【技术实现步骤摘要】
本专利技术属于电力系统调度领域，尤其涉及一种基于多特征相似性匹配法的风电集群功率预测模型。
技术介绍
1、近年来，为发展清洁能源，全球风电装机容量不断增加，2022年底，已达906gw,全球风能理事会报告预计未来五年将新增并网容量680gw。风能输出的特点被认为是随机性、波动性。因此，当风电大规模并入电网时，会对电网的安全稳定运行产生负面影响。风电功率预测可以提高定点平衡电力系统中风功率输出的可预测性，对电力系统的运行调度及稳定控制十分重要，是保证风电消纳和电力系统安全的主要技术手段之一，对电网而言，区域风电功率预测比单一风电功率预测更为重要。安排发电调度和确定电力系统的旋转储备能力对于电力调度至关重要。因此，电网调度更关注整个风电场群的输出。
技术实现思路
1、本专利技术的目的在于针对上述现有技术的不足，本专利技术的目的在于提供一种基于多特征相似性匹配法的风电集群功率预测模型，以解决风电集群功率预测的问题，使其有助于提升风电集群并网运行的安全稳定性。
2、本专利技术为解决上述技术问题采用以下技术方案：一种基于多特征相似性匹配法的风电集群功率预测模型，包括如下步骤：
3、一种基于多特征相似性匹配法的风电集群功率预测模型，包括如下步骤：
4、步骤s1、将风电集群历史数值天气预报数据和历史功率数据分为训练数据和测试数据，对训练部分的历史数值天气预报数据进行主成分分析处理；
5、步骤s2、模型设置距离百分比、距离衰减系数、时间衰减系数、功率
6、步骤s3、采用控制变量法分析四个参数对预测误差的影响，调整步骤s2中得到的四个参数的初始优化值，得到四个参数的最优组合；
7、步骤s4、根据四个参数的最优组合，通过多特征相似性匹配法利用历史数据得到预测功率。
8、进一步的，步骤s1具体包括：
9、将50％的历史数值天气预报数据和历史功率数据设为训练数据，其余50％设为测试数据。训练数据包括170米、100米、30米和10米等四个不同高度的风速以及相应的风向，为减少输入样本维数，对原始数值天气预报数据集进行主成分分析，并将主成分分析结果作为模型输入。对于预测时间之前的功率，第二个及以后的预测点，应用前一个点的预测功率和数值天气预报数据作为输入参数预测出功率。然后，将数据的30％设为待预测数据，其余70％设为历史数据。
10、进一步的，步骤s2具体包括：
11、步骤s2-1、设置距离百分比pr、距离衰减系数α、时间衰减系数λ、功率调整系数β四个参数，并采用可变度量网格搜索法优化预测模型的四个参数。
12、步骤s2-2、计算预测点的输入数据矩阵与历史点数据矩阵的特征距离：
13、
14、式中：di,t+h历史时间i的风速矩阵与待预测时间t+h的风速矩阵之间的欧氏距离，m是实验样本中的风电场数量，ηk应用于第k个位置的比例因子，vk,i是历史时刻i中地点k的风速预测值，vk,t+h是地点k在t+h时刻的风速预测值，pi是历史时刻i的功率值，pt+h-1是预测时刻t+h时前一时刻的功率值。
15、步骤s2-3、将特征距离与阈值相比较，小于阈值的作为与预测数据集相匹配的数据集，阈值计算为：
16、δ＝dmin+pr·(dmed-dmin) (2)
17、式中：δ是阈值，pr是距离百分比，dmin是风速欧氏距离的最小值，dmed风速欧氏距离的中位数。
18、步骤s2-4、通过加权求和得到预测结果：
19、
20、式中：是预测时刻t+h的集群加权功率，ωi,t+h是时刻i功率样本对t+h时刻群集功率预测的重要性加权系数，pi是时刻i样本点功率，n是样本点数量。
21、重要性加权系数由如下计算：
22、
23、式中：是距离权重系数，是时间权重系数。
24、距离权重系数由如下计算：
25、
26、式中：是距离权重系数，di,t+h历史时间i的风速矩阵与待预测时间t+h的风速矩阵之间的欧氏距离，μ是距离散点图中的中位数，α是距离衰减系数。
27、时间权重系数由如下计算：
28、
29、式中：是时间权重系数，λ是时间衰减系数。
30、步骤s2-5、依次将集群的预测功率与30％的测试数据比较，得出总体误差，在总体误差最小时结束可变度量网格搜索法对四个参数的优化。
31、进一步的，步骤s3具体包括：
32、采用控制变量法分析四个参数对预测误差的影响。根据步骤s2得出的初始优化值，保持三个参数值不变，改变其余一个参数值，得出预测误差，分析参数对预测误差的影响。逐一分析四个参数对预测误差的影响作用，调整步骤s2中得到的四个参数的初始优化值，得到四个参数的最优组合。
33、进一步的，步骤s4具体包括：
34、根据步骤s3中获得的四个参数对预测误差的影响和最佳参数组合，通过多特征相似性匹配法对历史数据进行匹配，依次加权得到各时刻风电集群预测功率。
35、与现有技术相比，本专利技术具有如下有益效果：
36、(1)本专利技术提供的一种基于多特征相似性匹配法的风电集群功率预测模型，预测风电集群的功率，提高了风电集群并网的运行稳定性。
37、(2)本专利技术提供的一种基于多特征相似性匹配法的风电集群功率预测模型，以历史数值天气预报数据和历史功率数据作为预测模型输入，多特征匹配预测提高了预测的鲁棒性，不会因部分错误造成较大预测偏差。
38、(3)本专利技术提供的一种基于多特征相似性匹配法的风电集群功率预测模型，分析四个模型参数对预测准确性的影响，并不断优化，得出最优参数组合再预测，显著提高了预测结果的准确性。
本文档来自技高网...【技术保护点】
1.一种基于多特征相似性匹配法的风电集群功率预测模型，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于多特征相似性匹配法的风电集群功率预测模型，其特征在于，步骤S1中数据处理包括：
3.根据权利要求1所述的一种基于多特征相似性匹配法的风电集群功率预测模型，其特征在于，步骤S2具体包括：
4.根据权利要求1所述的一种基于多特征相似性匹配法的风电集群功率预测模型，其特征在于，步骤S3具体包括：
5.根据权利要求1所述的一种基于多特征相似性匹配法的风电集群功率预测模型，其特征在于，步骤S4具体包括：
【技术特征摘要】
1.一种基于多特征相似性匹配法的风电集群功率预测模型，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于多特征相似性匹配法的风电集群功率预测模型，其特征在于，步骤s1中数据处理包括：
3.根据权利要求1所述的一种基于多特征相似性匹配法的风电集群功...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。