摘要
风速预测是风能系统中的重要时空预测任务，但由于大气过程的非线性和动态特性，这一任务依然具有挑战性。风的演变受物理定律支配，可通过偏微分方程来有效描述。为提高预测的可靠性和准确性，本文提出了一种名为DynWindNet的新型网络模型，该模型将基于方程的动力学与数据驱动的动力学整合在统一框架中。具体而言，该模型采用了交互式双分支架构，通过物理-数据耦合模块实现两种动力学之间的自适应信息交换，该模块借助注意力机制来实现这一功能。此外，还引入了频率感知增强模块，通过有选择地强调重要的频率成分来优化数据驱动分支的表示效果。在ERA5数据集上的实验结果表明，DynWindNet在各种大气压力水平下均优于现有的基准方法。总体而言，所提出的框架为将物理引导的演化建模与深度时空表示学习相结合以用于风场预测提供了一种有效的方法。
