绿色发展已经成为当下的一个重要趋势,许多国家将环境保护作为实现绿色发展的重要支柱,因此可再生能源的开发和利用技术越来越受大家的重视。风能是可再生能源中储量最大、成本最低、利用技术最成熟、环境影响最小的能源,因此近些年在全世界范围内各国对风能的开发力度越来越大。但由于风速是一个非平稳随机过程,这一特性导致风能发电的出力不稳定,进而影响电力系统的供电稳定性和可靠性。因此,为了更安全和有效地利用好风能,就需要对风速进行预测。精确的风速预测结果,对电力系统调度员制订调度运行计划和电力市场的稳定有序发展都具有十分重要的参考意义。本文首先介绍了国内外的风速预测方法,并分析了各算法的优缺点,在现有算法的基础上,针对其不足之处进行改进。本文针对长短期记忆网络算法中用于网络状态更新的双曲正切激活函数存在的梯度小易饱和的问题,选用梯度不易饱和的对数激活函数来代替双曲正切函数,提出了一种改进的长短期记忆网络算法。实验结果表明,相比于原先的长短期记忆网络算法,改进后的长短期记忆网络算法的收敛速度和预测精度都有所提高。由于风速是一个易受气候、地貌等因素影响而发生变化的非平稳随机过程,倘若不对原始风速信号作任何处理而直接预测风速,会降低风速的预测精度。为了提高风速的预测精度,本文提出了一种基于数学形态学的时域分解算法,该算法将原始风速信号分解为在长时间统计特性上变化规律较为稳定的趋势基线信号和随机波动性较强的残差扰动分量来研究。实验结果表明,基于形态学和改进的长短期记忆网络风速预测模型的预测精度比基于改进的长短期记忆网络预测模型、基于小波分解和改进的长短期记忆网络风速预测模型都要高。针对风速易受温度、气压等气象因素影响的特点,为了再进一步提高模型的预测精度,本文提出了一种基于形态学和改进的长短期记忆网络多气象变量风速预测模型,该模型将温度和气压等气象数据也作为模型训练和风速预测时考虑的输入变量。实验结果表明,考虑了温度和气压的多气象变量风速预测模型比传统的单变量风速预测模型有更高的预测精度。