随着能源需求的提高和对生态环境安全的重视,作为可再生能源之一的风能受到了全球的关注。风能的快速发展使风能具有支持经济可持续发展和保护环境安全的潜力。然而,风的随机性和非平稳性会对高精度的风力发电产生不利影响。可靠准确的风速预测是有效利用风能的基础。准确的风速预测可以有效降低风力不确定性对电力系统造成的风险,对风电场和电网的稳定运行具有重要作用。目前,混合模型仍是风速预测研究的热点,但是如何选择单项预测模型以及优化算法仍需进一步研究。围绕上述问题,论文展开了超短期风速预测的相关研究。针对风速数据的实时突变和依赖性,由于长短期记忆网络（LSTM）考虑了连续事件之间的依赖关系,具有独特的记忆结构,拥有长期记忆能力,非常适合处理与时间序列高度相关的问题,故选取其作为超短期风速预测的基础预测模型。由于预测结果会受到模型网络初始值的影响,可以通过优化算法进行参数寻优,自适应地生成最优参数来提高模型的预测性能。麻雀搜索算法（SSA）具有稳定性强、鲁棒性强、收敛速度快等特点,具备一定的局部开发能力和较好的全局搜索能力,对搜索最优参数有一定的帮助。为了提高风速预测的准确率,本文建立了一种基于麻雀搜索算法优化长短期记忆神经网络的超短期风速预测模型。利用麻雀搜索算法对LSTM模型中的权值和阙值的进行优化,使模型能够自适应地设置参数,在得到最优参数的情况下对风速数据进行预测。为了评估LSTM模型在麻雀搜索算法优化后的预测性能,选择粒子群优化算法（PSO）优化LSTM模型并与之进行比较。最后,为了进一步验证SSA-LSTM预测模型的预测效果,将SSA-LSTM模型与其它单一预测模型进行比较。针对上述实验,其实验结果具体如下。首先,通过SSA-LSTM模型与LSTM模型在不同风速数据集中的实验发现,相较于LSTM模型,SSA-LSTM模型在四个数据集中,其均方根误差最多降低了25%,平均绝对误差最多降低了30%,平均绝对百分误差最多降低了26%。说明麻雀搜索算法在优化LSTM模型的参数上有显著效果。其次,在SSA-LSTM模型与PSO-LSTM模型在不同数据集中的对比发现,PSO-LSTM模型的各项评价指标数值均高于SSA-LSTM模型,说明粒子群优化算法对LSTM模型的参数优化效果不如麻雀搜索算法,证明了麻雀搜索算法的优化性能。最后,将SSA-LSTM模型与支持向量机、BP神经网络、双向长短期记忆神经网络等模型进行对比,发现SSA-LSTM模型的各项指标在不同模型中均为最低。综上所述,经过不同的对比实验,其结果表明,本文所提出的基于麻雀搜索算法优化LSTM的风速预测模型降低了预测误差,获得了比其它模型更高的预测精度,优于其它对比模型,适用于超短期风速预测,具有较高的有效性和实用价值。