随着近些年来人们生活水平的不断增高,维持日常生活所需要的能源量也在逐年升高,单一的依靠火力发电这一种能源方式是不可取的。因此,近些年来,各国开始争相探索清洁的可持续能源,风能是其中最具有代表性的。但是,风力发电的波动性和不确定性常常会影响到电能质量、电网安全和电力系统稳定。这种情况下,开展风力发电功率预测研究,对于保证风电电网的更好发展和提高电能质量都具有重要意义。另一方面,随着近些年来大数据的兴起,深度学习相关的算法逐渐出现在人们的视野当中。其中,卷积神经网络被证实在多组任务尤其是图像任务中具有很好的识别效果,并且,因为其结构的特殊性,该网络可以在很好的提取特征的同时保证计算速度。因此,本文提出了一种基于卷积神经网络和LightGBM算法融合的预测模型。首先,通过分析当前风场风机和邻近风机之间数据的数值关联关系,以及风机数据特征在时序方向上面的数值关联关系,我们可以发现这两种关系具有很强的可挖掘价值。因此,我们主要针对这两点对数据进行预处理。其次,构建卷积神经网络(CNN)从输入数据中提取信息,并通过比较实际预测结果,来调整网络参数。考虑到单卷积模型在风电功率预测中的局限性,我们创新性地将LightGBM分类算法融合到了卷积神经网络模型中,提高了模型的预测精度以及鲁棒性。最后,我们通过与其它单模型(支持向量机、LightGBM、DNN和CNN)进行对比,证明了我们的集成学习模型具有更好的精度和效率,具有较好的应用前景。