La predicción precisa de la velocidad del viento es significativamente importante para la plena utilización de los recursos de energía eólica y la mejora de los beneficios económicos de los parques eólicos. Debido a que la previsión por conjuntos tiene en cuenta la incertidumbre de la información sobre el movimiento atmosférico, los centros de pronóstico de servicios meteorológicos nacionales y extranjeros a menudo eligen utilizar la previsión numérica por conjuntos para lograr una previsión precisa de la velocidad del viento. Sin embargo, debido a los errores sistemáticos inevitables del modelo de previsión numérica por conjuntos, es necesario corregir la desviación en la previsión de velocidad del viento por conjuntos. Considerando las características espacio-temporales típicas de los datos de predicción en cuadrícula del campo de viento, basado en unidades de Memoria a Largo y Corto Plazo Convolucional (ConvLSTM) y un mecanismo de atención, este artículo toma la compleja y representativa región del norte de China como área de investigación, con el objetivo de revelar las deficiencias de los modelos de corrección de predicción integrada de aprendizaje profundo existentes en la extracción de características temporales de los datos de predicción en cuadrícula. Proponemos un nuevo modelo de corrección del campo de viento de predicción por conjuntos que integra características multifactoriales y espacio-temporales. Este modelo utiliza datos de tierra reanalizados proporcionados por el Centro Europeo de Pronósticos Meteorológicos a Medio Plazo como datos reales para corregir la desviación en los datos del campo de viento a 10 m cerca de la superficie predichos por el modelo de predicción numérica por conjuntos regional de la Administración Meteorológica de China. Utilizamos los datos de tierra reanalizados proporcionados por el Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF) como datos en vivo para corregir la desviación en los datos del campo de viento a 10 m cerca de la superficie predichos por el modelo de predicción numérica por conjuntos regional de la Administración Meteorológica de China (CMA). Al mismo tiempo, se utilizaron el Error Cuadrático Medio (RMSE) y el Error Absoluto Medio (MAE) como indicadores de puntuación, y se compararon los resultados del promedio por conjuntos del Sistema de Predicción Regional de la Administración Meteorológica de China (CMA-REPS), la corrección por método de regresión lineal múltiple, la corrección por método de Memoria a Largo y Corto Plazo (LSTM) y la corrección por método U-net (UNET). En comparación con el método del modelo UNET, los resultados experimentales muestran que al procesar los datos de viento zonal a 10 m, los datos de viento meridional a 10 m y los datos de velocidad media del viento a 10 m de las previsiones de 24 h de CMA-REPS, los resultados de corrección de nuestro modelo pueden reducir el índice de puntuación RMSE en un 9.15%, 4.83% y 7.79%. Al mismo tiempo, al procesar los datos del campo de viento a 10 m cerca de la superficie de las previsiones de CMA-REPS a 48 h y 72 h, nuestro modelo puede mejorar la precisión de la predicción de los datos de pronóstico de viento cerca de la superficie de CMA-REPS. Por lo tanto, el efecto de corrección del modelo propuesto en un área de terreno complejo es evidentemente mejor en comparación con otros métodos.