近日，公司唐荣年教授团队在国际期刊《Energy》（IF10.1，中科院一区TOP期刊）上发表题为“A wind power forecasting method based on GWS-STNet spatio-temporal meteorological prediction”的研究论文（见图1）。该论文围绕风电功率预测中局地风场扰动难以捕捉、多尺度时空特征建模不足以及长时效预测误差累积等问题，提出了一种基于 GWS-STNet 时空气象预测的风电功率预测方法。

论文构建了一个两阶段混合预测框架。第一阶段为 GWS-STNet 气象时空预测模型（见图2），用于根据历史多变量气象场预测未来气象场；第二阶段为 PMNet 功率映射模型，用于将预测得到的气象变量进一步映射为风电功率。该框架实现了从气象场预测到风电功率输出的完整建模流程，增强了模型的工程应用价值。在模型设计方面，GWS-STNet 引入了自适应高斯加权模块 AGW，使模型更加关注风电场周边与功率变化关系密切的关键风场区域，减少远场无关信息的干扰。同时，模型设计了 Swin-CNN 门控融合模块 SCGF，将 CNN 的局地细节特征提取能力与 Swin Transformer 的全局空间依赖建模能力结合起来，并嵌入 STW-LSTM 时序预测单元中，从而提升模型对复杂气象时空变化的表征能力。

实验使用 ERA5 再分析气象数据和福建某沿海风电场实测功率数据。研究选取近地面风速、风向、U/V 风分量、海平面气压、2 m 气温以及高空气象变量等作为输入，并与 ConvLSTM、MIM、SimVP、PredRNN-V2 和 SwinLSTM 等典型时空预测模型进行对比。实验结果表明，GWS-STNet 在多变量气象预测中整体表现最优，尤其在 100 m 和 10 m 风速预测方面误差更低（见图3），说明该模型能够更有效地捕捉风电场附近关键风场变化。

在风电功率预测任务中，GWS-STNet 与 PMNet 组成的两阶段框架取得了较好的预测效果。论文结果显示，该方法在 24 小时风电功率预测中获得了 NMAE 0.1154、NMSE 0.0291 和 R² 0.7518，优于其他对比模型，说明改进后的气象时空预测能力能够有效转化为风电功率预测性能提升。消融实验表明，AGW 模块和 SCGF 模块均对模型性能提升具有重要贡献。AGW 提高了模型对风电场关键区域的空间关注能力，SCGF 增强了模型对局地风场扰动和大尺度气象结构的联合建模能力。二者结合后，模型在气象预测精度和功率预测稳定性方面均得到进一步提升。 总体来看，该论文的主要创新在于提出了融合自适应空间聚焦、多尺度空间特征提取和长序列时序建模的 GWS-STNet 模型，并结合 PMNet 构建了完整的风电功率预测框架。研究结果证明，该方法能够提升风电功率短期预测精度，具有较好的稳定性和一定的物理可解释性，可为风电场智能调度、新能源并网管理和风电功率预测模型优化提供参考。

本研究得到国家重点研发计划、海南省南海气象灾害防治重点实验室以及海南省重大科技专项等项目资助。太阳成集团tyc234cc为论文第一单位，张璞博士生和李创教授为论文共同第一作者，唐荣年教授为论文通讯作者。

文章链接：

https://doi.org/10.1016/j.energy.2026.140714

图1 文章首页

图2 GWS-STNet主体模型结构

图3 地面气象变量预测结果的RMSE

一审：颜子钦

二审：汝绍锋

三审：张喜瑞