[发明专利]超短期风电功率预测方法、装置、电子设备及存储介质

权利要求书

1.一种超短期风电功率预测方法，其特征在于，包括：

根据风电场当前时刻k的实时功率、实时风速和短期预测功率，确定所述当前时刻k后的t个时刻的超短期预测数列P_o；

确定与所述当前时刻k后的t个时刻的短期预设功率对应地爬坡矩阵，并将所述爬坡矩阵和所述爬坡矩阵对应地爬坡特征输入至爬坡预测概率模型，得到爬坡状态类别，并确定与所述爬坡状态类别对应地未来爬坡状态矩阵；

基于未来爬坡状态矩阵修正所述当前时刻k后的t个时刻的超短期预测数列P_o，确定超短期风电功率预测结果；

其中，所述爬坡预测概率模型为采用风电场历史预测功率的爬坡矩阵样本数据和所述历史预测功率的爬坡矩阵对应地爬坡特征作为输入数据，以及，采用与历史预测功率的爬坡矩阵对应地爬坡状态类别作为输出数据，基于机器学习算法进行训练得到的。

2.根据权利要求1所述的超短期风电功率预测方法，其特征在于，还包括：

获取风电场历史数据；其中，所述风电场历史数据包括风电场历史实发功率和风电场历史实际风速；

基于所述风电场历史数据和预设时间窗窗口长度n，根据时间序列逐窗口计算确定相应地实际爬坡矩阵；

将所述实际爬坡矩阵根据所述实际爬坡矩阵对应地特征分为j类，得到j类实际爬坡矩阵的中心点；

获取历史短期预测功率，采用所述预设时间窗窗口长度，根据时间序列逐窗口计算确定相应地预测爬坡矩阵和所述预测爬坡矩阵的爬坡特征；

将所述j类实际爬坡矩阵的中心点作为输出值，将所述预测爬坡矩阵和所述预测爬坡矩阵的爬坡特征作为输入值，建立所述爬坡预测概率模型。

3.根据权利要求2所述的超短期风电功率预测方法，其特征在于，确定爬坡矩阵，具体包括：

按照第一关系模型，对风电站功率做时间差；其中，第一关系模型如下：

P_delta＝P-P_sheft(1)

其中，P_delta为功率的时间序列差值，P为并网功率，P_sheft(1)为并网功率偏移值；

按照第二关系模型，计算爬坡时长；其中，第二关系模型如下：

t_clam＝t_max+t_min

其中，t_clam为爬坡时长，t_max为实际功率最大值对应地时间点，t_min为实际功率最小值对应地时间点；

按照第三关系模型，确定爬坡矩阵；其中，第三关系模型如下：

C(k)＝F(k)·E(k)·P_delta·F(k)^T

其中，C(k)为爬坡矩阵，k表示当前时刻，F(k)为第k点的n*t_clam滤波矩阵，E(k)为单位矩阵，P_delta为功率的时间序列差值，F(k)^T表示第k点的n*t_clam滤波矩阵的转置，T表示转置，n为预设时间窗窗口长度。

4.根据权利要求3所述的超短期风电功率预测方法，其特征在于，所述将所述实际爬坡矩阵根据所述实际爬坡矩阵对应地特征分为j类，具体包括：

采用k-means聚类法将所述实际爬坡矩阵根据所述实际爬坡矩阵对应地特征分为j类；其中，所述实际爬坡矩阵对应地特征包括：爬坡时长t_clam、爬坡顶点P_max和爬坡起点P_min。

5.根据权利要求1所述的超短期风电功率预测方法，其特征在于，所述根据风电场当前时刻k的实时功率、实时风速和短期预测功率，确定所述当前时刻k后的t个时刻的超短期预测数列P_o，具体包括：

采用回归模型，将风电场历史实发功率、风电场历史实际风速和风电场历史短期预测功率作输入，将待预测时刻的实时功率作输出，建立超短期功率回归模型；

将风电场当前时刻k的实时功率、实时风速和短期预测功率，带入所述超短期功率回归模型，确定所述当前时刻k后的t个时刻的超短期预测数列P_o。