重磅|南京信息工程大学发布NUIST-WE能源气象AI大模型

南京信息工程大学能源气象AI大模型

（NUIST-WE）正式上线

当前，在我国“双碳”战略目标的指引下，构建清洁化、多元化、智能化的现代能源体系已成为行业发展核心方向，新能源替代进程正在不断加快。风能、太阳能、水能等可再生能源比重持续增加，正逐渐成为我国新型电力系统的供给主体。根据全球能源行业最新统计数据，截至2025年底，全球风电累计装机容量已突破1299吉瓦，其中中国风电装机占比达49.6%，位居全球首位；在2025年全球新增可再生能源装机中，风电占比更是达到23.9%，成为推动全球可再生能源增长的核心引擎。

我国风电产业连续多年保持高速增长，装机规模持续突破，不仅为能源结构清洁化转型提供了有力保障，也对风电并网运行技术提出了全新要求。随着风电并网规模不断扩大，电网运行对风电功率预测精度的要求日益提高，而高精度功率预测的核心前提是高质量的能源气象预报，现有技术在预报精度、可解释性以及跨区域迁移性方面，已难以满足当前产业发展需求，开发适配风电大规模并网的新一代能源气象预报技术已成为行业亟待突破的关键问题。

近期，The Innovation Geoscience期刊以letter形式在线发表了"NUIST-WE: A foundation architecture for weather and energy forecasting integrating meteorological physics and generative pre-training"的研究论文。该研究提出了面向天气与能源预测的基础架构NUIST-WE。该架构将气象物理先验知识与生成式预训练相融合，构建了由天气预报基础大模型（NUIST-W）和风能预测大模型NUIST-Ewind组成的双模块框架，旨在提高风能预测的精度、可扩展性和物理一致性。该研究由南京信息工程大学、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多家校企行业单位联合完成。

风能预测面临的挑战

风能资源天然具备随机性强、开发储存难度大的特点。实际运行中，风速的不规则波动、风能资源的空间分布异质性，加上风电开发场址多位于山地、近海等复杂地形区，天气过程多变，这些因素都会给风电出力带来显著波动，给新型电力系统的调度、调频和安全运行引入大量不确定性。特别在新能源大规模并网的背景下，极端天气气候事件对新型电力系统供需两侧的冲击愈发剧烈，使其并网带来显著不确定性，直接制约社会经济发展与新型电力系统运行安全。

传统气象预报（NWP）难以满足新能源系统对高分辨率、物理一致性与跨站点迁移能力的三重需求。当前主流方法面临三重瓶颈：

关键缺口

现有模型在高精度预测、高物理一致性、低数据依赖和轻量化部署等方面仍面临一定的平衡挑战。

NUIST-WE：创新路径

"物理约束+生成式预训练"

的双模块融合架构

南京信息工程大学和国电南京自动化有限公司联合成立能源气象研究院，汇聚了大气科学、人工智能、水文气象、地理科学、海洋科学、计算机科学与技术、遥感科学与技术、电力系统等学科优势，形成一支多学科交叉的能源气象领域特色团队，联合其他多家单位，研发了NUIST-WE能源气象大模型。包含两个核心组件：

NUIST-W：AI气象大模型作为底座基础模型——面向能源需求的气象变量预测；

NUIST-Ewind：风能预测大模型——面向跨站点功率的序列建模。

二者统一于一个全球多源数据融合预训练框架，总规模>2300亿多变量时间步，覆盖：

气象：ERA5全球再分析资料（1979–2024）；

能源：全球>5000风电场历史功率（2010–2024，15min间隔）；

辅助：风机参数、地形高程数据、卫星遥感数据、电网约束等。

图1NUIST-WE整体架构图。NUIST-WE的总体框架由两个主要部分组成：（A）NUIST-W气象基础模型和（B）NUIST-Ewind风能预测模型。NUIST-W作为一种基础气象模型，通过先验驱动的多元分布约束和双矩阵输入误差校正机制，实现了高精度的气象预报结果。进一步利用下采样插值方案作为NUIST-Ewind的核心输入，并用风功率数据对其进行微调以进行预训练。

NUIST-W：

数据驱动+物理约束的

AI气象大模型底座

NUIST-W能够提供高时空分辨率的风速、温度、气压、湿度等气象要素预测，在一定程度上缓解传统NWP受分辨率和系统偏差影响的问题。

创新点1

气候先验驱动的

多变量分布约束

基于40多年气候统计，提取关键变量（风速、海平面气压、空气湿度等）的均值、方差、分位数；

通过气象感知注意力机制将其嵌入潜在空间，约束生成分布，从而降低统计意义上的异常输出。

创新点2

ERA5系统偏差的

双矩阵可解释修正

变量相关性先验矩阵：基于历史观测统计构建的变量相关性先验矩阵，描述风速、温度、湿度等变量间的协同变化关系，并以方差/协方差统计量初始化；

可学习误差修正矩阵：动态调整各个变量之间的耦合关系，从而更有效地捕捉多变量协同演化过程。

vs. 基线

性能提升

在风场、温度场等关键气象要素上均取得更优预测结果，在不同高度层和不同变量上表现出稳定的性能优势。

图2与现有ClimaX、FourCastNet及Pangu方法性能对比曲线图。

模型预测场与真实场具有较高的一致性，能够准确刻画关键气象变量的空间分布及演变趋势，体现出较强的预测能力和泛化性能。

图3风速预测结果与真实值对比（预报时长6h-10d不等）。

NUIST-Ewind：

冷启动+跨站点泛化的

AI风能预测大模型

传统数据驱动模型在新建风电场（冷启动）场景中表现脆弱。NUIST-Ewind通过生成式预训练+能源序列专用tokenizer解决该问题。

创新点1

能源序列专用时间

tokenizer

将连续功率序列（0–额定功率）按功率变化率动态分段：

稳定期：0.5%额定功率/段

爬坡事件：2%额定功率/段；

转换为离散token序列→支持token-level生成与多采样概率预测；

实验表明：量化偏置影响远小于爬坡动态保留带来的增益。

创新点2

时效自适应微调——

数值天气预报

（NWP）与预训练

知识的动态权衡

引入可学习门控单元（LGU），根据预报时效动态加权：

0–6h（NWP可靠）：NWP权重=0.7–0.9；

24–72h（气候模式更稳）：NWP权重=0.3–0.5；

在温带平原风电场，>24h预报精度提升7%–10%。

图4使用气象变量对未来1天（96个时间步）的预测结果进行可视化。该图显示了从江苏境内场站中选择的12个非重叠日。

图5使用气象变量对未来3天（288个时间步）的预测结果进行可视化。该图显示了从江苏境内场站中选择的12个非重叠日。

仅需1–2个月数据

冷启动能力

实测

在3个中国新建风电场（不同气候+地形）测试中：

仅用1–2个月历史功率数据（比传统减少2–4个月）；

轻量微调耗时仅需传统方法的10-15%（10–15GPU·h）；

RMSE&MAE相比当前最佳方法下降3%–5%。

表1与现有DLinear、TimeXer及iTransformer方法相比，NUIST-Ewind对新疆地区某戈壁场站风功率预测结果。

表2与现有DLinear、TimeXer及iTransformer方法相比，NUIST-Ewind对浙江沿海某海上场站风功率预测结果。

表3与现有DLinear、TimeXer及iTransformer方法相比，NUIST-Ewind对云贵高原某山地场站风功率预测结果。

未来展望

NUIST-WE不仅是风能预测工具，更是一个可扩展、跨能源可迁移的新能源预测基础架构，未来研究团队将立足新能源融合发展趋势，打造风光水一体化气象-能源耦合预测大模型体系（如光伏NUIST-Esolar、水电NUIST-Ehydro、波能NUIST-Ewave等），精准预判清洁能源出力。同步研发电价预测模块，搭建综合智能服务体系，为新能源消纳、电力调度与市场交易提供数字化支撑。

论文信息及链接：

https://www.the-innovation.org/article/doi/10.59717/j.xinn-geo.2026.100232