为了提高风能生产的安全性和可靠性，短期预测已成为最重要的。这项研究的重点是挪威大陆架的多步时时空风速预测。图形神经网络（GNN）体系结构用于提取空间依赖性，具有不同的更新功能以学习时间相关性。这些更新功能是使用不同的神经网络体系结构实现的。近年来，一种这样的架构，即变压器，在序列建模中变得越来越流行。已经提出了对原始体系结构的各种改动，以更好地促进时间序列预测，本研究的重点是告密者Logsparse Transformer和AutoFormer。这是第一次将logsparse变压器和自动形态应用于风预测，并且第一次以任何一种或告密者的形式在时空设置以进行风向预测。通过比较时空长的短期记忆（LSTM）和多层感知器（MLP）模型，该研究表明，使用改变的变压器体系结构作为GNN中更新功能的模型能够超越这些功能。此外，我们提出了快速的傅立叶变压器（FFTRANSFORMER），该变压器是基于信号分解的新型变压器体系结构，由两个单独的流组成，分别分析趋势和周期性成分。发现FFTRANSFORMER和自动成型器可在10分钟和1小时的预测中取得优异的结果，而FFTRANSFORMER显着优于所有其他模型的4小时预测。最后，通过改变图表表示的连通性程度，该研究明确说明了所有模型如何利用空间依赖性来改善局部短期风速预测。

随着风能的渗透到电网，能够预测大型风电场的预期电力生产变得越来越重要。深度学习（DL）模型可以在数据中学习复杂的模式，并在预测唤醒损失和预期的电力生产方面找到了广泛的成功。本文提出了一种基于关注的图形神经网络（GNN）的模块化框架，其中可以应用于图形块的任何所需组件。结果表明，该模型显着优于多层的Perceptron（MLP）和双向LSTM（BLSTM）模型，同时通过Vanilla GNN模型提供性能。此外，我们认为，所提出的图表架构可以通过为要使用的所需注意操作提供灵活性来轻松适应不同的应用，这可能取决于特定应用。通过分析注意力的重量，据表明，采用基于关注的GNN可以提供洞察模型学习的内容。特别是，注意网络似乎意识到与唤醒损失的一些物理直觉对齐的涡轮机依赖性。