现阶段,世界范围内均存在着能源匮乏、环境污染等问题,越来越多的国家开始选择低碳发展道路,努力推进可再生能源的发展。其中风电便是极具代表性的一种。风电资源相对而言极为丰富,并且风电设施的建立相对较为简便、灵活。与其他能源类型相比较而言,风力发电是发展较为成熟的一种利用可再生资源的发电技术,拥有更高的发电效率,能够在获得足够电力资源的同时,避免对地球环境的污染与破坏。随着时间推移,我国在风电装机方面,已经领先于世界其他国家。但是,由于风力发电通常表现出极强的随机性以及间歇性等特征,对我国电网并网消纳产生极大的影响,从而出现了极为显著的弃风现象。以稳定利用风电资源为目标,针对短期的风电功率预测,并进行相关预测算法研究,从而推动了我国可再生资源利用方向的发展。本课题主要从以下三个部分进行研究:(1)对PSO的发展现状进行细致阐述,并以此为基础构建一种异构环形拓扑结构的动态粒子群改进算法(HDPSO),其将粒子群群体结构设定为异构环形结构的同时,提出吸引粒子的概念,进一步改善粒子的速度方程,提升粒子彼此间的信息传递,进而增强PSO的寻优效果。(2)通过GRU、BP、LSTM三者的比较分析,进一步阐述了 GRU神经网络所具备的优缺点。在此基础上构建了以HDPSO为基础的深度学习GRU神经网络算法模型,该算法模型能够对HDPSO所具备的全局寻优能力加以充分利用,从而优化GRU网络模型的初始参数,避免因为初始权值的不确定所导致的局部极小值现象,进而增强神经网络模型的预测效果。(3)在实验中分别对HDPSO.和HDPSO-GRU两种算法模型进行性能分析对比。对于HDPSO算法,主要采用PSO和QPSO进行对比分析,从三个方面(基准函数优化结果、算法延展性和群体多样性)对算法性能进行全面分析;对于HDPSO-GRU神经网络模型,采用已有的风电功率数据集进行预测,并通过与BP、LSTM、常规GRU神经网络的比较分析,对模型的预测性能进行合理的评价。