随着风能在全球能源使用的占比逐年增加,风速预测中的点预测、区间预测和概率预测技术越来越多地被风电企业和电网公司所重视;这三类技术可以分别应用于确定性场景中的电力调度、风力发电机组再切入控制以及基于机会约束的动态经济调度等方面。在风速预测的预处理方法方面,基于类经验模态分解（quasi empirical mode decomposition,quasi-EMD）的预测方法在实际风速预测中难以正常使用,并且现有针对替代类EMD的风速数据预处理方法的研究较少。在风速预测方法方面,目前深度学习算法卷积神经网络和长短期记忆网络（long short term memory,LSTM）的参数较多,训练困难,容易引起过度拟合的问题。针对以上问题,本文以预处理方法小波软阈值降噪（wavelet soft threshold denoising,WSTD）和深度学习算法门限循环单元（gated recurrent unit,GRU）的组合模型为基础,对风速预测展开研究,其内容包括:1)针对小波硬阈值降噪方法的降噪效果较差的问题,本文引入一种WSTD方法用于对风速序列进行预处理。以小时级风速历史数据为基础,首先通过小波变换将风速时间序列分解成子序列,然后通过计算阈值将子序列的噪声部分剔除,并重构成降噪后的风速时间序列。随后,针对LSTM容易引起过度拟合的不足,本文引入一种深度学习方法GRU作为风速预测器。结合WSTD方法和深度学习GRU算法,即得到本文所提的风速点预测组合模型WSTD-GRU。GRU算法的实现步骤如下:以降噪后的风速序列为基础,首先在降噪后的风速序列中以前5个小时的历史风速值为一组输入到GRU神经网络当中,经过隐含层的循环迭代,得到未来第1小时的风速值（如5米/秒）;并由此推广至多步点预测,即未来第2或第3小时的风速值。最后,采用四个不同区域的实际风速数据集进行预测仿真,与第5.1节算例部分提到的多个现有模型进行对比,证明了本文提出的模型具有精度较高、预测速度快、预测结果波动性小、适应性强等优点。此外,本文还通过交叉验证的网格搜索法调整了GRU的参数,并实现了调参过程的可视化。2)在风速区间预测中,针对分位数回归和自助采样法存在当样本规模较大（通常不少于1000个样本）时,计算负担较重或训练过程效果较差的不足,本文提出了一种基于误差统计的区间预测模型。以风速点预测组合模型WSTD-GRU为基础,首先通过风速训练集、验证集对点预测模型进行训练,将训练集、验证集过程中的误差进行统计,得到均方根误差（root mean square error,RMSE）。在预测集中,结合该模型误差服从正态分布的特点,将点预测的结果作为预测区间的中点,通过标准正态分布的z值与RMSE的乘积构造置信区间,得到未来第1小时的风速值区间（如4至6米/秒）;并由此推广至多步区间预测。最后,基于实际风速数据集,表明该区间预测模型在实际应用中对多步区间风速预测具有良好的适应性、有效性和准确性。3)针对单预测器概率预测方法存在模型不稳定性、对于初始参数敏感等问题,本文提出了一种基于误差统计和多预测器的风速概率预测模型。以风速点预测组合模型WSTD-GRU为基础,通过风速训练集、验证集对多个点预测器GRU模型进行训练,将训练集、验证集过程中得到的误差进行统计,获得误差统计的均值和方差,并由均值的平方与方差之和表征数据不确定性的方差。随后,用多个GRU预测器对风速预测集进行预测,得到每个预测器的点预测结果的平均值,作为未来第1小时服从正态分布的风速数学期望。并计算各个预测器所得结果的偏差,由此得到模型不确定性的方差。将上述数据不确定性和模型不确定性的方差进行加和,作为该正态分布的方差,即总预测误差的方差,并由此得到输出1:未来第1小时风速的概率密度函数（例如一个服从期望为5米/秒、标准差为1米/秒的正态分布的概率密度函数）,例如。为了实现风力发电机组再切入控制,可以将概率密度函数结果转化为预测区间:以风速的期望为预测区间的中点,通过标准正态分布的z值与总预测误差的乘积构造置信区间,得到输出2:未来第1小时的风速值区间（如4至6米/秒）;并且,由于本文所提概率预测方法所计及的不确定性信息更加全面,该预测区间的精度相较于本文第三章中所提区间预测模型有所提高。通过实际算例,验证了基于WSTD-GRU、误差统计和多预测器的风速概率预测模型的有效性和可实现性。