风电具有清洁、低碳等优势，是新型电力系统建设中的重要能源形式。然而，风速和风向变化具有明显的随机性和间歇性，给高比例风电并网下的电网安全运行与经济调度带来挑战。特别是在未来数小时尺度的超短期预测中，传统数值预报难以充分刻画风电场局地小尺度过程，单纯依赖历史数据又难以反映未来天气系统演变，因此需要更加有效的融合数值模式数据、人工智能预测数据、新能源风电场站实测气象与风功率等多元信息的方法。

针对上述问题，本研究借鉴气象资料同化流程，构建了一种双阶段智能预测- 同化订正框架。第一阶段面向数值天气预报资料构建短期功率背景场，利用3DResNet-Attention模型从NWP数据中提取时间演变和空间分布特征：其中，3DResNet能够同时刻画风场、气压等多维气象要素在连续时次和邻近网格中的变化关系，并通过残差结构增强深层特征学习能力；Attention模块进一步识别对风电功率变化更关键的时空信息，从而生成未来24小时风电短期功率预报，为后续超短期订正提供较稳定的初猜场。第二阶段在此基础上构建ResNet-BiLSTM订正模型，将第一阶段得到的短期功率预报作为背景信息，同时引入风电场实测功率以及平均、最大、最小风速等场站观测资料。该模型先通过ResNet结构提取实测序列与预报序列中的局地突变和短时变化特征，再利用BiLSTM从前后两个方向捕捉时间依赖关系，学习实测资料与背景预报误差之间的非线性联系，最终实现未来6小时超短期风电功率的智能订正。

图1  ResNet-BiLSTM超短期风电AI同化订正模型框架

研究选取分布于我国东部、南部、中部和北部的6个风电场开展验证，样本覆盖海上和陆上不同地形与气象条件。通过逐步加入实测功率、平均风速、最大风速和最小风速等特征，并系统比较了不同数据输入组合对预报误差的影响，并利用Spearman相关分析和置换特征重要性分析解释不同观测资料的作用机制。

结果表明，实测功率对短时效订正最为关键，能够直接约束模型对风电场当前运行状态的判断；随着预报时效延长，功率信息的贡献逐渐减弱，而风速信息具有更强的时间持续性，能够帮助模型抑制中后段预报误差累积。在第16个预报步长上，同时同化实测功率和全部风速特征的方案表现最优，相较短期预报背景场，平均绝对误差降低17.84%，均方根误差降低14.21%。

图2  不同观测特征组合下超短期风电预测误差随时效变化

进一步分析发现，该方法在不同季节均能稳定降低预测误差，并能够有效缓解数值预报背景场在低风速条件下的功率高估以及高风速条件下的功率低估问题。与多种主流深度学习时序模型相比，ResNet-BiLSTM结构在多风电场验证中表现出更好的稳健性和泛化能力，说明其能够较好捕捉实测资料与背景功率预报误差之间的非线性关系。

总体而言，本研究将气象资料同化流程引入风电功率预测业务场景，构建了融合数值预报与站点实测功率和气象数据的智能订正方法。该方法能够更充分利用风电场实时观测信息，提升超短期功率预测精度，为新能源功率预测、电网调度和高比例风电消纳提供了新的技术思路。

图3 (a)短期预报背景场与AI订正结果的预测表现对比.; (b)展示了订正前后所有场站误差随风速的变化

以上研究成果已授权国家发明专利一项，相关内容发表于国际能源类SCI期刊《Sustainable Energy Technologies and Assessments》。

论文信息：

Wang Yuanbing, Sun Hanwen, Chen Yaodeng, et al. Improving ultra-short-term wind power prediction with combination of model-predicted and station-measured meteorology and power data using an AI data assimilation method. Sustainable Energy Technologies and Assessments, 2026.

授权国家发明专利：王元兵，孙涵文，等. 基于实测功率和风速协同同化的风功率智能预测方法和系统