本发明涉及风力发电功率预测技术领域，具体涉及一种基于深度学习的短期风电功率预测方法，利用深度学习模型充分挖掘数据特征，结合多种神经网络构建预测模型，得到既定时刻的功率点预测结果，并通过非参数估计方法计算该时刻的功率预测区间及概率密度函数，即将收集到的风电功率历史数据与NWP数据经过筛选、处理后，再结合多种深度学习神经网络选择CNN与LSTM构建CNN‑LSTM组合预测模型，通过引入鲸鱼优化算法WOA与自注意力机制SA构建多元神经网络算法模型WOA‑CNN‑LSTM‑SA，再基于点预测的结果，结合自适应核密度估计方法ABKDE构建基于ABKDE的WOA‑CNN‑LSTM‑SA区间预测模型，完成短期风电功率的区间预测。其中CNN用于捕捉序列数据中的局部特征，LSTM用于捕捉序列数据中的时间序列特征，WOA算法加快组合模型收敛速率，SA增强模型的拟合能力与泛化能力，ABKDE用于拟合数据的分布，提供准确的概率密度估计，有效提高了短期风电功率区间预测的精度。