CN103235981A - 一种风电电能质量趋势预测方法 - Google Patents

Abstract

本发明公开了一种风电电能质量趋势预测方法，包括以下步骤：1）建立电能质量趋势预测指标体系；2）数据采集；3）建立电能质量趋势预测指标历史监测数据的概率密度分布模型与其对应的风速/风向数据的“对应工况关系表”；4）工况匹配分析；5）对风电公共连接点电能质量趋势预测指标未来一段时间的电能质量趋势做出预测，并将各预测指标电能质量预测结果存入数据库。本发明方法利用历史电能质量监测数据，对风电公共连接点的关键电能质量指标的电能质量做出趋势预测。

Description

一种风电电能质量趋势预测方法

技术领域

本发明属于电能质量监控技术领域，涉及一种用于电力系统及电力用户的电能质量监控方法。

背景技术

电能质量可以简单的定义为：关系到供电、用电系统及设备正常工作（或运行）的电压、电流的各指标偏离规定范围的程度。由此可以看出电能质量的重要性。

目前，对电能质量的研究主要集中在数据采集方法或对采集后的数据的基本处理上，这些研究主要包括电能质量监测装置和方法，以及电能质量评估等方面，对电能质量监测点或电能质量干扰源并网点的电能质量趋势预测的研究欠缺。随着国家“十二五”规划的大力推进，可再生能源发电和轨道交通迎来新一轮大发展，非线性负荷、风电、电气化铁路等将在电网中大量接入，新型电力电子设备的广泛应用，必将加剧电网中的电能质量问题；而且伴随着智能电网的大力建设，电能质量作为其中的重要部分，必将得到更多的关注。为此，全国许多省份已经或者正在建设电能质量监控平台，并且某些省已经初步探索建立了电能质量预警平台，以更深入的掌握电能质量状况。电能质量趋势预测作为监控平台的重要功能之一，可根据历史或当前电能质量状况预测未来一段时间内的电能质量趋势，这对供用电双方均具有重要意义。对供电方而言，掌握电能质量状况，了解关键母线或线路的电能质量趋势，可以提前发现潜在的电能质量问题，并据此作出调整，改善电能质量状况，提高供电的可靠性，减少不必要的经济损失。对用户而言，尤其是敏感用户，了解自身未来一段时间内的电能质量趋势，适时调整自身生产计划，降低生产成本，为按质定价提供依据。由此可见，一种合理可行的电能质量趋势预测方法，可以提前发现电网中潜移恶化的电能质量问题，为电网的安全运行提供保障，充分发挥电能质量监控平台的作用。

发明内容

技术问题：本发明提供一种可使供用电双方提前了解所属区域电网未来一段时间内的母或线路的电能质量状况，提高电网运行可靠性和经济性的风电电能质量趋势预测方法。

技术方案：本发明的一种风电电能质量趋势预测方法，包括下述步骤：

1）建立风电电能质量趋势预测指标体系；

2）数据采集：采集风电公共连接点的历史电能质量指标监测数据及历史数值气象工况数据，并将采集数据保存到数据库中；

3）建立“对应工况关系表”：根据风电公共连接点的历史电能质量指标监测数据，建立电能质量趋势预测指标概率密度分布模型，然后基于聚类分析算法，建立电能质量趋势预测指标概率密度分布模型与数值气象工况数据的“对应工况关系表”；

4）工况匹配分析：基于动态弯曲距离相似度算法，对未来时间段的数值气象工况与采集的历史数值气象工况进行匹配分析，得到最佳工况匹配结果，然后在步骤3）建立的“对应工况关系表”中提取最佳工况匹配结果对应的电能质量趋势预测指标概率密度分布模型；

5）根据步骤4）中提取的电能质量趋势预测指标概率密度分布模型，采用蒙特卡罗模拟算法，对风电电能质量趋势预测指标进行电能质量趋势预测，得出电能质量预测结果，即各电能质量趋势预测指标在未来时间段内的电能质量数据，并将各电能质量指标预测结果保存到数据库；

本发明步骤1）中建立风电电能质量趋势预测指标体系的具体步骤为：

11）分析风电机组的运行特性及其运行工况变化引起的电能质量变化的特点，结合电能质量标准，筛选出能反映风电运行特性的电能质量指标；

12）根据筛选出的反映风电运行特性的电能质量指标，构成电能质量趋势预测指标体系，指标体系包含以下电能质量指标中的一种或多种：电压波动、电压闪变、谐波、电压畸变率、电压偏差、电压三相不平衡；

本发明方法的步骤2）中，采集风电公共连接点的历史电能质量指标监测数据的具体方法为：

为保证采集的数据能够全面反映风电引起的电能质量问题，根据所建立的电能质量趋势预测指标体系，至少连续12个月每天对各指标进行监测数据采集，并将各指标监测数据分类按照监测日存入“电能质量指标历史监测数据库”；

步骤2）中，采集历史数值气象工况数据的具体方法为：

采集与各电能质量指标数据监测日对应的风电数值气象工况数据并将气象监测数据按照与各电能质量指标的对应关系存入“风电影响因素数据库”，风电数值气象工况数据包括风速数据和风向数据；

本发明步骤3）的具体方法为：

31）选择电能质量趋势预测指标，包括电压波动、电压闪变、谐波、电压畸变率、电压偏差、电压三相不平衡；

32）为了尽量找到各电能质量指标概率分布的统一规律性，，以电能质量趋势预测指标公共连接点的额定值或供用电双方协议值为基值，对所选电能质量趋势预测指标的每日监测数据进行标准化处理，即得到归一化数据其中x是指标监测值，x_N是该指标PCC点的额定值或供用电双方协议值；

33）对所选电能质量趋势预测指标的监测数据做聚类分析，将满足相似度阀值的监测日数据归为一类，称为一个聚类集合，并将每个聚类集合对应的监测日的风速和风向在各个时刻的数据做求和平均，得到每个聚类集合对应的平均风速和风向，其中在对风向数据做求和平均之前要转换为正余弦坐标；

34）对每个聚类集合中的电能质量趋势预测指标的监测数据计算其概率密度分布；

35）根据电能质量趋势预测指标的每个聚类集合与其对应的监测日的风速和风向数据的对应关系，构成各电能质量趋势预测指标统计概率模型与数值气象工况数据的“对应工况关系表”。

本发明步骤4）的具体方法为：

41）根据未来一段时间风电的数值气象工况数据，得到未来时间段内的风速和风向数据，并将各个时刻风向数据转为正弦与余弦坐标值；

42）设置各电能质量趋势预测指标历史风速和风向数据的时间窗长度W1，提取电能质量趋势预测指标聚类集合对应的风速和风向数据的每个时间窗的特征量，分别构成每个样本聚类集合历史风速数据时间序列特征量集合R1＝{r₁₁,r₁₂,…,r_1m}和风向数据时间序列特征量集合R2＝{r₂₁,r₂₂,…,r_2m}，称为样本特征量集合，m为总的时间窗个数、r_1k为历史风速数据第k个时间窗的特征量是、r_2k历史风向数据第k个时间窗的特征量，k=1,2,…,m，特征量是以下特征量中的一个或多个：最大值、最小值、平均值、方差、偏度和峰度；

设置未来一段时间风电数值气象数据时间窗长度W2，提取每个时间窗的特征量，分别构成预测风速数据时间序列特征量时间序列集合T1＝{t₁₁,t₁₂,…,t_1n}和风向数据时间序列特征量时间序列集合T2＝{t₂₁,t₂₂,…,t_2n}，称为预测特征量集合，n为时间窗个数、t_1k为历史风速数据第k个时间窗的特征量是、t_2k历史风向数据第k个时间窗的特征量，k=1,2,…,n，特征量是以下特征量中的一个或多个：最大值、最小值、平均值、方差、偏度和峰度；

43）采用动态弯曲距离相似度算法分别计算预测风速、风向特征量集合R与各样本风速、风向特征量集合T相似度，并将计算得到的不同特征量间的相似度从大到小进行排列，提取相似度最大时的历史数值气象工况，称为与预测日对应的最佳工况匹配结果；

44）将预测预测风速、风向特征量集合与各样本风速、风向特征量集合的相似度从大到小进行排列，提取相似度最大时的历史数值气象工况，称为与预测日对应的最佳工况匹配结果；

45）在步骤3）建立的“对应工况关系表”中，查询电能质量趋势预测指标工况匹配结果对应的历史电能质量指标监测数据聚类集合，以及该聚类集合的概率密度分布。

本发明步骤5）的具体方法为：

51）选择电能质量趋势预测指标，根据步骤4）得到该指标的最佳工况匹配结果，从步骤3）建立的“对应工况关系表”中提取该电能质量趋势预测指标的概率密度分布模型，同时提取该指标的概率密度分布模型对应的聚类集合的历史电能质量指标监测数据，作为该电能质量指标趋势预测的样本数据；

52）根据该电能质量趋势预测指标的概率密度分布模型，生成一组随机数{x₁、x₂…x_n}，其中n为总的监测采样时刻，x为电能质量指标；

53）根据步骤52）中生成的随机数，采用蒙特卡罗模拟算法对该电能质量趋势预测指标未来一段时间的电能质量趋势做出预测，并将预测结果保存到数据库。

有益效果：与现有技术相比，本发明具有以下优点：

（1）有利于供用电双方掌握区域电网未来一段时间内电能质量状况。该电能质量趋势预测方法基于聚类分析算法和动态弯曲距离相似度算法，在建立各预测指标概率密度模型与其主要影响因素间的对应关系的基础上，采用蒙特卡罗模拟算法对区域电网关键母线或线路未来一段时间内的电能质量趋势做出预测。这样供用电双方，尤其是敏感用户，可及时了解当前区域电网的电能质量状况，合理安排自身的运行/生产计划，减少不必要的经济损失。

（2）有利于提高区域电网运行的安全可靠性。根据该电能质量趋势预测结果，结合现有电能质量监控平台中的电能质量评估系统，评估未来一段时间区域电网的电能质量状况。对供用电双方而言户，评估结果较差，即电能质量趋坏，供用电双方，可以适时调整自身的运行/生产计划，避免电能质量进一步恶化，提高电网运行的安全可靠性。

附图说明

图1为本发明的流程图。

图2为本发明中建立“对应工况关系表”流程图。

图3为本发明中基于最佳相似度分析算法的工况匹配流程图。

图4为蒙特卡罗模拟仿真预测流程图。

具体实施方式

下面结合附图，对本发明的技术方案做进一步的说明。总体的风电电能质量趋势预测方法流程如图1所示。

1）建立风电电能质量趋势预测指标体系。首先分析风电机组的运行特性及其运行工况的变化引起电能质量问题的特点，由于风速变化以及风电机组的固有特性（风剪切、塔影效应、叶片重力偏差和偏航误差等）导致风电公共连接点（Point of CommonCoupling，公共连接点，即并网点，简称PCC点）电压波动；同时风电机组中的电力电子装置在运行中会引起电网中产生大量的谐波。基于以上分析，结合我国电能质量标准，建立能够反映风电运行引起的电能质量本征问题的电能质量预测指标体系，该指标体系包含以下电能质量指标中的一种或多种：电压波动、电压闪变、谐波、电压畸变率、电压偏差、电压三相不平衡。

我国电能质量标准体系：

GB12326-2000《电能质量电压波动和闪变》

GB/T 15945-1995《电能质量电力系统频率允许偏差》

GB/T 14549-1993《电能质量公用电网谐波》

GB/T 18481-2001《电能质量暂时过电压和瞬态过电压》

GB/T 15543-1995《电能质量三相电压允许不平衡度》

GB 12325-1990《电能质量供电电压允许偏差》

2）采集已建立电能质量趋势预测指标体系中各电能质量指标的历史监测数据以及对应监测日的历史风电气象工况数据（风速和风向数据）。

采集风电公共连接点的历史电能质量指标监测数据的具体方法为：为保证所采集的电能质量指标监测数据能够全面反映风电引起的电能质量问题，对风电电能质量趋势预测指标体系中每个电能质量指标，至少连续12个月同步每天进行数据监测采集；由于不同类型的电能质量趋势预测指标的采样频率不同，要建立不同电能质量指标的历史数据库，将监测采集的各电能质量趋势预测指标监测数据按照监测日分类依次存入到相应的数据库，构成“电能质量趋势预测指标数据库”；

采集历史数值气象工况数据的具体方法为：根据不同电能质量趋势预测指标采样频率的不同，采集与各电能质量指标数据监测日对应的风电数值气象数据（风速和风向数据），同时建立与电能质量趋势预测指标监测数据相关联的风电数值气象数据数据库，并将风电数值气象数据按照与各电能质量指标的对应关系存入其对应的数据库，构成“风电影响因素数据库”；

3）根据步骤2）中采集的数据，建立电能质量趋势预测指标统计概率模型与数值气象工况数据的“对应工况关系表”。

31）选择电能质量趋势预测指标，包括电压波动、电压闪变、谐波、电压畸变率、电压偏差、电压三相不平衡中的一种或多种。

32）为了尽量找到各电能质量指标概率分布的统一规律，先将所选电能质量指标每日监测数据以该指标PCC点的额定值或供用电双方的协议值为基准做标准化处理，即得到归一化数据

其中x是预测指标监测数据值，x_N是该指标PCC点的额定值或供用电双方的协议值；

33）对所选电能质量趋势预测指标的监测数据做聚类分析，将满足相似度阀值的监测日数据归为一类，称为一个聚类集合。同时，将每个聚类集合对应的监测日的风速和风向各个时刻的数据做求和平均，得到每个聚类集合对应的平均风速和风向，并将风向数据转化为对应的正/余弦坐标表示，正弦值表示横坐标，余弦值表示纵坐标：

首先将风向按圆周360度或弧度进行处理，得到各个风向对应的圆周度数或弧度；

对风向数据的处理一般采用以下两种方法：

风向一般用16个方位表示，即北东北（NNE）、东北（NE）、东东北（ENE）、东（E）、东东南（ESE）、东南（SE）、南东南（SSE）、南（S）、南西南（SSW）、西南（SW）、西西南（WSW）、西（W）、西西北（WNW）、西北（NW）、北西北（NNW）、北（N）；也可用角度来表示，以某一方向为基准。顺时针方向旋转，东风为90°，南风为180°，西风为270°，北风为360°，本文采用后一种方法，即角度方法表示，可以更精确的表示风速数据。

将风向用一组正弦和余弦数值组合进行表示，得到每一个风向的唯一的坐标；

34）对每个聚类集合中的电能质量指标监测数据采用MATLAB中的M文件的函数计算其概率密度分布，得到所选电能质量预测指标的概率密度分布。

35）根据电能质量趋势预测指标的每个聚类集合与其对应的监测日的风速和风向数据的对应关系，形成各电能质量趋势预测指标概率密度分布模型与数值气象工况数据的“对应工况关系表”;

步骤33）中聚类分析的具体方法为：

（1）将每个历史监测日的电能质量趋势预测指标的监测数据视为一个样本集合，并将每个根本聚类集合数据根据步骤31）进行归一化预处理，然后提取经过数据归一化处理后每个样本集合的特征量，特征量包括该组数据的最大值、最小值、平均值、方差、偏度和峰度；

（2）采用欧式距离算子计算两两样本间的欧式距离d，计算公式如式（1）所示，式中x_i、y_i分别为样本集合x和y的第i个特征量，n为总的特征量个数；

$d=\sqrt{\underset{i=1}{\overset{i=n}{\mathrm{\Σ}}}{(x_i-y_i)}^2}---\left(1\right)$

（3）设置最佳阈值λ1，根据最佳阈值λ1对所有的样本集合逐个进行距离分析，若两个不同的样本集合间的欧式距离d≤λ1，则判定这两个样本集合属于同一个聚类集合，直到所有样本集合分析完毕。

4）工况匹配分析：根据步骤3）中已建立的“对应工况关系表”，对预测的风电数值气象工况与历史风电数值气象工况进行匹配分析，并提取最佳工况匹配结果对应的电能质量趋势预测指标概率密度分布模型。

41）首先选择电能质量趋势预测指标，并根据数值气象信息，对未来一段时间内（一天/三天/一周）的风电气象工况作出预测，得到风电未来一段时间内的风速和风向数据。在得到未来一段时间风电风速和风向数据的前提下，对得到的风向/风速数据做相应处理，其中对风向的处理要转换为其正弦值与余弦值的组成的坐标；

42）根据不同电能质量指标类型和采样频率的不同，设置各电能质量趋势预测指标监测日风速和风向数据的时间窗长度W1，提取电能质量趋势预测指标聚类集合所对应的风速和风向数据的每个时间窗的特征量，分别构成每个样本聚类集合历史风速和风向数据时间序列特征量集合R1＝{r₁,r₂,…,r_m}和R2＝{r₁,r₂,…,r_m}称为样本特征量集合，m为总的时间窗个数、r_1k为历史风速数据第k个时间窗的特征量是、r_2k历史风向数据第k个时间窗的特征量，k=1,2,…,m；

根据所选电能质量趋势预测指标的不同，设置其未来一段时间风电数值气象数据时间窗长度W2，提取每个时间窗的特征量，分别构成预测风速和风向数据时间序列特征量时间序列集合T1＝{t₁,t₂,…,t_n}和T2＝{t₁,t₂,…,t_n}，称为预测特征量集合，n为时间窗个数、t_1k为历史风速数据第k个时间窗的特征量是、t_2k历史风向数据第k个时间窗的特征量，k=1,2,…,n；

上述特征量可以是以下特征量中的一个或多个：最大值、最小值、平均值、方差、偏度和峰度；根据所选电能质量趋势预测指标。

43）采用动态弯曲距离相似度算法分别计算预测风速、风向特征量集合R与各样本风速、风向特征量集合T相似度，并将计算得到的不同特征量间的相似度从大到小进行排列，提取相似度最大时的历史数值气象工况，称为与预测日对应的最佳工况匹配结果；

44）将预测预测风速、风向特征量集合与各样本风速、风向特征量集合的相似度从大到小进行排列，提取相似度最大时的历史数值气象工况，称为与预测日对应的最佳工况匹配结果；

45）基于电能质量趋势预测指标统计概率模型与数值气象工况数据的“对应工况关系表”，查询电能质量趋势预测指标工况匹配结果对应的历史电能质量指标监测数据聚类集合，以及该聚类集合的概率密度分布。

步骤43）中动态弯曲距离相似度算法的具体流程为：

（1）取两数据维数分别为m和n的时间序列T和R，即：T=(t₁，t₂，…，t_n)^T，R=(r₁，r₂，…，r_n)^T，其中T定义为测试时间序列，R定义为样本时间序列。

然后，将它们按照相应的时间序列的位置排序，进而构造时间序列距离矩阵A_m×n，即：

其中，A中元素

表示时间序列点t_i和r_j之间的欧氏距离。

（2）对于时间序列距离矩阵A_m×n，将每一组相邻元素组成的集合成为弯曲路径，标记为W=(w₁，w₂，…，w_m’)。弯曲路径W中的第k个元素w_k=(a_ij)_k，且此路径满足如下条件，即：

a）有界性：max{m,n}≤k≤m+n-1；

b）临界条件：w₁=a₁₁，w_m=a_mn；

c）连续性与单调性：对于w_k=a_ij，w_k-1=a_i′j′，一定满足0≤i-i′≤1，0≤j-j′≤1。

（3）计算时间序列T与R的最小弯曲路径

用式（5）表示：

$\left\{\begin{array}{c}D(<>,<>)=0,\\ D(i,<>)=D(<>,j)=\&infin;,\\ D\left(\mathrm{1,1}\right)=a_{11},\\ D(i,j)=a_{\mathrm{ij}}+\min \{D(i-1,j-1),D(i,j-1),D(i-1,j)\}\end{array}\right.---\left(3\right)$

式中，i=2，3，…，m；j=2，3，…，n；A_m×n中弯曲路径最小累加值为D(m,n)。

（3）根据步骤（1）和（2）分别计算预测风速、风向特征量集合R与各样本风速、风向特征量集合T的最小弯曲距离D1(m,n)、D2(m,n)，按照式（4）对d1、d2进行计算，得到最小加权弯曲距离D(m,n)，式中

β均为非负实数，且

$D(m,n)=\&PartialD;\&CenterDot;D1(m,n)+\mathrm{\&beta;}\&CenterDot;D2(m,n)---\left(4\right)$

（4）将最小加权弯曲距离D(m,n)用式（5）进行变换，s(T，R)表示时间序列T与R之间的变换相似度，取值范围为[0，100%]，其取值越大说明最小加权弯曲距离D(m,n)越小，时间序列T与R之间的相似度越大；

$s(T,R)=\frac{10}{10+D(m,n)}\&times;100\%---\left(5\right)$

5）根据步骤4）工况匹配结果，采用蒙特卡罗模拟算法（Monte Carlo）进行电能质量趋势预测，得出各电能质量预测指标未来时间的数据。

51）根据步骤4）中工况匹配分析结果得到的电能质量趋势预测指标的概率密度分布模型，提取该指标概率密度分布模型对应的聚类集合数据，作为该电能质量指标趋势预测的样本数据。

52）根据该指标的概率密度分布，采用MATLAB产生一组随机数{x₁、x₂…x_n}，n为总的监测采样时刻，必要时可对产生的随机数{x₁、x₂…x_n}分布类型进行检验，检验是否属于所建立的概率密度分布。

53）根据步骤52）生成的随机数，采用Monte Carlo模拟算法对该指标未来一段时间电能质量趋势做出预测，并将预测结果保存到数据库。

步骤53）中Monte Carlo模拟算法的具体方法为：

（1）根据步骤52）生成的随机数，随机抽样N次，得到预测指标的N组随机样本值，求取这N个样本的期望值{x′₁、x′₂…x′_n}，即为该电能质量指标的标准化后的预测数据；

（2）将步骤（1）中得到的标准化后的预测数据的代入式（6）做数据还原处理（x为所选电能质量趋势预测指标；i＝1…n），得到{X1、X2…Xn}，则

即为该指标未来一段时间的电能质量预测数据，将该指标电能质量趋势预测结果保存到数据库，其中N值的选取可根据对预测精度要求的不同进行选取。

x′_i×x_N    (6)

上述实施案例不以任何方式限定本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围之内。

Claims (6)

1.一种风电电能质量趋势预测方法，其特征在于，该方法包括以下步骤： 

1）建立风电电能质量趋势预测指标体系； 

2）数据采集：采集风电公共连接点的历史电能质量指标监测数据及历史数值气象工况数据，并将采集数据保存到数据库中； 

3）建立“对应工况关系表”：根据风电公共连接点的历史电能质量指标监测数据，建立电能质量趋势预测指标概率密度分布模型，然后基于聚类分析算法，建立电能质量趋势预测指标概率密度分布模型与数值气象工况数据的“对应工况关系表”； 

4）工况匹配分析：基于动态弯曲距离相似度算法，对未来时间段的数值气象工况与采集的历史数值气象工况进行匹配分析，得到最佳工况匹配结果，然后在步骤3）建立的“对应工况关系表”中提取所述最佳工况匹配结果对应的电能质量趋势预测指标概率密度分布模型； 

5）根据所述步骤4）中提取的电能质量趋势预测指标概率密度分布模型，采用蒙特卡罗模拟算法，对风电电能质量趋势预测指标进行电能质量趋势预测，得出电能质量预测结果，即各电能质量趋势预测指标在未来时间段内的电能质量数据，并将各电能质量指标预测结果保存到数据库。 

2.根据权利要求1中所述的一种风电电能质量趋势预测方法，其特征在于，所述步骤1）中建立风电电能质量趋势预测指标体系的具体步骤为： 

11）分析风电机组的运行特性及其运行工况变化引起的电能质量变化的特点，结合电能质量标准，筛选出能反映风电运行特性的电能质量指标； 

12）根据筛选出的反映风电运行特性的电能质量指标，构成电能质量趋势预测指标体系，所述指标体系包含以下电能质量指标中的一种或多种：电压波动、电压闪变、谐波、电压畸变率、电压偏差、电压三相不平衡。 

3.根据权利要求1中所述的一种风电电能质量趋势预测方法，其特征在于，所述步骤2）中，采集风电公共连接点的历史电能质量指标监测数据的具体方法为： 

为保证采集的数据能够全面反映风电引起的电能质量问题，根据所建立的电能质量趋势预测指标体系，至少连续12个月每天对各指标进行监测数据采集，并将各指标监测数据分类按照监测日存入“电能质量指标历史监测数据库”； 

所述步骤2）中，采集历史数值气象工况数据的具体方法为： 

采集与各电能质量指标数据监测日对应的风电数值气象工况数据并将气象监测数据按照与各电能质量指标的对应关系存入“风电影响因素数据库”，所述风电数 值气象工况数据包括风速数据和风向数据。 

4.根据权利要求1中所述的一种风电电能质量趋势预测方法，其特征在于，所述步骤3）具体包括以下步骤： 

31）选择电能质量趋势预测指标，包括电压波动、电压闪变、谐波、电压畸变率、电压偏差、电压三相不平衡； 

32）为了尽量找到各电能质量指标概率分布的统一规律性，，以电能质量趋势预测指标公共连接点的额定值或供用电双方协议值为基值，对所选电能质量趋势预测指标的每日监测数据进行标准化处理，即得到归一化数据其中x是指标监测值，x_N是该指标PCC点的额定值或供用电双方协议值； 

33）对所选电能质量趋势预测指标的监测数据做聚类分析，将满足相似度阀值的监测日数据归为一类，称为一个聚类集合，并将每个聚类集合对应的监测日的风速和风向在各个时刻的数据做求和平均，得到每个聚类集合对应的平均风速和风向，其中在对风向数据做求和平均之前要转换为正余弦坐标； 

34）对每个聚类集合中的电能质量趋势预测指标的监测数据计算其概率密度分布； 

35）根据电能质量趋势预测指标的每个聚类集合与其对应的监测日的风速和风向数据的对应关系，构成各电能质量趋势预测指标统计概率模型与数值气象工况数据的“对应工况关系表”。 

5.根据权利要求1中所述的一种电能质量趋势预测方法，其特征在于，所述步骤4）具体包括以下步骤： 

41）根据未来一段时间风电的数值气象工况数据，得到未来时间段内的风速和风向数据，并将各个时刻风向数据转为正弦与余弦坐标值； 

42）设置各电能质量趋势预测指标历史风速和风向数据的时间窗长度W1，提取电能质量趋势预测指标聚类集合对应的风速和风向数据的每个时间窗的特征量，分别构成每个样本聚类集合历史风速数据时间序列特征量集合R1＝{r₁₁,r₁₂,…,r_1m}和风向数据时间序列特征量集合R2＝{r₂₁,r₂₂,…,r_2m}，称为样本特征量集合，m为总的时间窗个数、r_1k为历史风速数据第k个时间窗的特征量是、r_2k历史风向数据第k个时间窗的特征量，k=1,2,…,m，特征量是以下特征量中的一个或多个：最大值、最小值、 平均值、方差、偏度和峰度； 

设置未来一段时间风电数值气象数据时间窗长度W2，提取每个时间窗的特征量，分别构成预测风速数据时间序列特征量时间序列集合T1＝{t₁₁,t₁₂,…,t_1n}和风向数据时间序列特征量时间序列集合T2＝{t₂₁,t₂₂,…,t_2n}，称为预测特征量集合，n为时间窗个数、t_1k为历史风速数据第k个时间窗的特征量是、t_2k历史风向数据第k个时间窗的特征量，k=1,2,…,n，特征量是以下特征量中的一个或多个：最大值、最小值、平均值、方差、偏度和峰度； 

43）采用动态弯曲距离相似度算法分别计算预测风速、风向特征量集合R与各样本风速、风向特征量集合T相似度，并将计算得到的不同特征量间的相似度从大到小进行排列，提取相似度最大时的历史数值气象工况，称为与预测日对应的最佳工况匹配结果； 

44）将预测预测风速、风向特征量集合与各样本风速、风向特征量集合的相似度从大到小进行排列，提取相似度最大时的历史数值气象工况，称为与预测日对应的最佳工况匹配结果； 

45）在所述步骤3）建立的“对应工况关系表”中，查询电能质量趋势预测指标工况匹配结果对应的历史电能质量指标监测数据聚类集合，以及该聚类集合的概率密度分布。 

6.根据权利要求1中所述的一种风电电能质量趋势预测方法，其特征在于，所述步骤5）包括以下步骤： 

51）选择电能质量趋势预测指标，根据步骤4）得到该指标的最佳工况匹配结果，从所述步骤3）建立的“对应工况关系表”中提取该电能质量趋势预测指标的概率密度分布模型，同时提取该指标的概率密度分布模型对应的聚类集合的历史电能质量指标监测数据，作为该电能质量指标趋势预测的样本数据； 

52）根据该电能质量趋势预测指标的概率密度分布模型，生成一组随机数{x₁、x₂…x_n}，其中n为总的监测采样时刻，x为电能质量指标； 

53）根据所述步骤52）中生成的随机数，采用蒙特卡罗模拟算法对该电能质量趋势预测指标未来一段时间的电能质量趋势做出预测，并将预测结果保存到数据库。 

Images