近日，我校能源气象研究院在《The Innovation Geoscience》期刊在线发表了“NUIST-WE: A foundation architecture for weather and energy forecasting integrating meteorological physics and generative pre-training”的研究论文。该研究提出了一个融合气象物理先验知识与生成式预训练技术的能源气象基础架构NUIST-WE，为新能源气象预报与风电功率预测提供了新的解决方案。该研究由南京信息工程大学联合国电南京自动化有限公司、哈尔滨工业大学、内蒙古自治区气象服务中心、国电南自维美德有限公司等单位共同完成。

随着“双碳”战略深入实施，风电等新能源装机规模持续增长，电力部门对风电功率预测精度提出了更高要求。然而，风能资源具有显著的随机性和空间异质性，复杂天气过程以及极端天气事件会造成风电出力的严重的不确定性。传统数值天气预报模式、数据驱动模型和通用时序基础模型在预测精度、物理一致性、跨区域泛化能力以及数据依赖等方面仍存在一定局限，难以满足新能源大规模并网背景下的应用需求。

针对上述问题，研究团队提出了面向天气与能源预测的基础架构NUIST-WE。该架构由气象基础模型NUIST-W和风能预测模型NUIST-E_wind组成，基于ERA5全球再分析资料、全球风电场历史功率数据以及地形、遥感和电网等多源信息，构建统一的预训练框架。其中，NUIST-W通过引入气候统计先验约束和可解释误差修正机制，提高风速、温度、湿度等关键气象变量的预测能力，NUIST-E_wind则结合生成式预训练与能源序列建模技术，提升模型在跨站点预测及新建风电场场景下的适用性。

研究结果表明，针对气象大模型领域研究的核心挑战之一“物理一致性与数据驱动可扩展性之间的权衡”，NUIST-W通过引入气候统计先验约束与可解释误差修正机制，能够较好刻画气象场的空间分布及演变过程，提升风速、温度、湿度等关键气象变量的预测精度与物理一致性，在风场和温度场等关键气象要素预测中表现出稳定优势；NUIST-E_wind基于全球5000个新能源场站的运行数据开展生成式预训练，从中学习通用功率波动模式，从而在少样本甚至零样本条件下适应新建风电场，适用于大规模风电并网调度、中长期风能资源评估，以及缺乏本地观测数据的“一带一路”或偏远地区风电场开发。相比领域现通用方法，该模型在预测精度和训练效率方面均取得明显提升，展现出较强的跨区域泛化能力和应用潜力。

该研究构建了融合气象物理机制与人工智能技术的能源气象预测新范式，为新能源高比例接入背景下的风能预测提供了重要技术支撑。目前，研究团队正进一步拓展模型在光伏、水电和海洋能等领域的应用，构建风光水多能源协同预测体系，为新能源消纳、电力调度及能源市场运行提供科学支撑。

本研究得到国家重点研发计划（2022YFF0801600）资助。

论文信息及链接：Haishan Chen*, Ying Liu, Haiqi Zhu, Haoxuan Xu, Chenyue Song, Chen Hui, Xianzhu Liu, Siguang Zhu, Yi Zhang, Xingxing Ma, Wei Hu, Bingcheng Wan, Kai Geng, Wenjie Zhang, Lina Xu, Qiuji Ding, Junwei Wu, Yubao Liu, Huan Wu, Changming Dong, Nengfei Zhu, Lei Huang, Bitao Xiao, Feng Jiang*, Yuanjian Yang*. (2026). NUIST-WE: A foundation architecture for weather and energy forecasting integrating meteorological physics and generative pre-training. The Innovation Geoscience, 4(3), 100232. doi: 10.59717/j.xinn-geo.2026.100232. https://www.the-innovation.org/article/doi/10.59717/j.xinn-geo.2026.100232.

NUIST-WE整体架构图