CN105303319A - 一种基于运行数据的风电场动态分群等值方法 - Google Patents

Abstract

本发明公开了一种基于运行数据的风电场动态分群等值方法，包括以下步骤：步骤a：运用风电场实测的运行数据，应用基于延时相空间的几何模板匹配方法计算风力发电机的样本距离矩阵；步骤b：依照样本距离矩阵，基于路径聚合的图聚类算法对风电场进行机群划分。本发明利用一段时间内的实测曲线，基于状态空间重构度量风力发电机之间相似性，可以综合考虑了风电的非线性特性及风速等因素，利用基于路径聚合的图聚类算法，基于状态空间重构度量风力发电机之间相似性，可以综合考虑了风电的非线性特性及风速等因素，分群后的等值模型能够准确的反映风电场并网点的动态特性。

Description

一种基于运行数据的风电场动态分群等值方法

技术领域

本发明涉及电力系统建模领域，具体是一种基于运行数据的风电场动态分群等值方法。

背景技术

风力发电是实现风能大规模开发利用的重要途径，是实现低碳电力的重要选择。近几年，风电场的规模不断扩大，使得风电在电网中所占的比例不断提高。日益成熟的风力发电技术使得越来越多的大规模风电场实现了并网运行，风电场将成为电力系统的重要组成部分风电基地也将实现千万千瓦风电的集中送出。

随着风电场规模增加大型风场中风力发电机组数量甚至达到上千台风机，如在建模过程中把每台风机都进行详细建模，将会导致电力系统“维数灾”的发生，运算领巨大甚至无法进行仿真。后续研究风电场的基础，为准确评估大容量风电场和电力系统之间的相互影响,开展对风电场等值建模的研究就显得尤为必要。

实现风电机组分群是多机等值首各群内的风电机组进行单机等值的重要依据。

聚类又称为分割，即将样本集合划分为若干类，使类内的样本之间有较高的相似度，而类间的样本差别尽可能大。在实际应用中，聚类采用的指标必须与专业知识相结合，要求用于表征各风力发电机的距离指标能客观、准确地描述各样本之间的相似关系，并具有明确的物理意义和较强的自适应能力。

发明内容

本发明的目的在于提供一种基于运行数据的风电场动态分群等值方法。

为实现上述目的，本发明提供如下技术方案：

一种基于运行数据的风电场动态分群等值方法，包括以下步骤：

步骤a：运用风电场实测的运行数据，应用基于延时相空间的几何模板匹配方法计算风力发电机的样本距离矩阵；

步骤b：依照样本距离矩阵，基于路径聚合的图聚类算法对风电场进行机群划分。

作为本发明进一步的方案：所述步骤a包括以下具体步骤：

(a1)运行数据选取风电场在扰动期间给定时间段内的各风力发电机的实测有功功率曲线，作为延时相空间的实测数据矩阵；

(a2)针对任意两样本，确定各自的重构维数m及延迟参数τ后进行相空间重构，对重构后的相空间进行几何模板匹配得到样本相似度；

(a3)定义样本距离函数，用两样本间的距离表征样本之间的相似度，形成风力发电机的样本距离矩阵。

作为本发明再进一步的方案：所述步骤b包括以下具体步骤：

(b1)搭建双馈风电场等值模型，给定风机功率控制器和电流控制器参数，机组参数按照风机容量的变化作等比例增加，风轮半径保持不变；

(b2)定义目标函数为风机模型仿真曲线和参考曲线的均方根，作为粒子的适应度函数；

(b3)选择待辨识参数电子电阻R_s、定子漏抗L_s、归算后的转子电阻R_r、转子电抗L_r、，设定粒子数大小，初始化粒子群体位置和速度，设定粒子群位置和速度的限制、全局和局部最优权重系数、收敛条件；

(b4)计算粒子的适应度，更新个体最优值及全局最优值；

(b5)更新粒子飞行速度和位置；

(b6)计算判断当前是否需要变异；

(b7)重复步骤(b4)至步骤(b6)，直到适应度满足收敛精度要求或达到迭代次数，取全局最优的粒子参数作为等值风力发电机的各项参数。

与现有技术相比，本发明的有益效果是：

1、本发明利用一段时间内的实测曲线，基于状态空间重构度量风力发电机之间相似性，可以综合考虑了风电的非线性特性及风速等因素，

2、本发明利用基于路径聚合的图聚类算法，基于状态空间重构度量风力发电机之间相似性，可以综合考虑了风电的非线性特性及风速等因素，分群后的等值模型能够准确的反映风电场并网点的动态特性。

具体实施方式

下面结合具体实施方式对本专利的技术方案作进一步详细地说明。

一种基于运行数据的风电场动态分群等值方法，包括以下步骤：

步骤a：利用运行数据，选取能反映扰动下的风电机组的特征变量；

风力发电机组有功功率响应曲线，与风机模型、风速变化、风机位置均有联系，从同一风电组群具有相同或者相近的动态过程的角度考虑，利用重构相空间对非线性系统描述的能力，可以考虑风机模型、风速、风机位置。同时，几何模板匹配适应于不同长度数据的对比，可以对不同参数系下重构的相空间进行相似性度量。

本实施例采用扰动期间实测风力发电机组有功功率作为聚类分群的特征变量，具体包括以下步骤：

(1)首先选取风电场在扰动期间设定时间段内各发电机组的实测有功功率数据为运行数据样本，样本的测量数据点数据为L，将N台风力发电机的有功功率曲线P_1，P_2，...，P_N构成样本空间P；

(2)针对每一条有功功率曲线P_i，嵌入维数m从小到大取值并计算每一个嵌入维数下的自相关函数R(τ)，选取R(τ)的极小峰值对应时间延迟和嵌入维度分别为P_i的时间延迟τ_i和嵌入维度m_i。R(τ)的计算方法为：

$R\left(\mathrm{\τ}\right)=\frac{1}{M}\underset{k=1}{\overset{M}{\Σ}}\underset{j=1}{\overset{m-1}{\Σ}}\{\[f(P_i\left(t_k\right))-f\left(\stackrel{\‾}{P_i}\right)\]\[f(P_i(t_k+j\mathrm{\τ}))-f\left(\stackrel{\‾}{P_i}\right)\]\}$

其中，为时间序列P_i(t_k)，k＝1,2,…,T的平均值，k,j分别为累加符号Σ中的计数变量，分别取1,…,M和1,…,m-1；P_i(t_k)和P_i(t_k+jτ)为时间序列P_i(t_k)，k＝1,2,…,T的第t_k和t_k+jτ处的值；函数f(P_i(t_k))为一个多项式函数，取为：

f(x)＝1+P_i(t_k)+P_i(t_k)²+L+P_i(t_k)^m-1

(3)求两样本P_i、P_j重构嵌入维数m＝max{m_i，m_j}，用参数m、τ_i对P_i相空间重构得到重构空间O_i，用参数m、τ_j对P_j相空间重构得到重构空间O_j:

O_i(t)＝(P_i(t),P_i(t+τ_i),L,P_i(t+(m-1)τ_i))

t＝1,2,L,M；M＝T-(m-1)τ_i

O_j(t)＝(x(t),x(t+τ_j),L,x(t+(m-1)τ_j))

t＝1,2,L,M'；M'＝T-(m-1)τ_j

(4)计算重构空间O_i和O_j的相似度，

$\begin{array}{c}{n}_{u,1}=\underset{w}{\arg \min }\left|\right|O_i\left(u\right)-O_j\left(w\right)\left|\right|\\ \mathrm{...}\\ n_{u,k}=\underset{w\≠n_{u,1},L,n_{u,k-1}}{\arg \min }\left|\right|O_i\left(u\right)-O_j\left(w\right)\left|\right|\end{array}$

式中：O_i(u)表示向量数据组O_i(t_k)，k＝1,2,…,M中的第u个向量；O_j(u)表示向量数据组O_j(t_k')，k’＝1,2,…,M中的第u个向量；||||表示求取向量的2范数，n_u,1…n_u,k为‖O_i(u)-O_j(w)‖的泛函数。

$S(O_i,O_j)=\frac{1}{M-1}\underset{u=1}{\overset{M-1}{\Σ}}\frac{\[{\stackrel{\‾}{O}}_i(u+1)-{\stackrel{\‾}{O}}_i\left(u\right)\]\·\[O_i(u+1)-O_i\left(u\right)\]}{{\{max\[|\left({\stackrel{\‾}{O}}_i\right(u+1)-{\stackrel{\‾}{O}}_i\left(u\right)\left)\right|,|O_i(u+1)-O_i\left(u\right)|\]\}}^2}$

其中，

${\stackrel{\‾}{O}}_i\left(u\right)=k^{-1}\underset{l=1}{\overset{k}{\Σ}}{\stackrel{\‾}{O}}_i\left(n_{u,l}\right)$

${\stackrel{\‾}{O}}_i(u+1)=k^{-1}\underset{l=1}{\overset{k}{\Σ}}{\stackrel{\‾}{O}}_i(n_{u,l}+1)$

式中，为O_i(u)在O_j中k邻近元素二范数的平均值；为O_i(u+1)在O_j中k邻近元素二范数的平均值；

计算两样本P_i、P_j的距离

d(O_i,O_j)＝exp(-S(O_i,O_j))

作为风力发电机ij的样本距离d(i，j)。

(5)重复步骤(3)至(4)得到整个样本空间距离矩阵Dist。

步骤b：基于路径聚合的图聚类算法，对风力发电机分群；

本实施例采用扰动期间实测风力发电机组有功功率作为聚类分群的特征变量，具体包括以下步骤：

(1)确定K邻近个数，根据样本空间距离矩阵Dist构建K邻近图结构，并计算边的权重矩阵W＝w_ij：

$w_{ij}=\left\{\begin{array}{c}\exp \left(-\frac{d{(i,j)}^2}{{\mathrm{\σ}}^2}\right),p_j\∈N_i^K\\ 0\end{array}\right.$

${\mathrm{\σ}}^2=\frac{\underset{i=1}{\overset{n}{\Σ}}\underset{p_j\∈N_i^3}{\Σ}d{(i,j)}^2}{3n}$

其中为P_i的K临近样本。

(2)建立随机游走模型，计算转移概率矩阵P：

P＝D^-1W

其中 $d_{ii}={\mathrm{\Σ}}_{j=1}^n{w}_{ij};$

(3)运用最邻近算法确定初始聚类，得到n_c个初始聚类C_c＝{C₁,...,C_nc}；

(4)设定最终聚类数n_T，重复以下过程直到搜索满足的C_a,C_b两类并合并，其中判别函数的计算方法如下：

$\left\{\begin{array}{c}{A}_{C_a,C_b}=(S_{C_a|C_a\∪C_b}-S_{C_a})+(S_{C_b|C_a\∪C_b}-S_{C_b})\\ S_{C_a|C_a\∪C_b}=\frac{1}{|C_a{|}^2}{1}_{C_a}^T{(I-{\mathrm{zP}}_{C_a\∪C_b})}^{-1}{1}_{C_a}\\ S_{C_a}=\frac{1}{|C_a{|}^2}{1}_{C_a}^T{(I-{\mathrm{zP}}_{C_a})}^{-1}{1}_{C_a}\end{array}\right.$

式中z取0.01。

本发明利用一段时间内的实测曲线，基于状态空间重构度量风力发电机之间相似性，可以综合考虑了风电的非线性特性及风速等因素，利用基于路径聚合的图聚类算法，基于状态空间重构度量风力发电机之间相似性，可以综合考虑了风电的非线性特性及风速等因素，分群后的等值模型能够准确的反映风电场并网点的动态特性。

上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下做出各种变化。

Claims (3)

1.一种基于运行数据的风电场动态分群等值方法，其特征在于，包括以下步骤：

步骤（a）：运用风电场实测的运行数据，应用基于延时相空间的几何模板匹配方法计算风力发电机的样本距离矩阵；

步骤（b）：依照样本距离矩阵，基于路径聚合的图聚类算法对风电场进行机群划分。

2.根据权利要求1所述的基于运行数据的风电场动态分群等值方法，其特征在于，所述步骤（a）包括以下具体步骤：

（a1）运行数据选取风电场在扰动期间给定时间段内的各风力发电机的实测有功功率曲线，作为延时相空间的实测数据矩阵；

（a2）针对任意两样本，确定各自的重构维数及延迟参数后进行相空间重构，对重构后的相空间进行几何模板匹配得到样本相似度；

（a3）定义样本距离函数，用两样本间的距离表征样本之间的相似度，形成风力发电机的样本距离矩阵。

3.根据权利要求1所述的基于运行数据的风电场动态分群等值方法，其特征在于，所述步骤（b）包括以下具体步骤：

（b1）搭建双馈风电场等值模型，给定风机功率控制器和电流控制器参数，机组参数按照风机容量的变化作等比例增加，风轮半径保持不变；

（b2）定义目标函数为风机模型仿真曲线和参考曲线的均方根，作为粒子的适应度函数；

（b3）选择待辨识参数电子电阻、定子漏抗、归算后的转子电阻、转子电抗，设定粒子数大小，初始化粒子群体位置和速度，设定粒子群位置和速度的限制、全局和局部最优权重系数、收敛条件；

（b4）计算粒子的适应度，更新个体最优值及全局最优值；

（b5）更新粒子飞行速度和位置；

（b6）计算判断当前是否需要变异；

（b7）重复步骤（b4）至步骤（b6），直到适应度满足收敛精度要求或达到迭代次数，取全局最优的粒子参数作为等值风力发电机的各项参数。