短期预测分布式光伏或辐照传感器网络中因云层移动导致的功率斜坡是电网运营商面临的难题。直观的做法是让图神经网络（GNN）具备对流感知能力：将每个站点与其上风方向的站点相连，边的时延由云运动向量（CMV）决定，使斜坡在实际到达前就被传播。我们在已知风场的合成测试平台上进行对照实验，得到三点主要结论：
(i) 使用真实感的交叉相关法得到的 CMV，显式的对流图结构并不优于普通的静态或学习得到的邻接矩阵的时空 GNN；
(ii) 完美 CMV 所能提供的约一半收益，仅来源于将精确的运动向量作为输入特征，而非图结构本身；
(iii) 对流仅在预测时段的位移 $v*H$ 能够完整落在传感器网络内部时才有帮助。
受 (ii) 启发，我们设计了一个小型自监督云运动估计器——位置感知编码器，仅在多时滞光流重建目标上训练，并使用退火核函数。该估计器在所有风速区间内将真实风向的中位角误差降低至 2‑4 度，约为传统交叉相关方法的 2‑4 倍。将该估计器冻结后输出的向量作为特征喂入预测模型，可在中等风速下缩小约 60% 的 oracle‑CMV RMSE 差距（相较于不使用对流的模型 RMSE 下降 8‑15%），且无需外部风速数据。
我们还报告了空间一致的概率预测头的负面结果。所有结论均基于单一合成模拟器，文中讨论了真实网络验证的必要性并给出初步方案。
点评：本研究揭示了对流感知图结构的局限性，并通过自监督运动估计实现了显著的性能提升，为实际光伏网络的短期功率预测提供了可行路径。