[发明专利]一种基于转折性时段识别的超短期风电功率分段预测方法

权利要求书

1.一种基于转折性时段识别的超短期风电功率分段预测方法，其特征在于，包括下列步骤：

1)提取时序趋势，求取表征风电场原始风电数据的短期发展趋势的EMA曲线，采用高斯窗法进行平滑处理后求取各时刻变化率为α；

2)基于步骤1)得到的EMA曲线，利用EMA曲线局部特征差异制定窗口调整策略，设定检测阈值ε，若窗口与其前一窗口之间分布差异波动小于该检测阈值ε，则扩大窗宽加快检测速度，否则，缩小窗宽以提升检测精度；

3)基于步骤2)制定的局部特征差异的窗口调整策略，利用步骤1)求取的α作为判据之一，标记两个窗口内均值出现极小值的位置为拐点；

4)改进传统功率突变时段判据，合并相邻同趋势突变时段，完整提取转折性天气突变时段；

5)依据自适应转折时段提取结果为划分依据，将时序划分为转折段与平缓段；

6)对平缓段采用点预测，采用GRU作为点预测的原始算法，引入结合CRS算法的改进Attention机制，将神经网络模型的过渡特征向量赋予不同的权重，随后将注意力权重传输到GRU层，输出GRU神经网络的训练结果，读取训练损失曲线、误差曲线，观察收敛过程中训练集、验证集损失曲线纵向间距，结合训练集、验证集绝对误差情况，直观评估网络预测结果收敛性能；

7)对转折段采用概率预测，采用时序模式-自适应带宽核密度估计法概率预测；

8)将步骤6)和步骤7)组合完成基于转折性时段的超短期风电功率预测，获取预测功率。

2.根据权利要求1所述的基于转折性时段识别的超短期风电功率分段预测方法，其特征在于，步骤1)中，利用移动均线法提取时序趋势。

3.根据权利要求1所述的基于转折性时段识别的超短期风电功率分段预测方法，其特征在于，步骤2)中，利用EMA曲线局部特征差异制定窗口调整策略的具体步骤包括：

21)将原始功率时序切分为若干片段，对每个片段进行转折点检测；

22)在转折点检测中，定义diff_i为度量第i个窗口与前一窗口的分布差异波动情况，记为其中Vs_i为待检测数据的第i个窗口数据数据分布的均值波动，Ds_i为差值波动；

23)设定阈值ε，若diff_i的值小于或等于阈值ε，则扩大滑动窗宽W，增加检测速度；若diff_i的值大于ε，则缩小滑动窗宽W，提升检测精度。

4.根据权利要求1所述的基于转折性时段识别的超短期风电功率分段预测方法，其特征在于，步骤3)中，采用双重定时间滑动窗进行拐点检测。

5.根据权利要求4所述的基于转折性时段识别的超短期风电功率分段预测方法，其特征在于，采用双重定时间滑动窗进行拐点检测的具体内容为：

首先引入步骤1)求取的各时刻变化率α作为判据之一，设定拐点满足条件α＝0；基于EMA曲线，建立两个紧密相连的滑动窗口，逐帧更新两个窗口内的数据，标记两个窗口内均值差别达到最小时的结合点处的功率值为拐点，重复上述步骤，获取相应的时序趋势拐点集T_ip。

6.根据权利要求5所述的基于转折性时段识别的超短期风电功率分段预测方法，其特征在于，步骤4)中，改进的突变时段判据的表达式为：

式中，为拐点集T_ip中第j点功率值；为拐点集T_ip中第j+1点功率值；为拐点集T_ip中经过第j点时刻；为拐点集T_ip中经过第j+1点的时刻；λ为转折时段突变幅度阈值；β为转折时段突变速率阈值；合并相邻同趋势的突变时段，以完整提取转折时段。