具体实施方式

下面详细描述本申请，本申请的实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。此外，如果已知技术的详细描述对于示出的本申请的特征是不必要的，则将其省略。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

风力发电的调配严重依赖有风天气，而现有的天气预报并没有充分考虑到风力发电场的地理位置分布，以及彼此之间的相互影响，常用的数值天气预报，仅在中尺度上，通常指水平尺度在15-300公里，对天气系统进行预测，但风力发电场所在位置的小尺度强阵风现象则难以被捕捉到。因此现有的天气预报对有风天气的预报无法做到足够准确，不能为风力发电的调配提供准确的数据参照。

本申请的申请人考虑到风能采集的风力发电场分散在风能较为丰富的区域，这些区域可能根据不同大小的地理行政区域划分，这些地理行政区域内的地理特性通常是固定的，某一天气在其生命周期(从该天气进入到某一区域，到离开同一区域的时间)内影响往往也是稳定的，由此，可以采用通过上游电场风速来预测下游电场风速的方法，准确获取电场风速信息。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。

本申请为了准确得到某一区域中不同电场中的风速数据，需要依靠合适的机器学习模型，因此首先需要得到能够使用的基于机器学习模型的风速预测模型。

本申请第一个发明的实施例提供了一种风速预测模型的训练方法，如图1所示，包括下列步骤：

S101：获取目标电场的目标实测样本风速，以及与目标电场对应的上游区域中的上游电场的样本风速数据。

S102：根据目标电场与上游区域中的上游电场之间的风程时间间隔，确定包括若干个上游样本风速数据的样本风速组。

S103：根据目标实测样本风速和样本风速组，通过对初始的风速预测模型进行参数调整来进行训练，当达到预设的训练条件时结束训练，得到风速预测模型。

本申请上述实施例提供的风速预测模型的训练方法，通过筛选出具有精确的上下游关系的风速数据，进行充分训练，该方法结合了机器学习模型以及大量的具有相互稳定联系的目标实测样本风速和目标电场对应的上游区域电场的样本风速数据，基于该风速预测模型的训练方法能够获取到精确的风速预测模型。

对于S101，在进行S101时用到的目标电场和与目标电场对应的上游区域电场，是一个相对的概念。由于风的变化十分丰富，存在风的移动速率、移动方向以及持续时长的问题，目标电场是在众多电场中确定出一个电场，而将其他与该电场具有特定关联的电场作为上游电场，上游也可称为上游区域电场。对于某一对目标电场和上游电场，具有某一生命周期的风是自上游电场运动至目标电场。对于不同日期的风，目标电场和上游区域电场的角色是在不断变化的。

另外，S101中提到的目标实测样本风速和与目标电场对应的上游区域电场的样本风速数据，实际上均来自于某一时间周期中各个电场的历史风速数据，为了描述方便，所以做了区分，应当理解二者并不存在本质的区别。某一地理区域中可能包括多个风电场，当将一个风电场作为目标电场，需要通过一定的方法确定：在某一相同的历史时期，哪些是该确定出的目标电场的上游区域电场。该地理区域中，并非目标电场之外的所有电场均为具有相互影响的上游区域电场。

可选的，如图2所示，S101中上游电场和风程时间间隔是通过包括如下步骤的方法确定：

S1011：获取目标电场在第一时段t₀的第一实测风速v₀。

S1012：以预定时间间隔Δt获取目标电场以外的全部电场分别在各风速获取时段t_i的第二实测风速v_i，t_i＝t₀+n·Δt，n取正整数。

S1013：根据预设关联关系，计算第一实测风速v₀与每个第二实测风速v_i的相关性数值。

S1014：若相关性数值大于预设相关性阈值，确定与相关性数值对应的目标电场以外的电场为上游电场，以及与上游电场对应的风程时间间隔。

前述S1011是在某一地理区域中确定一目标电场A电场，然后在该地理区域中确定一个时间段，例如第一时段t₀为2017年月12月23日晚上9点至10点，取这1小时中的平均风速。当然，根据设备的处理能力，可以获取更为精细的时间段内的平均风速，例如上述的9点至9点一刻的平均风速。对于A电场以外的B电场、C电场、D电场、E电场、F电场等等，由于这些电场当中的某些很可能是A电场的上游电场，需要找出这些上游区域的电场。

S1012是获取可能的上游区域电场的风速数据。确定A电场是目标电场，假设B电场是A电场的一个上游电场，在2017年月12月23日晚上9点至10点时间段内A电场的风速为v₀，而这一时间段内，吹过B电场上的风尚未到达A电场，而是需要经过一段时间，即需要运动一定的风程(A电场与B电场的间距)，经过一定的风程时间间隔，才能与A电场的风速对应。因此，在A电场取2017年月12月23日晚上9点至10点时间段内A电场的风速为v₀时，B电场可能需要取1小时之后的，或者2小时之后的第二实测风速v₁，也即在B电场取2017年月12月23日晚上10点至11点时间段的第二实测风速v₂，或者取2017年月12月23日晚上11点至12点时间段的风速数据v₂。如果B电场是A电场的上游电场，那么v₀与v₁以及v₂存在一定的关联关系。

S1013中通过预设关联关系，计算二者之间的相关性数值，例如可采用相关性关系式，具体为表达式1，得到相关性数值。

其中r为元素X与元素Y之间的相关性数值，相关性数值的大小能够判断两种元素之间的关联程度。例如可将前述的目标电场的第一实测风速作为元素X，将获取到的某风程时间间隔之后的上游区域电场的风速数据作为元素Y。为获取准确的相关性评价值，需要采用一段时间内的第一实测风速，以及一段时间内的第二实测风速，例如1小时时间段中的第一风速和第二实测风速，而这1小时中存在多个瞬时风速，比如每10分钟测得一个瞬时风速，表达式1中X_i即为第一实测风速中的瞬时风速数据，而为由多个第一实测风速中的瞬时风速数据得到的平均数，相应地，Y_i即为第二实测风速中的瞬时风速数据，而为由多个第一实测风速中的瞬时风速数据得到的平均数。表达式1中n为瞬时风速数据的个数。

通过对于历史数据的统计分析，能够确定那些超过预设相关性阈值的相关性数值对应的电场，具有上下游关联关系。例如，预设相关性阈值可取0.8，将相关性数值大于0.8的所有A电场以外的电场，全部作为A电场的上游区域的电场。

在并不知晓目标电场的上游电场的情况下，需要通过逐渐增加预定时间间隔Δt，即增加n的取值，获取相应的第二实测风速v_i，并不断检验第二实测风速与第一实测风速的相关性，来确定正确的第二实测风速和相对应的t_i＝t₀+n·Δt中的n。当通过S1013计算出不同第二实测风速对应的相关性数值，再通过S1014判断出相关性数值符合预设要求的第二实测风速以及上游电场，也就确定了n的数值，确定了需要经过多少个预设时间间隔，也就相应确定了该上游电场对应的风程时间间隔。

在进行数据处理的过程中，为了使得数据更贴近实际，还需要对相关性数值大于预设相关性阈值的电场进一步筛选。例如，某一电场B在风程时间间隔在1小时、2小时和3小时的第二实测风速v_B1、v_B2和v_B3，以及电场C在10小时、11小时和12小时的第二实测风速v_C1、v_C2和v_C3，分别与A电场的第一实测风速的相关性数值均大于0.8，具体数值如下表1：

表1目标电场与上游电场的相关性数值表

根据上表，则挑选出相关性数值中的极大值对应的风程时间间隔，例如电场B中的风程时间间隔2小时，电场C中的风程时间间隔11小时。

风速预测是一项极为复杂的工作，为尽可能获取到较为精确的预测数据，还需要考虑不同的月份、不同的季节等因素。根据前述的方法能够找出目标电场的全部上游区域电场，但这些电场中，在不同季节和月份情况下，对于目标电场的影响程度仍然存在差异，其中有些更精确。

于是，可选的，在本申请实施例的一个具体的实现方式中，如图3所示，S101中上游区域是通过包括如下步骤的方法确定的，该方法包括：

S1015：确定与目标电场的全部上游电场。

S1016：根据预设聚类方法，将目标电场的全部上游电场聚类到若干个上游区域；每个上游区域中的上游电场在预设地理位置范围内。

S1017：在若干个上游区域中确定出一个上游区域。

S1015中确定全部上游电场的具体方法可采用前述的S1011～S1014，实际上，每一个电场在某一生命周期的天气中都具有相对应的上游电场。为便于理解本实现方式提供的方案内容，仍然选择其中一组具有关联关系的上下游电场做出分析说明，该组上下游电场包括目标电场，以及目标电场以外的上游电场。S1016根据预设聚类方法，也即按照一定的共性，将数据聚类划分。具体地，例如根据经纬度进行k-means++分类，自动分成多个区域。

由于每个电场分布在特定的地理位置上，也即特定的经纬度上，两两一对的电场之间的距离有远有近，因此就能够得到一个根据经纬度聚类分布的电场布局图。在一定区域范围内的上游电场分布在多个上游区域当中，每个上游区域中电场的个数可能不同，如图4所示，图中五角形代表目标电场，而图中包括6个点数不同的图形的上游区域，如包括3个三角形代表的上游电场的第一上游区域，包括6个圆环代表的第二上游区域等等。在不同月份或者不同季节，不同的上游区域对目标电场的影响精密度存在差异，因此需要通过S1017从中挑选出一个上游区域对风速预测模型进行训练。

根据前文描述，每个上游电场对应的风程时间间隔可能是不同的，因此，当同一上游区域当中包括多个上游电场，则存在风程时间间隔最值。可行地，在本申请上述实施例的一个具体的实现方式中，S102中根据目标电场与上游区域中的上游电场之间的风程时间间隔，确定包括若干个样本风速数据的样本风速组，包括：

获取与上游电场对应的最小风程时间间隔k_min和最大风程时间间隔k_max。根据预设时间步长T，在最小风程时间间隔k_min和最大风程时间间隔k_max之间，逐一确定出上游样本风速数据。

当根据前述的实现方式划分出目标电场的若干个上游区域，并且确定其中一个上游区域，该上游区域中一般包括多个上游电场，将全部上游电场的风速数据作为训练数据。每个上游电场都对应着一个风程时间间隔，因此在上游区域中相应得到最小风程时间间隔k_min和最大风程时间间隔k_max。在最小风程时间间隔k_min和最大风程时间间隔k_max之间，按照预设时间步长T，在风速历史数据中确定出若干个上游样本风速数据，能够使得风速预测模型在训练时采用更为精确和及时的数据，也就使得风速预测模型在进行风速预测时突破传统数值天气预报受到的尺度大小的限制，更为快速而精确的得到预测结果。

沿用前述的实例，对于第二上游区域中的六个上游电场，假设最小风程时间间隔为2小时，最大风程时间间隔为7小时，而预设时间步长为15分钟，分别确定目标电场A在2017年月12月23日晚上9点至10点时间段内目标电场A的风速为v₀，上游电场B在上述时间段两小时后的风速v_B0，2小时15分之后的风速，2小时30分之后的风速，……，6小时候的风速，从而得到一组样本风速组。同理，对于第二上游区域中的上游电场C，也能得到一组样本风速组。

获取到训练数据之后，即进行风速预测模型的训练，S103中的具体训练过程为：

训练包括周期性的结果预测和参数修正。

其中的一次预测包括：将一组样本风速组X输入风速预测模型，该风速预测模型输出目标电场风速预测值Y1。确定出目标电场风速预测值Y1与目标电场风速实测值Y之间的偏差值，根据该偏差值进行参数修正。

参数修正的过程包括：根据上述的偏差值修正模型参数。例如，当具体到神经网络模型，就是把偏差值反向输入该模型，该模型中每一层对接收到的参数求偏导，然后作为权重乘以本层的原参数。

不断根据前述的结果预测和参数修正，直到根据模型得出的偏差值小于预设的阈值和/或训练达到预设的次数，则完成训练。更加详细的模型训练细节，相关技术人员能够获知，不做赘述。

为得到更准确的预测结果，需要输入更丰富的数据，在本申请实施例的一种具体的实现方式中，S101中获取目标电场的目标实测样本风速的步骤包括：将由数值预报预测得到的数值预报风速作为目标实测样本风速。输入通过数值天气预报获得的数值预报风速到风速预测模型之中，能够实现对数值天气预报数据的修正。当然，输入的数据种类也不限于前述的历史观测数据和数值天气预报数据，还可以包括其他影响风速的数据。

风速预测和对数值天气预报得到的风速预报进行修正的方法，主要有模式输出统计、卡尔曼滤波、BP(Back Propagation，反向传播)神经网络以及自适应偏最小二乘法等。其中，使用最广泛的是MOS(Model output statistics，模式输出统计)方法。通过这些方法预测或对预测进行修正得到的风速数据，均可输入到集合预报之中，丰富模型的训练数据，使得模型更加精确。

当完成对风速预测模型的训练，则能够在实践中应用该模型。本申请第二个方面的实施例提供了一种风速预测方法，如图5所示，包括下列步骤：

S201：获取目标电场的一上游区域全部电场的实测风速数据，之后执行步骤S203。

S202：获取风速预测模型，风速预测模型通过如本申请第一个方面提供的风速预测模型训练方法确定。

S203：将实测风速数据输入风速预测模型，得到目标电场的预测风速。

本申请提供的风速预测方法能够通过监测得到的目标电场的上游电场的风速，结合本申请提供的训练后的风速预测模型，充分利用上游电场与下游电场中风速的关联关系，更加准确地预测下游电场的风速，并且无需考虑数值天气预报中的尺度范围限制。

可行的，本申请上述实施例的一个具体实现方式中，在S203的确定目标电场的预测风速之后，还包括：

获取与预测风速对应的目标电场的实测风速。

若目标电场的实测风速与预测风速的差值大于预设误差条件，重新获取目标电场其他上游区域的全部电场的样本风速数据，并对风速预测模型进行训练；预设误差条件包括预设数据值和满足预设数据值的次数值。

由于风速的变化十分丰富，而目标电场对应的上游区域也不尽相同，不同的上游区域，对应的预测日期可能发生变化，因此需要挑选出适时的上游区域。例如在对目标电场的第m天进行风速预测时，需要先利用所有的上游区域对目标电场第m-1天的风速进行预测，选取效果最优的上游区域作为第m天目标电场风速预测的上游区域。也即，希望预测第m天的目标电场风速，但已经做过预测的上游区域(存在多个)不一定适合。但第m-1天的风速数据已经预测出来了，并且第m-1天已经成为历史，第m-1天的实际风速也能够通过实际测量而得到，就能够判断在第m-1天中通过哪些上游区域预测出来的结果最准确，选择出由最准确的上游区域中的数据训练，以及由该数据训练出的风速预测模型。

除了采用上述手段确定具体的上游区域之外，还可依靠风向观察软件分析准确的上游区域，例如将历史上至少三年的某月份GDAS(global data assimilation system，全球气象资料同化系统)气象数据输入hysplit软件中，每一年将输出一个该月份的风能来源，选择风能来源比重最大的上游区域作为风速预测模型的训练用上游区域即可。

风速预测模型得到的结果的精确与否，除了与所用到的训练数据相关，还跟所选用的具体风速预测模型相关，可选的，在本申请上述实施例的一种具体的实现方式中，确定目标电场的预测风速之后，还包括：

获取与预测风速对应的目标电场的实测风速。若目标电场的实测风速与预测风速的差值大于预设误差条件，重新选用其他风速预测模型，并对风速预测模型进行训练；预设误差条件包括预设数据值和满足预设数据值的次数值。

能够用作风速预测的模型可能有：

线性回归模型，具体如LinearRegression模型、Ridge模型或ElasticNet模型等。

神经网络模型，如MLPRegressor模型。

不同风速预测模型的预测效果根据月份、季节的不同有所变化而有所变化。例如希望预测第s天的目标电场风速，已经做过预测的风速预测模型不一定适合未来的第s天的风速预测。第s-1天的风速数据已经预测出来了，并且第s-1天已经成为历史，第s-1天的实际风速也能够通过实际测量而得到，就能够判断在第s-1天中通过哪一风速预测模型预测出来的结果最准确，选择出由最准确的风速预测模型进行训练。

基于同一发明构思，本申请对应于前述的风速预测模型的训练方法的实施例，第三个方面，本申请实施例提供了一种风速预测模型训练装置10，如图6所示，包括风速获取模块11、分组模块12和训练模块13。

风速获取模块11用于获取目标电场的目标实测样本风速，以及目标电场至少一个上游区域中的上游电场的样本风速数据。

分组模块12用于根据目标电场与上游区域中的上游电场之间的风程时间间隔，确定包括若干个样本风速数据的样本风速组。

训练模块13用于根据目标实测样本风速和样本风速组，通过对初始的风速预测模型进行参数调整来进行模型训练，当达到预设的训练条件时，训练结束，得到风速预测模型。

本申请上述实施例提供的风速预测模型的训练装置，通过上述模块执行前述方法，筛选出具有精确的上下游关系的风速数据，进行充分训练，该方法结合了机器学习模型以及大量的具有相互稳定联系的目标实测样本风速和目标电场对应的上游区域电场的样本风速数据，基于该风速预测模型的训练方法能够获取到精确的风速预测模型。

可选的，风速获取模块11包括风速择取单元、计算单元和输出单元。风速择取单元用于获取目标电场在第一时段t₀的第一实测风速v₀；以预定时间间隔Δt获取目标电场以外的全部电场分别在风速获取时段t_i的第二实测风速v_i，t_i＝t₀+i·Δt，i取正整数。计算单元用于根据预设关联关系，计算第一实测风速

v₀与每个第二实测风速v_i的相关性数值。输出单元用于若相关性数值大于预设相关性阈值，确定与相关性数值对应的目标电场以外的电场为上游电场，以及与上游电场对应的风程时间间隔。

可选的，风速获取模块11中，上游区域是通过包括如下步骤的方法确定：确定目标电场的全部上游电场。

根据预设聚类方法，将目标电场的全部上游电场聚类到若干个上游区域；每个上游区域中的上游电场在预设地理位置范围内。然后，在若干个上游区域中确定出一个上游区域。

可选的，分组模块12根据目标电场与上游区域中的上游电场之间的风程时间间隔，确定包括若干个样本风速数据的样本风速组，包括：

获取与上游区域中的上游电场对应的最小风程时间间隔和最大风程时间间隔。根据预设时间步长，在最小风程时间间隔和最大风程时间间隔之间，逐一确定出上游样本风速数据。

可选的，风速获取模块11获取目标电场的目标实测样本风速的步骤还包括：将由数值预报预测得到的数值预报风速作为目标实测样本风速。

第四个方面，本申请提供了一种风速预测装置20，如图7所示，包括：数据获取模块21、模型获取模块22和数据预测模块23。

数据获取模块21，用于获取目标电场的一个上游区域中全部上游电场的实测风速数据。

模型获取模块22用于获取风速预测模型。

数据预测模块23用于将实测风速数据输入风速预测模型并运行，确定目标电场的预测风速。

可选的，数据预测模块23在确定目标电场的预测风速之后，还包括：

获取与预测风速对应的目标电场的实测风速；

若目标电场的实测风速与预测风速的差值大于预设误差条件，重新获取目标电场其他上游区域的全部电场的样本风速数据，并对风速预测模型进行训练；预设误差条件包括预设数据值和满足预设数据值的次数值。

可选的，数据预测模块23在确定目标电场的预测风速之后，还包括：

获取与预测风速对应的目标电场的实测风速；

若目标电场的实测风速与预测风速的差值大于预设误差条件，重新其他风速预测模型，并对风速预测模型进行训练；预设误差条件包括预设数据值和满足预设数据值的次数值。

通过采用本申请提供的风速预测装置，能够获取到更接近实际风况的预测结果，例如，将通过本申请提供的风速预测装置预测得到的风速数据与通过现有技术中的集合预测算法得出的风速数据进行对比，如图8所示，相比与集合预测算法得出的结果，本申请提供的风速预测装置得出的结果更接近实测风速。如图9所示，本申请风速预测装置采用的算法得出的风速数据，在统计出的每日均方根误差结果上也较集合预测算法小，因此采用本申请提供的风速预测装置进行风速预测，结果更稳定、更精确。

基于同一发明构思，本申请实施例提供了一种电子设备，包括：

处理器、存储器和总线；

总线，用于连接处理器和存储器；

存储器，用于存储操作指令；

处理器，用于通过调用操作指令，实现如上述实施例描述的风速预测模型训练方法或者风速预测方法。

本技术领域技术人员可以理解，本申请实施例提供的电子设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中。

与现有技术相比可实现更加准确地预测下游电场的风速，并且无需考虑数值天气预报中的尺度范围限制。

本申请在一个可选实施例中提供了一种电子设备，如图10所示，图10所示的电子设备1000包括：处理器1001和存储器1003。其中，处理器1001和存储器1003相电连接，如通过总线1002相连。

处理器1001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field－Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器1001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线1002可包括一通路，在上述组件之间传送信息。总线1002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线1002可以分为地址总线、数据总线、控制总线等。为便于表示，图10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。

存储器1003可以是ROM(Read-Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(random access memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead-Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

可选地，电子设备1000还可以包括收发器1004。收发器1004可用于信号的接收和发送。收发器1004可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。需要说明的是，实际应用中收发器1004不限于一个。

可选地，电子设备1000还可以包括输入单元1005。输入单元1005可用于接收输入的数字、字符、图像和/或声音信息，或者产生与电子设备1000的用户设置以及功能控制有关的键信号输入。输入单元1005可以包括但不限于触摸屏、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、拍摄装置、拾音器等中的一种或多种。

可选地，电子设备1000还可以包括输出单元1006。输出单元1006可用于输出或展示经过处理器1001处理的信息。输出单元1006可以包括但不限于显示装置、扬声器、振动装置等中的一种或多种。

虽然图10示出了具有各种装置的电子设备1000，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

可选的，存储器1003用于存储执行本申请方案的应用程序代码，并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的应用程序代码，以实现本申请实施例提供的任一种风速预测模型的训练方法或风速预测方法。

基于同一的发明构思，本申请实施例提供了一种计算机可读存储介质，所述计算机存储介质用于存储计算机程序，当所述计算机程序在电子设备中运行时，实现如上述的风速预测模型训练方法或者风速预测方法。

本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图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，其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。

以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。