La predicción de energía eólica de alta precisión mejora la estabilidad de la red y reduce las pérdidas por recortes. Los métodos existentes enfrentan tres limitaciones: los gráficos estáticos no pueden capturar las correlaciones espaciales dinámicas bajo cambios climáticos, los modelos de series temporales no capturan características temporales a múltiples escalas y los análisis en el dominio de la frecuencia carecen de restricciones físicas. Proponemos: (1) un gráfico ponderado de correlación de distancia dinámica que combina de manera adaptativa las correlaciones geográficas y de energía para el acoplamiento clima-terreno; (2) un marco de fusión espaciotemporal-frecuencia que integra redes gráficas, GRUs bidireccionales y un módulo de tiempo-frecuencia escaso por parches; (3) un mezclador de frecuencia restringido por la curva de potencia de la turbina para consistencia física. En el conjunto de datos SDWPF, nuestro modelo logra reducciones de MAE del 37.47-43.32% y reducciones de RMSE del 37.93-42.70% en comparación con las líneas base, superando a los métodos de última generación. El enfoque demuestra un rendimiento superior en escenarios espaciotemporales complejos.