[发明专利]基于特征提取和深度学习的风电爬坡事件预测方法

说明书

本发明公开了一种基于特征提取和深度学习的风电爬坡事件预测方法，首先，利用改进旋转门(OpSDA)算法对历史风电功率进行爬坡识别得到历史爬坡特征值；然后将历史特征值和历史功率作为预测模型输入，预测功率作为输出，建立CNN‑LSTM风电功率预测模型，通过深度学习挖掘风电爬坡特征与风电功率的耦合关系，其中CNN负责数据特征的二次提取，LSTM负责预测风电功率；最后再进行爬坡识别后得到爬坡事件预测结果。采用深度学习网络有效提取并学习风电中的爬坡特性，能得到更为精确的爬坡预测结果。

技术领域

本发明涉及基于特征提取和深度学习的风电爬坡事件预测方法，属于风电的不确定性分析和新能源预测领域。

背景技术

风能作为可再生的清洁能源在我国得到广泛应用，根据国家能源局发布统计，2019年全国风电新增并网装机容量2574万kW，累计装机容量2.1亿kW。而随着风电并网规模加大，风电本身所具有的不确定性对电力系统安全稳定运行的影响也越大。特别是风电爬坡事件，会造成电网发供电不平衡等问题，给电网运行带来极大的安全隐患或造成严重的经济损失。因此对于电力系统安全运行和经济调度而言，能够得到准确的爬坡事件预测结果至关重要。

爬坡预测与风电功率预测不同之处在于，爬坡是风电序列中发生小概率事件，爬坡预测以事件作为预测对象，预测方法有直接预测和间接预测两种。直接预测需要通过大量历史爬坡数据训练模型，有学者对爬坡的多属性联合统计特性建模，提出了一种日前爬坡事件序列预测算法，该方法忽略了风电所特有的时序特征与爬坡事件的关联性，且对于统计模型而言历史数据的完备性会影响预测的准确度。当前基于风电爬坡事件预测的研究主要采取间接预测的方法，是在风电功率预测的基础上再进行爬坡识别得到爬坡预测结果。爬坡事件会使风电功率出力特征的分析难度加大，现有研究大多通过将风电的相关特性数据作为模型的输入以提高预测精度，例如在预测前通过物理模型捕捉风电信号的长期趋势特征。有学者在考虑风电的空间特征的基础上，采用了深度神经网络和多任务学习结合的方法，基于风电场的空间相关性同时接收来自多个风电场的输入进行预测。还有学者提出通过卷积神经网络(CNN)提取特征，但现有研究针对爬坡预测却少有考虑到爬坡事件本身的特征，爬坡特征的提取过程中也并未经过严格的爬坡定义，而是直接利用CNN提取风电功率时间序列中的突变特征作为爬坡特征，在预测模型中未结合风电信号本身的特性。

目前风电爬坡事件预测的理论体系还在完善过程中，现有预测方法主要存在的问题在于预测模型的输入部分未充分考虑到风电的爬坡特征，而是直接将风电和其他影响因素输入模型。但爬坡事件作为风电序列中的小样本事件，其特征信息容易淹没于风电信号中，而且特征信息较为复杂，若不提前提取爬坡特征信息作为输入，模型将难以学习到完备的爬坡特征情况，继而无法有效预测出风电爬坡事件。

发明内容

发明目的：为了克服上述现有技术的不足之处，本发明提供基于特征提取和深度学习的风电爬坡事件预测方法，通过改进的旋转门算法(OpSDA)识别爬坡并提取特征，利用CNN-LSTM模型二次提取爬坡特征后进行预测，可以有效提高爬坡事件预测的精度。

技术方案：基于特征提取和深度学习的风电爬坡事件预测方法，包括以下步骤：

步骤1：对历史风电功率采用OpSDA算法进行爬坡识别，提取4种爬坡特征值：爬坡率R_R、爬坡幅值R_SW、开始时间R_ST和持续时间R_D；

步骤2：利用滑动窗口对由风电功率和爬坡特征值组成的输入数据进行划分后输入CNN-LSTM预测模型中，CNN再次提取爬坡特征，LSTM预测得到提前16步的多个预测结果，通过提取多步预测的第一个预测点得到最终的滚动多步风电功率预测结果；

步骤3：通过对预测功率进行爬坡识别，得到爬坡事件的预测结果。