CN103955521A - 一种风电场机群划分方法 - Google Patents
一种风电场机群划分方法 Download PDFInfo
- Publication number
- CN103955521A CN103955521A CN201410193280.2A CN201410193280A CN103955521A CN 103955521 A CN103955521 A CN 103955521A CN 201410193280 A CN201410193280 A CN 201410193280A CN 103955521 A CN103955521 A CN 103955521A
- Authority
- CN
- China
- Prior art keywords
- group
- planes
- sample
- centerdot
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明属于电力系统仿真领域,尤其涉及一种风电场机群划分方法,该方法基于风电场实测运行数据对场内机组进行机群划分。在数据的采集过程中,由于测量系统的缺陷或执行错误等因素,实测数据可能会含有噪声数据,为减小噪声数据的干扰,本发明首先基于样本点处的势值对风电场实测运行数据进行孤立点数据处理。在机群划分时,当两个机群中心初始位置较近时,其包含的冗余信息较多,划分结果容易陷入局部最优,本发明针对此将欧氏距离最小的样本组向均值点移动,并用移动后的样本组的均值替换原来的样本组,通过该方法获得具有多样性的初始机群中心的位置,提高了全局搜索能力。采用本发明提出的风电场机群划分方法能够将具有相近运行点的风电机组划分为同一机群,优化了风电场等值建模方法。
Description
技术领域
本发明属于电力系统仿真领域,尤其涉及一种风电场机群划分方法。
背景技术
近年来,随着化石能源危机、环境污染和温室效应等问题的进一步加剧,人们对低成本、无污染、可再生的风力发电的关注度逐渐增加,风力发电已成为当今世界应用最广、发展最快、技术最为成熟的可再生能源发电方式。随着风力发电和并网技术的发展,风电场对电网的负面影响日趋明显,为分析风电并网对系统的影响,需要建立准确合理的风电场模型。
传统的单机等值模型假设场内风速分布均匀,所有风电机组的运行点相同,而这一假设忽略了尾流效应和迟滞效应等因素的影响,通常是不合理的。部分学者提出多机表征模型,其主要思想是以机组具有相近运行点为机群划分原则,采用某些聚类算法进行机群划分,将同群内的机组合并为一台等值机。k-means聚类算法是一种最常用的基于划分的聚类算法,对于处理大数据集具有快速、高效以及可伸缩性好等优点。
风电机组运行中,风电机组的输入风速是其运行中的一个重要特征量,可以反映风在风机上的作用情况,也可以反映机组所在地理位置的地形地貌以及相邻机组之间相互影响等情况。机组的输出功率是其风速经过复杂的风能转化为电能物理过程的结果,反映了机组的控制及运行性能等概况,故用于风电场机群划分的运行数据,通常可以采用风速、有功功率、无功功率等。但是一方面,由于k-means聚类算法利用迭代的重定位技术,在聚类划分时将簇的质心作为聚类中心进行下一次机群划分,如果实测数据中含有大量的孤立点数据,将会导致聚类中心远离数据密集区,而趋向孤立点数据,将会在很大程度上降低聚类质量。
另一方面,k-means聚类算法对初始聚类中心的选取是随机的,当两个机群中心初始位置较近时,其包含的冗余信息较多,划分结果容易陷入局部最优,造成聚类结果的不准确性和不稳定性。
发明内容
本发明的目的在于,针对目前风电场机群划分质量不高问题,提出了一种风电场机群划分方法,其特征在于,所述方法包括以下步骤:
步骤1、风电场实测数据孤立点数据处理;
步骤2、初始机群中心优化过程;
步骤3、机群划分,判断是否满足终止条件;如果是,则机群划分结束;否则执行步骤4;
步骤4、更新机群中心。
所述步骤1中,风电场实测数据孤立点数据处理过程为:
步骤101、假设某时段内风电场中有n台风电机组并网运行,选取该时段内并网运行风电机组的实测运行数据,包括风速、有功功率或无功功率作为样本,建立实测运行数据样本矩阵:
xij表示第i台风电机组在第j个时刻的实测运行数据,n为场内风电机组台数,t为该时段内实测运行数据的采集时间点的个数;
步骤102、对于某一时刻的所有机组实测数据Xj而言,可定义样本点xij(i=1,2,…,n)处的势函数为
其中
Φ(xij)为样本点xij处的势函数,R表示邻域半径,xij表示第i台风电机组在第j个时刻的实测运行数据,xaj表示第a台风电机组在第j个时刻的实测运行数据,当样本点xij处的势越大,表明xij附近聚集的样本点越多;
步骤103、计算xij处的势占该时刻所有数据样本点处势总和的比值,定义为势比,
根据此方法计算每个数据样本点的势比,并将其降序排列η1≥η2≥…≥ηn×t≥0,计算该排列中相邻势比的差值,定义为势比差Δη,
Δηg=ηg-ηg+1(g=1,2,…,n×t-1) (5)
若Δηb最大,则可确定势比差阈值为ηb,即当η(xij)<ηb(i=1,2,…,n;j=1,2,…,t)时,可确定xij为孤立点数据,为不影响实测数据在时间上的连续性,对于孤立点数据,设其为某台机组在某一时刻的实测数据,采用该台机组在其前后时刻的实测数据平均值替换该坏数据,若存在某几个连续时刻测得的数据均为坏数据,则选择其最邻近的前后时刻的正常数据进行等分取值;为表达方便,经过孤立点数据处理后的风电场实测运行数据仍用式(1)表示,样本组换成机组样本组。
xij表示经过孤立点数据处理后第i台风电机组在第j个时刻的实测运行数据,n为场内风电机组台数,t为该时段内实测运行数据的采集时间点的个数,Xi为一台风电机组所有时刻的实测数据,即一个机组样本组。
所述步骤2中,初始机群中心优化过程为:
步骤201、计算任意两个机组样本组之间的欧氏距离,第u台样本组Xu和第w台风电机组样本组Xw之间的欧氏距离Huw计算方法如下,
Huw为第u台样本组Xu和第w台风电机组样本组Xw之间的欧氏距离,xuf为经过孤立点数据处理后的第u台风电机组在第f个时刻的实测运行数据,xwf为经过孤立点数据处理后的第w台风电机组在第f个时刻的实测运行数据;
步骤202、选取欧氏距离最小的两个机组样本组,设其为Xp和Xq,计算这两个样本组的平均值,记为Xpq,
xpt为经过孤立点数据处理后的第p台风电机组在第t个时刻的实测运行数据,xqt为经过孤立点数据处理后的第q台风电机组在第t个时刻的实测运行数据;
步骤203、将样本组Xp和Xq向其均值点Xpq点移动,移动方法如下,
为Xp移动后的值,为Xq移动后的值,d(Xpq,Xp)为根据式(7)计算的Xpq与Xp之间的欧式距离,d(Xpq,Xq)为根据式(7)计算的Xpq与Xq之间的欧式距离;
步骤204、根据式(8)计算移动后的新样本组和的平均值,设为在空间X中将新样本组替换掉Xp和Xq,计算新的样本空间中样本组两两之间的欧式距离,继续对新样本空间中的样本组进行上述同样的替换处理,直到X中剩余的样本组个数为指定的机群划分个数k,并将此时剩余的k个样本组作为第一次机群划分时的k个机群中心,采用表示第一次机群划分时第r个机群中心,所在的机群记为
表示第一次机群划分时第r个机群中心的第t个分量,机群中心与机组样本组具有相似的数据结构。
所述步骤3中,机群划分过程为:
步骤301、对X中的任意一个机群样本组Xi而言,计算其与k个机群中心的欧氏距离,
表示第一次机群划分时第r个机群中心,xij为经过孤立点数据处理后的第i台风电机组在第j个时刻的实测运行数据,为第一次机群划分时第r个机群中心的第j个分量;
步骤302、找出与Xi欧氏距离最小的机群中心,并将样本组Xi划分进与该机群中心所在的群,遍历完所有的机群样本组,完成第一次机群划分;
步骤303、计算机群划分的平方误差总和,其中第T次机群划分后的平方误差总和计算方法如下
机群划分终止条件为
E(T-1)-E(T)<ε,(T≥2) (14)
ε取正实数为0.02,判断是否满足终止条件;如果是,则机群划分结束;否则执行步骤4。
所述步骤4中,更新机群中心过程为:
当完成第T次机群划分时,设第r个机群所含的机组数目为 更新机群中心,
xit表示经过孤立点数据处理后的第i台风电机组在第t个时刻的实测运行数据,表示第T+1次机群划分时的机群中心,表示完成第T次机群划分时第r个机群,为完成第T次机群划分时内所含的风电机组台数,表示第i个风电机组样本组Xi属于机群内;转至步骤3。
本发明提出的风电场机群划分方法,其特点和效果是,通过该方法获得可以降低机群划分结果对孤立点数据的敏感性,防止聚类中心远离数据密集区,而趋向孤立点数据,提高了聚类质量;另外,采用本发明提出的风电场机群划分方法,可以获得具有多样性的初始机群中心的位置,提高了全局搜索能力,防止机群划分结果陷入局部最优解,优化了风电场等值建模方法。
附图说明
图1为本发明提出的风电场机群划分方法流程图。
图2为使用本发明的实际风电场机组位置平面图。
图3为使用本发明方法进行机群划分后机群1内某10小时的实测有功功率数据分布图。
图4为使用本发明方法进行机群划分后机群2内某10小时的实测有功功率数据分布图。
图5为使用本发明方法进行机群划分后机群3内某10小时的实测有功功率数据分布图。
具体实施方式
下面结合附图,具体说明本发明的实施方式。
本发明提出的一种风电场机群划分方法,具体流程图如图1所示,主要包括以下步骤:
步骤1:风电场实测数据孤立点数据处理;
步骤2:初始机群中心优化过程;
步骤3:机群划分,判断是否满足终止条件;如果是,则机群划分结束;否则执行步骤4;
步骤4:更新机群中心;
步骤1中,风电场实测数据孤立点数据处理过程为:
假设某时段内风电场中有n台风电机组并网运行,选取该时段内并网运行风电机组的实测运行数据(可采用风速、有功功率或无功功率等实测运行数据)作为样本,建立实测运行数据样本矩阵:
xij表示第i台风电机组在第j个时刻的实测运行数据,n为场内风电机组台数,t为该时段内实测运行数据的采集时间点的个数,对于某一时刻的所有机组实测数据Xj而言,可定义样本点xij(i=1,2,…,n)处的势函数为
其中
Φ(xij)为样本点xij处的势函数,R表示邻域半径,xij表示第i台风电机组在第j个时刻的实测运行数据,xaj表示第a台风电机组在第j个时刻的实测运行数据。当样本点xij处的势越大,表明xij附近聚集的样本点越多,计算xij处的势占该时刻所有数据样本点处势总和的比值,定义为势比,
根据此方法计算每个数据样本点的势比,并将其降序排列η1≥η2≥…≥ηn×t≥0,计算该排列中相邻势比的差值,定义为势比差Δη。
Δηg=ηg-ηg+1(g=1,2,…,n×t-1) (5)
若Δηb最大,则可确定势比差阈值为ηb,即当η(xij)<ηb(i=1,2,…,n;j=1,2,…,t)时,可确定xij为孤立点数据,为不影响实测数据在时间上的连续性,对于孤立点数据,设其为某台机组在某一时刻的实测数据,采用该台机组在其前后时刻的实测数据平均值替换该坏数据(若存在某几个连续时刻测得的数据均为坏数据,则选择其最邻近的前后时刻的正常数据进行等分取值)。为表达方便,经过孤立点数据处理后的风电场实测运行数据仍用式(1)表示,样本组换成机组样本组
xij表示经过孤立点数据处理后第i台风电机组在第j个时刻的实测运行数据,n为场内风电机组台数,t为该时段内实测运行数据的采集时间点的个数,Xi为一台风电机组所有时刻的实测数据,即一个机组样本组。
步骤2中,初始机群中心优化过程为:
计算任意两个机组样本组之间的欧氏距离,第u台样本组Xu和第w台风电机组样本组Xw之间的欧氏距离Huw计算方法如下,
Huw为第u台样本组Xu和第w台风电机组样本组Xw之间的欧氏距离,xuf为经过孤立点数据处理后的第u台风电机组在第f个时刻的实测运行数据,xwf为经过孤立点数据处理后的第w台风电机组在第f个时刻的实测运行数据。选取欧氏距离最小的两个机组样本组,设其为Xp和Xq,计算这两个样本组的平均值,记为Xpq,
xpt为经过孤立点数据处理后的第p台风电机组在第t个时刻的实测运行数据,xqt为经过孤立点数据处理后的第q台风电机组在第t个时刻的实测运行数据。将样本组Xp和Xq向其均值点Xpq点移动,移动方法如下,
为Xp移动后的值,为Xq移动后的值,d(Xpq,Xp)为根据式(7)计算的Xpq与Xp之间的欧式距离,d(Xpq,Xq)为根据式(7)计算的Xpq与Xq之间的欧式距离。再根据式(8)计算移动后的新样本组和的平均值,设为在空间X中将新样本组替换掉Xp和Xq,计算新的样本空间中样本组两两之间的欧式距离,继续对新样本空间中的样本组进行上述同样的替换处理,直到X中剩余的样本组个数为指定的机群划分个数k,并将此时剩余的k个样本组作为第一次机群划分时的k个机群中心,采用表示第一次机群划分时第r个机群中心,所在的机群记为
表示第一次机群划分时第r个机群中心的第t个分量,机群中心与机组样本组具有相似的数据结构。
步骤3中,机群划分过程为:
对X中的任意一个机群样本组Xi而言,计算其与k个机群中心的欧氏距离,
表示第一次机群划分时第r个机群中心,xij为经过孤立点数据处理后的第i台风电机组在第j个时刻的实测运行数据,为第一次机群划分时第r个机群中心的第j个分量。找出与Xi欧氏距离最小的机群中心,并将样本组Xi划分进与该机群中心所在的群,遍历完所有的机群样本组,完成第一次机群划分。
计算机群划分的平方误差总和,其中第T次机群划分后的平方误差总和计算方法如下
机群划分终止条件为
E(T-1)-E(T)<ε,(T≥2) (14)
ε为某一给定的很小的正实数(一般取0.02)。判断是否满足终止条件;如果是,则机群划分结束;否则执行步骤4。
步骤4中,更新机群中心过程为:
当完成第T次机群划分时,设第r个机群所含的机组数目为 更新机群中心,
xit表示经过孤立点数据处理后的第i台风电机组在第t个时刻的实测运行数据,表示第T+1次机群划分时的机群中心,表示完成第T次机群划分时第r个机群,为完成第T次机群划分时内所含的风电机组台数,表示第i个风电机组样本组Xi属于机群内。
转至步骤3。
编制本发明的MATLAB程序,以某实际风电场为例说明本发明提出的风电场机群划分方法。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10月1日至2010年10月31日的每10分钟实测有功功率数据进行分析,该时段内,对场内风电机组采用本发明提出的机群划分方法对场内机组进行机群划分,划分结果如表1所示。
表1基于实测有功功率数据的机群划分结果
图3、4、5分别是机群1、2、3内机组在某10小时内的实测有功功率数据分布图,图中箭头所指的数据为采用本发明步骤1提取出的噪声数据,分别为:机群1内6#机组有2个,12#机组有一个;机群2内3#机组有2个,27#机组有3个;机群3内16#机组有2个,23#机组有3个,从图中可以看出这些数据确实存在一定的离群程度。另外,对比图3、4、5可以看出,同群内的有功功率数据分布情况较为接近,如在第5h-7h内,机群1内的风电机组有功功率明显较大,大致分布在200-1000kW区域之间,机群2内有功功率较小,位于300kW以下区域,而机群3内机组的有功功率大致分布在50-500kW区域内,且同群内的机组有功功率变化趋势也比较相近。由此可见,采用本发明提出的方法进行机群划分是能够反映各风电机组的实际运行情况,同群内的机组具有相近的运行点,可将同群内的风电机组等值为一台风电机组建立风电场的多机表征模型。
综上所述可知,采用本发明提出的风电场机群划分方法能够将具有相近运行点的风电机组划分为同一机群,优化了风电场等值建模方法。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (5)
1.一种风电场机群划分方法,其特征在于,所述方法包括以下步骤:
步骤1、风电场实测数据孤立点数据处理;
步骤2、初始机群中心优化过程;
步骤3、机群划分,判断是否满足终止条件;如果是,则机群划分结束;否则执行步骤4;
步骤4、更新机群中心。
2.根据权利要求1所述方法,其特征在于,所述步骤1中,风电场实测数据孤立点数据处理过程为:
步骤101、假设某时段内风电场中有n台风电机组并网运行,选取该时段内并网运行风电机组的实测运行数据,包括风速、有功功率或无功功率作为样本,建立实测运行数据样本矩阵:
xij表示第i台风电机组在第j个时刻的实测运行数据,n为场内风电机组台数,t为该时段内实测运行数据的采集时间点的个数;
步骤102、对于某一时刻的所有机组实测数据Xj而言,可定义样本点xij(i=1,2,…,n)处的势函数为
其中
Φ(xij)为样本点xij处的势函数,R表示邻域半径,xij表示第i台风电机组在第j个时刻的实测运行数据,xaj表示第a台风电机组在第j个时刻的实测运行数据,当样本点xij处的势越大,表明xij附近聚集的样本点越多;
步骤103、计算xij处的势占该时刻所有数据样本点处势总和的比值,定义为势比,
根据此方法计算每个数据样本点的势比,并将其降序排列η1≥η2≥…≥ηn×t≥0,计算该排列中相邻势比的差值,定义为势比差Δη,
Δηg=ηg-ηg+1(g=1,2,…,n×t-1) (5)
若Δηb最大,则可确定势比差阈值为ηb,即当η(xij)<ηb(i=1,2,…,n;j=1,2,…,t)时,可确定xij为孤立点数据,为不影响实测数据在时间上的连续性,对于孤立点数据,设其为某台机组在某一时刻的实测数据,采用该台机组在其前后时刻的实测数据平均值替换该坏数据,若存在某几个连续时刻测得的数据均为坏数据,则选择其最邻近的前后时刻的正常数据进行等分取值;为表达方便,经过孤立点数据处理后的风电场实测运行数据仍用式(1)表示,样本组换成机组样本组
xij表示经过孤立点数据处理后第i台风电机组在第j个时刻的实测运行数据,n为场内风电机组台数,t为该时段内实测运行数据的采集时间点的个数,Xi为一台风电机组所有时刻的实测数据,即一个机组样本组。
3.根据权利要求1所述方法,其特征在于,所述步骤2中,初始机群中心优化过程为:
步骤201、计算任意两个机组样本组之间的欧氏距离,第u台样本组Xu和第w台风电机组样本组Xw之间的欧氏距离Huw计算方法如下,
Huw为第u台样本组Xu和第w台风电机组样本组Xw之间的欧氏距离,xuf为经过孤立点数据处理后的第u台风电机组在第f个时刻的实测运行数据,xwf为经过孤立点数据处理后的第w台风电机组在第f个时刻的实测运行数据;
步骤202、选取欧氏距离最小的两个机组样本组,设其为Xp和Xq,计算这两个样本组的平均值,记为Xpq,
xpt为经过孤立点数据处理后的第p台风电机组在第t个时刻的实测运行数据,xqt为经过孤立点数据处理后的第q台风电机组在第t个时刻的实测运行数据;
步骤203、将样本组Xp和Xq向其均值点Xpq点移动,移动方法如下,
为Xp移动后的值,为Xq移动后的值,d(Xpq,Xp)为根据式(7)计算的Xpq与Xp之间的欧式距离,d(Xpq,Xq)为根据式(7)计算的Xpq与Xq之间的欧式距离;
步骤204、根据式(8)计算移动后的新样本组和的平均值,设为在空间X中将新样本组替换掉Xp和Xq,计算新的样本空间中样本组两两之间的欧式距离,继续对新样本空间中的样本组进行上述同样的替换处理,直到X中剩余的样本组个数为指定的机群划分个数k,并将此时剩余的k个样本组作为第一次机群划分时的k个机群中心,采用表示第一次机群划分时第r个机群中心,所在的机群记为
表示第一次机群划分时第r个机群中心的第t个分量,机群中心与机组样本组具有相似的数据结构。
4.根据权利要求1所述方法,其特征在于,所述步骤3中,机群划分过程为:
步骤301、对X中的任意一个机群样本组Xi而言,计算其与k个机群中心的欧氏距离,
表示第一次机群划分时第r个机群中心,xij为经过孤立点数据处理后的第i台风电机组在第j个时刻的实测运行数据,为第一次机群划分时第r个机群中心的第j个分量;
步骤302、找出与Xi欧氏距离最小的机群中心,并将样本组Xi划分进与该机群中心所在的群,遍历完所有的机群样本组,完成第一次机群划分;
步骤303、计算机群划分的平方误差总和,其中第T次机群划分后的平方误差总和计算方法如下
机群划分终止条件为
E(T-1)-E(T)<ε,(T≥2) (14)
ε取正实数为0.02,判断是否满足终止条件;如果是,则机群划分结束;否则执行步骤4。
5.根据权利要求1所述方法,其特征在于,所述步骤4中,更新机群中心过程为:
当完成第T次机群划分时,设第r个机群所含的机组数目为 更新机群中心,
xit表示经过孤立点数据处理后的第i台风电机组在第t个时刻的实测运行数据,表示第T+1次机群划分时的机群中心,表示完成第T次机群划分时第r个机群,为完成第T次机群划分时内所含的风电机组台数,表示第i个风电机组样本组Xi属于机群内;转至步骤3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410193280.2A CN103955521B (zh) | 2014-05-08 | 2014-05-08 | 一种风电场机群划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410193280.2A CN103955521B (zh) | 2014-05-08 | 2014-05-08 | 一种风电场机群划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955521A true CN103955521A (zh) | 2014-07-30 |
CN103955521B CN103955521B (zh) | 2017-04-12 |
Family
ID=51332796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410193280.2A Expired - Fee Related CN103955521B (zh) | 2014-05-08 | 2014-05-08 | 一种风电场机群划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955521B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182803A (zh) * | 2014-08-13 | 2014-12-03 | 东北电力大学 | 风电数据预处理方法及风电功率预测方法和系统 |
CN105184683A (zh) * | 2015-10-10 | 2015-12-23 | 华北电力科学研究院有限责任公司 | 一种基于风电场运行数据的概率聚类分群方法 |
CN105825002A (zh) * | 2016-03-14 | 2016-08-03 | 华侨大学 | 一种基于动态灰关联分析法的风电场动态等值建模方法 |
CN105956318A (zh) * | 2016-05-19 | 2016-09-21 | 上海电机学院 | 基于改进分裂 h-k 聚类方法的风电场机群划分方法 |
CN106529731A (zh) * | 2016-11-17 | 2017-03-22 | 云南电网有限责任公司电力科学研究院 | 一种区域电网光伏电站集群划分方法 |
CN106897945A (zh) * | 2017-03-02 | 2017-06-27 | 新疆金风科技股份有限公司 | 风力发电机组的聚类方法和设备 |
CN108763584A (zh) * | 2018-06-11 | 2018-11-06 | 北京天泽智云科技有限公司 | 一种风功率曲线散点过滤的方法及其系统 |
CN114977177A (zh) * | 2022-07-28 | 2022-08-30 | 湖南华大电工高科技有限公司 | 风电场集群动态划分方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120143537A1 (en) * | 2009-06-30 | 2012-06-07 | Vestas Wind Systems A/S | Method of calculating an electrical output of a wind power plant |
CN103034763A (zh) * | 2012-12-12 | 2013-04-10 | 上海市电力公司 | 大容量风电场风机聚合模型建立和仿真方法 |
CN103400009A (zh) * | 2013-08-07 | 2013-11-20 | 华北电力大学 | 基于分裂层次半监督谱聚类算法的风电场动态等值方法 |
CN103942391A (zh) * | 2014-04-22 | 2014-07-23 | 广东电网公司电网规划研究中心 | 基于实测运行数据的风电场建模方法 |
-
2014
- 2014-05-08 CN CN201410193280.2A patent/CN103955521B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120143537A1 (en) * | 2009-06-30 | 2012-06-07 | Vestas Wind Systems A/S | Method of calculating an electrical output of a wind power plant |
CN103034763A (zh) * | 2012-12-12 | 2013-04-10 | 上海市电力公司 | 大容量风电场风机聚合模型建立和仿真方法 |
CN103400009A (zh) * | 2013-08-07 | 2013-11-20 | 华北电力大学 | 基于分裂层次半监督谱聚类算法的风电场动态等值方法 |
CN103942391A (zh) * | 2014-04-22 | 2014-07-23 | 广东电网公司电网规划研究中心 | 基于实测运行数据的风电场建模方法 |
Non-Patent Citations (2)
Title |
---|
王钤 等: "基于实测数据的风电场风速-功率模型的研究", 《电力系统保护与控制》 * |
陈迎: "基于运行数据的风电场等效建模研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182803B (zh) * | 2014-08-13 | 2017-10-13 | 东北电力大学 | 风电数据预处理方法及风电功率预测方法和系统 |
CN104182803A (zh) * | 2014-08-13 | 2014-12-03 | 东北电力大学 | 风电数据预处理方法及风电功率预测方法和系统 |
CN105184683A (zh) * | 2015-10-10 | 2015-12-23 | 华北电力科学研究院有限责任公司 | 一种基于风电场运行数据的概率聚类分群方法 |
CN105825002A (zh) * | 2016-03-14 | 2016-08-03 | 华侨大学 | 一种基于动态灰关联分析法的风电场动态等值建模方法 |
CN105825002B (zh) * | 2016-03-14 | 2018-10-16 | 华侨大学 | 一种基于动态灰关联分析法的风电场动态等值建模方法 |
CN105956318A (zh) * | 2016-05-19 | 2016-09-21 | 上海电机学院 | 基于改进分裂 h-k 聚类方法的风电场机群划分方法 |
CN105956318B (zh) * | 2016-05-19 | 2019-03-26 | 上海电机学院 | 基于改进分裂h-k聚类方法的风电场机群划分方法 |
CN106529731A (zh) * | 2016-11-17 | 2017-03-22 | 云南电网有限责任公司电力科学研究院 | 一种区域电网光伏电站集群划分方法 |
CN106897945A (zh) * | 2017-03-02 | 2017-06-27 | 新疆金风科技股份有限公司 | 风力发电机组的聚类方法和设备 |
CN108763584A (zh) * | 2018-06-11 | 2018-11-06 | 北京天泽智云科技有限公司 | 一种风功率曲线散点过滤的方法及其系统 |
CN108763584B (zh) * | 2018-06-11 | 2021-11-02 | 北京天泽智云科技有限公司 | 一种风功率曲线散点过滤的方法及其系统 |
CN114977177A (zh) * | 2022-07-28 | 2022-08-30 | 湖南华大电工高科技有限公司 | 风电场集群动态划分方法、装置、设备及存储介质 |
CN114977177B (zh) * | 2022-07-28 | 2022-10-28 | 湖南华大电工高科技有限公司 | 风电场集群动态划分方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103955521B (zh) | 2017-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955521A (zh) | 一种风电场机群划分方法 | |
Liu et al. | Random forest solar power forecast based on classification optimization | |
CN108879793B (zh) | 一种风光蓄能水电站互补的离网式混合能源系统优化方法 | |
CN103258142B (zh) | 基于天气模式的风电场短期风速预测方法 | |
CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
CN103942736B (zh) | 一种风电场多机等值建模方法 | |
Jiang et al. | Comprehensive assessment of wind resources and the low-carbon economy: An empirical study in the Alxa and Xilin Gol Leagues of inner Mongolia, China | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
Noman et al. | Comprehensive review of wind energy in Malaysia: Past, present, and future research trends | |
CN103902837A (zh) | 一种基于经验Copula函数进行风速预测的方法 | |
CN105825002A (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN105939014A (zh) | 一种风电场站相关性指标获取方法 | |
CN106485603A (zh) | 一种应用于风力发电的短期风速预测方法 | |
CN103714400A (zh) | 一种任意输入参数的风能预测系统和方法 | |
CN103942620A (zh) | 采用复合数据源基于径向基核函数支持向量机的风电功率短期预测方法 | |
Liu et al. | A novel photovoltaic power output forecasting method based on weather type clustering and wavelet support vector machines regression | |
CN116742624B (zh) | 一种光伏发电量预测方法及系统 | |
CN115313377B (zh) | 一种电力负荷预测方法及系统 | |
Rahman et al. | Performance Evaluation of Probabilistic Clustering Techniques for Aggregating Wind Generators in Power System Dynamic Studies | |
CN103206343B (zh) | 比较风电机组选型优劣的系统和方法 | |
Lin et al. | A Fault Risk Warning Method of Integrated Energy Systems Based on RelieF-Softmax Algorithm. | |
CN116307089A (zh) | 一种基于arma和svr的风速预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170412 Termination date: 20180508 |
|
CF01 | Termination of patent right due to non-payment of annual fee |