CN110264002B - 基于聚类分析的风电场微观选址方案评价方法 - Google Patents

基于聚类分析的风电场微观选址方案评价方法 Download PDF

Info

Publication number
CN110264002B
CN110264002B CN201910536188.4A CN201910536188A CN110264002B CN 110264002 B CN110264002 B CN 110264002B CN 201910536188 A CN201910536188 A CN 201910536188A CN 110264002 B CN110264002 B CN 110264002B
Authority
CN
China
Prior art keywords
power generation
wind
wind turbine
turbine generator
generation performance
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
Application number
CN201910536188.4A
Other languages
English (en)
Other versions
CN110264002A (zh
Inventor
陈可仁
杨帆
高尚
钱胜利
罗金莲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Longyuan Beijing Wind Power Engineering Design and Consultation Co Ltd
Original Assignee
Longyuan Beijing Wind Power Engineering Design and Consultation Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Longyuan Beijing Wind Power Engineering Design and Consultation Co Ltd filed Critical Longyuan Beijing Wind Power Engineering Design and Consultation Co Ltd
Priority to CN201910536188.4A priority Critical patent/CN110264002B/zh
Publication of CN110264002A publication Critical patent/CN110264002A/zh
Application granted granted Critical
Publication of CN110264002B publication Critical patent/CN110264002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了基于聚类分析的风电场微观选址方案评价方法，包括以下步骤：建立风电机组选型数据库；建立服役风电机组归一化特征参数库；服役风电机组归一化特征参数包括服役状态下风电机组的海拔特性、尾流特性以及迎风特性；计算服役风电机组发电性能；服役风电机组的发电性能包括理论发电性能、实际发电性能和设计发电性能；计算相似样本；聚类分析；评价微观选址。本发明不依赖传统的微观选址软件，且根据特征库的丰富能够更加直观和快速的评价微观选址的合理性与科学性，根据相似样本对应的实际发电性能完成微观选址评价，完成各机位的最优布置，避免出现微观选址错误，从而保证了微观选址的合理性，实现最大发电量的项目收益。

Description

基于聚类分析的风电场微观选址方案评价方法
技术领域
本发明涉及一种微观选址评价方法，尤其涉及一种基于聚类分析的风电场微观选址方案评价方法。
背景技术
随着风电竞价及平价时代的到来，风电前期项目更多转向风资源条件更好的三北地区，但由于电价的降低，很多前期项目经济性指标处于临界值。在造价、发电量等众多影响因素中，对经济性指标敏感性最高的是发电量。作为机组发电量的决定性因素，微观选址的效果决定项目成败。
微观选址通常要在宏观选址的前提下对风力发电场的机组布设位置做进一步细化工作，还要深入分析风力发电场的各项指标，以实现布机的合理化与科学化。目前国内风电场的微观选址工作大部分依靠计算流体力学(CFD)、WasP和WindFarmer等商业软件，但这些软件在对我国风能资源的适应程度以及软件本身的智能性方面还存在一定问题：计算出的风能资源分布图有差异，这种差异会导致不同工程师微观选址最优点位不同，微观选址结果不同；由于专业软件推算的自由流风速存在不准确的情况，同一点位计算得到的上网电量和实际电量有偏差，造成计算得到的经济性指标不准确。在国外已采用数学建模和优化方法相结合的方式对风电场微观选址进行优化，但在风能损失中却有未考虑尾迹损失的缺点。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种基于聚类分析的风电场微观选址方案评价方法。
为了解决以上技术问题，本发明采用的技术方案是：一种基于聚类分析的风电场微观选址方案评价方法，包括以下步骤：
Ⅰ、建立风电机组选型数据库；将风电市场现有的所有机型进行归纳并建立机组静态信息数据库，方便用户查看和对比不同机型的出力参数，以及计算发电性能；
Ⅱ、建立服役风电机组归一化特征参数库；服役风电机组归一化特征参数包括服役状态下风电机组的海拔特性、尾流特性以及迎风特性；
Ⅲ、计算服役风电机组发电性能；服役风电机组的发电性能包括理论发电性能、实际发电性能和设计发电性能；
Ⅳ、计算相似样本；通过步骤Ⅲ中计算得出的三个参数与欧式距离算法结合，计算得到与待评价风电机组特征最相似的样本；
Ⅴ、聚类分析；
Ⅵ、评价微观选址；根据服役风电机组归一化特征参数库与服役风电机组发电性能，利用随机森林算法得到待评价风电机组的理论发电性能；根据服役风电机组相似样本实际发电性能对比理论发电性能情况判断待评价风电机组微观选址合理性。
进一步地，步骤Ⅱ中海拔特性归一化特征参数的计算方法为：
根据高分辨率地形数据及风电机组的机位经纬度坐标得到风电机组机位的绝对海拔高度，通过绝对海拔高度计算风电机组在风场内的归一化海拔，如公式①所示：
Fi1＝(demij-min(demi))/(max(demi)-min(demi)) 公式①
其中，Fil代表海拔特性归一化特征参数，demij为风电机组绝对海拔高度，min(demi)为风电机组所在风场绝对海拔最小的风电机组海拔高度，max(demi)为风电机组所在风场绝对海拔最大的风电机组海拔高度。
进一步地，步骤Ⅱ中尾流特性的计算方法为：
选取地球上的A、B两个风电机组的机位点坐标，根据A、B两点经纬度计算方位角及两点间的距离，具体方法如下：
a、计算A、B两点的方位角；利用公式②：
cos(c)＝cos(90-Bw)×cos(90-Aw)+sin(90-Bw)×sin(90-Aw)×cos(Bj-Aj)公式②
其中，Aw为A坐标纬度、Bw为B坐标纬度，Aj为A坐标经度，Bj为B坐标经度；c为地心到A、B两点的夹角；
利用球面正弦公式计算方位角的sin值，如公式③所示：
Figure GDA0003023622020000031
其中，M为数学计算得出的方位角；
b、计算A、B两点间的距离；用反余弦函数求得c的度数，如公式④所示：
c＝arccos(cos(90-Bw)×cos(90-Aw)+sin(90-Bw)×sin(90-Aw)×cos(Bj-Aj))公式④
Figure GDA0003023622020000032
如公式⑤所示，将c的度数转换成弧度后，乘以地球半径R就得到了两点间的球面距离LAB，即得到尾流特性。
进一步地，步骤II中迎风特性归一化特征参数的计算方法为：
a、通过测风塔数据计算风向分布：
从测风塔数据中剔除0—360度范围外的无效数据；判断风向在第几个扇区，判断方法如公式⑥所示：
wd_flagit＝floor(wdit/wd_span) 公式⑥
其中，wd_span为风向扇区间隔，wdit为风向值，wd_flagit为风向所在扇区；floor为取整函数；
如公式⑦统计风向频率：
Figure GDA0003023622020000033
其中，T为总记录数，wd_countik表示第k个扇区的风向频次，wd_freqik表示第k个扇区的风向频率；
b、通过预加载高分辨率地形数据，计算对应坐标的地形特征：
如公式⑧根据坐标计算地形坡度β：
Figure GDA0003023622020000041
其中
Figure GDA0003023622020000042
是地形高度坐标，
Figure GDA0003023622020000043
和
Figure GDA0003023622020000044
是地形的水平坐标；
如公式⑨根据坐标计算地形坡度方位角ξ：
Figure GDA0003023622020000045
如公式⑩计算坐标在风向上的斜率Ωs：
Ωs＝βcos(θ-ξ) 公式⑩
其中θ为风向；
如公式
Figure GDA0003023622020000046
计算坐标在风向上的曲率Ωc：
Figure GDA0003023622020000047
其中，ZW、ZE、ZS、ZN、ZSW、ZNE、ZNW和ZSE均是在与主网格单元相对应方向上的近似曲率长度标度距离η处的网格单元的高程值；
如公式
Figure GDA0003023622020000048
计算某风向的加速因子speed_up：
Figure GDA0003023622020000049
其中γ1和γ2分别是斜率权重和曲率权重，对加速因子speed_up进行加权求和得到风电机组的迎风特性参数，并以风场为单位进行归一化处理；
进一步地，步骤Ⅲ中理论发电性能的计算方法为：从步骤Ⅰ建立的风电机组选型数据库中获取功率曲线及历史风速参数，通过插值法运算得到理论功率，理论功率与发电时间相乘获得理论发电量，将理论发电量与额定容量相除获得年理论利用小时，经归一化后得到归一化理论发电能力系数，即理论发电性能；
实际发电性能的计算方法为：从步骤Ⅰ建立的风电机组选型数据库中经时间序列分析后的风电机组历史功率，将历史功率与发电时间相乘得到实际发电量，再将实际发电量与额定容量相除获得年实际利用小时，经归一化后得到归一化实际发电能力系数，即实际发电性能；
设计发电性能是通过风电机组选型数据库中直接获取，再经归一化处理后得到的。
进一步地，步骤Ⅳ中相似样本的计算方法为：
对归一化后的待评价风电机组参数计算欧式距离Di，如公式
Figure GDA0003023622020000051
所示：
Figure GDA0003023622020000052
其中，f1'、f2'及f3'为待评价风电机组归一化后的特征值；再对欧式距离从小到大排序，取前n个样本。
进一步地，步骤Ⅴ中聚类分析的方法为：先在所有服役风电机组特征参数中选择一个或多个特征值作为聚类核心，然后把其余的待分特征值按距离最小准则分到各类中，初始分类完成后，重新计算各类中全部特征值的均值，进行下一次迭代，如此循环直至各类均值不发生改变。
本发明不依赖传统的微观选址软件，且根据特征库的丰富能够更加直观和快速的评价微观选址的合理性与科学性，通过搭建归一化特征元素数据库和实际电量数据库，找出新建风电机组的服役相似样本，根据相似样本对应的实际发电性能完成微观选址评价，完成各机位的最优布置，避免出现微观选址错误，从而保证了微观选址的合理性，实现最大发电量的项目收益。
附图说明
图1为本发明的整体流程图。
图2为风机的位置示意图。
图3为迎风特性参数和气象站位置的模拟域地形图。
图4为1号和5号站模拟和观测的风速图。
图5为理论发电性能计算的流程图。
图6为聚类分析方法的原理图。
图7为微观选址方法的流程图
图8为随机森林方法的原理图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1所示的一种基于聚类分析的风电场微观选址方案评价方法，微观选址即风电场建设初期风电机组位置的选择。通过对若干方案的技术经济比较，确定风电场风电机组的布置方案，使风电机组获得较好的发电量。具体包括以下步骤：
Ⅰ、建立风电机组选型数据库；将风电市场现有的所有机型进行归纳并建立机组静态信息数据库，方便用户查看和对比不同机型的出力参数，以及计算发电性能；如功率曲线、出力系数曲线、额定容量、轮毂高度、叶片长度等。
Ⅱ、建立服役风电机组归一化特征参数库；服役机组：即已经并网发电且正常运行超过一年的风电机组。服役风电机组归一化特征参数包括服役状态下风电机组的海拔特性、尾流特性以及迎风特性；特征参数均做归一化处理，如海拔参数特征为该风机在本风电场内的相对海拔。所有归一化的参数均为0-1之间的小数。
海拔特性归一化特征参数的计算方法为：
根据高分辨率地形数据及风电机组的机位经纬度坐标得到风电机组机位的绝对海拔高度，通过绝对海拔高度计算风电机组在风场内的归一化海拔，如公式①所示：
Fi1＝(demij-min(demi))/(max(demi)-min(demi)) 公式①
其中，Fil代表海拔特性归一化特征参数，demij为风电机组绝对海拔高度，min(demi)为风电机组所在风场绝对海拔最小的风电机组海拔高度，max(demi)为风电机组所在风场绝对海拔最大的风电机组海拔高度。
尾流特性的计算方法为：
假设在一定范围内的风电机组对当前位置的尾流影响是相同的，如有多台风电机组则直接叠加，继而逐风向的估计尾流影响。如图2所示，图中O为地心，C为北极点即真北。选取地球上的A、B两个风电机组的机位点坐标，根据A、B两点经纬度计算方位角及两点间的距离，具体方法如下：
a、计算A、B两点的方位角；利用公式②：
cos(c)＝cos(90-Bw)×cos(90-Aw)+sin(90-Bw)×sin(90-Aw)×cos(Bj-Aj)公式②
其中，Aw为A坐标纬度、Bw为B坐标纬度，Aj为A坐标经度，Bj为B坐标经度；c为地心到A、B两点的夹角；
利用球面正弦公式计算方位角的sin值，如公式③所示：
Figure GDA0003023622020000071
其中，M为数学计算得出的方位角；根据B相对于A的位置在四个象限两个轴上进行讨论，依据不同情况对计算结果进行不同处理得到最终的方位角Azimuth。假设A点固定于原点，若：
B点在第一象限，Azimuth＝M；
B在第二象限，Azimuth＝360+M；
B在第三四象限，Azimuth＝180-M。
b、计算A、B两点间的距离；用反余弦函数求得c的度数，如公式④所示：
c＝arccos(cos(90-Bw)×cos(90-Aw)+sin(90-Bw)×sin(90-Aw)×cos(Bj-Aj))公式④
Figure GDA0003023622020000081
如公式⑤所示，将c的度数转换成弧度后，乘以地球半径R就得到了两点间的球面距离LAB，即得到尾流特性。距离对尾流的影响权重系数为可配置文件，默认0-5km权重为0.8；5-10km权重为0.6；10km以上权重为0。
迎风特性归一化特征参数的计算方法为：
a、通过测风塔数据计算风向分布：
从测风塔数据中剔除0-360度范围外的无效数据；判断风向在第几个扇区，判断方法如公式⑥所示：
wd_flagit＝floor(wdit/wd_span) 公式⑥
其中，wd_span为风向扇区间隔，wdit为风向值，wd_flagit为风向所在扇区；floor为取整函数；
如公式⑦统计风向频率：
Figure GDA0003023622020000082
其中，T为总记录数，wd_countik表示第k个扇区的风向频次，wd_freqik表示第k个扇区的风向频率；
b、通过预加载高分辨率地形数据，计算对应坐标的地形特征：
如公式⑧根据坐标计算地形坡度β：
Figure GDA0003023622020000083
其中
Figure GDA0003023622020000084
是地形高度坐标，
Figure GDA0003023622020000085
和
Figure GDA0003023622020000086
是地形的水平坐标；
如公式⑨根据坐标计算地形坡度方位角ξ：
Figure GDA0003023622020000087
如公式⑩计算坐标在风向上的斜率Ωs：
Ωs＝βcos(θ-ξ) 公式⑩
其中θ为风向；
如公式
Figure GDA0003023622020000091
计算坐标在风向上的曲率Ωc：
Figure GDA0003023622020000092
其中，ZW、ZE、ZS、ZN、ZSW、ZNE、ZNW和ZSE均是在与主网格单元相对应方向上的近似曲率长度标度距离η处的网格单元的高程值；
如公式
Figure GDA0003023622020000094
计算某风向的加速因子speed_up：
Figure GDA0003023622020000093
其中γ1和γ2分别是斜率权重和曲率权重，默认值为γ1＝0.5，γ2＝2.2，数值可配置。对加速因子speed_up进行加权求和得到风电机组的迎风特性参数，并以风场为单位进行归一化处理。如图3、4所示，图4的纵坐标为模拟风速modeled wind speed，横坐标为观测风速observed wind speed。
Ⅲ、计算服役风电机组发电性能；服役风电机组的发电性能包括理论发电性能、实际发电性能和设计发电性能；
如图5所示，理论发电性能的计算方法为：从步骤Ⅰ建立的风电机组选型数据库中获取功率曲线及历史风速参数，通过插值法运算得到理论功率，插值法：利用函数f(x)在某区间中已知的若干点的函数值，作出适当的特定函数，在区间的其他点上用这特定函数的值作为函数f(x)的近似值。理论功率与发电时间相乘获得理论发电量，将理论发电量与额定容量相除获得年理论利用小时，经归一化后得到归一化理论发电能力系数，即理论发电性能；
实际发电性能的计算方法为：从步骤Ⅰ建立的风电机组选型数据库中经时间序列分析后的风电机组历史功率，将历史功率与发电时间相乘得到实际发电量，再将实际发电量与额定容量相除获得年实际利用小时，经归一化后得到归一化实际发电能力系数，即实际发电性能；
设计发电性能是通过风电机组选型数据库中直接获取，再经归一化处理后得到的。
将理论发电性能、实际发电性能以及设计发电性能三个参数分别进行归一化，如公式
Figure GDA0003023622020000101
所示：
Figure GDA0003023622020000102
Figure GDA0003023622020000103
Figure GDA0003023622020000104
其中，fi1、fi2及fi3为理论发电性能、实际发电性能以及设计发电性能三个参数，fi'1、fi'2及fi'3为归一化后的理论发电性能、实际发电性能以及设计发电性能；记录特征值的最大值、最小值，然后对待评价风电机组的参数进行相同的归一化转换；
Ⅳ、计算相似样本；通过步骤Ⅲ中计算得出的三个参数与欧式距离算法结合，计算得到与待评价风电机组特征最相似的样本；相似样本：即风机位置特征参数相近的样本风机，利用欧氏距离计算得出。欧氏距离：指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
对归一化后的选定样本特征值计算欧式距离Di，如公式
Figure GDA0003023622020000105
所示：
Figure GDA0003023622020000106
其中，f1'、f2'及f3'为待评价风电机组归一化后的参数；再对欧式距离从小到大排序，取前n个样本。
Ⅴ、聚类分析；
服役风电机组样本数量不断增加，且数量庞大，如何从现有服役样本中得到有规律性、有价值的分析结果是本方法研究的重点方向，因此，需要建立机组位置特征与发电性能关联关系，并按数学方法大致归类。
本研究采用聚类分析法中的K-means法以达到该目的，如图6所示，先在所有服役风电机组特征参数中选择一个或多个特征值作为聚类核心，然后把其余的待分特征值按距离最小准则分到各类中，初始分类完成后，重新计算各类中全部特征值的均值，进行下一次迭代，如此循环直至各类均值不发生改变。
Ⅵ、评价微观选址；服役风电机组运行数据可以反映机组实际运行情况，实现对微观选址效果的评价。如图7所示，根据服役风电机组归一化特征参数库与服役风电机组发电性能，利用随机森林算法得到待评价风电机组的理论发电性能；根据服役风电机组相似样本实际发电性能对比理论发电性能情况判断待评价风电机组微观选址合理性。
随机森林算法指利用多棵树对样本进行训练并预测的一种分类器方法。随机森林是由很多棵决策树构成的一片“森林”，对于一个样本，“森林”中的每棵“树“都会给出自己的预测结果，然后所有“树”根据民主方式进行投票，决定最终预测结果。如图8所示，输入参数x，所有“树”给出预测结果并投票得出最终预测结果y。
本发明相比现有技术具有的优势为：
本发明不依赖传统的微观选址软件，且根据特征库的丰富能够更加直观和快速的评价微观选址的合理性与科学性，通过搭建归一化特征元素数据库和实际电量数据库，找出新建风电机组的服役相似样本，根据相似样本对应的实际发电性能完成微观选址评价，完成各机位的最优布置，避免出现微观选址错误，从而保证了微观选址的合理性，实现最大发电量的项目收益。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。

Claims (5)

1.一种基于聚类分析的风电场微观选址方案评价方法，包括以下步骤：
Ⅰ、建立风电机组选型数据库；将风电市场现有的所有机型进行归纳并建立机组静态信息数据库，方便用户查看和对比不同机型的出力参数，以及计算发电性能；
Ⅱ、建立服役风电机组归一化特征参数库；服役风电机组归一化特征参数包括服役状态下风电机组的海拔特性、尾流特性以及迎风特性；
海拔特性：根据高分辨率地形数据及风电机组的机位经纬度坐标得到风电机组机位的绝对海拔高度，通过绝对海拔高度经归一化计算风电机组在风场内的归一化海拔；
尾流特性：假设在一定范围内的风电机组对当前位置的尾流影响是相同的，如有多台风电机组则直接叠加，继而逐风向的估计尾流影响；选取地球上的A、B两个风电机组的机位点坐标，根据A、B两点经纬度计算两点间的球面距离，即得到尾流特性；
迎风特性：通过测风塔数据计算风向分布和风向频率；通过预加载高分辨率地形数据，计算对应坐标的地形特征，地形特征包括地形坡度方位角、坐标在风向上的斜率以及曲率，从而计算风向的加速因子，对加速因子进行加权求和得到风电机组的迎风特性参数，并以风场为单位进行归一化处理；
Ⅲ、计算服役风电机组发电性能；服役风电机组的发电性能包括理论发电性能、实际发电性能和设计发电性能；
理论发电性能的计算方法为：从步骤Ⅰ建立的风电机组选型数据库中获取功率曲线及历史风速参数，通过插值法运算得到理论功率，理论功率与发电时间相乘获得理论发电量，将理论发电量与额定容量相除获得年理论利用小时，经归一化后得到归一化理论发电能力系数，即理论发电性能；
实际发电性能的计算方法为：从步骤Ⅰ建立的风电机组选型数据库中经时间序列分析后的风电机组历史功率，将历史功率与发电时间相乘得到实际发电量，再将实际发电量与额定容量相除获得年实际利用小时，经归一化后得到归一化实际发电能力系数，即实际发电性能；
设计发电性能是通过风电机组选型数据库中直接获取，再经归一化处理后得到的；
Ⅳ、计算相似样本；通过步骤Ⅲ中计算得出的三个参数与欧式距离算法结合，计算得到与待评价风电机组特征最相似的样本；
Ⅴ、聚类分析；在所有服役风电机组特征参数中选择一个或多个特征值作为聚类核心，然后把其余的待分特征值按距离最小准则分到各类中，初始分类完成后，重新计算各类中全部特征值的均值，进行下一次迭代，如此循环直至各类均值不发生改变；
Ⅵ、评价微观选址；根据服役风电机组归一化特征参数库与服役风电机组发电性能，利用随机森林算法得到待评价风电机组的理论发电性能；根据服役风电机组相似样本实际发电性能对比理论发电性能情况判断待评价风电机组微观选址合理性。
2.根据权利要求1所述的基于聚类分析的风电场微观选址方案评价方法，其特征在于：所述步骤Ⅱ中海拔特性归一化特征参数的计算方法为：
如公式①所示：
Fi1＝(demij-min(demi))/(max(demi)-min(demi)) 公式①
其中，Fi1代表海拔特性归一化特征参数，demij为风电机组绝对海拔高度，min(demi)为风电机组所在风场绝对海拔最小的风电机组海拔高度，max(demi)为风电机组所在风场绝对海拔最大的风电机组海拔高度。
3.根据权利要求1所述的基于聚类分析的风电场微观选址方案评价方法，其特征在于：所述步骤Ⅱ中尾流特性的计算方法为：
a、计算A、B两点的方位角；利用公式②：
Figure FDA0003091958930000021
其中，Aw为A坐标纬度、Bw为B坐标纬度，Aj为A坐标经度，Bj为B坐标经度；c为地心到A、B两点的夹角；
利用球面正弦公式计算方位角的sin值，如公式③所示：
Figure FDA0003091958930000031
其中，M为数学计算得出的方位角；
b、计算A、B两点间的距离；用反余弦函数求得c的度数，如公式④所示：
Figure FDA0003091958930000032
Figure FDA0003091958930000033
如公式⑤所示，将c的度数转换成弧度后，乘以地球半径R就得到了两点间的球面距离LAB，即得到尾流特性。
4.根据权利要求1所述的基于聚类分析的风电场微观选址方案评价方法，其特征在于：所述步骤Ⅱ中迎风特性归一化特征参数的计算方法为：
a、通过测风塔数据计算风向分布：
从测风塔数据中剔除0-360度范围外的无效数据；判断风向在第几个扇区，判断方法如公式⑥所示：
wd_flagit＝floor(wdit/wd_span) 公式⑥
其中，wd_span为风向扇区间隔，wdit为风向值，wd_flagit为风向所在扇区；floor为取整函数；
如公式⑦统计风向频率：
Figure FDA0003091958930000034
其中，T为总记录数，wd_countik表示第k个扇区的风向频次，wd_freqik表示第k个扇区的风向频率；
b、通过预加载高分辨率地形数据，计算对应坐标的地形特征：
如公式⑧根据坐标计算地形坡度β：
Figure FDA0003091958930000041
其中
Figure FDA0003091958930000042
是地形高度坐标，
Figure FDA0003091958930000043
和
Figure FDA0003091958930000044
是地形的水平坐标；
如公式⑨根据坐标计算地形坡度方位角ξ：
Figure FDA0003091958930000045
如公式⑩计算坐标在风向上的斜率Ωs：
Ωs＝βcos(θ-ξ) 公式⑩
其中θ为风向；
如公式
Figure FDA0003091958930000046
计算坐标在风向上的曲率Ωc：
Figure FDA0003091958930000047
其中，ZW、ZE、ZS、ZN、ZSW、ZNE、ZNW和ZSE均是在与主网格单元相对应方向上的近似曲率长度标度距离η处的网格单元的高程值；
如公式
Figure FDA0003091958930000049
计算某风向的加速因子speed_up：
speed_up＝1+γ1·(β·cos(θ-ξ))+γ2·Ωs 公式
Figure FDA00030919589300000411
其中γ1和γ2分别是斜率权重和曲率权重，对加速因子speed_up进行加权求和得到风电机组的迎风特性参数，并以风场为单位进行归一化处理。
5.根据权利要求1所述的基于聚类分析的风电场微观选址方案评价方法，其特征在于：所述步骤Ⅳ中相似样本的计算方法为：
对归一化后的待评价风电机组参数计算欧式距离Di，如公式
Figure FDA00030919589300000410
所示：
Figure FDA0003091958930000048
其中，f′i1、f′i2及f′i3为理论发电性能、实际发电性能以及设计发电性能，f′1、f′2及f′3为服役风电机组的理论发电性能、实际发电性能以及设计发电性能；再对欧式距离从小到大排序，取前n个样本。
CN201910536188.4A 2019-06-20 2019-06-20 基于聚类分析的风电场微观选址方案评价方法 Active CN110264002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910536188.4A CN110264002B (zh) 2019-06-20 2019-06-20 基于聚类分析的风电场微观选址方案评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910536188.4A CN110264002B (zh) 2019-06-20 2019-06-20 基于聚类分析的风电场微观选址方案评价方法

Publications (2)

Publication Number Publication Date
CN110264002A CN110264002A (zh) 2019-09-20
CN110264002B true CN110264002B (zh) 2021-07-06

Family

ID=67919702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910536188.4A Active CN110264002B (zh) 2019-06-20 2019-06-20 基于聚类分析的风电场微观选址方案评价方法

Country Status (1)

Country Link
CN (1) CN110264002B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232675B (zh) * 2020-10-16 2021-09-21 中国气象局气象探测中心 一种组合风场评估方法、装置和系统
CN112884269B (zh) * 2020-12-14 2022-04-01 中国船舶重工集团海装风电股份有限公司 一种基于gis的风电场技术可开发量计算方法及系统
CN113537840A (zh) * 2021-08-27 2021-10-22 龙源（北京）风电工程设计咨询有限公司 一种基于bim的风电场三维设计风险评估系统
CN114819756B (zh) * 2022-06-24 2022-09-27 深圳众城卓越科技有限公司 基于分类模型的风电机组智能选址方法、装置及设备
CN116169727B (zh) * 2023-02-14 2023-11-17 中节能风力发电股份有限公司 无测风数据的老旧风电场重建项目发电量评估方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268572A (zh) * 2013-05-06 2013-08-28 国家电网公司 一种千万千瓦级大型风电基地测风网络的微观选址方法
CN103996074A (zh) * 2014-05-07 2014-08-20 河海大学 基于cfd和改进pso的复杂地形风电场微观选址方法
CN106845677A (zh) * 2016-12-16 2017-06-13 国家电网公司 一种基于尾流影响的大型海上风电场选址方法
CN107153997A (zh) * 2017-03-09 2017-09-12 华电电力科学研究院 一种复杂地形风电机组微观选址方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10022978A1 (de) * 2000-05-11 2002-05-16 Aloys Wobben Verfahren zum Micrositing eines Windparks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268572A (zh) * 2013-05-06 2013-08-28 国家电网公司 一种千万千瓦级大型风电基地测风网络的微观选址方法
CN103996074A (zh) * 2014-05-07 2014-08-20 河海大学 基于cfd和改进pso的复杂地形风电场微观选址方法
CN106845677A (zh) * 2016-12-16 2017-06-13 国家电网公司 一种基于尾流影响的大型海上风电场选址方法
CN107153997A (zh) * 2017-03-09 2017-09-12 华电电力科学研究院 一种复杂地形风电机组微观选址方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A reviewandrecentdevelopmentsintheoptimalwind-turbine;Javier Serrano González 等;《RenewableandSustainableEnergyReviews》;20131018;第30卷;第133-144页 *
复杂地形风电场微观选址优化;许昌 等;《中国电机工程学报》;20131130;第33卷(第31期);第58-64页 *

Also Published As

Publication number Publication date
CN110264002A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110264002B (zh) 基于聚类分析的风电场微观选址方案评价方法
Sun et al. Estimating the spatial distribution of solar photovoltaic power generation potential on different types of rural rooftops using a deep learning network applied to satellite images
CN103268366B (zh) 一种适用于分散式风电场的组合风电功率预测方法
CN103489046A (zh) 风电场短期功率预测方法
CN103942736B (zh) 一种风电场多机等值建模方法
CN107909211B (zh) 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
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
CN103473621A (zh) 风电场短期功率预测方法
CN103955521B (zh) 一种风电场机群划分方法
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
Chiteka et al. A method to predict solar photovoltaic soiling using artificial neural networks and multiple linear regression models
CN109272258B (zh) 基于K-means聚类的区域风光发电资源评估方法
CN113205210A (zh) 复杂地形风电场风速与功率预测方法、系统、设备及存储介质
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
Zang et al. Combined empirical and machine learning modeling method for estimation of daily global solar radiation for general meteorological observation stations
CN105138729B (zh) 基于pso‑grnn风电场风电机缺损风速值填充方法
Chang et al. An ensemble learning model based on Bayesian model combination for solar energy prediction
CN112633632A (zh) 一种基于信号分解技术的集成短期风电集群功率预测方法
CN112700349A (zh) 测风塔选址方法和装置
Gonzalez-Longatt Wind Resource Potential in Los Taques-Venezuela
CN108832623B (zh) 一种物理-统计混合两阶段风电功率预测方法
CN113051845B (zh) 在役山地风电场实时风资源可视化评估方法、系统、设备及存储介质
CN113610285A (zh) 一种分散式风电的功率预测方法
CN113920349A (zh) 基于密度峰值-fcm的含气象数据的风光典型场景构造方法
CN112085272A (zh) 一种风功率预测方法

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