(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111609901.7 (22)申请日 2021.12.27 (71)申请人 上海电力大 学 地址 201306 上海市浦东 新区沪城环路 1851号 (72)发明人 余光正　陆柳　汤波　沈凌旭　 刘承全　崔朝越　胡越　朱威　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 代理人 彭瑶 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/10(2006.01) G06F 113/06(2020.01) G06F 119/02(2020.01) (54)发明名称 一种基于转折性时段识别的超短期风电功 率分段预测方法 (57)摘要 本发明涉及一种基于转折性时段识别的超 短期风电功率分段预测方法， 利用移动均线法提 取时序趋势； 采用高斯窗法对指数移动平均线 (EMA)进行平滑处理， 计算各时刻时序变化率α； 基于局部时序特征的窗口调整策略自适应调节 时间窗宽； 基于双重定时间滑动窗的拐点检测策 略， 引入α作为判据之一， 提取并划分转折性天 气突变时段； 对转折段时序采用改进GRU算法点 预测， 结合CRS算法的改进Attention机制； 对平 缓段时序采用概率预测， 采用经验分布估计法建 立时序模式 ‑功率预测误差概率密度分布模型， 基于可变带宽核密度估计法进行风电功率概率 预测； 结合点预测与概率预测时序分段预测得到 最终预测结果。 与现有技术相比， 本发明具有提 升模型运 算效率等优点。 权利要求书3页 说明书10页 附图4页 CN 114386324 A 2022.04.22 CN 114386324 A 1.一种基于转折性时段识别的超短期风电功率分段预测方法， 其特征在于， 包括下列 步骤： 1)提取时序趋势， 求取表征风电场原始风电数据的短期发展趋势的EMA曲线， 采用高斯 窗法进行平 滑处理后求取 各时刻变化 率为α； 2)基于步骤1)得到的EMA曲线， 利用EMA曲线局部特征差异制定窗口调整策略， 设定检 测阈值ε， 若窗口与其前一窗口之间分布差异波动小于该检测阈值ε， 则扩大窗宽加快检测 速度， 否则， 缩小窗宽以提升检测精度； 3)基于步骤2)制定的局部特征差异的窗口调整策略， 利用步骤1)求取的α作为判据之 一， 标记两个窗口内均值出现极小值的位置为拐点； 4)改进传统功率突变时段判据， 合并相邻同趋势突变时段， 完整提取转折性天气突变 时段； 5)依据自适应转 折时段提取 结果为划分依据， 将时序划分为 转折段与平缓段； 6)对平缓段采用点预测， 采用GRU作为点预测的原始算法， 引入结合CRS算法的改进 Attention机制， 将神经网络模 型的过渡 特征向量赋予不同的权重， 随后将注 意力权重传输 到GRU层， 输出GRU神经网络的训练结果， 读取训练损失曲线、 误差曲线， 观察 收敛过程中训 练集、 验证集损失曲线纵向间距， 结合训练集、 验证集绝对误差情况， 直观评估网络预测结 果收敛性能； 7)对转折段采用概 率预测， 采用时序模式 ‑自适应带宽核密度估计法概 率预测； 8)将步骤6)和步骤7)组合完成基于转折性时段的超短期风电功率预测， 获取预测功 率。 2.根据权利要求1所述的基于转折性时段识别的超短期风电功率分段预测方法， 其特 征在于， 步骤1)中， 利用移动均线法提取时序趋势。 3.根据权利要求1所述的基于转折性时段识别的超短期风电功率分段预测方法， 其特 征在于， 步骤2)中， 利用E MA曲线局部特 征差异制定窗口调整策略的具体步骤 包括： 21)将原始功率时序切分为若干片段， 对每 个片段进行转 折点检测； 22)在转折点检测中， 定义diffi为度量第i个窗口与前一窗口的分布差异波动情况， 记 为 其中Vsi为待检测数据的第i个窗口数据数据分布的 均值波动， Dsi为差值波动； 23)设定阈值ε， 若diffi的值小于或等于阈值ε， 则扩大滑动窗宽W， 增加检测速度； 若 diffi的值大于 ε， 则缩小滑动窗宽W， 提升检测精度。 4.根据权利要求1所述的基于转折性时段识别的超短期风电功率分段预测方法， 其特 征在于， 步骤3)中， 采用双重 定时间滑动窗进行拐点检测。 5.根据权利要求4所述的基于转折性时段识别的超短期风电功率分段预测方法， 其特 征在于， 采用双重 定时间滑动窗进行拐点检测的具体内容 为： 首先引入步骤1)求取的各时刻变化率α作为判据之一， 设定拐点满足条件α＝0； 基于 EMA曲线， 建立两个紧密相连的滑动窗口， 逐帧更新两个窗口内的数据， 标记两个窗口内均 值差别达到最小时的结合点处的功率值为拐点， 重复上述步骤， 获取相 应的时序趋势拐点权　利　要　求　书 1/3 页 2 CN 114386324 A 2集Tip。 6.根据权利要求5所述的基于转折性时段识别的超短期风电功率分段预测方法， 其特 征在于， 步骤4)中， 改进的突变时段判据的表达式为： 式中， 为拐点集Tip中第j点功率值； 为拐点集Tip中第j+1点功率值； 为拐点集 Tip中经过第j点 时刻； 为拐点集Tip中经过第j +1点的时刻； λ为转折 时段突变幅度阈值； β 为转折时段突变速率阈值； 合并相邻同趋势的突变时段， 以完整提取转 折时段。 7.根据权利要求1所述的基于转折性时段识别的超短期风电功率分段预测方法， 其特 征在于， 步骤6)中， GRU神经网络的数 学表达式为： zt＝σ(Wz·[ht‑1,xt]) rt＝σ(Wr·[ht‑1,xt]) 式中： zt为更新门， rt为重置门， Xt为当前输入， 为输入和过去隐层状态的汇总， ht为隐 藏层输出， Wz， Wr， W为可训练参数矩阵。 8.根据权利要求7所述的基于转折性时段识别的超短期风电功率分段预测方法， 其特 征在于， 步骤6)中， 引入 结合CRS算法的改进Attention机制， 将神经网络模型的过渡特征向 量赋予不同的权 重的具体步骤 包括： 61)提供注意力层的权 重W， 权重的具体 计算步骤如下： 611)对给定任务 查询向量 Q和注意力变量K计算相似度M(Q， K)； 612)将得到相似度进行Softmax操作， 进行归一 化， 得到归一 化后相似度 ηi： 613)针对上述计算所 得的权重， 对所有求得权 重进行加权求和， 得到A ttention向量； 62)将提供的注意力层的权重W转换为二进制代码 WB， 子集Wi为注意力权重， 将子集传输 至GRU神经网络， 并在GRU神经网络根据网络中的预测误差产生相应的损失值； 63)根据WB的损失情况选取最优注意力权重子集WiB和 并对其子集组合进行反复循 环； 64)重建一个新的注意力权 重 9.根据权利要求1所述的基于转折性时段识别的超短期风电功率分段预测方法， 其特 征在于， 步骤7)中， 采用时序模式 ‑自适应带宽核密度估计法概 率预测的具体步骤 包括： 71)基于功率时段特征划分时序模式， 划分为剧烈上升、 剧烈下降、 缓慢上升、 缓慢下降 和振荡五类；权　利　要　求　书 2/3 页 3 CN 114386324 A 3