1.一种基于特征自适应选择和WDNN的风电爬坡事件预测方法，其特征在于，包括下述步骤：

步骤1：从风电场中的数据采集与监视控制系统中以采样周期Δt按时序提取时间L1内

0 0 0

的风机有功功率和空气温度的原始数据，构成风机运行原始数据集PT＝{(P(tn) ,T(tn))|n＝1,2,...,N}；其中，tn为第n个采样点对应的时间，N为采样点总数，tn+1‑tn＝Δt，L1＝(N‑

0 0

1)Δt，P(tn) 为tn时刻风机有功功率的原始数据，T(tn) 为tn时刻空气温度的原始数据；

0

步骤2：对风机运行原始数据集PT 进行归一化处理，得到风机运行数据集为PT＝{(P(tn),T(tn))|n＝1,2,...,N}；其中，P(tn)、T(tn)分别为归一化处理后的风机有功功率数据、空气温度数据；

步骤3：计算tm时刻风电爬坡事件的爬坡率CR(tm)和类别标签r(tm)，构建风电爬坡事件的样本集为

其中， 为tm时刻风电爬坡事件的样本，l∈{1,2,...,L}，a、b、L均为预设的整数参数， 为tm时刻及tm时刻之前a个采样点的风机有功功率数据及空气温度数据构成的有功功率‑温度数据集，步骤4：基于特征自适应选择方法，从样本集PTr中选取与风电爬坡事件相关的样本构*

成相关样本集 其中，TIME为相关样本集PTr 中类别标签对应的时刻的集合；

*

步骤5：对相关样本集PTr 中每个样本 中有功功率数据构成的信号xs＝{P(ts‑a),...,P(ts‑2),P(ts‑1),P(ts)}进行小波分解；

步骤5.1：初始化i＝0、分解总层数为I，令第0层的低频信号为步骤5.2：令i＝i+1；

步骤5.3：对第i‑1层的低频信号 进行分解，得到第i层的低频信号为 高频信号为 其中，L、H分别为低通滤波器、高通滤波器，分别为信号 在ts时刻的信号值；

步骤5.4：若i＜I，则返回步骤5.2；若i≥I，则留存每一层分解得到的高频信号及最后一层分解得到的低频信号

*

步骤6：将相关样本集PTr 中每个样本 分解得到的信号与温度数据{T(ts‑a),...,T(ts‑2),T(ts‑1),T(ts)}、类别标签数据r(ts)进行组合，得到ts时刻分解后的样本为形成分解后的风电爬坡事件的样

本集为

步骤7：以样本集DATA中除类别标签之外的变量为输入、类别标签为输出，构建基于DNN的风电爬坡事件第二预测模型，利用样本集DATA对基于DNN的风电爬坡事件第二预测模型进行训练；

步骤8：实时从风电场中的数据采集与监视控制系统中以采样周期Δt按时序提取时间L2内的风机有功功率和空气温度的原始数据，构成时间L2内的风机运行原始数据集，对时间L2内的风机运行原始数据集进行步骤2至步骤6中相同的处理，得到分解后的风电爬坡事件的样本集DATA'，将样本集DATA'中每个样本的除类别标签之外的数据输入训练后的基于DNN的风电爬坡事件第二预测模型中，输出样本集DATA'中每个样本里最大时刻的风电爬坡事件的类别标签；其中，

2.根据权利要求1所述的基于特征自适应选择和WDNN的风电爬坡事件预测方法，其特征在于，所述步骤2中，归一化处理的方法为Min‑max方法，其中，Pmin＝0，Pmax＝110％×Pe，Pe为风机额定功率，Tmin、Tmax分别为风机所在地5年内的空气最低温度、空气最高温度。

3.根据权利要求1所述的基于特征自适应选择和WDNN的风电爬坡事件预测方法，其特征在于，所述步骤3中，

计算tm时刻风电爬坡事件的爬坡率为其中，c为预设的整数参数；

计算tm时刻风电爬坡事件的类别标签为其中，r(tm)＝0代表tm时刻未发生爬坡事件，r(tm)＝1代表tm时刻发生上行爬坡事件，r(tm)＝‑1代表tm时刻发生下行爬坡事件，PRR为预设的爬坡率阈值。

4.根据权利要求1所述的基于特征自适应选择和WDNN的风电爬坡事件预测方法，其特征在于，所述步骤4包括下述步骤：*

步骤4.1：初始化相关样本集PTr为空集、时间集合TIME为空集、迭代次数G＝1、最大迭代次数为Gmax，将样本集PTr中类别标签对应的时刻在时间窗口B内的样本组成测试样本集；

步骤4.2：以当前时刻及当前时刻之前a个采样点的风机有功功率及空气温度为输入、当前时刻的类别标签为输出，构建基于DNN的风电爬坡事件第一预测模型；

步骤4.3：计算每个样本中有功功率‑温度数据集 与类别标签之间的Pearson相关性，将样本集PTr中的样本按照Pearson相关性由大到小进行排序，得到排序后的样本集PTr'；

*

步骤4.4：添加样本集PTr'中的第G个样本到相关样本集PTr中、第G个样本中类别标签*

对应的时刻到时间集合TIME中，利用相关样本集PTr 对基于DNN的风电爬坡事件第一预测模型进行训练，将测试样本集中每个样本的有功功率‑温度数据集输入训练后的基于DNN的风电爬坡事件第一预测模型，得到第G次迭代的预测标签，将预测标签与实际标签进行比较，计算第G次迭代的误差率为 其中，NG为第G次迭代的预测标签中预测错误的个数，NB为测试样本集中的样本总数；

步骤4.5：令G＝G+1，执行步骤4.4；

步骤4.6：判断本次迭代的误差率相对于上次迭代的误差率是否减小：若减小，则进入*

步骤4.7；若不减小，则从相关样本集PTr中去掉本次迭代添加的样本、从时间集合TIME中去掉本次迭代添加的样本中类别标签对应的时刻，进入步骤4.7；

步骤4 .7：若G

5.根据权利要求1所述的基于特征自适应选择和WDNN的风电爬坡事件预测方法，其特征在于，所述步骤4包括下述步骤：*

步骤4.1：初始化相关样本集PTr为空集、时间集合TIME为空集、迭代次数G＝1、最大迭代次数为Gmax，将样本集PTr中类别标签对应的时刻在时间窗口B内的样本组成测试样本集；

步骤4.2：以当前时刻及当前时刻之前a个采样点的风机有功功率及空气温度为输入、当前时刻的类别标签为输出，构建基于DNN的风电爬坡事件第一预测模型；

*

步骤4.3：从样本集PTr中随机选取一个未被选取过的样本添加到相关样本集PTr中、添*

加该样本对应的时刻到时间集合TIME中，利用相关样本集PTr 对基于DNN的风电爬坡事件第一预测模型进行训练，将测试样本集中每个样本的有功功率‑温度数据集输入训练后的基于DNN的风电爬坡事件第一预测模型，得到第G次迭代的预测标签，将预测标签与实际标签进行比较，计算第G次迭代的误差率为 其中，NG为第G次迭代的预测标签中预测错误的个数，NB为测试样本集中的样本总数；

步骤4.4：令G＝G+1，执行步骤4.3；

步骤4.5：判断本次迭代的误差率相对于上次迭代的误差率是否减小：若减小，则进入*

步骤4.6；若不减小，则从相关样本集PTr中去掉本次迭代添加的样本、从时间集合TIME中去掉本次迭代添加的样本中类别标签对应的时刻，进入步骤4.6；

步骤4 .6：若G