CN103400009A - 基于分裂层次半监督谱聚类算法的风电场动态等值方法 - Google Patents

Abstract

本发明公开了风力发电领域的一种基于分裂层次半监督谱聚类算法的风电场动态等值方法。该方法根据风电场内所有风电机组的实测风速数据，构造一个可以体现原始风速数据空间结构且能为聚类提供更多有效信息的特征向量空间。在对该空间中的样本组进行聚类划分时，利用少量样本组的先验信息，采用自顶向下的簇分裂策略，对样本组进行半监督聚类划分，得到风电机组的机群划分结果。分别用一台风电机组对同群内的风电机组进行等值，按容量加权法计算等值风电机组的参数，进而建立风电场动态等值的多机表征模型。本方法提高了聚类效果，建立的风电场动态等值模型能较准确地反映风电场的动态响应特性。

Description

基于分裂层次半监督谱聚类算法的风电场动态等值方法

技术领域

本发明属于风力发电领域，尤其涉及一种基于分裂层次半监督谱聚类算法的风电场动态等值方法。

背景技术

随着能源和环境问题的日益严重，风力发电越来越受到世界各国的重视。由于风能具有随机性、间歇性、不稳定性的特点，随着风电机组单机容量的增加和风电场规模的不断扩大，风电并网对电力系统稳定性的影响愈加显著。为准确分析和评价大容量风电场和电力系统之间的相互作用和影响，研究并寻求工程实用、精确度较高的风电场动态模型具有重要应用价值和学术意义。

传统风电场动态等值建模方法是将整个风电场等值为一台风电机组，然而由于风电场地形复杂、机组排列不规则等因素的影响，风电场内风电机组的风速差异较大，使用单机表征法通常会产生较大误差。另外也有采用K-means聚类算法对风电机组进行机群划分，建立风电场动态等值的多机表征模型，但是K-means聚类算法只能识别凸球形分布的数据，当样本空间不为凸时，算法可能会陷入局部最优。也有学者提出基于谱聚类算法建立风电场动态等值的多机表征模型，谱聚类算法虽然能在任意形状的样本空间上聚类且收敛于全局最优解，但是目前相关学者提出的基于谱聚类算法建立风电场动态等值模型采用的是无监督谱聚类算法，仅利用样本层面的信息来进行聚类，当所定义的聚类目标函数不适合数据本身时，该方法不能达到较好的机群划分效果。

发明内容

针对背景技术中提到的目前所采用的风电场动态等值建模方法误差较大，达不到较好的机群划分效果的问题，本发明提出了一种基于分裂层次半监督谱聚类算法的风电场动态等值方法。

一种基于分裂层次半监督谱聚类算法的风电场动态等值方法，其特征在于，所述方法包括步骤：

步骤1：根据风电场内所有风电机组的实测风速数据，构建拉普拉斯矩阵；

步骤2：对步骤1得到的拉普拉斯矩阵进行谱特征分析，构造特征向量空间；

步骤3：对步骤2得到的特征向量空间的样本组进行基于分裂层次的半监督聚类划分，进而得到机群划分结果；

步骤4：对同一机群内风电机组的参数采用容量加权法进行等值，建立风电场动态等值的多机表征模型。

步骤1中，根据风电场内所有风电机组的实测风速数据，构建拉普拉斯矩阵的过程为：

步骤101：设风电场中风电机组共有n+m台，若某个时段内有n台风电机组并网运行，m台风电机组与电网脱离，则将m台离网的风电机组剔除，选取风电场在该时段内并网运行的风电机组的实测风速数据作为样本，在该时段内风速的采样点个数为t，将n台风电机组的风速数据建立实测风速样本矩阵V：

其中，v_i,j表示第i台风电机组在第j个时刻测得的风速；V_i为第i台风电机组的实测风速样本组；矩阵V中样本组数量与风电机组台数相等为n，维数与采样点数相等为t；

步骤102：由实测风速样本矩阵V构建n台风电机组两两之间的欧式距离矩阵H：

其中， $H_{u,w}=d(V_u,V_w)=\sqrt{\underset{j=1}{\overset{t}{\mathrm{\Σ}}}{(v_{u,j}-v_{w,j})}^2},(u,w=\mathrm{1,2},\·\·\·,n),$ d(V_u,V_w)表示第u台风电机组与第w台风电机组风速样本组之间的欧式距离，H是主对角元素为0的对称阵，其维数与待划分的风电机组台数n相等；

步骤103：根据欧式距离矩阵H，采用高斯函数构建相似性矩阵：

其中， $A_{u,w}=\left\{\begin{array}{cc}0,& u=w\\ e^{-\frac{{H_{u,w}}^2}{{\mathrm{\σ}}_u\×{\mathrm{\σ}}_w}},& u\≠w\end{array}\right.;$ σ_u和σ_w为自适应尺度参数，用来控制两个样本组V_u和V_w之间的欧式距离对相似性矩阵中的元素A_u,w的影响；σ_u表示与V_u欧式距离最小的r个样本组的平均欧式距离，

V_l为与V_u欧氏距离最小的第l个样本组，r可以取3～5，σ_w类似于σ_u，用σ_u和σ_w代替固定尺度参数，可以降低高斯函数对尺度参数的敏感性；

步骤104：基于相似性矩阵A建立度矩阵D，

其中， $D_{u,w}=\left\{\begin{array}{cc}\underset{w=1}{\overset{n}{\mathrm{\Σ}}}{A}_{u,w},& u=w\\ 0,& u\≠w\end{array}\right.;$ 从而构建拉普拉斯矩阵 $L=D^{-\frac{1}{2}}A{D}^{-\frac{1}{2}};$

步骤2中，对步骤1得到的拉普拉斯矩阵进行谱特征分析，构造特征向量空间的过程为：

步骤201：将拉普拉斯矩阵L的特征值从大到小排列，λ₁≥λ₂≥…≥λ_n≥0，并定义本征间隙δ_e为δ_e=λ_e-λ_e+1，(e=1,2,…,n-1)；

步骤202：在本征间隙序列中寻找最大值，最大值对应的下标就是所求的聚类个数，设为k，由此可确定前k个主导特征值为λ₁,λ₂,…,λ_k，设λ₁,λ₂,…,λ_k所对应的特征向量为X₁,X₂,…,X_k；

步骤203：构造特征向量矩阵X：

步骤204：对特征向量矩阵X的每一行进行归一化

并记归一化后的矩阵为Y，即特征向量空间：

特征向量空间Y可以体现原始风速数据空间结构且能为分类提供更多有效信息。

步骤3中，对步骤2得到的特征向量空间的样本组进行基于分裂层次的半监督聚类划分，进而得到机群划分结果的过程为：

步骤301：把特征向量空间Y的每一行Y_i看作空间R^n×k中的一个样本组，其中，样本组数量为n，样本维数为k；计算特征向量空间Y中任意两个样本组之间的欧式距离：

$d(Y_p,Y_q)=\sqrt{\underset{g=1}{\overset{k}{\mathrm{\Σ}}}{(y_{p,g}-y_{q,g})}^2},(p,q=\mathrm{1,2},\·\·\·,n)---\left(7\right)$

当d(Y_p,Y_q)取得最大值时，令所对应的样本组Y_p=B₁,Y_q=B₂，此时，B₁和B₂构成一对数据对象对，形成半监督信息，指导其后的聚类划分过程；

步骤302：将B₁和B₂当作聚类中心，把Y中剩余的n-2个样本组根据欧式距离划分为2个簇，具体的划分方法如下：

步骤3021：对Y中剩余的n-2个样本组中任意一个样本组Y_i，判断是否满足d(Y_i,B₁)<d(Y_i,B₂)；

步骤3022：若满足d(Y_i,B₁)<d(Y_i,B₂)，则将Y_i划分进以B₁为聚类中心的簇，该簇记为

其中，

表示第a次划分时以B_b为聚类中心的簇），否则将Y_i划分进以B₂为聚类中心的簇，该簇记为

步骤3023：遍历完所有样本组，将所有的样本组划分为两个簇，完成第一次划分；

步骤303：寻找第三个聚类中心；具体过程为：

步骤3031：记

其中，

表示

簇内所有样本组与该簇聚类中心最大的欧氏距离，当

取得最大值时，令所对应的样本组Y_i=G_3,1；

步骤3032：记 $z_2^1=\max \{d(Y_i,B_2),Y_i\&Element;c_2^1\},$ 当 $d(Y_i,B_2)(Y_i\&Element;c_2^1)$ 取得最大值时，令所对应的样本组Y_i=G_3,2，比较

与

若

较大，取B₃=G_3,1，B₃与B₁构成一对数据对象对，形成半监督信息；否则，取B₃=G_3,2，B₃与B₂构成一对数据对象对，形成半监督信息；

步骤3033：取B₃为第三个聚类中心，将Y中剩余的n-3个样本组根据欧式距离划分为3个簇，记当前以B₁、B₂、B₃为聚类中心的簇分别为

完成第二次聚类划分；

步骤304：寻找第四个聚类中心，具体过程为：

步骤3041：记 $z_1^2=\max \{d(Y_i,B_1),Y_i\&Element;c_1^2\}---\left(8\right)$

当

取得最大值时，令所对应的样本组Y_i=G_4,1；

记 $z_2^2=\max \{d(Y_i,B_2),Y_i\&Element;c_2^2\}---\left(9\right)$

当

取得最大值时，令所对应的样本组Y_i=G_4,2；

记 $z_3^2=\max \{d(Y_i,B_3),Y_i\&Element;c_3^2\}---\left(10\right)$

当

取得最大值时，令所对应的样本组Y_i=G_4,3；

步骤3042：比较

若

最大（h=1或2或3），取B₄=G_4,h，此时B₄与B_h构成一对数据对象对，形成半监督信息，指导其后的聚类划分过程；

步骤3043：选B₄为第四个聚类中心，将Y中剩余的n-4个样本组根据欧式距离划分为4个簇，记当前以B₁、B₂、B₃、B₄为聚类中心的簇分别为

完成第三次聚类划分；

步骤305：依次类推，直到将Y中所有的样本组划分为k个簇，完成整个聚类划分，当样本组Y_i被划分进第s个簇(s=1,2,…,k)，则表示样本组V_i被划分到第s个簇，即第i台风电机组被划分到了第s(s=1,2,…,k)个机群。

步骤4中，对同一机群内风电机组的参数采用容量加权法进行等值，建立风电场动态等值的多机表征模型的过程为：

根据机群划分结果，将风电场等值为k台风电机组，对同群内的风电机组采用容量加权法计算等值风电机组的参数，对于某一机群而言，

$S_{\mathrm{eq}}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{S}_i---\left(11\right)$

$P_{\mathrm{eq}}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_i---\left(12\right)$

$E_{\mathrm{eq}}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{S}_i\&times;E_i}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{S}_i}---\left(13\right)$

其中，N为同一个机群中所包含风电机组的台数；S_eq和P_eq分别表示参数聚合后等值风电机组的容量、有功功率；S_i和P_i分别表示同群内第i(i=1,2,…,N)台风电机组的容量、有功功率，E_eq可以表示参数聚合后等值风电机组的以下参数之一：转动惯量、惯性时间常数、阻尼系数、同步电抗、暂态电抗、次暂态电抗、暂态时间常数、次暂态时间常数、调压器的增益和时间常数、励磁机的增益和时间常数、励磁机的饱和系数、换流器延迟时间或变压器阻抗，E_eq是以参数聚合后等值机容量为基准值的标幺值，E_i表示同群内第i(i=1,2,…,N)台风电机组对应E_eq所表示参数的标幺值，该标幺值以第i台风电机组自身容量为基准值。

本发明基于风电机组实测运行数据，采用的聚类方法在任意形状的样本空间上聚类且收敛于全局最优解；在构建相似性矩阵时采用自适应尺度参数代替固定尺度参数，降低了高斯函数对尺度参数的敏感性，提高了聚类效果；在进行谱特征分析时，基于本征间隙自动确定聚类的个数；在对样本组进行聚类划分时，采用自顶向下的簇分裂策略，利用少量样本组的先验信息指导其后的聚类过程，提高了聚类效果，建立的风电场动态等值模型能较准确地反映风电场的动态响应特性。

附图说明

图1为本发明中基于分裂层次半监督谱聚类算法的风电场动态等值建模方法的基本步骤框图。

图2为使用本发明的实际风电场机组位置平面图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1是本发明提供的基于分裂层次半监督谱聚类算法的风电场动态等值建模方法的基本步骤框图。一种基于分裂层次半监督谱聚类算法的风电场动态等值建模方法，其特征主要包括以下步骤：

步骤一：根据风电场内所有风电机组的实测风速数据，构建拉普拉斯矩阵；

假设风电场中风电机组共有n+m台，若某个时段内有n台风电机组并网运行，m台风电机组由于某些原因而与电网脱离，则将m台离网的风电机组剔除，选取风电场在该时段内并网运行的风电机组的实测风速数据作为样本，在该时段内风速的采样点数为t个，将n台风电机组的风速数据建立实测风速样本矩阵V，

其中V_i,j表示第i台风电机组在第j个时刻测得的风速，把向量V_i看作空间V的一个样本组，V中样本组数量为n，维数为t，由风速样本矩阵V构建n台风电机组两两之间的欧式距离矩阵H，

其中， $H_{u,w}=d(V_u,V_w)=\sqrt{\underset{j=1}{\overset{t}{\mathrm{\&Sigma;}}}{(v_{u,j}-v_{w,j})}^2},(u,w=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n),$ d(V_u,V_w)表示第u台风电机组与第w台风电机组风速样本组之间的欧式距离，H是主对角元素为0的对称阵，其维数与待划分的风电机组台数n相等；

根据欧式距离矩阵H，采用高斯函数构建相似性矩阵：

其中， $A_{u,w}=\left\{\begin{array}{cc}0,& u=w\\ e^{-\frac{{H_{u,w}}^2}{{\mathrm{\&sigma;}}_u\&times;{\mathrm{\&sigma;}}_w}},& u\&NotEqual;w\end{array}\right.;$ σ_u和σ_w为自适应尺度参数，用来控制两个样本组V_u和V_w之间的欧式距离对相似性矩阵中的元素A_u,w的影响；σ_u表示与V_u欧式距离最小的r个样本组的平均欧式距离，V_l为与V_u欧氏距离最小的第l个样本组，r可以取3～5，σ_w类似于σ_u，用σ_u和σ_w代替固定尺度参数，可以降低高斯函数对尺度参数的敏感性；

基于相似性矩阵A建立度矩阵D：

其中， $D_{u,w}=\left\{\begin{array}{cc}\underset{w=1}{\overset{n}{\mathrm{\&Sigma;}}}{A}_{u,w},& u=w\\ 0,& u\&NotEqual;w\end{array}\right.;$ 从而构建拉普拉斯矩阵 $L=D^{-\frac{1}{2}}A{D}^{-\frac{1}{2}};$

该拉普拉斯矩阵L是谱聚类算法中一个重要的矩阵。

步骤二：对拉普拉斯矩阵进行谱特征分析，构造可以体现原始风速数据空间结构且能为分类提供更多有效信息的特征向量空间；

将矩阵L的特征值从大到小排列，λ₁≥λ₂≥…≥λ_n≥0，定义本征间隙δ_e为

δ_e=λ_e-λ_e+1，(e=1,2,…,n-1)；

在本征间隙序列中寻找最大值，该值对应的下标就是所求的聚类个数，设为k，由此可确定前k个主导特征值为λ₁,λ₂,…,λ_k；

设λ₁,λ₂,…,λ_k所对应的特征向量为X₁,X₂,…,X_k，然后构造特征向量矩阵X，

对X的每一行进行归一化

记归一化后的矩阵为Y，即特征向量空间：

特征向量空间Y可以体现原始风速数据空间结构且能为分类提供更多有效信息。

步骤三：对特征向量空间的样本组进行基于分裂层次的半监督聚类划分，进而得到机群划分结果；

把特征向量空间Y的每一行Y_i看作空间R^n×k中的一个样本组，其中，样本组数量为n，样本维数为k；计算特征向量空间Y中任意两个样本组之间的欧式距离：

$d(Y_p,Y_q)=\sqrt{\underset{g=1}{\overset{k}{\mathrm{\&Sigma;}}}{(y_{p,g}-y_{q,g})}^2},(p,q=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n)---\left(7\right)$

当d(Y_p,Y_q)取得最大值时，令所对应的样本组Y_p=B₁,Y_q=B₂，此时，B₁和B₂构成一对数据对象对，形成半监督信息，指导其后的聚类划分过程；将B₁和B₂当作聚类中心，把Y中剩余的n-2个样本组根据欧式距离划分为2个簇，具体的划分方法如下：：

对Y中剩余的n-2个样本组中任意一个样本组Y_i，判断是否满足d(Y_i,B₁)<d(Y_i,B₂)；若满足d(Y_i,B₁)<d(Y_i,B₂)，则将Y_i划分进以B₁为聚类中心的簇，该簇记为

其中，

表示第a次划分时以B_b为聚类中心的簇），否则将Y_i划分进以B₂为聚类中心的簇，该簇记为

遍历完所有样本组，将所有的样本组划分为两个簇，完成第一次划分；

寻找第三个聚类中心，记

其中，

表示

簇内所有样本组与该簇聚类中心最大的欧氏距离，当d(Y_i,B₁)

取得最大值时，令所对应的样本组Y_i=G_3,1；

记 $z_2^1=\max \{d(Y_i,B_2),Y_i\&Element;c_2^1\},$ 当 $d(Y_i,B_2)(Y_i\&Element;c_2^1)$ 取得最大值时，令所对应的样本组Y_i=G_3,2，比较

与

若较大，取B₃=G_3,1，B₃与B₁构成一对数据对象对，形成半监督信息；否则，取B₃=G_3,2，B₃与B₂构成一对数据对象对，形成半监督信息；

取B₃为第三个聚类中心，将Y中剩余的n-3个样本组根据欧式距离划分为3个簇，记当前以B₁、B₂、B₃为聚类中心的簇分别为

完成第二次聚类划分；

寻找第四个聚类中心，记

$z_1^2=\max \{d(Y_i,B_1),Y_i\&Element;c_1^2\}---\left(8\right)$

当

取得最大值时，令所对应的样本组Y_i=G_4,1；

记

$z_2^2=\max \{d(Y_i,B_2),Y_i\&Element;c_2^2\}---\left(9\right)$

当取得最大值时，令所对应的样本组Y_i=G_4,2；

记

$z_3^2=\max \{d(Y_i,B_3),Y_i\&Element;c_3^2\}---\left(10\right)$

当

取得最大值时，令所对应的样本组Y_i=G_4,3；

比较

若

最大（h=1或2或3），取B₄=G_4,h，此时B₄与B_h构成一对数据对象对，形成半监督信息，指导其后的聚类划分过程；

选B₄为第四个聚类中心，将Y中剩余的n-4个样本组根据欧式距离划分为4个簇，记当前以B₁、B₂、B₃、B₄为聚类中心的簇分别为

完成第三次聚类划分；

依次类推，直到将Y中所有的样本组划分为k个簇，完成整个聚类划分，当样本组Y_i被划分进第s个簇(s=1,2,…,k)，则表示样本组V_i被划分到第s个簇，即第i台风电机组被划分到了第s(s=1,2,…,k)个机群。

步骤四：对同群内风电机组的参数采用容量加权法进行等值，建立风电场动态等值的多机表征模型；

根据机群划分结果，将风电场等值为k台风电机组，对同群内的风电机组采用容量加权法计算等值风电机组的参数，对于某一机群而言，

$S_{\mathrm{eq}}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{S}_i---\left(11\right)$

$P_{\mathrm{eq}}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_i---\left(12\right)$

$E_{\mathrm{eq}}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{S}_i\&times;E_i}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{S}_i}---\left(13\right)$

其中，N为同一个机群中所包含风电机组的台数；S_eq和P_eq分别表示参数聚合后等值风电机组的容量、有功功率；S_i和P_i分别表示同群内第i(i=1,2,…,N)台风电机组的容量、有功功率，E_eq可以表示参数聚合后等值风电机组的以下参数之一：转动惯量、惯性时间常数、阻尼系数、同步电抗、暂态电抗、次暂态电抗、暂态时间常数、次暂态时间常数、调压器的增益和时间常数、励磁机的增益和时间常数、励磁机的饱和系数、换流器延迟时间或变压器阻抗，E_eq是以参数聚合后等值机容量为基准值的标幺值，E_i表示同群内第i(i=1,2,…,N)台风电机组对应E_eq所表示参数的标幺值，该标幺值以第i台风电机组自身容量为基准值。

下面通过一个实际风电场来说明本发明提出的风电场动态等值建模方法。

以某地区实际风电场为例进行分析，该风电场内共有33台风电机组，其中机组类型为GE1.5MW，风电场总装机容量为49.5MW，机组位置平面图如图2所示。

选取2010年6月1日至2010年6月30日的实测数据进行分析，该时段内，1#风电机组离网运行，将该风电机组的实测风速数据剔除。对场内32台并网运行的风电机组采用本文提出的基于分裂层次半监督的谱聚类算法进行机群划分，划分结果如表1所示。

表1基于分裂层次半监督谱聚类算法的机群划分结果

机群号	机群内包含的风机编号
		1	2#、4#、7#、11#、12#、13#、14#、15#、18#、28#、31#、32#、33#
2	3#、6#、19#、20#、21#、22#、23#、29#
		3	5#、8#、9#、10#、16#、17#、24#、25#、26#、27#、30#

从表1可以看出，由于风电场内的风速分布、地形地貌、机组排列方式等诸多因素的影响，场内各机组之间的风况可能存在较大差别，地理位置相隔较近的机组也可能风速差别很大，划分在不同的机群内，如27#机组与28#机组；而地理位置相隔较远的机组也可能由于风速变化相近，划分在同一个机群内，如2#机组与33#机组。可见按这种聚类算法划分机群的结果，与按机组地理位置划分的结果是不同的。根据机群划分结果，可将风电场等值为三台风电机组，采用容量加权法计算等值风电机组的部分参数，如表2所示。

表2单台风电机组与三台等值风电机组的参数

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种基于分裂层次半监督谱聚类算法的风电场动态等值方法，其特征在于，所述方法包括步骤： 

步骤1：根据风电场内所有风电机组的实测风速数据，构建拉普拉斯矩阵； 

步骤2：对步骤1得到的拉普拉斯矩阵进行谱特征分析，构造特征向量空间； 

步骤3：对步骤2得到的特征向量空间的样本组进行基于分裂层次的半监督聚类划分，进而得到机群划分结果； 

步骤4：对同一机群内风电机组的参数采用容量加权法进行等值，建立风电场动态等值的多机表征模型。 

2.根据权利要求1所述的方法，其特征在于，所述步骤1中，根据风电场内所有风电机组的实测风速数据，构建拉普拉斯矩阵的过程为： 

步骤101：设风电场中风电机组共有n+m台，若某个时段内有n台风电机组并网运行，m台风电机组与电网脱离，则将m台离网的风电机组剔除，选取风电场在该时段内并网运行的风电机组的实测风速数据作为样本，在该时段内风速的采样点个数为t，将n台风电机组的风速数据建立实测风速样本矩阵V： 

其中，v_i,j表示第i台风电机组在第j个时刻测得的风速；V_i为第i台风电机组的实测风速样本组；矩阵V中样本组数量与风电机组台数相等为n，维数与采样点数相等为t； 

步骤102：由实测风速样本矩阵V构建n台风电机组两两之间的欧式距离矩阵H： 

其中，d(V_u,V_w)表示第u台风电机组与第w台风电机组风速样本组之间的欧式距离，H是主对角元素为0的对称阵，其维数与待划分的风电机组台数n相等； 

步骤103：根据欧式距离矩阵H，采用高斯函数构建相似性矩阵： 

其中，

σ_u和σ_w为自适应尺度参数，用来控制两个样本组V_u和V_w之间的欧式距离对相似性矩阵中的元素A_u,w的影响；σ_u表示与V_u欧式距离最小的r个样本组的平均欧式距离， V_l为与V_u欧氏距离最小的第l个样本组，r可以取 3～5，σ_w类似于σ_u，用σ_u和σ_w代替固定尺度参数，可以降低高斯函数对尺度参数的敏感性； 

步骤104：基于相似性矩阵A建立度矩阵D， 

其中，

从而构建拉普拉斯矩阵

。

3.根据权利要求1所述的方法，其特征在于，所述步骤2中，对步骤1得到的拉普拉斯矩阵进行谱特征分析，构造特征向量空间的过程为： 

步骤201：将拉普拉斯矩阵L的特征值从大到小排列，λ₁≥λ₂≥…≥λ_n≥0，并定义本征间隙δ_e为δ_e=λ_e-λ_e+1，(e=1,2,…,n-1)； 

步骤202：在本征间隙序列中寻找最大值，最大值对应的下标就是所求的聚类个数，设为k，由此可确定前k个主导特征值为λ₁,λ₂,…,λ_k，设λ₁,λ₂,…,λ_k所对应的特征向量为X₁,X₂,…,X_k； 

步骤203：构造特征向量矩阵X： 

步骤204：对特征向量矩阵X的每一行进行归一化

并记归一化后的矩阵为Y，即特征向量空间： 

特征向量空间Y可以体现原始风速数据空间结构且能为分类提供更多有效信息。 

4.根据权利要求1所述的方法，其特征在于，所述步骤3中，对步骤2得到的特征向量空间的样本组进行基于分裂层次的半监督聚类划分，进而得到机群划分结果的过程为： 

步骤301：把特征向量空间Y的每一行Y_i看作空间R^n×k中的一个样本组，其中，样本组数量为n，样本维数为k；计算特征向量空间Y中任意两个样本组之间的欧式距离： 

当d(Y_p,Y_q)取得最大值时，令所对应的样本组Y_p=B₁,Y_q=B₂，此时，B₁和B₂构成一对数据对象对，形成半监督信息，指导其后的聚类划分过程； 

步骤302：将B₁和B₂当作聚类中心，把Y中剩余的n-2个样本组根据欧式距离划分为2个簇，具体的划分方法如下： 

步骤3021：对Y中剩余的n-2个样本组中任意一个样本组Y_i，判断是否满足d(Y_i,B₁)<d(Y_i,B₂)； 

步骤3022：若满足d(Y_i,B₁)<d(Y_i,B₂)，则将Y_i划分进以B₁为聚类中心的簇，该簇记为其中，表示第a次划分时以B_b为聚类中心的簇），否则将Y_i划分进以B₂为聚类中心的簇，该簇记为

步骤3023：遍历完所有样本组，将所有的样本组划分为两个簇，完成第一次划分； 

步骤303：寻找第三个聚类中心；具体过程为： 

步骤3031：记

其中，

表示

簇内所有样本组与该簇聚类中心最大的欧氏距离，当

取得最大值时，令所对应的样本组Y_i=G_3,1； 

步骤3032：记

当取得最大值时，令所对应的样本组Y_i=G_3,2，比较

与

若

较大，取B₃=G_3,1，B₃与B₁构成一对数据对象对，形成半监督信息；否则，取B₃=G_3,2，B₃与B₂构成一对数据对象对，形成半监督信息； 

步骤3033：取B₃为第三个聚类中心，将Y中剩余的n-3个样本组根据欧式距离划分为3个簇，记当前以B₁、B₂、B₃为聚类中心的簇分别为

完成第二次聚类划分； 

步骤304：寻找第四个聚类中心，具体过程为： 

步骤3041：记

当取得最大值时，令所对应的样本组Y_i=G_4,1； 

记

当

取得最大值时，令所对应的样本组Y_i=G_4,2； 

记

当

取得最大值时，令所对应的样本组Y_i=G_4,3； 

步骤3042：比较若最大（h=1或2或3），取B₄=G_4,h，此时B₄与B_h构成一对数据对象对，形成半监督信息，指导其后的聚 类划分过程； 

步骤3043：选B₄为第四个聚类中心，将Y中剩余的n-4个样本组根据欧式距离划分为4个簇，记当前以B₁、B₂、B₃、B₄为聚类中心的簇分别为

完成第三次聚类划分； 

步骤305：依次类推，直到将Y中所有的样本组划分为k个簇，完成整个聚类划分，当样本组Y_i被划分进第s个簇(s=1,2,…,k)，则表示样本组V_i被划分到第s个簇，即第i台风电机组被划分到了第s(s=1,2,…,k)个机群。 

5.根据权利要求1所述的方法，其特征在于，步骤4中，对同一机群内风电机组的参数采用容量加权法进行等值，建立风电场动态等值的多机表征模型的过程为： 

根据机群划分结果，将风电场等值为k台风电机组，对同群内的风电机组采用容量加权法计算等值风电机组的参数，对于某一机群而言， 

其中，N为同一个机群中所包含风电机组的台数；S_eq和P_eq分别表示参数聚合后等值风电机组的容量、有功功率；S_i和P_i分别表示同群内第i(i=1,2,…,N)台风电机组的容量、有功功率，E_eq可以表示参数聚合 后等值风电机组的以下参数之一：转动惯量、惯性时间常数、阻尼系数、同步电抗、暂态电抗、次暂态电抗、暂态时间常数、次暂态时间常数、调压器的增益和时间常数、励磁机的增益和时间常数、励磁机的饱和系数、换流器延迟时间或变压器阻抗，E_eq是以参数聚合后等值机容量为基准值的标幺值，E_i表示同群内第i(i=1,2,…,N)台风电机组对应E_eq所表示参数的标幺值，该标幺值以第i台风电机组自身容量为基准值。 

Images