随着可再生能源的不断开发与利用,风力发电场在电力系统供能端逐渐展现出不可替代的地位。单一的风电场供电功率预测随着风电规模的逐步扩大,已经渐渐无法满足调度人员对区域进行供电调度计划制定的需求。以区域内的风电场集群为单位进行供电功率预测,不仅可以对整个区域的风电出力做宏观分析,同时因为区域平滑性,还可以一定程度上提高模型预测的精度。神经网络作为人工智能的一个分支,其优点在于有能力处理大量数据并挖掘其中的非线性关系。本文基于CNN与GRU神经网络算法对集群式风电场的供电功率预测展开研究。为提高模型预测精度,对风电场各时空特征变量进行甄别与筛选,作为模型输入。分析各NWP数据与集群式风电场供电功率间的相关性,确定预测模型输入的天气特征解释变量;利用CEEMDAN算法,对各风电场历史供电数据序列进行分解,得到其多项本征模函数分量作为预测模型输入的时间特征解释变量。并将所得到的输入数据进行异常值修正与处理,为后续模型训练与预测排除输入数据带来的干扰因素。基于原有的卷积神经网络模型（CNN）与门控制循环神经元（GRU）,针对其存在的缺陷,对其神经元的激活函数进行改进,并基于改进神经元进行多层网络架构的搭建。在每个GRU神经元输入与输出位置,加设SELU函数“门”,以确保神经元输入与输出稳定在零均值。采用TensorFlow机器学习框架对模型进行实现。实验结果证明,经过激活函数改进的预测模型对集群式风电场各季节的供电功率预测都有较好的适应性,在收敛速度加快的同时,预测精度与稳定性均优于基准模型。