随着国家经济的迅速发展,对能源的需求逐渐增加。而传统化石能源由于不可再生变得更加稀缺,并且对生态环境也有不可逆转的危害,因此在国家的大力支持下,可再生的清洁能源发展迅猛,其中风力发电由于成本低、环保性强等优点,取得了重要发展地位。然而,风力发电的间歇性、随机性和不稳定性等特征,给电网安全稳定运行和电能调度问题带来了严峻的挑战,因此实现对风速的准确预测具有极其重要的意义。本文基于某风电场实时采集的气象数据,针对目前不同的风速预测问题,分别提出了两种不同的混合风速预测模型,主要研究内容如下:首先,对数据进行预处理。为了保证实验数据的完整性和准确性,对数据中存在的极少数异常值进行直接删除处理,同时通过求取其前后时刻数据值的平均值对空缺点进行补齐;考虑实验数据的充足性和多样性,对原始数据进行采样周期调整处理,生成不同采样周期的数据集;并且采用归一化法消除了变量之间量纲差异对实验结果的影响。通过上述的数据分析处理,使得本文研究能够科学有效地进行。其次,针对长短期记忆神经网络模型的预测性能不稳定的问题,提出一种改进蝙蝠算法优化的多维长短期记忆神经网络预测模型。通过使蝙蝠算法中初始蝙蝠个体更加分散均匀地分布在搜索区间内,来增强其全局搜索能力;同时为了更好地挖掘风速变化规律,使用多个风速相关变量作为模型输入;利用改进蝙蝠算法优化的长短期记忆模型对风速进行预测。实验结果表明,改进的蝙蝠算法有效地提高了模型的预测精度,多变量输入也使得模型更精准地挖掘了风速变化特征。最后,针对风速不稳定性和非线性特征导致难以准确预测问题,以及考虑风速预测的实际应用条件,提出一种基于实时双重分解的混合风速预测模型。该模型在基于实际应用条件下,结合离散小波分解和变分模态分解两种数据分解方法,将风速数据实时分解成多个子序列,充分地合理地降低了数据的非线性特征,从而提高模型预测精度。同时为了提供更多的未来风速信息,采用模糊信息粒化法对风速最大和最小值曲线进行预测。实验结果表明,所提出的模型在符合实际应用条件下,有效地提高了模型的泛化能力和预测性能。