该文综述多项深度学习天气与新能源预测研究，涵盖CNN-RNN风电预测、领域自适应光伏发电估算、LSTM结合天空图像的光伏功率预测、卫星时空模型辐照度预测、树模型与量子神经网络光伏预测、HiSTGNN气象时空相关性建模，以及神经网络降水与干旱预测，均优于传统方法。

本文综述Transformer在时空预测中的应用，涵盖雷达回波外推、多变量长期预测、脑电超分辨率、频域多元预测、ENSO预测、季节趋势分解、图像去雨及风电预测等任务。

该文综述多项风电预测研究，涵盖物理信息神经网络回归与不确定性估计、CNN-RNN融合气象数据的日前预测、改进CNN-LSTM输入形状以提升噪声鲁棒性、时空图神经网络及WeatherGNN校正NWP偏差、梯度提升与循环网络结合的时空风电预测、可解释AI学习功率曲线，以及玻璃盒模型与工业减排决策的探索。

该文综述机器学习在可再生能源预测与电网管理中的应用，涵盖多模态端到端学习、CNN-RNN、LSTM、强化学习等方法，用于风速与风电预测、最优潮流及分布式能源管理。案例显示多模态端到端模型可降低系统成本30%，组合模型与特征工程能提升预测精度和利润。

该文综述了多种深度学习风电预测方法：利用预训练与自编码器提升数据表示；CNN-RNN融合气象网格与时间信息进行日前预测；时空风速模型模拟实体交互；神经网络将低分辨率风场提升为高分辨率三维速度场；3D-CNN分析时空风现象；图注意力与频率增强模型（GFST-WSF）提升短期风速预测；TCN与GRU结合降噪实现高精度预测；图神经网络与Transformer架构（Fast Fourier Transformer、Autoformer）建模时空依赖；TriOpts加速训练并用PFI、LIME解释预测；Windformer通过分窗与移窗建模风速变化，MSE降低2至15个百分点。

本研究探讨了深度学习对电力价格的影响，揭示了定价误差及其空间差异。建议将电力市场结算优化嵌入深度学习层，优化公平性并控制价格误差的空间分布。在风电预测和短期电力市场结算的交叉领域展示了价格感知的深度学习技术。