[发明专利]考虑功率变化趋势的风电分段短期功率预测方法

权利要求书

1.一种考虑功率变化趋势的风电分段短期功率预测方法，其特征在于，包括：

步骤1，获取风电历史数据；

步骤2，根据风电历史数据，建立风电功率变化趋势分区模型，实现对风电出力进行分区；

步骤3，基于高斯核函数建立风电功率变化趋势分区模型的不同变化趋势下的风电功率预测误差分析模型，提取不同变化趋势下的风电功率变化特征；

步骤4，基于人工神经网络，建立不同变化趋势下的风电短期功率预测模型，得到风电短期功率预测结果。

2.根据权利要求1所述的考虑功率变化趋势的风电分段短期功率预测方法，其特征在于，风电历史数据包括按时序采样的待预测风电短期功率的风电场历史上的作为实际出力的风电有功功率、作为预测出力的风电预测功率、风速与风向。

3.根据权利要求1所述的考虑功率变化趋势的风电分段短期功率预测方法，其特征在于，步骤2具体包括：

根据风电历史数据的风电有功功率，得到风电历史功率变化曲线，再根据风电历史功率变化曲线得到风电功率的上升爬坡区间、下降爬坡区间与非爬坡区间；风电功率的上升爬坡区间、下降爬坡区间与非爬坡区间就形成了风电功率变化趋势分区模型，实现了对风电出力进行分区。

4.根据权利要求3所述的考虑功率变化趋势的风电分段短期功率预测方法，其特征在于，上升爬坡区间为：在风电历史功率变化曲线的该区间内，风电有功功率变化趋势为按时序逐渐增大，可存在小段的波动区间；

下降爬坡区间为：在风电历史功率变化曲线的该区间内，风电功率变化趋势为按时序逐渐减小，可存在小段的波动区间；

非爬坡区间：该区间内，风电功率变化存在随机性，也就是在风电历史功率变化曲线中的除去上升爬坡区间和下降爬坡区间之外的区间。

5.根据权利要求1所述的考虑功率变化趋势的风电分段短期功率预测方法，其特征在于，步骤3具体包括：

步骤3.1，应用高斯核函数，分别建立上升爬坡区间、下降爬坡区间与非爬坡区间这样的变化趋势区间的风电功率预测误差分析模型；

步骤3.2，得到不同变化趋势下的风电短期功率变化特征，风电短期功率变化特征包括风电功率预测误差期望值与功率预测误差熵值。

6.根据权利要求5所述的考虑功率变化趋势的风电分段短期功率预测方法，其特征在于，风电功率预测误差分析模型为公式(1)所示：

式中，K_i(·)表示高斯核密度函数，i＝1表示上升爬坡段，i＝2表示下降爬坡段，i＝3表示非爬坡段；x表示i＝1、i＝2或者i＝3的条件下i表示的变化趋势区间的风电有功功率的预测误差。

7.根据权利要求5所述的考虑功率变化趋势的风电分段短期功率预测方法，其特征在于，风电功率预测误差期望值为公式(2)所示：

式中，E_p,i表示i＝1、i＝2或者i＝3的条件下i表示的变化趋势区间的风电功率预测误差期望值；ΔP_ek表示第k个采样点时刻的相应变化趋势区间的风电有功功率的预测误差，n表示采样个数。

8.根据权利要求5所述的考虑功率变化趋势的风电分段短期功率预测方法，其特征在于，功率预测误差熵值为公式(3)所示：

式中，E_s,i表示i＝1、i＝2或者i＝3的条件下i表示的变化趋势区间的风电功率预测误差熵值。

9.根据权利要求1所述的考虑功率变化趋势的风电分段短期功率预测方法，其特征在于，步骤4具体包括：

步骤4.1，采用长短期记忆网络LSTM建立风电短期功率预测模型；

步骤4.2，LSTM的损失函数定义为每日最大预测误差；

步骤4.3，利用风电短期功率预测模型输入输出数据。