1.基于特征提取和深度学习的风电爬坡事件预测方法，其特征在于，包括以下步骤：步骤1：对历史风电功率采用OpSDA算法进行爬坡识别，提取4种爬坡特征值：爬坡率RR、爬坡幅值RSW、开始时间RST和持续时间RD；

步骤2：利用滑动窗口对由风电功率和爬坡特征值组成的输入数据进行划分后输入CNN‑LSTM预测模型中，CNN再次提取爬坡特征，LSTM预测得到提前16步的多个预测结果，通过提取多步预测的第一个预测点得到最终的滚动多步风电功率预测结果；

步骤3：通过对预测功率进行爬坡识别，得到爬坡事件的预测结果；

所述步骤1包括如下具体步骤：

步骤1.1：利用旋转门算法根据可调参数门宽ε构建平行四边形对样本数据进行筛选，获得旋转门算法分段点；

步骤1.2：基于步骤1.1获得的分段点，在时间区间为(i,j)的任意一段风电功率时间序列上构造目标函数P(i,j)，基于爬坡定义通过求得目标函数的最大值识别爬坡；

所述爬坡定义为：

|Pt+Δt‑Pt|＞Pthreshold

式中，Pt+Δt为(t+Δt)时刻的功率，Pt为t时刻的功率，Pthreshold为给定阈值；

所述目标函数P(i,j)及其约束条件为：

S(i,j)＞S(i,k)+S(k+1,j)

2

S(i,j)＝(j‑i) R(i,j)

式中，S(i,k)为对应区间(i,k)的得分值；R(·)为爬坡准则，当时间区间(i,j)内功率满足爬坡定义式时发生爬坡事件，R(i,j)＝1，反之R(i,j)＝0；

为提高整体爬坡识别准确性，在识别过程中首先需要对风电功率时间序列中变化幅值小却与邻近爬坡变化方向相反的bump事件进行识别；其中，上爬坡识别通过以下关系式判定bump事件是否发生：[pk+1‑pk]×[1‑B(k,k+1)]≥0

式中，pk+1和pk分别为(k+1)和k时刻的风电功率值；B(·)为bump事件准则，在时间区间(k,k+1)内当bump事件发生时B(k,k+1)＝1，反之B(k,k+1)＝0；识别上爬坡事件时，当pk+1‑pk＞0时算法继续执行，即根据目标函数P(i,j)及其约束条件识别爬坡；

下爬坡识别通过以下关系式判定bump事件是否发生：

[pk+1‑pk]×[1‑B(k,k+1)]≤0

识别下爬坡事件时，当pk+1‑pk＜0时算法继续执行，即根据目标函数P(i,j)及其约束条件识别爬坡；

步骤1.3：根据步骤1.1和步骤1.2得到爬坡识别结果后，提取爬坡事件的特征值；

所述步骤2包括如下具体步骤：

步骤2.1：模型输入部分：将风电功率和4种爬坡特征值组成数据集X作为输入；其中，对风电场的风电功率数据每间隔15分钟采样一个数据点，得到风电功率P；输入数据集为{XT,XT‑1,…,XT‑n+1,XT‑n}，其中XT＝{PT,(RR)T,(RSW)T,(RST)T,(RD)T}，T为风电功率数据中的某一具体时刻，n为滑动窗口宽度，n设定为32；

步骤2.2：CNN二次提取特征：CNN模型部分设有3个卷积层和一个最大池化层对数据集进行深度学习并提取特征；其中，设置卷积核数目分别为4,16和32，卷积核大小为2×2；CNN通过卷积核在特征图上移动进行卷积运算提取数据特征；

卷积层通过卷积操作对输入数据进行特征提取，计算公式为：

式中， 为第l层的第j个特征图输出； 表示第(l‑1)层的第i个特征图输出；“*”表示卷积运算； 为连接第l层第j个特征图与第(l‑1)层第i个特征图之间的卷积核权重矩阵；

为偏置矩阵；Nj为输入特征图的集合；f(·)激活函数；

池化层对卷积层的输出进行二次特征提取和信息过滤，从而保留最显著的特征；池化层的计算公式为：式中，down(·)为下采样函数；

模型采用非线性激活函数ReLU构建稀疏矩阵，采用全零填充的方式保持特征维度；

步骤2.3：LSTM预测：LSTM模型部分以CNN模型的输出作为输入，采用单层LSTM网络，设置神经元个数为128，通过全连接层输出风电功率预测结果；其中，LSTM模型的基本单元内部结构包含三个控制门：输入门、遗忘门和输出门，各个门的激活函数公式为：式中：σ为sigmoid函数或tanh函数；xt为当前t时刻的输入向量；Wxi,Whi,Wci,Wxf,Wxo,Who,Wco,Wxc,Whc为权重参数矩阵；bi,bf,bo,bc为偏置向量；ct为状态单元和即时状态的向量；ht为状态单元当前t时刻的输出；ft为遗忘门输出；it为输入门输出；ot为输出门输出。