景惠甜，韩 丽，高志宇

（中国矿业大学电气与动力工程学院，江苏省徐州市221116）

0 引言

近年来，随着环境污染的加重和化石能源的日益减少，开发新的替代能源成为研究热点。其中，风能以其高效清洁的特点获得了国内外的青睐。但是，风能具有很强的随机性和间歇性［1-2］，尤其是当发生长时间的极端气象天气，爬坡事件极易发生。风电爬坡是指一段时间内，风电功率发生大幅度的波动，风电爬坡使电力系统维持功率和频率的稳定更加困难，给风电的并网和调度带来了巨大的挑战［3-7］。为了减少爬坡事件对系统的影响，需要对爬坡预测的方法进行研究。目前，最常见的爬坡预测方法是基于历史数据进行预测［8-9］。为了提升预测的精度，也有研究将气象预测数据和统计模型相结合［10-11］。由于风能的特性受多种因素的影响，简单的预测方法无法准确捕捉爬坡特性，这就要求不断研究新的方法以更加准确地获取风电的爬坡特征［12-14］。

深度学习网络具有强大的深度特征提取能力，其中，长短期记忆（long short-term memory，LSTM）网 络［15-18］和 卷 积 神 经 网 络（convolutional neural network，CNN）在风电功率预测方面已经有了很广泛的应用［19-20］，所以本文采用了以CNN 为基础的深度模型进行特征提取和爬坡预测。特征提取的本质是通过一个特定的评价标准衡量一个给定特征子集的优良性。通过特征选择，原始特征集合中的冗余特征和不相关特征被除去，而有用特征得以保留。CNN 在图像识别方面有强大的功能，其中特征提取层的参数可以通过训练数据学习得到，避免了人工提取特征，其同一特征图的神经元可以共享权值，从而可以减少网络参数。……