本發(fā)明屬于風功率爬坡預測領域，涉及一種基于大風氣象分類的風功率爬坡預測模型切換方法。

背景技術：
發(fā)明一種適用于風功率爬坡預測的可為不同風功率爬坡統計預測模型進行優(yōu)化選擇的切換機制是對現有風電有效、安全并網研究所需要的重要組成部分。風力發(fā)電作為一種新興的、大規(guī)模應用的綠色能源，其自身固有的波動特性給發(fā)電和負荷平衡帶了挑戰(zhàn)。為了使風力發(fā)電和其他常規(guī)能源發(fā)電一樣具有便利的可調度性，準確可靠的風電功率預測系統是提高電力系統對風電的接納能力的必備選擇。風功率爬坡是指在較短時間內，風功率上升或下降幅度較大，對區(qū)域電能質量產生影響且影響到電力調度計劃的風功率波動過程。隨著風力發(fā)電的快速發(fā)展，風電并網裝機容量的不斷上升，受到自然氣候不規(guī)律作用的風電功率波動對電力系統所產生的影響亟需有效的分析研究。其中，風功率爬坡預測是極為緊迫的環(huán)節(jié)。風功率爬坡預測的核心問題是爬坡事件的預測，而爬坡事件的預測離不開對大風（以及無風）天氣的預報，這就取決于數值天氣預報的預報準確度及分析方法的運用。目前國內外在風功率爬坡預測的研究中，并未有效地將各類引起爬坡的大風天氣進行內在的動力學和熱力學分析，使得爬坡天氣未被有效地提取跟蹤出來，這就造成了部分可以造成風功率大幅度波動的氣象信息的缺失。然而進一步要提出的針對不同時空尺度下的大風天氣信息所對應的各類統計預報方法，以期待得出更為精準的風功率爬坡預報分析結果所需的切換機制方案，而其中所面臨的問題是在預報過程中的核心問題。

技術實現要素：
本發(fā)明的上述技術問題主要是通過下述技術方案得以解決的：一種基于大風氣象分類的風功率爬坡預測模型切換方法，其特征在于，包括以下步驟：步驟1，建立指定區(qū)域內基于數值天氣預報數據的大風天氣判別分析模型，收集表征大風爬坡天氣的特征指標量，所述表征大風爬坡天氣的特征指標量由參數類型決定，所述參數類型包括：穩(wěn)定度指標、熱力指標、動力學指標以及熱力/動力綜合指標;模型的建立針對指定區(qū)域的采樣，采樣后建立如下判別分析模型：Y=c1x1+c2x2+c3x3+…+cnxn其中：ci為加權系數，xi為特征指標量，Y是判別函數值，采樣時間為每15分鐘一次，且按數值天氣預報每六個小時跟蹤修正一次，計算出的判別函數值Y根據判別方法中的判別準則進行分類，并通過假設檢驗進行驗證分析；步驟2，根據步驟1所建立的大風天氣的預報分析模型，運用數值判別方法在指定區(qū)域范圍內用特征指標量判別鋒面過境的天氣條件和強對流天氣中是否為大風天氣，所述判別方法是基于Fisher判別法進行判別分析，計算出判別準則的分類標準；步驟3，根據步驟2所運用到的數值判別方法在判定出大風天氣后根據歷史數據計算特征方程的系數，以確定判別函數值Y的分類，并通過統計檢驗方法驗證函數值Y的結果；步驟4，根據步驟3中通過數值化的判定結果基本判別出大風天氣后，進一步要確定大風天氣所屬的類型及相關信息，得出不同類型的大風天氣風能變化特點，尤其是時間尺度和空間尺度的特點，再結合歷史數據中統計出的相似的場景進行綜合預報分析，給出更為準確的風速爬坡預報統計模型切換方法。在上述的一種基于大風氣象分類的風功率爬坡預測模型切換方法，所述的步驟1中，所述穩(wěn)定度指標、熱力指標、動力學指標以及熱力/動力綜合指標中，各個指標包括的對流參數如下：所述穩(wěn)定度指標包括最佳對流有效位能參數；所述熱力指標包括沙氏指數和K指數；所述動力學指標包括密度加權平均垂直風切變和渦生參數；所述熱力/動力綜合指標包括風暴強度指數和理查德遜數；通過各種氣象特征指標，建立大風天氣判別分析模型，模型的采樣時間為每15分鐘一次，且按數值天氣預報每六個小時跟蹤修正一次，判別函數值按照判別準則進行分類，并結合歷史統計值進行統計檢驗。在上述的一種基于大風氣象分類的風功率爬坡預測模型切換方法，所述步驟2中，Fisher判決的目標就是:尋找一個或一組投影軸，能夠在最小化類內散布的同時最大化類間分布；Fisher判別法基于以下定義：在各種特征指標量中有能判斷大風天氣w1和不能判斷大風天氣w2這兩類問題，假定有n個訓練樣本xk(k=1,2,....,n)其中n1個樣本來自wi類型，n2個樣本來自wj類型，n=n1+n2，兩個類型的訓練樣本分別構成訓練樣本的子集X1和X2；令：yk=wTxk，k=1,2,...,n，其中yk是向量xk通過變換w得到的標量，它是一維的，實際上，對于給定的w，yk就是判決函數的值，定義Fisher準則函數：其中mi為各類平均值，si為類內聚合度，使JF最大的解w*就是最佳解向量，也就是Fisher的線性判別式，求解w*，從JF(w)的表達式可知，它并非w的顯函數；是原d維特征空間里的樣本類內離散度矩陣，表示兩類均值向量之間的離散度大小，因此，越大越容易區(qū)分；稱為原d維特征空間里，樣本“類內離散度”矩陣；是樣本“類內總離散度”矩陣，將上述的所有推導結果代入JF(w)表達式，即判別準則表達式：式中和由樣本集X計算出。通過判別準則表達式，計算出投影軸，能夠在最小化類內散布的同時最大化類間分布，為確定大風氣象提供分類標準。在上述的一種基于大風氣象分類的風功率爬坡預測模型切換方法，所述步驟3中，通過數值判別分析法計算出特征方程的系數并確定判別式的判定范圍基于以下公式：將步驟2中的JF(w)判別準則表達式轉換后用矩陣形式表達如下：由此求得判別函數系數c1,c2,…,cn，于是建立起兩總體w1、w2的判別分析式，即為：Y=c1x1+c2x2+…+cnxn通過判別準則，計算出一個或一組投影軸w使得樣本投影到該空間后能在保證方差最小的情況下，將不同類的樣本很好的分開，進一步確定判別式函數值Y的分類結果，Fisher判別法的數學模型是建立在假定兩組試驗數據取自不同的總體，但是如果兩組試驗數據的各特征變量的平均值差異不顯著，從而所建的判別函數數學模型就沒有價值，為此，需要檢驗兩總體是否有顯著差異，檢驗所用的標準是以馬氏（Mahalanobis）D2距離為基礎所構成的統計量：其中，全部符號同前；對于給定顯著水平α，查F分布表，可得臨界值Fα，如果F>Fα，則表明w1、w2兩總體有明顯差異，判別函數數學模型可靠；反之不然；由此算出判別是否為大風天氣的判別式系數，并通過統計檢驗確定判別式的閾值。在上述的一種基于大風氣象分類的風功率爬坡預測模型切換方法，所述步驟4中，判別大風天氣屬于哪種類型并形成對統計預測方法的切換方法具體實現過程如下：將兩總體判別方法拓展至多總體判別法中，可以建立起多維判別函數模型，對不同的大風類型進行進一步分類，求得判別函數模型后，可由判別式算出：由投影空間上多總體的投影點集的重心可給...