CN109409575A - 基于Gap Statistic的风电场机群划分方法 - Google Patents
基于Gap Statistic的风电场机群划分方法 Download PDFInfo
- Publication number
- CN109409575A CN109409575A CN201811131665.0A CN201811131665A CN109409575A CN 109409575 A CN109409575 A CN 109409575A CN 201811131665 A CN201811131665 A CN 201811131665A CN 109409575 A CN109409575 A CN 109409575A
- Authority
- CN
- China
- Prior art keywords
- cluster
- power plant
- wind power
- wind
- sample
- 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 62
- 230000005611 electricity Effects 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000013480 data collection Methods 0.000 claims description 8
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000003064 k means clustering Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了涉及风力发电领域的一种基于Gap Statistic的风电场机群划分方法。该方法根据风电场内所有风电机组的在一段时间内有功功率数据,作为风电机群的分群指标,通过K‑means聚类算法实现对风电场机群进行不同聚类数目的划分,应用Gap Statistic算法首先确定聚类问题所判定类的最优数目,确定最优聚类结果。本方法考虑了常规风电场等值所忽略的最优聚类数,提高了聚类效果。
Description
技术领域
本发明属于风力发电领域,具体涉及一种基于Gap Statistic的风电场机群划分方法。
背景技术
风力发电是目前世界可再生能源开发技术中,最成熟、最具大规模开发和商业化前景的能源利用方式,加快风电开发利用对于实现世界能源的可持续发展具有重要的战略意义。但是与常规能源不同,风电具有“间歇性”和“随机性”的特点,风电场输出功率的波动性将会对电力系统的安全、稳定和经济运行带来诸多不利的影响。研究如何建立简单,有效的风电场模型是解决风电接入系统及并网运行的技术问题的基础。
工程应用中,通常将风电场等值为一台风力发电机组,然而,对于大型的风电场,由于地形地貌以及尾流效应和时滞的影响,使用单台机等值方法通常会存在较大误差。有研究采用不同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,但是没有研究对风电场聚类过程中的最佳聚类数进行计算,从而不能达到最优的聚类效果。
发明内容
本发明要解决的技术问题是:提供针一种基于Gap Statistic的风电场机群划分方法,以解决目前没有研究对风电场聚类过程中的最佳聚类数进行计算,从而不能达到最优的聚类效果问题。
本发明技术方案:
一种基于Gap Statistic的风电场机群划分方法,它包括:
步骤1、采集某一段时刻内,风电场内所有风力机输出的有功功率作为风力机的状态变量,作为需要聚类的数据集保存;
步骤2、利用K-means方法对状态变量数据集进行聚类,将整个风电场内的风电机群划分1,...,kmax类;
步骤3:利用Gap Statistic算法对不同聚类结果进行处理,确定风电场聚类问题所判定类的最优数目为Ks;
步骤4:选取步骤2中聚类数目为Ks的聚类结果为最优聚类结果。
步骤1所述采集某一段时刻内,风电场内所有风力机输出的有功功率作为风力机的状态变量,作为需要聚类的数据集保存的方法为:采集的风电场内所有风力机在某一时段内输出的有功功率作为状态变量,有功功率在该段时间的采样点为m个,建立有功功率矩阵P为
式中:xi,j表示第i台风电机组在第j个时刻测得的风速,P中样本数量为n,维数为m。
步骤2所述利用K-means方法对状态变量数据集进行聚类,将整个风电场内的风电机群划分1,...,kmax类的方法包括:
2A)、将所有样本组分为依次分为1,…,kmax个簇,kmax为所设定的最大聚类数目;任意选择k个样本作为k个簇Ca的初始聚类中心,样本点中心形式为
xa=(xa,1,xa,2,…,xa,m) (2)
式中,a=1,2,…,k;Ca为第a个簇样本集合;
2B)、计算任意一个样本点xi到k个聚类中心的欧式距离为
将样本点xi划分到使欧式距离d最小的簇Ca,遍历所有样本组,完成第一次划分;
2C)、计算每个簇中的样本均值,并计算标准测度函数分别为
式中,为第a个簇的样本均值;Na为第a个簇的样本总数;E为标准测度函数;
2D)、以每个簇的样本均值为新的初始聚类中心,重复步骤2B)—步骤2D),直到标准测度函数收敛;得到聚类数为k时最终的聚类结果。
步骤3所述利用Gap Statistic算法对不同聚类结果进行处理,确定风电场聚类问题所判定类的最优数目的方法包括:
3A)、确定聚类的紧凑测度;用给定群集Ca中包含Na个点的点之间的群集内欧式距离的总和表示,Da越小,聚类的紧凑性越好
聚类数为k类的聚类紧凑性用标准化的簇内平方误差和Wk表示为:
该方差量Wk是确定最佳簇数的简单过程的基础;
3B);引入参考的测度值;用簇内平方误差和Wk确定最佳聚类数目;
用Gap Statistic方法,引入参考的测度值,来作为“肘点”选择的方法;参考数据集由Monte Carlo采样的方法获得,使用不同数量的簇k=1,...,kmax 对每个参考数据集进行聚类;计算对应的测度值Gap;
式中,B是采样次数;E*{logWk}为用Monte Carlo采样得到的参考数据集求得簇内平方误差和Wk的期望值,为第b次采样得到的簇内平方误差和;
3C)、修正误差,寻找最佳聚类数;为了修正Monte Carlo采样带来的误差,计算sk即标准差进行矫正
选择满足下式的最小的k作为最有的聚类个数
Gap(k)≥Gap(k+1)-sk+1 (13)。
本发明有益效果:
本发明基于风电机组实测运行数据,采用Gap Statistic方法在基于K-means 的聚类基础上,确定风电场聚类问题所判定类的最优数目,提高了风电场等值的聚类效果,并为不同聚类数对应的聚类效果的提供了理论支撑,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;解决了目前没有研究对风电场聚类过程中的最佳聚类数进行计算,从而不能达到最优的聚类效果问题。
附图说明
图1是本发明步骤框图;
图2是本发明求取最佳聚类数的算法流程图;
图3是基于实测风电场数据的测度值曲线及最优聚类数的求取结果示意图。
具体实施方式
一种基于Gap Statistic风电场机群划分方法,所述方法包括步骤:
步骤1:采集一段时刻内风电场内所有风力机输出的有功功率作为风力机的状态变量,作为需要聚类的数据集保存;采集时段一般是24小时。
步骤2:利用K-means方法对状态变量数据集进行聚类,将整个风电场内的风电机群划分1,...,kmax类;
步骤3:利用Gap Statistic算法对不同聚类结果进行处理,确定风电场聚类问题所判定类的最优数目为Ks;
步骤4:选取步骤2中聚类数目为Ks的聚类结果为最优聚类结果;
步骤1中,采集一段时刻内风电场内所有风力机输出的有功功率作为风力机的状态变量,作为需要聚类的数据集保存,其过程为:
1A).根据步骤1中采集的风电场内所有风力机在某一时段内输出的有功功率作为状态变量,有功功率再该段时间的采样点为m个,建立有功功率矩阵P 为
其中,xi,j表示第i台风电机组在第j个时刻测得的风速;P中样本数量为n,维数为m;
步骤2中,利用K-means方法对步骤1中得到状态变量数据集进行聚类,将整个风电场内的风电机群划分1,...,kmax类,其过程为:
2A).将所有样本组分为依次分为1,…,kmax个簇,kmax为所设定的最大聚类数目;以聚类数为k为例进行说明。任意选择k个样本作为k个簇Ca的初始聚类中心,样本点中心形式为
xa=(xa,1,xa,2,…,xa,m) (2)
式中,a=1,2,…,k;Ca为第a个簇样本集合。
2B).计算任意一个样本点xi到k个聚类中心的欧式距离为
将所有样本点划分到使欧式距离d最小的簇Ca,遍历所有样本组,完成第一次划分;
2C).计算每个簇中的样本均值,并计算标准测度函数分别为
式中,为第a个簇的样本均值;Na为第a个簇的样本总数;E为标准测度函数。
2D).以每个簇的样本均值为新的初始聚类中心,重复步骤2B)—步骤2C),直到标准测度函数收敛;得到聚类数为k时最终的聚类结果。
步骤3中利用Gap Statistic算法对不同聚类结果进行处理,确定风电场聚类问题所判定类的最优数目,其过程为:
3A).确定聚类的紧凑测度;可用给定群集Ca中包含Na个点的点之间的群集内欧式距离的总和表示,Da越小,聚类的紧凑性越好。
聚类数为k类的聚类紧凑性可用标准化的簇内平方误差和Wk表示为:
该方差量Wk是确定最佳簇数的简单过程的基础。
3B).引入参考的测度值;用簇内平方误差和Wk可确定最佳聚类数目;随着聚类数目增多,每一个类别中数量越来越少,距离越来越近,因此Wk值肯定是随着聚类数目增多而减少的,所以关注的是斜率的变化,当Wk减少得很缓慢时,就认为进一步增大聚类数效果也并不能增强,存在得这个“肘点”就是最佳聚类数目。
可用Gap Statistic方法,引入参考的测度值,来作为“肘点”选择的方法。参考数据集可以由Monte Carlo采样的方法获得,使用不同数量的簇k=1,..., kmax对每个参考数据集进行聚类。计算对应的测度值Gap为:
式中,B是总的采样次数;E*{logWk}为用Monte Carlo采样得到的参考数据集求得簇内平方误差和Wk的期望值,为第b次采样得到的簇内平方误差和。
3C).修正误差,寻找最佳聚类数;为了修正Monte Carlo采样带来的误差,计算sk即标准差进行矫正:
选择满足下式的最小的k作为最有的聚类个数。
Gap(k)≥Gap(k+1)-sk+1 (13)
该想法试图找到一种方法来标准化logWk与数据的空引用分布的比较,例如一种没有明显分类的分布。他们对最佳簇数K的估计是根据logWk落在该参考曲线下方最远的值。
步骤4中选取步骤2中聚类数目为Ks的聚类结果为最优聚类结果,其过程为:
聚类结果为将将风电场机群划分为Ks类,划分集群为根据机群划分结果,将风电场等值为Ks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,从而得到多机表征的风电场动态等值模型。
下面结合实例和附图对本发明作进一步说明,但不应以此限制本发明的保护范围。
先请参阅图1,图2,图1是本发明基于Gap Statistic方法风电场机群划分方法的基本步骤框图,图2是基于Gap Statistic方法求取最佳聚类数的算法流程图。
计算方法具体实现如下:
1)采集一段时刻内风电场内所有风力机输出的有功功率作为风力机的状态变量为P如式(1)所示。
2)利用K-means方法对步骤1中得到状态变量数据集进行聚类,将整个风电场内的风电机群划分1,...,kmax类。
首先任意选择k个样本作为k个簇Ca的初始聚类中心xa,如式(2)所示,由式(3)计算任意一个样本点xi到k个聚类中心的欧式距离,然后将所有样本组xi划分到使欧式距离d最小的簇Ca,遍历所有样本组,完成第一次划分。
根据式(4)和式(5)计算每个簇中的样本均值并计算标准测度函数E。
以每个簇的样本均值为新的初始聚类中心,重复上述步骤,直到标准测度函数收敛。得到聚类数为k时最终的聚类结果。其他聚类数的聚类步骤相同。
3)利用Gap Statistic算法对不同聚类结果进行处理,确定风电场聚类问题所判定类的最优数目,流程如图2所示。
首先根据式(6)确定聚类的紧凑测度Da,根据式(7)计算标准化的簇内平方误差和Wk作为确定最佳簇数的简单过程的基础。
生成参考数据集并使用不同数量的簇k=1,...,kmax对每个参考数据集进行聚类。然后根据式(8),式(9)计算估计的Gap值。
修正误差,寻找最佳聚类数。为了修正Monte Carlo采样带来的误差,计算sk即标准差进行矫正。基于式(10),由式(11)计算标准差sd(k)并由式(12) 定义sk。
选择满足式(13)的最小的k作为最有的聚类个数。
4)选取步骤2中聚类数目为Ks的聚类结果为最优聚类结果。
5)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。
选取2018年1月1日24h的实测数据进行分析,该时段内,有3台风机离网运行,将该风电机组的实测功率数据剔除。对场内30台并网运行的风电机组采用本文提出的基于GapStatistic方法风电场机群划分方法,划分结果如表1所示。
表1基于Gap Statistic方法风电场机群划分方法的分群结果
不同聚类数对应的Gap值和最优聚类数的选取结果如图3所示。
Claims (4)
1.一种基于Gap Statistic的风电场机群划分方法,它包括:
步骤1、采集某一段时刻内,风电场内所有风力机输出的有功功率作为风力机的状态变量,作为需要聚类的数据集保存;
步骤2、利用K-means方法对状态变量数据集进行聚类,将整个风电场内的风电机群划分1,...,kmax类;
步骤3:利用Gap Statistic算法对不同聚类结果进行处理,确定风电场聚类问题所判定类的最优数目为Ks;
步骤4:选取步骤2中聚类数目为Ks的聚类结果为最优聚类结果。
2.根据权利要求1所述的一种基于Gap Statistic的风电场机群划分方法,其特征在于:步骤1所述采集某一段时刻内,风电场内所有风力机输出的有功功率作为风力机的状态变量,作为需要聚类的数据集保存的方法为:采集的风电场内所有风力机在某一时段内输出的有功功率作为状态变量,有功功率在该段时间的采样点为m个,建立有功功率矩阵P为
式中:xi,j表示第i台风电机组在第j个时刻测得的风速,P中样本数量为n,维数为m。
3.根据权利要求1所述的一种基于Gap Statistic的风电场机群划分方法,其特征在于:步骤2所述利用K-means方法对状态变量数据集进行聚类,将整个风电场内的风电机群划分1,...,kmax类的方法包括:
2A)、将所有样本组分为依次分为1,…,kmax个簇,kmax为所设定的最大聚类数目;任意选择k个样本作为k个簇Ca的初始聚类中心,样本点中心形式为
xa=(xa,1,xa,2,…,xa,m) (2)
式中,a=1,2,…,k;Ca为第a个簇样本集合;
2B)、计算任意一个样本点xi到k个聚类中心的欧式距离为
将样本点xi划分到使欧式距离d最小的簇Ca,遍历所有样本组,完成第一次划分;
2C)、计算每个簇中的样本均值,并计算标准测度函数分别为
式中,为第a个簇的样本均值;Na为第a个簇的样本总数;E为标准测度函数;
2D)、以每个簇的样本均值为新的初始聚类中心,重复步骤2B)—步骤2D),直到标准测度函数收敛;得到聚类数为k时最终的聚类结果。
4.根据权利要求1所述的一种基于Gap Statistic的风电场机群划分方法,其特征在于:步骤3所述利用Gap Statistic算法对不同聚类结果进行处理,确定风电场聚类问题所判定类的最优数目的方法包括:
3A)、确定聚类的紧凑测度;用给定群集Ca中包含Na个点的点之间的群集内欧式距离的总和表示,Da越小,聚类的紧凑性越好
聚类数为k类的聚类紧凑性用标准化的簇内平方误差和Wk表示为:
该方差量Wk是确定最佳簇数的简单过程的基础;
3B);引入参考的测度值;用簇内平方误差和Wk确定最佳聚类数目;
用Gap Statistic方法,引入参考的测度值,来作为“肘点”选择的方法;参考数据集由Monte Carlo采样的方法获得,使用不同数量的簇k=1,...,kmax对每个参考数据集进行聚类;计算对应的测度值Gap;
式中,B是采样次数;E*{logWk}为用Monte Carlo采样得到的参考数据集求得簇内平方误差和Wk的期望值,为第b次采样得到的簇内平方误差和;
3C)、修正误差,寻找最佳聚类数;为了修正Monte Carlo采样带来的误差,计算sk即标准差进行矫正
选择满足下式的最小的k作为最有的聚类个数
Gap(k)≥Gap(k+1)-sk+1 (13)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811131665.0A CN109409575A (zh) | 2018-09-27 | 2018-09-27 | 基于Gap Statistic的风电场机群划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811131665.0A CN109409575A (zh) | 2018-09-27 | 2018-09-27 | 基于Gap Statistic的风电场机群划分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109409575A true CN109409575A (zh) | 2019-03-01 |
Family
ID=65465490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811131665.0A Pending CN109409575A (zh) | 2018-09-27 | 2018-09-27 | 基于Gap Statistic的风电场机群划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409575A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704995A (zh) * | 2019-11-28 | 2020-01-17 | 电子科技大学中山学院 | 多变电站多类型风机的电缆布局方法和计算机存储介质 |
CN112581315A (zh) * | 2020-12-25 | 2021-03-30 | 东北电力大学 | 一种基于极端梯度动态密度聚类的风电场内分群方法 |
CN112884017A (zh) * | 2021-01-28 | 2021-06-01 | 平安科技(深圳)有限公司 | 一种基于数据空间的数据分析方法及计算机设备 |
CN113052256A (zh) * | 2021-04-12 | 2021-06-29 | 华北电力大学 | 一种风向聚类方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106684905A (zh) * | 2016-11-21 | 2017-05-17 | 国网四川省电力公司经济技术研究院 | 一种考虑风电预测不确定性的风电场动态等值方法 |
-
2018
- 2018-09-27 CN CN201811131665.0A patent/CN109409575A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106684905A (zh) * | 2016-11-21 | 2017-05-17 | 国网四川省电力公司经济技术研究院 | 一种考虑风电预测不确定性的风电场动态等值方法 |
Non-Patent Citations (2)
Title |
---|
CHIANG等: "Intelligent Choice of the Number of Clusters in K-Means Clustering: An Experimental Study with Different Cluster Spreads", 《JOURNAL OF CLASSIFICATION 》 * |
潘险险: "基于实测运行数据的风电场仿真模型的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704995A (zh) * | 2019-11-28 | 2020-01-17 | 电子科技大学中山学院 | 多变电站多类型风机的电缆布局方法和计算机存储介质 |
CN112581315A (zh) * | 2020-12-25 | 2021-03-30 | 东北电力大学 | 一种基于极端梯度动态密度聚类的风电场内分群方法 |
CN112884017A (zh) * | 2021-01-28 | 2021-06-01 | 平安科技(深圳)有限公司 | 一种基于数据空间的数据分析方法及计算机设备 |
CN113052256A (zh) * | 2021-04-12 | 2021-06-29 | 华北电力大学 | 一种风向聚类方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409575A (zh) | 基于Gap Statistic的风电场机群划分方法 | |
CN108306303B (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
WO2019056753A1 (zh) | 一种分布式光伏电站集群的动态等值建模方法 | |
CN106130004B (zh) | 一种综合考虑稳定特性的并网点新能源接纳能力的评估方法 | |
CN106684905B (zh) | 一种考虑风电预测不确定性的风电场动态等值方法 | |
CN103887815A (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
CN109193649A (zh) | 基于深度信念网络的分布式光伏集群动态等值建模方法 | |
CN107528350B (zh) | 一种适应中长期电源规划的风电出力典型场景生成方法 | |
CN105281362A (zh) | 电力系统消纳风电能力的评估方法 | |
CN105825002B (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 | |
Ali et al. | Probabilistic clustering of wind generators | |
CN102165187A (zh) | 用于估计和控制风轮机效率的系统 | |
CN104763585A (zh) | 基于分布式数据收集的风电机组动态重构方法 | |
CN104638654B (zh) | 兼顾风电场和网络节点电压调节的statcom控制方法 | |
Liu et al. | Optimal short-term load dispatch strategy in wind farm | |
CN110492470A (zh) | 基于负荷聚类与网络等值的配电网多维典型场景生成方法 | |
CN108460228B (zh) | 一种基于多目标优化算法进行风电场等值的方法 | |
CN109802440B (zh) | 基于尾流效应因子的海上风电场等值方法、系统和装置 | |
CN113131515A (zh) | 智能微电网ai故障检测及网络优化重构系统及方法 | |
CN108054753A (zh) | 一种计及低压穿越特性的直驱风电场机群划分方法 | |
CN110571794B (zh) | 一种适用于双馈风机风电场的暂态模型等值计算方法 | |
Wang et al. | Wind power curtailment evaluation based on EOF and hierarchical clustering method | |
Lin et al. | Clustering wind turbines for a large wind farm using spectral clustering approach based on diffusion mapping theory | |
Fang et al. | Dynamic equivalence of wind farm considering operational condition of wind turbines | |
CN109816184B (zh) | 大型风电场拓扑规划方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |