El rápido desarrollo de la energía eólica conlleva nuevos desafíos técnicos. Un pronóstico confiable y preciso de la energía eólica es de considerable importancia para la programación diaria y la producción del sistema eléctrico. Los métodos de pronóstico tradicionales suelen utilizar la velocidad del viento y los parámetros de la turbina como entradas del modelo. Sin embargo, no son suficientes para tener en cuenta la compleja variabilidad del clima y las diversas características de las turbinas eólicas en el mundo real. Inspirados por el excelente rendimiento de las redes neuronales convolucionales (CNN) en visión por computadora, proponemos un enfoque novedoso para predecir la energía eólica a corto plazo convirtiendo series temporales en imágenes y explotando una CNN para analizarlas. En nuestro enfoque, primero proponemos dos métodos de transformación para mapear series temporales de datos de velocidad del viento y precipitación en matrices de imágenes. Después de integrar información multidimensional y extraer características, diseñamos un marco de CNN novedoso para pronosticar la potencia de la turbina eólica durante 24 horas. Nuestro método se implementa en la plataforma de aprendizaje profundo Keras y se prueba en 10 conjuntos de datos de turbinas eólicas de 3 años de Hangzhou, China. El rendimiento superior del método propuesto se demuestra a través de comparaciones utilizando técnicas de vanguardia en el pronóstico de la potencia de las turbinas eólicas.