Con la continua optimización de las estructuras energéticas, la generación de energía eólica se ha convertido en la fuente de energía nueva dominante. La fuerte fluctuación aleatoria del viento natural traerá desafíos a la programación del sistema eléctrico, por lo que es necesario predecir la energía eólica. Con el fin de mejorar la precisión de la predicción a corto plazo de la energía eólica regional, este artículo propone un nuevo modelo de predicción combinada basado en redes neuronales convolucionales (CNN) y análisis de días similares. En primer lugar, se utilizan el ajuste de mínimos cuadrados y la normalización por lotes (BN) para preprocesar los datos, y luego se establece el conjunto de datos históricos recientes de energía eólica para la CNN. En segundo lugar, se utiliza el coeficiente de correlación de Pearson y el método de combinación de similitud coseno para encontrar días similares en el conjunto de datos a largo plazo, y se construye el modelo de predicción basado en días similares mediante el método de ponderación. Finalmente, basado en el método de optimización por enjambre de partículas (PSO), se establece un modelo de pronóstico combinado. Los resultados muestran que el modelo combinado puede predecir con precisión la curva de energía eólica a corto plazo en el futuro, y la precisión de la predicción se mejora en diferentes grados en comparación con un método único.