[发明专利]一种长期风功率预测方法及装置、存储介质、计算机设备

权利要求书

1.一种长期风功率预测方法，其特征在于，包括：

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；

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；

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；

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；

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。

2.根据权利要求1所述的方法，其特征在于，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：

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。

3.根据权利要求2所述的方法，其特征在于，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：

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；

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；

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。

4.根据权利要求2或3所述的方法，其特征在于，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：

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。

5.根据权利要求3所述的方法，其特征在于，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：

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。