一种基于数学模型的分布式风电机组功率预测方法技术

本发明专利技术公开了一种基于数学模型的分布式风电机组功率预测方法包括：获取分布式风电机组的历史数据和气象数据，并建立分布式风电机组数学模型；设置粒子群启发式算法的初始化参数，设定适应度函数；通过历史功率数据和粒子群启发式算法对模型进行寻优计算，并获取最优参数；利用WOA

【技术实现步骤摘要】
一种基于数学模型的分布式风电机组功率预测方法


[0001]本专利技术涉及风电机组功率预测
，具体为一种基于数学模型的分布式风电机组功率预测方法。

技术介绍

[0002]近年来风电比例在电力系统中的占比不断升高，风电机组在电力系统中扮演者越来越重要的角色，在此背景下风电机组功率预测变得尤为重要，对分布式风电机组进行功率预测，有助于电力系统发电计划合理调度和经济运行，保障电力系统安全稳定运行。
[0003]传统单一风电功率预测算法都存在着一定的缺点；单一的风电功率物理预测模型参数难以确定，物理模型构建困难；单一的数据驱动算法忽略物理规律，对数据依赖性较强，存在错误映射情况；传统的单一风电功率预测算法难以适配复杂多样的风电数据与气象数据，对风电功率预测精度不足。
[0004]因此，如何准确构建风电功率物理预测模型，建立精确的风电功率预测方法便成为亟待解决的技术问题。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数学模型的分布式风电机组功率预测方法，其特征在于，包括：获取分布式风电机组的历史数据和气象数据，基于所述历史数据和气象数据建立分布式风电机组数学模型；设置粒子群启发式算法的初始化参数，并设定所述粒子群启发式算法的目标函数；通过分布式风电机组历史功率数据和所述粒子群启发式算法对所述分布式风电机组数学模型进行寻优计算，并获取最优参数；利用WOA
‑
CNN
‑
LSTM算法对所述分布式风电机组数学模型的输入数据进行训练预测，将所述预测结果输入至所述分布式风电机组数学模型中对分布式风电机组功率进行预测。2.如权利要求1所述的基于数学模型的分布式风电机组功率预测方法，其特征在于：所述分布式风电机组的历史数据和气象数据的获取包括，获取数据的类型包括基础数据、动态数据和气象数据；所述基础数据包括设备铭牌参数、设备台账、设备投运前的实验数据；所述动态数据包括设备在线监测数据、设备运行数据、带电监测数据；所述气象数据包括风向数据、风速数据、温度数据、湿度数据、气压数据、降水量数据。3.如权利要求2所述的基于数学模型的分布式风电机组功率预测方法，其特征在于：所述分布式风电机组数学模型的计算包括，其中，P
r
表示发电机定子有功功率，u
dr
表示定子d轴电压，i
dr
表示定子d轴电流，u
qr
表示定子q轴电压，i
qr
表示定子q轴电流，s表示转差率，i
qs
表示转子q轴电流，L
m
表示互感，u
qs
表示转子q轴电压，R
s
表示转子电阻，i
ds
表示转子d轴电流，L
s
表示定子电感，R
r
表示定子电阻，u
ds
表示转子d轴电压，L
r
表示转子电感。4.如权利要求3所述的基于数学模型的分布式风电机组功率预测方法，其特征在于：所述粒子群启发式算法的目标函数的设定包括，所述粒子群启发式算法以所述分布式风电机组输出定子有功功率偏差的平方和最小值为目标函数进行寻优计算；所述目标函数f的计算包括，其中，m表示功率数据采样点数量，P
ri
表示第i个采样点数据通过分布式风电机组数学模型所计算得到的定子有功功率值，P
Gri
表示第i个采样点测量的定子有功功率值。
5.如权利要求1～4任一所述的基于数学模型的分布式风电机组功率预测方法，其特征在于：所述最优参数的获取包括，在D维搜索空间中将粒子的位置和...

【专利技术属性】
技术研发人员：张俊玮，刘斌，谈竹奎，张强永，范强，徐玉韬，赵健，王冕，辛明勇，张历，唐赛秋，张后谊，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：