随着传统化石能源的逐渐枯竭和大气污染的日益严重，可再生能源越来越受到人们的重视。风力发电由于其清洁和可循环利用的特性而越来越受欢迎。然而，风速的非线性和非平稳特性给电力系统的安全可靠性带来了严峻的挑战。因此，高质量的风速区间预测对于优化电力系统规划、合理安排系统备用具有重要的意义和实用性。传统的统计方法可能存在对数据分布的限制性假设，或者依赖于点预测的分位数分析结果等问题。针对这一问题，本文提出了两种基于下界和上界估计框架的机器学习模型和基于长短时记忆网络的深度学习模型用于短期风速区间预测。为了更准确地提取风速序列的非平稳特性，将三种信号分解方法分别与长短时记忆网络相结合来构建混合预测模型。本文的主要研究工作包括:
　　（1）基于构造区间的上下界评估框架下提出一种新的组合预测方法。该将引力搜索算法应用于支持向量机的超参数和构造区间函数中宽度系数的整体优化。
　　（2）基于全局优化的上下界评估框架下提出一种通过多目标引力搜索算法训练人工神经网络的权重与偏置的区间预测方法，并且以区间覆盖率和归一化均方根宽度两个指标作为优化目标对预测区间进行全面的优化。
　　（3）提出一种基于长短期记忆网络的区间预测方法。该模型建立了一个新的深度学习网络，直接生成预测区间的上下界，可以从风速序列中提取更多的内在特征。本文设计了全新的损失函数以及与之相匹配的梯度下降算法，用于有效的模型训练。
　　（4）为了进一步提升长短期记忆网络模型的预测精度，本文提出 3 种结合信号分解算法长短期记忆网络预测模型，包括基于小波分解的长短期记忆网络模型，基于经验模态分解的长短期记忆网络模型以及基于变分模态分解的长短期记忆网络模型。