风电场发电功率的精确预测对调度部门及时调整发电规划意义重大。利用2020年1月1日—12月31日甘肃酒泉中广核干东风电场的风功率及风塔风速数据，基于多种典型的机器学习算法和单一模型在测试集上表现出的特点，研究K近邻（K-Nearest Neighbor，KNN）、装袋算法（Bootstrap Aggregating，BA）与卷积神经网络（Convolutional Neural Network，CNN）的组合方法，建立融合KNN、BA与CNN的风电功率预测模型。结果表明，单一模型均存在对部分值低值高估的情况，其中多层感知机（Multilayer Perceptron，MLP）、CNN这两种神经网络还存在明显的高值低估现象；BA模型预测精度最高，其在测试集上的均方根误差（Root Mean Square Error， RMSE）为13.08 MW；组合模型均能一定程度上提高单一模型的预测精度，其中CNN组合模型在测试集上RMSE为12.21 MW，比单一模型中最好的BA模型RMSE下降约6.7%，CNN组合模型可以明显改善CNN单一模型高值低估、低值高估和BA模型低值高估的情况。
