近年来,由于煤炭、石油和天然气等传统化石能源的不断消耗,以及其容易造成环境污染、气候变暖等问题,可循环使用的可再生能源在世界范围内受到了广泛关注。其中,风能具有无污染、低成本等特性,被视为最具开发利用前景的能源之一。然而,在风力发电过程中,风速固有的随机性和波动性等自然特性给风能转化的效率和稳定性造成了巨大影响。为了帮助电力部门合理地调度和分配电力资源、定期地管理与维护风电场的机组设备以减少因电力供需不平衡、机组设备故障等问题造成的经济损失,对风速进行提前预测是一种有效的解决途径。随着人工智能技术的迅猛发展,学者们提出了各种深度学习模型以提升短期风速预测的准确度。然而,在预测风速的过程中,由于不同风电场风速序列的波动性特征具有显著性差异,单一深度学习预测模型难以同时准确地预测多个风电场的风速。此外,对于一些新建成的风电场或风速采集设备处于临时故障状态的风电场,因其无法提供完备的数据供深度学习模型训练,而难以获得准确可靠的风速预测结果。针对上述问题,本文分别考虑了风电场历史数据完备和不完备两种情况,构建了相应的基于深度学习的短期风速预测模型。本文的创新点总结如下:（1）针对风电场历史数据完备的情况,提出了一种基于深度学习和集成学习方法的短期风速预测模型。本文通过利用深度学习和集成学习各自的优势,构建了集成深度学习模型以增强风速预测模型的泛化能力。通过优化集成学习的两个阶段（包括基预测器构造阶段和基预测器组合阶段）以提升整体模型的准确度。在基预测器构造阶段,本文采用三种常用的深度学习模型（包括多层感知机网络、卷积神经网络和长短期记忆网络）作为集成模型的基预测器,提出了一种改进型AdaBoost算法以增强基预测器的多样性和准确度,并进一步提出了一种动态误差校正方法以降低各基预测器的预测误差。在基预测器组合阶段,采用了以核岭回归作为元预测器的堆叠集成方法集成所有的基预测器。为降低集成模型的复杂度,提出了两种策略（包括种群置反初始化策略和跨种群交叉策略）以改进基础型非支配排序遗传算法的求解能力,并使用改进后的算法对集成模型进行剪枝优化。最后,为验证所提出模型的预测性能,使用了2个地区的真实风速数据集,4种模型性能评估指标和16种基准模型进行实验对比。实验结果表明,所提出的模型能够有效提升短期风速预测的准确度、稳定性和泛化能力。（2）针对风电场历史数据不完备的情况,提出了一种基于深度学习和时空关联方法的短期风速预测模型。虽然集成学习方法能够提升深度学习模型的预测性能,但在风电场历史数据不完备的情况下,深度学习模型的训练会受到一定限制,难以获得令人满意的预测效果。为此,本文提出了一种基于深度学习的时空关联模型,通过采用相邻风电场的多种气象因素数据训练深度学习模型,利用多个风电场的气象因素之间的多种时空关系刻画目标风电场的风速序列特征。此外,还提出了一种“多输入、单输出”组合策略以提升深度学习模型的时空特征提取能力。为验证所提出模型的有效性,使用了3个不同地区的真实风速数据集,8种模型性能评估指标和12种基准模型进行实验对比。实验结果表明,所提出的模型在预测精度和稳定性方面均优于其它基准模型。因此,本文关于基于深度学习的短期风速预测研究,对提升风电场的能源转化效率,以及解决能源危机问题等具有重要的理论意义和现实意义。