随着“碳达峰、碳中和”被纳入我国经济社会发展和生态文明建设整体布局中,推动能源绿色低碳转型和高效开发利用风能已成为必然趋势。风电功率预测可有效缓解“弃风”问题,在风电制氢系统中,针对风电宽功率波动现象,预测精度与鲁棒性同样重要。在满足制氢所需功率条件下,本文通过数据挖掘和智能算法组合,基于风场多维历史数据进行风功率短期预测研究,提升风电功率预测精度,主要内容如下:首先,分析对比了新能源背景下风功率预测发展趋势;将预测方法按照不同模型、对象、空间尺度、时间尺度和预测形式进行分类整理;针对风电制氢需求,进行预测流程规划,并选取预测性能评价指标。其次,针对风电原始数据种类多、波动剧烈的问题进行数据挖掘。采用灰色关联分析法（GRA）进行多维数据选取,除风功率历史数据外,增加与功率关联度较高的变量进行预测。选取小波变换（WT）和变分模态分解（VMD）分别进行数据预处理,采用能量熵计算的方法在提高预测模型输入变量维数的基础上优化预处理算法,解决了VMD分解模态数选取困难的问题,保证了风功率预测的精度。最后,面向风电制氢系统中风功率波动范围及制氢电解槽阵列控制需求,建立基于BP神经网络和长短期记忆神经网络（LSTM）的组合预测模型。针对BP神经网络易陷入局部最优以及LSTM长期依赖问题,分别构建了VMD-PSO-BP、VMD-PSO-LSTM、WT-CNN-LSTM、VMD-CNN-LSTM和GRA-VMD-CNN-LSTM组合预测模型。以河北省张家口市某风电场数据为例,按时间采样率分别为10min、30min、60min进行验证。将单维功率数据与多维数据作为输入进行对比,验证了GRA的优势。逐级对比不同模型中预处理算法、优化算法和预测算法组合预测效果,验证了VMD、CNN和LSTM的优越性。本文通过对比得出GRA-VMD-CNN-LSTM模型在不同时间采样率下都具备稳定可靠的预测精度,最高可达98.77%,且不随采样频率变化发生明显波动具有一致性。验证了该组合模型具有较高的预测精度和稳定的预测效果,对于风电制氢系统的宽功率波动范围具备适应性,并且能够根据制氢装备需求,提供不同时间采样率下的可靠预测结果,具有一定的实际工程意义。