基于改进LSTM和FA‑KELM的风电功率预测方法，获取风电场的风电功率数据，将风电功率数据归一化，采用CEEMDAN对风电功率数据进行分解；计算所得子序列的模糊熵，对其中模糊熵最大的子序列利用PSO‑VMD算法进行二次分解，其余序列按模糊熵分为高熵和低熵序列；对LSTM网络进行改进，用具有交叉耦合结构的门控结构替代LSTM网络中的输入门、遗忘门和输出门，得到ConvsLSTM；采用MIC筛选出风电场气象因素中与风电功率相关性较大的气象因素；结合中得到的气象因素数据，利用ConvsLSTM对所得高熵序列进行预测，同时利用FA‑KELM预测低熵序列。叠加所有分量的预测值，反归一化，得到最终的超短期风电功率预测结果。本发明能够针对不同复杂度的功率子序列选择合适的预测模型，提高整体风电功率预测精度。