专利交易市场

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。

本发明公开了一种风电功率的实时预测方法，包括步骤：步骤S1，对于已投入运行的任意一台风电设备，预先获取该风电设备在已完成发电操作的每个发电时刻具有的风电功率和风速；步骤S2，建立风电功率的预测模型，该风电功率的预测模型用于建立风电设备在前一时刻的风电功率与后一时刻的风电功率之间的非线性关系；步骤S3，实时采集风电设备当前时刻的风电功率和风速，然后输入到所述风电功率的预测模型中，从而实时预测获得风电设备在后一时刻的风电功率。本发明公开的风电功率的实时预测方法，其设计科学，通过建立风电功率的预测模型，能够高效、可靠地对风电设备的风电功率进行实时预测，具有重大的实践意义。

本发明公开了一种基于GSA‑LSSVM模型的短期风电功率预测方法，通过将复杂的原始风速功率数据通过风速爬坡坡度合理的分为三类，弥补了模型计算量过大的缺点，同时分类后的数据特征性更强，更能体现风速到功率的转化关系，改善导致同一风速对应不同功率的现象，同时改进的GSA一定程度上改善了传统GSA方法易陷入局部最小值的缺点，从而提高风电场短期功率预测的准确性，弥补了目前预测方法不能取得较优的泛化能力、单一模型无法解释风速到功率的复杂转化关系、未将风速骤然变化考虑到预测模型等缺点，提高了风电场对实际发电功率实时预测的准确性，具有良好的应用前景。

本发明公开了一种两阶段动态优化短期风电功率预测方法，该方法通过获取风电场区域数值天气预报气象数据，根据风机有功发电的历史数据和实际数据，利用高斯回归算法构建风电场短期功率预测模型并对未来72小时功率进行预测；同时，利用高斯回归算法和差分延迟算子对短期功率预测模型进行两阶段动态优化以提高预测的精度。通过对短期风电功率预测过程中的解决了目前短期风电功率预测方法结构单一、准确度不高和欠稳定等问题，提高了风电场短期风电功率预测的准确率。

基于数据挖掘原始误差校正的ICS‑ELM超短期风电功率预测方法，首先，采用数据挖掘DM技术描述风速和风电功率的关系，对无效、缺失的原始数据进行修正；然后，通过变分模态分解VMD将风电功率分解为趋势分量和细节分量，以趋势分量作为输入量以减少噪声量；同时，提出一种改进布谷鸟搜索ICS算法对ELM的输入层权值矩阵和隐含层偏置矩阵进行优化；最后通过ELM网络完成风电功率预测。本发明一种基于数据挖掘原始误差校正的ICS‑ELM超短期风电功率预测方法，该方法针对风电时间序列的原始误差和非平稳波动特征，具有更高的预测精度和稳定性，适用于超短期风电功率预测问题。

本申请公开了一种基于多模型融合的风电功率预测方法、系统及设备，涉及风电预测技术领域，通过结合皮尔逊相关系数、冰霜优化算法优化变分模态分解模型、CNN‑ASSA‑Informer模型和分位数回归，实现了短期风电功率预测的非参数化概率预测，通过优化算法处理复杂的时序数据，解决了时序数据中不同频率成分与风电功率之间的复杂关系。并构建相应的预测区间，提高了风电功率预测的精度和置信度，能够为区域风电调度、可再生能源集成与电力市场提供更加可靠的风电功率预测结果。