一种长期风功率预测方法及装置、存储介质、计算机设备

1.本技术涉及风力发电技术领域，尤其是涉及到一种长期风功率预测方法及装置、存储介质、计算机设备。


背景技术：

2.随着全球化石能源的紧张和环境保护意识的增强，新能源优势日益凸显。然而新能源虽然具有安全、绿色环保的特点，但是同时也具有预估性较差的缺点。以风能发电为例，由于风能具有天然间歇性与随机性，因而导致预估性较差。想要在使用风能发电时保证电网的稳定性，在风能发电前进行风功率预测具有非常重要的意义和作用。
3.现今风功率预测方法均为超短期预测或短期预测，一般为提前15min、30min以及1h之前预测，很少有人研究长期风功率预测，但是我国电力现货市场交易模式一般为日前交易，如果将风能发电引入到市场交易中就需要在日前进行交易日风功率预测，进而保证风能出力情况，也即风力发电通常需要日前预测风功率以保证电力稳定性，因而如何准确、方便地进行长期风功率预测，成为了本领域亟待解决的问题。


技术实现要素：

4.有鉴于此，本技术提供了一种长期风功率预测方法及装置、存储介质、计算机设备，可以准确、方便地进行长期风功率预测。
5.根据本技术的一个方面，提供了一种长期风功率预测方法，包括：
6.获取与目标预测时间段相同时长的第一历史时间段内的历史风功率数据，并基于互补集合经验模态分解法对所述历史风功率数据进行信号分解，得到多个目标分解信号；
7.基于所述目标分解信号以及所述第一历史时间段内的历史气候数据，确定与每个所述目标分解信号对应的目标输入矩阵，其中，所述历史气候数据包括历史温度数据、历史湿度数据以及历史风速数据中的至少一种；
8.将所述目标输入矩阵输入至预设风功率预测模型，得到与每个所述目标分解信号对应的第一目标预测时刻的第一风功率预测数据，并基于所述第一风功率预测数据，更新每个所述目标分解信号对应的所述目标输入矩阵，其中，所述预设风功率预测模型包括训练完成的卷积神经网络模型以及长短期记忆模型；
9.将每个更新后的目标输入矩阵输入至所述预设风功率预测模型，得到与每个所述目标分解信号对应的第二目标预测时刻的第二风功率预测数据，直至每个所述目标分解信号对应的风功率预测数据的数量与所述目标预测时间段对应的目标预测时刻的数量相同时，得到与每个所述目标分解信号对应的最后一个目标预测时刻的风功率预测数据，其中，所述目标预测时刻基于所述目标预测时间段以及预设预测时间间隔确定；
10.基于每个所述目标分解信号对应的各个所述目标预测时刻的所述风功率预测数据，确定所述目标预测时间段对应的预测总风功率。
11.可选地，所述基于所述目标分解信号以及所述第一历史时间段内的历史气候数
据，确定与每个所述目标分解信号对应的目标输入矩阵，具体包括：
12.获取所述第一历史时间段内的历史气候数据，基于任一所述目标分解信号以及所述历史气候数据，按照所述预设预测时间间隔进行取值，得到与所述任一所述目标分解信号对应的所述目标输入矩阵。
13.可选地，所述将所述目标输入矩阵输入至预设风功率预测模型，得到与每个所述目标分解信号对应的第一目标预测时刻的第一风功率预测数据，并基于所述第一风功率预测数据，更新每个所述目标分解信号对应的所述目标输入矩阵，具体包括：
14.将每个所述目标分解信号对应的所述目标输入矩阵输入至所述预设风功率预测模型中，得到与每个所述目标分解信号对应的所述第一目标预测时刻的第一风功率预测数据；
15.基于每个所述目标分解信号对应的所述第一风功率预测数据，以及与所述第一目标预测时刻对应的预测气候数据，确定每个所述目标分解信号在所述第一目标预测时刻的目标更新数据；
16.依据所述目标更新数据，对每个所述目标分解信号对应的所述目标输入矩阵中与当前时间距离最长的历史时刻的数据进行更新，得到每个所述目标分解信号对应的更新后的目标输入矩阵，其中，所述历史时刻基于所述第一历史时间段以及所述预设预测时间间隔确定。
17.可选地，所述基于每个所述目标分解信号对应的各个所述目标预测时刻的所述风功率预测数据，确定所述目标预测时间段对应的预测总风功率，具体包括：
18.基于任一所述目标预测时刻的各个所述目标分解信号对应的所述风功率预测数据，确定与所述任一所述目标预测时刻对应的第一风功率，并基于各个所述目标预测时刻对应的所述第一风功率，确定与所述目标预测时间段对应的所述预测总风功率；或者，
19.基于任一所述目标分解信号的各个所述目标预测时刻对应的所述风功率预测数据，确定与所述任一所述目标分解信号对应的第二风功率，并基于各个所述目标分解信号对应的所述第二风功率，确定与所述目标预测时间段对应的所述预测总风功率。
20.可选地，所述将每个所述目标分解信号对应的所述目标输入矩阵输入至所述预设风功率预测模型中，得到与每个所述目标分解信号对应的所述第一目标预测时刻的第一风功率预测数据，具体包括：
21.将每个所述目标分解信号对应的所述目标输入矩阵输入至所述卷积神经网络模型中，得到与每个所述目标分解信号对应的目标空间特征向量；
22.将所述目标空间特征向量输入至所述长短期记忆模型中，得到与每个所述目标分解信号对应的所述第一目标预测时刻的所述第一风功率预测数据。
23.可选地，所述确定所述目标预测时间段对应的预测总风功率之后，所述方法还包括：
24.当所述目标预测时间段内的任一时刻均处于当前时间之前时，获取所述预测总风功率对应的真实总风功率，并当所述真实总风功率与所述预测总风功率之间的误差大于预设误差阈值时，基于所述所述目标预测时间段内各个所述目标预测时刻对应的所述风功率预测数据、风功率真实数据以及真实气候数据，对所述预设风功率预测模型进行训练，得到更新后的预设风功率预测模型。
25.可选地，所述将所述目标输入矩阵输入至预设风功率预测模型之前，所述方法还包括：
26.获取第二历史时间段内的样本数据，将所述样本数据依据时间进行划分，分为训练样本数据和更新样本数据，其中，所述样本数据包括样本风功率真实数据以及样本气候数据；
27.基于所述训练样本数据确定第一样本输入矩阵，将所述第一样本输入矩阵输入至初始风功率预测模型，得到第一历史时刻对应的样本风功率预测数据，并基于所述第一历史时刻的所述样本风功率真实数据以及所述样本风功率预测数据，对所述初始风功率预测模型的模型参数进行调整，更新所述初始风功率预测模型，其中，所述初始风功率预测模型包括初始卷积神经网络模型以及初始长短期记忆模型；
28.通过所述更新样本数据对所述训练样本数据进行更新，确定第二样本输入矩阵，将所述第二样本输入矩阵输入至更新后的初始风功率预测模型中，得到第二历史时刻对应的样本风功率预测数据，并基于所述第二历史时刻的所述样本风功率真实数据以及所述样本风功率预测数据，对所述更新后的初始风功率预测模型的模型参数进行调整，直至模型损失值小于预设损失阈值时，得到所述预设风功率预测模型。
29.根据本技术的另一方面，提供了一种长期风功率预测装置，包括：
30.信号分解模块，用于获取与目标预测时间段相同时长的第一历史时间段内的历史风功率数据，并基于互补集合经验模态分解法对所述历史风功率数据进行信号分解，得到多个目标分解信号；
31.矩阵确定模块，用于基于所述目标分解信号以及所述第一历史时间段内的历史气候数据，确定与每个所述目标分解信号对应的目标输入矩阵，其中，所述历史气候数据包括历史温度数据、历史湿度数据以及历史风速数据中的至少一种；
32.第一输入模块，用于将所述目标输入矩阵输入至预设风功率预测模型，得到与每个所述目标分解信号对应的第一目标预测时刻的第一风功率预测数据，并基于所述第一风功率预测数据，更新每个所述目标分解信号对应的所述目标输入矩阵，其中，所述预设风功率预测模型包括训练完成的卷积神经网络模型以及长短期记忆模型；
33.第二输入模块，用于将每个更新后的目标输入矩阵输入至所述预设风功率预测模型，得到与每个所述目标分解信号对应的第二目标预测时刻的第二风功率预测数据，直至每个所述目标分解信号对应的风功率预测数据的数量与所述目标预测时间段对应的目标预测时刻的数量相同时，得到与每个所述目标分解信号对应的最后一个目标预测时刻的风功率预测数据，其中，所述目标预测时刻基于所述目标预测时间段以及预设预测时间间隔确定；
34.风功率确定模块，用于基于每个所述目标分解信号对应的各个所述目标预测时刻的所述风功率预测数据，确定所述目标预测时间段对应的预测总风功率。
35.可选地，所述矩阵确定模块，具体用于：
36.获取所述第一历史时间段内的历史气候数据，基于任一所述目标分解信号以及所述历史气候数据，按照所述预设预测时间间隔进行取值，得到与所述任一所述目标分解信号对应的所述目标输入矩阵。
37.可选地，所述第一输入模块，具体包括：
38.矩阵输入单元，用于将每个所述目标分解信号对应的所述目标输入矩阵输入至所述预设风功率预测模型中，得到与每个所述目标分解信号对应的所述第一目标预测时刻的第一风功率预测数据；
39.数据确定单元，用于基于每个所述目标分解信号对应的所述第一风功率预测数据，以及与所述第一目标预测时刻对应的预测气候数据，确定每个所述目标分解信号在所述第一目标预测时刻的目标更新数据；
40.数据更新单元，用于依据所述目标更新数据，对每个所述目标分解信号对应的所述目标输入矩阵中与当前时间距离最长的历史时刻的数据进行更新，得到每个所述目标分解信号对应的更新后的目标输入矩阵，其中，所述历史时刻基于所述第一历史时间段以及所述预设预测时间间隔确定。
41.可选地，所述风功率确定模块，具体用于：
42.基于任一所述目标预测时刻的各个所述目标分解信号对应的所述风功率预测数据，确定与所述任一所述目标预测时刻对应的第一风功率，并基于各个所述目标预测时刻对应的所述第一风功率，确定与所述目标预测时间段对应的所述预测总风功率；或者，基于任一所述目标分解信号的各个所述目标预测时刻对应的所述风功率预测数据，确定与所述任一所述目标分解信号对应的第二风功率，并基于各个所述目标分解信号对应的所述第二风功率，确定与所述目标预测时间段对应的所述预测总风功率。
43.可选地，所述矩阵输入单元，具体用于：
44.将每个所述目标分解信号对应的所述目标输入矩阵输入至所述卷积神经网络模型中，得到与每个所述目标分解信号对应的目标空间特征向量；将所述目标空间特征向量输入至所述长短期记忆模型中，得到与每个所述目标分解信号对应的所述第一目标预测时刻的所述第一风功率预测数据。
45.可选地，所述装置还包括：
46.模型更新模块，用于所述确定所述目标预测时间段对应的预测总风功率之后，当所述目标预测时间段内的任一时刻均处于当前时间之前时，获取所述预测总风功率对应的真实总风功率，并当所述真实总风功率与所述预测总风功率之间的误差大于预设误差阈值时，基于所述所述目标预测时间段内各个所述目标预测时刻对应的所述风功率预测数据、风功率真实数据以及真实气候数据，对所述预设风功率预测模型进行训练，得到更新后的预设风功率预测模型。
47.可选地，所述装置还包括：
48.数据划分模块，用于所述将所述目标输入矩阵输入至预设风功率预测模型之前，获取第二历史时间段内的样本数据，将所述样本数据依据时间进行划分，分为训练样本数据和更新样本数据，其中，所述样本数据包括样本风功率真实数据以及样本气候数据；
49.模型训练模块，用于基于所述训练样本数据确定第一样本输入矩阵，将所述第一样本输入矩阵输入至初始风功率预测模型，得到第一历史时刻对应的样本风功率预测数据，并基于所述第一历史时刻的所述样本风功率真实数据以及所述样本风功率预测数据，对所述初始风功率预测模型的模型参数进行调整，更新所述初始风功率预测模型，其中，所述初始风功率预测模型包括初始卷积神经网络模型以及初始长短期记忆模型；通过所述更新样本数据对所述训练样本数据进行更新，确定第二样本输入矩阵，将所述第二样本输入
矩阵输入至更新后的初始风功率预测模型中，得到第二历史时刻对应的样本风功率预测数据，并基于所述第二历史时刻的所述样本风功率真实数据以及所述样本风功率预测数据，对所述更新后的初始风功率预测模型的模型参数进行调整，直至模型损失值小于预设损失阈值时，得到所述预设风功率预测模型。
50.依据本技术又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述长期风功率预测方法。
51.依据本技术再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述长期风功率预测方法。
52.借由上述技术方案，本技术提供的一种长期风功率预测方法及装置、存储介质、计算机设备，在进行风功率预测前，可以先确定想要预测的时间段，即先确定目标预测时间段，确定目标预测时间段之后，可以确定与目标预测时间段相同时长的第一历史时间段，接着可以获取第一历史时间段内的历史风功率数据。之后可以利用互补集合经验模态分解法，对历史风功率数据进行信号分解，进而可以得到多个目标分解信号。此外还可以获取第一历史时间段内的历史气候数据，以目标分解信号和历史气候数据为基础，确定每个目标分解信号对应的目标输入矩阵。其中历史气候数据可以包括历史温度数据、历史湿度数据、历史风速数据中的一种或几种。确定目标输入矩阵后，可以将目标输入矩阵输入至预设风功率预测模型中，可以得到各个目标分解信号对应的第一目标预测时刻的第一风功率预测数据，接着，可以以第一目标预测时刻对应的第一风功率预测数据为基础对各个目标分解信号对应的目标输入矩阵中的数据进行更新。当各个目标分解信号对应的目标输入矩阵更新完毕后，可以将更新之后的目标输入矩阵再次输入到预设风功率预测模型中，输出每个目标分解信号在第二目标预测时刻对应的第二风功率预测数据。接着利用第二目标预测时刻对应的第二风功率预测数据，以及该第二目标预测时刻对应的气象部门预测的温度数据、湿度数据以及风速数据中的一种或几种，对目标输入矩阵中的数据进行更新，并将第二次更新后的目标输入矩阵输入到预设风功率预测模型中，得到每个目标分解信号在第三目标预测时刻对应的第三风功率预测数据
……
当每个目标分解信号的风功率预测数据的数量和目标预测时间段对应的目标预测时刻的数量一致时，说明目标预测时间段内的最后一个目标预测时刻对应的风功率预测数据已经得到。获得每个目标分解信号在各个目标预测时刻对应的风功率预测数据后，可以进一步基于这些风功率预测数据，确定在目标预测时间段内的预测总风功率。本技术实施例可以通过风功率预测数据，对目标输入矩阵进行不断更新，从而获得各个目标预测时刻对应的风功率预测数据，可以准确、方便地进行长期风功率预测。
53.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
54.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
55.图1示出了本技术实施例提供的一种长期风功率预测方法的流程示意图；
56.图2示出了本技术实施例提供的另一种长期风功率预测方法的流程示意图；
57.图3示出了本技术实施例提供的一种长期风功率预测装置的结构示意图。
具体实施方式
58.下文中将参考附图并结合实施例来详细说明本技术。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
59.在本实施例中提供了一种长期风功率预测方法，如图1所示，该方法包括：
60.步骤101，获取与目标预测时间段相同时长的第一历史时间段内的历史风功率数据，并基于互补集合经验模态分解法对所述历史风功率数据进行信号分解，得到多个目标分解信号；
61.本技术实施例提供的长期风功率预测方法，可以用于进行日前风功率等长期风功率的预测。在进行风功率预测前，可以先确定想要预测的时间段，即先确定目标预测时间段，由于当前我国电力现货市场交易模式一般为日前交易，因此目标预测时间段可以是一天时间，此外也可以是几个小时时间。确定目标预测时间段之后，可以先确定与目标预测时间段相同时长的第一历史时间段，在这里，由于气候数据突变性较弱，所以第一历史时间段可以是紧邻目标预测时间段的、与目标预测时间段时长相同的时间段。例如，目标预测时间段为明天0：00～明天24：00，那么可以将第一历史时间段确定为今天0：00～今天24：00，接着可以获取第一历史时间段内的历史风功率数据。之后可以利用互补集合经验模态分解法，即ceemd方法，对历史风功率数据进行信号分解，进而可以得到多个目标分解信号。传统的集合经验模态分解eemd方法还原原始信号时存在信息的缺失不能完美的还原原始信号的情况，因此导致风功率预测数据的精度降低，而ceemd方法可以完美解决这类问题。ceemd方法的原理为在原始信号中引入正负互相相反的白噪声作为辅助噪声，目的是让分解后参与的冗余的辅助白噪声信号消失并且可以降低迭代次数。
62.步骤102，基于所述目标分解信号以及所述第一历史时间段内的历史气候数据，确定与每个所述目标分解信号对应的目标输入矩阵，其中，所述历史气候数据包括历史温度数据、历史湿度数据以及历史风速数据中的至少一种；
63.在该实施例中，还可以获取第一历史时间段内的历史气候数据，接下来可以以目标分解信号和历史气候数据为基础，确定每个目标分解信号对应的目标输入矩阵。其中历史气候数据可以包括历史温度数据、历史湿度数据、历史风速数据中的一种或几种。影响风力发电的主要因素是风速的变化，而风速的主要变化因素是受气象和地形的因素。但风力发电厂建成以后地形的影响因素已经固定，因此需要对气象数据进行评估其对风功率的影响。气象与风速保持着非线性相关的联系，存在着区域气候与地形的影响因素限制其产生的波动。并且nwp(numerical weather prediction)的天气数据也是中国的国家气象局对未来日的预测，能较为准确的反映出预测日的气象信息，因而可以选择温度、湿度、风速作为历史气候数据。
64.步骤103，将所述目标输入矩阵输入至预设风功率预测模型，得到与每个所述目标分解信号对应的第一目标预测时刻的第一风功率预测数据，并基于所述第一风功率预测数据，更新每个所述目标分解信号对应的所述目标输入矩阵，其中，所述预设风功率预测模型
包括训练完成的卷积神经网络模型以及长短期记忆模型；
65.在该实施例中，确定目标输入矩阵后，可以将目标输入矩阵输入至预设风功率预测模型中，可以得到各个目标分解信号对应的第一目标预测时刻的第一风功率预测数据，接着，可以以第一目标预测时刻对应的第一风功率预测数据，以及该第一目标预测时刻对应的气象部门预测的温度数据、湿度数据以及风速数据中的一种或几种，对各个目标分解信号对应的目标输入矩阵中的数据进行更新。例如，目标预测时间段为明天0：00～明天24：00，获取的历史风功率数据和历史气候数据为今天0：00～今天24：00对应的数据，预设预测时间间隔为15min，那么第一历史时间段对应的第一个历史时刻为今天0：15，依次类推，最后一个历史时刻为今天24：00，第一目标预测时刻为明天0：15，那么可以通过第一目标预测时刻对应的数据对今天0：15对应的数据进行替换，最后仍旧剩余96个时刻的数据。在这里，预设风功率预测模型可以包括训练完成的卷积神经网络模型以及长短期记忆模型。卷积神经网络可以对输入数据自动提取数据之间的特征，简单的卷积神经网络包括卷积层、池化层、全连接层以及归一化层。传统的神经网络运算过程对于输入数据不会提取各个数据之间相关联的特征，而风功率的预测对于传统的负荷预测技术来说，此时刻与下一时刻的功率之间关联度相对较弱，因此对于传统预测技术只利用时间序列数据进行预测，预测结果的精度较低。而风功率与气候之间的相关性较强，因此可以选择提取风功率与气候数据之间的空间特征。具体可以将分解后的imf信号与气候数据中的风速数据、温度数据、湿度数据合并生成4d数据，卷积神经网络的输入可以为2*2*1*96。卷积神经网络的卷积层可以为6层，卷积核大小可以为2*2*1，池化层选择最大池化层，激活函数为relu。长短期记忆模型具体可为依据长短期记忆网络(long short term memory，lstm)算法构建的模型。lstm是一种rnn网络的特殊类型，是使用反向传播时间训练并克服消失梯度问题的递归神经网络，区别于以往的深度神经网络方法只能对每条样本进行训练，lstm能够对序列数据进行建模，“记住”用户不同时间下的用户行为，每一层的输出数据都会作为下一层的输入数据进行训练，在充分地利用好对象的先后序列属性信息的同时，能够更好地“记住”长期的对象行为信息。传统的神经网络不考虑下一时刻的数据使用什么信息，只是对于当前时刻的数据处理，但是lstm的运算过程中会考虑之前时刻的输入数据，并将其作为此时刻的输入内容。如果在风功率预测的过程中不考虑之前时刻的相关性，将会导致风功率预测的精度降低，因此选择可以提取时间特征的lstm网络作为预测阶段的模型。
66.步骤104，将每个更新后的目标输入矩阵输入至所述预设风功率预测模型，得到与每个所述目标分解信号对应的第二目标预测时刻的第二风功率预测数据，直至每个所述目标分解信号对应的风功率预测数据的数量与所述目标预测时间段对应的目标预测时刻的数量相同时，得到与每个所述目标分解信号对应的最后一个目标预测时刻的风功率预测数据，其中，所述目标预测时刻基于所述目标预测时间段以及预设预测时间间隔确定；
67.在该实施例中，当各个目标分解信号对应的目标输入矩阵更新完毕后，可以将更新之后的目标输入矩阵再次输入到预设风功率预测模型中，可以输出每个目标分解信号在第二目标预测时刻对应的第二风功率预测数据。例如，第一目标预测时刻为0：15，预设预测时间间隔为15min，那么第二目标预测时刻为0：30。此时如果目标预测时间段为30分钟，那么风功率预测结束，否则，重复进行目标输入矩阵的更新步骤，利用第二目标预测时刻对应的第二风功率预测数据，以及该第二目标预测时刻对应的气象部门预测的温度数据、湿度
数据以及风速数据中的一种或几种，对目标输入矩阵中的数据进行更新，并将第二次更新后的目标输入矩阵输入到预设风功率预测模型中，得到每个目标分解信号在第三目标预测时刻对应的第三风功率预测数据
……
当每个目标分解信号的风功率预测数据的数量和目标预测时间段对应的目标预测时刻的数量一致时，说明目标预测时间段内的最后一个目标预测时刻对应的风功率预测数据已经得到。例如，目标预测时间段为24小时，预设预测时间间隔为15min，那么可以将目标预测时间段划分为96个目标预测时刻，当每个目标分解信号的风功率预测数据为96个时，说明最后一个目标预测时刻的风功率预测数据已经得到。
68.上述过程可以用公式进行进一步表示，公式为其中，p
t-95
～p
t
为第一历史时间段内目标分解信号a从第一个历史时刻到最后一个历史时刻对应的风功率分解值，p’t 1
表示根据p
t-95
～p
t
得出的目标分解信号a对应的第一个目标预测时刻的风功率预测数据，接着利用p’t 1
替代原来的p
t-95
，根据p
t-94
～p
t
以及p’t 1
确定第二个目标预测时刻对应的风功率预测数据p’t 2
，之后依次类推通过预测得到的风功率预测数据替代第一历史时间段内对应历史时刻的风功率分解值，用于预测下一目标预测时刻对应的风功率预测数据，直到得到最后一个目标预测时刻对应的风功率预测数据时结束；α表示输入数据与输出数据的映射关系，利用括号中的数据对下一目标预测时刻的风功率进行预测。利用滚轴的方式把风功率预测数据与第一历史时间段内目标分解信号a对应的风功率分解值作为输入放入训练好的网络，反复多次进行直到满足预测长度。
69.步骤105，基于每个所述目标分解信号对应的各个所述目标预测时刻的所述风功率预测数据，确定所述目标预测时间段对应的预测总风功率。
70.在该实施例中，获得每个目标分解信号在各个目标预测时刻对应的风功率预测数据后，可以进一步基于这些风功率预测数据，确定在目标预测时间段内的预测总风功率。例如，可以将目标预测时间段内每个目标分解信号在各个目标预测时刻对应的风功率预测数据全部相加，确定预测总风功率。例如，历史风功率数据被分解为3个目标分解信号，分别是信号1、信号2以及信号3，每个目标分解信号对应有四个风功率预测数据，那么每个目标分解信号在各个目标预测时刻对应的风功率预测数据即这四个风功率预测数据，每个目标分解信号对应的风功率预测总值为该目标分解信号对应的四个风功率预测数据相加之和。后续确定预测总风功率时，可以将各个目标分解信号对应的风功率预测总值相加得到。
71.在本技术实施例中，可选地，步骤103之前，所述方法还包括：获取第二历史时间段内的样本数据，将所述样本数据依据时间进行划分，分为训练样本数据和更新样本数据，其中，所述样本数据包括样本风功率真实数据以及样本气候数据；基于所述训练样本数据确定第一样本输入矩阵，将所述第一样本输入矩阵输入至初始风功率预测模型，得到第一历史时刻对应的样本风功率预测数据，并基于所述第一历史时刻的所述样本风功率真实数据以及所述样本风功率预测数据，对所述初始风功率预测模型的模型参数进行调整，更新所述初始风功率预测模型，其中，所述初始风功率预测模型包括初始卷积神经网络模型以及初始长短期记忆模型；通过所述更新样本数据对所述训练样本数据进行更新，确定第二样
本输入矩阵，将所述第二样本输入矩阵输入至更新后的初始风功率预测模型中，得到第二历史时刻对应的样本风功率预测数据，并基于所述第二历史时刻的所述样本风功率真实数据以及所述样本风功率预测数据，对所述更新后的初始风功率预测模型的模型参数进行调整，直至模型损失值小于预设损失阈值时，得到所述预设风功率预测模型。
72.在该实施例中，在将目标输入矩阵输入到预设风功率预测模型前，可以先对初始风功率预测模型进行训练得到预设风功率预测模型。在这里，初始风功率预测模型包括初始卷积神经网络模型和初始长短期记忆模型。具体地，首先可以确定第二历史时间段，接着可以获取第二历史时间段对应的样本数据，在这里，样本数据同样可以包括样本风功率真实数据以及样本气候数据，样本气候数据中可以包括样本温度数据、样本湿度数据以及样本风速数据中的一种或几种。当确定样本气候数据具体包括的数据时，后面利用预设风功率预测模型进行风功率预测时，历史气候数据中也要包括同样的数据，例如，样本气候数据中包括样本温度数据、样本湿度数据以及样本风速数据，那么历史气候数据中也要包括历史温度数据、历史湿度数据以及历史风速数据，当样本气候数据中包括样本温度数据以及样本风速数据时，那么历史气候数据中也要包括历史温度数据以及历史风速数据。确定样本数据后，可以对样本数据按照时间进行划分，将样本数据分成两个部分，一部分是训练样本数据，一部分是更新样本数据，其中训练样本数据对应的数据产生时间早于更新样本数据对应的数据产生时间，训练样本数据用于最初输入到初始风功率预测模型，更新样本数据用于每次进行一次风功率预测后，对训练样本数据进行更新。例如，训练样本数据中包括四个历史时刻的数据，当进行一次风功率预测后，即可利用更新样本数据中最早历史时刻的数据对训练样本数据中的最早历史时刻的数据进行替换，形成新的训练样本数据。对样本数据进行划分得到训练样本数据后，可以根据训练样本数据确定第一样本输入矩阵，第一样本输入矩阵的确定方法如上述目标输入矩阵的确定方法，在此不再赘述。将第一样本输入矩阵输入到初始风功率预测模型中，可以得到第一历史时刻对应的样本风功率预测数据，接着可以基于第一历史时刻的样本风功率真实数据以及样本风功率预测数据，调整初始风功率预测模型中的模型参数，更新初始风功率预测模型。之后可以通过更新样本数据对训练样本数据中最早历史时刻的数据进行更新，确定第二样本输入矩阵，将第二样本输入矩阵输入到更新后的初始风功率预测模型中，得到第二历史时刻对应的样本风功率预测数据，接着可以基于第二历史时刻的样本风功率真实数据以及样本风功率预测数据，对更新后的初始风功率预测模型的模型参数进行调整。每次得到一个样本风功率预测数据后，都可以计算模型的模型损失值，具体可以利用样本风功率预测数据和样本风功率真实数据进行计算，直到模型损失值小于预设损失阈值时，得到预设风功率预测模型。在这里，模型损失值可以通过均方根误差和平均绝对百分比误差确定，均方根误差和平均绝对百分比误差的值越小，说明模型预测的准确度越高。其中，均方根误差可以用公式表示为：平均绝对百分比误差可以用公式表示为式中：y
predict
表示样本风功率预测数据；y
real
表示样本风功率真实数据，m表示将样本风功率真实数据分成目标分解信号时，对应的目标分解信号的数量。
73.通过应用本实施例的技术方案，在进行风功率预测前，可以先确定想要预测的时间段，即先确定目标预测时间段，确定目标预测时间段之后，可以确定与目标预测时间段相
同时长的第一历史时间段，接着可以获取第一历史时间段内的历史风功率数据。之后可以利用互补集合经验模态分解法，对历史风功率数据进行信号分解，进而可以得到多个目标分解信号。此外还可以获取第一历史时间段内的历史气候数据，以目标分解信号和历史气候数据为基础，确定每个目标分解信号对应的目标输入矩阵。其中历史气候数据可以包括历史温度数据、历史湿度数据、历史风速数据中的一种或几种。确定目标输入矩阵后，可以将目标输入矩阵输入至预设风功率预测模型中，可以得到各个目标分解信号对应的第一目标预测时刻的第一风功率预测数据，接着，可以以第一目标预测时刻对应的第一风功率预测数据为基础对各个目标分解信号对应的目标输入矩阵中的数据进行更新。当各个目标分解信号对应的目标输入矩阵更新完毕后，可以将更新之后的目标输入矩阵再次输入到预设风功率预测模型中，输出每个目标分解信号在第二目标预测时刻对应的第二风功率预测数据。接着利用第二目标预测时刻对应的第二风功率预测数据，以及该第二目标预测时刻对应的气象部门预测的温度数据、湿度数据以及风速数据中的一种或几种，对目标输入矩阵中的数据进行更新，并将第二次更新后的目标输入矩阵输入到预设风功率预测模型中，得到每个目标分解信号在第三目标预测时刻对应的第三风功率预测数据
……
当每个目标分解信号的风功率预测数据的数量和目标预测时间段对应的目标预测时刻的数量一致时，说明目标预测时间段内的最后一个目标预测时刻对应的风功率预测数据已经得到。获得每个目标分解信号在各个目标预测时刻对应的风功率预测数据后，可以进一步基于这些风功率预测数据，确定在目标预测时间段内的预测总风功率。本技术实施例可以通过风功率预测数据，对目标输入矩阵进行不断更新，从而获得各个目标预测时刻对应的风功率预测数据，可以准确、方便地进行长期风功率预测。
74.进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种长期风功率预测方法，如图2所示，该方法包括：
75.步骤201，获取与目标预测时间段相同时长的第一历史时间段内的历史风功率数据，并基于互补集合经验模态分解法对所述历史风功率数据进行信号分解，得到多个目标分解信号；
76.在该实施例中，确定目标预测时间段之后，可以先确定与目标预测时间段相同时长的第一历史时间段，接着可以获取第一历史时间段内的历史风功率数据。接着，可以利用互补集合经验模态分解法，即ceemd方法，对历史风功率数据进行信号分解，进而可以得到多个目标分解信号。传统的集合经验模态分解eemd方法还原原始信号时存在信息的缺失不能完美的还原原始信号的情况，因此导致风功率预测数据的精度降低，而ceemd方法可以完美解决这类问题。ceemd方法的原理为在原始信号中引入正负互相相反的白噪声作为辅助噪声，目的是让分解后参与的冗余的辅助白噪声信号消失并且可以降低迭代次数。
77.步骤202，获取所述第一历史时间段内的历史气候数据，基于任一所述目标分解信号以及所述历史气候数据，按照所述预设预测时间间隔进行取值，得到与所述任一所述目标分解信号对应的所述目标输入矩阵，其中，所述历史气候数据包括历史温度数据、历史湿度数据以及历史风速数据中的至少一种；
78.在该实施例中，得到多个目标分解信号之后，可以获取第一历史时间段内的历史气候数据。接着可以以每个目标分解信号和历史气候数据为基础，按照预设预测时间间隔进行取值，进而可以得到该目标分解信号对应的目标输入矩阵。例如，将历史风功率预测数
据通过互补集合经验模态分解法进行信号分解后，分解为i个imf信号，接着以每个imf信号和历史气候数据为基础，按照15min的预设预测时间间隔进行取值，可以分别得到第一个imf信号到第i个imf信号对应的目标输入矩阵，例如，对于第i个imf信号对应的目标输入矩阵，该目标输入矩阵中可以包括每个目标预测时刻对应的该imf信号指示的历史风功率数据和历史气候数据。就目前风功率预测方法来说，预测时间间隔通常为15min，因而预设预测时间间隔也可以是15min。
79.步骤203，将每个所述目标分解信号对应的所述目标输入矩阵输入至所述预设风功率预测模型中，得到与每个所述目标分解信号对应的所述第一目标预测时刻的第一风功率预测数据；
80.在该实施例中，可以将每个目标分解信号对应的目标输入矩阵分别输入到预设风功率预测模型中，预设风功率预测模型可以对应输出与每个目标分解信号对应的第一目标预测时刻的第一风功率预测数据。例如历史风功率预测数据被分解为i个imf信号，那么经过预设风功率预测模型，可以输出i个第一目标预测时刻对应的第一风功率预测数据。
81.步骤204，基于每个所述目标分解信号对应的所述第一风功率预测数据，以及与所述第一目标预测时刻对应的预测气候数据，确定每个所述目标分解信号在所述第一目标预测时刻的目标更新数据；
82.在该实施例中，确定每个目标分解信号对应的第一风功率预测数据后，还可以获取与第一目标预测时刻对应的预测气候数据，在这里，预测气候数据和历史气候数据中包括的数据是一样的，例如，历史气候数据包括历史温度数据、历史湿度数据以及历史风速数据，那么预测气候数据也包括预测温度数据、预测湿度数据以及预测风速数据。接着，可以以每个目标分解信号对应的第一风功率预测数据和预测气候数据为基础，确定每个目标分解信号对应的第一目标预测时刻的目标更新数据。
83.步骤205，依据所述目标更新数据，对每个所述目标分解信号对应的所述目标输入矩阵中与当前时间距离最长的历史时刻的数据进行更新，得到每个所述目标分解信号对应的更新后的目标输入矩阵，其中，所述历史时刻基于所述第一历史时间段以及所述预设预测时间间隔确定；
84.在该实施例中，可以进一步以目标更新数据为基础，对每个目标分解信号对应的目标输入矩阵中的数据进行更新，具体地，可以从目标输入矩阵中找出与当前时间距离最长的历史时刻对应的数据，利用目标更新数据替换该数据，以实现对目标输入矩阵的更新。这里的历史时刻可以是由第一历史时间段和预设预测时间间隔确定的。
85.步骤206，将每个更新后的目标输入矩阵输入至所述预设风功率预测模型，得到与每个所述目标分解信号对应的第二目标预测时刻的第二风功率预测数据，直至每个所述目标分解信号对应的风功率预测数据的数量与所述目标预测时间段对应的目标预测时刻的数量相同时，得到与每个所述目标分解信号对应的最后一个目标预测时刻的风功率预测数据，其中，所述目标预测时刻基于所述目标预测时间段以及预设预测时间间隔确定；
86.在该实施例中，当各个目标分解信号对应的目标输入矩阵更新完毕后，可以将更新之后的目标输入矩阵再次输入到预设风功率预测模型中，可以输出每个目标分解信号在第二目标预测时刻对应的第二风功率预测数据。例如，第一目标预测时刻为0：15，预设预测时间间隔为15min，那么第二目标预测时刻为0：30。此时如果目标预测时间段为30分钟，那
么风功率预测结束，否则，重复进行目标输入矩阵的更新步骤，利用第二目标预测时刻对应的第二风功率预测数据，以及该第二目标预测时刻对应的气象部门预测的温度数据、湿度数据以及风速数据中的一种或几种，对目标输入矩阵中的数据进行更新，并将第二次更新后的目标输入矩阵输入到预设风功率预测模型中，得到每个目标分解信号在第三目标预测时刻对应的第三风功率预测数据
……
当每个目标分解信号的风功率预测数据的数量和目标预测时间段对应的目标预测时刻的数量一致时，说明目标预测时间段内的最后一个目标预测时刻对应的风功率预测数据已经得到。例如，目标预测时间段为24小时，预设预测时间间隔为15min，那么可以将目标预测时间段划分为96个目标预测时刻，当每个目标分解信号的风功率预测数据为96个时，说明最后一个目标预测时刻的风功率预测数据已经得到。
87.步骤207，基于每个所述目标分解信号对应的各个所述目标预测时刻的所述风功率预测数据，确定所述目标预测时间段对应的预测总风功率。
88.在该实施例中，获得各个目标分解信号在各个目标预测时刻对应的风功率预测数据后，可以进一步基于这些风功率预测数据，确定在目标预测时间段内的预测总风功率。例如，将历史风功率预测数据通过互补集合经验模态分解法进行信号分解后，分解为i个imf信号，最后可以得到i个第一风功率预测数据、第二风功率预测数据
……
直到每个目标分解信号对应的风功率预测数据的数量与目标预测时间段对应的目标预测时刻数量相同时，将所有目标分解信号对应的所有风功率预测数据相加，可以得到预测总风功率。
89.在本技术实施例中，可选地，步骤203具体包括：将每个所述目标分解信号对应的所述目标输入矩阵输入至所述卷积神经网络模型中，得到与每个所述目标分解信号对应的目标空间特征向量；将所述目标空间特征向量输入至所述长短期记忆模型中，得到与每个所述目标分解信号对应的所述第一目标预测时刻的所述第一风功率预测数据。
90.在该实施例中，得到每个目标分解信号对应的目标输入矩阵之后，可以将与每个目标分解信号对应的目标输入矩阵输入到预设风功率预测模型的卷积神经网络模型中，通过卷积神经网络模型提取每个目标分解信号对应的目标空间特征向量，接着，可以将提取到的目标空间特征向量输入至预设风功率预测模型的长短期记忆模型中，可以得到各个目标分解信号对应的第一目标预测时刻的第一风功率预测数据。
91.在本技术实施例中，可选地，步骤207之后，所述方法还包括：当所述目标预测时间段内的任一时刻均处于当前时间之前时，获取所述预测总风功率对应的真实总风功率，并当所述真实总风功率与所述预测总风功率之间的误差大于预设误差阈值时，基于所述所述目标预测时间段内各个所述目标预测时刻对应的所述风功率预测数据、风功率真实数据以及真实气候数据，对所述预设风功率预测模型进行训练，得到更新后的预设风功率预测模型。
92.在该实施例中，当目标预测时间段内的任意一个时刻都是过去时时，即目标预测时间段已经过去，那么可以获取目标预测时间段的预测总风功率对应的真实总风功率，并进一步对预测总风功率和真实总风功率进行比较。当预测总风功率与真实总风功率之间的差值大于预设误差阈值时，说明预设风功率预测模型的预测精度不高，接着可以以目标预测时间段内各个目标预测时刻的风功率预测数据、风功率真实数据、真实气候数据为基础，对预设风功率预测模型进行训练，进而得到更新后的预设风功率预测模型。本技术在通过预设风功率预测模型进行预测得到的预测总风功率和真实总风功率之间的差值较大时，对
预设风功率预测模型进行再次训练，有利于提升预设风功率预测模型的预测精度。
93.在本技术实施例中，可选地，步骤207具体可以包括步骤207-1或步骤207-2：
94.步骤207-1，基于任一所述目标预测时刻的各个所述目标分解信号对应的所述风功率预测数据，确定与所述任一所述目标预测时刻对应的第一风功率，并基于各个所述目标预测时刻对应的所述第一风功率，确定与所述目标预测时间段对应的所述预测总风功率。
95.在该实施例中，得到各个目标预测时刻、各个目标分解信号对应的风功率预测数据后，可以先确定每个目标预测时刻对应的第一风功率，即针对每个目标预测时刻，将该目标预测时刻对应的不同目标分解信号对应的风功率预测值进行相加，可以得到该目标预测时刻对应的第一风功率，接着，可以将不同目标预测时刻对应的第一风功率相加在一起，确定目标预测时间段对应的预测总风功率，即在目标预测时间段内风力发电输出的总功率。
96.步骤207-2，基于任一所述目标分解信号的各个所述目标预测时刻对应的所述风功率预测数据，确定与所述任一所述目标分解信号对应的第二风功率，并基于各个所述目标分解信号对应的所述第二风功率，确定与所述目标预测时间段对应的所述预测总风功率。
97.在该实施例中，得到各个目标预测时刻、各个目标分解信号对应的风功率预测数据后，可以先将每个目标分解信号在所有目标预测时刻对应的风功率预测数据相加，得到每个目标分解信号在目标预测时间段内的第二风功率，接着，可以将不同目标分解信号对应的第二风功率相加在一起，确定目标预测时间段对应的预测总风功率，即在目标预测时间段内风力发电输出的总功率。
98.进一步的，作为图1方法的具体实现，本技术实施例提供了一种长期风功率预测装置，如图3所示，该装置包括：
99.信号分解模块，用于获取与目标预测时间段相同时长的第一历史时间段内的历史风功率数据，并基于互补集合经验模态分解法对所述历史风功率数据进行信号分解，得到多个目标分解信号；
100.矩阵确定模块，用于基于所述目标分解信号以及所述第一历史时间段内的历史气候数据，确定与每个所述目标分解信号对应的目标输入矩阵，其中，所述历史气候数据包括历史温度数据、历史湿度数据以及历史风速数据中的至少一种；
101.第一输入模块，用于将所述目标输入矩阵输入至预设风功率预测模型，得到与每个所述目标分解信号对应的第一目标预测时刻的第一风功率预测数据，并基于所述第一风功率预测数据，更新每个所述目标分解信号对应的所述目标输入矩阵，其中，所述预设风功率预测模型包括训练完成的卷积神经网络模型以及长短期记忆模型；
102.第二输入模块，用于将每个更新后的目标输入矩阵输入至所述预设风功率预测模型，得到与每个所述目标分解信号对应的第二目标预测时刻的第二风功率预测数据，直至每个所述目标分解信号对应的风功率预测数据的数量与所述目标预测时间段对应的目标预测时刻的数量相同时，得到与每个所述目标分解信号对应的最后一个目标预测时刻的风功率预测数据，其中，所述目标预测时刻基于所述目标预测时间段以及预设预测时间间隔确定；
103.风功率确定模块，用于基于每个所述目标分解信号对应的各个所述目标预测时刻
的所述风功率预测数据，确定所述目标预测时间段对应的预测总风功率。
104.可选地，所述矩阵确定模块，具体用于：
105.获取所述第一历史时间段内的历史气候数据，基于任一所述目标分解信号以及所述历史气候数据，按照所述预设预测时间间隔进行取值，得到与所述任一所述目标分解信号对应的所述目标输入矩阵。
106.可选地，所述第一输入模块，具体包括：
107.矩阵输入单元，用于将每个所述目标分解信号对应的所述目标输入矩阵输入至所述预设风功率预测模型中，得到与每个所述目标分解信号对应的所述第一目标预测时刻的第一风功率预测数据；
108.数据确定单元，用于基于每个所述目标分解信号对应的所述第一风功率预测数据，以及与所述第一目标预测时刻对应的预测气候数据，确定每个所述目标分解信号在所述第一目标预测时刻的目标更新数据；
109.数据更新单元，用于依据所述目标更新数据，对每个所述目标分解信号对应的所述目标输入矩阵中与当前时间距离最长的历史时刻的数据进行更新，得到每个所述目标分解信号对应的更新后的目标输入矩阵，其中，所述历史时刻基于所述第一历史时间段以及所述预设预测时间间隔确定。
110.可选地，所述风功率确定模块，具体用于：
111.基于任一所述目标预测时刻的各个所述目标分解信号对应的所述风功率预测数据，确定与所述任一所述目标预测时刻对应的第一风功率，并基于各个所述目标预测时刻对应的所述第一风功率，确定与所述目标预测时间段对应的所述预测总风功率；或者，基于任一所述目标分解信号的各个所述目标预测时刻对应的所述风功率预测数据，确定与所述任一所述目标分解信号对应的第二风功率，并基于各个所述目标分解信号对应的所述第二风功率，确定与所述目标预测时间段对应的所述预测总风功率。
112.可选地，所述矩阵输入单元，具体用于：
113.将每个所述目标分解信号对应的所述目标输入矩阵输入至所述卷积神经网络模型中，得到与每个所述目标分解信号对应的目标空间特征向量；将所述目标空间特征向量输入至所述长短期记忆模型中，得到与每个所述目标分解信号对应的所述第一目标预测时刻的所述第一风功率预测数据。
114.可选地，所述装置还包括：
115.模型更新模块，用于所述确定所述目标预测时间段对应的预测总风功率之后，当所述目标预测时间段内的任一时刻均处于当前时间之前时，获取所述预测总风功率对应的真实总风功率，并当所述真实总风功率与所述预测总风功率之间的误差大于预设误差阈值时，基于所述所述目标预测时间段内各个所述目标预测时刻对应的所述风功率预测数据、风功率真实数据以及真实气候数据，对所述预设风功率预测模型进行训练，得到更新后的预设风功率预测模型。
116.可选地，所述装置还包括：
117.数据划分模块，用于所述将所述目标输入矩阵输入至预设风功率预测模型之前，获取第二历史时间段内的样本数据，将所述样本数据依据时间进行划分，分为训练样本数据和更新样本数据，其中，所述样本数据包括样本风功率真实数据以及样本气候数据；
118.模型训练模块，用于基于所述训练样本数据确定第一样本输入矩阵，将所述第一样本输入矩阵输入至初始风功率预测模型，得到第一历史时刻对应的样本风功率预测数据，并基于所述第一历史时刻的所述样本风功率真实数据以及所述样本风功率预测数据，对所述初始风功率预测模型的模型参数进行调整，更新所述初始风功率预测模型，其中，所述初始风功率预测模型包括初始卷积神经网络模型以及初始长短期记忆模型；通过所述更新样本数据对所述训练样本数据进行更新，确定第二样本输入矩阵，将所述第二样本输入矩阵输入至更新后的初始风功率预测模型中，得到第二历史时刻对应的样本风功率预测数据，并基于所述第二历史时刻的所述样本风功率真实数据以及所述样本风功率预测数据，对所述更新后的初始风功率预测模型的模型参数进行调整，直至模型损失值小于预设损失阈值时，得到所述预设风功率预测模型。
119.需要说明的是，本技术实施例提供的一种长期风功率预测装置所涉及各功能单元的其他相应描述，可以参考图1至图2方法中的对应描述，在此不再赘述。
120.基于上述如图1至图2所示方法，相应的，本技术实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述如图1至图2所示的长期风功率预测方法。
121.基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)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)执行本技术各个实施场景所述的方法。
122.基于上述如图1至图2所示的方法，以及图3所示的虚拟装置实施例，为了实现上述目的，本技术实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图2所示的长期风功率预测方法。
123.可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(radio frequency，rf)电路，传感器、音频电路、wi-fi模块等等。用户接口可以包括显示屏(display)、输入单元比如键盘(keyboard)等，可选用户接口还可以包括usb接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、wi-fi接口)等。
124.本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
125.存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。
126.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本技术可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。在进行风功率预测前，可以先确定想要预测的时间段，即先确定目标预测时间段，确定目标预测时间段之后，可以确定与目标预测时间段相同时长的第一历史时间段，接着可以获取第一历史时间段内的历史风功率数据。之后可以利用互补集合经验模态分解法，对历史风功率数据进行信号分解，进而可以得到多个目标分解信号。此外还可以获取第一历史时间段内的历史气候数据，以
目标分解信号和历史气候数据为基础，确定每个目标分解信号对应的目标输入矩阵。其中历史气候数据可以包括历史温度数据、历史湿度数据、历史风速数据中的一种或几种。确定目标输入矩阵后，可以将目标输入矩阵输入至预设风功率预测模型中，可以得到各个目标分解信号对应的第一目标预测时刻的第一风功率预测数据，接着，可以以第一目标预测时刻对应的第一风功率预测数据为基础对各个目标分解信号对应的目标输入矩阵中的数据进行更新。当各个目标分解信号对应的目标输入矩阵更新完毕后，可以将更新之后的目标输入矩阵再次输入到预设风功率预测模型中，输出每个目标分解信号在第二目标预测时刻对应的第二风功率预测数据。接着利用第二目标预测时刻对应的第二风功率预测数据，以及该第二目标预测时刻对应的气象部门预测的温度数据、湿度数据以及风速数据中的一种或几种，对目标输入矩阵中的数据进行更新，并将第二次更新后的目标输入矩阵输入到预设风功率预测模型中，得到每个目标分解信号在第三目标预测时刻对应的第三风功率预测数据
……
当每个目标分解信号的风功率预测数据的数量和目标预测时间段对应的目标预测时刻的数量一致时，说明目标预测时间段内的最后一个目标预测时刻对应的风功率预测数据已经得到。获得每个目标分解信号在各个目标预测时刻对应的风功率预测数据后，可以进一步基于这些风功率预测数据，确定在目标预测时间段内的预测总风功率。本技术实施例可以通过风功率预测数据，对目标输入矩阵进行不断更新，从而获得各个目标预测时刻对应的风功率预测数据，可以准确、方便地进行长期风功率预测。
127.本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本技术所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
128.上述本技术序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本技术的几个具体实施场景，但是，本技术并非局限于此，任何本领域的技术人员能思之的变化都应落入本技术的保护范围。