一种基于经验动态建模的风电功率超短期概率预测方法及系统与流程

本发明属于新能源发电过程中风电功率预测技术领域，尤其涉及一种基于经验动态建模的风电功率超短期概率预测方法及系统。

背景技术：

风力发电是目前发展最成熟的可再生能源发电形式，其已大规模接入现代电网，正在为全社会的节能减排事业做出重要贡献。风电作为新能源发电的代表，依托我国独特的地理特点及政策优势，拥有强劲的发展势头以及广阔的市场前景。与此同时，由于风电场输出功率的波动性和间歇性，风电的大规模接入给电力系统的运行调度带来巨大挑战。对风电场进行功率预测是缓解电力系统调峰、调频压力，提高风电接纳能力的有效手段，更是指导风电场制定检修计划，提高风能利用率，提升经济效益的有效途径。

根据预测周期的不同，风电功率预测可分为中长期、短期和超短期预测。风电功率的长期预测以年为时效，多用于风电场的规划以及制定年度发电计划；风电功率的中期预测以周或月为时效，多用于制定风电场的检修计划。中长期预测对预测精度的要求并不严格，但需要积累长时间的运行数据。风电功率的短期预测一般是以1～3天为预测周期，为了减少甚至避免弃风，短期预测对精度的要求较高，常用于优化常规电源的日发电计划与冷热备用，以及调整检修计划等活动。超短期预测则是指对未来的0～4小时进行风电功率预测，超短期预测有助于优化旋转备用容量以及电力系统调频调压，便于实现在线优化机组组合与经济负荷调度。

根据预测结果形式的不同，风电功率预测方法可以分为单值(或者确定性)预测和概率(或者不确定性)预测两类。目前使用的风电功率预测技术多为单值预测方法，只预测得到一个条件期望的未来风电场输出功率，是一种确定性预测。为了提高单值预测方法的准确性，国内外学者已进行了大量研究，但是，确定性预测方法在预测精度上很难有较大突破，因为想要得到未来事件的全部数据是不现实的。因此，任何预测方法均有其固有的不确定性和不可约束性，不可能得到未来事件的所有信息，实现精确预测，尤其是变化无常的大气行为。与确定性的预测相比，提供未来事件的概率信息的不确定性预测方法比实现精确预测更有优势。概率预测或者说不确定性预测随着理论预测的发展有了长足的进步。

从物理学的角度来看，风电场可被视为具有确定动态特性的人造物理系统。尽管如此，风电场输出功率却存在较强的不确定性，其根本原因在于风电场动态系统自身的非线性、复杂性以及系统边界条件的不确定性，这些特性集中表现在以下方面。首先，风电场结构复杂，存在明显的非线性特征。一定气象条件下，风电场的输出功率与其内部的地形地貌、风机布局、风机输出特性等多方面因素有关，这些影响因素之间、影响因素与风电场输出功率之间又存在着明显的非线性关联关系(例如，普遍认为风速与风机输出功率之间存在高次、非连续映射关系)。由此决定风电场动态系统具有较高的复杂度，并且伴随着非线性特征，其输出功率对边界气象条件较为敏感，即使对于看似相同的气象条件，由于存在难以计及的细微差别，其输出功率也存在明显的波动。其次，由于大气系统的复杂、非线性特征，风电场边界气象条件难以准确获取。不难理解，大气系统本身是具有强非线性的存在混沌现象的复杂系统，对其未来发展趋势的预测，存在较强的不确定性。然而，风电场动态系统中状态变量变化轨迹的估计需要依据大气系统所提供的边界条件，对此边界条件估计的不准确，使得大气系统的复杂性与非线性特征在风电场动态系统中保留并放大。由此易知，对于不确定性如此之高的风电场动态系统，想要使用方程固定的模型去描述是极其困难的，固定的方程限制了有效信息的挖掘，从而在气象条件发生变化时，难以给出准确的预测。

然而，风电场在其建设、试运行、以及已投运风电场的运行过程中，积累了大量的气象及运维数据，在风电场的行为数据中，已经蕴含了该系统充分的动态特征。因而，实现基于实测数据的无先验模型假设的动态特征挖掘，对于风电场这一非线性动态系统的理解与预测至关重要。因此，本专利采用基于经验动态模型的无方程预测，旨在充分挖掘数据的隐藏特征，描绘其发展轨迹，从而对风电功率进行超短期概率预测。

技术实现要素：

本发明提供了一种基于经验动态建模的风电功率超短期概率预测方法及其系统，其目的在于解决对于风电场动态系统复杂度高，模型偏差不利于数据中有效信息的挖掘，难以在实践中给出高精度风电预测结果的技术问题。

为了解决上述技术问题，本发明提出一种基于经验动态建模的风电功率超短期概率预测方法，包括：

步骤(1)：对待预测量的时间序列进行标准正态化处理并对整理好的数据进行非线性聚合度的计算，以考察系统的非线性程度；

步骤(2)：采用粒子群优化算法，寻优得到嵌入维数e和延迟时间τ；

步骤(3)：按照步骤(1)、(2)所求的嵌入维数e和延迟时间τ，对待预测量的时间序列进行相空间重构；

步骤(4)：构建经验动态模型，在重构相空间内进行预测，得到风电功率的预测概率分布；

步骤(5)：根据选定的置信度，得到风电预测出力的上下界，即风电预测出力区间结果。

所述步骤(1)中标准正态化是将待预测量时间序列转化成服从标准正态分布的时间序列，即使其期望为0，方差为1：

vt'＝(vt-μ(vt))/σ(vt)(1)

式中，vt为待预测量的原时间序列，μ(vt)为该时间序列的期望，σ(vt)为该时间序列的标准差，vt'是标准正态化后的时间序列。

所述步骤(1)中非线性聚合度的计算是采用s映射的方法。s映射计算的是滞后的坐标矢量和目标变量之间的局部线性映射，它包括一个调整因子θ，该因子用来控制每个向量之间联系的权重：θ＝0时s映射为线性自回归模型；而θ＞0则在计算局部线性映射时赋予了相邻状态量更多的权重，从而表现出非线性。

所述步骤(2)中计算嵌入维数e和延迟时间τ采用的是粒子群优化算法，在粒子群算法中，每个优化问题的解都是搜索空间中的一个“粒子”。每个粒子都有一个初始化速度和位置，一个由适应度函数决定的适应值。每个粒子都被赋予记忆功能，能记住搜寻到的最佳位置，此外每个粒子的速度决定它们搜索的方向和距离，以便粒子能够在最优解空间中搜索。在每一次迭代寻优过程中，粒子通过比较适应度值和两个极值来更新自己的速度和位置：粒子本身所找到的最优解(个体极值p^best)和整个种群目前找到的最优解(全局极值g^best)，即

xi(t+1)＝xi(t)+vi(t+1)(3)

其中，t代表第t次迭代，vi代表第i个粒子的速度，xi代表第i个粒子的位置，ω为惯性权重；c1和c2为认知因子，r1和r2是[0,1]范围内的两个随机数。在所述步骤中，粒子群算法的优化目标是使覆盖带宽指数(cwc)最小，这也是用于评价粒子种群适应度的方法。

所述步骤(3)的相空间重构是指用单维的时序观测值对原非线性动力系统进行重构，从而描述其演化规律和发展态势。根据塔肯斯定理和惠特尼嵌入定理，对于混沌系统的一维观测序列，只要嵌入维数e满足e≥2m+1(m为原动力系统维数)时，就可以得到一个与原系统微分同胚的重构系统，即原动态系统可由单维观测量的时序观测值进行重构。因此，只要选取合适的嵌入维数e和延迟时间τ，就可以将原动力学系统重构到一个高维相空间当中，在重构空间中实现对原系统的分析。

所述步骤(4)的预测过程使用的是单纯形投影法。单纯形投影法是将时间延迟嵌入到一个单一的时间序列中以产生吸引子重构，在重构相空间中进行预测，其原理简述如下：单纯形投影法通过计算状态量相邻点的运动轨迹来预测当前状态量下一步可能出现的运动轨迹。给定一个重构相空间和一个状态量xs，首先找到xs周围的b个相邻点(通常设置b＝e+1，e为嵌入维数)，将这些相邻点记为状态量xn(s,i)，其中n(s,i)表示距离xs第i近的时序观测值，即xn(s,1)是距离xs最近的点，xn(s,2)是距离xs第二近的点，以此类推；然后观察并记录这些相邻点的变化轨迹，每一个相邻点的轨迹可以看做状态量xs未来可能的运动轨迹，因此，每个相邻点h个时间步长后的位置xn(s,i)+h都有一定概率是xs在h个时间步长后的位置xs+h，其中，每个xn(s,i)+h的概率p(i)是：

其中，d(xs,xn(s,i))为状态量xs与状态量xn(s,i)之间的欧氏距离,n为相邻点的个数n＝b，b＝e+1。根据每个未来值及其出现的概率，可以得到h个步长后的功率概率分布表；进一步地，当相邻点数量足够大时，就可以近似得到h个时间步长后的功率概率分布。

所述步骤(5)根据事先选定的置信水平(如：90％),从步骤(4)所得到的功率概率分布中获得预测功率的上、下区间，选择不同的置信水平可以得到不同的功率上、下区间，从而获得不同宽度的置信带。

有益的技术效果

1、作为一种基于数据挖掘的预测方法，本发明将待预测量的历史时间序列作为训练数据，可以充分利用风电场中的广域量测信息；同时，模型在学习过程中考虑了邻近节点对待预测节点的影响效用，故可以反映电力系统的时空关联特性，从而更精确的描绘状态量的变化规律及运行态势，降低了预测误差，获得了更为可靠的预测结果。

2、作为一种动态建模方法，本发明不受固定参数方程的限制，可以根据状态量的变化趋势对模型不断进行调整，从而使得模型具有很强的适应性。因此，在稳态情况下，模型能够根据数据的变化自动调整到最优状态，从而保证了高精度的预测结果。

3、作为一种概率预测方法，本发明在实现风电场未来发电量单一期望值预测的基础上，还可在指定置信度下，针对预测误差的波动区间进行可靠预测，为电网调度及电力系统的可靠运行提供更为全面的预测信息。

附图说明

构成本申请的一部分的说明书附图被提供用于对本申请的进一步理解，并结合本申请的示意性实施例用于解释本申请，并不构成对本申请的不当限定。

图1为本发明的基于经验动态建模的风电功率超短期概率预测方法框图；

图2为本发明相空间重构原理图；

图3为本发明的基于经验动态建模的风电功率超短期概率预测方法过程图；

图4为本发明单纯形投影法预测原理图；

图5为本发明中实例验证风场区间预测结果图；

图6为本发明实例验证中的概率预测结果图；

图7是本发明的基于经验动态建模的风电功率超短期概率预测系统的结构示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本发明实施例对山东烟台地区蓬莱风电场的风电功率进行了未来十五分钟的超短期概率预测，下面结合附图与实施例对本发明作进一步说明。

如图1所示，基于经验动态建模的风电场功率超短期概率预测方法，主要包括如下步骤：

步骤(1)：数据准备及处理---对待预测量，比如功率、电压幅值、相角等的时间序列进行标准正态化处理，并对标准正态化处理后的数据进行非线性聚合度的计算，以考察给定的动态系统的非线性程度。

首先，按照步骤(1)，将待预测量的时间序列进行标准正态化处理。其中，标准正态化是将待预测量时间序列转化成服从标准正态分布的时间序列，即使其期望为0，方差为1：

vt'＝(vt-μ(vt))/σ(vt)(5)

式中，vt为待预测量的原时间序列，μ(vt)为该时间序列的期望，σ(vt)为该时间序列的标准差，vt'是标准正态化后的时间序列。

然后，对标准正态化后的待预测量时间序列进行非线性聚合计算。

非线性聚合度的计算是采用s映射的方法。s映射计算的是滞后的坐标矢量和目标变量之间的局部线性映射，包括一个调整因子θ，该因子用来控制每个向量之间联系的权重：θ＝0时s映射为线性自回归模型；而θ＞0则在计算局部线性映射时赋予了相邻状态量更多的权重，从而表现出非线性。通过计算得到θ＞0，说明功率时间序列具有非线性特点。

步骤(2)：采用粒子群算法，计算最优嵌入维数e，以及延迟时间τ。

粒子群算法的思想源于对鸟群捕食行为的研究，模拟鸟集群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是一种基于“群体智慧”的优化方法。在粒子群算法中，每个优化问题的解都是搜索空间中的一个“粒子”。每个粒子都有一个初始化速度和位置，一个由适应度函数决定的适应值。每个粒子都被赋予记忆功能，能记住搜寻到的最佳位置并将此最佳位置与群体分享，此外每个粒子的速度决定它们搜索的方向和距离，以便粒子能够在最优解空间中搜索。在每一次迭代寻优过程中，粒子通过比较适应度值和两个极值来更新自己的速度和位置：粒子本身所找到的最优解(个体极值p^best)和整个种群目前找到的最优解(全局极值g^best)，即

xi(t+1)＝xi(t)+vi(t+1)(7)

其中，t代表第t次迭代，vi代表第i个粒子的速度，xi代表第i个粒子的位置，ω为惯性权重；c1和c2为认知因子，r1和r2是[0,1]范围内的两个随机数。

在所述步骤中，粒子群算法的优化目标是使覆盖带宽指数(cwc)最小，这也是用于评价粒子种群适应度的方法。cwc最小时对应的嵌入维数e和延迟时间τ即为所求。

覆盖带宽指数是衡量预测区间好坏的一个常用综合性指标，其值越小，意味着预测区间越好。覆盖带宽指数由两部分组成：区间覆盖能力(picp)与区间宽度(pinaw)。

区间覆盖能力是指所得预测区间包含真实值的能力，其值越大，意味着预测区间的可靠性越高，其计算公式为：

其中，c(i)为覆盖度的指示函数，其表达式为：

其中，yi为第i个观测值，[li,ui]为第i个预测区间的上/下界，m为预测区间个数。

区间宽度则意味着区间的锐度，相同置信水平下的预测区间，区间宽度越小者，其反映的信息就越丰富，其锐度也越好。区间宽度的计算公式为：

其中m为预测区间个数。

覆盖带宽指数的计算公式为：

cwc＝pinaw(1+γ(picp)e^-η(picp-μ))(11)

其中，μ是预先设定的置信水平，在本发明实例中取0.9，η为惩罚因子，在本发明实例中取10，γ(picp)为阶跃函数，其表达式为：

通过上述计算，由公式(7)得到的xi(t+1)为粒子的一个位置，该位置是二维的，即由e和τ两个参数组成；根据粒子xi(t+1)时的e和τ进行相空间重构，然后在重构空间中进行预测，预测的结果与观测值yi进行比较，并用cwc进行评判；不同的e和τ所构成的相空间不同，因此预测结果和cwc得分也不同，选择预测效果最优(即：cwc最小)时的e和τ作为最优解。

步骤(3)：根据最优嵌入维数e和延迟时间τ，对待预测量时间序列进行相空间重构。

在步骤(3)的相空间重构是指用单维的时序观测值对原非线性动力系统进行重构，从而描述其演化规律和发展态势。根据塔肯斯定理，只要最优嵌入维数e满足e≥2m+1(m为原动力系统维数)时，给定的动态系统可由单维观测量的时序观测值进行重构。如图2所示，图2(a)是动态系统在三维状态空间中的轨迹曲线，曲线整体构成了此系统在状态空间内的流形，依据塔肯斯定理，该流形可被系统内单维观测量的时序观测值所重构。图2(b)是原动态系统由单维变量y的时序观测值重构后的流形，其中，τ是塔肯斯定理中所述的小时间间隔。图2(c)给出了该动态系统由观测量y、z的时序观测值重构后的流形。由图2所得，只要选取合适的最优嵌入维数e和延迟时间τ，就可以将原动力学系统重构到一个高维相空间当中，在重构空间中实现对原系统的分析。

根据嵌入维数e和延迟时间τ，对烟台蓬莱风电场功率时间序列进行相空间重构，模型表达式为：

xt＝<vt>(13)

其中xt为由时序观测值{xt}构造的e维向量，xt＝<xt,xt-τ,xt-2τ,...,xt-(e-1)τ>，t为量测时间，vt为烟台蓬莱风电场功率观测序列。

步骤(4)：构建经验动态模型，在重构相空间内对烟台蓬莱风电场功率进行预测，得到预测结果。

在重构相空间内对给定的动态系统进行预测的过程中，利用单纯形投影法来计算状态量相邻点的运动轨迹，并对每条轨迹出现的概率进行估计，进而预测给定的动态系统状态的运动轨迹。

单纯形投影法是将时间延迟嵌入到一个单一的时间序列中以产生吸引子重构，从而进行预测。具体地，通过计算状态量相邻点的运动轨迹的出现概率来预测风电未来时刻功率概率分布。

给定一个重构相空间和一个状态量xs，首先找到xs周围的b个相邻点(通常设置b＝e+1，e为嵌入维数)，将这些相邻点记为向量xn(s,i)，其中n(s,i)表示距离xs第i近的时序观测值，即xn(s,1)是距离xs最近的点，xn(s,2)是距离xs第二近的点，以此类推；然后观察并记录这些相邻点的变化轨迹，每一个相邻点的轨迹可以看做状态量xs未来可能的运动轨迹，因此，每个相邻点h个时间步长后的位置xn(s,i)+h都有一定概率是xs在h个时间步长后的位置xs+h，其中，每个xn(s,i)+h的概率p(i)是：

其中，d(xs,xn(s,i))为状态量xs与状态量xn(s,i)之间的欧氏距离；n为相邻点的个数，n＝b，b＝e+1。根据每个未来值及其出现的概率，可以得到h个步长后的功率概率分布表；进一步地，当相邻点数量足够大时，就可以近似得到h个时间步长后的功率概率分布。

进一步地，根据事先选定的置信水平(如：90％),从上述步骤中所得到的功率概率分布中获得预测功率的上、下区间，选择不同的置信水平可以得到不同的功率上、下区间，从而获得不同宽度的置信带。

图3展示了利用所述方法对烟台蓬莱风电场进行风电功率超短期概率预测的预测过程：首先，对待预测量时间序列进行相空间重构，进而在重构相空间内采用单纯形投影法对给定的动态系统进行预测，通过计算状态量相邻点的运动轨迹的出现概率来预测风电未来时刻功率概率分布。

图4则进一步说明了单纯形投影法的预测过程。

选取烟台蓬莱风电场功率时间序列作为样本，样本长度为8000点，时间间隔为5分钟。对样本分别进行未来5分钟，未来15分钟，以及未来30分钟的预测，并采用交叉验证的方式进行检验。本实例中，对样本进行分季节预测，其中12月-2月为冬季，3-5月为春季，6-8月为夏季，9-11月为秋季。

交叉验证的含义是在给定的样本中，拿出样本的大部分进行建模，小部分用来检验所建模型的准确性，并记录预测误差。本发明实施例对模型采用四倍交叉验证方案：将数据平均分为四段，每段2000点，依次选取三段用于训练模型，其余一段用于预测，在此过程中，模型对每段样本均进行了一次预测。

精度评价指标：本发明将覆盖带宽指数用作精度评价指标，其计算公式见(11)。

采用粒子群算法所得最优嵌入维数e和延迟时间τ如表1所示，可得e＝7，τ＝5。

表1粒子群计算结果

采用本发明方法的预测结果如表2所示：

表2发明实例预测结果展示

对于覆盖能力picp而言，其值越大，代表预测区间的覆盖能力越强；对于区间宽度pinaw而言，其值越小，代表预测区间的宽度越窄，表明预测区间的实用性越好；对于综合覆盖带宽指数cwc而言，其值越小，表明预测区间的综合性能越好。由表2可以看出，cwc的值随着预测尺度的延长而增加，这主要是由于随着预测尺度的延长，风电的不确定性增强，预测区间变宽，使得pinaw得分增加，从而导致cwc值增加。

本发明方法与其他预测方法的预测结果比较如表3所示：

表3预测结果对比

由表3可以看出，本方法所得的预测区间的cwc值最小，表明使用本发明方法进行预测可以获得更为可靠的预测结果，因此，对风电场中的有效测量信息进行数据挖掘有利于提高负荷预测的精度。本发明实施例仅对风电场的有功功率进行预测，实际上，本发明方法可以广泛应用于电网中其他电气量(电压幅值、相角)的预测，并可获得理想的预测结果。

作为一种基于数据挖掘的预测方法，本发明将待预测量的历史时间序列作为训练数据，可以充分利用风电场中的广域量测信息；同时，模型在学习过程中考虑了邻近节点对待预测节点的影响效用，故可以反映电力系统的时空关联特性，从而更精确的描绘状态量的变化规律及运行态势，降低了预测误差，获得了更为可靠的预测结果。

作为一种动态建模方法，本发明不受固定参数方程的限制，可以根据状态量的变化趋势对模型不断进行调整，从而使得模型具有很强的适应性。因此，在稳态情况下，模型能够根据数据的变化自动调整到最优状态，从而保证了高精度的预测结果。

作为一种概率预测方法，本发明在实现风电场未来发电量单一期望值预测的基础上，还可在指定置信度下，针对预测误差的波动区间进行可靠预测，为电网调度及电力系统的可靠运行提供更为全面的预测信息。

根据所掌握的烟台蓬莱风电场功率历史数据，样本按照不同季节分别进行未来5分钟，未来15分钟，以及未来30分钟的预测，其预测结果如图5和图6所示。图5(a)为5分钟的预测区间，图5(b)为15分钟的预测区间，图5(c)为30分钟的预测区间，预测季节为秋季，数据的时间分辨率为5分钟。由图5可以看出，随着预测尺度的增加，预测区间不断变宽，这是由风电不确定性增强导致的。图6(a)和图6(b)分别是夏季和冬季的预测概率分布，预测尺度为15分钟。由图6可以看出，本发明方法所得的预测概率分布可以很好地包含真实的出力曲线，进一步证明了本方法的有效性。

通过与持续法、稀疏贝叶斯学习、核密度估计等概率预测方法对比相对预测误差指标，本发明提出的基于经验动态建模的风电功率超短期概率预测方法的有效性和实用性已经得到验证。

图7是本发明的基于经验动态建模的风电功率超短期概率预测系统的结构示意图。

如图7所示，本发明的基于经验动态建模的风电功率超短期概率预测系统，包括：

(1)非线性聚合度计算模块，其用于对待预测量时间序列进行标准正态化处理，并对标准正态化后的数据进行非线性聚合度的计算，以考察给定的动态系统的非线性程度。

其中，标准正态化是将待预测量时间序列转化成服从标准正态分布的时间序列，即使其期望为0，方差为1：

vt'＝(vt-μ(vt))/σ(vt)(20)

式中，vt为待预测量的原时间序列，μ(vt)为该时间序列的期望，σ(vt)为该时间序列的标准差，vt'是标准正态化后的时间序列。

其中，在所述非线性聚合度计算模块中，对标准正态化后的数据采用s映射的方法来计算其非线性聚合度。s映射计算的是滞后的坐标矢量和目标变量之间的局部线性映射，它包括一个调整因子θ，该因子用来控制每个向量之间联系的权重：θ＝0时s映射为线性自回归模型；而θ＞0则在计算局部线性映射时赋予了相邻状态量更多的权重，从而表现出非线性。

(2)粒子群优化模块，采用粒子群算法，计算最优嵌入维数e，以及延迟时间τ。

(3)高维相空间重构模块，其用于根据最优嵌入维数e和延迟时间τ，对待预测量时间序列进行相空间重构。

在所述相空间重构模块中，根据塔肯斯定理，当最优嵌入维数e满足e≥2m+1时，给定的动态系统由单维观测量的时序观测值进行重构；其中，m为原动力系统维数。

相空间重构是指用单维的时序观测值对原非线性动力系统进行重构，从而描述其演化规律和发展态势。根据塔肯斯定理，只要最优嵌入维数e满足e≥2m+1(m为原动力系统维数)时，给定的动态系统可由单维观测量的时序观测值进行重构。因此，只要选取合适的最优嵌入维数e和延迟时间τ，就可以将原动力学系统重构到一个高维相空间当中，在重构空间中实现对原系统的分析。

(4)预测模块，其用于构建经验动态模型，在重构相空间内对给定的动态系统进行预测，得到待预测量的预测结果。

在所述预测模块中，利用单纯形投影法来计算状态量相邻点的运动轨迹，并对每条轨迹出现的概率进行估计，进而预测给定的动态系统状态的运动轨迹。

单纯形投影法是将时间延迟嵌入到一个单一的时间序列中以产生吸引子重构，通过计算状态量相邻点的运动轨迹的出现概率来预测风电未来时刻功率概率分布。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。