CN103401236A - 一种基于风电场流动相关性的风电场机组分组方法 - Google Patents

Abstract

本发明公开了风电场技术领域中的一种基于风电场流动相关性的风电场机组分组方法，该方法首先将传统的风电机组坐标位置转化为描述流动情况的主风向坐标系；结合风电场不同机组位置的流动相关性、不同机组发电特性的相关性、风电场主导风向等信息进行机组分组；最后考虑机组坐标位置、海拔，尾流影响建立代表性评价体系，选取每个组中最具代表性的机组位置。本发明利用不同组之间的多样性、互补性降低风电场输出功率的波动性；为风电场功率预测或调度模型提供计算参考点，大幅降低风电场功率预测或调度模型的计算量；有效提高风电场的容量可信度以及输出功率的可预测性。

Description

一种基于风电场流动相关性的风电场机组分组方法

技术领域

本发明属于风电场技术领域，特别涉及一种基于风电场流动相关性的风电场机组分组方法。

背景技术

风电的迅猛发展给电力系统的安全性、稳定性、经济性带来一系列亟待解决的问题。风电场功率预测技术和经济调度策略是缓解风电对并网不良影响的有效途径。但由于风能的随机波动性以及储能技术的限制，如何优化风电场功率预测模型和调度策略，提高模型的精度和计算效率，保证电力系统的经济稳定运行成为当前研究的热点和难点。

风电场内邻近机组在同一时刻很可能经历相似的流动情况，这样的机组输出功率相关性也较强，称为风电场的相似性；而由于受到大气流动、地形、尾流、湍流等因素的影响，风电场内各台风电机组轮毂高度处的流动情况和机组出力状况都不尽相同，甚至可能呈现截然相反的变化趋势，称为风电场的多样性或互补性。

实际上，无论是相似性还是互补性都对增强风电场输出功率可预测性和电力系统可靠性有益。从风电场功率预测来讲，目前大多数的风电场功率预测模型使用数值天气预报（NWP）数据作为输入。NWP主要是利用低层大气的详细信息来进行降尺度预测，推导出风电机组轮毂高度处的天气信息（如：风速、风向、气温、气压、湿度）。NWP虽然已经广泛运用于风电场功率预测领域，并收到较好的预测效果，但依然存在很多问题，如：模型计算量大、频率低，不适合实时计算，计算区域分辨率较大等。目前的惯例是以风电场测风塔坐标位置作为NWP的参考点，用测风塔处NWP数据映射全场输出功率进行预测，但实际上测风塔处流动情况并不能代表整个风电场的流动情况。尤其随着风电的快速发展、风电场规模的持续扩大，以测风塔一个位置点来进行预测，其代表性越来越无法满足电力系统对预测精度的要求。如果对每一台风电机组轮毂高度处的流动情况进行数值天气预报，预测精度一定可以提高，但计算量过大，实际工程中不可行，更不利于实时调度。因此，根据风电场的相似性，将风电机组按照不同的流动模式和发电情况划分为几个组；而后综合考虑机组海拔、主导风向、机组距离风电场边界的距离、尾流影响等实际因素选取各组代表性最强的位置点；针对代表位置进行数值天气预报的建模和计算，既增加了NWP数据的代表性，同时大幅减少了NWP计算量，提高了风电场功率预测的精度和计算效率。此外，这种策略在电力系统的实时调度过程中也发挥着更重要的作用。从电力系统可靠性来讲，由于风电场的多样性，两台不相关或互补的风电机组的出力特性也有所不同。意味着若一台机组处风速下降，另一台不下降甚至有所上升，则相加各台机组后的全场输出功率在一定程度上得到了互相弥补或平滑，使全场输出功率在任意时刻均保持平稳，减弱了风电的波动性和不易调度性，即风电场互补性提高了风电容量可信度和可预测性。这种现象被称为“平滑效应”。利用这种平滑效应进行风电场机组组合，可以提高电力系统的可靠性。该方法在单一风电场或大规模风电场群均可收效，且风电场规模越大效果越佳。研究风电场机组分组方法对提高功率预测模型和调度模型的精度和效率有着重要意义，但国内外的研究人员鲜有涉足。

发明内容

本发明的目的是提出一种基于风电场流动相关性的风电场机组分组方法，其特征在于，所述基于风电场流动相关性的风电场机组分组方法包括4个阶段、10个步骤：

1.相关性分析阶段包括3个步骤：采集风速和机组输出功率数据；计算各台机组轮毂高度处风速相关性；计算各台机组功率相关性，准备进入机组坐标转换阶段。

2.机组坐标转换阶段包括3个步骤：采集机组坐标、风电场边界和主导风向信息；旋转原始坐标系，建立主风向坐标系；将普通坐标系转到新的坐标系统下，进入风电场机组分组阶段。

3.风电场机组分组阶段包括2个步骤：输入相关性分析结果、机组新的坐标；设置风电场机组分组模型参数，对输入参量进行聚类分析得到机组组别划分结果，进入代表性分析阶段。

4.代表性分析阶段包括2个步骤：计算各台机组的尾流损失；输入尾流损失系数、机组海拔，计算代表性指标，选择各组代表机组位置。

所述相关性分析阶段包括3个步骤具体说明如下：

步骤A1.基于风电场流动相关性的风电场机组分组模型从风电场数据采集与监视控制系统提取实际测风数据、风电机组输出功率；ws_t和wp_t为第i号风电机组记录的风速样本参数和输出功率样本参数，n为样本规模；

步骤A2.根据步骤A1预计算风速和输出功率样本，包括样本离均差平方和、样本间离均差积和，计算公式为：

$l_{\mathrm{XX}}=\mathrm{\Σ}{(X-\stackrel{\‾}{X})}^2=\mathrm{\Σ}{X}^2-\frac{{\left(\mathrm{\ΣX}\right)}^2}{n}$ 为X的样本离均差平方和；

$l_{\mathrm{YY}}=\mathrm{\Σ}{(Y-\stackrel{\‾}{Y})}^2=\mathrm{\Σ}{Y}^2-\frac{{\left(\mathrm{\ΣY}\right)}^2}{n}$ 为Y的样本离均差平方和；

$l_{\mathrm{XY}}=\mathrm{\Σ}(X-\stackrel{\‾}{X})(Y-\stackrel{\‾}{Y})=\mathrm{\ΣXY}-\frac{\left(\mathrm{\ΣX}\right)\left(\mathrm{\ΣY}\right)}{n}$ 为X与Y间的离均差积和；

其中：X和Y为同一时刻各台机组的风速或输出功率样本；

和

为各台机组的风速或输出功率的样本均值；

步骤A3.计算各台机组之间风速相关性r_WS和输出功率的相关性r_wp，表达式如下：

$T_{\mathrm{ws}}=\frac{\mathrm{\Σ}({\mathrm{ws}}_i-\stackrel{\‾}{\mathrm{ws}})({\mathrm{ws}}_j-\stackrel{\‾}{\mathrm{ws}})}{\sqrt{\mathrm{\Σ}{({\mathrm{ws}}_i-\stackrel{\‾}{\mathrm{ws}})}^2{({\mathrm{ws}}_j-\stackrel{\‾}{\mathrm{ws}})}^2}}$

$T_{\mathrm{wp}}=\frac{\mathrm{\Σ}({\mathrm{wp}}_i-\stackrel{\‾}{\mathrm{wp}})({\mathrm{wp}}_j-\stackrel{\‾}{\mathrm{wp}})}{\sqrt{\mathrm{\Σ}{({\mathrm{wp}}_i-\stackrel{\‾}{\mathrm{wp}})}^2{({\mathrm{wp}}_j-\stackrel{\‾}{\mathrm{wp}})}^2}}$

其中，ws_i和wp_i为第i号风电机组的风速和输出功率；和

分别为全部机组的风速或输出功率的样本均值。

经过对风电场的相关性分析，得到量化风电场各个机组位置点流动情况关系以及各台机组发电特性之间的关系，从相关性的角度体现了风电场的相似性和多样性，通过对相似性和多样性的区分建立风电场机组分组模型，操作简单且有效。

所述机组坐标转换阶段包括的3个步骤说明如下：

步骤B1.采集机组坐标、风电场边界和主导风向信息，北京1954坐标系表示的第i号风电机组的坐标位置(m_i,n_i);风电场边界点A、B、C、D的北京1954坐标分别为：(m_fA,n_fA),(m_fB,n_fB),(m_fC,n_fC),(m_fD,n_fD)风电场主导风向为θ。其中北京1954坐标为我国大地控制网与苏联1942普尔科沃大地坐标系相联结后建立的我国过渡性大地坐标系。

步骤B2.旋转原始的北京1954坐标系，建立风电场主风向坐标系XY。调整主风向坐标轴与风电场边界相切，主风向轴X轴即为与主风向方向相同的轴，与之垂直的为Y轴；风电场边界与X、Y轴的切点分别为B和A，所得到的切线即为风电场主风向坐标系XY。北京1954坐标轴与主风向坐标轴夹角为α：

步骤B3.设第i号风电机组与Y轴的垂线相交于C点；将原始的风电机组北京1954坐标位置转换到新的风电场主风向坐标系统下，坐标转换公式如下：

$x_i=\cos (\mathrm{\α}-\mathrm{\β})\sqrt{{(n_{\mathrm{fB}}-n_i)}^2+{(m_{\mathrm{fB}}-m_i)}^2}$

其中，

x_i,y_i分别是第i号风电机组的主风向坐标系的y轴和x轴坐标。

所述风电场机组分组阶段的2个步骤：

步骤C1.以相关性分析阶段所得的相关性分析结果和机组坐标转换阶段所得的机组坐标转换结果为风电场机组分组阶段的输入样本。然后，设置自组织特征映射模型，根据风电场的实际情况、模型参数的经验值选择自组织特征映射的维度为[4,2]；神经元数目为8；网络的拓扑函数为‘hextop’；网络的距离函数为‘linkdist’；邻近距离递减到1的步数为75；邻近距离初始值为3；

步骤C2.运行风电场机组分组模型，通过聚类分析得到机组组别划分结果，获得的风电场机组分组模型由输入层和自组织特征映射层组成。

经过上述风电场机组分组分析，形成在同一组内一台机组处风速下降，另一台不下降甚至有所上升的状态，则相加各台机组后的全组输出功率在一定程度上得到了互相弥补或平滑，有助于使全场输出功率在任意时刻均保持平稳，减弱了风电的波动性和不易调度性，即风电场互补性提高了风电容量可信度和可预测性。

所述代表性分析阶段包括的2个步骤如下：

步骤D1.计算各台机组的尾流损失参量we%，表达式如下：

$\mathrm{we}\%=\frac{({\mathrm{ws}}_{\mathrm{free}}-{\mathrm{ws}}_{\mathrm{wake}})}{{\mathrm{ws}}_{\mathrm{rated}}}$

其中：

ws_free为不计及尾流影响的各台机组轮毂高度处风速；

ws_wake为计及尾流影响的各台机组轮毂高度处风速；

ws_rated为风电机组的额定风速。

步骤D2.以相关性分析阶段阶段的机组输出功率相关性分析结果r_ij、代表性分析阶段D1步骤的尾流损失计算结果we%_i及各台机组海拔高度Hi作为代表性分析的输入，根据风电场机组分组阶段所得的风电机组分组结果来评价、选取每个组内风电机组的代表性最高的机组位置作为该组的代表位置，即代表性评价指标最高的机组位置；代表性评价体系相关公式如下：

$R_i=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{r}_{\mathrm{ij}}$

$\begin{array}{c}{R}_i^{0-1}=[R_i-\min \left(R_i\right)]/[\max \left(R_i\right)-\min \left(R_i\right)]\\ H_i^{0-1}=[H_i-\min \left(H_i\right)]/[\max \left(H_i\right)-\min \left(H_i\right)]\\ {\mathrm{ref}}_i=R_i^{0-1}+H_i^{0-1}-\mathrm{we}{\%}_i\end{array}$

其中：

r_ij为同一组内第i号机组和第j号机组之间的输出功率相关性系数,i≠j;

R为第i号机组同一组内其他机组间相关性系数之和；

为关于相关性系数R_i的[0,1]参量；

为关于第i号机组海拔高度的[0,1]参量；

ref_i为第i号机组代表性评价指标。

经过上述代表性分析，得到各组代表机组位置，以此作为计算参考点来构建数值天气预报模型和电网调度模型，从而降低运算规模，提高模型精度和可操作性，从而保证电力系统运行的可靠性和经济性。

本发明的有益效果是利用风电场各机组位置之间的流动相关性对风电场内机组进行分组，方法简单，实时操作性强，有效提高了风电场功率预测精度；降低了功率预测和调度的模型规模，提高了实时计算的能力；减轻了风电场输出功率的波动性，保证电力系统地可靠运行。经过对风电场的相关性分析，量化风电场各个机组位置点流动情况以及各台机组发电特性之间的关系，利用相关性体现风电场的相似性和多样性，通过对相似性和多样性的区分建立风电场机组分组模型，操作简单且有效。

附图说明

图1为风电场机组分组系统结构图；

图2为风电场机组分组结果图。

图3为代表性分析阶段流程图。

具体实施方式

本发明提出一种基于风电场流动相关性的风电场机组分组方法，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。

该方法根据风电场各机组位置处的流动情况及发电功率的相关性、机组位置、海拔、尾流、风电场主导风向等因素进行机组分组并提取代表机组位置。本发明采用一种新的风电机组坐标体系，可以描述风况受地形、尾流、风向等因素影响的程度；提出风电机组代表性评价指标，并据此量化各风电机组位置处流动情况在组内的代表性。本发明大幅降低风电场功率预测或调度模型的计算量，有效提高风电场的容量可信度以及输出功率的可预测性，最终保证了电力系统的可靠运行。

本发明提出了包含4个阶段、10个步骤的基于风电场流动相似性的风电场机组分组方法。下面结合选型实例予以详细说明：

A.相关性分析阶段包含3个步骤，分别为：采集风速和机组输出功率数据；计算各台机组轮毂高度处风速相关性；计算各台机组功率相关性，准备进入机组坐标转换阶段，如图1所示。

B.机组坐标转换阶段包含3个步骤，分别为：采集机组坐标、风电场边界和主导风向信息；旋转原始的坐标系，建立风电场主风向坐标系；将北京1954坐标系转到新的风电场主风向坐标系统下，进入风电场机组分组阶段，如图2所示。

C.风电场机组分组阶段包含2个步骤，分别为：输入相关性分析结果、机组新的坐标；设置风电场机组分组模型参数，对输入参量进行聚类分析得到机组组别划分结果，进入代表性分析阶段。

D.代表性分析阶段包含2个步骤，分别为：计算各台机组的尾流损失；输入尾流损失系数、机组海拔，计算代表性指标，选择各组代表机组位置，如图3所示。

上述A.相关性分析阶段中包含步骤：

A1.基于风电场流动相关性的风电场机组分组模型从风电场数据采集与监视控制系统提取实际测风数据、风电机组输出功率；ws_i和lwp_i为第i号风电机组记录的风速样本参数和输出功率样本参数，n为样本规模；

A2.预计算风速和输出功率样本，包括样本离均差平方和、样本间离均差积和，公式为：

$l_{\mathrm{XX}}=\mathrm{\Σ}{(X-\stackrel{\‾}{X})}^2=\mathrm{\Σ}{X}^2-\frac{{\left(\mathrm{\ΣX}\right)}^2}{n}$ 为X的样本离均差平方和；

$l_{\mathrm{YY}}=\mathrm{\Σ}{(Y-\stackrel{\‾}{Y})}^2=\mathrm{\Σ}{Y}^2-\frac{{\left(\mathrm{\ΣY}\right)}^2}{n}$ 为Y的样本离均差平方和；

$l_{\mathrm{XY}}=\mathrm{\Σ}(X-\stackrel{\‾}{X})(Y-\stackrel{\‾}{Y})=\mathrm{\ΣXY}-\frac{\left(\mathrm{\ΣX}\right)\left(\mathrm{\ΣY}\right)}{n}$ 为X与Y间的离均差积和。

其中：

X和Y为同一时刻各台机组的风速或输出功率样本；

和

为各台机组的风速或输出功率的样本均值。

A3.计算各台机组之间风速相关性r_ws和输出功率的相关性r_wp，表达式如

$T_{\mathrm{ws}}=\frac{\mathrm{\Σ}({\mathrm{ws}}_i-\stackrel{\‾}{\mathrm{ws}})({\mathrm{ws}}_j-\stackrel{\‾}{\mathrm{ws}})}{\sqrt{\mathrm{\Σ}{({\mathrm{ws}}_i-\stackrel{\‾}{\mathrm{ws}})}^2{({\mathrm{ws}}_j-\stackrel{\‾}{\mathrm{ws}})}^2}}$

$T_{\mathrm{wp}}=\frac{\mathrm{\Σ}({\mathrm{wp}}_i-\stackrel{\‾}{\mathrm{wp}})({\mathrm{wp}}_j-\stackrel{\‾}{\mathrm{wp}})}{\sqrt{\mathrm{\Σ}{({\mathrm{wp}}_i-\stackrel{\‾}{\mathrm{wp}})}^2{({\mathrm{wp}}_j-\stackrel{\‾}{\mathrm{wp}})}^2}}$

其中，ws_i和wp_i为第i号风电机组的风速和输出功率；

和

分别为全部机组的风速或输出功率的样本均值。

经过对风电场的相关性分析，可以量化风电场各个机组位置点流动情况关系以及各台机组发电特性之间的关系，从相关性的角度体现了风电场的相似性和多样性，通过对相似性和多样性的区分建立风电场机组分组模型。操作简单且有效。

上述B.机组坐标转换阶段中包含步骤：

B1.采集机组坐标、风电场边界和主导风向信息，北京1954坐标系表示的第i号风电机组的坐标位置(m_i,n_i)；风电场边界点A、B、C、D的北京1954坐标分别为：(m_fA,n_fA),(m_fB,n_fB),(m_fC,n_fC),(m_fD,n_fD);风电场主导风向为θ；

其中北京1954坐标为我国大地控制网与苏联1942普尔科沃大地坐标系相联结后建立的我国过渡性大地坐标系。

B2.旋转原始的北京1954坐标系，建立风电场主风向坐标系XY。调整主风向坐标轴与风电场边界相切，主风向轴X轴即为与主风向方向相同的轴，与之垂直的为Y轴；风电场边界与X、Y轴的切点分别为B和A，所得到的切线即为风电场主风向坐标系XY。北京1954坐标轴与主风向坐标轴夹角为α：

B3.设第i号风电机组与Y轴的垂线相交于C点；将原始的风电机组北京1954坐标位置转换到新的风电场主风向坐标系统下，坐标转换公式如下：

$x_i=\cos (\mathrm{\α}-\mathrm{\β})\sqrt{{(n_{\mathrm{fB}}-n_i)}^2+{(m_{\mathrm{fB}}-m_i)}^2}$

其中，

x_i,y_i分别是第i号风电机组的主风向坐标系的y轴和x轴坐标。

上述C.风电场机组分组阶段包含步骤：(如图2所示)

C1.以A阶段所得的相关性分析结果和B阶段所得的机组坐标转换结果为C阶段的输入样本。然后，设置自组织特征映射模型，根据风电场的实际情况、模型参数的经验值选择自组织特征映射的维度为[4,2]；神经元数目为8；网络的拓扑函数为‘hextop’；网络的距离函数为‘linkdist’；邻近距离递减到1的步数为75；邻近距离初始值为3；

C2.运行风电场机组分组模型，通过聚类分析得到机组组别划分结果。风电场机组分组模型由输入层和和自组织特征映射层组成。表1为机组分组结果。

表1风电场机组分组结果

上述D.代表性分析阶段包含步骤：(如图3所示)

D1：计算各台机组的尾流损失参量we%，表达式如下：

$\begin{array}{c}\mathrm{we}\%=({\mathrm{ws}}_{\mathrm{free}}-{\mathrm{ws}}_{\mathrm{wake}})\\ {\mathrm{ws}}_{\mathrm{rated}}\end{array}$

其中：ws_free为不计及尾流影响的各台机组轮毂高度处风速；ws_wake为计及尾流影响的各台机组轮毂高度处风速；ws_rated为风电机组的额定风速。

D2：以A阶段的相关性分析结果r_ij,D1阶段尾流损失计算结果we%_i,各台机组海拔高度H_i作为代表性分析的输入。根据C阶段所得的风电机组分组结果，根据代表性评价体系选取各组风电机组的代表性最高的机组位置作为该组的代表位置，即代表性评价指标最高的机组位置。代表性评价体系相关公式如下：

$R_i=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{r}_{\mathrm{ij}}$

$R_i^{0-1}=[R_i-\min \left(R_i\right)]/[\max \left(R_i\right)-\min \left(R_i\right)]$

$H_i^{0-1}=[H_i-\min \left(H_i\right)]/[\max \left(H_i\right)-\min \left(H_i\right)]$

${\mathrm{ref}}_i=R_i^{0-1}+H_i^{0-1}-\mathrm{we}{\%}_i$

其中：r_ij为同一组内第i号机组和第j号机组之间的输出功率相关性系数,i≠j;R_i为第i号机组同一组内其他机组间相关性系数之和；为关于相关性系数R_i的[0,i]参量；

为关于第i号机组海拔高度的[0,1]参量；ref_i为第i号机组代表性评价指标。代表性分析结果见表2。

表2代表性分析结果

经过上述代表性分析，得到各组代表机组位置，以此作为计算参考点来构建数值天气预报模型和电网调度模型，从而降低运算规模，提高模型精度和可操作性，从而保证电力系统运行的可靠性和经济性。

实施算例

以遗传算法优化的BP神经网络风电场功率预测模型和传统的电力系统调度模型为例，来检验风电场机组分组模型对计算效率和精度的改善。测试中模型运行环境均为：主频2.79GHz内存3.12GB。由表3可以看出：只以测风塔作为参考点进行数值天气预报来预测风电场输出功率的技术路线虽然耗费的预测运行时间和训练时间最少，但精度较低，给电力系统调度和计划带来了很大的不确定性；而对全部风电机组位置进行数值天气预报来预测的精度提高了，可是运算时间和训练时间都成倍增长；机组分组预测的方法在模型精度和模型效率之间找到了平衡点，在提高精度的基础上尽可能减少模型计算的负担，改善了模型的实时更新计算的能力。同样由表4可以看出，调度模型的复杂度（即模型变量数量）和计算时间都明显减少。需要注意的是，这里提到的运行时间和训练时间只包括预测模型本身耗费的时间，并不包括数值天气预报模型，但若计及数值天气预报模型或在更大规模风电场群进行测试，风电场机组分组方法的优势将更加明显。证明该方法完全满足实时调度决策的要求。预测精度的检验指标如下：

$\mathrm{RMSE}=\frac{\sqrt{{\mathrm{\Σ}}_{i=1}^n{(P_{\mathrm{Mi}}-P_{\mathrm{Pi}})}^2}}{\mathrm{Cap}\×\sqrt{n}}$

式中：RMSE为均方根误差；P_Mi为i时刻的实际功率；P_pi为i时刻的预测功率；Cap为风电场开机（或风力发电机组）总容量；n为所有样本个数。

表3不同技术路线预测结果

表4调度模型计算时间及向量数量

具有以下重要优势：

（1）综合考虑影响风电场流动情况的各种因素，提出一种基于流动相关性的风电场机组分组方法；

（2）提出一种新的机组坐标系——风电场主风向坐标系，将传统坐标转换为风电场主风向坐标系，更直观地体现特定风场的流动特性；

（3）提出一种新的代表性评价指标，为风电场功率预测和电力系统调度提供更为合理的计算参考点；

（4）提高数值天气预报和风电场功率预测模型的精度和效率；

（5）提高风电场实时调度的能力。

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)

1.一种基于风电场流动相关性的风电场机组分组方法，其特征在于，所述基于风电场流动相关性的风电场机组分组方法包括4个阶段、10个步骤：

1）相关性分析阶段包括3个步骤：采集风速和机组输出功率数据；计算各台机组轮毂高度处风速相关性；计算各台机组功率相关性，准备进入机组坐标转换阶段；经过对风电场的相关性分析，量化风电场各个机组位置点流动情况以及各台机组发电特性之间的关系，利用相关性体现风电场的相似性和多样性，通过对相似性和多样性的区分建立风电场机组分组模型，使操作简单且有效；

2）机组坐标转换阶段包括3个步骤：采集机组坐标、风电场边界和主导风向信息；旋转原始的坐标系，建立风电场主风向坐标系；将北京1954坐标系转到新的风电场主风向坐标系统下，进入风电场机组分组阶段，建立主风向坐标系；将普通坐标系转到新的坐标系统下，进入风电场机组分组阶段；

3）风电场机组分组阶段包括2个步骤：输入相关性分析结果、机组新的坐标；设置风电场机组分组模型参数，对输入参量进行聚类分析得到机组组别划分结果，进入代表性分析阶段。经过上述风电场机组分组分析，形成在同一组内一台机组处风速下降，另一台不下降甚至有所上升的状态，则相加各台机组后的全组输出功率，由此，看出各台机组之间具有互相弥补或平滑特点，有助于使全场输出功率在任意时刻均保持平稳，减弱了风电的波动性和不易调度性，即风电场互补性提高了风电容量可信度和可预测性；

4）代表性分析阶段包括2个步骤：计算各台机组的尾流损失；输入尾流损失系数、机组海拔，计算代表性指标，选择各组中代表性最强的机组位置，经过上述代表性分析，得到各组代表机组位置，以此作为计算参考点来构建数值天气预报模型和电网调度模型，从而降低运算规模，提高模型精度和可操作性，从而保证电力系统运行的可靠性和经济性。

2.根据权利要求1所述一种基于风电场流动相关性特征的风电场机组分组方法，其特征在于，所述相关性分析阶段包括3个步骤具体说明如下：

步骤A1.基于风电场流动相关性的风电场机组分组模型从风电场数据采集与监视控制系统提取实际测风数据、风电机组输出功率；ws_i和wp_i为第i号风电机组记录的风速样本参数和输出功率样本参数，n为样本规模；

步骤A2.根据步骤A1预计算风速和输出功率样本，包括样本离均差平方和、样本间离均差积和，计算公式为：

$l_{\mathrm{XX}}=\mathrm{\Σ}{(X-\stackrel{\‾}{X})}^2=\mathrm{\Σ}{X}^2-\frac{{\left(\mathrm{\ΣX}\right)}^2}{n}$ 为X的样本离均差平方和；

$l_{\mathrm{YY}}=\mathrm{\Σ}{(Y-\stackrel{\‾}{Y})}^2=\mathrm{\Σ}{Y}^2-\frac{{\left(\mathrm{\ΣY}\right)}^2}{n}$ 为Y的样本离均差平方和；

$l_{\mathrm{XY}}=\mathrm{\Σ}(X-\stackrel{\‾}{X})(Y-\stackrel{\‾}{Y})=\mathrm{\ΣXY}-\frac{\left(\mathrm{\ΣX}\right)\left(\mathrm{\ΣY}\right)}{n}$ 为X与Y间离均差积和；

其中：

X和Y为同一时刻各台机组的风速或输出功率样本；

和为各台机组的风速或输出功率的样本均值；

步骤A3.计算各台机组之间风速相关性r_ws和输出功率的相关性r_vp，表达式如下：

$T_{\mathrm{ws}}=\frac{\mathrm{\Σ}({\mathrm{ws}}_i-\stackrel{\‾}{\mathrm{ws}})({\mathrm{ws}}_j-\stackrel{\‾}{\mathrm{ws}})}{\sqrt{\mathrm{\Σ}{({\mathrm{ws}}_i-\stackrel{\‾}{\mathrm{ws}})}^2{({\mathrm{ws}}_j-\stackrel{\‾}{\mathrm{ws}})}^2}}$

$T_{\mathrm{wp}}=\frac{\mathrm{\Σ}({\mathrm{wp}}_i-\stackrel{\‾}{\mathrm{wp}})({\mathrm{wp}}_j-\stackrel{\‾}{\mathrm{wp}})}{\sqrt{\mathrm{\Σ}{({\mathrm{wp}}_i-\stackrel{\‾}{w}p)}^2{({\mathrm{wp}}_j-\stackrel{\‾}{\mathrm{wp}})}^2}}$

其中，ws_i和wp_i为第i号风电机组的风速和输出功率；

和

分别为全部机组的风速或输出功率的样本均值。

3.根据权利要求1所述一种基于风电场流动相关性的风电场机组分组方法，其特征在于，所述机组坐标转换阶段包括的3个步骤说明如下：

步骤B1.采集机组坐标、风电场边界和主导风向信息，北京1954坐标系表示的第i号风电机组的坐标位置(m_i,n_i);风电场边界点A、B、C、D的北京1954坐标分别为：(m_fA,n_fA),(m_fB,n_fB),(m_fC,n_fC),(m_fD,n_fD);风电场主导风向为θ；

其中北京1954坐标为我国大地控制网与苏联1942普尔科沃大地坐标系相联结后建立的我国过渡性大地坐标系。

步骤B2.旋转原始的北京1954坐标系，建立风电场主风向坐标系XY。调整主风向坐标轴与风电场边界相切，主风向轴X轴即为与主风向方向相同的轴，与之垂直的为Y轴；风电场边界与X、Y轴的切点分别为B和A，所得到的切线即为风电场主风向坐标系XY，北京1954坐标轴与主风向坐标轴夹角为α：

步骤B3.设第i号风电机组与Y轴的垂线相交于C点；将原始的风电机组北京1954坐标位置转换到新的风电场主风向坐标系统下，坐标转换公式如下：

$x_i=\cos (\mathrm{\α}-\mathrm{\β})\sqrt{{(n_{\mathrm{fB}}-n_i)}^2+{(m_{\mathrm{fB}}-m_i)}^2}$

其中，

x_i,y_i分别是第i号风电机组的主风向坐标系的Y轴和X轴坐标。

4.根据权利要求1所述一种基于风电场流动相关性的风电场机组分组方法，其特征在于，所述风电场机组分组阶段的2个步骤：

步骤C1.以相关性分析阶段所得的相关性分析结果和机组坐标转换阶段所得的机组坐标转换结果为风电场机组分组阶段的输入样本。然后，设置自组织特征映射模型，根据风电场的实际情况、模型参数的经验值选择自组织特征映射的维度为[4,2]；神经元数目为8；网络的拓扑函数为‘hextop’；网络的距离函数为‘linkdist’；邻近距离递减到1的步数为75；邻近距离初始值为3；

步骤C2.运行风电场机组分组模型，通过聚类分析得到机组组别划分结果，获得的风电场机组分组模型由输入层和自组织特征映射层组成。

5.根据权利要求1所述一种基于风电场流动相关性的风电场机组分组方法，其特征在于，所述代表性分析阶段包括的2个步骤如下：

步骤D1.计算各台机组的尾流损失参量we%，表达式如下：

$\mathrm{we}\%=\frac{({\mathrm{ws}}_{\mathrm{free}}-{\mathrm{ws}}_{\mathrm{wake}})}{{\mathrm{ws}}_{\mathrm{rated}}}$

其中：ws_free为不计及尾流影响的各台机组轮毂高度处风速；ws_wake为计及尾流影响的各台机组轮毂高度处风速；ws_rated为风电机组的额定风速。

步骤D2.以相关性分析阶段阶段的机组输出功率相关性分析结果r_ij、代表性分析阶段D1步骤的尾流损失计算结果we%_i及各台机组海拔高度H_i作为代表性分析的输入，根据风电场机组分组阶段所得的风电机组分组结果来评价、选取每个组内风电机组的代表性最高的机组位置作为该组的代表位置，即代表性评价指标最高的机组位置；代表性评价体系相关公式如下：

$R_i=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{r}_{\mathrm{ij}}$

$R_i^{0-1}=[R_i-\min \left(R_i\right)]/[\max \left(R_i\right)-\min \left(R_i\right)]$

$H_i^{0-1}=[H_i-\min \left(H_i\right)]/[\max \left(H_i\right)-\min \left(H_i\right)]$

${\mathrm{ref}}_i=R_i^{0-1}+H_i^{0-1}-{\mathrm{we}\%}_i$

其中：r_ij为同一组内第i号机组和第j号机组之间的输出功率相关性系数,i≠j;R_i为第i号机组同一组内其他机组间相关性系数之和；

为关于相关性系数R_i的[0,1)参量；

为关于第i号机组海拔高度的[0,1]参量；ref_i为第i号机组代表性评价指标。

Images