【技术实现步骤摘要】
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
[0001]本专利技术涉及高集中度风电场超短期风电功率预测
，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。
技术介绍
[0002]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。
[0003]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...
【技术保护点】
【技术特征摘要】
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
...
【专利技术属性】
技术研发人员：余光正，陆柳，汤波，沈凌旭，刘承全，崔朝越，胡越，朱威，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。