一种风电中长期发电量预测方法及装置与流程

1.本发明涉及风力发电技术领域，具体涉及一种风电中长期发电量预测方法及装置。另外，还涉及一种电子设备及处理器可读存储介质。


背景技术：

2.近年来，随着风力发电技术快速发展，风电并网迅速增加。目前对风电发电量的预测一般分为短期预测和中长期预测等。中长期预测通常是指一个月及以上的时间段预测，其是进行发电指标分配及定价的重要依据。然而由于风速的波动性，风电场并网会给电力系统带来诸多的影响，电力系统对中长期风力发电量预测准确率提出了新的需求。为了减轻风电场并网后对电力系统的影响，需要对风电发电量进行有效的风电中长期发电量预测。但是，当前风电中长期发电量预测方案局限性较高，对历史数据长度有较高要求，通常需要历史3年以上的数据，由于许多电站建站时间较短或者历史数据丢失，导致当前主流方法预测精度不足或无法预测。因此，如何设计一种能稳定、精确的风电中长期发电量预测方案成为本领域亟待解决的技术问题。


技术实现要素：

3.为此，本发明提供一种风电中长期发电量预测方法及装置，以解决现有技术中存在的风电中长期发电量预测方案局限性较高，从而导致预测的精度和效率较差的缺陷。
4.第一方面，本发明提供一种风电中长期发电量预测方法，包括：
5.确定待预测风电站单日的历史风速数据；
6.将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；
7.将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
8.进一步的，所述的风电中长期发电量预测方法，还包括：
9.获取风电站在第一时间段内的历史风速数据；其中，所述第一时间段内的历史风速数据包含单日样本风速数据；
10.获得风电站在第二时间段内的历史风速数据；其中，所述第二时间段内的历史风速数据包含单日目标风速数据；
11.将所述第一时间段内的历史风速数据作为训练样本集合，并将所述第二时间段内的历史风速数据作为训练目标，对预设回归模型进行训练，得到相应的所述预测模型；其中，所述第二时间段在所述第一时间段之后；所述第一时间段内的历史风速数据和所述第
二时间段内的历史风速数据是以单日为时间单位的风速数据。
12.进一步的，所述的风电中长期发电量预测方法，还包括：
13.获取风电站在第一时间段内的历史发电量数据，并获取风电站在第二时间段内的历史发电量数据；所述第二时间段在第一时间段之后；
14.将所述第一时间段内的历史发电量数据作为训练样本集合，并将所述第二时间段内的历史发电量数据作为训练目标，对预设初始时间序列模型进行训练，得到相应的所述时间序列模型，以使得所述时间序列模型中每个时间周期对应一个发电量波动系数；其中，所述第一时间段内的历史发电量数据和所述第二时间段内的历史发电量数据是以月份为时间单位的发电量数据。
15.进一步的，基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据，具体包括：
16.将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第二日的预测风速数据；
17.将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。
18.进一步的，所述的风电中长期发电量预测方法，还包括：
19.获取原始的历史实发数据；所述原始的历史实发数据包含风电设备在预设时间范围内的限电检修记录、实发功率以及相应的历史风速；
20.对所述原始的历史实发数据进行数据清洗，以实现将基于所述历史风速计算得到的功率理论值来替换所述实发功率中的异常值和空值，确定相应的所述历史发电量数据及其对应的历史风速数据。
21.进一步的，所述时间周期为按照月份划分的时间周期。
22.第二方面，本发明还提供一种风电中长期发电量预测装置，包括：
23.数据获取单元，用于确定待预测风电站单日的历史风速数据；
24.风速预测单元，用于将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；
25.发电量预测单元，用于将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
26.进一步的，所述风速预测单元，具体用于：
27.将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第二日的预测风速数据；
28.将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。
29.进一步的，所述的风电中长期发电量预测装置，还包括：预测模型训练单元；所述预测模型训练单元，具体用于：
30.获取风电站在第一时间段内的历史风速数据；其中，所述第一时间段内的历史风速数据包含单日样本风速数据；
31.获得风电站在第二时间段内的历史风速数据；其中，所述第二时间段内的历史风速数据包含单日目标风速数据；
32.将所述第一时间段内的历史风速数据作为训练样本集合，并将所述第二时间段内的历史风速数据作为训练目标，对预设回归模型进行训练，得到相应的所述预测模型；其中，所述第二时间段在所述第一时间段之后；所述第一时间段内的历史风速数据和所述第二时间段内的历史风速数据是以单日为时间单位的风速数据。
33.进一步的，所述的风电中长期发电量预测装置，还包括：时间序列模型训练单元；所述时间序列模型训练单元，具体用于：
34.获取风电站在第一时间段内的历史发电量数据，并获取风电站在第二时间段内的历史发电量数据；所述第二时间段在第一时间段之后；
35.将所述第一时间段内的历史发电量数据作为训练样本集合，并将所述第二时间段内的历史发电量数据作为训练目标，对预设初始时间序列模型进行训练，得到相应的所述时间序列模型，以使得所述时间序列模型中每个时间周期对应一个发电量波动系数；其中，所述第一时间段内的历史发电量数据和所述第二时间段内的历史发电量数据是以月份为时间单位的发电量数据。
36.进一步的，基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据，具体包括：
37.将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第二日的预测风速数据；
38.将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。
39.进一步的，所述的风电中长期发电量预测装置，还包括：历史实发数据预处理单元；所述历史实发数据预处理单元，具体用于：
40.获取原始的历史实发数据；所述原始的历史实发数据包含风电设备在预设时间范围内的限电检修记录、实发功率以及相应的历史风速；
41.对所述原始的历史实发数据进行数据清洗，以实现将基于所述历史风速计算得到的功率理论值来替换所述实发功率中的异常值和空值，确定相应的所述历史发电量数据及其对应的历史风速数据。
42.进一步的，所述时间周期为按照月份划分的时间周期。
43.第三方面，本发明还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现如上述任意一项所述的风电中长期发电量预测方法的步骤。
44.第四方面，本发明还提供一种处理器可读存储介质，所述处理器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执行时实现如上述任意一项所述的风电中长期
发电量预测方法的步骤。
45.本发明提供的风电中长期发电量预测方法，通过确定待预测风电站单日的历史风速数据，并将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；进一步的，将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。其能够有效提高风电中长期发电量预测精度和效率，以及提升了发电量预测结果的稳定性。
附图说明
46.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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取其他的附图。
47.图1是本发明实施例提供的风电中长期发电量预测方法的流程示意图；
48.图2是本发明实施例提供的风电中长期发电量预测装置的结构示意图；
49.图3是本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
50.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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取的所有其他实施例，都属于本发明保护的范围。
51.下面基于本发明所述的风电中长期发电量预测方法，对其实施例进行详细描述。如图1所示，其为本发明实施例提供的风电中长期发电量预测方法的流程示意图，具体实现过程包括以下步骤：
52.步骤101：确定待预测风电站单日的历史风速数据。
53.在本发明实施例中，执行本步骤之前，需要预先进行模型训练。也就是，需要预先通过获取训练样本数据以及预设的训练目标对初始的回归模型和初始时间序列模型进行训练，以得到满足应用条件的预测模型和时间序列模型。其中，所述初始的回归模型可以是指现有技术的通常使用的线性回归预测模型、逻辑回归预测模型等，所述初始时间序列模型可以是指arma(autoregressive moving average model，自回归滑动平均模型)、arima(autoregressive integrated moving average model，差分整合移动平均自回归模型)、sarima(seasonal autoregressive integrated moving average，季节性差分自回归滑动平均模型)等，在此不做具体限定。训练得到的所述回归模型用于对检测的相关数据进行拟合，将拟合之后的数据输入到时间序列模型。训练得到的所述时间序列模型对应的时间序列是按季度性时间顺序排列的、随时间变化且相互关联的数据序列，其能够综合考虑季节性周期因素的影响，对一个风电站进行一定时间段内的连续观测，并分析其变化过程，从而通过相应的发电量波动系数选择合适的数据。通过使用预测模型和时间序列模型级联的方
法提高预测精度，其中时间序列模型考虑季节性因素的时间序列分析方法横向预测月发电量。
54.具体的，在预测模型训练过程中，首选获取风电站在第一时间段(比如1-8月份)内的历史风速数据以及风电站在第二时间段(比如9-10月份)内的历史风速数据；然后，将所述第一时间段内的历史风速数据作为训练样本集合，并将所述第二时间段内的历史风速数据作为训练目标，对预设回归模型进行训练，通过模型参数调优得到相应的所述预测模型。其中，所述第一时间段内的历史风速数据包含单日样本风速数据，所述第二时间段内的历史风速数据包含单日目标风速数据；所述第一时间段内的历史风速数据和所述第二时间段内的历史风速数据是以单日为时间单位的风速数据。
55.在时间序列模型训练过程中，首先获取风电站在第一时间段(比如1-8月份)内的历史发电量数据，并获取风电站在第二时间段(比如9-10月份)内的历史发电量数据；然后，将所述第一时间段内的历史发电量数据作为训练样本集合，并将所述第二时间段内的历史发电量数据作为训练目标，对预设初始时间序列模型进行训练，得到相应的所述时间序列模型，以使得所述时间序列模型中每个时间周期对应一个发电量波动系数。其中，所述第一时间段内的历史发电量数据和所述第二时间段内的历史发电量数据是以月份为时间单位的发电量数据；所述第二时间段在第一时间段之后。
56.在训练得到预测模型和时间序列模型之后，确定待预测风电站单日的历史风速数据，并将所述单日的历史风速数据输入到预测模型。
57.步骤102：将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；
58.其中，基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据，对应的具体实现过程包括：将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第二日的预测风速数据；将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，依次进行迭代预测处理直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型。
59.步骤103：将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
60.在本发明实施例中，执行本步骤之前，还需要获取原始的历史实发数据；所述原始的历史实发数据包含风电设备在预设时间范围内的限电检修记录、实发功率以及相应的历史风速；对所述原始的历史实发数据进行数据清洗，以实现将基于所述历史风速计算得到的功率理论值来替换所述实发功率中的异常值和空值，确定相应的所述历史发电量数据及其对应的历史风速数据，从而得到每日的历史实际发电量数据，基于所述每日的历史实际发电量数据，得到所述历史实际月发电量数据。所述时间周期为按照月份划分的时间周期。
61.在一个具体实施例中，首先对原始的历史实发数据进行数据清洗，原始的历史实
发数据包括历史风速、实发功率、限电检修记录等，对实发功率中的异常值和空值使用通过风速计算的理论值代替，数据清洗目的是为了得到该站理论可发电量。在模型训练过程中，获取每日历史实发数据和相应的预测数据(包含目标风速数据)，并按单日提取平均风速、波峰数量、波谷数量、最大风速以及最小风速等特征，进一步分割为训练集和测试集，其中训练集时间长度可为预测目标日期前10-30日的数据，制作以未来一天的平均风速为训练目标的初始的回归模型，特征包括上述风速特征、实际风速、实际功率、预测风速、预测功率等。将上述得到的对未来第一日的预测风速数据迭代入训练完成的预测模型中，则可得到未来第二日预测风速数据，反复迭代，即得到未来1个月的每日预测风速数据(即次月预测风速数据)。将预测模型输出的预测风速数据平均为次月预测风速数据与历史实际月发电量数据代入时间序列模型，时间序列模型中可将季节性周期设为12，对历史发电量数据进行季节性分解，即可得到有规律的以12为周期的重复波形和随机信号，然后对随机信号再进行时间序列外推，外推结果叠加重复波形结果，最终得到次月发电量预测结果。本发明实施例通过以月为尺度的横向时间序列推导方案，并且引入了以日为尺度的气象特征提取，通过历史对应日建立预测模型，通过预测模型对时间序列模型预测得到的次月发电量进行校正，从而充分考虑了近期气象情况对未来气象的影响，提高次月发电量预测精度。
62.本发明实施例所述的风电中长期发电量预测方法，通过确定待预测风电站单日的历史风速数据，并将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；进一步的，将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。其能够有效提高风电中长期发电量预测精度和效率，以及提升了发电量预测结果的稳定性。
63.与上述提供的一种风电中长期发电量预测方法相对应，本发明还提供一种风电中长期发电量预测装置。由于该装置的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的风电中长期发电量预测装置的实施例仅是示意性的。请参考图2所示，其为本发明实施例提供的一种风电中长期发电量预测装置的结构示意图。
64.本发明所述的风电中长期发电量预测装置，具体包括如下部分：
65.数据获取单元201，用于确定待预测风电站单日的历史风速数据；
66.风速预测单元202，用于将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；
67.发电量预测单元203，用于将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
68.进一步的，所述风速预测单元，具体用于：
69.将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的
第二日的预测风速数据；
70.将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。
71.进一步的，所述的风电中长期发电量预测装置，还包括：预测模型训练单元；所述预测模型训练单元，具体用于：
72.获取风电站在第一时间段内的历史风速数据；其中，所述第一时间段内的历史风速数据包含单日样本风速数据；
73.获得风电站在第二时间段内的历史风速数据；其中，所述第二时间段内的历史风速数据包含单日目标风速数据；
74.将所述第一时间段内的历史风速数据作为训练样本集合，并将所述第二时间段内的历史风速数据作为训练目标，对预设回归模型进行训练，得到相应的所述预测模型；其中，所述第二时间段在所述第一时间段之后；所述第一时间段内的历史风速数据和所述第二时间段内的历史风速数据是以单日为时间单位的风速数据。
75.进一步的，所述的风电中长期发电量预测装置，还包括：时间序列模型训练单元；所述时间序列模型训练单元，具体用于：
76.获取风电站在第一时间段内的历史发电量数据，并获取风电站在第二时间段内的历史发电量数据；所述第二时间段在第一时间段之后；
77.将所述第一时间段内的历史发电量数据作为训练样本集合，并将所述第二时间段内的历史发电量数据作为训练目标，对预设初始时间序列模型进行训练，得到相应的所述时间序列模型，以使得所述时间序列模型中每个时间周期对应一个发电量波动系数；其中，所述第一时间段内的历史发电量数据和所述第二时间段内的历史发电量数据是以月份为时间单位的发电量数据。
78.进一步的，基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据，具体包括：
79.将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第二日的预测风速数据；
80.将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。
81.进一步的，所述的风电中长期发电量预测装置，还包括：历史实发数据预处理单元；所述历史实发数据预处理单元，具体用于：
82.获取原始的历史实发数据；所述原始的历史实发数据包含风电设备在预设时间范围内的限电检修记录、实发功率以及相应的历史风速；
83.对所述原始的历史实发数据进行数据清洗，以实现将基于所述历史风速计算得到的功率理论值来替换所述实发功率中的异常值和空值，确定相应的所述历史发电量数据及其对应的历史风速数据。
84.进一步的，所述时间周期为按照月份划分的时间周期。
85.本发明实施例所述的风电中长期发电量预测装置，通过确定待预测风电站单日的
历史风速数据，并将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；进一步的，将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。其能够有效提高风电中长期发电量预测精度和效率，以及提升了发电量预测结果的稳定性。
86.与上述提供的风电中长期发电量预测方法相对应，本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图3所示，其为本发明实施例公开的一种电子设备的实体结构示意图。该电子设备可以包括：处理器(processor)301、存储器(memory)302和通信总线303，其中，处理器301，存储器302通过通信总线303完成相互间的通信，通过通信接口304与外部进行通信。处理器301可以调用存储器302中的逻辑指令，以执行风电中长期发电量预测方法，该方法包括：确定待预测风电站单日的历史风速数据；将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
87.此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：存储芯片、u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
88.另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在处理器可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的风电中长期发电量预测方法。该方法包括：确定待预测风电站单日的历史风速数据；将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
89.又一方面，本发明实施例还提供一种处理器可读存储介质，所述处理器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执行时实现以执行上述各实施例提供的风电中长期发电量预测方法。该方法包括：确定待预测风电站单日的历史风速数据；将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
90.所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd))等。
91.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
92.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
93.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。