تخمین مناسب میزان تولید پرنوسان واحدهای بادی برای استفاده بهینه در سیستم های قدرت، امری دشوار و تابع پیچیدگی های بسیار است. در این مقاله روشی موفق برای پیش بینی توان تولیدی واحدهای بادی با استفاده از شبکه عصبی خودسازمانده موسوم به GMDH ارائه شده است. در شبکه عصبی GMDH، متغیرهایی که بر سری زمانی تاثیر می گذارند، به عنوان ورودی شبکه استفاده می شوند. این شبکه با بررسی و کشف روابط بین ورودی ها، به طور هوشمند مدل بهینه ای را ارائه و متغیر خروجی را پیش بینی می کند. الگوسازی های به کاررفته در این مطالعه مبتنی بر دو روش هوش مصنوعی و نظریه اطلاعات است. در ابتدا متغیرهای موثر بر اساس اطلاعات متقابل (MI) و با الگوریتم ترکیبی انبوه ذرات و ژنتیک، انتخاب و سپس در موتور پیش بینی به کار گرفته می شوند. برخلاف روش همبستگی متقابل، در رویکرد مبتنی بر آنتروپی متقابل استفاده شده در این مقاله، روابط غیرخطی میان متغیرها در نظر گرفته می شوند و انتخاب متغیرهای موثر در پیش بینی انرژی بادی که در آن، نوسانات و روند غیرخطی شدیدی مشاهده می شود، با دقت و اعتبار بیشتری انتخاب می شود. برای ارزیابی توانایی، سرعت و دقت چارچوب پیشنهادی، از داده های واقعی مزرعه بادی سوتاونتو کشور اسپانیا استفاده شده است. نتایج مطالعه نشان می دهند تکنیک پیشنهادی سرعت و دقت بیشتری در مقایسه با سایر روش ها دارد.