CN103440529B - 一种风电功率预测系统的横向误差平移修正方法 - Google Patents

Abstract

本发明提供了一种风电功率预测系统的横向误差平移修正方法，包括：采集风电功率历史预测和实测数据序列，按四个季度分类，将每年各季度数据划分为三种功率趋势段：功率持续增加段、功率持续降低段和功率保持不变段；采用功率趋势持续时间模型得到各功率趋势段持续时间序列并进行概率统计分析，得出宏观集中分布值，输入风电功率预测横向误差模型得到每年各季度横向误差，对N年同季度横向误差取加权平均值作为各季度横向误差修正值；用该值对风电功率预测系统提供给电网调度的预测功率序列进行平移修正，并对平移修正效果整体评估。本发明对各类风电、光电等功率短期或超短期预测系统具有普遍适用性，能进一步提高各类功率预测系统精度。

Description

一种风电功率预测系统的横向误差平移修正方法

技术领域

本发明属于电力系统预测与控制技术领域，尤其涉及一种风电功率预测系统的横向误差平移修正方法。

背景技术

对风电场未来一段时间(短期或超短期)的输出功率进行较高精度和可信度的预测，是电力系统调度机构制定风电调度计划、实现风力发电“可控、可调”及大规模并网目标的前提和必须关注解决的问题。目前关于风电功率预测方面的研究大多集中于预测方法及方法的改进上。现有技术对不同的风电功率预测方法进行了深入探讨和研究，且国标要求并网风电场应当装备风电功率预测系统。但从全国各类型风电功率预测系统的预测效果来看，其精度依然有限，难以做到对风电未来功率的精确预测。

对风电功率预测误差进行全面、深入的分析研究，找出误差产生的原因，是制定误差补偿、修正策略，提高风电功率预测精度的重要前提和根本途径。而目前的研究主要集中于风电功率预测的纵向误差方面，尚未见公开发表的关于风电功率预测横向误差方面的专项研究。本发明对大量风电功率短期和超短期预测和实测数据进行对比研究发现，横向误差的产生是纵向误差存在的根本原因之一。另外，现有风电功率预测系统普遍存在输出的预测数据序列在横向时间轴上超前或滞后于实测数据序列的问题，并由此产生一定的横向误差，这也是无法通过改进预测模型精度和预测方法等措施以进一步提高预测精度的根本原因之一。

因此本发明针对现有风电功率预测系统中存在的由预测数据序列在横向时间轴上超前或滞后于实测数据序列而产生的横向误差问题，公开了一种风电功率预测系统的横向误差平移修正方法，在一定程度上解决了上述问题，能进一步提高各类功率预测系统精度，对于风电、光伏发电等各类功率预测系统都具有普遍适用性，降低风电、光伏发电调度难度和电力系统化石能源热备用容量，减少风电场弃风和光能资源浪费，提高风电场、光伏电站运营经济效益。

发明内容

本发明针对现有风电功率预测系统中存在的由预测数据序列在横向时间轴上超前或滞后于实测数据序列而产生的横向误差问题，公开了一种风电功率预测系统的横向误差平移修正方法，对于风电、光伏发电等各类功率预测系统都具有普遍适用性。

该方法的技术方案是，一种风电功率预测系统的横向误差平移修正方法，其特征是所述方法包括下列步骤：

(1)采集风电功率历史短期或超短期预测和实测数据序列，按照四个季度进行分类，将每年各季度的数据分别划分为三种功率趋势段：功率持续增加段、功率持续降低段和功率保持不变段，并生成功率趋势段起止点序列；

(2)采用功率趋势持续时间模型得到各功率趋势段的持续时间序列；

(3)对各功率趋势段的持续时间进行概率统计分析，得出宏观集中分布值，输入风电功率预测横向误差模型，得到每年各季度的横向误差，对每年同季度的横向误差取加权平均值作为各季度的短期或超短期横向误差修正值输出；

(4)对风电功率预测系统提供给电网调度的风电功率短期或超短期预测序列根据各季度的横向误差修正值进行平移修正，并对平移修正前后的效果进行整体评估。

所述采集风电功率历史短期或超短期预测和实测数据序列，按照四个季度进行分类，是指分别将采集到的历年风电功率短期或超短期预测和实测数据，按照四个季度进行拆分，则采集到的数据包括短期或超短期预测数据的(n年×m季度)组和与预测数据同期的短期或超短期实测数据的(n年×m季度)组数据。

所述将每年各季度的数据分别划分为三种功率趋势段：功率持续增加段、功率持续降低段和功率保持不变段，分别是指风电预测或实测功率在该段内的变化趋势始终保持不变，即功率持续增加、持续降低和保持不变的功率曲线段。其划分方法分为计及功率趋势跃变点和忽略功率趋势跃变点两种情况。计及功率趋势跃变点是对功率趋势段进行严格意义的划分，忽略功率趋势跃变点能够较全面的把握相邻功率趋势段的功率变化情况。

所述功率趋势持续时间模型是由计及功率趋势跃变点的功率趋势段起止点序列或忽略功率趋势跃变点的功率趋势起止点序列中各元素对应的时刻值构成，并据此输出预测和实测各功率趋势段的持续时间序列。

所述对各功率趋势段的持续时间进行概率统计分析，得出宏观集中分布值，是指分别对预测和实测各功率趋势段的持续时间序列进行概率统计分析，分别得出预测和实测三个功率趋势段持续时间的宏观集中分布概率，利用公式T₁＝OCCU_T_1×Rdes_T_1，T₀＝OCCU_T_0×Rdes_T_0，T₂＝OCCU_T_2×Rdes_T_2，OCCU_T_1、OCCU_T_0和OCCU_T_2分别代表功率持续增加段、保持不变段和降低段的持续时间宏观集中分布概率，Rdes_T_1、Rdes_T_0和Rdes_T_2分别代表与OCCU_T_1、OCCU_T_0和OCCU_T_2相对应的持续时间，得出预测值各功率趋势持续时间的宏观集中分布值T₁_P_F、T₀_P_F、T₂_P_F和实测值各功率趋势持续时间的宏观集中分布值T₁_P_M、T₀_P_M、T₂_P_M。

所述将宏观集中分布值，输入风电功率预测横向误差模型，得到每年各季度的横向误差，对每年同季度的横向误差取加权平均值作为各季度的短期或超短期横向误差修正值输出是指：分别将预测值和实测值的宏观集中分布值T₁_P_F、T₀_P_F、T₂_P_F和T₁_P_M、T₀_P_M、T₂_P_M输入风电功率预测横向误差模型ΔT₁＝T₁_P_F-T₁_P_M、ΔT₀＝T₀_P_F-T₀_P_M、ΔT₂＝T₂_P_F-T₂_P_M中，得到每年各季度的横向误差ΔT₁、ΔT₀、ΔT₂，并对每年同季度的横向误差取加权平均值作为各季度的短期或超短期横向误差修正值进行输出。

所述对风电功率预测系统提供给电网调度的风电功率短期或超短期功率预测序列根据各季度的短期或超短期横向误差修正值进行平移修正是指：首先对风电功率预测系统提供给电网调度的风电功率短期或超短期功率预测序列按照忽略功率趋势跃变点的方法进行划分；其次根据各季度在各功率趋势段的短期或超短期横向误差修正值分别对已划分好的三种风电短期或超短期预测功率趋势段进行平移修正，平移修正遵循如下原则：

①或或则将相应功率趋势段向时间轴左侧平移，或或则将相应功率趋势段向时间轴右侧平移，平移量分别为

②对风电功率预测系统提供给电网调度的已划分好的三种风电预测功率趋势段进行平移后，当某些时间段内出现无预测功率数值时，采用径向基本函数法对这一时间段的预测功率进行插值补全；当某些时段内出现两种功率趋势段重叠时，若两种功率趋势段有交点则保留交点到两种功率趋势段主体的部分，若两种功率趋势段没有交点则采用径向基本函数法对这一时间段的预测功率进行插值替换；此时，用经过平移修正后的具有更高精度的风电功率预测曲线替换原先的预测功率曲线。

所述对平移修正前后的效果进行整体评估，是指系统分别对风电功率预测系统提供给电网调度的风电功率短期或超短期预测曲线进行平移修正前后对所选评估时段内的风电功率预测纵向误差和横向误差进行评估：

①纵向误差依据均方根误差公式和绝对值平均误差公式进行评估，

$E_{RMSE}=\frac{1}{Cap}\·\sqrt{\frac{\underset{i=1}{\overset{n}{\Σ}}{(P_{Fi}-P_{Mi})}^2}{n}}$

$E_{MAE}=\frac{\underset{i=1}{\overset{n}{\Σ}}|P_{Fi}-P_{Mi}|}{n\·Cap}$

其中P_Fi为i时刻的预测功率，P_Mi为i时刻的实测功率，n为样本总个数，Cap为风电场平均开机容量。

②横向误差依据所述风电功率预测横向误差模型进行评估，即把所选评估时段内平移修正前后由横向误差模型求取的ΔT₁、ΔT₀、ΔT₂分别带入评估模型进行横向误差计算后再做差，其中ΔT_±代表预测值序列偏离实测值序列的方向，

本发明的有益效果在于，针对现有风电功率预测系统中存在的由预测数据序列在横向时间轴上超前或滞后于实测数据序列而产生的横向误差问题进行平移修正，公开了一种风电功率预测系统的横向误差平移修正方法，不仅能够修正风电短期功率预测横向误差，亦可用于修正风电功率超短期功率预测横向误差，在一定程度上解决了上述问题，对于各类风电、光伏发电等功率预测系统具有普遍适用性，能够进一步提高各类功率预测系统精度，降低风电、光伏发电调度难度和电力系统化石能源热备用容量，减少风电场弃风和光能资源浪费，提高风电场、光伏电站运营经济效益。

附图说明

图1为本发明的一种风电功率预测系统的横向误差平移修正方法的流程图；

图2(a)为本发明的一个实施例中风电预测功率持续增加段超前实测功率持续增加段现象示意图；

图2(b)为本发明的一个实施例中风电预测功率持续降低段滞后实测功率持续降低段现象示意图；

图3(a)为本发明的一个实施例中风电实测功率持续增加段出现功率趋势跃变现象示意图；

图3(b)为本发明的一个实施例中风电实测功率持续降低段出现功率趋势跃变现象示意图；

图4(a)为本发明的一个实施例中应用横向误差修正值对风电预测功率持续增加段进行平移修正的结果图；

图4(b)为本发明的一个实施例中应用横向误差修正值对风电预测功率持续降低段进行平移修正的结果图。

具体实施方式

下面根据说明书附图并结合具体实施例对本发明的技术方案进行进一步详细表述。

一种风电功率预测系统的横向误差平移修正方法的流程图，如图1所示。所述方法包括四个步骤：

(1)采集风电功率历史短期或超短期预测和实测数据序列，按照四个季度进行分类，将每年各季度的数据分别划分为三种功率趋势段：功率持续增加段、功率持续降低段和功率保持不变段，并生成功率趋势段起止点序列；

(2)采用功率趋势持续时间模型得到各功率趋势段的持续时间序列；

(3)对各功率趋势段的持续时间进行概率统计分析，得出宏观集中分布值，输入风电功率预测横向误差模型，得到每年各季度的横向误差，对每年同季度的横向误差取加权平均值作为各季度的短期或超短期横向误差修正值输出；

(4)对风电功率预测系统提供给电网调度的风电功率短期或超短期预测序列根据各季度的横向误差修正值进行平移修正，并对平移修正前后的效果进行整体评估。

下面对各步骤进行详细阐述。

步骤一：

分别采集风电功率历史短期或超短期预测数据序列和实测数据序列，按照四个季度进行拆分，则采集到的数据包括短期或超短期预测数据的(n年×m季度)组和与预测数据同期的短期或超短期实测数据的(n年×m季度)组数据。

每年各季度的预测和实测数据分别划分为三种功率趋势段：功率持续增加段、功率持续降低段和功率保持不变段，并生成功率趋势段起止点序列，划分方法分为计及功率趋势跃变点和忽略功率趋势跃变点两种情况。

其中，计及功率趋势跃变点是对功率趋势段进行严格意义的划分：

记一组连续的功率序列P为：

P＝[P_i，P_(i+1)，…，P_(i+m)，P_(i+m+1)，…，P_(i+m+n)，P_(i+m+n+1)，…，P_(i+m+n+o)]

且序列中各元素的数值大小关系满足：

P_i＜P_(i+1)＜…＜P_(i+m)＝P_(i+m+1)＝…＝P_(i+m+n)＞P_(i+m+n+1)＞…＞P_(i+m+m+o)

其中(i+m+n+o)为序列P中元素的总个数，则划分后连续功率序列P的功率持续增加段、保持段和降低段序列分别为：

P_1＝[P_i，P_(i+1)，…，P_(i+m)]

P_0＝[P_(i+m)，P_(i+m+1)，…，P_(i+m+n)]

P_2＝[P_(i+m+n)，P_(i+m+n+1)，…，P_(i+m+n+o)]

从这一连续的有功功率序列P中提取各功率趋势段起止点的功率值，并生成功率趋势段起止点序列DD_P：

DD_P＝[P_i，P_(i+m)，P_(i+m+n)，P_(i+m+n+o)]。

其中，忽略功率趋势跃变点能够较全面的把握相邻功率趋势段的功率变化情况：

当功率持续增加时，记一组连续的功率序列P为：

P＝[P_(i-n)，P_(i-n+1)，…，P_(i-1)，P_i，P_(i+1)，P_(i+2)]

且序列中各元素的数值大小关系满足：

P_(i-n)＜P_(i-n+1)＜…＜P_(i-1)＜P_i且P_i＞P_(i+1)

此时根据序列P中P_(i+2)值的大小，功率持续增加段序列P_1将为以下三种情况之一：

当功率持续降低时，记一组连续的功率序列P为：

P＝[P_(i-n)，P_(i-n+1)，…，P_(i-1)，P_i，P_(i+1)，P_(i+2)]

且序列中各元素的数值大小关系满足：

P_(i-n)＞P_(i-n+1)＞…＞P_(i-1)＞P_i且P_i＜P_(i+1)

此时根据序列P中P_(i+2)值的大小，功率持续降低段序列P_2将为以下三种情况之一：

当功率保持不变时，按照权利要求2中计及功率趋势跃变点的划分方法进行。

同理，分别从各功率趋势段序列中提取各功率趋势段起止点的功率值，并生成功率趋势段起止点序列DD_P′：

DD_P′＝[P_i，P_(i+m)，P_(i+m+n)，P_(i+m+n+o)]。

步骤二：

采用功率趋势持续时间模型得到各功率趋势段的持续时间序列。功率趋势持续时间模型是由计及功率趋势跃变点的功率趋势段起止点序列DD_P，或忽略功率趋势跃变点的功率趋势起止点序列DD_P′中各元素对应的时刻值构成的：

DD_T＝[T_i，T_(i+m)，T_(i+m+n)，T_(i+m+n+o)]

则由该模型可得出：功率持续增加段的持续时间序列由各功率持续增加段起止点的时刻值之差构成，记为T_1；功率保持不变的持续时间序列由功率保持不变段起止点的时刻值之差构成，记为T_0；功率持续降低的时间序列由功率持续降低段起止点的时刻值之差构成，记为T_2，即：

$\left\{\begin{array}{c}T\_1=\[T_i-T_{(i+m)}\]\\ T\_0=\[T_{(i+m)}-T_{(i+m+n)}\]\\ T\_2=\[T_{(i+m+n)}-T_{(i+m+n+o)}\]\end{array}\right.$

其中包括预测功率在每年各季度的一组T_1、T_0、T_2序列和实测功率在每年各季度的一组T_1、T_0、T_2序列。

步骤三：

对预测和实测的T_1、T_0和T_2序列进行概率统计分析，分别得出三个序列的宏观集中分布概率并记为OCCU_T_1、OCCU_T_0和OCCU_T_2，同时得出各自宏观集中分布概率对应的持续时间Rdes_T_1、Rdes_T_0和Rdes_T_2，应用公式T₁＝OCCU_T_1×Rdes_T_1，T₀＝OCCU_T_0×Rdes_T_0，T₂＝OCCU_T_2×Rdes_T_2，得出预测值各功率趋势持续时间的宏观集中分布值T₁_P_F、T₀_P_F、T₂_P_F和实测值各功率趋势持续时间的宏观集中分布值T₁_P_M、T₀_P_M、T₂_P_M。

分别将所述预测值和实测值的宏观集中分布值T₁_P_F、T₀_P_F、T₂_P_F和T₁_P_M、T₀_P_M、T₂_P_M输入风电功率预测横向误差模型ΔT₁＝T₁_P_F-T₁_P_M、ΔT₀＝T₀_P_F-T₀_P_M、ΔT₂＝T₂_P_F-T₂_P_M中，得到每年各季度的横向误差ΔT₁、ΔT₀、ΔT₂，并对每年同季度的横向误差取加权平均值作为各季度的短期或超短期横向误差修正值进行输出。

步骤四：

对风电功率预测系统提供给电网调度的风电功率短期或超短期功率预测序列进行忽略功率趋势跃变点的划分，再根据步骤三输出的各季度在各功率趋势段的短期或超短期横向误差修正值分别对已划分好的三种风电短期或超短期预测功率趋势段进行平移修正，平移修正遵循如下原则：

①或或则将相应功率趋势段向时间轴左侧平移，或或则将相应功率趋势段向时间轴右侧平移，平移量分别为

②对风电功率预测系统提供给电网调度的已划分好的三种风电预测功率趋势段进行平移后，当某些时间段内出现无预测功率数值时，采用径向基本函数法对这一时间段的预测功率进行插值补全；当某些时段内出现两种功率趋势段重叠时，若两种功率趋势段有交点则保留交点到两种功率趋势段主体的部分，若两种功率趋势段没有交点则采用径向基本函数法对这一时间段的预测功率进行插值替换；此时，用经过平移修正后的具有更高精度的风电功率预测序列替换原先的预测功率序列。

分别对风电功率预测系统提供给电网调度的风电功率短期或超短期预测序列进行平移修正前后对所选评估时段内的风电功率预测纵向误差和横向误差进行评估：

①纵向误差依据均方根误差公式和绝对值平均误差公式进行评估，

$E_{RMSE}=\frac{1}{Cap}\·\sqrt{\frac{\underset{i=1}{\overset{n}{\Σ}}{(P_{Fi}-P_{Mi})}^2}{n}}$

$E_{MAE}=\frac{\underset{i=1}{\overset{n}{\Σ}}|P_{Fi}-P_{Mi}|}{n\·Cap}$

其中P_Fi为i时刻的预测功率，P_Mi为i时刻的实测功率，n为样本总个数，Cap为风电场平均开机容量。

②横向误差依据所述风电功率预测横向误差模型进行评估，即把所选评估时段内平移修正前后由横向误差模型求取的ΔT₁、ΔT₀、ΔT₂分别带入评估模型进行横向误差计算后再做差，其中ΔT_±代表预测值序列偏离实测值序列的方向，

实施例一

下面结合具体实施例，进一步说明本发明。

本实施例采集新疆某装机容量为148.5MW风电场2009年、2010年和2011年秋季提供给电网调度的短期预测和实测出力数据为样本，采样频率为15min，并将所得横向误差修正值用于该风电场2012年秋季的横向误差平移修正中。关于该风电场秋季的横向误差修正值的得出仅以2011年预测和实测功率持续增加段进行说明。

2011年秋季预测和实测功率数据按照忽略功率趋势跃变点进行三种功率趋势段的划分后，得到预测功率持续增加段共计369段，实测功率持续增加段共计975段。

对这些序列进行概率统计分析，预测功率持续增加时间在[150，229]min区间的累积概率为0.991，实测功率持续增加时间在[150，473]min区间的累积概率为0.935。

取预测功率增加的持续时间集中分布概率OCCU_T_1＝0.991，相应的持续时间Rdes_T_1＝186min，实测功率增加的持续时间集中分布概率OCCU_T_1＝0.935，相应的持续时间Rdes_T_1＝275min。

利用式T_i＝OCCU_T_i×Rdes_T_i得出预测值各功率趋势持续时间的宏观集中分布值T_i_P_F为184.3min和实测值各功率趋势持续时间的宏观集中分布值T_i_P_M为257.1min。

输入风电功率预测横向误差模型，得到每年秋季的功率持续增加段横向误差为-72.8min。2011年秋季预测和实测功率持续降低段亦按照此流程进行。

对2009年和2010年秋季预测和实测功率数据重复上面各流程并对各功率趋势横向误差取加权平均值获得该风电场秋季的各功率趋势段短期横向误差修正值。

对2012年秋季的功率预测按照忽略功率趋势跃变点进行三种功率趋势段的划分后，再进行横向误差的平移修正，效果如附图4所示。各步骤输出结果和进行平移修正前后的2012年秋季预测精度效果对比如下表所示。

从上述实施例过程可以看出，应用本发明能够对现有风电功率预测系统中由输出的短期功率预测数据序列在横向时间轴上超前或滞后于短期实测功率数据序列而产生的横向误差问题进行平移修正，有效提高了功率预测系统精度。另外，若从预测系统中采集超短期预测和实测数据，亦可对系统的超短期功率预测误差进行平移修正。同时，本发明对于各类风电、光伏发电等功率预测系统都具有普遍适用性，能够在进一步提高各类功率预测系统精度的同时，降低风电、光伏发电调度难度和电力系统化石能源热备用容量，减少风电场弃风和光能资源浪费，提高风电场、光伏电站运营经济效益。

以上所述仅为本发明的实施例而已，并不用于限制本发明。本发明可以有各种合适的更改和变化。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种风电功率预测系统的横向误差平移修正方法，其特征在于所述方法包括下列步骤：

(1)采集风电功率历史短期或超短期预测和实测数据序列，按照四个季度进行分类，将每年各季度的数据分别划分为三种功率趋势段：功率持续增加段、功率持续降低段和功率保持不变段，并生成功率趋势段起止点序列；

(2)采用功率趋势持续时间模型得到各功率趋势段的持续时间序列；

(3)对各功率趋势段的持续时间进行概率统计分析，得出宏观集中分布值，输入风电功率预测横向误差模型，得到每年各季度的横向误差，对每年同季度的横向误差取加权平均值作为各季度的短期或超短期横向误差修正值输出；

(4)对风电功率预测系统提供给电网调度的风电功率短期或超短期预测序列根据各季度的横向误差修正值进行平移修正，并对平移修正前后的效果进行整体评估。

2.如权利要求1所述的一种风电功率预测系统的横向误差平移修正方法，其特征是所述三种功率趋势段：功率持续增加段、功率持续降低段和功率保持不变段，分别是指风电预测或实测功率在该段内的变化趋势始终保持不变，即功率持续增加、持续降低和保持不变的功率序列段。

3.如权利要求2所述的一种风电功率预测系统的横向误差平移修正方法，其特征是对采集到的风电功率历史短期或超短期预测和实测数据序列，按照四个季度进行分类，并将每年各季度的数据分别按照三种形式进行功率趋势段的划分，分为计及功率趋势跃变点和忽略功率趋势跃变点两种情况；

其中，计及功率趋势跃变点是对功率趋势段进行严格意义的划分：

记一组连续的功率序列P为：

P＝[P_i，P_(i+1)，…，P_(i+m)，P_(i+m+1)，…，P_(i+m+n)，P_(i+m+n+1)，…，P_(i+m+n+o)]

且序列中各元素的数值大小关系满足：

P_i＜P_(i+1)＜…＜P_(i+m)＝P_(i+m+1)＝…＝P_(i+m+n)＞P_(i+m+n+1)＞…＞P_(i+m+n+o)

其中(i+m+n+o)为序列P中元素的总个数，则划分后连续功率序列P的功率持续增加段、保持段和降低段序列分别为：

P_1＝[P_i，P_(i+1)，…，P_(i+m)]

P_0＝[P_(i+m)，P_(i+m+1)，…，P_(i+m+n)]

P_2＝[P_(i+m+n)，P_(i+m+n+1)，…，P_(i+m+n+o)]

从这一连续的有功功率序列P中提取各功率趋势段起止点的功率值，并生成功率趋势段起止点序列DD_P：

DD_P＝[P_i，P_(i+m)，P_(i+m+n)，P_(i+m+n+o)]

其中，忽略功率趋势跃变点能够较全面的把握相邻功率趋势段的功率变化情况：

当功率持续增加时，记一组连续的功率序列P为：

P＝[P_(i-n)，P_(i-n+1)，…，P_(i-1)，P_i，P_(i+1)，P_(i+2)]

且序列中各元素的数值大小关系满足：

P_(i-n)＜P_(i-n+1)＜…＜P_(i-1)＜P_i且P_i＞P_(i+1)

此时根据序列P中P_(i+2)值的大小，功率持续增加段序列P_1将为以下三种情况之一：

当功率持续降低时，记一组连续的功率序列P为：

P＝[P_(i-n)，P_(i-n+1)，…，P_(i-1)，P_i，P_(i+1)，P_(i+2)]

且序列中各元素的数值大小关系满足：

P_(i-n)＞P_(i-n+1)＞…＞P_(i-1)＞P_i且P_i＜P_(i+1)

此时根据序列P中P_(i+2)值的大小，功率持续降低段序列P_2将为以下三种情况之一：

当功率保持不变时，按照上述计及功率趋势跃变点的划分方法进行；

同理，分别从各功率趋势段序列中提取各功率趋势段起止点的功率值，并生成功率趋势段起止点序列DD_P′：

DD_P′＝[P_i，P_(i+m)，P_(i+m+n)，P_(i+m+n+o)]。

4.如权利要求3所述的一种风电功率预测系统的横向误差平移修正方法，其特征是所述的功率趋势持续时间模型是由计及功率趋势跃变点的功率趋势段起止点序列DD_P，或忽略功率趋势跃变点的功率趋势起止点序列DD_P′中各元素对应的时刻值构成的：

DD_T＝[T_i，T_(i+m)，T_(i+m+n)，T_(i+m+n+o)]

则由该模型可得出：功率持续增加段的持续时间序列由各功率持续增加段起止点的时刻值之差构成，记为T_1；功率保持不变的持续时间序列由功率保持不变段起止点的时刻值之差构成，记为T_0；功率持续降低的时间序列由功率持续降低段起止点的时刻值之差构成，记为T_2，即：

$\left\{\begin{array}{c}T\_1=\[T_i-T_{(i+m)}\]\\ T\_0=\[T_{(i+m)}-T_{(i+m+n)}\]\\ T\_2=\[T_{(i+m+n)}-T_{(i+m+n+o)}\]\end{array}\right.$

其中包括预测功率在每年各季度的一组T_1、T_0、T_2序列和实测功率在每年各季度的一组T_1、T_0、T_2序列。

5.如权利要求4所述的一种风电功率预测系统的横向误差平移修正方法，其特征是对所述各功率趋势段的持续时间进行概率统计分析，得出宏观集中分布值，是指分别对所述的预测和实测的T_1、T_0和T_2序列进行概率统计分析，得出三个序列的宏观集中分布概率并记为OCCU_T_1、OCCU_T_0和OCCU_T_2，同时得出各自宏观集中分布概率对应的持续时间Rdes_T_1、Rdes_T_0和Rdes_T_2，应用公式T₁＝OCCU_T_1×Rdes_T_1，T₀＝OCCU_T_0×Rdes_T_0，T₂＝OCCU_T_2×Rdes_T_2，得出预测值各功率趋势持续时间的宏观集中分布值T₁_P_F、T₀_P_F、T₂_P_F和实测值各功率趋势持续时间的宏观集中分布值T₁_P_M、T₀_P_M、T₂_P_M。

6.如权利要求5所述的一种风电功率预测系统的横向误差平移修正方法，其特征是将所述宏观集中分布值，输入风电功率预测横向误差模型，得到每年各季度的横向误差，对每年同季度的横向误差取加权平均值作为各季度的短期或超短期横向误差修正值，是指：分别将所述预测值和实测值的宏观集中分布值T₁_P_F、T₀_P_F、T₂_P_F和T₁_P_M、T₀_P_M、T₂_P_M输入风电功率预测横向误差模型ΔT₁＝T₁_P_F-T₁_P_M、ΔT₀＝T₀_P_F-T₀_P_M、ΔT₂＝T₂_P_F-T₂_P_M中，得到每年各季度的横向误差ΔT₁、ΔT₀、ΔT₂，并对每年同季度的横向误差取加权平均值作为各季度的短期或超短期横向误差修正值进行输出。

7.如权利要求6所述的一种风电功率预测系统的横向误差平移修正方法，其特征是所述对风电功率预测系统提供给电网调度的风电功率短期或超短期功率预测序列根据各季度的短期或超短期横向误差修正值进行平移修正，是指根据所述输出的各季度在各功率趋势段的短期或超短期横向误差修正值 分别对已划分好的三种风电短期或超短期预测功率趋势段进行平移修正，平移修正遵循如下原则：

①或或则将相应功率趋势段向时间轴左侧平移，或或则将相应功率趋势段向时间轴右侧平移，平移量分别为

②对风电功率预测系统提供给电网调度的已划分好的三种风电预测功率趋势段进行平移后，当某些时间段内出现无预测功率数值时，采用径向基本函数法对这一时间段的预测功率进行插值补全；当某些时段内出现两种功率趋势段重叠时，若两种功率趋势段有交点则保留交点到两种功率趋势段主体的部分，若两种功率趋势段没有交点则采用径向基本函数法对这一时间段的预测功率进行插值替换；此时，用经过平移修正后的具有更高精度的风电功率预测序列替换原先的风电功率预测序列。

8.如权利要求6或7所述的一种风电功率预测系统的横向误差平移修正方法，其特征是对所述平移修正前后的效果进行整体评估，是指系统分别对风电功率预测系统提供给电网调度的风电功率短期或超短期预测序列进行平移修正前后对所选评估时段内的风电功率预测纵向误差和横向误差进行评估：

①纵向误差依据均方根误差公式和绝对值平均误差公式进行评估，其中P_Fi为i时刻的预测功率，P_Mi为i时刻的实测功率，n为样本总个数，Cap为风电场平均开机容量；

②横向误差依据所述风电功率预测横向误差模型进行评估，即把所选评估时段内平移修正前后由横向误差模型求取的ΔT₁、ΔT₀、ΔT₂分别带入评估模型进行横向误差计算后再做差，其中ΔT_±代表预测值序列偏离实测值序列的方向，