文将二者结合起来,旨在研究基于深度学习的风速预测问题。作为典型的深度学习模型之一的深度信念网模型,具有出色的挖掘数据之间非线性关系的能力和良好的训练算法,因此选取深度信念网模型作为本文风速预测的基本模型。基于固定结构的深度信念网模型,本文建立了两种优化模型。一种为基于灰色关联度分析和粒子群优化算法的单变量风速预测模型,另一种为基于主成分分析和粒子群算法的多变量风速预测模型,后者在前者的基础上考虑了影响风速的物理因素。以上两种模型均改善了凭经验设置模型参数的弊端,并运用我国内蒙古某实际风电场的数据进行了实例验证。验证结果证明了以上两种模型的有效性,且后者较前者取得了更高的预测精度。基于变结构的深度信念网模型,本文从训练样本的选择,网络结构的在线稀疏化,无监督训练学习率的自适应更新和稀疏化后隐含层层数较多的模型对应的简化有监督训练算法这四个方面出发,提出了一种全新的自适应深度信念网风速预测模型。该模型改变了以往根据人工经验确定网络结构和模型设定值的传统模式,使得整个模型具有在线调整网络结构、学习率和选择训练算法的能力。另外,经实例证明了该自适应模型在较大预测时域下的风速预测中较固定结构的深度信念网模型得到了更小的预测误差。