[发明专利]一种基于PASDA和FTS的风电爬坡事件识别方法

权利要求书

1.一种基于PASDA和FTS的风电爬坡事件识别方法，其特征在于按以下步骤进行：

S1：获取时间分辨率为15分钟的风电场功率数据，通过数种滤波方法，分别对原始功率数据进行预处理，选择其中滤波效果最好的滤波方法，并获得经过最佳滤波预处理后的风电功率数据；

S2：将经过S1预处理后的风电功率数据投入基于常规旋转门算法SDA的参数自适应改进模型中，在尽可能保留数据波动趋势的情况下降低了压缩误差，完成对风电功率数据的压缩处理，获得经过参数自适应旋转门压缩后的风电功率数据；

S3：对经过S2压缩处理后的风电功率数据进行风波动趋势特征筛选，根据判定规律为每段风过程赋予相应的波动趋势，随后消除降低识别精度的bump事件所代表的波动趋势特征，获得合并波动趋势特征后具有上/下爬坡趋势的风电功率数据；

S4：对经过S3趋势判定后的风电功率数据进行爬坡事件的识别，基于三种常见定义的不同时间和阈值条件，识别获得风电爬坡事件的数量结果和起止时间结果。

2.根据权利要求1中所述一种基于PASDA和FTS的风电爬坡事件识别方法，其特征在于：所述S1步骤中，数种滤波方法分别为：小波包滤波、Haar/db/sym小波滤波、MEEMD滤波和smooth滤波，具体通过信噪比SNR、波形相似参数NCC、均方误差MSE的滤波评价指标确定上述数种滤波方法中哪种滤波方法为最佳方法，并输出经过该最佳方法预处理后的风电功率数据。

3.根据权利要求1中所述一种基于PASDA和FTS的风电爬坡事件识别方法，其特征在于：所述S2的具体步骤包括：

S2.1：根据初始参数进行常规旋转门压缩，判断风电功率数据是否在门的张开范围内，若是，则保持门控参数，推进一个风电功率数据继续判断；若否，则转入S2.2进一步计算风电功率数据段的压缩误差；

S2.2：计算上一个压缩点到该风电功率数据点的压缩误差，判断压缩误差是否在给定阈值范围内；若是，则记录该风电功率数据点为压缩点，并将所有的符合要求的风电功率数据进行集合，得到经过参数自适应旋转门压缩后的风电功率数据集合；若否，则转入S2.3自适应地修改门控参数；

S2.3：若计算压缩误差大于给定误差阈值，则相应减小门控参数，若计算误差小于给定误差阈值，则相应增大门控参数；修改门控参数后，退回一个数据，重新进行旋转门算法的压缩判断，循环S2.1步骤直至所有风电功率数据都得到判断，完成风电功率数据压缩。

4.根据权利要求1中所述一种基于PASDA和FTS的风电爬坡事件识别方法，其特征在于：所述S3步骤中，具体步骤包括：

S3.1：设置额定装机容量的2％为风波动趋势的判定条件；

S3.2：相邻风电功率数据点间，前一个风电功率数据减后一个风电功率数据的功率差值大于额定装机容量的2％，则判定两风电功率数据点间的波动趋势为-1；相邻风电功率数据点间功率数据之差的绝对值小于额定装机容量的2％，则判定两风电功率数据点间的波动趋势为0；相邻风电功率数据点间，后一个风电功率数据减前一个风电功率数据的功率差值大于额定装机容量的2％，则判定两风电功率数据点间的波动趋势为+1；

S3.3：消除代表bump事件的波动特征趋势，将波动趋势持续为+1的数据段中存在的少量0趋势或-1趋势更改为+1趋势，将波动趋势持续为-1的数据段中存在的少量0趋势或+1趋势更改为-1趋势，完成风波动趋势特征筛选过程。

5.根据权利要求1中所述一种基于PASDA和FTS的风电爬坡事件识别方法，其特征在于：所述S4步骤中，实现对爬坡事件的识别，其具体步骤包括：

S4.1：合并波动趋势特征到经过参数自适应旋转门压缩后的风电功率数据集合中，构建具有上/下爬坡趋势的数据集；

S4.2：关于风电爬坡事件的三种常见定义分别是：(1)一段时间内风电功率起止时间差值的绝对值大于指定阈值；(2)一段时间内风电功率最大值和最小值的差值大于指定阈值；(3)一段时间内风电功率起止时刻差值的绝对值与检测时长之比大于指定阈值；

S4.3：依据S4.2三种常见爬坡事件的定义，基于用户所需的具体时间和阈值条件，完成对风电爬坡事件的识别。