本文针对新能源功率预测中数据非平稳性、气象不确定性及系统预测偏差等挑战提出了一种融合CNN-Transformer-CNN-BiLSTM双分支混合架构与卡尔曼滤波误差修正的预测方法。在多个公开数据集上的实验结果表明1CNN-Transformer与CNN-BiLSTM的双分支并行设计能够同时捕获局部空间特征和全局时序依赖在MAE和RMSE上显著优于单一LSTM和标准Transformer模型2卡尔曼滤波误差修正模块可进一步降低预测偏差提升模型在不同天气条件下的鲁棒性3模型具备良好的可迁移性通过微调即可适应不同区域和季节的预测需求。本文方法在新能源功率预测领域展现了良好的应用前景但仍存在以下可改进方向一是当前方法依赖足够的历史数据对于新建场站或数据稀缺场景需要探索更高效的小样本学习策略二是Transformer的计算复杂度限制了其在超大规模场站群预测中的应用未来可引入FlashAttention等高效注意力机制以平衡精度与效率三是结合时空图神经网络和气象大模型进一步提升对新能源出力的长周期趋势预测能力。详细文章和完整代码请关注微信公众号《关于气象遥感》点击完整文章融合CNN-Transformer与误差修正的新能源功率预测研究