深度学习方法在多场站超短期风电功率预测中已显示出良好前景，但在极端对流天气条件下，因过度依赖粗分辨率数值天气预报（NWP）而仍面临挑战。为解决这一局限，研究人员提出了CGForecast，这是一种面向多风电场概率预测的多模态双分支框架。首先，为应对NWP场数据利用不足的问题，CGForecast采用图卷积网络（GCN）学习随时间变化的场站间关系，同时将区域NWP风场特征注入节点状态，以耦合局地实测信息与大尺度气象预报。为提升预测稳定性，研究人员进一步引入基于Transformer的分支，从跨场站数据中提取全局特征以进行确定性预测。随后，为增强模型对对流事件的响应能力，研究人员通过条件变分自编码器（CVAE）利用实时雷达观测对GCN特征进行条件化，使模型能够依据正在发生的天气过程调整其内部类型表征，而无需诉诸离散事件分类。最后，研究人员对两个分支进行联合优化，以获得概率预测结果。基于湖北省2024年10个风电场全年数据开展的大量实验表明，在多数季节中，CGForecast相较于强基线模型提升了总体概率预测精度；尽管在秋季工况下其连续排序概率得分（CRPS）略逊于标量输入基线，但在对流天气及快速变化天气类型条件下仍表现出具有竞争力的性能增益。
该文发表于《British Accounting Review》，但从论文内容看，研究主题属于新能源功率预测与智能气象信息融合领域。研究背景在于，风电装机规模持续扩大，风电出力的随机性与波动性对电力系统调度、备用分配和安全稳定运行提出了更高要求，因此高精度超短期风电功率预测具有突出的工程价值。超短期风电功率预测通常面向数分钟至数小时的时间尺度，在多场站场景下，模型不仅需要刻画单站历史时序依赖，还需识别区域内风场扰动传播及场站间空间耦合关系。现有传统统计模型如自回归积分滑动平均（ARIMA）与支持向量回归（SVR）虽已广泛应用，但受限于线性假设或浅层映射能力，难以充分捕捉湍流风环境中的高频波动。深度学习方法，尤其是循环神经网络（RNN）、长短期记忆网络（LSTM）及图神经网络（GNN），显著提升了对复杂非线性时空关系的建模能力；同时，数值天气预报（NWP）也逐渐成为超短期预测的重要先验信息来源。
然而，已有研究仍存在若干关键问题。首先，多场站风电预测在局地强对流天气下极为敏感，而常规NWP通常生成于提前数小时乃至数天之前，时间分辨率较粗，难以准确表征超短时尺度上的快速局地天气演变。其次，尽管部分多模态方法尝试引入卫星或站端传感信息，但往往仅截取场站附近有限区域，导致对大范围气象背景利用不足，难以全面提取场信息。再次，一些多任务学习方法先对天气类型分类，再调用专门预测模型，但大气状态本质上是连续变化而非天然离散，基于类别的切换机制可能在天气快速转变时引发预测行为不连续，不利于工业应用。最后，纯概率预测方法虽然能够表达不确定性，但若缺乏外部物理约束，仅依赖已观测标量输入，预测不确定性的可信度在数据稀缺或恶劣天气下可能下降。基于这些问题，研究人员提出一种统一模型，将场尺度气象先验、实时雷达观测与概率潜变量建模整合起来，以提升多场站超短期风电功率预测的稳健性与适应性。
围绕上述目标，研究人员设计了CGForecast这一双分支概率预测框架。该模型由一个基于Transformer的确定性预测分支与一个基于图神经网络的概率预测分支组成。其核心思想在于：一方面借助图卷积网络（GCN）刻画多场站之间动态变化的空间相关结构，并在图传播过程中逐层注入覆盖所有场站的NWP风场嵌入，以实现局地SCADA（监控与数据采集系统）标量观测与区域风场背景信息的融合；另一方面利用实时雷达反射率观测驱动条件变分自编码器（CVAE），构造连续潜变量z，将其注入时间卷积层中，作为连续天气状态索引，以平滑调制由SCADA与NWP共同驱动的动力学过程及其不确定性表达。相较于显式天气分类，这一设计避免了对天气状态进行离散化带来的信息损失与模型突变问题。最终，研究人员联合优化两个分支，使模型既获得稳定的确定性预测能力，又具备对复杂天气不确定性进行刻画的概率预测能力。
方法上，研究人员基于2024年湖北省10个风电场全年数据开展实验，输入信息包括历史SCADA标量序列、站点级预报标量以及区域NWP风场与实时雷达观测等多模态数据。模型主体采用GCN学习多场站时变空间依赖，采用Transformer提取跨站全局时序特征，并通过CVAE以雷达反射率为条件生成潜变量，对图分支隐表示进行连续天气状态调制；同时设置基于雷达最大反射率聚类标签的离散条件混合专家（mixture-of-experts）门控基线用于比较。性能评价聚焦于确定性误差与概率预测质量，样本来源明确为中国湖北省10个风电场的一年期多场站数据集。
在结果部分，论文首先从整体实验框架与数据设置出发，验证了CGForecast在多模态超短期风电预测中的有效性。研究结果表明，该模型在多数季节条件下相对于强基线模型取得了更优的总体概率预测表现，说明联合引入NWP场信息、跨站图结构建模与雷达条件潜变量调制，能够更充分地利用区域气象背景并增强对复杂天气过程的适应能力。
在空间关系与全局气象先验建模方面，研究人员通过GCN分支将NWP风场上下文嵌入逐层注入节点状态，证明仅依赖站点附近局部信息并不足以充分刻画风电输出受大尺度风场影响的机制。通过图结构传播融合多场站信息后，模型能够更有效学习风扰动在区域内的传播关系，从而改善多场站联合预测性能。这一结果说明，场级别NWP特征并非仅作为简单外生变量输入，而是在图传播过程中持续影响节点表示更新，对超短期场站耦合预测具有重要作用。
在预测稳定性方面，研究人员增设基于Transformer的确定性预测分支，用于提取跨场站全局特征并提供相对稳定的预测支撑。论文表明，该设计有助于缓解单一概率分支在复杂条件下可能出现的波动问题，使模型在保持敏感性的同时兼顾整体预测稳定性。由此可见，双分支结构并非简单并联，而是在功能上形成互补：Transformer分支强调全局依赖与确定性回归，GCN-CVAE分支则强化时变空间关系与不确定性刻画。
在对流天气响应能力方面，论文重点验证了雷达条件建模的贡献。研究人员利用实时雷达反射率观测，通过CVAE生成条件潜变量z并注入图分支内部，使模型能够依据持续演变的实际天气态势调整内部表示，而不是依赖预定义天气类别进行硬切换。实验显示，该连续条件化策略在强对流及快速变化天气类型下具有更具竞争力的性能提升，并优于基于预定义标签的离散条件混合专家替代方案。尤其值得注意的是，论文指出所提网络在强对流情形下取得了更低的平均绝对误差（MAE），且性能退化行为更平稳。这表明连续潜变量表征比离散标签更适合描述大气状态的连续演化特征。
在概率预测性能方面，研究人员通过联合优化双分支输出获得概率预测结果，并以连续排序概率得分（CRPS）等指标开展评估。总体上，CGForecast在多数季节实现了优于强基线的概率预测精度，证明外部物理观测约束下的不确定性建模具有现实价值。不过，论文也报告在秋季特定天气型下，其CRPS略逊于仅使用标量输入的基线模型。这一结果说明，尽管多模态融合与条件概率建模整体有效，但不同季节天气结构差异可能影响模型收益，相关局限在论文中被如实呈现，体现了研究结论的审慎性。
讨论部分强调，超短期风电功率预测的核心难点源于大气过程的随机性与快速变化特征，尤其是在对流天气条件下，单纯依赖粗分辨率NWP预报难以保证精度。CGForecast的重要意义在于，将多模态气象线索统一纳入一个概率学习框架之中：区域NWP风场为模型提供大尺度先验，实时雷达观测提供对局地强对流演变的即时刻画，GCN负责建模多场站时变空间依赖，CVAE则通过连续潜变量方式对天气状态进行柔性条件化。该研究表明，面向工业场景的风电预测模型不应仅关注点值回归精度，也应重视在复杂天气下对不确定性的物理约束表达。论文同时通过与离散天气标签条件方法的比较，进一步说明连续天气状态建模在快速转变环境中的优势。总体而言，该研究为多场站超短期风电功率预测提供了一种具有较强可扩展性的多模态概率建模思路。
结论部分可概括翻译如下：由于大气过程具有内在随机性并快速变化，超短期风电功率预测始终具有挑战性，尤其是在对流天气条件下，仅使用粗分辨率NWP预报往往表现不佳。本文提出了CGForecast，这是一种面向超短期风电功率预测的雷达条件图神经网络模型，将多模态气象信息与概率潜在状态建模加以统一。研究结果表明，该方法能够有效提升多场站场景下的预测性能，特别是在强对流及快速变化天气条件下展现出优势，同时在大多数季节实现了具有竞争力的概率预测效果。研究说明，在风电超短期预测中融合区域NWP场信息、实时雷达观测以及连续条件潜变量建模，是提升复杂天气适应性与预测可靠性的有效途径。
