本发明涉及新能源接入与检测，并且更具体地，涉及一种基于训练模型的风电机组电压波动和闪变预测方法及系统。
背景技术：
1、截止2023年底，我国新能源(风电和光伏)装机容量占比已超过电源装机总容量的50％，多个省份的新能源峰值发电量占比已达到或超过实时负荷。随着“沙戈荒、深远海、保消纳”等新能源支持政策的持续推进，新能源装机容量和发电量占比将持续快速增长，成为未来电量供应的主体。与此同时，电力系统“双高”和“弱电网”特征日益显著，因风光等新能源发电引起的电压波动和闪变事件呈上升趋势，给新能源消纳和区域电力系统稳定运行带来不利影响。
2、电压波动和闪变是刻画电能质量优劣程度的重要指标之一，也是风光等新能源发电带给电力系统的主要负面影响因素之一。国家标准gb/t19963.1-2021《风电场接入电力系统技术规定第一部分陆上风电》对风电场接入电网开展电压波动和闪变测试提出了明确要求。iec 61400-21-1:2019measurement and assessment of electricalcharacteristics–wind turbines给出了影响风电机组并网点电压波动和闪变特性的典型因素，为开展风电机组并网点电压波动和闪变特性分析及预测奠定了基础。为了在风电机组和区域电力系统发生故障前提供电压波动及闪变的优化和预警服务，就需要获得较为准确的电压波动和闪变预测结果。所以，建立风电机组、光伏发电单元和新能源场站并网点的电压波动及闪变预测机制具有现实意义。
3、与本发明相关的现有技术包括：
4、技术一：
5、一种基于深度学习模型的含分布式电源配电网电能质量预测方法，使用电能质量历史数据训练分布式电源配电网的神经网络预测模型，然后基于温度、光照、系统用电负荷变化获得未来时段电能质量结果。基于神经网络模型预测与基于机理模型预测相比，往往需要大量经标注的数据做为支撑，且训练周期长。此外，该技术提到的电能质量指标中未涉及闪变的预测和评估。
6、技术二：
7、一种电能质量监测数据的短时预测方法及其装置。根据多个时序的电能质量波动值，计算波动值的概率分布，通过对监测值或波动值的滤波处理得到电能质量预测值。该技术以电能质量数据波动概率分布为依据，采用滑动滤波获得预测结果。
8、技术三：
9、一种风电场以及风电场并网处的闪变评估方法和系统。通过采集风电场内所有风电机组机端电压数据和风电场并网点处的电压数据，计算风电场内各风电机组机端电压与风电场并网点处电压的相关系数，并进行归一化处理，进而分析风电场运行对电网闪变的贡献程度。但未提及基于预训练仿真模型和多源外部数据开展闪变预测的相关方法。
10、综上所述，现有技术方案中，风电机组模型多为灰箱模型，且风资源、电网电压和控制指令等具有随机变化特点，仅通过模型仿真获得电压波动预测值，其不确定度难以评估，且常规方法计算电压波动和闪变结果耗时长，具有滞后性，难以做到有效的预测和预警。
技术实现思路
1、针对上述问题，本发明提出了一种基于训练模型的风电机组电压波动和闪变预测方法，包括：
2、在第一时刻，获取风电机组的第一实时多源外部数据，并对该多源外部数据进行归一化处理，同步将归一化处理的多源外部数据输入经预训练的风电机组仿真模型，并得到所述第一时刻的风电机组并网点的闪变仿真值；
3、使用所述预先训练的风电机组仿真模型，根据所述第一时刻所述经归一化处理的多源外部数据及所述第一时刻所述风电机组仿真模型得到闪变仿真值，得到第二时刻风电机组并网点的闪变仿真值，根据关键影响因素变化量和权重系数计算得到第二时刻风电机组并网点的闪变预测值，并计算合成闪变预测值；
4、根据所述第二时刻所述风电机组并网点的闪变测量值和第一时刻经归一化的风电机组多源外部数据、第二时刻所述风电机组并网点的闪变预测值，对所述预先训练的风电机组仿真模型的模型参数及权重系数进行调整；
5、建立目标风电机组的关联数据库，在所述关联数据库调取目标风电机组第二时刻归一化处理的多源外部数据，使用调整后的风电机组仿真模型及权重系数，根据所述目标风电机组第二时刻归一化处理的多源外部数据及第三时刻的闪变仿真值，并预测出第三时刻目标风电机组并网点的合成闪变预测值。
6、可选的，获取风电机组的第一实时多源外部数据或获取风电机组的第一实时多源外部数据的获取数据方式，包括：
7、在风电机组的机组侧或风电场侧或新能源场站集控中心进行多源数据采集或通过相应的数据库服务器实时调取。
8、可选的，关联数据库以矩阵形式存储目标风电机组的多源外部数据及其闪变测量值。
9、可选的，基于风电机组的影响因素，构建关联数据库；
10、所述影响因素，包括但不限于：时序、风资源、桨距角、转速/转矩、变流器直流母线电压、并网点电压、并网点有功功率、并网点无功功率、控制指令和多源外部数据间的时序偏差。
11、可选的，多源外部数据，包括但不限于：风电机组的实时风速、湍流强度、桨距角、转速/转矩、变流器直流母线电压、并网点电压、并网点有功功率、并网点无功功率、控制指令和多源外部数据间的时序偏差；
12、所述控制指令，包括但不限于：有功功率控制指令、无功功率/电压控制指令和频率调节指令。
13、可选的，关联数据库，还用于存储预测出的第二时刻及所述第二时刻后续多个时刻的目标风电机组并网点的合成闪变预测值。
14、可选的，关联数据库，还用于对最新的预测出的多个时刻目标风电机组并网点的闪变预测值和多源外部数据进行保存，根据历史存储的预测出的多个时刻目标风电机组并网点的闪变预测值、闪变测量值及其对应时刻的多源外部数据进行校验，若校验为异常值，则对最新预测出的目标风电机组并网点的闪变预测值进行隔离或剔除，若校验无异常则进行存储；
15、其中，若同一多源外部数据与历史存储的同一多源外部数据间特性差异较小或小于规定的阈值，且校验后最新的预测出的多个时刻目标风电机组并网点的合成闪变预测值与历史存储的预测出的目标风电机组并网点的合成闪变预测值相似度较高或小于规定的阈值，则无异常，反之，则为异常。
16、可选的，方法还包括：使用前一时刻目标风电机组并网点的合成闪变预测值，预测所述前一时刻的后一时刻的目标风电机组并网点的合成闪变预测值。
17、再一方面，本发明还提出了一种基于训练模型的风电机组电压波动和闪变预测系统，包括：
18、仿真单元，用于在第一时刻，获取风电机组的第一实时多源外部数据，并对该多源外部数据进行归一化处理，同步将归一化处理的多源外部数据输入经预训练的风电机组仿真模型，并得到所述第一时刻的风电机组并网点的闪变仿真值；
19、第一预测单元，用于使用所述预先训练的风电机组仿真模型，根据所述第一时刻所述经归一化处理的多源外部数据及所述第一时刻所述风电机组仿真模型，得到第二时刻风电机组并网点的闪变仿真值，根据关键影响因素变化量和权重系数计算得到第二时刻风电机组并网点的闪变预测值，并计算合成闪变预测值；
20、优化单元，用于根据所述第二时刻所述风电机组并网点的闪变测量值和第一时刻经归一化的风电机组多源外部数据、第二时刻所述风电机组并网点的闪变预测值，对所述预先训练的风电机组仿真模型的模型参数及权重系数进行优化；
21、第二预测单元，用于建立目标风电机组的关联数据库，在所述关联数据库调取目标风电机组第二时刻归一化处理的多源外部数据，使用调整后的风电机组仿真模型及权重系数，根据所述目标风电机组第二时刻归一化处理的多源外部数据及第三时刻的闪变仿真值，并预测出第三时刻目标风电机组并网点的闪变预测值，并计算合成闪变预测值。
22、可选的，获取风电机组的第一实时多源外部数据或获取风电机组的第一实时多源外部数据的获取数据方式，包括：
23、在风电机组的机组侧或风电场侧或新能源场站集控中心进行多源数据采集或通过相应的数据库服务器实时调取。
24、可选的，关联数据库以矩阵形式存储目标风电机组的多源外部数据及其闪变测量值。
25、可选的，基于风电机组的影响因素，构建关联数据库；
26、所述影响因素，包括但不限于：风资源、桨距角、转速/转矩、变流器直流母线电压、并网点电压、并网点有功功率、并网点无功功率和控制指令和多源外部数据间的时序偏差。
27、可选的，多源外部数据，包括但不限于：风电机组的实时风速、湍流强度、桨距角、转速/转矩、变流器直流母线电压、并网点电压、并网点有功功率、并网点无功功率、控制指令和多源外部数据间的时序偏差；
28、所述控制指令，包括但不限于：有功功率控制指令、无功功率/电压控制指令和频率调节指令。
29、可选的，关联数据库，还用于存储预测出的第二时刻及所述第二时刻后续多个时刻的目标风电机组并网点的合成闪变预测值。
30、可选的，关联数据库，还用于对最新的预测出的多个时刻目标风电机组并网点的闪变预测值和多源外部数据进行保存，根据历史存储的预测出的多个时刻目标风电机组并网点的闪变预测值、闪变测量值及其对应时刻的多源外部数据进行校验，若校验为异常值，则对最新预测出的目标风电机组并网点的闪变预测值进行隔离或剔除，若校验无异常则进行存储；
31、其中，若同一多源外部数据与历史存储的同一多源外部数据间特性差异较小或小于规定的阈值，且校验后最新的预测出的多个时刻目标风电机组并网点的合成闪变预测值与历史存储的预测出的目标风电机组并网点的合成闪变预测值相似度较高或小于规定的阈值，则无异常，反之，则为异常。
32、可选的，第二预测单元还用于：使用前一时刻目标风电机组并网点的合成闪变预测值，预测所述前一时刻的后一时刻的目标风电机组并网点的合成闪变预测值。
33、再一方面，本发明还提供了一种计算设备，包括：一个或多个处理器；
34、处理器，用于执行一个或多个程序；
35、当所述一个或多个程序被所述一个或多个处理器执行时，实现如上述所述的方法。
36、再一方面，本发明还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如上述所述的方法。
37、与现有技术相比，本发明的有益效果为：
38、本发明提供了一种基于训练模型的风电机组电压波动和闪变预测方法，包括：在第一时刻，获取风电机组的第一实时多源外部数据，并对该多源外部数据进行归一化处理，同步将归一化处理的多源外部数据输入经预训练的风电机组仿真模型，并得到所述第一时刻的风电机组并网点的闪变仿真值；使用所述预先训练的风电机组仿真模型，根据所述第一时刻所述经归一化处理的多源外部数据及所述第一时刻所述风电机组仿真模型得到闪变仿真值，得到第二时刻风电机组并网点的闪变仿真值，根据公式(1)和公式(2)计算得到第二时刻风电机组并网点的闪变预测值，并根据公式(3)计算合成闪变预测值；根据所述第二时刻所述风电机组并网点的闪变测量值和第一时刻经归一化的风电机组多源外部数据、第二时刻所述风电机组并网点的闪变预测值，对所述预先训练的风电机组仿真模型的模型参数及权重系数进行调整；建立目标风电机组的关联数据库，在所述关联数据库调取目标风电机组第二时刻归一化处理的多源外部数据，使用调整后的风电机组仿真模型参数及权重系数，根据所述目标风电机组第二时刻归一化处理的多源外部数据及第三时刻的闪变仿真值，并预测出第三时刻目标风电机组并网点的合成闪变预测值。本发明的适应性强，且能够及时发现预测的异常值，有利于提高模型预测的鲁棒性。
1.一种基于训练模型的风电机组电压波动和闪变预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取风电机组的第一实时多源外部数据或获取风电机组的第一实时多源外部数据的获取数据方式，包括：
3.根据权利要求1所述的方法，其特征在于，所述关联数据库以矩阵形式存储目标风电机组的多源外部数据及其闪变测量值。
4.根据权利要求1所述的方法，其特征在于，基于风电机组的影响因素，构建关联数据库；
5.根据权利要求1所述的方法，其特征在于，所述多源外部数据，包括但不限于：风电机组的实时风速、湍流强度、桨距角、转速/转矩、变流器直流母线电压、并网点电压、并网点有功功率、并网点无功功率、控制指令和多源外部数据间的时序偏差；
6.根据权利要求1所述的方法，其特征在于，所述关联数据库，还用于存储预测出的第二时刻及所述第二时刻后续多个时刻的目标风电机组并网点的合成闪变预测值。
7.根据权利要求6所述的方法，其特征在于，所述关联数据库，还用于对最新的预测出的多个时刻目标风电机组并网点的闪变预测值和多源外部数据进行保存，根据历史存储的预测出的多个时刻目标风电机组并网点的闪变预测值、闪变测量值及其对应时刻的多源外部数据进行校验，若校验为异常值，则对最新预测出的目标风电机组并网点的闪变预测值进行隔离或剔除，若校验无异常则进行存储；
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：使用前一时刻目标风电机组并网点的合成闪变预测值，预测所述前一时刻的后一时刻的目标风电机组并网点的合成闪变预测值。
9.一种基于训练模型的风电机组电压波动和闪变预测系统，其特征在于，包括：
10.根据权利要求9所述的系统，其特征在于，所述获取风电机组的第一实时多源外部数据或获取风电机组的第一实时多源外部数据的获取数据方式，包括：
11.根据权利要求9所述的系统，其特征在于，所述关联数据库以矩阵形式存储目标风电机组的多源外部数据及其闪变测量值。
12.根据权利要求9所述的系统，其特征在于，基于风电机组的影响因素，构建关联数据库；
13.根据权利要求9所述的系统，其特征在于，所述多源外部数据，包括但不限于：风电机组的实时风速、湍流强度、桨距角、转速/转矩、变流器直流母线电压、并网点电压、并网点有功功率、并网点无功功率、控制指令和多源外部数据间的时序偏差；
14.根据权利要求9所述的系统，其特征在于，所述关联数据库，还用于存储预测出的第二时刻及所述第二时刻后续多个时刻的目标风电机组并网点的合成闪变预测值。
15.根据权利要求14所述的系统，其特征在于，所述关联数据库，还用于对最新的预测出的多个时刻目标风电机组并网点的闪变预测值和多源外部数据进行保存，根据历史存储的预测出的多个时刻目标风电机组并网点的闪变预测值、闪变测量值及其对应时刻的多源外部数据进行校验，若校验为异常值，则对最新预测出的目标风电机组并网点的闪变预测值进行隔离或剔除，若校验无异常则进行存储；
16.根据权利要求9所述的系统，其特征在于，所述第二预测单元还用于：使用前一时刻目标风电机组并网点的合成闪变预测值，预测所述前一时刻的后一时刻的目标风电机组并网点的合成闪变预测值。
17.一种计算机设备，其特征在于，包括：
18.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1-8中任一所述的方法。
