风电功率预测方法、装置、电子设备及存储介质

技术领域

本发明涉及电力工程技术领域，尤其涉及一种风电功率预测方法、装置、电子设备及存储介质。

背景技术

风能作为一种可再生能源，近年来受到世界各国的重视与广泛应用。不同于传统能源发电，利用风能进行发电能够减少环境污染，符合可持续发展战略。然而，风能具有极强的波动性、间歇性、无序性和不稳定性，其应用特性给电网并网带来了极大的挑战。因此，为了能够充分利用电能，合理地规划电力系统的调度，预测风力发电机组的输出功率有着十分重要的实用价值。

目前，风力发电机组的输出功率的预测主要由物理方法、统计方法或者机器学习方法完成。但是，由于风电场大多建设在环境复杂恶劣的偏远地区，风力发电机组之间的距离较远，工作环境各不相同，致使风力发电机采集到的数据波动性很大，从而导致风电功率的预测比较困难。

发明内容

本发明提供了一种风电功率预测方法、装置、电子设备及存储介质，以解决变工况下风电机组的风电功率预测不准确的问题。

根据本发明的一方面，提供了一种风电功率预测方法，该方法包括：

获取目标风电机组在第一预设时间段内的历史运行数据，并根据历史运行数据构建训练样本数据集；

根据训练样本数据集、训练样本数据集对应的标签数据以及预先构建的模型损失函数对待训练模型进行训练，得到风电功率预测模型，其中，预先构建的模型损失函数根据最大均值差异损失函数和均方误差损失函数确定；

获取待预测风电机组在待预测时间段内的目标运行数据，并基于风电功率预测模型和目标运行数据对待训练风电机组的风电功率进行预测。

根据本发明的另一方面，提供了一种风电功率预测装置，该装置包括：

数据获取模块，用于获取目标风电机组在第一预设时间段内的历史运行数据，并根据历史运行数据构建训练样本数据集；

模型训练模块，用于根据训练样本数据集、训练样本数据集对应的标签数据以及预先构建的模型损失函数对待训练模型进行训练，得到风电功率预测模型，其中，预先构建的模型损失函数根据最大均值差异损失函数和均方误差损失函数确定；

风电功率预测模块，用于获取待预测风电机组在待预测时间段内的目标运行数据，并基于风电功率预测模型和目标运行数据对待训练风电机组的风电功率进行预测。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的风电功率预测方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的风电功率预测方法。

本发明实施例的技术方案，通过获取目标风电机组在第一预设时间段内的历史运行数据，并根据历史运行数据构建训练样本数据集，然后，根据训练样本数据集、训练样本数据集对应的标签数据以及预先构建的模型损失函数对待训练模型进行训练，得到风电功率预测模型，进一步的，获取待预测风电机组在待预测时间段内的目标运行数据，并基于风电功率预测模型和目标运行数据对待训练风电机组的风电功率进行预测，解决了现有技术中由于风电场大多建设在环境复杂恶劣的偏远地区，风力发电机组之间的距离较远，工作环境各不相同，致使风力发电机采集到的数据波动性很大，从而导致风电功率的预测比较困难的问题，通过将度量学习中的最大均值差异与神经网络模型相结合的方法对风电功率进行预测，不仅能够提取不同风电机组的风电运行数据中的可迁移特征，提高模型的迁移能力，而且能够提高模型的泛化能力，从而可以应用于不同的风电机组，准确地预测风电功率，保证电能质量，维护风电机组的安全运行。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的一种风电功率预测方法的流程图；

图2是根据本发明实施例一提供的数据清洗前后的风速-功率示意图；

图3是根据本发明实施例一提供的数据清洗前后的风速-功率示意图；

图4是根据本发明实施例二提供的一种风电功率预测方法的流程图；

图5是根据本发明实施例二提供的一种风电功率预测方法的风电功率预测结果图；

图6是根据本发明实施例二提供的一种风电功率预测方法的风电功率预测结果图；

图7是根据本发明实施例三提供的一种风电功率预测装置的结构示意图；

图8是实现本发明实施例的风电功率预测方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供了一种风电功率预测方法的流程图，本实施例可适用于对复杂工况下风电机组的风电功率进行预测的情况，该方法可以由风电功率预测装置来执行，该风电功率预测装置可以采用硬件和/或软件的形式实现，该风电功率预测装置可配置于终端和/或服务器中。

如图1所示，该方法包括：

S110、获取目标风电机组在第一预设时间段内的历史运行数据，并根据历史运行数据构建训练样本数据集。

在本实施例中，目标风电机组可以为在进行风电功率的预测过程中，用于进行模型训练的风电机组。示例性的，第一预设时间段可以为1个月、2个月或者6个月等。历史运行数据可以为风电机组在过去一段时间内的运行数据，数据特征可以包括但不限于风速、偏航角、转速、偏航对风误差以及风向等。训练样本数据集可以为由若干个训练数据构成，用于进行模型训练的样本。

可选的，根据所述样本运行数据构建训练样本数据集，包括：将历史运行数据按照时间序列进行划分，得到多个时间段的子样本运行数据集，将每一个子样本运行数据集作为一个训练样本，根据训练样本构建训练样本数据集。示例性的，将目标风电机组的历史运行数据按照时间先后顺序进行排列，然后，从第1组数据开始向后连续取50组数据作为第1个训练样本，进一步的，再从第51组数据开始连续取50组数据作为第2个训练样本，以此类推，共构建50个训练样本，将该50个训练样本作为模型训练的训练样本数据集。

具体的，在对风电机组的风电功率进行预测时，首先，获取用于进行模型训练的目标风电机组在第一预设时间段内的历史运行数据，并根据历史运行数据的时间先后顺序构建训练样本数据集，以便可以采用构建好的训练样本数据集进行模型训练。

S120、根据训练样本数据集、训练样本数据集对应的标签数据以及预先构建的模型损失函数对待训练模型进行训练，得到风电功率预测模型。

在本实施例中，标签数据可以为与训练样本数据集中的历史运行数据对应的风电功率数据。需要说明的是，由于需要根据风电机组的历史运行数据和历史运行数据对应的风电功率数据对待训练模型进行训练，因此，在获取目标风电机组的历史运行数据时，同时获取该历史运行数据对应的风电功率数据。

在本实施例中，预先构建的模型损失函数可以为用于评价待训练模型的预测值与真实值之间不一样程度的函数。其中，预先构建的模型损失函数根据最大均值差异损失函数和均方误差损失函数确定。

可选的，预先构建的模型损失函数根据最大均值差异损失函数和均方误差损失函数确定的具体方式如下：

Loss＝MSE+MMD

其中，Loss表示模型损失函数，MSE表示均方误差损失函数，MMD表示最大均值差异损失函数。

在本实施例中，均方误差(Mean Square Error，MSE)损失函数是回归损失函数中最常用的误差。均方误差为预测值与目标值之间差值的平方和。在实际应用中，MSE的计算公式可以为：

其中，n表示训练样本数据集数量，y

在本实施例中，最大均值差异(Maximum Mean Discrepancy，MMD)损失函数为迁移学习，尤其是域适应中使用最广泛的一种损失函数，主要用来度量两个不同但相关的分布的距离。

可选的，最大均值差异损失函数根据目标风电机组在第二预设时间段内的第一风电运行数据和待预测风电机组在第二预设时间段内的第二风电运行数据确定。

其中，第一风电运行数据可以为目标风电机组在过去某一时间段内历史运行数据。第二风电运行数据可以为待预测风电机组在同一时间段内的历史运行数据。

在实际应用中，最大均值差异损失函数可以根据目标风电机组与待预测风电机组在同一时间段内的历史运行数据确定。这样设置的好处在于：可以通过计算最大均值差异度量距离来测量目标风电机组与待预测风电机组之间的概率分布差异，有利于提高模型的特征迁移能力，以使训练得到的模型可以匹配运行数据之间的概率分布。

可选的，最大均值差异损失函数根据目标风电机组在第二预设时间段内的第一风电运行数据和待预测风电机组在第二预设时间段内的第二风电运行数据确定的具体方式如下：

其中，n表示第一风电运行数据的数量，m表示第二风电运行数据的数量，k表示核函数，

其中，待训练模型可以为需要进行训练的神经网络模型。可选的，待训练模型可以为卷积神经网络、深度神经网路或者循环神经网络中至少一个构成，本实施例对此不作限定。示例性的，待训练模型可以为反向传播神经网络模型(Back Propagation NeuralNetwork，BPNN)，该模型包括输入层、隐藏层和输出层，隐藏层和输出层使用的激活函数为双曲正切(tanh)激活函数，隐藏层的神经单元为40个，输出层的神经单元为1个。需要说明的是，隐藏层以及输出层中的神经单元个数可以根据实际情况进行调整，本实施例对此不作限定。

其中，激活函数为人工神经网络的神经单元上运行的函数，负责将神经单元的输入映射到输出端。在实际应用中，引入激活函数可以增加神经网络模型的非线性特征，以使神经网络模型的拟合性更好。

可选的，根据训练样本数据集、训练样本数据集对应的标签数据以及预先构建的模型损失函数对待训练模型进行训练，得到风电功率预测模型，包括：通过如下公式对待训练模型的模型参数进行调整，以得到风电功率预测模型：

其中，η表示学习率，θ表示待训练模型的模型参数，θ'表示θ经过一次迭代更新后的模型参数，

具体的，在获取目标风电机组在第一预设时间段内的历史运行数据，并将历史运行数据按照时间序列划分并构建训练样本数据集后，进一步的，根据训练样本数据集、训练样本数据集中各个历史运行数据对应的标签数据以及预先构建的模型损失函数对待训练模型的模型参数进行调整，直至满足训练结束条件，得到训练完成的风电功率预测模型。

需要说明的是，待训练模型的训练结束条件为训练过程中模型损失函数趋于收敛状态，也可以为待训练模型输出的训练结果与训练样本对应的标签数据的差异达到预设阈值等，本实施例对此不作限定。

S130、获取待预测风电机组在待预测时间段内的目标运行数据，并基于风电功率预测模型和目标运行数据对待训练风电机组的风电功率进行预测。

在本实施例中，待预测风电机组可以为需要进行风电功率预测的风电机组。待预测时间段可以为风电机组准备进行风电功率预测的某一时间段。示例性的，待预测时间段可以为1天、1周或者1个月等。目标运行数据可以为待预测风电机组在该时间段内的风电运行数据。

需要说明的是，目标风电机组的历史运行数据和待预测风电机组的目标运行数据可以是从风电机组运行数据采集系统获取，也可以是从本地数据库中获取，还可以是通过其他数据获取方式获取等，本实施例对此不作限定。例如，可以通过数据采集与监视控制(Supervisory Control And Data Acquisition，SCADA)系统获取风电机组的各种运行数据。

具体的，在得到训练完成的风电功率预测模型后，还需要应用该模型对风电机组的风电功率进行预测，首先，获取待预测风电机组在一段时间内的目标运行数据，然后，将该目标运行数据输入至风电功率预测模型中，得到通过风电功率预测模型预测的风电功率值，进一步的，为了评估模型的性能和预测效果，还可以将风电功率预测值与风电功率真实值进行比对，根据比对结果进行模型评估。

在上述技术方案的基础上，在根据历史运行数据构建训练样本数据集之前，还包括：根据预设数据处理方式对历史运行数据进行数据处理。

其中，预设数据处理方式可以为预先设置的，用于对风电运行数据进行数据清洗的数据处理方式。可选的，预设数据处理方式可以包括异常数据清洗和离异数据清洗等。在本实施例中，异常数据可以为历史运行数据中因维护、故障等风电机组停机期间的运行数据、历史运行数据中切入风速以下或者切出风速以上的运行数据或者历史运行数据中功率值异常记录的运行数据等，例如，功率为负值或者超出最大功率所对应的运行数据。离异数据可以为数据采集系统中的传感器出现异常时所采集的运行数据。

具体的，在根据历史运行数据构建训练样本数据集之前，还需要根据预先设置的数据处理方式对获取到的历史运行数据进行数据清洗处理。这样设置的好处在于：为了避免风电机组运行过程中记录的异常数据或者离异数据对模型分析结果产生负面影响，从而实现风电功率的准确预测。

需要说明的是，在根据目标风电机组在第二预设时间段内的第一风电运行数据和待预测风电机组在第二预设时间段内的第二风电运行数据确定最大均值差异损失函数时，不仅需要对目标风电机组的第一风电运行数据进行数据清洗处理，也需要对待预测风电机组的第二风电运行数据进行数据清洗处理。

为了更加清楚的验证预设数据处理方式对风电机组的运行数据的处理结果，可以通过具体的例子来说明，例如，以1号风电机组在2021年5月1日至31日的历史运行数据作为第一风电运行数据，将10号风电机组在2021年5月1日至31日的历史运行数据作为第二风电运行数据，数据采样的时间间隔为1分钟，每个运行数据中的数据特征维数均为5，分别是风速、偏航角、转速、偏航对风误差以及风向，两台风电机组的切入风速均为2.5米/秒，切出风速均为20米/秒。图2为1号风电机组的运行数据经过数据处理之前(图左)和数据处理之后(图右)的风速-功率示意图，图3为10号风电机组的运行数据经过数据处理之前(图左)和数据处理之后(图右)的风速-功率示意图。

本发明实施例的技术方案，通过获取目标风电机组在第一预设时间段内的历史运行数据，并根据历史运行数据构建训练样本数据集，然后，根据训练样本数据集、训练样本数据集对应的标签数据以及预先构建的模型损失函数对待训练模型进行训练，得到风电功率预测模型，进一步的，获取待预测风电机组在待预测时间段内的目标运行数据，并基于风电功率预测模型和目标运行数据对待训练风电机组的风电功率进行预测，解决了现有技术中由于风电场大多建设在环境复杂恶劣的偏远地区，风力发电机组之间的距离较远，工作环境各不相同，致使风力发电机采集到的数据波动性很大，从而导致风电功率的预测比较困难的问题，通过将度量学习中的最大均值差异与神经网络模型相结合的方法对风电功率进行预测，不仅能够提取不同风电机组的风电运行数据中的可迁移特征，提高模型的迁移能力，而且能够提高模型的泛化能力，从而可以应用于不同的风电机组，准确地预测风电功率，保证电能质量，维护风电机组的安全运行。

实施例二

图4为本发明实施例提供的一种风电功率预测方法的流程图。以风电功率预测模型为BP神经网络模型为例，如图4所示，该方法具体可以包括如下步骤：

1、获取两台风电机组在同一时间段内的历史运行数据；

2、对获取后的历史运行数据进行数据清洗；

3、根据两台风电机组的历史运行数据计算MMD距离，并将计算得到的MMD距离添加至待训练的BP神经网络模型的损失函数中，搭建度量BP神经网络模型；

4、将其中一台风电机组的历史运行数据作为模型训练数据，获取另一台风电机组在另一时间段内的历史运行数据，并将其作为模型测试数据；

5、根据模型训练数据对搭建后的度量BP神经网络模型进行训练，得到训练完成的度量BP神经网络模型；

6、将模型测试数据输入至训练完成的度量BP神经网络模型中进行风电功率预测，得到风电功率预测结果。

为了验证本发明实施例的技术效果，可以通过具体的例子来进行说明，例如，获取两台风电机组的历史运行数据，其中一台为1号风电机组，另一台为10号风电机组，根据两台风电机组构建两个迁移任务，一个迁移任务是以1号风电机组的历史运行数据作为训练数据，进行模型训练，并根据训练完成的模型对10号风电机组的风电功率进行预测；另一个迁移任务是以10号风电机组的历史运行数据作为训练数据，进行模型训练，对1号风电机组的风电功率进行预测。图5为1号风电机组迁移到10号风电机组的风电功率预测结果图，图6为10号风电机组迁移到1号风电机组的风电功率预测结果图。从图5和图6中可以看出，在两个迁移任务中，模型的预测功率值与实际功率值较为相近，在多个数据点处的功率预测值与功率实际值相差很小，几乎重合，表明模型的迁移效果比较良好，能够实现较高准确度的风电功率预测。

本发明实施例的技术方案，通过获取目标风电机组在第一预设时间段内的历史运行数据，并根据历史运行数据构建训练样本数据集，然后，根据训练样本数据集、训练样本数据集对应的标签数据以及预先构建的模型损失函数对待训练模型进行训练，得到风电功率预测模型，进一步的，获取待预测风电机组在待预测时间段内的目标运行数据，并基于风电功率预测模型和目标运行数据对待训练风电机组的风电功率进行预测，解决了现有技术中由于风电场大多建设在环境复杂恶劣的偏远地区，风力发电机组之间的距离较远，工作环境各不相同，致使风力发电机采集到的数据波动性很大，从而导致风电功率的预测比较困难的问题，通过将度量学习中的最大均值差异与神经网络模型相结合的方法对风电功率进行预测，不仅能够提取不同风电机组的风电运行数据中的可迁移特征，提高模型的迁移能力，而且能够提高模型的泛化能力，从而可以应用于不同的风电机组，准确地预测风电功率，保证电能质量，维护风电机组的安全运行。

实施例三

图7为本发明实施例三提供的一种风电功率预测装置的结构示意图。如图7所示，该装置包括：数据获取模块210、模型训练模块220和风电功率预测模块230。

其中，数据获取模块210，用于获取目标风电机组在第一预设时间段内的历史运行数据，并根据历史运行数据构建训练样本数据集；

模型训练模块220，用于根据训练样本数据集、训练样本数据集对应的标签数据以及预先构建的模型损失函数对待训练模型进行训练，得到风电功率预测模型，其中，预先构建的模型损失函数根据最大均值差异损失函数和均方误差损失函数确定；

风电功率预测模块230，用于获取待预测风电机组在待预测时间段内的目标运行数据，并基于风电功率预测模型和目标运行数据对待训练风电机组的风电功率进行预测。

本发明实施例的技术方案，通过获取目标风电机组在第一预设时间段内的历史运行数据，并根据历史运行数据构建训练样本数据集，然后，根据训练样本数据集、训练样本数据集对应的标签数据以及预先构建的模型损失函数对待训练模型进行训练，得到风电功率预测模型，进一步的，获取待预测风电机组在待预测时间段内的目标运行数据，并基于风电功率预测模型和目标运行数据对待训练风电机组的风电功率进行预测，解决了现有技术中由于风电场大多建设在环境复杂恶劣的偏远地区，风力发电机组之间的距离较远，工作环境各不相同，致使风力发电机采集到的数据波动性很大，从而导致风电功率的预测比较困难的问题，通过将度量学习中的最大均值差异与神经网络模型相结合的方法对风电功率进行预测，不仅能够提取不同风电机组的风电运行数据中的可迁移特征，提高模型的迁移能力，而且能够提高模型的泛化能力，从而可以应用于不同的风电机组，准确地预测风电功率，保证电能质量，维护风电机组的安全运行。

可选的，数据获取模块210，还用于将所述历史运行数据按照时间序列进行划分，得到多个时间段的子样本运行数据集，将每一个子样本运行数据集作为一个训练样本，根据所述训练样本构建所述训练样本数据集。

可选的，所述预先构建的模型损失函数根据最大均值差异损失函数和均方误差损失函数确定的具体方式如下：

Loss＝MSE+MMD

其中，Loss表示模型损失函数，MSE表示均方误差损失函数，MMD表示最大均值差异损失函数。

可选的，所述最大均值差异损失函数根据目标风电机组在第二预设时间段内的第一风电运行数据和待预测风电机组在第二预设时间段内的第二风电运行数据确定。

可选的，所述最大均值差异损失函数根据所述目标风电机组在第二预设时间段内的第一风电运行数据和所述待预测风电机组在所述第二预设时间段内的第二风电运行数据确定的具体方式如下：

其中，n表示第一风电运行数据的数量，m表示第二风电运行数据的数量，k表示核函数，

可选的，模型训练模块220，还用于通过如下公式对待训练模型的模型参数进行调整，以得到风电功率预测模型：

其中，η表示学习率，θ表示待训练模型的模型参数，θ'表示θ经过一次迭代更新后的模型参数，

可选的，在根据历史运行数据构建训练样本数据集之前，所述装置还包括：数据处理模块，用于根据预设数据处理方式对历史运行数据进行数据处理，其中，预设数据处理方式包括异常数据清洗和离异数据清洗。

本发明实施例所提供的风电功率预测装置可执行本发明任意实施例所提供的风电功率预测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如风电功率预测方法。

在一些实施例中，风电功率预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的风电功率预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行风电功率预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。