CN106875037B - 风力预测方法及装置 - Google Patents

Abstract

本公开涉及一种风力预测方法及装置，能够较为准确地对风电场内的风机受到的风力进行预测。所述方法包括：根据历史的数值天气预报数据及风电场内的风机历史测得的风力数据，构建对应于所述风机的风力预测模型，其中，数值天气预报数据包括风速、气压、风向及空气密度中的至少一者；根据数值天气预报的预测数据及所述风力预测模型，对所述风机将受到的风力进行预测。

Description

风力预测方法及装置

技术领域

本公开涉及风力发电领域，具体地，涉及一种风力预测方法及装置。

背景技术

风力发电场的风力预测是指导风电场运营的最重要手段之一，通过对风力的预测，可实现风电场发电量的预测，辅助风电场运营决策，等等。

目前，风电场通常使用气象局提供的数值天气预报数据来预测风力，然而，由于气象局发布的数值天气预报具有普遍性，而对于具体的风电场中的风机来说，实际风力可能会因受到风电场所处的高度场、地形地貌产生的涡流、风机设置方位、风机间尾流，等等因素的影响，而与气象局提供的预测风力数据出现偏差。可见，气象局提供的数值天气预报不能够准确地预测风电场的风力。

发明内容

本公开的目的是提供一种风力预测方法及装置，能够较为准确地对风电场内的风机受到的风力进行预测。

根据本公开实施例的第一方面，提供一种风力预测方法，包括：

根据历史的数值天气预报数据及风电场内的风机历史测得的风力数据，构建对应于所述风机的风力预测模型，其中，数值天气预报数据包括风速、气压、风向及空气密度中的至少一者；

根据数值天气预报的预测数据及所述风力预测模型，对所述风机将受到的风力进行预测。

可选的，根据历史的数值天气预报数据及风电场内的风机历史测得的风力数据，构建对应于所述风机的风力预测模型，包括：

根据历史的数值天气预报数据及与所述风电场高度相匹配的测风塔历史测得的数据，基于回归算法，构建对应于所述测风塔所在的高度上的风力预测模型；

根据所述测风塔历史测得的数据及所述风机历史测得的风力数据，基于回归算法，构建对应于所述风机的风力预测模型；

根据数值天气预报的预测数据及所述风力预测模型，对所述风机将受到的风力进行预测，包括：

将数值天气预报的预测数据输入对应于所述测风塔所在的高度上的风力预测模型，得到所述测风塔的风力预测值；

将所述测风塔的风力预测值输入对应于所述风机的风力预测模型，得到所述风机的风力预测值。

可选的，根据所述测风塔历史测得的数据及所述风机历史测得的风力数据，基于回归算法，构建对应于所述风机的风力预测模型，包括：

根据所述测风塔历史测得的数据、所述风机历史测得的风力数据及参考因子，基于回归算法，构建对应于所述风机的风力预测模型，其中，所述参考因子包括历史的数值天气预报数据、所述风机历史测得风力数据的季节、以及所述风机历史测得风力数据的时间中的至少一者。

可选的，所述方法还包括：

根据所述风电场内包括的每个风机历史测得的风速数据和/或风向数据，对所述风电场内的全部风机进行聚类，以划分至少一个风机群；

对所述风机将受到的风力进行预测，包括：

对所述风机所在的第一风机群将受到的风力进行预测。

可选的，对所述风机所在的第一风机群将受到的风力进行预测，包括：

根据数值天气预报的预测数据及所述第一风机群中每个风机的风力预测模型，分别计算所述第一风机群中每个风机的风力预测值；

根据所述第一风机群中每个风机测量风力的准确率、历史故障数、及所处的地理位置中的至少一个参数，分别确定所述每个风机的权值；

按照所述每个风机的权值，对所述第一风机群中每个风机的风力预测值进行加权平均计算，以得到所述第一风机群的风力预测值。

根据本公开实施例的第二方面，提供一种风力预测装置，包括：

构建模块，用于根据历史的数值天气预报数据及风电场内的风机历史测得的风力数据，构建对应于所述风机的风力预测模型，其中，数值天气预报数据包括风速、气压、风向及空气密度中的至少一者；

预测模块，用于根据数值天气预报的预测数据及所述风力预测模型，对所述风机将受到的风力进行预测。

可选的，所述构建模块用于：

根据历史的数值天气预报数据及与所述风电场高度相匹配的测风塔历史测得的数据，基于回归算法，构建对应于所述测风塔所在的高度上的风力预测模型；

根据所述测风塔历史测得的数据及所述风机历史测得的风力数据，基于回归算法，构建对应于所述风机的风力预测模型；

所述预测模块用于：

将数值天气预报的预测数据输入对应于所述测风塔所在的高度上的风力预测模型，得到所述测风塔的风力预测值；

将所述测风塔的风力预测值输入对应于所述风机的风力预测模型，得到所述风机的风力预测值。

可选的，所述构建模块用于：

根据所述测风塔历史测得的数据、所述风机历史测得的风力数据及参考因子，基于回归算法，构建对应于所述风机的风力预测模型，其中，所述参考因子包括历史的数值天气预报数据、所述风机历史测得风力数据的季节、以及所述风机历史测得风力数据的时间中的至少一者。

可选的，所述装置还包括：

聚类模块，用于根据所述风电场内包括的每个风机历史测得的风速数据和/或风向数据，对所述风电场内的全部风机进行聚类，以划分至少一个风机群；

所述预测模块用于：

对所述风机所在的第一风机群将受到的风力进行预测。

可选的，所述预测模块用于：

根据数值天气预报的预测数据及所述第一风机群中每个风机的风力预测模型，分别计算所述第一风机群中每个风机的风力预测值；

根据所述第一风机群中每个风机测量风力的准确率、历史故障数、及所处的地理位置中的至少一个参数，分别确定所述每个风机的权值；

按照所述每个风机的权值，对所述第一风机群中每个风机的风力预测值进行加权平均计算，以得到所述第一风机群的风力预测值。

根据本公开实施例的第三方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由计算机的处理器执行时，使得计算机备能够执行一种风力预测方法，所述方法包括：

根据历史的数值天气预报数据及风电场内的风机历史测得的风力数据，构建对应于所述风机的风力预测模型，其中，数值天气预报数据包括风速、气压、风向及空气密度中的至少一者；

根据数值天气预报的预测数据及所述风力预测模型，对所述风机将受到的风力进行预测。

本公开实施例中，可以先根据气象局历史的天气预报数据和风电场内的风机历史测得的风力数据，构建用于预测对应风机的风力预测模型，然后在将天气预报的预测数据作为风力预测模型的输入，进而得到特定风机的风力预测值。可以认为，气象局提供的天气预报数据与风机测得的数据成强相关关系，通过海量的历史天气预报数据与风机历史测量数据构建的风力预测模型是针对于特定风机的，将天气预报的预测数据应用到风力预测模型中，实现了对天气预报数据的校准，能够更为准确地对风机受到的风力进行预测。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是根据一示例性实施例示出的一种风力预测方法的流程图。

图2是根据一示例性实施例示出的聚类分析示意图。

图3是根据一示例性实施例示出的一种风力预测装置的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

图1是根据一示例性实施例示出的一种风力预测方法的流程图，如图1所示，该风力预测方法可以应用于计算机中，包括以下步骤。

步骤S11：根据历史的数值天气预报数据及风电场内的风机历史测得的风力数据，构建对应于风机的风力预测模型。

步骤S12：根据数值天气预报的预测数据及风力预测模型，对风机将受到的风力进行预测。

数值天气预报数据可以包括风速、气压、风向及空气密度中的至少一者。历史的数值天气预报数据例如可以是近一年的数值天气预报数据、近两年的数值天气预报数据，等等，本公开实施例对此不作限定，当然，历史数据的量越大，得到的结果越准确。

风机测得的风力数据可以包括机舱风速、风向等数据，同样的，风机历史测得的风力数据例如可以是近一年的风力数据、近两年的天气预报数据，等等，本公开实施例对此同样不作限定。

根据历史的数值天气预报数据及风电场内的风机历史测得的风力数据，可以构建对应于风机的风力预测模型，该风力预测模型可以反映天气预报数据与风机实际受到的风力之间的关联性，因此，将数值天气预报的预测数据作为风力预测模型的输入，进而可以得到针对风机的风力预测值，实现对数值天气预报数据的校准，更加准确地对风机将受到的风力进行预测。

对于构建对应于风机的风力预测模型的方式，本公开实施例不作限定，例如可以直接利用回归算法构建对应于风机的风力预测模型，或者也可以通过其他的方式构建。

可选的，根据历史的数值天气预报数据及风电场内的风机历史测得的风力数据，构建对应于风机的风力预测模型，可以根据历史的数值天气预报数据及与风电场高度相匹配的测风塔历史测得的数据，基于回归算法，构建对应于测风塔所在的高度上的风力预测模型，以及根据测风塔历史测得的数据及风机历史测得的风力数据，基于回归算法，构建对应于风机的风力预测模型。那么这种情况下，在预测风机受到的风力时，可以将数值天气预报的预测数据输入对应于测风塔所在的高度上的风力预测模型，得到测风塔的风力预测值，再将测风塔的风力预测值输入对应于风机的风力预测模型，得到风机的风力预测值。

通常，数值天气预报高度场与风机高度场不同，那么数值天气预报高度场的风速与风电场的风机高度场的风速存在风速差。

测风塔一般建设在风电场内受地形、风向、尾流影响较小的地点，可准确测量风机高度上的理论风力数据，也同数值天气数据成强相关关系。可以利用海量历史数值天气预报和历史测风塔数据，使用回归算法构建测风塔高度天气预报模型，进而通过测风塔数据校准数据天气预报与风机之间因高度场的不同而导致的风速差。

例如，天气预报数据包括风速、气压、空气密度以及风向四者，结合历史的天气预报风速、气压、空气密度、风向、测风塔风速建立有关测风塔的回归方程如下：

令x₀＝1，则上式可转换为

θ＝{θ₀，θ₁，θ₂，θ₃，θ₄}

X＝{x₀，x₁，x₂，x₃，x₄}

其中，y为测风塔风速，x₀＝1，x₁-x₄分别为天气预报风速、气压、空气密度、风向，θ₀-θ₄为待求解系数，Y为在天气条件X时，通过回归方程预测到的测风塔风速。当然，在实际应用中，可以根据数值天气预报数据包括的参数的不同而对x进行调整，例如，数值天气预报数据包括风速、气压和空气密度三个参数，那么可以采用x₁-x₃分别表示这三个参数，其余计算方式不变。

对于一般回归方程求解系数θ的方式是通过最小二乘法，但是当前场景的输入均为天气相关问题，对于天气数据而言，自身会发生共线性问题，所以对上述的公式，可以采取岭回归的方式进行优化求解，即优化时，加入惩罚系数α，通过如下方程进行优化：

可以选择不同的惩罚系数来进行计算，选取最优的θ，也就是通过公式(2)计算得到J(θ)最小时的θ，进而可以得到对应于测风塔的风力预测模型，有利于更准确地预测测风塔高度的风场广域风力信息。

可以根据测风塔历史测得的数据及风机历史测得的风力数据，基于回归算法，构建对应于风机的风力预测模型。对于构建的方式本公开实施例不作限定。

可选的，可以根据测风塔历史测得的数据、风机历史测得的风力数据及参考因子，基于回归算法，构建对应于风机的风力预测模型，其中，参考因子包括历史的数值天气预报数据、风机历史测得风力数据的季节、以及风机历史测得风力数据的时间中的至少一者。

例如，可以使用广义线性回归GLM算法，分别为每台风机构建机舱风速预测模型。建模数据的输入为测风塔的历史数值天气数据(比如包括风速、风向、空气密度)、季节及时间数据、预测目标项为风机机舱风速。

构建回归方程，即：

g(x)＝w₁f(x₁)+w₂x₂+w₃x₃+w₄x₄+...+w₀ (3)

其中，g(x)为风机机舱风速，f(x₁)为测风塔风速，x₂、x₃、x₄…依次可以是风向、气压、空气密度、季节、时间，等等。

在训练时，通过测风塔历史的数据(比如历史测得的风速)、风机历史测得的风力数据、历史的数值天气预报的风向、气压、空气密度、对应的季节、对应的时间等等，训练得出式(3)中的系数，也就是w₀-w₄，进而得到风机的风力预测模型。

在预测时，例如可以以气象局提供的数值天气预报中的风速、气压、空气密度为输入，先通过式(1)的模型预测测风塔风速，再通本模型，即式(3)预测具体风机的机舱风速，进而得到校准后的风机的预测风速。

以下将通过具体的例子对预测风机风力的方式进行说明。

比如要建立某风场11号风机的风力预测模型，以每五分钟采集一次数据的采样频率，采集11号风机的数据如下表所示：

其中的季节参数为经过数据预处理的参数，比如将季节数据进行转换，冬季设置为1，春季和秋季设置为2，夏季设置为3。

当然，在实际建模时可能需要采集大量的数据，以上仅以其中的5条进行示例性说明。

训练模型后，得到回归方程中系数w₀-w₅比如分别为：0.02、0.95、0.00002、0.00015、0.05、0.12，那么回归方程转化为：

g(x)＝0.95f(x₁)+0.00002x₂+0.00015x₃+0.05x₄+0.12x₅+0.02

在预测时，即可通过测风塔风速f(x₁)、风向x₂、气压x₃、空气密度x₄及季节信息x₅预测得到该风机的机舱风速g(x)。

通过以上方式预测风机的风力，矫正了由于风向、地形、尾流等的影响而导致的气象预报数据与实际风机风力的偏差，合理利用风场测风塔、机舱风速等历史数据校准其中的偏差，得到更精确的风力预报数据，达到校准风力预测准确性的目的。

可选的，还可以根据风电场内包括的每个风机历史测得的风速数据和/或风向数据，对风电场内的全部风机进行聚类，进而划分至少一个风机群，那么对风机将受到的风力进行预测，可以是对风机所在的第一风机群将受到的风力进行预测。

在实际应用中，由于单个风机机舱风速、风向可能存在随机性，历史数据也可能存在大量的不整合，单独使用单台风机进行风电场风速预测模型可能影响预测的准确度。因此，可以利用风机的历史机舱风速和/或风向数据进行聚类K-means分析，将风电场内的风机分成若干风速、风向相近的风机群，实现无监督学习，最终将地理位置相近、数据相关度高的风机作为相同的群组，实现风场风机的分群，那么在预测风力时，预测的可以是每个群的风力。

以下将对分群的方式举例说明。

1、选取每台风机历史测得的数据，例如可以是近一年、两年、三年等等测得的数据。

2、通过计算群组间的离散度以及群组内部的紧密度，来寻找最优的理论群组。进行k-means分群，寻找方式如下：

a)类内平均离散度

其中，X是被归为一类的每个数据集，Z_i是类C_i的类中心，|C_i|是类C_i的样本数。

b)类间距离为d_ij||Z_i-Z_j||，其中，Z_i是类C_i的类中心，Z_j是类C_j的类中心。

c)综合指数

j＝1,2...k,j！＝i。

选取BK较小的k值作为kmeans的k，即，将风电场内的风机划分为k个风机群。例如，如图2所示的综合指数BK图，那么比如可以选取k值较小的6或者8，也就是将风电场内的风机划分为6个类，或者将将风电场内的风机划分为8个类。

3、通过对风机历史数据进行分析，出现次数最多的群组为该风机所在的群，例如，对于某个风机有1000条历史数据，其中有600条出现在风机群1，200条出现在风机群2，200条出现在风机群3，那么可以将该风机归为风机群1。

当然，由于风场的特殊性，在分群结束后，可以由专家进行现场考查，根据风机地理位置、地型、地貌等客观因素对聚类结果进行评估，进一步对分群结果进行人工确认和调整，提高分群的准确率。

可选的，分群之后，要对风机所在的第一风机群将受到的风力进行预测，可以先根据数值天气预报的预测数据及第一风机群中每个风机的风力预测模型，分别计算第一风机群中每个风机的风力预测值，然后根据第一风机群中每个风机测量风力的准确率、历史故障数、及所处的地理位置中的至少一个参数，分别确定每个风机的权值，再按照每个风机的权值，对第一风机群中每个风机的风力预测值进行加权平均计算，以得到第一风机群的风力预测值。

在分群完成之后，可以分别对每个风机群受到的风力进行预测，再此以预测第一风机群的风力为例，对预测方式进行说明。

首先可以求得第一风机群中每个风机的风力预测值，例如可以通过上述的式(3)，计算每个风机的风力预测值，也就是预测的g(x)值。

然后可以根据群内各风机单独的预测准确率、机舱风速仪历史故障数、风机地理位置作为依据，设定权值。为了提高预测的准确性，对于单个风机而言，预测准确率高，机舱风速仪故障数低，地理位置处于该群的代表性位置的，设定较高权值，否则较低权值。具体权值设置可根据需要反复调优。以下对权值计算方式进行举例说明。

a)单台风机准确度可以采用预测每台风机风速的回归方程的R²值来衡量，R²是衡量回归方程的准确度的指标，每个回归方程都会有一个R²值，这个值介于0～1之间，越接近1，说明回归拟合效果越好。对于准确度的权值为：

b)总故障数为F，每台风机故障数为F_i，对于故障的权值为：

c)有关位置的权值由专业人员指定，记为w_3i。

d)总权值通过如下公式计算：

其中，为了防止

在分子较小且分母较大时，计算得到的值近似于0，可以引入系数ε，ε为大于0且很小的系数。

在分别得到风机群中每个风机的权值之后，按照权值对风机的预测风力值进行加权平均，即可得到整个风机群的风力预测值。这样，可以通过分群对群内风机预测校准，消除个别风机带来的误差，对风机群的预测风力值更为准确。

请参见图3，基于同一发明构思，本公开实施例提供一种风力预测装置300，该装置300可以包括：

构建模块301，用于根据历史的数值天气预报数据及风电场内的风机历史测得的风力数据，构建对应于风机的风力预测模型，其中，数值天气预报数据包括风速、气压、风向及空气密度中的至少一者；

预测模块302，用于根据数值天气预报的预测数据及风力预测模型，对风机将受到的风力进行预测。

可选的，构建模块301用于：

根据历史的数值天气预报数据及与风电场高度相匹配的测风塔历史测得的数据，基于回归算法，构建对应于测风塔所在的高度上的风力预测模型；

根据测风塔历史测得的数据及风机历史测得的风力数据，基于回归算法，构建对应于风机的风力预测模型；

预测模块302用于：

将数值天气预报的预测数据输入对应于测风塔所在的高度上的风力预测模型，得到测风塔的风力预测值；

将测风塔的风力预测值输入对应于风机的风力预测模型，得到风机的风力预测值。

可选的，构建模块301用于：

根据测风塔历史测得的数据、风机历史测得的风力数据及参考因子，基于回归算法，构建对应于风机的风力预测模型，其中，参考因子包括历史的数值天气预报数据、风机历史测得风力数据的季节、以及风机历史测得风力数据的时间中的至少一者。

可选的，装置300还包括：

聚类模块，用于根据风电场内包括的每个风机历史测得的风速数据和/或风向数据，对风电场内的全部风机进行聚类，以划分至少一个风机群；

预测模块302用于：

对风机所在的第一风机群将受到的风力进行预测。

可选的，预测模块302用于：

根据数值天气预报的预测数据及第一风机群中每个风机的风力预测模型，分别计算第一风机群中每个风机的风力预测值；

根据第一风机群中每个风机测量风力的准确率、历史故障数、及所处的地理位置中的至少一个参数，分别确定每个风机的权值；

按照每个风机的权值，对第一风机群中每个风机的风力预测值进行加权平均计算，以得到第一风机群的风力预测值。

在本公开所提供的实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以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或者该技术方案的全部或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)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM(Read-OnlyMemory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，以上实施例仅用以对本公开的技术方案进行了详细介绍，但以上实施例的说明只是用于帮助理解本公开的方法及其核心思想，不应理解为对本公开的限制。本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。

Claims (6)

1.一种风力预测方法，其特征在于，包括：

根据历史的数值天气预报数据及风电场内的风机历史测得的风力数据，构建对应于所述风机的风力预测模型，其中，数值天气预报数据包括风速、气压、风向及空气密度中的至少一者；

根据数值天气预报的预测数据及所述风力预测模型，对所述风机将受到的风力进行预测；

其中，根据历史的数值天气预报数据及风电场内的风机历史测得的风力数据，构建对应于所述风机的风力预测模型，包括：

根据历史的数值天气预报数据及与所述风电场高度相匹配的测风塔历史测得的数据，基于回归算法，构建对应于所述测风塔所在的高度上的风力预测模型；

根据所述测风塔历史测得的数据及所述风机历史测得的风力数据，基于回归算法，构建对应于所述风机的风力预测模型；

根据数值天气预报的预测数据及所述风力预测模型，对所述风机将受到的风力进行预测，包括：

将数值天气预报的预测数据输入对应于所述测风塔所在的高度上的风力预测模型，得到所述测风塔的风力预测值；

将所述测风塔的风力预测值输入对应于所述风机的风力预测模型，得到所述风机的风力预测值；

所述方法还包括：

根据所述风电场内包括的每个风机历史测得的风速数据和/或风向数据，对所述风电场内的全部风机进行聚类，以划分至少一个风机群；

对所述风机将受到的风力进行预测，包括：

对所述风机所在的第一风机群将受到的风力进行预测。

2.根据权利要求1所述的方法，其特征在于，根据所述测风塔历史测得的数据及所述风机历史测得的风力数据，基于回归算法，构建对应于所述风机的风力预测模型，包括：

根据所述测风塔历史测得的数据、所述风机历史测得的风力数据及参考因子，基于回归算法，构建对应于所述风机的风力预测模型，其中，所述参考因子包括历史的数值天气预报数据、所述风机历史测得风力数据的季节、以及所述风机历史测得风力数据的时间中的至少一者。

3.根据权利要求1所述的方法，其特征在于，对所述风机所在的第一风机群将受到的风力进行预测，包括：

根据数值天气预报的预测数据及所述第一风机群中每个风机的风力预测模型，分别计算所述第一风机群中每个风机的风力预测值；

根据所述第一风机群中每个风机测量风力的准确率、历史故障数、及所处的地理位置中的至少一个参数，分别确定所述每个风机的权值；

按照所述每个风机的权值，对所述第一风机群中每个风机的风力预测值进行加权平均计算，以得到所述第一风机群的风力预测值。

4.一种风力预测装置，其特征在于，包括：

构建模块，用于根据历史的数值天气预报数据及风电场内的风机历史测得的风力数据，构建对应于所述风机的风力预测模型，其中，数值天气预报数据包括风速、气压、风向及空气密度中的至少一者；

预测模块，用于根据数值天气预报的预测数据及所述风力预测模型，对所述风机将受到的风力进行预测；

其中，所述构建模块用于：

根据历史的数值天气预报数据及与所述风电场高度相匹配的测风塔历史测得的数据，基于回归算法，构建对应于所述测风塔所在的高度上的风力预测模型；

根据所述测风塔历史测得的数据及所述风机历史测得的风力数据，基于回归算法，构建对应于所述风机的风力预测模型；

所述预测模块用于：

将数值天气预报的预测数据输入对应于所述测风塔所在的高度上的风力预测模型，得到所述测风塔的风力预测值；

将所述测风塔的风力预测值输入对应于所述风机的风力预测模型，得到所述风机的风力预测值；

所述装置还包括：

聚类模块，用于根据所述风电场内包括的每个风机历史测得的风速数据和/或风向数据，对所述风电场内的全部风机进行聚类，以划分至少一个风机群；

所述预测模块用于：

对所述风机所在的第一风机群将受到的风力进行预测。

5.根据权利要求4所述的装置，其特征在于，所述构建模块用于：

根据所述测风塔历史测得的数据、所述风机历史测得的风力数据及参考因子，基于回归算法，构建对应于所述风机的风力预测模型，其中，所述参考因子包括历史的数值天气预报数据、所述风机历史测得风力数据的季节、以及所述风机历史测得风力数据的时间中的至少一者。

6.根据权利要求4所述的装置，其特征在于，所述预测模块用于：

根据数值天气预报的预测数据及所述第一风机群中每个风机的风力预测模型，分别计算所述第一风机群中每个风机的风力预测值；

根据所述第一风机群中每个风机测量风力的准确率、历史故障数、及所处的地理位置中的至少一个参数，分别确定所述每个风机的权值；

按照所述每个风机的权值，对所述第一风机群中每个风机的风力预测值进行加权平均计算，以得到所述第一风机群的风力预测值。

Images