功率预测模型建立方法、预测方法、装置及电子设备

技术领域

本申请涉及风电技术领域，具体而言，本申请涉及一种功率预测模型建立方法、预测方法、装置及电子设备。

背景技术

功率预测以风电场的历史功率、历史风速等数据建立电场输出功率的预测模型，以风速、功率或数值天气预报数据等数据作为模型训练的样本数据输入，得到针对电场的预测输出功率。功率预测按照预测时长来划分，可以分为短期预测和超短期预测，短期预测是指预测未来1-3天内的风电输出功率，而超短期预测则指预测未来0h-4h(小时)的风电输出功率。

采用恰当的建模方法，可以在很大程度上提高功率预测的准确率，为电力调度提供重要的决策支持。功率预测建模方法主要分为物理方法和统计方法两大类：物理方法的本质是利用粗糙度、地形变化模型来模拟局地效应，将数值天气预报的风速数据转化为风机轮毂处风速数据从而预测发电功率。统计算法主要有时间序列算法、机器学习算法等，时间序列算法主要是通过建立输入输出之间的映射关系，机器学习算法则依靠对非线性关系的无限逼近。常见的机器算法包括神经网络算法、支持向量机等。

然而，时间序列算法通常只适合用于超短期预测，随着预测时间的延长，预测的准确率会大幅度下降。常见的统计算法如神经网络算法和支持向量机算法，训练过程中采用的样本一般较为稳定，对于异常天气对应的风速数据往往会被提前摒弃而不会作为训练的样本数据，这使得统计算法得出的预测结果会跟实际情况存在一定程度的脱节，所得到的预测结果也不够准确。

发明内容

本申请针对现有方式的缺点，提出一种功率预测模型建立方法、预测方法、装置及电子设备，用以解决现有技术存在功率预测受到预测周期影响而不准确以及存在与实际风速相差较大的技术问题。

第一个方面，本申请实施例提供了一种功率预测模型的建立方法，包括：

获取样本预测风速数据和与样本预测风速数据对应的样本实测风速数据；

根据预设风速值区间，将样本预测风速数据离散到若干风速分段中；

根据预测功率与实测功率之间的准确率关系，确定每个风速分段的预测功率；

根据全部风速分段的预测功率，确定功率预测模型。

在第一个方面的某些实现方式中，获取样本预测风速数据和与样本预测风速数据对应的样本实测风速数据，包括：

获取预定时间段内的原始预测风速数据；

根据预设数据过滤条件过滤原始预测风速数据，得到样本预测风速数据；

根据样本预测风速数据，确定预定时间段内与样本预测风速数据对应的样本实测风速数据。

结合第一个方面和上述实现方式，在第一个方面的某些实现方式中，获取预定时间段内的原始预测风速数据的步骤包括：

获取第一气象数据库的第一预测风速数据以及与第一预测风速数据对应的第一实测风速数据，确定第一风速差值；

获取第二气象数据库的第二预测风速数据以及与第二预测风速数据对应的第二实测风速数据，确定第二风速差值；

将第一风速差值和第二风速差值中的最小值对应的第一预测风速数据或第二预测风速数据确定为原始预测风速数据。

结合第一个方面和上述实现方式，在第一个方面的某些实现方式中，根据预设数据过滤条件包括：数据差值大于预设差值阈值；

根据预设数据过滤条件过滤原始预测风速数据，得到样本预测风速数据的步骤，包括：

确定同时刻原始预测风速数据与样本实测风速数据的风速差值；

若风速差值小于或等于预设差值阈值，保留原始预测风速数据为样本预测风速数据。

结合第一个方面和上述实现方式，在第一个方面的某些实现方式中，根据预设风速值区间，将样本预测风速数据离散到若干风速分段中，包括：

以预设风速值步长，将预设风速值区间均匀划分为若干个风速分区间；

根据样本预测风速数据的速率大小，确定与各风速分区间对应的样本预测风速数据。

结合第一个方面和上述实现方式，在第一个方面的某些实现方式中，根据预测功率与实测功率之间的准确率关系，确定每个风速分段的预测功率，包括：

获取风速分段中的每个样本预测风速数据对应的样本预测功率数据、以及每个样本实测风速数据对应的样本实测功率数据；

根据样本预测功率数据、电场装机容量数据、与样本预测功率数据对应的样本实测功率数据，以及准确率关系，确定每个样本实测风速数据对应的准确率；

根据准确率和电场装机容量数据，确定样本实测风速数据对应的功率合格区间；

根据每个风速分段中的合格功率区间，确定区间重合度最高的重合区间，并确定重合区间对应的功率值为风速分段的预测功率。

结合第一个方面和上述实现方式，在第一个方面的某些实现方式中，确定重合区间对应的功率值为风速分段的预测功率的步骤，包括：确定重合区间中的最大功率值和最小功率值的平均值为预测功率。

结合第一个方面和上述实现方式，在第一个方面的某些实现方式中，根据全部风速分段的预测功率，确定功率预测模型，包括：

根据预测功率和预测功率对应的样本预测风速数据，确定功率预测的离散模型；

根据插值法和离散模型，确定功率预测模型。

第二个方面，本申请提供了一种功率预测方法，包括：

获取原始预测风速数据和功率预测模型，功率预测模型通过如本申请第一个方面提供的功率预测模型的建立方法确定；

输入原始预测风速数据到功率预测模型，得到与原始预测风速数据对应的预测功率。

第三个方面，本申请提供了一种功率预测模型的建立装置，包括：

数据获取模块，用于获取样本预测风速数据和与样本预测风速数据对应的样本实测风速数据；

数据划分模块，用于根据预设风速值区间，将样本预测风速数据离散到若干风速分段中；

功率确定模块，用于根据预测功率与实测功率之间的准确率关系，确定每个风速分段的预测功率；

模型建立模块，用于根据全部风速分段的预测功率，确定功率预测模型。

第四个方面，本申请提供了一种功率预测装置，包括：

获取模块，用于获取原始预测风速数据和功率预测模型，功率预测模型通过如本申请第一个方面提供的功率预测模型的建立方法确定；

预测模块，用于输入原始预测风速数据到功率预测模型，得到与原始预测风速数据对应的预测功率。

第五个方面，本申请提供了一种电子设备，包括：

处理器、存储器和总线；

总线，用于连接处理器和存储器；

存储器，用于存储操作指令；

处理器，用于通过调用操作指令，实现如本申请第一个方面提供的功率预测模型的建立方法或者实现如本申请第二个方面提供的功率预测方法。

本申请实施例提供的技术方案带来的有益技术效果是：

本申请提供的功率预测模型的建立方法通过将样本预测风速数据离散到风速分段后，根据预测功率与实测功率间的准确率关系，找出每个离散的风速分段内的预测功率，使每个风速分段中的预测风速对应的功率与预测功率之间具有较高的接近程度，得到的功率预测准确率的方差更小。本申请采用通过上述建立方法构建的功率预测模型进行风电场风力发电功率预测，能够有效提高功率预测准确率，既适合于超短期预测，也适合于短期预测，并且因为利用了样本预测风速数据，得到的预测结果更贴近实际。

本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例提供的一种功率预测模型的建立方法的方法流程示意图；

图2为本申请实施例提供的获取样本预测风速数据和与样本预测风速数据对应的样本实测风速数据的方法流程示意图；

图3为本申请实施例提供的根据预设风速值区段，将样本预测风速数据离散到若干风速分段中的方法流程示意图；

图4为本申请实施例提供的根据预测功率与实测功率之间的准确率关系，确定每个风速分段的预测功率的流程示意图；

图5为本申请实施例提供的一种功率预测方法的方法流程示意图；

图6为本申请实施例提供的一种功率预测模型的建立装置的结构框架示意图；

图7为本申请实施例提供的一种功率预测装置的结构框架示意图；

图8为本申请实施例提供的一种电子设备的结构框架示意图。

具体实施方式

下面详细描述本申请，本申请的实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。此外，如果已知技术的详细描述对于示出的本申请的特征是不必要的，则将其省略。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

首先对本申请涉及的几个名词进行介绍和解释：

风能的优点使得风力发电成为清洁新能源的重要组成部分，然而风速不稳定，产生的能量大小也就不稳定，因此往往需要对电能进行调度才能够稳定地运用到生产生活当中。为了更精确地对电能进行调度，需要提前根据风速状况对电场中的风机功率进行预测。采用恰当的建模方法，能够获取较为准确的功率预测。

然而，现有的建模方法要么只适用于超短期预测，预测周期一旦增加，功率预测的准确率就大幅度下降，要么会对预测风速的原始数据进行了一定程度的舍弃，原本真实正常的风速数据未纳入模型之中作为预测依据，使得预测结果与实际情况相差较大。

本申请提供的功率预测模型建立方法、预测方法、装置及电子设备，旨在解决现有技术的如上技术问题。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。

本申请第一个方面的实施例中提供了一种功率预测模型的建立方法，如图1所示，包括下列步骤：

S110：获取样本预测风速数据和与样本预测风速数据对应的样本实测风速数据。

S120：根据预设风速值区段，将样本预测风速数据离散到若干风速分段中。

S130：根据预测功率与实测功率之间的准确率关系，确定每个风速分段的预测功率。

S140：根据全部风速分段的预测功率，确定功率预测模型。

本申请提供的功率预测模型的建立方法通过将样本预测风速数据离散到风速分段，然后根据预测功率与实测功率间的准确率关系，找出每个离散的风速分段内的预测功率，使每个风速分段中的预测风速对应的功率与预测功率之间具有较高的接近程度，得到的功率预测准确率的方差更小。

S110中，样本预测风速数据与样本实测风速数据存在对应关系，通过选取一定时间段内的样本预测风速数据，再根据这些样本预测风速数据对应的预测时间，选取风速历史记录中的实测风速数据，即得到与样本预测风速数据对应的样本实测风速数据。

可行的，在本申请实施例的某些可行的实现方式中，S110中获取样本预测风速数据和与样本预测风速数据对应的样本实测风速数据，如图2所示，具体包括如下步骤：

S111：获取预定时间段内的原始预测风速数据。

S110中的样本预测风速数据是经过处理的原始预测风速数据，而这已处理过程在某些可行的具体实施方式中具体得到说明，S111还具体包括：

获取第一气象数据库的第一预测风速数据以及与第一预测风速数据对应的第一实测风速数据，确定第一风速差值。获取第二气象数据库的第二预测风速数据以及与第二预测风速数据对应的第二实测风速数据，确定第二风速差值。将第一风速差值和第二风速差值中的最小值对应的第一预测风速数据或第二预测风速数据确定为原始预测风速数据。

上述过程表明，原始预测风速数据可来源于多种气象数据库，而来源越多，采样的数据越充分，得到的预测数据也更贴近生产实际。目前可作为第一气象数据库或第二气象数据库的对象有CMA(China meteorological administration，中国国家气象局)、ECMWF(European Centre for Medium-Range Weather Forecasts，欧洲中期天气预报中心)和NWS(National Weather Service，美国气象局)等。本实施方式中的第一气象数据库与第二气象数据库的表述是为了表明原始预测风速数据的不同来源，但并不限定每个气象数据库的数据来源。

S112：根据预设数据过滤条件过滤原始预测风速数据，得到样本预测风速数据。

在S112中，需要对获取到的原始预测风速数据，包括第一预测风速数据和第二预测风速数据等，进行数据清洗和过滤，在原始数据中挑选那些较为符合实际情况的预测风速数据。在本实现方式的一种可行的具体实施方式中，根据预设数据过滤条件包括：数据差值大于预设差值阈值。根据预设数据过滤条件过滤原始预测风速数据，得到样本预测风速数据的步骤，包括：确定同时刻原始预测风速数据与样本实测风速数据的风速差值。若风速差值小于或等于预设差值阈值，保留原始预测风速数据为样本预测风速数据。

预设差值阈值根据工程生产实际具体确定，该预设差值阈值的选择还与现有设备的计算能力相关。将所有对应时刻的原始预测风速数据与样本实测风速数据作差，获取到一差值绝对值，该差值绝对值能够判断原始预测风速数据与样本实测风速数据的相差程度，如果相差程度过大，则表明该预测风速数据的准确度不符合要求，将该组原始预测风速数据和样本实测风速数据剔除。

S113：根据样本预测风速数据，确定预定时间段内与样本预测风速数据对应的样本实测风速数据。

对于本实现方式的全过程，举例说明：采用的策略为选取2017年3月24日～4月24日的分别来自CMA和ECMWF的全部预测风速数据，当然，也可以增加选取同一时段的来自NWS的预测风速数据。根据风速预测偏差＝|预测风速-实际风速|，选取每个时刻的三大气象数据库中在该时刻的最小预测偏差，然后将该最小预测偏差值与预设差值阈值相比较，当该最小预测偏差小于等于设定的预设差值阈值时，就将该时刻的数据保留，否则剔除。上述的“每个时刻”中的时刻具体选择为风速预测和检测的时间频率，例如9:00、9:15和9:30等。

经过对原始预测风速数据的清洗后，S110获取到能够用于建模的样本预测风速数据，需要对这些样本预测风速数据进一步地处理。可行的，在本申请实施例的一种实现方式中，S120：根据预设风速值区段，将样本预测风速数据离散到若干风速分段中，如图3所示，具体包括：

S121：以预设风速值步长，将预设风速值区段均匀划分为若干个风速分段。

可选地，日常生产中，风速的变化通常为0～25m/s(米每秒)，也即预设风速值区段可以为0～25m/s。根据设备的计算能力，可以设置一定的预设风速值步长，将预设风速值区段0～25m/s均匀划分成若干个风速分段，例如预设风速值步长为0.5m/s，可将上述的预设风速值区段分成(0,0.5m/s]、(0.5m/s,1m/s]、…、(24.5m/s,25m/s]，上述区间中每个区间是半开半闭区间，包括上限端点值，不包括下限端点值。

S122：根据样本预测风速数据的速率大小，确定与各风速分段对应的样本预测风速数据。

在划分好风速分段后，根据样本预测风速数据的速率大小，将这些样本预测风速数据分别归类到对应的风速分段之中，完成获取到的全部样本预测风速数据的进一步处理，为后面根据样本预测风速数据寻找预测功率提供便利。

可行的，在本申请第一方面提供的实施例中的一种实现方式中，S130：根据预测功率与实测功率之间的准确率关系，确定每个风速分段的预测功率，如图4所示，具体包括：

S131：获取风速分段中的每个样本预测风速数据对应的样本预测功率数据、以及每个样本实测风速数据对应的样本实测功率数据。

可选地，每个电场的发电机组是确定的，因此发电设备的参数确定，根据具体的样本预测风速数据能够确定对应的样本预测功率数据。根据前述实施例中提供的方法，能够获取到多个风速分段，每个风速分段中可能包括多个样本预测功率数据。同样，对于历史数据，只要存在样本预测功率数据，就能够检测到样本实测功率数据，每个风速分段中相应包括多个样本实测功率数据。

S132：根据样本预测功率数据、电场装机容量数据、与样本预测功率数据对应的样本实测功率数据，以及准确率关系，确定每个样本实测风速数据对应的准确率。

准确率关系可采用公式1表示：

r为准确率，P

将每个风速分段中的每个样本预测功率数据、样本实测功率数据以及电场装机容量数据代入公式1中，即可获取到每个风速段中每个样本实测风速数据对应的准确率，也是每个样本预测风速数据对应的准确率。

S133：根据准确率和电场装机容量数据，确定样本实测风速数据对应的功率合格区间。

计算出每个样本预测风速数据对应的准确率后，再结合电场装机容量数据，将准确率转化成功率合格区间，例如当电场装机容量数据为100MW，而根据公式1计算出某一样本实测风速数据对应的准确率为80％，则该样本实测风速数据对应的预测功率数据与实测功率数据的允许偏差为100MW×(1-80％)，即预测偏差＝|预测功率数据-实测功率数据|＝20MW，当实测功率数据为70MW时，该实测功率数据对应的功率合格区间为70MW±20MW，也即样本实测风速数据对应的功率合格区间为[50MW，90MW]。

S134：根据每个风速分段中的合格功率区间，确定区间重合度最高的重合区间，并确定重合区间对应的功率值为风速分段的预测功率。

根据前述步骤得到每个风速分段中每个样本预测风速数据对应的功率合格区间之后，求取这些功率合格区间的交集。例如某个风速分段中包括三个样本预测风速数据，当第一个样本预测风速数据对应的功率合格区间为[50MW，90MW]，第二个样本预测风速数据对应的功率合格区间为[70MW，100MW]，第三个样本预测风速数据对应的功率合格区间为[65MW，85MW]，求得三者的交集为[70MW，85MW]，该交集即为风速分段的预测功率。当然，在计算功率合格区间时，可能出现两个或两个以上功率合格区间相同的情况，此时需要增加该重复的功率合格区间的权重，最终确定重合区间。

可行的，为了更便于确定模型，对表示重合区间的数集通过统计方法处理，在一种可行的实现方式中，S134中确定重合区间对应的功率值为风速分段的预测功率的步骤，具体包括：确定重合区间中的最大功率值和最小功率值的平均值为预测功率。例如前述实现方式中重合区间为[70MW，85MW]，根据本实现方式的方法，得到的预测功率为77.5MW。

可行的，在本申请第一个方面提供的实施例中的一种具体实现方式中，S140：根据全部风速分段的预测功率，确定功率预测模型，包括：

根据预测功率和预测功率对应的样本预测风速数据，确定功率预测的离散模型。根据插值法和离散模型，确定功率预测模型。

当根据前述的实现方式获取到预测功率后，能够获得一批离散的点，此时仍然无法通过输入新的预测风速数据来得到需要的预测功率。通过差值的方法，获取一条近似曲线，插值是离散函数逼近的重要方法，利用它可通过函数在有限个点处的取值状况，估算出函数在其他点处的近似值。根据数据建模的方式，具体通过插值法，将在离散预测功率数据的基础上补插连续函数，使得这条连续曲线通过全部给定的离散预测功率数据点。通过这种方式，就能够得到一个能够预测任意预测风速情况下的电场功率值，指导实际生产和电能调配。

基于相同的发明构思，本申请第二个方面提供了一种功率预测方法，如图5所示，包括下列步骤：

S210：获取原始预测风速数据和功率预测模型，功率预测模型通过如本申请第一个方面实施例提供的功率预测模型的建立方法确定。

S220：输入原始预测风速数据到功率预测模型，得到与原始预测风速数据对应的预测功率。

通过将从某些气象数据库获取到的预测风速输入到已经建立的功率预测模型之中，即可得到与该预测风速对应的预测功率，该预测功率能够满足准确率要求，更能够满足实际生产的需要。以实际统计数据加以说明，采用本申请提供的功率预测模型的建立方法共测试了67个某区域的风能电场，平均准确率由原先的81.0％提升到了83.0％，其中48个电场的准确率有提升，占总测试数的71.6％，具体有12个电场的准确率提升了4个百分点。

同样，采用本申请提供的功率预测方法共测试了23个具有大装机容量(100MW～200MW)的电场，数据预测的平均准确率由80.5％提升到82.8％，18个电场准确率有提升，占总测试数的78.3％，而其中有7个电场的准确率提升了4个百分点。

第三个方面，本申请的实施例提供了一种功率预测模型的建立装置10，如图6所示，包括数据获取模块11、数据划分模块12、功率确定模块13和模型建立模块14。

其中，数据获取模块11用于获取样本预测风速数据和与样本预测风速数据对应的样本实测风速数据。

数据划分模块12用于根据预设风速值区间，将样本预测风速数据离散到若干风速分段中。

功率确定模块13用于根据预测功率与实测功率之间的准确率关系，确定每个风速分段的预测功率。

模型建立模块14用于根据全部风速分段的预测功率，确定功率预测模型。

可行的，数据获取模块11获取样本预测风速数据和与样本预测风速数据对应的样本实测风速数据，包括：

获取预定时间段内的原始预测风速数据；

根据预设数据过滤条件过滤原始预测风速数据，得到样本预测风速数据；

根据样本预测风速数据，确定预定时间段内与样本预测风速数据对应的样本实测风速数据。

可行的，数据获取模块11中获取预定时间段内的原始预测风速数据的步骤包括：获取第一气象数据库的第一预测风速数据以及与第一预测风速数据对应的第一实测风速数据，确定第一风速差值。获取第二气象数据库的第二预测风速数据以及与第二预测风速数据对应的第二实测风速数据，确定第二风速差值。将第一风速差值和第二风速差值中的最小值对应的第一预测风速数据或第二预测风速数据确定为原始预测风速数据。

可行的，数据获取模块11中根据预设数据过滤条件包括：数据差值大于预设差值阈值。根据预设数据过滤条件过滤原始预测风速数据，得到样本预测风速数据的步骤，包括：确定同时刻原始预测风速数据与样本实测风速数据的风速差值；若风速差值小于或等于预设差值阈值，保留原始预测风速数据为样本预测风速数据。

可行的，数据划分模块12根据预设风速值区段，将样本预测风速数据离散到若干风速分段中，包括：以预设风速值步长，将预设风速值区段均匀划分为若干个风速分段。根据样本预测风速数据的速率大小，确定与各风速分段对应的样本预测风速数据。

可行的，功率确定模块13根据预测功率与实测功率之间的准确率关系，确定每个风速分段的预测功率，包括：获取风速分段中的每个样本预测风速数据对应的样本预测功率数据，以及每个样本实测风速数据对应的样本实测功率数据。根据样本预测功率数据、电场装机容量数据、与样本预测功率数据对应的样本实测功率数据，以及准确率关系，确定每个样本实测风速数据对应的准确率。根据准确率和电场装机容量数据，确定样本实测风速数据对应的功率合格区间。根据每个风速分段中的合格功率区间，确定区间重合度最高的重合区间，并确定重合区间对应的功率值为风速分段的预测功率。

可行的，功率确定模块13确定重合区间对应的功率值为风速分段的预测功率的步骤，包括：确定重合区间中的最大功率值和最小功率值的平均值为预测功率。

可行的，模型建立模块14根据全部风速分段的预测功率，确定功率预测模型，包括：根据预测功率和预测功率对应的样本预测风速数据，确定功率预测的离散模型。根据插值法和离散模型，确定功率预测模型。

基于同一发明构思，本申请第四个方面的实施例还提供了一种功率预测装置20，如图7所示，包括获取模块21和预测模块22。

获取模块21用于获取原始预测风速数据和功率预测模型，功率预测模型通过如本申请第一个方面提供的功率预测模型的建立方法确定。

预测模块22用于输入原始预测风速数据到功率预测模型，得到与原始预测风速数据对应的预测功率。

本申请提供的功率预测装置通过本申请提供的功率预测模型的建立方法，能够有效提高功率预测准确率，既适合于超短期预测，也适合于短期预测，并且因为利用了样本预测风速数据，得到的预测结果更贴近实际。

基于同一发明构思，本申请实施例提供了一种电子设备，包括：

处理器、存储器和总线；

总线，用于连接处理器和存储器；

存储器，用于存储操作指令；

处理器，用于通过调用操作指令，实现如本申请上述第一个方面描述的功率预测模型的建立方法或者实现如本申请上述第二个方面描述的功率预测方法。

本技术领域技术人员可以理解，本申请实施例提供的电子设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中。

与现有技术相比可实现：有效提高功率预测准确率，既适合于超短期预测，也适合于短期预测，并且因为利用了样本预测风速数据，得到的预测结果更贴近实际。

本申请在一个可选实施例中提供了一种电子设备，如图8所示，图8所示的电子设备1000包括：处理器1001和存储器1003。其中，处理器1001和存储器1003相电连接，如通过总线1002相连。

处理器1001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field－Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器1001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线1002可包括一通路，在上述组件之间传送信息。总线1002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线1002可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器1003可以是ROM(Read-Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(random access memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead-Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

可选地，电子设备1000还可以包括收发器1004。收发器1004可用于信号的接收和发送。收发器1004可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。需要说明的是，实际应用中收发器1004不限于一个。

可选地，电子设备1000还可以包括输入单元1005。输入单元1005可用于接收输入的数字、字符、图像和/或声音信息，或者产生与电子设备1000的用户设置以及功能控制有关的键信号输入。输入单元1005可以包括但不限于触摸屏、物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆、拍摄装置、拾音器等中的一种或多种。

可选地，电子设备1000还可以包括输出单元1006。输出单元1006可用于输出或展示经过处理器1001处理的信息。输出单元1006可以包括但不限于显示装置、扬声器、振动装置等中的一种或多种。

虽然图8示出了具有各种装置的电子设备1000，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

可选的，存储器1003用于存储执行本申请方案的应用程序代码，并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的应用程序代码，以实现本申请实施例提供的任一种功率预测模型的建立方法或者功率预测方法。

基于同一的发明构思，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现本申请实施例所提供的任一功率预测模型的建立方法或者功率预测方法。

本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。