[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

说明书

本发明涉及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，利用移动均线法提取时序趋势；采用高斯窗法对指数移动平均线(EMA)进行平滑处理，计算各时刻时序变化率α；基于局部时序特征的窗口调整策略自适应调节时间窗宽；基于双重定时间滑动窗的拐点检测策略，引入α作为判据之一，提取并划分转折性天气突变时段；对转折段时序采用改进GRU算法点预测，结合CRS算法的改进Attention机制；对平缓段时序采用概率预测，采用经验分布估计法建立时序模式‑功率预测误差概率密度分布模型，基于可变带宽核密度估计法进行风电功率概率预测；结合点预测与概率预测时序分段预测得到最终预测结果。与现有技术相比，本发明具有提升模型运算效率等优点。

技术领域

本发明涉及高集中度风电场超短期风电功率预测技术领域，尤其是涉及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。

背景技术

近年来，随着风电大规模、高集中度的发展，接入电网的风电比重日益增加。但伴随着极端天气的频繁发生，其引起的大幅风速波动可能导致潜在的灾难，特别是在大容量风电场。为了及时制定有效的防控策略，提前预测极端天气下的风电功率显得尤为重要。极端天气对风电场的影响直观体现为短时内风速的重大变化，极端天气功率时段在时序尺度上表现为功率大幅度激烈波动的特征，识别并提取极端天气功率时段成为首要任务。

在以转折性天气为代表的极端气象条件下，风电功率在短时间内呈现剧烈波动。现有超短期风电功率单值预测方法缺乏针对极端天气的预测模型，导致预测精度与稳定性较差；其次针对平缓功率时段，传统单值预测方法具有更高的预测精度，针对极端天气功率时段，概率预测方法因能量化预测误差而具有更佳的预测性能，现有方法缺乏基于极端天气时段的预测方法优选策略，无法在全时段兼具单值预测与概率预测的优点。因此，针对传统的“简单气象模式”下的预测需进一步寻找适合“复杂气象模式”下的超短期风电功率预测方法。特别地，应考虑结合转折性天气特性并构建自适应功率突变识别机制，进一步提升模型的泛化能力。

当前针对转折性天气下的风电功率突变研究尚局限于对风电爬坡事件描述与预测，现有技术主要采用的方法有：通过多目标适应度函数的遗传算法对概率生成模型参数进行迭代寻优，得到大量预测场景，并通过场景捕捉带内挖掘出的爬坡事件概率特征评价该预测方法，但是该模型尚需要提高在极端天气下的鲁棒性；基于事件检测框架，采用数据驱动算法提高预测精度，但是该模型中功率爬坡事件依然使用传统评价指标，对伪拐点等干扰因素缺乏灵活应对能力；通过集成学习方法不断调整，生成概率预测以量化预测的不确定因素，然而该方法缺乏对风电爬坡事件的精准检测与识别方法，未突出模型在极端天气下的精度改进。综上所述，考虑风电功率突变时段的检测识别与超前预测已取得初步研究成果，但是在突变时段精细化识别等方面仍有一定的提升空间。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供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。

本发明的目的可以通过以下技术方案来实现：

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，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；