区域风电功率建模方法、装置、存储介质和设备与流程

1.本发明涉及风力发电技术领域，具体涉及一种区域风电功率建模方法、装置、存储介质和设备。


背景技术：

2.风力发电具备波动性和间歇性的特点，因此风电场发电功率具有随机性较强、间歇性明显、功率不具备调节能力的特点，从而导致风电不可以随意控制。随着风电装机容量和并网规模的不断增长，风电场发电功率的随机波动性对电力系统产生巨大的影响。另外，一个区域通常存在多个风电场接入电力系统，在进行区域电力系统分析时，往往只关心区域中风电场的发电功率整体的变化情况，把所有风电场简单等效为一个随机变量，忽略了风电场之间的影响。
3.随着风力发电的大规模开发利用，风电场并入电力系统是后续发展的趋势，为了更加清晰了解区域内风电场发电功率对电力系统的影响，建立区域内多个风电场发电功率的概率分布模型，根据该模型对短时间的风电场发电功率进行预测、生成相应的风电功率场景以及分析风电场并入电力系统对发电功率的影响，是风力发电大规模应用的研究趋势。因此，如何建立区域内多个风电场发电功率的模型，对风电场并入电力系统的多个应用环节都至关重要。
4.目前考虑区域内多个风电场间发电功率关联性的概率建模主要采用结合一维核密度估计方法的copula函数方法和多维核密度估计方法。上述多维核密度估计方法由于随机变量数量多，导致求解复杂性增加、结果准确性降低，并且在高维运算的情况下容易陷入维数灾问题。进一步，上述核密度估计方法还会受到随机变量边界效应的影响，窗宽的选择对估计结果的准确性影响较大，而目前没有统一对窗宽进行选择的方法。上述现有技术存在的缺陷导致当前风电场间发电功率相关性的概率建模精确度不高。
5.因此，如何提高风电场间发电功率关联性的概率建模精确度，是本领域技术人员急需解决的技术问题。


技术实现要素：

6.本发明提供一种区域风电功率建模方法、装置、存储介质和设备，可以提高风电场间发电功率相关性的概率建模精确度。所述风电功率模型可用于短时间风电场的发电功率的预测、风电功率场景生成以及分析区域风电场并入电力系统对发电功率的影响并进行控制调整。
7.第一方面，本发明提供了一种区域风电功率建模方法，包括：
8.获取设定区域若干个风电场的历史发电功率，基于各所述历史发电功率对所述风电场进行线性相关性分析和聚类处理，确定所述设定区域的多个等值风电场，其中所述等值风电场的数量小于所述风电场的数量；
9.根据各个所述等值风电场，利用正交级数方法，建立各个等值风电场的边缘密度
函数；
10.根据每一个所述等值风电场的边缘密度函数，利用pair-copula函数方法，建立设定区域的风电功率联合概率模型。
11.第二方面，本发明提供了一种区域风电功率建模装置，包括：
12.等值风电场建立模块，用于获取设定区域若干个风电场的风电功率历史样本，基于各所述历史发电功率对所述风电场进行线性相关性分析和聚类处理，确定所述设定区域的多个等值风电场，其中所述等值风电场的数量小于所述风电场的数量；
13.边缘密度函数建立模块，用于根据各个所述等值风电场，利用非参数正交级数方法，建立各个等值风电场的边缘密度函数；
14.风电功率联合概率模型建立模块，用于根据每一个所述等值风电场的边缘密度函数，利用pair-copula函数方法，建立设定区域的风电功率联合概率模型。
15.第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面的一种区域风电功率建模方法的步骤。
16.第四方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时执行上述第一方面的一种区域风电功率建模方法。
17.采用上述技术方案的有益效果为：本发明的一种区域风电功率建模方法，将区域内的风电场通过线性相关性分析和聚类处理得到等值风电场，利用正交级数方法建立等值风电场的边缘密度函数，再利用pair-copula函数方法建立该区域的风电功率联合概率模型。通过上述方法，减少区域内风电场的计算数量，降低建模维度，并且避免随机变量边界效应的影响，提高风电场发电功率相关性的概率建模精确度。
附图说明
18.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简单地介绍。
19.图1为区域风电功率建模方法的流程示意图；
20.图2为区域风电功率建模方法中对风电场进行相关性分析和聚类处理的流程示意图；
21.图3为d藤结构pair-copula函数的流程示意图；
22.图4为区域风电功率建模装置的模块示意图；
23.图5为区域风电功率建模装置的模块示意图。
具体实施方式
24.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，都属于本发明保护的范围。为了更详细说明本发明，下面结合附图对本发明提供的一种区域风电功率建模方法、装置、存储介质和设备，进行具体地描述。
25.随着风力发电等新能源的大规模开发利用，风电场并入电力系统是将来的发展趋
势，为了更加清晰了解区域内风电场发电功率对电力系统的影响，建立区域内多个风电场发电功率的模型，根据该模型对短时间的风电场发电功率进行预测、生成相应的风电功率场景以及分析风电场并入电力系统对发电功率的影响并进行调整，是风力发电大规模应用的研究趋势。由此，如何建立区域内多个风电场发电功率的模型，对风电场并入电力系统的多个应用环节都具有重要作用。
26.为了更加清楚地对区域风电功率建模方法进行说明，本技术实施例提供区域风电功率建模方法的具体应用场景。该应用场景包括本技术实施例提供的终端设备，终端设备可以是具有显示屏的各种电子设备，包括但不限于智能手机和计算机设备，其中计算机设备可以是台式计算机、便携式计算机、膝上型计算机、平板电脑等设备中的至少一种。用户对终端设备进行操作，发出区域风电功率建模操作指示，终端设备执行本发明的区域风电功率建模方法，具体过程请参考区域风电功率建模方法实施例。
27.基于此，本技术实施例中提供了一种区域风电功率建模方法，以该方法应用于终端设备为例进行说明，结合说明书附图1示出的区域风电功率建模方法的流程示意图，包括以下步骤：
28.步骤s11：获取设定区域若干个风电场的历史发电功率，基于各所述历史发电功率对所述风电场进行线性相关性分析和聚类处理，确定所述设定区域的等值风电场，其中所述等值风电场的数量小于所述风电场的数量。
29.一个区域通常存在多个风电场接入电力系统，由于风电场的位置以及周围环境因素的影响，区域内多个风电场之间的功率状况并不相同。由于区域内风电场的数量较多，若将区域内所有风电场都建立边缘密度函数，从而获取区域风电功率概率分布模型，会导致运算量过大，陷入维数灾的问题。因此，本发明首先对区域内的风电场进行聚类处理得到维数较少的等值风电场，所述聚类处理的具体过程如下：
30.如附图2所示，本发明实施例提供的对风电场进行相关性分析和聚类处理的具体步骤如下:
31.首先，对区域内所有的风电场之间进行线性相关性分析，所述线性相关性分析具体步骤包括：
32.步骤s1101：根据设定区域风电场的历史发电功率，遍历计算得到区域内任意两个风电场的发电功率的相关系数。为了便于理解，引用具体参数进行说明，设定区域内共有n个风电场，分别记为w1,w2,
…
,wn。将风电场wi在设定时段内的发电功率进行归一化处理，记为pi＝{p
i,1
,p
i,2
,
…
,p
i,t
}，其中i＝1、2、
…
、n，t为设定时段。所述风电场的发电功率归一化处理为该风电场实际的发电功率与风电场额定功率的比值。
33.区域内任意两个风电场wi和wj的发电功率相关系数的表达式为
[0034][0035]
其中，r
ij
为风电场wi和wj发电功率的相关系数，r
ij
取值范围为[-1,1]，为风电场wi在t时段内的发电功率平均值，p
i,k
为风电场wi在第k个时段的发电功率，为风电场wj在t时段内的发电功率平均值，p
j,k
为风电场wj在第k个时段的发电功率。
[0036]
步骤s1102：根据所述风电场的发电功率的相关系数，计算得到任意两个风电场之间的相关性距离。
[0037]
所述相关性距离的表达式具体为：r
ij
＝1-|r
ij
|。其中，r
ij
为风电场wi和风电场wj的相关性距离，取值范围为[0,1]。相关性距离r
ij
的数值越小表明风电场wi和风电场wj的线性相关性越强。
[0038]
然后，根据所述风电场线性相关性分析得到的相关性距离r
ij
继续进行聚类处理，本实施例中采用的聚类方法为k-medoids聚类方法，具体为：
[0039]
步骤s1111：根据所述风电场之间的相关性距离计算得到风电场的密集指标。
[0040]
所述风电场的密集指标具体表达式为其中r
kj
为风电场wk和风电场wj的相关性距离。
[0041]
步骤s1112：根据所述风电场的密集指标由小到大进行排序，选取密集指标最小的前k个风电场作为聚类初始中心点，剩余的风电场作为聚类初始非中心点。
[0042]
具体地，设定所述区域内等值风电场的数量为k，则所述区域内风电场可以分为k类，记为其中1≤k≤n。根据风电场的密集指标的大小进行排序，选取密集指标最小的前k个风电场作为k个聚类的初始中心点，记为o1,o2,
…
,ok，剩余的风电场作为初始非中心点，记为s1,s2,
…
,s
n-k
。
[0043]
步骤s1113：对于每一个初始非中心点对应的风电场，计算其与每个中心点距离指标，将所述初始非中心点加入距离指标最小的一类。
[0044]
其中，所述距离指标的具体表达式为所述距离指标ec越小表示聚类结果越好，表示第类中的初始非中心点对应的风电场si与中心点对应的风电场oi的距离指标的大小。
[0045]
步骤s1114：调整聚类中心点，得到最终聚类结果，并根据所述聚类结果得到等值风电场。
[0046]
具体为，对于聚类中的初始中心点oi与初始非中心点si，交换它们的位置，即令si成为类的新的中心点，通过计算得到新的总体聚类评价指标，得到新的总体聚类评价指标与原总体聚类评价指标的差δec，称δec为风电场对(si,oi)的交换代价。计算每个聚类中所有风电场对的交换代价，若所有的交换代价均不小于0则聚类流程结束，此时的聚类的结果即为最终聚类结果，否则重复调整聚类的中心点。
[0047]
对于最终得到的k个聚类每一个聚类都可等值为一个等值风电场处理，所述等值风电场记为w
′1,w
′2,
…
,w
′k，等值风电场的发电功率为该聚类包含的所有风电场的发电功率之和，等值风电场的额定功率为该聚类包含的所有风电场的额定功率之和。
[0048]
在本实施例中，通过上述相关性分析和聚类处理得到等值风电场，大量地减少了后续建模过程中使用到的风电场维数，缩短了后续建模使用的时间，避免了维数灾问题。上述相关性分析和聚类处理相结合的方法保留了区域内所有风电场的发电功率的数据，在极
大程度上保证了后续建立的模型预测或数据分析具有参考性。在此需要说明的是，所述相关性分析和聚类处理得到等值风电场仅为本实施例提供的较优的一种等值处理方法，所述等值处理方法还可包括在区域内风电场中选取典型风电场。
[0049]
在对区域内风电场进行等值处理后，即可根据等值风电场获取区域内风电场的边缘密度函数，具体为：
[0050]
步骤s12：根据各个所述等值风电场，利用非参数正交级数方法，建立各个等值风电场的边缘密度函数。
[0051]
具体为，将等值风电场w
′k在设定时段的发电功率进行归一化处理，记为p
′k＝{p
′
k,1
,p
′
k,2
,
…
,p
′
k,t
}，其中，k＝1、2、
…
、k，t为设定时段。所述等值风电场的发电功率归一化处理为获取等值风电场的实际发电功率与等值风电场额定功率的比值。
[0052]
利用非参数正交级数方法得到的所述等值风电场的边缘密度函数具体表达式为：
[0053][0054]
其中，w
′k为第k个等值风电场，p
′k为第k个等值风电场的发电功率，φj(p
′k)为第k个等值风电场的fourier基，βj为fourier基的系数，j为取舍点。
[0055]
上述参数的具体表达式为：
[0056][0057][0058]
t
′
为大于的最小整数，令j＝j0时满足δ(j0)最小。
[0059]
由此，可得到设定区域内所有等值风电场的边缘密度函数，并根据所述边缘密度函数继续计算得到风电场发电功率联合概率分布模型。
[0060]
步骤s13：根据每一个所述等值风电场的边缘密度函数，利用pair-copula函数方法，建立设定区域的发电功率联合概率分布模型。
[0061]
具体地，所述发电功率联合概率模型的表达式为：
[0062][0063]
其中，w
′k为第k个等值风电场，p
′k为第k个等值风电场的功率，c
j,j i|j 1,
…
,j i-1
为拟合求得的第i-1层第j个二元copula函数，p
′j为第j个等值风电场的发电功率，为等值风电场的边缘密度函数。
[0064]
上述参数的具体表达式为：
[0065]
其中uk(p
′k)为第k个等值风电场风电功率的分布函数，k＝
1、2、
…
、k；另外，uk(p
′k)还可以根据样本近似得到，具体表达式为i(p
′
k,i
≤p
′k)为示性函数，当满足条件p
′
k,i
≤p
′k时，i＝1，否则i＝0。
[0066]
其中j＝1、2、
…
、k-1；
[0067]
，其中j＝1、2、
…
、k-i，i＝3、4、
…
、k-1。
[0068]
本实施例中所述pair-copula函数方法具体为d藤结构pair-copula函数方法。参见附图3，所述d藤结构pair-copula函数方法具体为：第一层设置为各等值风电场的边缘分布函数，相邻的所述边缘分布函数两两结合得到下一层的联合概率密度函数；再将得到后的联合概率密度函数两两结合，逐层递进，直至联合概率密度函数结合后只产生一个最优联合概率密度函数。为了可以更加清晰的理解，对所述d藤结构pair-copula函数进行举例说明：所述第一层设置有k个等值风电场的边缘分布函数分别记为u1,u2,
…
,uk，相邻的边缘分布函数两辆结合得到第二层的联合概率密度函数，如u1和u2结合得到第二层的联合概率密度函数c
1,2
，u2和u3结合得到第二层的联合概率密度函数c
2,3
，依次类推，u
k-1
和uk结合得到第二层的联合概率密度函数c
k-1,k
；逐层递推，第二层的联合概率密度函数两两结合得到第三层的联合概率密度函数，如c
1,2
和c
2,3
结合得到第三层的联合概率密度函数c
1,3|2
，以此类推，c
k-2,k-1
和c
k-1,k
结合得到第三层的联合概率密度函数c
k-2,k|k-1
；继续逐层递推，直至第k-1层得到最优联合概率密度函数c
1,k|2,3,
…
,k-1
。
[0069]
首先，计算经验copula函数cn(u,v)，具体表达式为，(u,v)，具体表达式为，其中为示性函数。当满足条件h(xi)≤u或g(yi)≤v时，i＝1，否则i＝0；(xi,yi)为取自构造copula函数的变量(x,y)的样本，u,v∈[0,1]，h(xi)为xi的分布函数，g(yi)为yi的分布函数，n为样本数。
[0070]
然后，选择常用的椭圆copula和阿基米德copula两类copula函数，包括但不限于正态-copula、t-copula和gumbel copula，clayton copula，frank copula。选取待拟合的各copula函数中与经验copula函数之间欧氏距离最小的一个为最优的pair-copula函数。
[0071]
其中，拟合得到的copula函数c
p
(u,v)与经验copula函数cn(u,v)之间的欧式距离具体表示为，
[0072]
按照上述方法可拟合得到每一层的二元copula函数，进而得到区域间考虑关联性的发电功率联合概率模型f(p
′1,p
′2,
…
,p
′k)。
[0073]
需要说明的是，本实施例中采用的d藤结构pair-copula函数方法为所述copula函
数方法的较优的一种，所述copula函数方法还可采用c藤结构pair-copula函数方法。
[0074]
应当理解的是，虽然图1和图2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，这些步骤可以以其他的顺序执行。而且图1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，这些子步骤或者阶段的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。
[0075]
上述本技术公开的实施例中详细描述了一种区域风电功率建模方法，对于本技术公开的上述方法可采用多种形式的设备实现，因此本技术还公开了对应上述方法的风电功率建模装置，下面给出具体的实施例进行详细说明。
[0076]
如说明书附图4所示，本发明提供了一种区域风电功率建模装置，包括：
[0077]
等值风电场建立模块201，用于获取设定区域若干个风电场的历史发电功率，基于各所述历史发电功率对所述风电场进行等值处理，确定所述设定区域的多个等值风电场，其中所述等值风电场的数量小于所述风电场的数量。
[0078]
具体地，如附图5所示，所述等值风电场建立模块201包括线性相关性分析模块2011和聚类模块2022。
[0079]
所述线性相关性分析模块2011，用于根据设定区域风电场的历史发电功率，遍历计算得到区域内任意两个风电场的发电功率的相关系数，并且根据所述风电场的发电功率的相关系数，计算得到任意两个风电场之间的相关性距离。
[0080]
所述线性相关性分析模块2011内部的具体运算为：
[0081]
设定区域内共有n个风电场，分别记为w1,w2,
…
,wn。将风电场wi在设定时段内的发电功率进行归一化处理，记为pi＝{p
i,1
,p
i,2
,
…
,p
i,t
}，其中i＝1、2、
…
、n，t为设定时段。所述风电场的发电功率归一化处理为该风电场实际的发电功率与风电场额定功率的比值。
[0082]
区域内任意两个风电场wi和wj的发电功率相关系数的表达式为
[0083][0084]
其中，r
ij
为风电场wi和wj发电功率的相关系数，r
ij
取值范围为[-1,1]，为风电场wi在t时段内的发电功率平均值，p
i,k
为风电场wi在第k个时段的发电功率，为风电场wj在t时段内的发电功率平均值，p
j,k
为风电场wj在第k个时段的发电功率。
[0085]
所述相关性距离的表达式具体为：r
ij
＝1-|r
ij
|。其中，r
ij
为风电场wi和风电场wj的相关性距离，取值范围为[0,1]。相关性距离r
ij
的数值越小表明风电场wi和风电场wj的线性相关性越强。
[0086]
所述聚类模块2022，用于根据所述风电场之间的相关性距离计算得到风电场的密集指标；根据所述风电场的密集指标由小到大进行排序，选取密集指标最小的前k个风电场作为聚类初始中心点，剩余的风电场作为聚类初始非中心点；根据所述聚类初始非中心点与聚类初始中心点的距离进行聚类迭代处理，得到k个等值风电场。
[0087]
所述聚类模块2022具体采用k-medoids聚类处理，其内部运算具体为：
[0088]
根据所述风电场之间的相关性距离计算得到风电场的密集指标。所述风电场的密集指标具体表达式为其中r
kj
为风电场wk和风电场wj的相关性距离。
[0089]
设定所述区域内等值风电场的数量为k，则所述区域内风电场可以分为k类，记为其中1≤k≤n。根据风电场的密集指标的大小进行排序，选取密集指标最小的前k个风电场作为k个聚类的初始中心点，记为o1,o2,
…
,ok，剩余的风电场作为初始非中心点，记为s1,s2,
…
,s
n-k
。
[0090]
对于每一个初始非中心点对应的风电场，计算其与每个中心点距离指标，将所述初始非中心点加入距离指标最小的一类。其中，所述距离指标的具体表达式为所述距离指标ec越小表示聚类结果越好，表示第类中的初始非中心点对应的风电场si与中心点对应的风电场oi的距离指标的大小。
[0091]
调整聚类中心点，得到最终聚类结果，并根据所述聚类结果计算得到等值风电场。对于聚类中的初始中心点oi与初始非中心点si，交换它们的位置，即令si成为类的新的中心点，通过计算得到新的总体聚类评价指标，得到新的总体聚类评价指标与原总体聚类评价指标的差δec，称δec为风电场对(si,oi)的交换代价。计算每个聚类中所有风电场对的交换代价，若所有的交换代价均不小于0则聚类流程结束，此时的聚类的结果即为最终聚类结果，否则重复调整聚类的中心点。
[0092]
对于最终得到的k个聚类每一个聚类都可等值为一个等值风电场处理，所述等值风电场记为w
′1,w
′2,
…
,w
′k，等值风电场的发电功率为该聚类包含的风电场发电功率之和，等值风电场的额定功率为该聚类包含的风电场额定功率之和。
[0093]
边缘密度函数建立模块202，用于根据各个所述等值风电场，利用非参数正交级数方法，建立各个等值风电场的边缘密度函数。
[0094]
具体地，所述边缘密度函数建立模块202内部地具体运算为：
[0095]
将等值风电场w
′k在设定时段的发电功率进行归一化处理，记为p
′k＝{p
′
k,1
,p
′
k,2
,
…
,p
′
k,t
}，其中，k＝1、2、
…
、k，t为设定时段。所述等值风电场的发电功率归一化处理为获取等值风电场的实际发电功率与等值风电场额定功率的比值。利用非参数正交级数方法得到的所述等值风电场的边缘密度函数具体表达式为：
[0096][0097]
其中，w
′k为第k个等值风电场，p
′k为第k个等值风电场的发电功率，φj(p
′k)为第k个等值风电场的fourier基，βj为fourier基的系数，j为取舍点。
[0098]
上述参数的具体表达式为：
[0099][0100]
[0101]
t
′
为大于的最小整数，令j＝j0时满足δ(j0)最小。
[0102]
由此，可得到设定区域内所有等值风电场的边缘密度函数，并根据所述边缘密度函数继续计算得到风电场发电功率联合概率分布模型。
[0103]
风电功率联合概率模型建立模块203，用于根据每一个所述等值风电场的边缘密度函数，利用pair-copula函数方法，建立设定区域的风电功率联合概率模型。
[0104]
具体地，所述风电功率联合概率模型建立模块203内部具体地运算为：
[0105]
所述发电功率联合概率模型的表达式为：
[0106][0107]w′k为第k个等值风电场，p
′k为第k个等值风电场的功率，c
j,j i|j 1,
…
,j i-1
为拟合求得的第i-1层第j个二元copula函数，p
′j为第j个等值风电场的发电功率，为等值风电场的边缘密度函数。
[0108]
上述参数的具体表达式为：
[0109]
其中uk(p
′k)为第k个等值风电场风电功率的分布函数，k＝1、2、
…
、k；另外，uk(p
′k)还可以根据样本近似得到，具体表达式为i(p
′
k,i
≤p
′k)为示性函数，当满足条件p
′
k,i
≤p
′k时，i＝1，否则i＝0。
[0110]
其中j＝1、2、
…
、k-1；
[0111]
，其中j＝1、2、
…
、k-i，i＝3、4、
…
、k-1。
[0112]
所述copula函数方法具体为d藤结构pair-copula函数方法。从第一层开始，逐层确定多维变量之间的最优的pair-copula函数类型及参数。
[0113]
计算经验copula函数cn(u,v)，具体表达式为，(u,v)，具体表达式为，其中为示性函数。当满足条件h(xi)≤u或g(yi)≤v时，i＝1，否则i＝0；(xi,yi)为取自构造copula函数的变量(x,y)的样本，u,v∈[0,
1]，h(xi)为xi的分布函数，g(yi)为yi的分布函数，n为样本数。选择常用的椭圆copula和阿基米德copula两类copula函数，包括正态-copula、t-copula和gumbel copula，clayton copula，frank copula。选取待拟合的各copula函数中与经验copula函数之间欧氏距离最小的一个为最优的pair-copula函数。其中，拟合得到的copula函数c
p
(u,v)与经验copula函数cn(u,v)之间的欧式距离具体表示为，(u,v)之间的欧式距离具体表示为，
[0114]
按照上述方法可拟合得到每一层的二元copula函数，进而得到区域间考虑相关性的发电功率联合概率模型f(p
′1,p
′2,
…
,p
′k)。
[0115]
另外，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述区域风电功率建模方法实施例中的方法步骤。
[0116]
所述计算机可读存储介质可以是诸如闪存、eeprom(电可擦除可编只读程存储器)、eprom(可擦除可编只读程存储器)、硬盘或者rom之类的电子存储器。可选的，计算机可读存储介质包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质具有执行上述方法中的任何方法步骤的程序代码的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入这一个或者多个计算机程序产品中，所述程序代码可以以适当形式进行压缩。
[0117]
进一步，本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时执行区域风电功率建模方法实施例中的方法步骤。
[0118]
所述计算机设备包括存储器、处理器以及一个或多个计算机程序，其中一个或多个计算机程序可以被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个应用程序配置用于执行上述风电功率建模方法。
[0119]
处理器可以包括一个或多个处理核。处理器利用各种接口和线路连接整个计算机设备内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行计算机设备的各种功能和处理数据。可选地，处理器可以采用数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field-programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器可集成中央处理器(central processing unit，cpu)、埋点数据的上报验证器(graphics processing unit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器中，单独通过一块通信芯片进行实现。
[0120]
存储器可以包括随机存储器(random access memory，ram)，也可以包括只读存储器(read-only memory)。存储器可用于存储指令、程序、代码、代码集或指令集。存储器可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等。存储数据区还可以存储终端设备在使用中所创建的数据等。
[0121]
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。