新能源与高效节能

本发明公开了一种风电功率爬坡事件间接预测方法，首先，利用多元变分模态分解将原始风电功率和风速联合分解成一组相对平稳的子序列；其次，使用卷积神经网络对每一个被分解的风电功率序列进行特征提取；再次，利用改进的FDA算法对BIGRU模型的超参数进行优化，得到优化预测模型并对风电功率进行预测，采用残差修正模型TCN对其进行误差校正，以获得最终的风电功率预测值；最后，将最终风电功率预测值作为输入，使用改进的FDA算法优化旋转门算法对其中的风电爬坡事件进行识别；结合爬坡定义和检测算法，对预测功率中的爬坡事件进行间接预测。本发明能够使得风功率预测更加接近实际值，提高风功率预测的准确度，提升风电爬坡事件的识别精度。

成果亮点

发明目的：针对现有技术的不足，本发明提出一种风电功率爬坡事件间接预测方法，能够使得风功率预测更加接近实际值，提高风功率预测的准确度，提升风电爬坡事件的识别精度。 技术方案：本发明提出一种风电功率爬坡事件间接预测方法，包括以下步骤： (1)获取原始风电场传感器收集的风力原数据，利用多元变分模态分解方法MVMD将原始风电功率和风速联合分解，分解成一组相对平稳的子序列； (2)使用卷积神经网络CNN对每一个被分解的风电功率序列进行特征提取，将CNN输出的数据矩阵送入BIGRU神经网络，形成CNN-BIGRU模型； (3)对FDA算法进行改进，在FDA算法的流的新位置更新过程中，采用适应度距离平衡找到最优流的新位置； (4)利用改进的FDA算法对CNN-BIGRU模型的超参数进行优化，得到混合预测模型IFDA-CNN-BIGRU并对风电功率进行预测，获得各个分量的预测值，将预测值进行叠加，获得预测结果； (5)采用残差修正模型TCN对风电功率预测值进行误差校正，获得最终的风电功率预测值；

该方法可以应用于以下领域：

风电并网调度：对于大规模风电场接入电网，预测风电功率爬坡事件有助于电网调度中心更好地规划电力调度计划，保证电网稳定性。

风电场运维：对于风电场运营商，该方法可以帮助他们更准确地预测风电功率变化，提前安排维护计划，减少停机时间，提高风电利用率。

风电设备制造商：该方法可用于评估风电设备性能，优化设备设计，提高风电机组对风速变化的响应能力

有益效果：与现有技术相比，本发明的有益效果：

本发明应用了多元变分模态分解对原始风电功率、风速进行联合分解，使用多元变分模态分解，确保了每一个序列在分解后，在时间和频率尺度上都能相互匹配，还能有效地维持各个元素之间的同步相关性和依赖性；又应用了卷积神经网络进行特征提取，在CNN-BIGRU模型的基础上采用改进的FDA算法进行超参数调优，使网络拥有更高的预测精度和更好的适应度；并利用残差修正模型TCN进行误差修正，降低了每个预测步长对应的预测误差，使得风功率预测更加接近实际值，提高风功率预测的准确度；最后，利用改进FDA优化旋转门算法对其中的风电爬坡事件进行识别，提升了风电爬坡事件的识别精度。