一种风电功率预测方法、装置、电子设备及可读存储介质

技术领域

本发明属于风电功率预测技术领域，尤其涉及一种风电功率预测方法、装置、电子设备及可读存储介质。

背景技术

我国的风电发电产业发展迅速，已经成为全球最大的风电市场之一，风力发电处理波动会影响电力系统的负荷平衡，影响电力系统的稳定性。寒潮作为中国冬季较为频发的极端天气事件，对风力发电的安全接入带来严重威胁。因此，针对寒潮天气，提出准确及时的风电功率预测方法，是规模化风力发电稳定、经济接入的基础。

与常规天气相比，寒潮天气对风电出力影响的机理并不同，可能会导致大规模风电切机。因此，急需一种能够有效地提高寒潮天气条件下的风电功率预测方法，解决现有寒潮对风电影响，以及影响电力系统稳定性的问题。

发明内容

本发明实施例提供一种风电功率预测方法，旨在解决现有寒潮对风电影响，以及影响电力系统稳定性的问题。通过将天气类型表征通过预设的天气辨识模型进行辨识，从而判断天气类型是否为寒潮天气，若天气类型为寒潮天气，则以数值天气预报作为输入，并通过训练好的功率预测模型对目标第一区域的风电功率进行预测，从而得到风电功率进行预测结果，解决了寒潮对风电影响，以及影响电力系统稳定性的问题。

本发明实施例是这样实现的，提供一种风电功率预测方法，包括以下步骤：

获取天气类型表征；

根据所述天气类型表征通过预设的天气辨识模型进行辨识，判断所述天气类型是否为寒潮天气；

若所述天气类型为寒潮天气，则以数值天气预报作为输入，通过训练好的功率预测模型对所述目标第一区域的风电功率进行预测，得到风电功率预测结果。

可选的，所述获取天气类型表征，包括：

获取历史风电功率数据和历史气象数据；

将所述历史风电功率数据和所述历史气象数据进行预处理，得到天气类型表征。

可选的，在所述根据所述天气类型表征通过预设的寒潮天气辨识模型进行辨识，判断所述天气类型是否为寒潮天气之前，所述方法还包括：

获取历史实测气象数据；

根据所述历史实测气象数据，确定预设的天气辨识模型。

可选的，在所述若所述天气类型为寒潮天气，则以数值天气预报作为输入，通过训练好的功率预测模型对所述目标区域的风电功率进行预测，得到风电功率预测结果之前，所述方法还包括：

获取预训练模型和历史风电功率数据；

通过所述历史风电功率数据对所述预训练模型进行训练，得到训练好的功率预测模型。

可选的，在所述若天气类型为寒潮天气，则以数值天气预报作为输入，通过训练好的功率预测模型对所述目标第一区域的风电功率进行预测，得到风电功率进行预测结果之后，所述方法还包括：

根据所述目标第一区域的风电功率预测结果，通过预设的预警模型对目标第二区域进行寒潮预警，所述寒潮经由所述目标第一区域进入所述目标第二区域。

可选的，在所述根据所述目标第一区域的风电功率预测结果，通过预设的预警模型对目标第二区域进行寒潮预警之前，所述方法还包括：

将所述目标第一区域和所述目标第二区域通过预设的时延模型进行时延处理，得到所述目标第一区域与所述目标第一区域的第一时延特性；

基于所述第一时延特性和所述目标第一区域的风电功率预测结果，确定目标第二区域的预警模型。

可选的，在所述将所述目标第一区域和所述目标第二区域通过预设的时延模型进行时延处理，得到所述目标第一区域与所述目标第二区域的第一时延特性之前，所述方法还包括：

获取所述目标第一区域和所述目标第二区域的历史风电功率序列，以及获取所述目标第一区域和所述目标第二区域的历史气象序列；

将所述历史风电功率序列与所述历史气象序列进行时延处理，得到所述目标第一区域与所述目标第二区域的第二时延特性；

基于所述第二时延特性，确定预设的时延模型。

本发明实施例还提供一种风电功率预测装置，包括：

获取模块，用于获取天气类型表征；

辨识模块，用于根据所述天气类型表征通过预设的天气辨识模型进行辨识，判断所述天气类型是否为寒潮天气；

预测模块，用于若所述天气类型为寒潮天气，则以数值天气预报作为输入，通过训练好的功率预测模型对所述目标第一区域的风电功率进行预测，得到风电功率预测结果。

本发明实施例还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如任一实施例中所述的一种风电功率预测方法。

本发明实施例还提供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程序，所述计算机程序被处理器执行时实现如任一实施例中所述的一种风电功率预测方法。

本发明所达到的有益效果，本申请通过获取天气类型表征；根据所述天气类型表征通过预设的天气辨识模型进行辨识，判断所述天气类型是否为寒潮天气；若所述天气类型为寒潮天气，则以数值天气预报作为输入，通过训练好的功率预测模型对所述目标第一区域的风电功率进行预测，得到风电功率预测结果。通过将天气类型表征通过预设的天气辨识模型进行辨识，从而判断天气类型是否为寒潮天气，若天气类型为寒潮天气，则以数值天气预报作为输入，并通过训练好的功率预测模型对目标第一区域的风电功率进行预测，从而得到风电功率进行预测结果，解决了寒潮对风电影响，以及影响电力系统稳定性的问题。

附图说明

图1为本申请实施例提供的一种风电功率预测方法的流程图；

图2为本申请实施例提供的另一种风电功率预测方法的示意图；

图3示出了本申请实施例提供的寒潮路径的示意图；

图4为本申请实施例提供的寒潮引起的风电切机事件的示意图；

图5为本申请实施例提供的一种寒潮时间延迟的结构示意图；

图6为本申请实施例提供的LSTM原理图的结构示意图；

图7为本申请实施例提供的预测结果对比图；

图8为本申请实施例提供的一种风电功率预测装置的结构示意图；

图9为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一

在本实施例中，图1示出了本申请实施例提供的一种风电功率预测方法的流程图。如图1所示，该方法包括步骤S101至S103。各个步骤的具体实现原理如下：

S101、获取天气类型表征。

在本发明实施例中，上述风电功率预测方法用于电力系统；电力系统是由发电、变电、输电、配电和用电等环节组成的电能生产与消费系统；主要功能是将自然界的一次能源通过发电动力装置转化成电能，再经输、变电系统及配电系统将电能供应到各负荷中心，为地区经济和人民生活服务。

上述天气类型表征是指天气状况，如晴、多云、阴、雾等。

上述天气类型表征可以通过历史气象数据和历史风电功率数据进行预处理获取。

上述历史气象数据是风电场所在地理区域的气象预报数据，一般包括气压、温度、风速以及风向数据中的至少一种；历史气象数据包括数值天气预报数据。历史气象数据可以是通过国家气象局、地方气象局以及第三方数据平台发布的气象数据获得。

上述历史风电功率数据是指风电场所在地里区域的风力发电功率数据；历史风电数据包括数值风电功率数据；风力发电功率数据通常以数字形式呈现，单位为瓦特(W)，可以用于分析和预测风力发电的运行情况。历史风电功率数据可以通过国家能源局、地方能源局发布的数据，或者第三方数据平台如天气预报网、风力发电网等获取。

需要说明的是，通过获取天气类型表征，可以得到当前的天气状况。

S102、根据天气类型表征通过预设的天气辨识模型进行辨识，判断天气类型是否为寒潮天气。

在本发明实施例中，上述天气类型表征可以理解为天气状况。

上述天气辨识模型可以是基于机器学习算法，如深度学习、神经网络等，结合大量的气象数据进行训练和优化，从而实现对天气情况的准确辨。

上述预设的天气辨识模型用于辨识常规天气与寒潮天气。

进一步的，天气辨识模型定义为环境温度≤-30℃，为寒潮天气；环境温度>-30℃，为常规天气。

一种可能的实施例，如果当前的天气状况为晴朗，但气温低于-30℃，那么就可以判断为寒潮天气。

另一种可能的实施例，如果当天的天气状况为雨天，但气温大于或等于-30℃，那么就可判断为常规天气。

需要说明的是，利用预设的天气辨识模型对天气类型进行进一步辨识，判断是否为寒潮天气。

S103、若天气类型为寒潮天气，则以数值天气预报作为输入，通过训练好的功率预测模型对目标第一区域的风电功率进行预测，得到风电功率预测结果。

在本发明实施例中，上述数值天气预报是指根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。

上述功率预测模型是一种利用历史数据和统计分析方法，对未来一定时期内的功率需求进行预测的模型。可以是基于LSTM建立并训练的预测模型，LSTM(Long Short-TermMemory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。也可以是基于支持向量机以及决策树回归等的功率预测模型。

上述训练好的功率预测模型用于预测未来的风电功率。可以是通过历史风电功率数据对功率预测模型进行训练，得到的训练好的功率预测模型。

上述风电功率预测结果是以风速、功率或数值天气预报数据等信息作为模型的输入，结合风电场机组的设备状态及运行工况，预测风电场未来一段时间内的有功功率。

在一种可能的实施例，若天气类型为常规天气，则直接通过预设的功率预测模型进行预测，得到常规天气下风电功率预测结果。

另一种可能的实施例，得到目标第一区域的风电功率预测结果，根据时间延迟判断目标第二区域寒潮的到来时间，对目标第二区域进行寒潮预警，以便提前采取相应的措施应对寒潮天气。通过预设的功率预测模型对目标第二区域的风电功率进行预测，得到寒潮天气下的风电功率预测结果。

在本发明实施例，获取天气类型表征；根据所述天气类型表征通过预设的天气辨识模型进行辨识，判断所述天气类型是否为寒潮天气；若所述天气类型为寒潮天气，则以数值天气预报作为输入，通过训练好的功率预测模型对所述目标第一区域的风电功率进行预测，得到风电功率预测结果。通过将天气类型表征通过预设的天气辨识模型进行辨识，从而判断天气类型是否为寒潮天气，若天气类型为寒潮天气，则以数值天气预报作为输入，并通过训练好的功率预测模型对目标第一区域的风电功率进行预测，从而得到风电功率进行预测结果，解决了寒潮对风电影响，以及影响电力系统稳定性的问题。

可选的，获取天气类型表征的步骤包括：获取历史风电功率数据和历史气象数据；将历史风电功率数据和历史气象数据进行预处理，得到天气类型表征。

在本发明实施例中，上述历史风电数据是指风电场所在地里区域的风力发电功率数据；历史风电数据包括数值风电功率数据；风力发电功率数据通常以数字形式呈现，单位为瓦特(W)，可以用于分析和预测风力发电的运行情况。历史风电功率数据可以通过国家能源局、地方能源局发布的数据，或者第三方数据平台如天气预报网、风力发电网等获取。

上述历史气象数据是风电场所在地理区域的气象预报数据，一般包括气压、温度、风速以及风向数据中的至少一种；历史气象数据包括数值天气预报数据；气象数据通常以数字形式呈现，单位为摄氏度(℃)、毫米水银柱(mmHg)、百帕(hPa)等。历史气象数据可以是通过国家气象局、地方气象局以及第三方数据平台发布的气象数据获得。

上述预处理是指在数据挖掘前对原始数据进行一系列的处理，包括去除异常数据、补全缺失数据等。

需要说明的是，通过获取历史风电功率进行数据和历史气象数据，并进行数据预处理，去除异常数据并补全缺失数据，得到处理后的历史功率数据和历史气象数据，确定天气类型的表征。

可选的，还包括：获取历史实测气象数据；根据所述历史实测气象数据，确定预设的天气辨识模型。

在本发明实施例中，上述历史实测气象数据是指过去一段时间内气象站、卫星等设备进行测量并记录下来的数据，气象数据包括气温、湿度、气压、风速、降水量、能见度等指标。

上述预设的天气辨识模型可以理解为辨识常规天气与寒潮天气的天气辨识模型，。

天气辨识模型定义为：环境温度≤-30℃即为寒潮天气，>-30℃为常规天气。

需要说明的是，天气辨识模型可以是基于机器学习算法，如深度学习、神经网络等，结合大量的气象数据进行训练和优化，从而实现对天气情况的准确辨。

可选的，还包括：获取预训练模型和历史风电功率数据；通过历史风电功率数据对预训练模型进行训练，得到训练好的功率预测模型。

在本发明实施例中，上述预训练模型可以是基于LSTM建立的预训练模型。

LSTM是一种适合处理和预测时间序列中间隔和延迟非常长的重要事件的人工神经网络模型。

上述历史风电功率数据是指风电场所在地里区域的风力发电功率数据；历史风电数据包括数值风电功率数据；风力发电功率数据通常以数字形式呈现，单位为瓦特(W)，可以用于分析和预测风力发电的运行情况。历史风电功率数据可以通过国家能源局、地方能源局发布的数据，或者第三方数据平台如天气预报网、风力发电网等获取。

功率预测模型是一种利用历史数据和统计分析方法，对未来一定时期内的功率需求进行预测的模型。可以是基于LSTM建立并训练的预测模型，LSTM(Long Short-TermMemory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。也可以是基于支持向量机以及决策树回归等的功率预测模型。

上述训练好的功率预测模型用于预测未来的风电功率。

需要说明的是，使用历史风电功率数据来训练预训练模型，得到训练好的功率预测模型，能够更好地预测未来的风力发电功率。

可选的，还包括：根据所述目标第一区域的风电功率预测结果，通过预设的预警模型对目标第二区域进行寒潮预警。

在本发明实施例中，寒潮经由目标第一区域进入目标第二区域。

上述预警模型是一种用于预测未来事件的数学模型，它基于历史数据和现有信息来分析潜在的风险，并根据这些风险预测未来事件的可能性。

上述预设的预警模型是指目标第二区域对目标第一区域预先设定的预警模型。

需要说明的是，当检测第一区域为寒潮天气，那么就会使用预警模型对第二区域进行预警，以便提前采取相应的措施应对寒潮天气。

可选的，还包括：将所述目标第一区域和所述目标第二区域通过预设的时延模型进行时延处理，得到所述目标第一区域与所述目标第二区域的第一时延特性；基于所述第一时延特性和所述目标第一区域的风电功率预测结果，确定目标第二区域的预警模型。

在本发明实施例中，上述时延模型是一种用于通信中信号传输的延迟时间的模型。上述预设的时延模型是指目标第一区域传输数据到目标第二区域所用延迟时间的模型。

上述时延特性是指系统或信号在传输过程中的延迟时间。第一时延特性可以理解为目标第一区域信息传输到目标第二区域所用的时间。

上述预警模型是一种用于预测未来事件的数学模型，它基于历史数据和现有信息来分析潜在的风险，并根据这些风险预测未来事件的可能性。

需要说明的是，基于第一时延特性和目标对区域的风电功率进行预测结果，得到预设的预警模型，即目标第二区域的预警模型。

可选的，还包括：获取所述目标第一区域和所述目标第二区域的历史风电功率序列，以及获取所述目标第一区域和所述目标第二区域的历史气象序列；将所述历史风电功率序列与所述历史气象序列进行时延处理，得到所述目标第一区域与所述目标第二区域的第二时延特性；基于所述第二时延特性，确定预设的时延模型。

在本发明实施例中，上述历史风电功率序列是指针对某一地区或某一时间段内的历史风电出力数据进行统计和分析得出的数据序列；通常用于判断该地区或时间段内的风电出力情况。

上述历史气象序列是指历史记录的气象数据，通常以图表或曲线的形式展示。可以包括气温、降水量、风速、风向等气象要素，以及在不同时间段的变化情况。历史气象序列可以用来分析和研究气象趋势、气候变化、天气灾害等气象问题，也可以更好地了解和预测未来的气象变化。

上述第二时延特性是指目标第一区域信息传输到目标第二区域所用的时间。

需要说明的是，通过将目标第一区域和目标第二区域的历史风电功率序列、目标第一区域和目标第二区域的历史气象序列进行时延处理，得到第二时延特性，并利用第二时延特性确定时延模型。

实施例二

在本实施例中，本实施例数据来自中国某风电场，数据采样检测为15分钟。请参见图2，图2示出了本申请实施例提供的另一种风电功率预测方法的示意图。其中，该方法包括：

S1、寒潮天气表征。获取历史风电功率数据和历史气象数据，并进行数据预处理，去除异常数据并补全缺失数据，得到预处理后的历史功率数据和历史气象数据，表征寒潮天气类型。根据气象要素与风电切机事件的映射关系，建立寒潮天气辨识模型，以辨识常规天气与寒潮天气。

其中，数据预处理包括找出并去除异常数据与限电数据。

寒潮天气辨识模型定义为：

即环境温度≤-30℃即为寒潮天气，环境温度>-30℃为常规天气。

S2、下游寒潮预警。对寒潮上下游区域功率序列与气象序列的进行时间延迟估计，得到上下游寒潮的时延特性。之后根据时延特性和上游寒潮，建立下游寒潮的预警模型。

其中，时间延时估计的方法为：

其中，*表示卷积运算，

需要说明的是，利用上述公式得到上游寒潮传递到下游区域的时间，实现下游寒潮事件预警。

S3、寒潮功率预测模型建立。针对寒潮天气与常规天气，分别基于LSTM建立风电功率预测模型。并根据寒潮辨识模型，判断使用寒潮风电功率预测模型或者常规天气风电功率预测模型。针对寒潮风电功率预测模型，需根据上下游寒潮时延模型，分别对上游和下游进行建模预测。

其中，根据步骤S1中的寒潮辨识模型，判断寒潮类型。针对寒潮天气和常规天气分别选择预测模型训练数据集。当某天温度>-30℃时，数据将被划分进常规天气数据集；当某天温度≤-30℃时，当日及前后各一天的数据将被划分进入寒潮天气数据集。

其中，预测模型的输入为风速、温度、湿度数据，输出为风电功率数据，如下式所示：

其中，Input为输入；windspeed为风速；temperature为温度；humidity为湿度数据；Output为输出；windpower为风电功率。

通过LSTM建立并训练预测模型。得到常规天气条件下的预测模型LSTM1和寒潮天气条件下的预测模型LSTM2。

S4、寒潮场景预测应用。以数值天气预报数据为模型输入，对寒潮上游区域风电功率进行预测。根据时间延迟判断下游寒潮的到来时间，对寒潮下游区域的风电功率预测模型进行修正。

其中，若是常规天气，直接通过功率预测模型LSTM1进行预测，得到常规天气下风电预测结果

若是寒潮天气，首先根据步骤S2中的寒潮预警模型和时间延迟，提前预测寒潮来临的时间，通过预测模型LSTM2对下游寒潮进行预测，得到寒潮天气条件下的预测功率

实施例三

在本实施例，本实施例数据来自中国某风电场，数据采样检测为15分钟。请参见图3，图3示出了本申请实施例的寒潮路径的示意图。其中，包括：风力发电场1、风力发电场2以及中间寒潮路径。

其中，上述中间寒潮途径风力发电场1区域，再经过风力发电场2区域。

实施例四

在本实施例中，本实施例数据来自中国某风电场，数据采样检测为15分钟。请参考图4，图4示出了本申请实施例的寒潮引起的风电切机事件的示意图。其中，图中曲线包括风电实际功率、温度、风速。

其中，Wind farm tripping caused by cold wave是寒潮导致的风电场跳闸。

进一步的，通过风速、温度和湿度等气象数据对寒潮风电切机事件进行分析，进而判别寒潮事件是否发生。

在本实施例中，寒潮事件为环境温度低于-30℃。

实施例五

在本实施例中，本实施例数据来自中国某风电场，数据采样检测为15分钟。请参见图5，图5示出了本申请实施例的寒潮时间延迟的示意图。其中，图中曲线包括风速和温度。寒潮先经过风力发电场1区域再经过风力发电场2区域。

在本实施例中，对寒潮两个区域不同风电场的风电出力序列和气象序列进行时间延迟估计，建立风力发电场2寒潮区域的时延模型，实现风力发电场2区域风电场寒潮预警。

其中，时间延时估计的方法为：

其中，*表示卷积运算，

在本实施例中，通过公式(4)得到风力发电场1区域寒潮传递到风力发电场2区域的时间，实现风力发电场2区域寒潮事件预警。

实施例六

在本实施例中，请参考图6，图6示出了本申请实施例的LSTM的原理图。其中，LSTM的原理如下：

遗忘门控制LSTM的长时记忆。遗忘门通过接受本单元输入状态信号

其中，

输入门控制信号

输出门接受信号

实施例七

在本实施例中，请参考图7，图7示出了本申请实施例的一种预测结果对比图。其中，图中曲线包括修正后的风电功率模型、原始系统预测模型、实际功率。

在本实施例中，Cold wave为寒潮，Original system prediction model为原始系统预测模型，Real power为实际功率，Revised prediction model under cold wave为修正后的风电功率模型。

从图7中可以看出，修正后的风电功率模型预测精度相较于原功率预测系统，对寒潮期间的风电功率预测更加可靠。

实施例八

对应于上述图1所示的一种风电功率进行预测方法，图8示出的是本申请实施例提供的一种风电功率预测装置的示意图，装置M80包括：

获取模块M801，用于获取天气类型表征；

辨识模块M802，用于根据所述天气类型表征通过预设的天气辨识模型进行辨识，判断所述天气类型是否为寒潮天气；

预测模块M803，用于若所述天气类型为寒潮天气，则以数值天气预报作为输入，通过训练好的功率预测模型对所述目标第一区域的风电功率进行预测，得到风电功率预测结果。

可选的，第一获取模块M801包括：

获取子模块，用于获取历史风电功率数据和历史气象数据；

处理子模块，用于将所述历史风电功率数据和所述历史气象数据进行预处理，得到天气类型表征。

可选的，所述装置还包括：

第二获取模块，用于获取历史实测气象数据；

第一确定模块，用于根据所述历史实测气象数据，确定预设的天气辨识模型。

可选的，所述装置包括：

第三获取模块，用于获取预训练模型和历史风电功率数据；

训练模块，用于通过所述历史风电功率数据对所述预训练模型进行训练，得到训练好的功率预测模型。

可选的，所述装置还包括：

预警模块，用于根据所述目标第一区域的风电功率预测结果，通过预设的预警模型对目标第二区域进行寒潮预警，所述寒潮经由所述目标第一区域进入所述目标第二区域。

可选的，所述装置还包括：

第一处理模块，用于将所述目标第一区域和所述目标第二区域通过预设的时延模型进行时延处理，得到所述目标第一区域与所述目标第二区域的第一时延特性；

第二确定模块，用于基于所述第一时延特性和所述目标第一区域的风电功率预测结果，确定目标第二区域的预警模型。

可选的，所述装置还包括：

第四获取模块，用于获取所述目标第一区域和所述目标第二区域的历史风电功率序列，以及获取所述目标第一区域和所述目标第二区域的历史气象序列；

第二获取模块，用于将所述历史风电功率序列与所述历史气象序列进行时延处理，得到所述目标第一区域与所述目标第二区域的第二时延特性；

第三确定模块，用于基于所述第二时延特性，确定预设的时延模型。

实施例九

图9为本申请实施例提供的一种电子设备的结构示意图。如图9所示，该实施例的电子设备D9包括：至少一个处理器D90(图9中仅示出一个)、存储器D91、网络接口D92，以及存储在存储器D91中并可在至少一个处理器D90上运行的计算机程序。其中，处理器D90用于调用存储器D91存储的计算机程序，并执行如下步骤：

获取天气类型表征；

根据所述天气类型表征通过预设的天气辨识模型进行辨识，判断所述天气类型是否为寒潮天气；

若所述天气类型为寒潮天气，则以数值天气预报作为输入，通过训练好的功率预测模型对所述目标第一区域的风电功率进行预测，得到风电功率预测结果。

可选的，处理器D90执行的所述获取天气类型表征，包括：

获取历史风电功率数据和历史气象数据；

将所述历史风电功率数据和所述历史气象数据进行预处理，得到天气类型表征。

可选的，在所述根据所述天气类型表征通过预设的寒潮天气辨识模型进行辨识，判断所述天气类型是否为寒潮天气之前，处理器D90执行的所述方法还包括：

获取历史实测气象数据；

根据所述历史实测气象数据，确定预设的天气辨识模型。

可选的，在所述若所述天气类型为寒潮天气，则以数值天气预报作为输入，通过训练好的功率预测模型对所述目标区域的风电功率进行预测，得到风电功率预测结果之前，处理器D90执行的所述方法还包括：

获取预训练模型和历史风电功率数据；

通过所述历史风电功率数据对所述预训练模型进行训练，得到训练好的功率预测模型。

可选的，在所述若天气类型为寒潮天气，则以数值天气预报作为输入，通过训练好的功率预测模型对所述目标第一区域的风电功率进行预测，得到风电功率进行预测结果之后，处理器D90执行的所述方法还包括：

根据所述目标第一区域的风电功率预测结果，通过预设的预警模型对目标第二区域进行寒潮预警，所述寒潮经由所述目标第一区域进入所述目标第二区域。

可选的，在所述根据所述目标第一区域的风电功率预测结果，通过预设的预警模型对目标第二区域进行寒潮预警之前，处理器D90执行的所述方法还包括：

将所述目标第一区域和所述目标第二区域通过预设的时延模型进行时延处理，得到所述目标第一区域与所述目标第一区域的第一时延特性；

基于所述第一时延特性和所述目标第一区域的风电功率预测结果，确定目标第二区域的预警模型。

可选的，在所述将所述目标第一区域和所述目标第二区域通过预设的时延模型进行时延处理，得到所述目标第一区域与所述目标第二区域的第一时延特性之前，处理器D90执行的所述方法还包括：

获取所述目标第一区域和所述目标第二区域的历史风电功率序列，以及获取所述目标第一区域和所述目标第二区域的历史气象序列；

将所述历史风电功率序列与所述历史气象序列进行时延处理，得到所述目标第一区域预所述目标第二区域的第二时延特性；

基于所述第二时延特性，确定预设的时延模型。

本发明实施例提供的电子设备D9能够实现一种风电功率预测方法实施例中的各个实施方式，以及相应有益效果，为避免重复，这里不再赘述。

本发明实施例提供的电子设备能够实现上述方法实施例中风电功率预测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。

本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器D90执行时实现本发明实施例提供的一种风电功率预测方法实施例的各个程，且能达到相同的技术效果，为避免重复，这里不再赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。