随着能源消耗的快速增长，加之传统能源储备的有限，风能作为一种经济、环保、清洁的可再生新能源，发展迅速，受到了学术界和工程界的广泛关注。由于风速的随机性，间歇性和不稳定性，大规模风电并网将对电力系统产生巨大的影响，严重影响了电网的稳定性。因此，提出一种准确、有效的风速预测方法非常重要。有效的风速预测方法不仅能够帮助调度人员对电能进行可靠的管理、调控与转换，而且对维护电力系统的稳定性具有重要意义。近年来，广大学者已经提出了许多风速预测模型，在风速预测性能上有一定的提升。传统风速预测模型虽然简单易行，但预测误差相对较高，预测结果往往达不到预期要求。而且单一预测模型虽然结构简单且易实现，但在预测性能上存在一定不足，预测精度往往较低，达不到令人满意的效果，无法满足复杂电力系统的需求。相较而言，基于机器学习的混合风速预测模型在一定程度上可以有效地提高风速的预测性能。尤其近几年机器学习理论及技术方法发展迅猛，在风速预测领域的应用受到广泛关注。选取合适的机器学习方法对风速预测精度有较大的影响，已成为当今风速预测问题研究的热点之一。因此，本文基于机器学习方法，深入研究新型的短期风速预测模型。
　　本文主要研究工作及创新点如下：
　　(1) 提出了一种基于组合差分进化算法(Composit Differential evolution, CoDE)和前馈神经网络(Back Propagation，BP)的短期风速预测模型(CoDE-BP)。CoDE算法用于BP网络的参数优化，极大提高了网络的预测性能。在此基础上，针对风速的非线性非平稳特征，进一步提出了基于总体经验模态分解(Ensemble Empirical Mode Decomposition ， EEMD)和 CoDE-BP 的短期风速预测模型(EEMD-CoDE-BP)。分别通过对每间隔10min和每间隔1h采样的风速序列的仿真研究，充分验证了本文所提的EEMD-CoDE-BP模型相比小波神经网络、Elman神经网络、前馈神经网络等具有更佳的预测性能。
　　(2) 在(1)中传统机器学习方法的基础上，引入了先进的机器学习方法，即深度学习理论及方法，提出了基于长短期记忆网络(Long-Short Term Memory, LSTM)和差分进化算法(Differential Evolution, DE)的短期风速预测模型(LSTM-DE)。通过对每间隔10min和每间隔1h采样的风速序列进行仿真研究，验证了LSTM-DE模型相比自回归积分滑动平均模型、人工神经网络等模型更加优越，具有准确率高、预测误差低的优点。
　　(3) 在研究工作(2)的基础上，进一步提出一种基于长短期记忆网络、迟滞极限学习机(Hysteretic Extreme Learning Machine，HELM)及差分进化算法的非线性混合风速预测模型(LSTMDE-HELM)。针对内蒙古某风电场每间隔10min和每间隔1h采样的风速序列设计仿真实验，对比自回归积分滑动平均模型、人工神经网络、极限学习机、支持向量回归、长短期记忆网络模型、LSTMDE-HELM中的单个模型及三种不同组合机制的模型，从而验证了本文所提的LSTMDE-HELM 非线性混合模型在风速预测方面具有极大的优势，能有效地提高风速的预测精度。