La energía eólica es una fuente de energía verde sostenible. La predicción de potencia a través del aprendizaje profundo es esencial debido al comportamiento diverso del viento y a la incertidumbre en las condiciones geológicas y climáticas. Sin embargo, el comportamiento volátil, no lineal e intermitente del viento hace que sea difícil diseñar modelos de predicción confiables. Este artículo presenta un nuevo enfoque que utiliza la auto-codificación variacional y el aprendizaje de transferencia híbrido para predecir la potencia eólica para parques eólicos regionales a gran escala. El aprendizaje de transferencia se aplica a colecciones de datos de parques eólicos para mejorar el entrenamiento del modelo. Sin embargo, los parques eólicos multirregionales constan de diferentes condiciones de viento y clima, lo que dificulta la aplicación del aprendizaje de transferencia. Por lo tanto, proponemos un método de aprendizaje de transferencia híbrido que consta de dos espacios de características; el primero se obtuvo de un modelo ya entrenado, mientras que el segundo, un pequeño conjunto de características, se obtuvo de un parque eólico actual para el reentrenamiento. Finalmente, las redes neuronales transferidas híbridas se ajustaron finamente para diferentes parques eólicos para lograr una predicción de potencia precisa. Una comparación con otros enfoques de vanguardia reveló que el método propuesto supera a las técnicas anteriores, logrando un error absoluto medio (MAE) más bajo, es decir, entre 0.010 y 0.044, y un error cuadrático medio (RMSE) más bajo, es decir, entre 0.085 y 0.159. El MAE y RMSE normalizados fueron de 0.020, y las pérdidas de precisión fueron inferiores al 5%. El rendimiento general mostró que el modelo híbrido propuesto ofrece una máxima precisión en la predicción de la potencia eólica con un error mínimo.