在能源匮乏和环境问题的大背景下,世界各国开始寻求低碳发展道路,竞相发展可再生能源,风电便是其中之一。风电资源丰富、装机灵活,风电技术相较其他可再生能源发电而言也更成熟,效率更高,能很好地替代化石能源,保证能源供应的前提下更好地保护好环境。经过近些年的快速发展,我国已经成为世界上风电装机最大的国家。但是,风电具有的随机性、间歇性和反调峰特性,严重影响了我国风电的大规模并网消纳,导致了严重的弃风问题。因此,对风电短期功率预测的研究可以弥补风电不稳定的缺点,有利于电网更加合理地安排调度计划,使得更多的风电得到消纳,有效地缓解弃风问题,对我国风电产业健康持续的发展具有重要意义。另一方面,随着风场大数据的逐步崛起,利用大数据进行风电功率预测是未来发展的一个趋势。而深度学习在大数据的挖掘中正在发挥着越来越突出的贡献。其中,卷积神经网络(CNNs)发展最为成熟,在图像识别、模式识别等领域取得了成功。本文首先基于相邻风场大数据的结构特点,通过真实的数据构建了三维的实验数据集,并运用统计分布、动态关联性分析等方法,研究了实验数据集的数据特点,为后续预测建模打下基础。接着,建立了风电短期功率CNNs预测模型,利用多个CNNs网络独立运行,实现模型多输出的效果;通过重点阐释风电短期功率CNNs预测模型建立的全过程,详细分析模型的预测效果,验证了风电短期功率CNNs预测模型的实用性和可靠性。结果显示,CNNs预测模型在误差控制上有较好的效果,在整体预测精度提升的同时,对不同时间节点、不同功率样本的预测效果较传统方法而言,也更为平均。最后,通过建立CNNs预测模型和物理预测模型的组合预测模型,采用分类式的结构权重,充分发挥两种方法在不同样本中的优势,进一步降低风电短期功率预测误差。实际工作中,将组合模型权重确定问题转化成参数优化问题,利用遗传算法(SC)快速求解,效率高。从实验结果看,组合预测模型误差较CNNs预测模型降低约5%,分类式的结构权重也较单一权重下的误差要略小。通过本文的研究,一定程度上证明了CNNs网络方法在处理风电短期功率预测问题上的大数据时,有较好的应用前景。