超短期风功率预测是风功率预测的重要研究内容之一。随着风电产业的发展,风功率预测经历了数十年的研究,在中长期预测任务中取得了较大的进展,而超短期预测任务由于其对预测的时间粒度要求较高,且国家规定的指标较严,一直是风功率预测的一大难题。同时,超短期预测的准确性又关乎着国家的电网安全,是一个重要而又充满挑战的实际问题。对于超短期风功率预测的研究,目前主流的方法仍是使用时序数据建模分析或结合单点NWP气象数据调整预测结果。这些在中长期小时级粒度的预测任务上可行的方法并不适用于对预测的细节要求较高的高分辨超短期预测任务。针对现有的研究方法存在的问题与缺陷,本文提出融合时空数据的STFSeq2Seq模型,通过从空间数据中获得特征与未来信息,提升风功率预测的准确性。为了更好地抽取多通道的空间图像数据,本文提出了局部残差多尺度卷积模块（Partial Residual Multi-scale Convolution,PR-MCNN）,对空间数据进行多尺度的特征抽取,通过堆叠PR-MCNN的方式融合浅层和深层的空间信息。针对所抽取的特征图通道数过多影响预测结果的问题,本文引入挤压激励网络（Squeeze and Excitation Networks,SENet）对特征图的通道实行注意力机制。最后通过注意力机制,在解码器进行预测时,将编码器中的时序分支与空间特征图融合,完成时空数据的后融合。为了提升STF-Seq2Seq模型预测的准确性,本文采用分批循环多步预测的策略对模型进行训练和预测,通过对比实验验证了STF-Seq2Seq模型的有效性。针对基于RNN的STF-Seq2Seq模型预测结果平稳,预测的合格率不高的缺陷,本文进一步改善了时空数据融合模型,改用Transformer作为编解码的基础结构,将PR-MCNN与SENet嵌入Transformer的编解码器中,通过改进Transformer的自注意力机制,使其能对时间步特征和空间网格特征同时进行注意力计算,由此实现时空数据的前融合,将网格数据特征编码进时序特征中。为了提供更多的信息,本文改进了Transformer的嵌入层,加入了时序编码与状态编码模块,减少注意力机制权重计算的误算率。最后通过实验验证了STF-Transformer模型的可行性,为超短期风功率预测提供新的思路。