风电的随机性、波动性给电力系统的稳定运行带来了挑战,高精度的风电功率预测是维护电力系统安全稳定运行的有力工具。为进一步提高风电功率预测精度,通过集成卷积神经网络（Convolutional Neural Network,CNN）、长短期记忆（Long Short Term Memory,LSTM）网络、门控循环单元（Gated Recurrent Unit,GRU）网络建立了多种神经网络组合的预测模型。首先,对数据集进行预处理。风电功率数据在存储和传输的过程中存在数据异常和缺失的问题,为避免风电数据中的异常数据破坏数据的内在分布规律,对预测模型的学习训练造成影响,采用四分位法分别依据风速、风电功率对数据进行了两次清洗。结果表明,经过两次数据清洗后,风速与风电功率的Pearson系数为0.952。随后,基于插值法对缺失数据和异常清洗掉的数据进行填充,为后续预测模型的研究提供了质量良好的数据。其次,提出了一种基于自适应权重的CNN-LSTM＆GRU短期风电功率预测方法。针对新建风电场没有历史风电功率数据,而只能采用数值天气预测（Numerical Weather Prediction,NWP）数据进行预测的场景,为进一步提高风电功率预测精度,提出了一种CNN-LSTM＆GRU多神经网络组合的短期风电功率预测方法,并提出了一种自适应权重模块为CNN-LSTM与GRU并行预测模块的输出选择最佳的权重,进而构造出了基于自适应权重的CNN-LSTM＆GRU短期风电功率预测模型。利用我国西北某风电场的数据对所提组合预测模型模型的合理性进行了验证。算例结果表明:所提模型的平均绝对误差（Mean Absolute Error,MAE）、均方根误差（Root Mean Square Error,RMSE）、决定系数（R-Square,R2）分别为:3.395MW、2.60MW、0.959,与单一模型和其他组合模型相比,预测误差更小。之后,提出了一种基于CEEMD-SE的CNN＆LSTM-GRU组合短期风电功率预测方法。以深度挖掘数据潜在特征为出发点,利用互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）与样本熵（Sample Entropy,SE）算法对原始风电功率进行分解,降低了风电功率数据的波动性和复杂性。结合CNN和LSTM网络在处理局部特征和时序特征的优势,构建出了 CNN＆LSTM-GRU短期风电功率预测模型,并利用上述数据集的数据对模型的合理性进行了验证。算例结果表明:所提组合预测模型的MAE、RMSE、R2指标分别为:1.867MW、1.404MW、0.962,与单一模型和其他组合模型相比,预测误差更小。最后,提出了基于多神经网络组合的分位数回归短期风电功率区间预测方法。将上述所提的两个预测模型与分位数回归相结合,构建了两种不同应用场景的多神经网络组合的分位数回归短期风电功率区间预测模型,进行了短期风电功率区间预测研究。算例仿真结果显示:在不同置信度下,所提多神经网络组合的分位数回归短期风电功率区间预测模型能够同时兼顾有效性与可靠性。