CN105468867A - 一种基于clarans聚类的风电场机组聚合方法 - Google Patents
一种基于clarans聚类的风电场机组聚合方法 Download PDFInfo
- Publication number
- CN105468867A CN105468867A CN201510967004.1A CN201510967004A CN105468867A CN 105468867 A CN105468867 A CN 105468867A CN 201510967004 A CN201510967004 A CN 201510967004A CN 105468867 A CN105468867 A CN 105468867A
- Authority
- CN
- China
- Prior art keywords
- unit
- center
- bunch
- cost
- wind power
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000006116 polymerization reaction Methods 0.000 claims description 15
- 238000005192 partition Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000010354 integration Effects 0.000 description 6
- 238000005094 computer simulation Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- DHMQDGOQFOQNFH-UHFFFAOYSA-N Glycine Chemical compound NCC(O)=O DHMQDGOQFOQNFH-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
常用的风电场等值建模方式为单机等值建模。将风电场中的多台风电机组等效成一台,多台单机的机械功率之和即是风电场的总机械输入功率。考虑到大型风电场占地面积较大,风电机组数量众多,不同风电机组所处环境的风速、地形、气温等因素差异较大,简单地采用单机等值建模方式会造成较大误差,存在一定的不合理性。本发明的目的是针对大型风电场建模,提出一种新的风电场聚合划分方法。选择多机等值的方式,采用基于数值分类学的聚类分析算法,客观地进行大型风电场风电机组的分类聚合。较常见风电机组划分方法,具有客观,稳定,可行性高的特点。
Description
技术领域
本发明属于电力系统仿真建模领域,特别是涉及一种基于CLARANS聚类的风电场机组聚合方法。
技术背景
在对大型风电场动态仿真研究过程中,风电场建模是必不可少的部分。风电场建模的思路主要分为两个方向,一是将风电场视为数十到上百台风电机组组成的整体,并对多台发电机、多台升压变压器和大量连接线路进行详细建模。风电机组的详细建模本身已经十分复杂,数十到上百台机组同时动态建模,会增加电力系统阶数,增加潮流计算时间,大大增加时域仿真的时间。二是将风电场等值视为一台或多台风电机组组成的整体,进行等值简化之后的风电场建模的系统阶数与计算复杂度都会大大下降,大大减小了仿真难度。
常用的等值建模方式为单机等值建模。将风电场中的多台风电机组等效成一台,多台单机的机械功率之和即是风电场的总机械输入功率。考虑到大型风电场占地面积较大,风电机组数量众多,不同风电机组所处环境的风速、地形、气温等因素差异较大,简单地采用单机等值建模方式会造成较大误差,存在一定的不合理性。
多机等值建模是较为合理的一种风电场等值建模办法。多机等值法指的是利用某些分类的原则,对风电场中的风机进行分类划分,各组分别等值成一台等值风机的建模方式。多机等值法的分类思想来源于传统的电力系统建模理论中的同调等值法。在同调等值法中,机组根据动态过程中发电机功角不同进行划分。风电机组不存在功角,因此风电机组可以根据合理的分类指标进行划分与聚类。
目前多机等值建模中有很多划分思路,可以根据排列位置、风速、尾流效应等指标进行分类划分,这些划分方式都是基于相同或者相近的运行点的分类原则。即是将排列位置、风速等作为反映风电机组运行点的变量。这些变量都可归于风电机组环境因素指标,对于风电机组运行存在直接或间接的影响关系。
然而,风电场建模主要研究目标为风电场出力,弱化环境指标对于出力的影响,可以简化建模算法与计算量。同时,基于环境因素进行风电机组划分的方式,多采用人为经验或专业知识的方式进行分类,而不是根据数据本身进行定量分类。考虑到大型风电场有数十或上百台风机,数据量极大,并且对分类的要求较高,仍然采用人为分类的划分模式不够科学。采用基于数值分类学的聚类分析算法,可以客观地进行大型风电场风电机组的分类聚合,并且适用面较广,结果直观。同时,尚未发现使用CLARANS聚类算法的风电机组聚合方法的相关记载。
发明内容
本发明的目的是针对大型风电场建模,提出一种新的风电场聚合划分方法。采用基于数值分类学的聚类分析算法,客观地进行大型风电场风电机组的分类聚合。较常见风电机组划分方法,具有客观,稳定,可行性高的特点。
针对技术背景提出的风电机组聚合划分问题,实现发明目的,使用CLARANS聚类的风电场机组划分方法,用于解决风电场等值建模过程当中的大量风电场机组划分聚类的问题。具体实现方法包括。
步骤S1:给定聚合划分风电机组初始参数。包括,划分组数K,最优中心机组搜索次数NUM,最大相邻机组比较次数MAX,最小代价MIN,且MIN值为一大数。
步骤S2:若搜索总次数小于NUM,则任意选定K台风机作为初始中心风机簇center。并根据代价最低,也就是欧式距离最近的原则,将风机样本划分为K组。否则,输出所有求得最佳中心风机簇best_center。
步骤S3:随机选取center任一相邻机组簇N,并计算中心机组簇center被相邻机组簇N代替的代价,即代价差。其中中心机组簇代价值为center_cost,相邻机组簇代价值为N_cost。
步骤S4:若代价差Cag<0,则替换中心机组簇center为相邻机组簇N。若当前比较次数小于最大相邻机组比较次数MAX,则回到步骤S3。否则若当前机组的代价小于MIN,则认为当前机组为最佳中心机组。回到步骤S2。
所述步骤S1中,NUM为聚类达到局部最优的搜索次数。MAX为当前中心风机簇可以和临近机组比较的最大次数。假设n台风电机组组成的数据集样本存在2个中心风机样本簇,每个样本簇存在k个变化维度,分别为S1={TM1,TM2,…,TMk}和S2={TW1,TW2,…,TWk}。若|S1∩S2|=k-1,则认为S1与S2为相邻机组。每个中心风机样本簇都代表了一种聚类的解。MIN为一个中心风机样本簇被替代的最小代价值,且代价值指当前中心风机样本簇与待替代中心风机样本簇相异度大小。
所述步骤S3中,计算任意两个k维风电机组样本簇S1={TM1,TM2,…,TMk}和S2={TW1,TW2,…,TWk}之间的距离,采用欧式距离计算。
由上述相邻机组簇的定义可知,除对象Ta外,中心机组样本簇center与相邻机组样本簇N其余k-1个对象完全相同。因此,相邻机组簇N替换中心机组簇center总代价为用非中心机组簇对象Tg替换当前中心机组簇对象Ta的总代价。设定Cag为用Tg替换Ta所产生的总代价,Cbag为用Tg替换Ta产生的非中心机组簇对象Tb的代价。
计算中心机组与相邻机组代价的步骤为:
步骤S301:计算非中心机组簇对象Tb的代价Cbag。这时需要考虑四种情况。
1)Tb属于中心机组簇对象Ta,存在另一中心机组簇对象Tn,有)则将Tb分配给Tn,且Cbag=d(Tb,Tn)-d(Tb,Ta)。
2)Tb属于中心机组簇对象Ta,对于任意其他中心机组簇对象Tn,有d(Tb,Tn)≥d(Tb,Tg),则将Tb分配给Tg,且Cbag=d(Tb,Tg)-d(Tb,Ta)。
3)Tb属于中心机组簇对象Tn,n≠a,若d(Tb,Tn)≤d(Tb,Tg),则Tb的隶属关系不变,且Cbag=0。
4)Tb属于中心机组簇对象Tn,n≠a,若d(Tb,Tn)>d(Tb,Tg),则将Tb分配给Tg,且Cbag=d(Tb,Tn)>d(Tb,Tg)。
步骤S302:计算Tg替换Ta总代价Cag。
本发明提出的基于CLARANS聚类的风电场机组划分方法,能有效解决风电场等值建模过程当中的大量风电场机组划分聚类的问题。给定搜索划分初始参数;根据代价初定中心机组与机组划分;中心机组簇与相邻机组簇比较并合理替代;进行多次比较与多次搜索得到最佳中心机组簇和相应机组划分。发明不局限于单一变量对风电机组进行划分,可以选取风电机组多种状态和运行参数,具有较大的适用范围,也便于得到合理的等值建模聚合分类。同时,通过大量数据挖掘风电场机组群的分类信息,较以往划分方式具有客观性强、更加高效、可实施性高、成本低的优势。
附图说明
附图提供对本发明进一步的阐释,构成说明书的一部分,与实施实例一起用于解释本发明,且不构成本发明的限制。附图中:
图1为本发明基于CLARANS聚类的风电场机组聚合方法的流程图;
图2为本发明实例的风电场平面图;
图3为本发明实例的风电场机组聚类划分结果。
具体实施方式
下面针对实际风电场机组聚类划分,对实施方案进行详细说明。下述说明仅为示例性的,而非限制本发明的范围极其应用。
以直驱式风机组成的风电场为例,各台风电机组存在大量运行参数,主要有运行环境温度t、输出有功power、实时风速speed、实时电机转速M_speed、实时风向W_angle、桨距角P_angle等等,在基于统计学的风电场建模过程中,这些实际运行参数显得至关重要,也是风电机组等效划分的重要依据。
附图1为基于CLARANS聚类的风电场机组聚合方法实施流程图,结合流程图,发明实施步骤如下。
步骤S1:待研究的直驱式风机风电场由n台风电机组组成,每台风机存在p个变化维度。给定划分聚合初始参数,划分组数K,最优中心机组簇搜索次数NUM,最大相邻机组簇比较次数MAX,最小代价MIN,且MIN值为一大数。
步骤S2:判断搜索总次数i是否小于给定的最优中心机组搜索次数NUM。
步骤S201:结果为真,任意选定K台风机作为初始中心风机簇center。根据公式
计算非中心风机到中心风机的欧式距离,即为各台风机的代价。根据代价最低原则,将风机样本划分为K组。
步骤S202:结果为假,输出当前最佳中心风机簇best_center。
步骤S3:随机选取center任一相邻机组簇N,其中center与N都存在K台风机,分别为center={TM1,TM2,…,TMk}和N={TW1,TW2,…,TWk},并且只有一个台风机不同,即为|center∩N|=K-1。
步骤S4:计算中心机组簇center被相邻机组簇N代替的代价。其中,中心机组簇代价值为center_cost,相邻机组簇代价值为N_cost。
步骤S401:计算非中心机组簇对象Tb的代价Cbag。这时需要考虑四种情况。
1)Tb属于中心机组簇对象Ta,存在另一中心机组簇对象Tn,有则将Tb分配给Tn,且Cbag=d(Tb,Tn)-d(Tb,Ta)。
2)Tb属于中心机组簇对象Ta,对于任意其他中心机组簇对象Tn,有d(Tb,Tn)≥d(Tb,Tg),则将Tb分配给Tg,且Cbag=d(Tb,Tg)-d(Tb,Ta)。
3)Tb属于中心机组簇对象Tn,n≠a,若d(Tb,Tn)≤d(Tb,Tg),则Tb的隶属关系不变,且Cbag=0。
4)Tb属于中心机组簇对象Tn,n≠a,若d(Tb,Tn)>d(Tb,Tg),则将Tb分配给Tg,且Cbag=d(Tb,Tn)>d(Tb,Tg)。
步骤S402:计算Tg替换Ta总代价Cag,即为center_cost与N_cost代价差,计算公式如下:
步骤S5:判断代价差Cag
步骤S501:若Cag<0,则替换中心机组center为相邻机组N。
步骤S502:若Cag≥0,判断相邻机组簇比较次数j。
(1)若j<MAX,则跳转执行步骤S3,进行新一次的相邻机组簇比较。
(2)若j≥MAX,则判断当前中心机组簇center_cost是否小于最小代价MIN。若成立,则当前中心机组簇即为最佳中心机组簇best_center。
步骤S6:跳转步骤S2,进行新一次的最优中心机组簇搜索。
下面,通过实例说明发明所提出的基于CLARANS聚类的风电场机组聚合方法。选取甘肃省玉门市昌马风电场的20台风电机组。风电机组地区分布如图2所示。
2013年1月1日到2013年6月1日半年的有功功率输出数据进行机组聚类划分。图2为风电场具体风机位置情况。按照得到的机组聚类划分结果如下表。
最终得到风电机组聚类划分如图3所示:
以上所述,仅为本发明的一个具体实施方式,但本发明保护范围并不局限于此。对于熟悉本技术领域的技术人员,依然可以对前述实例技术方案进行修改与替换,或对部分技术特征进行等同替换。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,均应包含在本发明的保护范围内。
Claims (3)
1.一种基于CLARANS聚类的风电场机组聚合方法,其特征在于,使用CLARANS聚类的风电场机组划分方法,用于有效解决风电场等值建模过程当中的大量风电场机组划分聚类的问题。
2.根据权利要求1所述的一种基于CLARANS聚类的风电场机组聚合方法,其特征在于,实施步骤为:
步骤S1:给定聚合划分风电机组初始参数。包括,划分组数K,最优中心机组搜索次数NUM,最大相邻机组比较次数MAX,最小代价MIN,且MIN值为一大数。
步骤S2:若搜索总次数小于NUM,则任意选定K台风机作为初始中心风机簇center。并根据代价最低,也就是欧式距离最近的原则,将风机样本划分为K组。否则,输出所有求得最佳中心风机簇best_center。
步骤S3:随机选取center任一相邻机组簇N,并计算中心机组簇center被相邻机组簇N代替的代价,即代价差。其中中心机组簇代价值为center_cost,相邻机组簇代价值为N_cost。
步骤S4:若代价差<0,则替换中心机组簇center为相邻机组簇N。若当前比较次数小于最大相邻机组比较次数MAX,则回到步骤S3。否则若当前机组的代价小于MIN,则认为当前机组为最佳中心机组。回到步骤S2。
3.根据权利要求1所述的一种基于CLARANS聚类的风电场机组聚合方法,其特征在于,计算中心机组与相邻机组代价的步骤为:
步骤S301:计算非中心机组簇对象Tb的代价Cbag。这时需要考虑四种情况。
1)Tb属于中心机组簇对象Ta,存在另一中心机组簇对象Tn,有则将Tb分配给Tn,且Cbag=d(Tb,Tn)-d(Tb,Ta)。
2)Tb属于中心机组簇对象Ta,对于任意其他中心机组簇对象Tn,有d(Tb,Tn)≥d(Tb,Tg),则将Tb分配给Tg,且Cbag=d(Tb,Tg)-d(Tb,Ta)。
3)Tb属于中心机组簇对象Tn,n≠a,若d(Tb,Tn)≤d(Tb,Tg),则Tb的隶属关系不变,且Cbag=0。
4)Tb属于中心机组簇对象Tn,n≠a,若d(Tb,Tn)>d(Tb,Tg),则将Tb分配给Tg,且Cbag=d(Tb,Tn)>d(Tb,Tg)。
步骤S302:计算Tg替换Ta总代价Cag。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510967004.1A CN105468867A (zh) | 2015-12-21 | 2015-12-21 | 一种基于clarans聚类的风电场机组聚合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510967004.1A CN105468867A (zh) | 2015-12-21 | 2015-12-21 | 一种基于clarans聚类的风电场机组聚合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105468867A true CN105468867A (zh) | 2016-04-06 |
Family
ID=55606562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510967004.1A Pending CN105468867A (zh) | 2015-12-21 | 2015-12-21 | 一种基于clarans聚类的风电场机组聚合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105468867A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844422A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种基于三支增量聚类的风电场机组聚合方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870923A (zh) * | 2014-03-03 | 2014-06-18 | 华北电力大学 | 基于信息熵的凝聚型层次聚类算法的风电场机群聚合方法 |
CN103942736A (zh) * | 2014-05-08 | 2014-07-23 | 华北电力大学 | 一种风电场多机等值建模方法 |
-
2015
- 2015-12-21 CN CN201510967004.1A patent/CN105468867A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870923A (zh) * | 2014-03-03 | 2014-06-18 | 华北电力大学 | 基于信息熵的凝聚型层次聚类算法的风电场机群聚合方法 |
CN103942736A (zh) * | 2014-05-08 | 2014-07-23 | 华北电力大学 | 一种风电场多机等值建模方法 |
Non-Patent Citations (1)
Title |
---|
何童: "不确定性目标的CLARANS聚类算法", 《计算机工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844422A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种基于三支增量聚类的风电场机组聚合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Şişbot et al. | Optimal positioning of wind turbines on Gökçeada using multi‐objective genetic algorithm | |
Yuan et al. | Unit commitment problem using enhanced particle swarm optimization algorithm | |
Wang et al. | Optimization of wind farm layout with complex land divisions | |
CN105184683A (zh) | 一种基于风电场运行数据的概率聚类分群方法 | |
CN103942736B (zh) | 一种风电场多机等值建模方法 | |
Khatib et al. | Optimal sizing of hybrid pv/wind systems for Malaysia using loss of load probability | |
CN109933666A (zh) | 一种好友自动分类方法、装置、计算机设备和存储介质 | |
CN103219725A (zh) | 一种基于实时运行数据的风电场等值建模方法 | |
CN104318317A (zh) | 一种基于分布式综合供能系统的黑启动方案优化方法 | |
Khanjarpanah et al. | Sustainable wind plant location optimization using fuzzy cross-efficiency data envelopment analysis | |
CN104218571B (zh) | 一种风力发电设备的运行状态评估方法 | |
CN102738792B (zh) | 一种风电功率预测方法 | |
CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测系统及方法 | |
CN109284939A (zh) | 综合能源系统的热电联合随机生产模拟方法、装置及设备 | |
Malakouti | Improving the prediction of wind speed and power production of SCADA system with ensemble method and 10-fold cross-validation | |
Yang et al. | Ultra-short-term multi-step wind power prediction based on fractal scaling factor transformation | |
Liu et al. | Evaluation on regional science and technology resources allocation in China based on the zero sum gains data envelopment analysis | |
CN105468867A (zh) | 一种基于clarans聚类的风电场机组聚合方法 | |
Chalikosa et al. | Performance analysis of wake models on the energy production of large offshore wind farms | |
Tegou et al. | A multi-criteria framework for an isolated electricity system design with renewable energy sources in the context of distributed generation: The case study of Lesvos Island, Greece | |
Semero et al. | A GA-PSO hybrid algorithm based neural network modeling technique for short-term wind power forecasting | |
Richarz et al. | Graph-based research field analysis by the use of natural language processing: An overview of German energy research | |
Wang et al. | Research on capacity allocation optimization of commercial virtual power plant (CVPP) | |
Goudarzi et al. | Modelling of wind turbine power curves (WTPCs) based on the sum of the sine functions and improved version of particle swarm optimization (IPSO) | |
Patel et al. | Maximizing energy output of a wind farm using teaching–learning-based optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160406 |
|
RJ01 | Rejection of invention patent application after publication |