CN120146301A

CN120146301A - 一种风电功率预测方法及相关装置

Info

Publication number: CN120146301A
Application number: CN202510290249.9A
Authority: CN
Inventors: 阎秋静; 高磊; 石磊
Original assignee: Hefei Ustc Iflytek Co ltd
Current assignee: Hefei Ustc Iflytek Co ltd
Priority date: 2025-03-12
Filing date: 2025-03-12
Publication date: 2025-06-13

Abstract

本申请公开了一种风电功率预测方法及相关装置，涉及数据预测技术领域，风电功率预测方法包括：获取历史风电功率数据；对历史风电功率数据进行经验模态分解，得到若干目标分量，若干目标分量包括若干固有模态函数IMF分量和一个残差分量；获取若干目标分量分别对应的目标分量特征；利用预先训练得到的基于相关向量机的功率预测模型，以若干目标分量分别对应的目标分量特征为依据，获取若干目标分量在预测时间分别对应的预测值；将若干目标分量在同一时刻分别对应的预测值相加，得到预测时间的风电功率数据预测值。本申请公开的风电功率预测方法具有较高的预测精度和计算效率，同时还具有较高的稳定性和泛化能力。

Description

一种风电功率预测方法及相关装置

技术领域

本申请涉及数据预测技术领域，尤其涉及一种风电功率预测方法及相关装置。

背景技术

随着全球对可再生能源需求的不断增长，风力发电作为一种清洁能源，得到了广泛应用。然而，风电场的发电功率即风电功率具有显著的波动性和不确定性，这给电力系统的调度和稳定运行带来了巨大挑战。因此，准确预测未来时间的风电功率成为保障电网安全运行和优化资源配置的重要研究方向，如何准确预测未来时间的风电功率是目前亟需解决的问题。

发明内容

有鉴于此，本申请提供了一种风电功率预测方法及相关装置，用以准确预测未来时间的风电功率，其技术方案如下：

本申请第一方面提供一种风电功率预测方法，包括：

获取历史风电功率数据；

对所述历史风电功率数据进行经验模态分解，得到若干目标分量，所述若干目标分量包括若干固有模态函数IMF分量和一个残差分量；

获取所述若干目标分量分别对应的目标分量特征；

利用预先训练得到的功率预测模型，以所述若干目标分量分别对应的目标分量特征为依据，获取所述若干目标分量在预测时间分别对应的预测值，其中，所述功率预测模型以对历史风电功率数据样本进行经验模态分解得到的若干分量分别对应的分量特征为训练样本，以预测时间的真实风电功率数据为样本标签，对相关向量机进行训练得到；

将所述若干目标分量在同一时刻分别对应的预测值相加，得到预测时间的风电功率数据预测值。

在一种可能的实现方式中，所述利用预先训练得到的功率预测模型，以所述若干目标分量分别对应的目标分量特征为依据，获取所述若干目标分量在预测时间分别对应的预测值，包括：

将所述若干目标分量分别对应的目标分量特征组合，得到组合后特征；

将所述组合后特征输入预先训练得到的功率预测模型，得到所述功率预测模型输出的每个目标分量对应的预测值在预测时间的概率分布；

对每个目标分量对应的预测值在预测时间的概率分布计算期望值，得到每个目标分量在预测时间对应的预测值。

在一种可能的实现方式中，所述对所述历史风电功率数据进行经验模态分解，得到若干目标分量，包括：

对所述历史风电功率数据进行预处理，其中，所述预处理包括如下几种处理中的一种或多种：去噪、缺失值填补、异常值删除或修正；

对预处理后的历史风电功率数据进行经验模态分解，得到若干目标分量。

在一种可能的实现方式中，所述对预处理后的历史风电功率数据进行经验模态分解，得到若干目标分量，包括：

根据预处理后的历史风电功率数据，确定延拓长度N，N为大于0的整数；

将所述预处理后的历史风电功率数据的前N个数据点镜像复制到所述预处理后的历史风电功率数据的左端，并将所述预处理后的历史风电功率数据的后N个数据点镜像复制到所述预处理后的历史风电功率数据的右端，得到延拓后的历史风电功率数据；

对所述延拓后的历史风电功率数据进行经验模态分解，得到若干分量；

从所述若干分量中截取出对应于所述预处理后的历史风电功率数据的分量，得到若干目标分量。

在一种可能的实现方式中，对一历史风电功率数据进行经验模态分解，包括：

对该历史风电功率数据多次添加不同幅度的白噪声，得到多个噪声辅助数据；

对所述多个噪声辅助数据分别进行经验模态分解，得到所述多个噪声辅助数据分别对应的分量集合，其中，任一噪声辅助数据对应的分量集合包括若干个IMF分量和一个残差分量；

对所述多个噪声辅助数据分别对应的分量集合中的相应分量进行平均，得到最终的分解结果。

在一种可能的实现方式中，获取若干IMF分量分别对应的分量特征，包括：

针对每个IMF分量：

对该IMF分量提取如下几种特征中的一种或多种特征：统计特征、时域特征、频域特征、时间-频率特征，得到该IMF分量对应的初始分量特征；

从该IMF分量对应的初始分量特征中选择对风电功率预测有用的特征，得到该IMF分量对应的目标分量特征。

在一种可能的实现方式中，所述统计特征包括如下特征中的部分或全部：均值、方差、偏度、峰度；

所述时域特征包括如下特征中的部分或全部：自相关函数、零交叉率、波峰和波谷特征；

所述频域特征包括如下特征中的部分或全部：功率谱密度、主频率、频谱质心；

所述时间-频率特征包括如下特征中的部分或全部：表征IMF分量在不同时间段的频率特性的特征、表征IMF在不同尺度和位置的时频特性的特征。

在一种可能的实现方式中，所述从该IMF分量对应的初始分量特征中选择对风电功率预测有用的特征，包括：

采用如下几种特征选择方法中的一种或多种，从该IMF分量对应的初始分量特征中选择对风电功率预测有用的特征：基于主成分分析的特征选择方法、基于最小绝对收缩和选择算子的特征选择方法、基于逐步回归的特征选择方法、基于随机森林的特征选择方法。

本申请第二方面提供一种风电功率预测装置，包括：数据获取模块、数据分解模块、特征获取模块、功率预测模块和功率预测值确定模块；

所述数据获取模块，用于获取历史风电功率数据；

所述数据分解模块，用于对所述历史风电功率数据进行经验模态分解，得到若干目标分量，所述若干目标分量包括若干固有模态函数IMF分量和一个残差分量；

所述特征获取模块，用于获取所述若干目标分量分别对应的目标分量特征；

所述功率预测模块，用于利用预先训练得到的功率预测模型，以所述若干目标分量分别对应的目标分量特征为依据，获取所述若干目标分量在预测时间分别对应的预测值，其中，所述功率预测模型以对历史风电功率数据样本进行经验模态分解得到的若干分量分别对应的分量特征为训练样本，以预测时间的真实风电功率数据为样本标签，对相关向量机进行训练得到；

所述功率预测值确定模块，用于将所述若干目标分量在同一时刻分别对应的预测值相加，得到预测时间的风电功率数据预测值。

本申请第三方面提供一种电子设备，包括至少一个处理器和与所述处理器连接的存储器，其中：

所述存储器用于存储计算机程序；

所述处理器用于执行所述计算机程序，以使所述电子设备能够实现上述任意一种所述的风电功率预测方法的步骤。

本申请第四方面提供一种计算机存储介质，所述存储介质承载有一个或多个计算机程序，当所述一个或多个计算机程序被电子设备执行时，能够使所述电子设备实现上述任意一种所述的风电功率预测方法的步骤。

本申请第五方面提供一种计算机程序产品，包括计算机可读指令，当所述计算机可读指令在电子设备上运行时，使得所述电子设备实现上述任意一种所述的风电功率预测方法的步骤。

借由上述技术方案，本申请提供的风电功率预测方法，在获得历史风电功率数据后，首先对历史风电功率数据进行经验模态分解，得到若干目标分量（即若干IMF分量和一个残差分量），接着获取若干目标分量分别对应的目标分量特征，然后利用预先训练得到的基于相关向量机的功率预测模型，以若干目标分量分别对应的目标分量特征为依据，获取若干目标分量在预测时间分别对应的预测值，最后将若干目标分量在同一时刻分别对应的预测值相加，得到预测时间的风电功率数据预测值。考虑到历史风电功率功率数据具有显著的非线性和非平稳特性，本申请提供的风电功率预测方法，利用经验模态分解的自适应分解能力，将复杂的历史风电功率数据分解为若干平稳的IMF分量和残差分量，这些分量分别对应不同时间尺度的波动，显著降低了原始的历史风电功率数据的非平稳性和复杂度，有助于后续的功率预测，同时，本申请提供的风电功率预测方法采用相关向量机进行预测建模，相关向量机是一种基于贝叶斯理论的稀疏概率模型，其能够自动确定相关向量，实现稀疏性，从而，在保证高预测精度的同时，能够减少模型的复杂度，提高计算效率。综上，本申请提供的风电功率预测方法具有较高的预测精度和计算效率，同时还具有较高的稳定性和泛化能力。

附图说明

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，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请涉及的一种系统架构的示意图；

图2为本申请实施例提供的终端的一种硬件结构示意图；

图3为本申请实施例提供的服务器的一种硬件结构示意图；

图4为本申请实施例提供的风电功率预测方法的流程示意图；

图5为本申请实施例提供的利用预先训练得到的功率预测模型，以若干目标分量分别对应的分量特征为依据，获取若干目标分量在预测时间分别对应的预测值的流程示意图；

图6为本申请实施例提供的风电功率预测装置的结构示意图。

具体实施方式

下面结合本申请实施例中的附图对本申请实施例进行描述。本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。

下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。

在一种可能的实现方式中，如图1所示，本申请涉及的系统架构可以包括终端101和服务器102，终端101可通过网络（有线网络或无线网络）与服务器102交互。其中，服务器102可以包括一个或者多个服务器(图1中以包括一个服务器作为示例进行说明)。终端可获取历史风电功率数据，将历史风电功率数据通过网络传输至服务器，服务器根据历史风电功率数据预测未来时间的风电功率。

在另一种可能的实现方式中，本申请涉及的系统架构可以包括终端。终端具有较强的数据处理能力，终端可获取历史风电功率数据，进而根据历史风电功率数据预测未来时间的风电功率。

接下来描述上述终端的产品形态。

上述的终端可以为手机、平板电脑、可穿戴设备、车载设备、机器人、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personaldigital assistant，PDA)等，本申请实施例对此不作任何限制。

图2示出了终端的一种可选的硬件结构示意图。

参考图2所示，终端可以包括射频单元210、存储器220、输入单元230、显示单元240、摄像头250(可选的)、音频电路260(可选的)、扬声器261(可选的)、麦克风262(可选的)、耳机插孔263（可选的）、处理器270、外部接口280、电源290等部件。本领域技术人员可以理解，图2仅仅是终端的举例，并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

输入单元230可用于接收输入的数字或字符信息，以及产生与该终端的用户设置以及功能控制有关的键信号输入。具体地，输入单元230可包括触摸屏231(可选的)和/或其他输入设备232。触摸屏231可收集用户在其上或附近的触摸操作(比如用户使用手指、关节、触笔等任何适合的物体在触摸屏上或在触摸屏附近的操作)，并根据预先设定的程序驱动相应的连接装置。触摸屏可以检测用户对触摸屏的触摸动作，将该触摸动作转换为触摸信号发送给该处理器270，并能接收该处理器270发来的命令并加以执行；该触摸信号至少包括触点坐标信息。触摸屏231可以提供该终端和用户之间的输入界面和输出界面。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触摸屏。除了触摸屏231，输入单元230还可以包括其他输入设备。具体地，其他输入设备232可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元240可用于显示由用户输入的信息或提供给用户的信息、终端的各种菜单、交互界面、文件显示和/或任意一种多媒体文件的播放。

存储器220可用于存储指令和数据，存储器220可主要包括存储指令区和存储数据区，存储数据区可存储各种数据，如多媒体文件、文本等；存储指令区可存储操作系统、应用、至少一个功能所需的指令等软件单元，或者他们的子集、扩展集。还可以包括非易失性随机存储器；向处理器270提供包括管理计算处理设备中的硬件、软件以及数据资源，支持控制软件和应用。还用于多媒体文件的存储，以及运行程序和应用的存储。

处理器270是终端的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器220内的指令以及调用存储在存储器220内的数据，执行终端的各种功能和处理数据，从而对终端进行整体控制。可选的，处理器270可包括一个或多个处理单元；优选的，处理器270可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器270中。在一些实施例中，处理器、存储器、可以在单一芯片上实现，在一些实施例中，他们也可以在独立的芯片上分别实现。处理器270还可以用于产生相应的操作控制信号，发给计算处理设备相应的部件，读取以及处理软件中的数据，尤其是读取和处理存储器220中的数据和程序，以使其中的各个功能模块执行相应的功能，从而控制相应的部件按指令的要求进行动作。

其中，存储器220可以用于存储风电功率预测方法相关的软件代码，处理器270可以执行存储器220中的软件代码，也可以调度其他单元(例如上述输入单元230以及显示单元240)以实现相应的功能。

射频单元210(可选的)可用于收发信息或通话过程中信号的接收和发送，例如，将基站的下行信息接收后，给处理器270处理；另外，将设计上行的数据发送给基站。通常，射频单元210包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(LowNoise Amplifier，LNA)、双工器等。此外，射频单元210还可以通过无线通信与网络设备和其他设备通信。该无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，GSM)、通用分组无线服务(General PacketRadio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。

其中，在本申请实施例中，射频单元210可以将数据发送至其他设备，也可接收其他设备发送来的数据。应理解，该射频单元210为可选的，其可以被替换为其他通信接口，例如可以是网口。

终端还包括给各个部件供电的电源290(比如电池)，优选的，电源可以通过电源管理系统与处理器270逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

终端还包括外部接口280，该外部接口可以是标准的Micro USB接口，也可以使多针连接器，可以用于连接终端与其他装置进行通信，也可以用于连接充电器为终端充电。

尽管未示出，终端还可以包括闪光灯、无线保真(wireless fidelity，WiFi)模块、蓝牙模块、不同功能的传感器等，在此不再赘述。

接下来描述上述服务器的产品形态。

图3提供了上述服务器的一种结构示意图，如图3所示，服务器可以包括总线301、处理器302、通信接口303和存储器304。处理器302、存储器304和通信接口303之间通过总线301通信。

总线301可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3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。

处理器302可以为中央处理器(central processing unit，CPU)、图形处理器(graphics processing unit，GPU)、微处理器(micro processor，MP)或者数字信号处理器(digital signal processor，DSP)等处理器中的任意一种或多种。

存储器304可以包括易失性存储器(volatile memory)，例如随机存取存储器(random access memory，RAM)。存储器304还可以包括非易失性存储器(non-volatilememory)，例如只读存储器(read-only memory，ROM)，快闪存储器，机械硬盘(hard diskdrive，HDD)或固态硬盘(solid state drive，SSD)。

存储器304可以用于存储风电功率预测方法相关的软件代码，处理器302可以调用存储器304存储的软件代码，也可以调度其他单元以实现相应的功能。

上述终端和服务器中的处理器(例如处理器270以及处理器302)可以为硬件电路(如专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)、通用处理器、数字信号处理器(digitalsignal processing，DSP)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，处理器可以为具有执行指令功能的硬件系统，如CPU、DSP等，或者为不具有执行指令功能的硬件系统，如ASIC、FPGA等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。

本案发明人在实现本案的过程中发现，目前存在一些风电功率预测方案，比如，基于ARIMA（自回归积分滑动平均模型）的预测方案，基于SVM的预测方案、基于ARIMA与神经网络混合模型的预测方案等。其中，基于ARIMA的预测方案中，ARIMA通过自回归、差分和移动平均来捕捉时间序列数据的趋势和季节性，尽管ARIMA在处理线性和平稳数据上表现良好，但其在面对非线性和非平稳的风电功率数据时效果有限，基于SVM的预测方案中，SVM通过构建最优超平面来分类和回归数据，尽管SVM在小样本和高维数据处理上有优势，但其计算复杂度较高，基于ARIMA与神经网络混合模型的预测方案结合了ARIMA的线性处理能力和神经网络的非线性处理能力，通过分阶段处理数据提高预测精度，然而，混合模型的设计和优化较为复杂。

鉴于现有的风电功率预测方案存在诸多问题，本案发明人进行了研究，通过不断研究，最终提出了一种效果较好的风电功率预测方法，接下来通过下述实施例对本申请提供的风电功率预测方法进行介绍。

请参阅图4，示出了本申请实施例提供的风电功率预测方法的流程示意图，该风电功率预测方法可以包括：

步骤S401：获取历史风电功率数据。

其中，历史风电功率数据为功率时间序列，其包括若干历史时刻的功率值，比如，"2024-01-01 01:00"的功率值、"2024-01-01 02:00"的功率值、"2024-01-01 03:00"的功率值等等。

步骤S402：对历史风电功率数据进行经验模态分解，得到若干目标分量。

对历史风电功率数据进行经验模态分解得到的若干目标分量包括若干固有模态函数IMF分量和一个残差分量。

历史风电功率功率数据具有显著的非线性和非平稳特性，考虑到经验模态分解具有自适应分解能力，本实施例利用经验模态分解的自适应分解能力，将复杂的历史风电功率数据分解为若干平稳的IMF分量和残差分量，这些分量分别对应不同时间尺度的波动，显著降低了原始的历史风电功率数据的非平稳性和复杂度，有助于后续的功率预测。

需要说明的是，经验模态分解不需要事先预定或强制给定基函数，而是根据待分解数据本身的特征自适应地进行分解，即，经验模态分解能够自动适应历史风电功率数据的非线性和非平稳特性。本实施例通过将历史风电功率数据分解为IMF分量，能够捕捉到历史风电功率数据在不同时间尺度上的波动特征，从而能够提升风电功率预测的准确性和稳定性。

步骤S403：获取若干目标分量分别对应的目标分量特征。

本实施例在获得若干目标分量（若干IMF分量和一个残差分量）后，并非直接根据若干目标分量进行风电功率预测，而是先获取若干目标分量分别对应的目标分量特征，进而根据若干目标分量分别对应的目标分量特征进行风电功率预测，如此能够提升风电功率的预测效果。

步骤S404：利用预先训练得到的功率预测模型，以若干目标分量分别对应的目标分量特征为依据，获取若干目标分量在预测时间分别对应的预测值。

其中，预测时间可以为未来的一个时刻（即未来的一个时间点），也可以为未来的一个时间段。

本实施例中的功率预测模型以对历史风电功率数据样本进行经验模态分解得到的若干分量分别对应的分量特征为训练样本，以预测时间的真实风电功率为样本标签，对相关向量机进行训练得到。在对相关向量机进行训练时，以使根据训练样本（对历史风电功率数据样本进行经验模态分解得到的若干分量分别对应的分量特征）预测的风电功率数据与样本标签（预测时间的真实风电功率数据）趋于一致为训练目标。

相关向量机（Relevance Vector Machine, RVM）是一种基于贝叶斯理论的稀疏概率模型，其在结构上类似于支持向量机（Support Vector Machine, SVM），但在预测建模过程中，相关向量机通过引入贝叶斯框架，能自动确定相关向量，从而实现稀疏性，采用相关向量机进行预测建模，能够在保证高预测精度的同时，减少模型的复杂度，提高计算效率。另外，相关向量机的贝叶斯特性使其在小样本场景下仍能保持较好的泛化能力，尤其适合历史风电功率数据样本不足的情况。

步骤S405：将若干目标分量在同一时刻分别对应的预测值相加，得到预测时间的风电功率数据预测值。

示例性的，对历史风电功率数据进行经验模态分解得到4个IMF分量（IMF分量1、IMF分量2、IMF分量3、IMF分量4）和1个残差分量，4个IMF分量在某一时刻分别对应的预测值为100、50、30、20，残差分量在该时刻对应的预测值为10，则该时刻的风电功率数据预测值为100+50+30+20+10=210，若预测时间为未来的一个时间段，则按上述方式获得该时间段的各时刻的风电功率预测值，由该时间段的各时刻的风电功率预测值组成风电功率预测序列。

本申请实施例提供的风电功率预测方法，在获得历史风电功率数据后，首先对历史风电功率数据进行经验模态分解，得到若干目标分量（即若干IMF分量和一个残差分量），接着获取若干目标分量分别对应的目标分量特征，然后利用预先训练得到的基于相关向量机的功率预测模型，以若干目标分量分别对应的目标分量特征为依据，获取若干目标分量在预测时间分别对应的预测值，最后将若干目标分量在同一时刻分别对应的预测值相加，得到预测时间的风电功率数据预测值。本申请提供的风电功率预测方法，利用经验模态分解的自适应分解能力，将复杂的历史风电功率数据分解为若干平稳的IMF分量和残差分量，显著降低了原始的历史风电功率数据的非平稳性和复杂度，有助于后续的预测，同时，本申请实施例提供的风电功率预测方法采用相关向量机进行预测建模，相关向量机能够自动确定相关向量，实现稀疏性，从而，在保证高预测精度的同时，能够减少模型的复杂度，提高计算效率。本申请实施例提供的风电功率预测方法，具有较高的预测精度和计算效率，还具有较高的稳定性和泛化能力，该风电功率预测方法为风电场的运行调度和电力系统的稳定提供了可靠的技术支持，有助于进一步推动风力发电在能源结构中的应用和发展。

在本申请的另一实施例中，对上述实施例中的“步骤S401：对历史风电功率数据进行经验模态分解，得到若干目标分量”的实现过程进行介绍。

在一种可能的实现方式中，可直接对历史风电功率数据进行经验模态分解，以得到若干IMF分量和一个残差分量。

为了提升经验模态分解效果，进而提升后续的风电功率预测效果，本实施例提供了对历史风电功率数据进行经验模态分解，得到若干目标分量的另一种实现方式：步骤a1、对历史风电功率数据进行预处理，得到预处理后的历史风电功率数据。

本实施例中，对历史风电功率数据进行的预处理可以包括如下几种处理中的一种或多种：去噪、缺失值填补、异常值删除或修正。

历史风电功率数据可能存在噪声，噪声主要来源于传感器误差和环境干扰。为了后续能够获得较好的预测效果，可对历史风电功率数据进行去噪处理。可选的，可采用基于小波变换的去噪方式对历史风电功率数据进行去噪，小波变换可以通过选择合适的小波基函数和分解层数，有效去除高频噪声，保留数据的主要特征。本实施例并不限定采用基于小波变换的去噪方式对历史风电功率数据进行去噪，还可以采用其他去噪方式，比如，基于滑动平均的去噪方式、基于卡尔曼滤波的去噪方式等等。

历史风电功率数据可能存在缺失值（比如某个时刻的功率值缺失），缺失值可能由设备故障或数据传输问题引起。为了确保经验模态分解的稳定性，可对历史风电功率数据的缺失值进行填补。填补方式可以但不限定采用均值填补法、插值法、多重插补法等，其中，插值法是根据相邻数据点推测缺失值，插值法具体可以为线性插值法、样条插值法等，多重插补法的核心思想是通过估算生成多个包含不同插补值的完整数据集，然后分别进行分析，最后汇总结果。

历史风电功率数据可能存在异常值，异常值是指偏离正常范围的极端值，其可能由传感器故障或外界干扰引起。对于历史风电功率数据，可采用基于统计学的方法（如Z分数、箱线图法）、基于机器学习的方法（如孤立森林、支持向量机）等进行异常值检测，检测到异常值后，可将异常值删除，或者采用预设的修正方法对异常值进行修正。

步骤a2、对预处理后的历史风电功率数据进行经验模态分解，得到若干目标分量。

在对历史风电功率数据进行预处理后，可对预处理后的历史风电功率数据进行经验模态分解，以得到若干目标分量（若干IMF分量和一个残差分量）。

在一种可能的实现方式中，可直接对预处理后的历史风电功率数据进行经验模态分解。考虑到预处理后的历史风电功率数据在端点处缺乏足够的信息，而端点处缺乏足够的信息会导致分解结果在边界附近往往不准确，有鉴于此，本实施例提供了另一种实现方式：

步骤a21、根据预处理后的历史风电功率数据，确定延拓长度N。

在一种可能的实现方式中，可根据预处理后的历史风电功率数据的长度确定延拓长度N，比如，确定延拓长度N为预处理后的历史风电功率数据的长度的10%-20%。为了避免过度延拓或延拓不足，在另一种可能的实现方式中，可根据预处理后的历史风电功率数据的局部特征自适应地选择延拓长度。步骤a22、将预处理后的历史风电功率数据的前N个数据点镜像复制到预处理后的历史风电功率数据的左端，将预处理后的历史风电功率数据的后N个数据点镜像复制到预处理后的历史风电功率数据的右端，得到延拓后的历史风电功率数据。

示例性的，预处理后的历史风电功率数据为x=[x1, x2, x3, x4, x5 x6, x7,x8]，延拓长度为2，则复制x的前两个数据点的镜像[x2, x1]到x左端，复制x的后两个数据点的镜像[x8, x7]到x右端，得到延拓后的历史风电功率数据x′ =[x2, x1, x1, x2, x3,x4, x5 x6, x7, x8, x8, x7]。

步骤a23、对延拓后的历史风电功率数据进行经验模态分解，得到若干分量。

步骤a24、从若干分量中截取出对应于预处理后的历史风电功率数据的分量，得到若干目标分量。

上述方式通过镜像对称的方式复制数据，对预处理后的历史风电功率数据进行延拓，能够减少边界效应，提升经验模态分解效果。

接下来，介绍对一历史风电功率数据（比如上述的预处理后的历史风电功率数据或者延拓后的历史风电功率数据）进行经验模态分解的过程。

在一种可能的实现方式中，对一历史风电功率数据x(t)进行经验模态分解的过程可以包括：

步骤b1、初始化残差分量为该历史风电功率数据x(t)。

将残差分量表示为r(t)，初始化r(t)= x(t)。

步骤b2、识别残差分量的局部极大值和局部极小值。

识别残差分量r(t)的所有局部极大值和所有局部极小值。

步骤b3、根据局部极大值和局部极小值构建上包络线和下包络线。

采用插值法（比如三次样条插值），根据所有的局部极大值，构建上包络线，并采用插值法（比如三次样条插值），根据所有的局部极小值，构建下包络线。

步骤b4、计算上包络线与下包络线的均值，得到包络均值。

步骤b5、用残差分量减去包络均值，得到的结果作为候选IMF分量。

若将包络均值表示为用m(t)，则用残差分量r(t)减去m(t)，结果用h(t)表示，即h(t)= r(t)-m(t)，则将h(t)作为候选IMF分量。

步骤b6、判别候选IMF分量是否满足IMF条件，若候选IMF分量满足IMF条件，则执行步骤b7-a，若候选IMF分量不满足IMF条件，则执行步骤b7-b。

其中，IMF条件为：极值点数量与过零点数量相等或最多相差1，上下包络线均值为零。

即，若候选IMF分量h(t)的极值点数量与过零点数量相等或最多相差1，且上下包络线均值为零，则判定候选IMF分量满足IMF条件，候选IMF分量即为IMF分量。

在筛选IMF分量时，通常会设置筛选停止准则，在一种可能的实现方式中，筛选停止准则可以为，达到设定的最大筛选次数后停止筛选，考虑到上述的筛选停止准则无法适应不同数据的复杂性，在另一种可能的实现方式中，筛选停止准则可以为基于熵或能量比的自适应筛选停止准则，基于熵（本次筛选结果的熵）或能量比（本次筛选结果与原始数据的能量比）的自适应筛选停止准则的引入，使分解过程能够根据数据的内在波动自动调整，以确保每个IMF分量的物理可解释性。

步骤b7-a、用残差分量减去IMF分量，得到的结果作为新的残差分量。

若候选IMF分量h(t)满足IMF条件，则将残差分量更新为r(t)-h(t)。

步骤b7-b、将候选IMF分量作为新的残差分量。

若候选IMF分量h(t)不满足IMF条件，则将残差分量更新为h(t)。

步骤b8、判别当前是否满足分解终止条件，若当前不满足分解终止条件，则执行步骤b2及后续步骤，直至满足分解终止条件，若当前满足分解终止条件，则结束分解过程。

其中，分解终止条件为残差分量为单调函数，或者，残差分量的极值点的数量小于预设数量阈值。

通过经验模态分解，历史风电功率数据x(t)被分解为若干个具有不同时间尺度特征的IMF分量和一个残差分量，分解得到的每个IMF分量代表了x(t)在特定时间尺度上的波动特征，残差分量是经验模态分解的最终剩余部分，其代表了x(t)的长期趋势信息。

为了提升分解效果，本实施例提供了对一历史风电功率数据x(t)进行经验模态分解的另一种实现方式：对历史风电功率数据x(t)多次添加不同幅度的白噪声，得到多个噪声辅助数据；对每个噪声辅助数据进行经验模态分解（采用上述步骤b1~步骤b8的分解过程对每个噪声辅助数据进行经验模态分解），得到多个噪声辅助数据分别对应的分量集合（一噪声辅助数据对应的分量结合包括若干IMF分量和一个残差分量），对多个噪声辅助数据分别对应的分量集合中的相应分量进行平均，得到最终的若干分量（IMF分量和残差分量）。

上述方式通过引入白噪声辅助分解，能够减少模态混叠现象，从而提升分解的稳定性。由于白噪声的尺度特征在整个时频域上均匀分布，进行经验模态分解时，各种尺度特征中都会含有白噪声的成份，给历史风电功率数据x(t)添加白噪声后进行分解，x(t)含有的某种尺度特征会被分解到与白噪声相对应的尺度特征上去，虽然噪声的不确定性使得其在单次分解时，可能影响到分解结果，但根据白噪声的统计特性，如果添加不同的白噪声，对大量分解结果求均值，各尺度特征中的噪声成份会相互抵消，最后只剩下待分解信号。

在本申请的另一实施例中，对上述实施例中的“步骤S403：获取若干目标分量分别对应的目标分量特征”的具体实现过程进行介绍。

上述实施例提到，若干目标分量包括若干IMF分量和一个残差分量，本实施例重点对获取若干IMF分量分别对应的目标分量特征的具体实现过程进行介绍。

在一种可能的实现方式中，获取若干IMF分量分别对应的目标分量特征的过程可以包括：针对每个IMF分量，对该IMF分量提取统计特征、时域特征、频域特征、时间-频率特征中的部分或全部（优选全部），将提取的特征作为该IMF分量对应的分量特征。

考虑到按上述方式获取的特征较多，且按上述方式获取的特征并非对功率预测都有用，本实施例提供了获取若干IMF分量分别对应的目标分量特征的另一种实现方式：

步骤c1、针对每个IMF分量，对该IMF分量提取如下几种特征中的一种或多种特征（优选多种）：统计特征、时域特征、频域特征、时间-频率特征，得到该IMF分量对应的初始分量特征。

统计特征可以包括如下特征中的部分或全部（优选全部）：均值、方差、偏度、峰度。其中，均值能够反映IMF分量的中心趋势，方差能够反映IMF分量的波动性，偏度能够反映IMF分量的数据分布的对称性，峰度能够反映IMF的数据分布的尖峰程度。

时域特征可以包括如下特征中的部分或全部（优选全部）：自相关函数、零交叉率、波峰和波谷特征。其中，自相关函数能够反映IMF分量在不同时间滞后下的相关性，零交叉率能够反映IMF分量穿过零点的频率，反映IMF分量的频率成分，波峰和波谷特征包括波峰和波谷的数量、位置和幅度等。

频域特征可以包括如下特征中的部分或全部（优选全部）：功率谱密度（PSD）、主频率、频谱质心。功率谱密度能够反映IMF分量在频域的能量分布，能够揭示IMF分量的频率特性，主频率为IMF分量的主要频率成分，频谱质心为IMF分量的频谱的重心位置，其能够反映IMF分量的频率分布的集中程度。

时间-频率特征可以包括如下特征中的部分或全部（优选全部）：表征IMF分量在不同时间段的频率特征的特征、表征IMF分量在不同尺度和位置的时频特性的特征。可通过对IMF分量进行短时傅里叶变换（STFT）来获得表征IMF分量在不同时间段的频率特征的特征，可通过对IMF分量进行小波变换（WT）来获得表征IMF分量在不同尺度和位置的时频特性的特征。

步骤c2、从该IMF分量对应的初始分量特征中选择对风电功率预测有用的特征，得到该IMF分量对应的目标分量特征。

具体的，从该IMF分量对应的初始分量特征中选择对风电功率预测有用的特征的过程可以包括：采用如下几种特征选择方法中的一种或多种，从提取的特征中选择对功率预测有用的特征：基于主成分分析的特征选择方法、基于最小绝对收缩和选择算子的特征选择方法、基于逐步回归的特征选择方法、基于随机森林的特征选择方法。

优选的，可同时采用基于主成分分析的特征选择方法、基于最小绝对收缩和选择算子的特征选择方法、基于逐步回归的特征选择方法、基于随机森林的特征选择方法分别从提取的特征中选择对功率预测有用的特征，进而，将采用上述几种特征选择方法选择的特征进行合并和去重处理。

主成分分析（PCA）是一种降维技术，通过将高维数据投影到低维空间中，提取出主要的特征成分，PCA能够最大化数据的方差，保留原始数据的主要信息，减少冗余特征。最小绝对收缩和选择算子（LASSO）通过引入L1正则化，选择特征时倾向于产生稀疏解，即，使部分回归系数为零，从而实现特征选择。逐步回归通过逐步增加或移除特征，选择对功率预测影响最大的特征。随机森林通过构建多个决策树，并基于特征在树中的分裂情况，计算特征的重要性分数，从而进行特征选择。

在采用每种特征选择方法选择特征的过程中，会为每个特征赋予一个贡献值（或重要性评分），以量化其对预测的影响，进而以这些贡献值（或重要性评分）作为特征选择的依据完成特征选择。通过特征选择，可获得高信息量、高相关性、强泛化能力、低冗余性的特征。可见，通过特征选择，能够为功率预测模型提供高质量的输入数据，从而能够提高功率预测的准确性、稳定性和泛化能力。

在本申请的另一实施例中，对上述实施例中的“步骤S404：利用预先训练得到的功率预测模型，以若干目标分量分别对应的目标分量特征为依据，获取若干目标分量在预测时间分别对应的预测值”的具体实现过程进行介绍。

如图5所示，利用预先训练得到的功率预测模型，以若干目标分量分别对应的目标分量特征为依据，获取若干目标分量在预测时间分别对应的预测值的过程可以包括：

步骤S501：将若干目标分量分别对应的目标分量特征组合，得到组合后特征。

示例性的，若干目标分量分别对应的分量特征总共20个，则将这20个分量特征组合在一起。

步骤S502：将组合后特征输入预先训练得到的功率预测模型，得到功率预测模型输出的每个目标分量对应的预测值在预测时间的概率分布。

将组合后特征输入预先训练得到的基于相关向量机的功率预测模型，功率预测模型根据输入的特征进行预测，输出每个目标分量对应的概率分布，任一目标分量对应的概率分布为该目标分量对应的预测值在预测时间的概率分布。

基于相关向量机的功率预测模型提供了预测结果的概率分布，可以量化预测的不确定性，为决策提供更丰富的信息。

步骤S503：对每个目标分量对应的预测值在预测时间的概率分布计算期望值，得到每个目标分量在预测时间对应的预测值。

风电功率的预测基于预先训练得到的功率预测模型实现，接下来对训练得到功率预测模型的过程进行介绍。

训练得到功率预测模型的过程可以包括：

步骤d1、获取多个历史风电功率数据样本以及多个历史风电功率数据样本在预测时间分别对应的真实风电功率。

步骤d2、针对每个历史风电功率数据样本，对其进行经验模态分解，得到若干分量（若干IMF分量和一个残差分量），并获取若干分量分别对应的分量特征，将获得的若干分量分别对应的分量特征作为特征样本，将该历史风电功率数据样本对应的真实风电功率数据作为特征样本对应的样本标签。

经由步骤d2可得到多条包括特征样本和对应的样本标签的样本数据。

步骤d3、将多条样本数据划分为两部分，一部分组成训练集，一部分组成测试集。

训练集用于训练模型，测试集用于对训练后的模型进行测试。

步骤d4、用训练集中的样本数据训练相关向量机。

具体的，首先初始化超参数，包括噪声方差和先验分布参数，然后用训练集中的样本数据对相关向量机进行训练，训练时，以使依据训练集中的样本特征预测的风电功率数据与对应的样本标签（即真实风电功率数据）趋于一致为目标。

训练过程中，相关向量机学习训练集中的特征样本与对应的样本标签之间的关系。另外，训练过程中，相关向量机会自动选择相关特征向量（即对预测最重要的特征向量），并剔除不重要的特征向量，从而实现稀疏性。

在训练完成后，可利用测试集对训练好的相关向量机进行测试。具体的，利用训练好的相关向量机，依据测试集中的特征样本预测风电功率数据，计算预测的风电功率数据与对应的真实风电功率数据的均方误差或者平均绝对误差，根据计算得到均方误差或者平均绝对误差评估训练好的相关向量机是否满足要求，若满足要求，则将训练好的相关向量机作为功率预测模型，若不满足要求，则继续进行训练，直至相关向量机满足要求。

以上介绍了本申请实施例提供的风电功率预测方法，以下将介绍上述的风电功率预测方法对应的装置。

请参阅图6，图6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，该风电功率预测装置可以包括：数据获取模块601、数据分解模块602、特征获取模块603、功率预测模块604和功率预测值确定模块605。

数据获取模块601，用于获取历史风电功率数据；

数据分解模块602，用于对历史风电功率数据进行经验模态分解，得到若干目标分量，若干目标分量包括若干固有模态函数IMF分量和一个残差分量。

特征获取模块603，用于获取若干目标分量分别对应的目标分量特征。

功率预测模块604，用于利用预先训练得到的功率预测模型，以若干目标分量分别对应的目标分量特征为依据，获取若干目标分量在预测时间分别对应的预测值。

其中，功率预测模型以对历史风电功率数据样本进行经验模态分解得到的若干分量分别对应的分量特征为训练样本，以预测时间的真实风电功率数据为样本标签，对相关向量机进行训练得到。

功率预测值确定模块605，用于将若干目标分量在同一时刻分别对应的预测值相加，得到预测时间的风电功率数据预测值。

在一种可能的实现方式中，功率预测模块604在利用预先训练得到的功率预测模型，以若干目标分量分别对应的目标分量特征为依据，获取若干目标分量在预测时间分别对应的预测值时，具体用于：

将若干目标分量分别对应的目标分量特征组合，得到组合后特征；

将组合后特征输入预先训练得到的功率预测模型，得到功率预测模型输出的每个目标分量对应的预测值在预测时间的概率分布；

在一种可能的实现方式中，数据分解模块602在对历史风电功率数据进行经验模态分解，得到若干目标分量时，具体用于：

对历史风电功率数据进行预处理，其中，预处理包括如下几种处理中的一种或多种：去噪、缺失值填补、异常值删除或修正；

在一种可能的实现方式中，数据分解模块602在对预处理后的历史风电功率数据进行经验模态分解，得到若干目标分量时，具体用于：

将预处理后的历史风电功率数据的前N个数据点镜像复制到预处理后的历史风电功率数据的左端，并将预处理后的历史风电功率数据的后N个数据点镜像复制到预处理后的历史风电功率数据的右端，得到延拓后的历史风电功率数据；

对延拓后的历史风电功率数据进行经验模态分解，得到若干分量；

从若干分量中截取出对应于预处理后的历史风电功率数据的分量，得到若干目标分量。

在一种可能的实现方式中，数据分解模块602在对一历史风电功率数据进行经验模态分解时，具体用于：

初始化残差分量为该历史风电功率数据；

识别残差分量的局部极大值和局部极小值；

根据局部极大值和局部极小值构建上包络线和下包络线，并计算上包络线与下包络线的均值，得到包络均值；

用残差分量减去包络均值，得到的结果作为候选IMF分量；

判别候选IMF分量是否满足IMF条件，其中，IMF条件为极值点数量与过零点数量相等或最多相差1，以及，上下包络线均值为零；

若候选IMF分量满足IMF条件，则用残差分量减去IMF分量，得到新的残差分量，若候选IMF分量为不为IMF分量，则将候选IMF分量作为新的残差分量；

判别当前是否满足分解终止条件，其中，分解终止条件为残差分量为单调函数，或者，残差分量的极值点的数量小于预设数量阈值；

若当前不满足分解终止条件，则执行识别残差分量的局部极大值和局部极小值及后续步骤，直至满足分解终止条件。

对多个噪声辅助数据分别进行经验模态分解，得到多个噪声辅助数据分别对应的分量集合，其中，任一噪声辅助数据对应的分量集合包括若干个IMF分量和一个残差分量；

对多个噪声辅助数据分别对应的分量集合中的相应分量进行平均，得到最终的分解结果。

在一种可能的实现方式中，特征获取模块603包括：特征提取模块和特征选择模块。

特征提取模块，用于针对每个IMF分量，对该IMF分量提取如下几种特征中的一种或多种特征：统计特征、时域特征、频域特征、时间-频率特征，得到该IMF分量对应的初始分量特征。

特征选择模块，用于从该IMF分量对应的初始分量特征中选择对风电功率预测有用的特征，得到该IMF分量对应的目标分量特征。

在一种可能的实现方式中，统计特征包括如下特征中的部分或全部：均值、方差、偏度、峰度；

时域特征包括如下特征中的部分或全部：自相关函数、零交叉率、波峰和波谷特征；

频域特征包括如下特征中的部分或全部：功率谱密度、主频率、频谱质心；

时间-频率特征包括如下特征中的部分或全部：表征IMF分量在不同时间段的频率特性的特征、表征IMF在不同尺度和位置的时频特性的特征。

在一种可能的实现方式中，特征选择模块在从该IMF分量对应的初始分量特征中选择对风电功率预测有用的特征时，具体用于：

本申请实施例提供的风电功率预测装置，利用经验模态分解的自适应分解能力，将复杂的历史风电功率数据分解为若干平稳的IMF分量和残差分量，显著降低了原始的历史风电功率数据的非平稳性和复杂度，有助于后续的预测，同时，本申请实施例提供的风电功率预测装置采用相关向量机进行预测建模，相关向量机能够自动确定相关向量，实现稀疏性，从而，在保证高预测精度的同时，能够减少模型的复杂度，提高计算效率。本申请实施例提供的风电功率预测装置，具有较高的预测精度和计算效率，还具有较高的稳定性和泛化能力。

本申请实施例还提供了一种电子设备，该电子设备可以包括：至少一个处理器，至少一个通信接口，至少一个存储器和至少一个通信总线。

在本申请实施例中，处理器、通信接口、存储器、通信总线的数量为至少一个，且处理器、通信接口、存储器通过通信总线完成相互间的通信；

处理器可能是一个中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本申请实施例的一个或多个集成电路等；

存储器可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatilememory）等，例如至少一个磁盘存储器；

其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于实现上述实施例提供的风电功率预测方法的步骤。

本申请实施例还提供一种计算机存储介质，所述存储介质承载有一个或多个计算机程序，当所述一个或多个计算机程序被电子设备执行时，能够使所述电子设备实现上述实施例提供的风电功率预测方法的步骤。

本申请实施例还提供一种计算机程序产品，包括计算机可读指令，当计算机可读指令在电子设备上运行时，使得电子设备实现上述实施例提供的风电功率预测方法的步骤。

另外需说明的是，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。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的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，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，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，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims

1.一种风电功率预测方法，其特征在于，包括：

获取历史风电功率数据；

获取所述若干目标分量分别对应的目标分量特征；

2.根据权利要求1所述的风电功率预测方法，其特征在于，所述利用预先训练得到的功率预测模型，以所述若干目标分量分别对应的目标分量特征为依据，获取所述若干目标分量在预测时间分别对应的预测值，包括：

3.根据权利要求1所述的风电功率预测方法，其特征在于，所述对所述历史风电功率数据进行经验模态分解，得到若干目标分量，包括：

4.根据权利要求3所述的风电功率预测方法，其特征在于，所述对预处理后的历史风电功率数据进行经验模态分解，得到若干目标分量，包括：

5.根据权利要求1~4中任一项所述的风电功率预测方法，其特征在于，对一历史风电功率数据进行经验模态分解，包括：

6.根据权利要求1所述的风电功率预测方法，其特征在于，获取若干IMF分量分别对应的分量特征，包括：

针对每个IMF分量：

7.根据权利要求6所述的风电功率预测方法，其特征在于，所述统计特征包括如下特征中的部分或全部：均值、方差、偏度、峰度；

8.根据权利要求6所述的风电功率预测方法，其特征在于，所述从该IMF分量对应的初始分量特征中选择对风电功率预测有用的特征，包括：

9.一种风电功率预测装置，其特征在于，包括：数据获取模块、数据分解模块、特征获取模块、功率预测模块和功率预测值确定模块；

所述数据获取模块，用于获取历史风电功率数据；

10.一种电子设备，其特征在于，包括至少一个处理器和与所述处理器连接的存储器，其中：

所述存储器用于存储计算机程序；

所述处理器用于执行所述计算机程序，以使所述电子设备能够实现如权利要求1~8中任意一项所述的风电功率预测方法的步骤。

11.一种计算机存储介质，其特征在于，所述存储介质承载有一个或多个计算机程序，当所述一个或多个计算机程序被电子设备执行时，能够使所述电子设备实现如权利要求1~8中任意一项所述的风电功率预测方法的步骤。

12.一种计算机程序产品，其特征在于，包括计算机可读指令，当所述计算机可读指令在电子设备上运行时，使得所述电子设备实现如权利要求1~8中任意一项所述的风电功率预测方法的步骤。