CN109670213B - 一种风电场多机等值建模方法及装置 - Google Patents
一种风电场多机等值建模方法及装置 Download PDFInfo
- Publication number
- CN109670213B CN109670213B CN201811440764.7A CN201811440764A CN109670213B CN 109670213 B CN109670213 B CN 109670213B CN 201811440764 A CN201811440764 A CN 201811440764A CN 109670213 B CN109670213 B CN 109670213B
- Authority
- CN
- China
- Prior art keywords
- clustering
- equivalent
- power plant
- wind
- 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.)
- Active
Links
Images
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
-
- 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
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电场多机等值建模方法,包括:选取某风电场中风电机组运行时的有功功率、无功功率、机端电压、输出电流、风速五种状态变量作为聚类算法的聚类因素;将上述状态变量作为神经网络SOM聚类算法的输入变量矩阵;根据SOM神经网络聚类算法自动聚类的特点得到风电场分群数目K;将K值作为C均值聚类的初始输入进行快速聚类,得到风电场多机等值模型;对风电场多机等值模型进行参数聚合;以聚类结果为准建立新的等值风电场进行仿真模拟;本发明结合神经网络SOM的自动聚类的特性和C均值聚类的快速聚类的特质,对风电场进行快速有效的聚类。
Description
技术领域
本发明涉及电力系统仿真建模技术领域,尤其涉及一种风电场多机等值建模方法。
背景技术
由于能源和环境问题的日益严峻,风能以其技术和成本方面的优势在电力系统中得到了广泛应用。然而,随着风能并网规模的快速增加,电力系统的运行灵活性和安全稳定性受到了一定影响和冲击,因此对风电大规模接入电力系统进行分析计算的要求越来越高。一个风电场往往有几十台甚至上百台风电机组,如果对每台风电机组都单独建模,则会大大增加电力系统仿真模型的复杂度和仿真计算时间,甚至面临“维数灾”问题。因此,加强风电场等值建模工作的研究十分必要。
在风电场等值建模研究中,一般分为单机等值法与多机等值法,单机等值法一般采用容量加权法,该方法以一台风电机组来等效风电场所有的机组,此方法易于实现,在研究含风电场问题时较为常用。实际中,受地形、尾流效应等因素的影响,风电机组风速各不相同。当风电机组运行状态相差很远时,单机等值模型无法准确反映实际风电场的运行状态;多机等值法是将整个风电场用数量较少的几台机组来等效,首先选取表征机组运行状态的分群指标,再对所有机组进行聚类分群,将同群的机组等值为一台机组,从而整个风电场等值为数量较少的多机模型。但对聚类指标、分群算法的不同、数据的准确性有很大要求。
例如:CN107272643A-新能源场站实用化单机等值方法,该申请技术将新能源场站内所有新能源机组等值为一台机组,以故障前后有功功率响应曲线为指标进行聚类。而对于风电场数目不断扩大,风电机组风速各不相同,风电机组运行状态也相差很远,拟合精度通常难以满足要求。本发明基于SOM神经网络C均值聚类算法的风电场多机等值建模方法。采取风电机组五种运行状态变量,对风电场进行多机等值建模,很好的拟合了风电场的有功功率、无功功率等运行状态。
CN105956318A-基于改进分裂H-K聚类方法的风电场机群划分方法,该申请技术采用基于改进分裂-聚类方法的风电场机群划分方法,运用轮廓系数并加以合适的准则解决机群划分数目问题,利用本发明提出的聚类方法完成风电场聚类,最终建立等值模型。但由于对于聚类数目需要不断设置不同的聚类数目K值来计算轮廓系数。当风机数量较大时,这种方法比较耗时且不易观察。本发明综合神经网络SOM的自动聚类的特性和C均值聚类的快速聚类的特质,对风电场进行快速有效的聚类。
发明内容
针对现有技术的不足,本发明所要解决的技术问题是针对现有技术的上述缺陷,提供一种风电场多机等值建模方法及装置,结合神经网络SOM的自动聚类的特性和C均值聚类的快速聚类的特质,对风电场进行快速有效的聚类,解决风电场多机等值问题中的分群数目与聚类速度的难题。
为实现上述目的,本发明采用的技术方案,具体如下:
一种风电场多机等值建模方法,包括以下步骤:
1)选取风电场中风电机组运行时的状态变量;
2)将状态变量作为神经网络SOM聚类算法的初始输入变量矩阵,得到聚类数目K;
3)将聚类数目K值作为C均值聚类算法的输入,对运行状态变量进行聚类,得到风电场多机等值模型;
4)对风电场多机等值模型进行参数聚合,参数聚合包括发电机参数聚合以及输电线路参数的聚合;
5)基于参数聚合的结果建立新的风电场模型进行仿真模拟。
状态变量包括有功功率、无功功率、机端电压、输出电流和风速。
神经网络SOM聚类算法为无监督的学习模式,包括输入层和输出层;
输入层对应运行状态变量矩阵,输出层通过若干在二维网格上的有序节点表示,输入层和输出层通过权重向量连接,并根据数据间的相似性将数据分成不同的类别,从而达到有效聚类的目的。
步骤2)具体包括以下步骤:
(201),对输出层的节点权重Wj赋初值;
(202),从初始输入变量矩阵(样本数据)中随机选取输入向量Xi,求Wj中与Xi距离最小的连接权重向量Wji:
Wji=min||Xi-Wj|| (1)
其中,Wj为节点j的权重,Xi为第i个输入向量,式子中||()||为距离函数,对于连续数值属性的数据集,定义为欧式距离;
(203),定义g为获胜单元,Ng(t)为获胜单元的邻近区域,对于邻近区域内的单元,根据式(2)调整权重:
Wj(t+1)=Wj(t)+∝(t)hgj(t)(Xi(t)-Wj(t)) (2)
式中:Wj(t)为t时刻的节点j的权重,Xi(t)为t时刻第i个输入向量;∝(t)为t时刻的学习效率,hgj(t)为t时刻的邻域半径;
(204),收缩邻域半径hgj(t),减小学习效率∝(t),循环步骤(202)~步骤(203),当网络权值Wji稳定时视为收敛,输出聚类数目K。
C均值聚类算法具有算法简单、速度快以及能够有效处理大型数据库的优点,但是他的聚类数目K需要人为给定,对于随机的初始值选取可能会导致不同的聚类结果,甚至存在着无解的情况。
步骤3)具体包括以下步骤:
(301),输入聚类数目K;
(302),随机从初始输入变量矩阵中选取K个数据,将K个数据作为初始聚类中心;
(303),根据距离函数计算所有初始输入变量矩阵与初始聚类中心之间的距离进行聚类,形成簇;
(304),计算所形成簇的聚类中心;
(305),若簇的聚类中心与初始聚类中心相比聚类误差在限定范围内,转至步骤(306),否则转步骤(303);
(306),计算聚类点S(i),若S(i)不稳定,重新选取初始聚类点进行聚类,直至S(i)稳定不变,若所有的初始聚类点均不稳定,重新输入K值,进行聚类;
式(3)中:a是第i个输入向量与其同簇的其它样本之间的平均距离,b是第i个输入向量与其不同簇之间的距离,S(i)为第i个聚类点,n为聚类点个数。
步骤4)具体包括以下步骤:
(401),发电机参数聚合:
式中wm为第m台发电机组容量加权系数,Sm、Pm分别为第m台发电机组的额定容量、输出有功功率;Seq、Peq分别为等值发电机的额定容量和有功功率;Xm为第m台发电机的参数(定子电感、定子电阻、转子电感、转子电阻、激磁电感),Xeq为等值发电机组的对应的参数;vm为第m台风机接受的风速,Veq为等值发电机的风速,n为发电机组个数(与聚类点个数相同);
(402),集电线路的聚合:
按照线路等功率损耗进行线路聚合,采用放射式集电系统等值阻抗Zeq为:
式(8)中,Zi为第i台风电机组集电线路阻抗;pi为第i台风电机组的输出有功功率;Zeq为等值机组集电阻抗。
一种风电场多机等值建模装置,包括数据采集单元、聚类数目计算单元、神经网络SOM聚类单元、等值模型参数聚合单元和风电场模型模拟单元;
数据采集单元采集选取风电场中风电机组运行时的状态变量,状态变量包括有功功率、无功功率、机端电压、输出电流和风速;
聚类数目计算单元将状态变量,将状态变量作为神经网络SOM聚类算法的初始输入变量矩阵,得到聚类数目K;
神经网络SOM聚类单元将聚类数目K值作为C均值聚类算法的输入,对运行状态变量进行聚类,得到风电场多机等值模型;
等值模型参数聚合单元对风电场多机等值模型进行参数聚合,参数聚合包括发电机参数聚合以及输电线路参数的聚合;
风电场模型模拟单元基于参数聚合的结果建立新的风电场模型进行仿真模拟。
聚类数目计算单元执行过程具体包括以下步骤:
(201),对输出层的节点权重Wj赋初值;
(202),从初始输入变量矩阵(样本数据)中随机选取输入向量Xi,求Wj中与Xi距离最小的连接权重向量Wji:
Wji=min||Xi-Wj|| (1)
其中,Wj为节点j的权重,Xi为第i个输入向量,式子中||()||为距离函数,对于连续数值属性的数据集,定义为欧式距离;
(203),定义g为获胜单元,Ng(t)为获胜单元的邻近区域,对于邻近区域内的单元,根据式(2)调整权重:
Wj(t+1)=Wj(t)+∝(t)hgj(t)(Xi(t)-Wj(t)) (2)
式中:Wj(t)为t时刻的节点j的权重,Xi(t)为t时刻第i个输入向量;∝(t)为t时刻的学习效率,hgj(t)为t时刻的邻域半径;
(204),收缩邻域半径hgj(t),减小学习效率∝(t),循环步骤(202)~步骤(203),当网络权值Wji稳定时视为收敛,输出聚类数目K;
神经网络SOM聚类单元执行过程具体包括以下步骤:
(301),输入神经网络SOM聚类输出的聚类数目K;
(302),随机从初始输入变量矩阵中选取K个数据,将K个数据作为初始聚类中心;
(303),根据距离函数计算所有初始输入变量矩阵与初始聚类中心之间的距离进行聚类,形成簇;
(304),计算所形成簇的聚类中心;
(305),若簇的聚类中心与初始聚类中心相比聚类误差在限定范围内,转至步骤(306),否则转步骤(303);
(306),计算聚类点S(i),若S(i)不稳定,重新选取初始聚类点进行聚类,直至S(i)稳定不变,若所有的初始聚类点均不稳定,重新输入K值,进行聚类;
式(3)中:a是第i个输入向量与其同簇的其它样本之间的平均距离,b是第i个输入向量与其不同簇之间的距离,S(i)为第i个聚类点,n为聚类点个数。
等值模型参数聚合单元对发电机参数聚合采用容量加权法进行聚合,集电线路采用等功率损耗原则聚合;
等值模型参数聚合单元执行过程包括以下步骤:
(401),发电机参数聚合:
式中wm为第m台发电机组容量加权系数,Sm、Pm分别为第m台发电机组的额定容量、输出有功功率;Seq、Peq分别为等值发电机的额定容量和有功功率;Xm为第m台发电机的参数(定子电感、定子电阻、转子电感、转子电阻、激磁电感),Xeq为等值发电机组的对应的参数;vm为第m台风机接受的风速,Veq为等值发电机的风速,n为发电机组个数(与聚类点个数相同);
(402),集电线路的聚合:
按照线路等功率损耗进行线路聚合,采用放射式集电系统等值阻抗Zeq为:
式(8)中,Zi为第i台风电机组集电线路阻抗;pi为第i台风电机组的输出有功功率;Zeq为等值机组集电阻抗。
本发明有益效果包括:
本发明公开一种风电场多机等值建模方法,不同于以往方法只是以单一性能为分类指标,本文采用了风电机组运行时的有功功率、无功功率、机端电压、输出电流、风速五种状态变量作为聚类算法的输入变量矩阵,从多个能反应风电机组实际运行状态的指标对风电场进行等值建模计算,在简化风电场模型的同时,能够反应风场实际运行状态,使得聚类结果更加合理可信,模型的精度更高。
本发明公开一种风电场多机等值建模方法,不同于以往多机等值方法在分群数目K值的选取时需要复杂的计算,本文采用了神经网络SOM聚类单元自动聚类的特质对K值进行选取,减少了繁琐的计算,尤其是在大规模风电场等值建模计算中其计算速度更为突出。
附图说明
下面结合附图和实施例对本发明进一步说明;
图1为本发明风电场多机等值建模方法的某12*5WM双馈型风电场的示意图。
图2为本发明风电场多机等值建模方法的流程图;
图3为本发明所述神经网络SOM聚类算法结果图;
图4为本发明所述C均值聚类算法结果图;
图5a为等值前后并网点有功功率曲线对比图;
图5b为等值前后并网点有功功率曲线对比放大对比图;
图5c为等值前后并网点无功功率曲线对比图;
图5d为等值前后并网点无功功率曲线对比放大对比图;
图6a为系统短路时等值前后并网点有功功率曲线对比图;
图6b为系统短路时等值前后并网点有功功率曲线对比放大对比图;
图6c为系统短路时等值前后并网点无功功率曲线对比图;
图6d为系统短路时等值前后并网点无功功率曲线对比放大对比图。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
为了使本发明的技术手段、创作特征、工作流程、使用方法达成目的与功效,且为了使该评价方法易于明白了解,下面结合具体实施例,进一步阐述本发明。
下面参照附图并结合实例对本发明作进一步描述。
本发明提供了一种基于SOM神经网络C均值聚类算法的风电场多机等值建模方法,用于风电场多机等值建模研究。
如图1所示,一种风电场多机等值建模方法,包括以下步骤:
1)选取风电场中风电机组运行时的状态变量,状态变量作为步骤2)的聚类算法的聚类因素;状态变量包括有功功率、无功功率、机端电压、输出电流和风速;
本发明选取某风电场12台5WM的双馈型风电机组,风电场具体结构如图1所示,本发明技术路线的流程图如图1所示。其中,风电机组型号、容量、结构相同,对每台风电机组进行编号,并设置不同的风速。具体风机参数与风速设置见表1所示。
表1风电机组主要参数设置
2)将所有状态变量作为神经网络SOM聚类算法的初始输入变量矩阵,得到聚类数目K;
神经网络SOM聚类算法为无监督的学习模式,包括输入层和输出层;
输入层对应一个多维的运行状态变量矩阵,输出层通过若干在二维网格上的有序节点表示,输入层和输出层通过权重向量连接,并根据数据间的相似性将数据分成不同的类别,从而达到有效聚类的目的。
步骤2)具体包括以下步骤:
(201),对输出层的节点权重Wj赋初值;
(202),从初始输入变量矩阵(样本数据)中随机选取输入向量Xi,求Wj中与Xi距离最小的连接权重向量Wji:
Wji=min||Xi-Wj|| (1)
其中,Wj为节点j的权重,Xi为第i个输入向量,式子中||()||为距离函数,对于连续数值属性的数据集,定义为欧式距离;
(203),定义g为获胜单元,Ng(t)为获胜单元的邻近区域,对于邻近区域内的单元,根据式(2)调整权重:
Wj(t+1)=Wj(t)+∝(t)hgj(t)(Xi(t)-Wj(t)) (2)
式中:Wj(t)为t时刻的节点j的权重,Xi(t)为t时刻第i个输入向量;∝(t)为t时刻的学习效率,hgj(t)为t时刻的邻域半径;
(204),收缩邻域半径hgj(t),减小学习效率∝(t),循环步骤(202)~步骤(203),当网络权值Wji稳定时视为收敛,输出聚类数目K。
本实施例,在PSCAD上搭建仿真模型,得到风电场中风电机组运行时的有功功率、无功功率、机端电压、输出电流、风速五种状态变量,取基准容量为SB=5WM,UB=35KV,VB=11.3m/s对风电机组运行状态变量进行标幺化,具体数据如表2所示。
表2风电机组运行状态变量数据
3)将聚类数目K值作为C均值聚类算法的输入,对运行状态变量进行聚类,得到风电场多机等值模型;
C均值聚类算法具有算法简单、速度快以及能够有效处理大型数据库的优点,但是他的聚类数目K需要人为给定,对于随机的初始值选取可能会导致不同的聚类结果,甚至存在着无解的情况。
步骤3)具体包括以下步骤:
(301),输入聚类数目K;
(302),随机从初始输入变量矩阵中选取K个数据,将K个数据作为初始聚类中心;
(303),根据距离函数计算所有初始输入变量矩阵与初始聚类中心之间的距离进行聚类,形成簇;
(304),计算所形成簇的聚类中心;
(305),若簇的聚类中心与初始聚类中心相比聚类误差在限定范围内,转至步骤(306),否则转步骤(303);
(306),计算聚类点S(i),若S(i)不稳定,重新选取初始聚类点进行聚类,直至S(i)稳定不变,若所有的初始聚类点均不稳定,重新输入K值,进行聚类;
式(3)中:a是第i个输入向量与其同簇的其它样本之间的平均距离,b是第i个输入向量与其不同簇之间的距离,S(i)为第i个聚类点,n为聚类点个数。
将风电场运行状态变量矩阵作为神经网络SOM聚类算法的输入,在MATLAB上编写算法程序,经过计算得到风电场聚类数K=3,聚类结果如图3所示。将所得到的K值代入C均值聚类算法,得到具体的分类指标,如图4所示,将风电场分为三类,其中编号1、2、3的聚成一类,编号4、5、6、9、10聚成一类,编号7,8,11,12聚成一类。风电机组C均值聚类算法结果如表3所示:
表3C均值聚类算法结果
4)对风电场多机等值模型进行参数聚合,参数聚合包括发电机参数聚合以及输电线路参数的聚合;
对风电场多机等值模型进行参数聚合包括发电机参数聚合以及输电线路参数的聚合,对于发电机参数采用容量加权法进行聚合,集电线路采用等功率损耗原则聚合;
步骤4)具体包括以下步骤:
(401),发电机参数聚合:
式中wm为第m台发电机组容量加权系数,Sm、Pm分别为第m台发电机组的额定容量、输出有功功率;Seq、Peq分别为等值发电机的额定容量和有功功率;Xm为第m台发电机的参数(定子电感、定子电阻、转子电感、转子电阻、激磁电感),Xeq为等值发电机组的对应的参数;vm为第m台风机接受的风速,Veq为等值发电机的风速,n为发电机组个数(与聚类点个数相同);
(402),集电线路的聚合:
按照线路等功率损耗进行线路聚合,采用放射式集电系统等值阻抗Zeq为:
式(8)中,Zi为第i台风电机组集电线路阻抗;pi为第i台风电机组的输出有功功率;Zeq为等值机组集电阻抗。
4)对三类风电机组分别采用容量加权法进行聚合,对发电机参数、集电线路参数、风速聚合的具体参数如表4所示:
表4风电场等值模型聚合参数结果
5)基于参数聚合的结果建立新的风电场模型进行仿真模拟。
以SOM神经网络C均值聚类算法为准建立新的等值风电场等值模型,在PSCAD上进行仿真,记录其220Kv侧并网点(PCC)处的有功和无功响应曲线,其数值均以基准容量为100WM,基准电压为220kv的标幺值表示,将其与未等值前风电场220Kv并网点(PCC)处的有功和无功响应曲线进行对比,验证其稳态特性,如图5a-5d所示,图5a为等值前后并网点有功功率曲线对比图;图5b为等值前后并网点有功功率曲线对比放大对比图;图5c为等值前后并网点无功功率曲线对比图;图5d为等值前后并网点无功功率曲线对比放大对比图。为了验正其动态特性,在并网点设置短路,在5s时短路,短路时间为0.2s。如图6a-6d所示,图6a为系统短路时等值前后并网点有功功率曲线对比图;图6b为系统短路时等值前后并网点有功功率曲线对比放大对比图;图6c为系统短路时等值前后并网点无功功率曲线对比图;图6d为系统短路时等值前后并网点无功功率曲线对比放大对比图。从图6a-6d中可以看出本发明具有很好的稳态和动态特性,其中下标为0的均表示风电场未等值前输出功率值,下标为1均表示风电场等值后输出功率值。
一种风电场多机等值建模装置,包括数据采集单元、聚类数目计算单元、神经网络SOM聚类单元、等值模型参数聚合单元和风电场模型模拟单元;
数据采集单元采集选取风电场中风电机组运行时的状态变量,状态变量包括有功功率、无功功率、机端电压、输出电流和风速;
聚类数目计算单元将状态变量作为聚类算法的聚类因素,将状态变量作为神经网络SOM聚类算法的初始输入变量矩阵,得到聚类数目K;
神经网络SOM聚类单元将聚类数目K值作为C均值聚类算法的输入,对运行状态变量进行聚类,得到风电场多机等值模型;
等值模型参数聚合单元对风电场多机等值模型进行参数聚合,参数聚合包括发电机参数聚合以及输电线路参数的聚合;
风电场模型模拟单元基于参数聚合的结果建立新的风电场模型进行仿真模拟。
神经网络SOM聚类单元执行过程具体包括以下步骤:
(201),对输出层的节点权重Wj赋初值;
(202),从初始输入变量矩阵(样本数据)中随机选取输入向量Xi,求Wj中与Xi距离最小的连接权重向量Wji:
Wji=min||Xi-Wj|| (1)
其中,Wj为节点j的权重,Xi为第i个输入向量,式子中||()||为距离函数,对于连续数值属性的数据集,定义为欧式距离;
(203),定义g为获胜单元,Ng(t)为获胜单元的邻近区域,对于邻近区域内的单元,根据式(2)调整权重:
Wj(t+1)=Wj(t)+∝(t)hgj(t)(Xi(t)-Wj(t)) (2)
式中:Wj(t)为t时刻的节点j的权重,Xi(t)为t时刻第i个输入向量;∝(t)为t时刻的学习效率,hgj(t)为t时刻的邻域半径;
(204),收缩邻域半径hgj(t),减小学习效率∝(t),循环步骤(202)~步骤(203),当网络权值Wji稳定时视为收敛,输出聚类数目K;
神经网络SOM聚类单元执行过程具体包括以下步骤:
(301),输入神经网络SOM聚类输出的聚类数目K;
(302),随机从初始输入变量矩阵中选取K个数据,将K个数据作为初始聚类中心;
(303),根据距离函数计算所有初始输入变量矩阵与初始聚类中心之间的距离进行聚类,形成簇;
(304),计算所形成簇的聚类中心;
(305),若簇的聚类中心与初始聚类中心相比聚类误差在限定范围内,转至步骤(306),否则转步骤(303);
(306),计算聚类点S(i),若S(i)不稳定,重新选取初始聚类点进行聚类,直至S(i)稳定不变,若所有的初始聚类点均不稳定,重新输入K值,进行聚类;
式(3)中:a是第i个输入向量与其同簇的其它样本之间的平均距离,b是第i个输入向量与其不同簇之间的距离,S(i)为第i个聚类点,n为聚类点个数。
等值模型参数聚合单元对发电机参数聚合采用容量加权法进行聚合,集电线路采用等功率损耗原则聚合。
等值模型参数聚合单元执行过程包括以下步骤:
(401),发电机参数聚合:
式中wm为第m台发电机组容量加权系数,Sm、Pm分别为第m台发电机组的额定容量、输出有功功率;Seq、Peq分别为等值发电机的额定容量和有功功率;Xm为第m台发电机的参数(定子电感、定子电阻、转子电感、转子电阻、激磁电感),Xeq为等值发电机组的对应的参数;vm为第m台风机接受的风速,Veq为等值发电机的风速,n为发电机组个数(与聚类点个数相同);
(402),集电线路的聚合:
按照线路等功率损耗进行线路聚合,采用放射式集电系统等值阻抗Zeq为:
式(8)中,Zi为第i台风电机组集电线路阻抗;pi为第i台风电机组的输出有功功率;Zeq为等值机组集电阻抗。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间,以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
此外,所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的评价方法。
以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
本领域内的技术人员可以对本发明进行改动或变型的设计但不脱离本发明的思想和范围。因此,如果本发明的这些修改和变型属于本发明权利要求及其等同的技术范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种风电场多机等值建模方法,其特征在于,包括以下步骤:
1)选取风电场中风电机组运行时的状态变量;
2)将状态变量作为神经网络SOM聚类算法的初始输入变量矩阵,得到聚类数目K;
3)将聚类数目K值作为C均值聚类算法的输入,对运行状态变量进行聚类,得到风电场多机等值模型;
4)对风电场多机等值模型进行参数聚合,参数聚合包括发电机参数聚合和输电线路参数聚合;
5)基于参数聚合的结果建立新的风电场模型进行仿真模拟;
步骤3)具体包括以下步骤:
(301),输入聚类数目K;
(302),随机从初始输入变量矩阵中选取K个数据,将K个数据作为初始聚类中心;
(303),根据距离函数计算所有初始输入变量矩阵与初始聚类中心之间的距离进行聚类,形成簇;
(304),计算所形成簇的聚类中心;
(305),若簇的聚类中心与初始聚类中心相比聚类误差在限定范围内,转至步骤(306),否则转步骤(303);
(306),计算聚类点S(i),若S(i)不稳定,重新选取初始聚类点进行聚类,直至S(i)稳定不变,若所有的初始聚类点均不稳定,重新输入K值,进行聚类;
式(3)中:a是第i个输入向量与其同簇的其它样本之间的平均距离,b是第i个输入向量与其不同簇之间的距离,S(i)为第i个聚类点,n为聚类点个数。
2.根据权利要求1所述的一种风电场多机等值建模方法,其特征在于,
状态变量包括有功功率、无功功率、机端电压、输出电流和风速。
3.根据权利要求1所述的一种风电场多机等值建模方法,其特征在于,
神经网络SOM聚类算法为无监督的学习模式,包括输入层和输出层;
输入层对应运行状态变量矩阵,输出层通过若干在二维网格上的有序节点表示,输入层和输出层通过权重向量连接,并根据数据间的相似性将数据分成不同的类别。
4.根据权利要求3所述的一种风电场多机等值建模方法,其特征在于,
步骤2)具体包括以下步骤:
(201),对输出层的节点权重Wj赋初值;
(202),从初始输入变量矩阵中随机选取输入向量Xi,求Wj中与Xi距离最小的连接权重向量Wji:
Wji=min||Xi-Wj|| (1)
其中,Wj为节点j的权重,Xi为第i个输入向量,式子中||()||为距离函数,对于连续数值属性的数据集,定义为欧式距离;
(203),定义g为获胜单元,Ng(t)为获胜单元的邻近区域,对于邻近区域内的单元,根据式(2)调整权重:
Wj(t+1)=Wj(t)+∝(t)hgj(t)(Xi(t)-Wj(t)) (2)
式中:Wj(t)为t时刻的节点j的权重,Xi(t)为t时刻第i个输入向量;∝(t)为t时刻的学习效率,hgj(t)为t时刻的邻域半径;
(204),收缩邻域半径hgj(t),减小学习效率∝(t),循环步骤(202)~步骤(203),当网络权值Wji稳定时视为收敛,输出聚类数目K。
5.根据权利要求1所述的一种风电场多机等值建模方法,其特征在于,
步骤4)具体包括以下步骤:
(401),发电机参数聚合:
式中wm为第m台发电机组容量加权系数,Sm、Pm分别为第m台发电机组的额定容量、输出有功功率;Seq和Peq分别为等值发电机的额定容量和有功功率;Xm为第m台发电机的参数,Xeq为等值发电机组的对应的参数;vm为第m台风机接受的风速,Veq为等值发电机的风速,n为发电机组个数;
(402),集电线路的聚合:
按照线路等功率损耗进行线路聚合,采用放射式集电系统等值阻抗Zeq为:
式(8)中,Zi为第i台风电机组集电线路阻抗;pi为第i台风电机组的输出有功功率;Zeq为等值机组集电阻抗。
6.一种风电场多机等值建模装置,其特征在于,
包括数据采集单元、聚类数目计算单元、神经网络SOM聚类单元、等值模型参数聚合单元和风电场模型模拟单元;
数据采集单元采集选取风电场中风电机组运行时的状态变量,状态变量包括有功功率、无功功率、机端电压、输出电流和风速;
聚类数目计算单元将状态变量,将状态变量作为神经网络SOM聚类算法的初始输入变量矩阵,得到聚类数目K;
神经网络SOM聚类单元将聚类数目K值作为C均值聚类算法的输入,对运行状态变量进行聚类,得到风电场多机等值模型;
等值模型参数聚合单元对风电场多机等值模型进行参数聚合,参数聚合包括发电机参数聚合以及输电线路参数的聚合;
风电场模型模拟单元基于参数聚合的结果建立新的风电场模型进行仿真模拟;
神经网络SOM聚类单元执行过程具体包括以下步骤:
(301),输入聚类数目K;
(302),随机从初始输入变量矩阵中选取K个数据,将K个数据作为初始聚类中心;
(303),根据距离函数计算所有初始输入变量矩阵与初始聚类中心之间的距离进行聚类,形成簇;
(304),计算所形成簇的聚类中心;
(305),若簇的聚类中心与初始聚类中心相比聚类误差在限定范围内,转至步骤(306),否则转步骤(303);
(306),计算聚类点S(i),若S(i)不稳定,重新选取初始聚类点进行聚类,直至S(i)稳定不变,若所有的初始聚类点均不稳定,重新输入K值,进行聚类;
式(3)中:a是第i个输入向量与其同簇的其它样本之间的平均距离,b是第i个输入向量与其不同簇之间的距离,S(i)为第i个聚类点,n为聚类点个数。
7.根据权利要求6所述的一种风电场多机等值建模装置,其特征在于,
聚类数目计算单元执行过程具体包括以下步骤:
(201),对输出层的节点权重Wj赋初值;
(202),从初始输入变量矩阵中随机选取输入向量Xi,求Wj中与Xi距离最小的连接权重向量Wji:
Wji=min||Xi-Wj|| (1)
其中,Wj为节点j的权重,Xi为第i个输入向量,式子中||()||为距离函数,对于连续数值属性的数据集,定义为欧式距离;
(203),定义g为获胜单元,Ng(t)为获胜单元的邻近区域,对于邻近区域内的单元,根据式(2)调整权重:
Wj(t+1)=Wj(t)+∝(t)hgj(t)(Xi(t)-Wj(r)) (2)
式中:Wj(t)为t时刻的节点j的权重,Xi(t)为t时刻第i个输入向量;∝(t)为t时刻的学习效率,hgj(t)为t时刻的邻域半径;
(204),收缩邻域半径hgj(t),减小学习效率∝(t),循环步骤(202)~步骤(203),当网络权值Wji稳定时视为收敛,输出聚类数目K。
8.根据权利要求6所述的一种风电场多机等值建模装置,其特征在于,
等值模型参数聚合单元对发电机参数聚合采用容量加权法进行聚合,集电线路采用等功率损耗原则聚合;
等值模型参数聚合单元执行过程包括以下步骤:
(401),发电机参数聚合:
式中wm为第m台发电机组容量加权系数,Sm、Pm分别为第m台发电机组的额定容量、输出有功功率;Seq、Peq分别为等值发电机的额定容量和有功功率;Xm为第m台发电机的参数,Xeq为等值发电机组的对应的参数;vm为第m台风机接受的风速,Veq为等值发电机的风速,n为发电机组个数;
(402),集电线路的聚合:
按照线路等功率损耗进行线路聚合,采用放射式集电系统等值阻抗Zeq为:
式(8)中,Zi为第i台风电机组集电线路阻抗;pi为第i台风电机组的输出有功功率;Zeq为等值机组集电阻抗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811440764.7A CN109670213B (zh) | 2018-11-29 | 2018-11-29 | 一种风电场多机等值建模方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811440764.7A CN109670213B (zh) | 2018-11-29 | 2018-11-29 | 一种风电场多机等值建模方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670213A CN109670213A (zh) | 2019-04-23 |
CN109670213B true CN109670213B (zh) | 2022-08-23 |
Family
ID=66143434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811440764.7A Active CN109670213B (zh) | 2018-11-29 | 2018-11-29 | 一种风电场多机等值建模方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670213B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101393A (zh) * | 2019-06-18 | 2020-12-18 | 上海电机学院 | 一种风电场风机聚类方法及装置 |
CN110210170B (zh) * | 2019-06-19 | 2022-10-18 | 河北工业大学 | 一种大规模风电机群等值小信号模型建模方法 |
CN110765703B (zh) * | 2019-11-04 | 2022-05-27 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种风电场聚合特性建模方法 |
CN111651939B (zh) * | 2020-06-08 | 2024-02-06 | 华北电力大学 | 计及变流器控制参数差异的永磁风电场动态等值建模方法 |
CN111950131B (zh) * | 2020-07-20 | 2022-06-10 | 东南大学 | 一种考虑限电因素的风电场出力等值聚合模型构建方法 |
CN112507604B (zh) * | 2020-11-04 | 2021-09-07 | 清华大学 | 可再生电源的数据驱动电压频率响应特性建模方法 |
CN115952443A (zh) * | 2023-03-09 | 2023-04-11 | 湖南纽帕科技有限公司 | 基于som网络的储能应用风电场滑动窗聚类方法 |
CN117520867B (zh) * | 2024-01-08 | 2024-03-29 | 山东大学 | 基于风电场等值建模优化的电力系统短路计算方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103887815A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于运行数据的风电场参数辨识及动态等值方法 |
CN104036073A (zh) * | 2014-05-23 | 2014-09-10 | 电子科技大学 | 适于有功功率特性分析的双馈风电场动态等值建模方法 |
CN105703396A (zh) * | 2016-03-21 | 2016-06-22 | 广西电网有限责任公司电力科学研究院 | 一种双馈风力发电场多机表征等值建模方法 |
CN107909211A (zh) * | 2017-11-17 | 2018-04-13 | 华北电力大学 | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 |
-
2018
- 2018-11-29 CN CN201811440764.7A patent/CN109670213B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103887815A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于运行数据的风电场参数辨识及动态等值方法 |
CN104036073A (zh) * | 2014-05-23 | 2014-09-10 | 电子科技大学 | 适于有功功率特性分析的双馈风电场动态等值建模方法 |
CN105703396A (zh) * | 2016-03-21 | 2016-06-22 | 广西电网有限责任公司电力科学研究院 | 一种双馈风力发电场多机表征等值建模方法 |
CN107909211A (zh) * | 2017-11-17 | 2018-04-13 | 华北电力大学 | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109670213A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670213B (zh) | 一种风电场多机等值建模方法及装置 | |
Baltas et al. | A comparative analysis of decision trees, support vector machines and artificial neural networks for on-line transient stability assessment | |
CN111478314B (zh) | 一种电力系统暂态稳定评估方法 | |
CN105069236B (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
CN104036073B (zh) | 适于有功功率特性分析的双馈风电场动态等值建模方法 | |
CN108667005B (zh) | 一种计及新能源影响的电网静动态结合脆弱性评估方法 | |
CN112818491A (zh) | 基于主成分分析和聚类算法的风电场聚合等值建模方法 | |
CN109636248A (zh) | 适用于电力系统暂态稳定评估的特征选择方法及装置 | |
CN104268576A (zh) | 一种基于tnn-svm的电力系统暂态稳定分类方法 | |
CN111401792A (zh) | 一种基于极限梯度提升决策树的动态安全评估方法 | |
CN114444784A (zh) | 风电场机位的多目标排布优化方法及系统 | |
CN108460177B (zh) | 一种大规模多状态串并联系统的可靠性近似计算方法 | |
CN106410862A (zh) | 基于有功恢复斜率校正的风电场单机等值方法 | |
CN115021269B (zh) | 基于数据驱动的两阶段最优潮流求解方法 | |
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 | |
CN108536877A (zh) | 风力发电机组振动程度的评估方法与系统 | |
Wang et al. | Cluster division in wind farm through ensemble modelling | |
CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
Lin et al. | Clustering wind turbines for a large wind farm using spectral clustering approach based on diffusion mapping theory | |
CN115146742A (zh) | 适用于场群控制的海上风电场机组分组与旗舰机选取方法 | |
CN110212570B (zh) | 基于mmse挖掘的风电场等值模型及其构建方法和应用 | |
Lin et al. | Transient stability analysis of ac-dc hybrid power grid under topology changes based on deep learning | |
Dong et al. | Aggregation modeling of wind farms based on multi machine representation | |
CN110175933B (zh) | 适用于调频控制的直驱型风电场动态等值方法 | |
CN111798049B (zh) | 一种基于集成学习与多目标规划的电压稳定评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |