CN112529735B - 一种风电场风电机组等值分群方法、装置及存储介质 - Google Patents

一种风电场风电机组等值分群方法、装置及存储介质 Download PDF

Info

Publication number
CN112529735B
CN112529735B CN202011547472.0A CN202011547472A CN112529735B CN 112529735 B CN112529735 B CN 112529735B CN 202011547472 A CN202011547472 A CN 202011547472A CN 112529735 B CN112529735 B CN 112529735B
Authority
CN
China
Prior art keywords
wind
wind turbine
power plant
grouping
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
Application number
CN202011547472.0A
Other languages
English (en)
Other versions
CN112529735A (zh
Inventor
戴仲覆
刘蔚
翟鹤峰
江出阳
洪潮
赵利刚
陈刚
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.)
CSG Electric Power Research Institute
China Southern Power Grid Co Ltd
Original Assignee
CSG Electric Power Research Institute
China Southern Power Grid 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 CSG Electric Power Research Institute, China Southern Power Grid Co Ltd filed Critical CSG Electric Power Research Institute
Priority to CN202011547472.0A priority Critical patent/CN112529735B/zh
Publication of CN112529735A publication Critical patent/CN112529735A/zh
Application granted granted Critical
Publication of CN112529735B publication Critical patent/CN112529735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供一种风电场风电机组等值分群方法、装置及存储介质，方法包括：S1、采集风电场每台风电机组的若干个风电场分群判断指标对应的数据；S2、从n台风电机组中随机选择一台未被分群的风电机组在m维空间内对应的点作为中心点；S3、计算移动向量；将符合预设条件的风电机组纳入群Cj，j为群编号，1≤j≤n；S4、根据移动向量更新中心点；S5、判断所述移动向量的模是否小于预设的阈值；若小于，跳转至S6，否则，返回S3；S6、判断所有的风电机组是否均被分群，若是，则输出所有群Cj，否则以j＝j+1更新群编号，返回S2。本发明能够提高风电场的建模仿真效率，还保证了仿真精度在合理的范围之内，此外，本发明实施例能够在计算过程自适应确定分群数量，无需事先输入。

Description

一种风电场风电机组等值分群方法、装置及存储介质
技术领域
本发明涉及风电场机组分群技术领域，尤其涉及一种风电场风电机组等值分群方法、装置及存储介质。
背景技术
近年来，随着风力发电技术日趋成熟，风电场的并网规模越来越大，风电场并网后对电力系统的影响也越来越不容忽视。为了充分分析风电场并网后给电力系统带来的影响，需要在电力系统仿真中进行较精准的风电场建模。然而，一个大型风电场可能由数以百计的风电机组组成，若对每台风电机组均建立详细模型，将大幅提升电力系统仿真模型的时间复杂度和空间复杂度，甚至面临“维数灾”问题。因此，有必要研究风电场的等值建模方法，在保证计算精度的前提下，用少数几台等值机组表征风电场，从而提高仿真效率。
而在风电场的等值建模过程中，风电场风电机组的等值分群方法又是至关重要的环节。现阶段最常用的风电场等值分群方法是传统的单机等值法，即假设风电场内所有风电机组在同一风速下运行，将全部机组的出力等相关参数简单相加而等值为1台风电机组。由于风电场内各机组的运行情况差别很大，单机等值法建模通常产生较大误差，仿真精度难以得到保证。现有其他分群方法如K-means算法需要在计算前输入风电场风电机组的分群数量，该分群数量完全由主观确定，若分群数量选择不恰当将对仿真结果精度造成较大影响。
发明内容
本发明的目的在于提供一种风电场风电机组等值分群方法、装置及存储介质，以提高风电场的建模仿真效率，同时保证仿真精度在合理的范围之内。
为实现上述目的，本发明实施例提供一种风电场机组等值分群方法，包括：
S1、采集若干个风电场分群判断指标对应的数据，根据所述数据，形成风电场分群判断指标矩阵A，
Figure BDA0002856082050000011
其中，n为风电场风电机组的台数，m为风电场分群判断指标的维度，即风电场分群判断指标的个数，anm表示第n台风电机组的第m个风电场分群判断指标的值；矩阵A的第i行，i≤n，为第i台风电机组在m维空间内的坐标，第i台风电机组在m维空间内对应的点为xi(ai1 ai2 … aim)；令Sn为n台风电机组在m维空间内对应的点的集合，则xi∈Sn；
S2、从所述n台风电机组中随机选择一台未被分群的风电机组在m维空间内对应的点作为中心点；
S3、根据公式
Figure BDA0002856082050000021
计算移动向量，其中，x∈Rm为中心点，xi∈Rm为与n台风电机组相对应的n个样本点，Sh为以x为中心的半径为h的高维球体，表示分群有效区域，其中包含k个样本点；将集合G＝Sh∩Sn中的点对应的风电机组纳入群Cj，j为群编号，1≤j≤n；
S4、根据公式
Figure BDA0002856082050000022
更新中心点；其中，
Figure BDA0002856082050000023
为t状态下的移动向量，xt为t状态下的中心点，xt+1为t+1状态下的中心点；
S5、判断所述移动向量的模是否小于预设的阈值；若小于，跳转至S6，否则，返回S3；
S6、判断所有的风电机组是否均被分群，若是，则输出所有群Cj，否则以j＝j+1更新群编号，返回S2。
进一步地，所述风电场分群判断指标为风速、风机转速、电磁功率、机械功率、浆距角中的一种或几种。
第二方面，本发明实施例提供一种风电场风电机组等值分群装置，包括：
采集模块，用于采集若干个风电场分群判断指标对应的数据，根据所述数据，形成风电场分群判断指标矩阵A，
Figure BDA0002856082050000024
其中，n为风电场风电机组的台数，m为风电场分群判断指标的维度，即风电场分群判断指标的个数，anm表示第n台风电机组的第m个风电场分群判断指标的值；矩阵A的第i行，i≤n，为第i台风电机组在m维空间内的坐标，第i台风电机组在m维空间内对应的点为xi(ai1 ai2 … aim)；令Sn为n台风电机组在m维空间内对应的点的集合，则xi∈Sn；
中心点选取模块，用于从所述n台风电机组中随机选择一台未被分群的风电机组在m维空间内对应的点作为中心点；
移动向量计算及分群模块，用于根据公式
Figure BDA0002856082050000031
计算移动向量，其中，x∈Rm为中心点，xi∈Rm为与n台风电机组相对应的n个样本点，Sh为以x为中心的半径为h的高维球体，表示分群有效区域，其中包含k个样本点；将集合G＝Sh∩Sn中的点对应的风电机组纳入群Cj，j为群编号，1≤j≤n；
中心点更新模块，用于根据公式
Figure BDA0002856082050000032
更新中心点；其中，
Figure BDA0002856082050000033
为t状态下的移动向量，xt为t状态下的中心点，xt+1为t+1状态下的中心点；
第一判断模块，用于判断所述移动向量的模是否小于预设的阈值，若小于，跳转至第二判断模块，否则，返回所述移动向量计算及分群模块；
第二判断模块，用于判断所有的风电机组是否均被分群，若是，则输出所有群Cj，否则以j＝j+1更新群编号，返回所述中心点选取模块。
进一步地，所述风电场分群判断指标为风速、风机转速、电磁功率、机械功率、浆距角中的一种或几种。
第三方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一项所述的风电场风电机组等值分群方法
与现有技术相比，本发明实施例通过采集若干个风电场分群判断指标对应的数据，根据所述数据，形成风电场分群判断指标矩阵A，
Figure BDA0002856082050000034
其中，n为风电场风电机组的台数，m为风电场分群判断指标的维度，即风电场分群判断指标的个数，anm表示第n台风电机组的第m个风电场分群判断指标的值；矩阵A的第i行，i≤n，为第i台风电机组在m维空间内的坐标，第i台风电机组在m维空间内对应的点为xi(ai1 ai2 … aim)；令Sn为n台风电机组在m维空间内对应的点的集合，则xi∈Sn；S2、从所述n台风电机组中随机选择一台未被分群的风电机组在m维空间内对应的点作为中心点；S3、根据公式
Figure BDA0002856082050000035
计算移动向量，其中，x∈Rm为中心点，xi∈Rm为与n台风电机组相对应的n个样本点，Sh为以x为中心的半径为h的高维球体，表示分群有效区域，其中包含k个样本点；将集合G＝Sh∩Sn中的点对应的风电机组纳入群Cj，j为群编号，1≤j≤n；S4、根据公式
Figure BDA0002856082050000036
更新中心点；其中，
Figure BDA0002856082050000041
为t状态下的移动向量，xt为t状态下的中心点，xt+1为t+1状态下的中心点；S5、判断所述移动向量的模是否小于预设的阈值；若小于，跳转至S6，否则，返回S3；S6、判断所有的风电机组是否均被分群，若是，则输出所有群Cj，否则以j＝j+1更新群编号，返回S2。这样，本发明能够较快速地实现将具有某一类共性的风电机组聚合起来，用一台等值机组表征，从而提高了风电场的建模仿真效率，还保证了仿真精度在合理的范围之内，此外，本发明实施例能够在计算过程自适应确定分群数量，无需事先输入。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的风电场风电机组等值分群方法的流程示意图；
图2是本发明一实施例提供的风电场风电机组等值分群装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，本发明实施例提供一种风电场风电机组等值分群方法，
S1、采集若干个风电场分群判断指标对应的数据，根据所述数据，形成风电场分群判断指标矩阵A，
Figure BDA0002856082050000051
其中，n为风电场风电机组的台数，m为风电场分群判断指标的维度，即风电场分群判断指标的个数，anm表示第n台风电机组的第m个风电场分群判断指标的值；矩阵A的第i行，i≤n，为第i台风电机组在m维空间内的坐标，第i台风电机组在m维空间内对应的点为xi(ai1 ai2 … aim)；令Sn为n台风电机组在m维空间内对应的点的集合，则xi∈Sn。
S2、从所述n台风电机组中随机选择一台未被分群的风电机组在m维空间内对应的点作为中心点。
S3、根据公式
Figure BDA0002856082050000052
计算移动向量，其中，x∈Rm为中心点，xi∈Rm为与n台风电机组相对应的n个样本点，Sh为以x为中心的半径为h的高维球体，表示分群有效区域，其中包含k个样本点；将集合G＝Sh∩Sn中的点对应的风电机组纳入群Cj，j为群编号，1≤j≤n。
在本发明实施例中，所述中心点为S2中选取的中心点，所述半径h为一预先设置好的值。
S4、根据公式
Figure BDA0002856082050000053
更新中心点；其中，
Figure BDA0002856082050000054
为t状态下的移动向量，xt为t状态下的中心点，xt+1为t+1状态下的中心点。
在本发明实施例中，xt为t状态下的中心点，应当理解为xt为t状态下中心点的位置，同理，xt+1为t+1状态下的中心点的位置。
S5、判断所述移动向量的模是否小于预设的阈值；若小于，跳转至S6，否则，返回S3。
在本发明实施例中，所述预设的阈值是给定的很小正值。
在本发明实施例中，应当理解的是，当所述所述移动向量的模小于预设的阈值，即完成一次分群。
S6、判断所有的风电机组是否均被分群，若是，则输出所有群Cj，否则以j＝j+1更新群编号，返回S2。
作为本发明实施例的一种举例，所述风电场分群判断指标为风速、风机转速、电磁功率、机械功率、浆距角中的一种或几种。
在本发明实施例中，需要说明的是，风电场分群判断指标不仅仅仅可选取风速、风机转速、电磁功率、机械功率和浆距角这些与风电机组相关的指标，本领域技术人员可根据实际的需求选取其他与风电机组相关的指标作为风电场分群判断指标，本发明在此不作限制。
与现有技术相比，本发明实施例通过采集若干个风电场分群判断指标对应的数据，根据所述数据，形成风电场分群判断指标矩阵A，
Figure BDA0002856082050000061
其中，n为风电场风电机组的台数，m为风电场分群判断指标的维度，即风电场分群判断指标的个数，anm表示第n台风电机组的第m个风电场分群判断指标的值；矩阵A的第i行，i≤n，为第i台风电机组在m维空间内的坐标，第i台风电机组在m维空间内对应的点为xi(ai1 ai2 … aim)；令Sn为n台风电机组在m维空间内对应的点的集合，则xi∈Sn；S2、从所述n台风电机组中随机选择一台未被分群的风电机组在m维空间中内对应的点作为中心点；S3、根据公式
Figure BDA0002856082050000062
计算移动向量，其中，x∈Rm为中心点，xi∈Rm为与n台风电机组相对应的n个样本点，Sh为以x为中心的半径为h的高维球体，表示分群有效区域，其中包含k个样本点；将集合G＝Sh∩Sn中的点对应的风电机组纳入群Cj，j为群编号，1≤j≤n；S4、根据公式
Figure BDA0002856082050000063
更新中心点；其中，
Figure BDA0002856082050000064
为t状态下的移动向量，xt为t状态下的中心点，xt+1为t+1状态下的中心点；S5、判断所述移动向量的模是否小于预设的阈值；若小于，跳转至S6，否则，返回S3；S6、判断所有的风电机组是否均被分群，若是，则输出所有群Cj，否则以j＝j+1更新群编号，返回S2。这样，本发明能够较快速地实现将具有某一类共性的风电机组聚合起来，用一台等值机组表征，从而提高了风电场的建模仿真效率，还保证了仿真精度在合理的范围之内，此外，本发明实施例能够在计算过程自适应确定分群数量，无需事先输入。
实施例2：
本发明实施例提供一种风电场风电机组等值分群装置，包括：
采集模块1，用于采集若干个风电场分群判断指标对应的数据，根据所述数据，形成风电场分群判断指标矩阵A，
Figure BDA0002856082050000071
其中，n为风电场风电机组的台数，m为风电场分群判断指标的维度，即风电场分群判断指标的个数，anm表示第n台风电机组的第m个风电场分群判断指标的值；矩阵A的第i行，i≤n，为第i台风电机组在m维空间内的坐标，第i台风电机组在m维空间内对应的点为xi(ai1 ai2 … aim)；令Sn为n台风电机组在m维空间内对应的点的集合，则xi∈Sn；
中心点选取模块2，用于从所述n台风电机组中随机选择一台未被分群的风电机组在m维空间内对应的点作为中心点；
移动向量计算及分群模块3，用于根据公式
Figure BDA0002856082050000072
计算移动向量，其中，x∈Rm为中心点，xi∈Rm为与n台风电机组相对应的n个样本点，Sh为以x为中心的半径为h的高维球体，表示分群有效区域，其中包含k个样本点；将集合G＝Sh∩Sn中的点对应的风电机组纳入群Cj，j为群编号，1≤j≤n；
中心点更新模块4，用于根据公式
Figure BDA0002856082050000073
更新中心点；其中，
Figure BDA0002856082050000074
为t状态下的移动向量，xt为t状态下的中心点，xt+1为t+1状态下的中心点；
第一判断模块5，用于判断所述移动向量的模是否小于预设的阈值，若小于，跳转至第二判断模块，否则，返回所述移动向量计算及分群模块；
第二判断模块6，用于判断所有的风电机组是否均被分群，若是，则输出所有群Cj，否则以j＝j+1更新群编号，返回所述中心点选取模块。
作为本发明实施例的一种举例，所述风电场分群判断指标为风速、风机转速、电磁功率、机械功率、浆距角中的一种或几种。
在本发明实施例中，需要说明的是，风电场分群判断指标不仅仅仅可选取风速、风机转速、电磁功率、机械功率和浆距角这些与风电机组相关的指标，本领域技术人员可根据实际的需求选取其他与风电机组相关的指标作为风电场分群判断指标，本发明在此不作限制。
实施例3：
本发明还提供了一种计算机可读存储介质，具体包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的风电场风电机组等值分群方法
需要说明的是，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要进一步说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (5)

1.一种风电场风电机组等值分群方法，其特征在于，包括：
S1、采集若干个风电场分群判断指标对应的数据，根据所述数据，形成风电场分群判断指标矩阵A，
Figure FDA0002856082040000011
其中，n为风电场风电机组的台数，m为风电场分群判断指标的维度，即风电场分群判断指标的个数，anm表示第n台风电机组的第m个风电场分群判断指标的值；矩阵A的第i行，i≤n，为第i台风电机组在m维空间内的坐标，第i台风电机组在m维空间内对应的点为xi(ai1 ai2…aim)；令Sn为n台风电机组在m维空间内对应的点的集合，则xi∈Sn；
S2、从所述n台风电机组中随机选择一台未被分群的风电机组在m维空间内对应的点作为中心点；
S3、根据公式
Figure FDA0002856082040000012
计算移动向量，其中，x∈Rm为中心点，xi∈Rm为与n台风电机组相对应的n个样本点，Sh为以x为中心的半径为h的高维球体，表示分群有效区域，其中包含k个样本点；将集合G＝Sh∩Sn中的点对应的风电机组纳入群Cj，j为群编号，1≤j≤n；
S4、根据公式
Figure FDA0002856082040000013
更新中心点；其中，
Figure FDA0002856082040000014
为t状态下的移动向量，xt为t状态下的中心点，xt+1为t+1状态下的中心点；
S5、判断所述移动向量的模是否小于预设的阈值；若小于，跳转至S6，否则，返回S3；
S6、判断所有的风电机组是否均被分群，若是，则输出所有群Cj，否则以j＝j+1更新群编号，返回S2。
2.根据权利要求1所述的风电场风电机组等值分群方法，其特征在于，所述风电场分群判断指标为风速、风机转速、电磁功率、机械功率、桨 距角中的一种或几种。
3.一种风电场风电机组等值分群装置，其特征在于，包括：
采集模块，用于采集若干个风电场分群判断指标对应的数据，根据所述数据，形成风电场分群判断指标矩阵A，
Figure FDA0002856082040000021
其中，n为风电场风电机组的台数，m为风电场分群判断指标的维度，即风电场分群判断指标的个数，anm表示第n台风电机组的第m个风电场分群判断指标的值；矩阵A的第i行，i≤n，为第i台风电机组在m维空间内的坐标，第i台风电机组在m维空间内对应的点为xi(ai1 ai2…aim)；令Sn为n台风电机组在m维空间内对应的点的集合，则xi∈Sn；
中心点选取模块，用于从所述n台风电机组中随机选择一台未被分群的风电机组在m维空间内对应的点作为中心点；
移动向量计算及分群模块，用于根据公式
Figure FDA0002856082040000022
计算移动向量，其中，x∈Rm为中心点，xi∈Rm为与n台风电机组相对应的n个样本点，Sh为以x为中心的半径为h的高维球体，表示分群有效区域，其中包含k个样本点；将集合G＝Sh∩Sn中的点对应的风电机组纳入群Cj，j为群编号，1≤j≤n；
中心点更新模块，用于根据公式
Figure FDA0002856082040000023
更新中心点；其中，
Figure FDA0002856082040000024
为t状态下的移动向量，xt为t状态下的中心点，xt+1为t+1状态下的中心点；
第一判断模块，用于判断所述移动向量的模是否小于预设的阈值，若小于，跳转至第二判断模块，否则，返回所述移动向量计算及分群模块；
第二判断模块，用于判断所有的风电机组是否均被分群，若是，则输出所有群Cj，否则以j＝j+1更新群编号，返回所述中心点选取模块。
4.根据权利要求3所述的风电场风电机组等值分群装置，其特征在于，所述风电场分群判断指标为风速、风机转速、电磁功率、机械功率、桨 距角中的一种或几种。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至2中任一项所述的风电场风电机组等值分群方法。
CN202011547472.0A 2020-12-23 2020-12-23 一种风电场风电机组等值分群方法、装置及存储介质 Active CN112529735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011547472.0A CN112529735B (zh) 2020-12-23 2020-12-23 一种风电场风电机组等值分群方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011547472.0A CN112529735B (zh) 2020-12-23 2020-12-23 一种风电场风电机组等值分群方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112529735A CN112529735A (zh) 2021-03-19
CN112529735B true CN112529735B (zh) 2022-08-26

Family

ID=74976061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011547472.0A Active CN112529735B (zh) 2020-12-23 2020-12-23 一种风电场风电机组等值分群方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112529735B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942391A (zh) * 2014-04-22 2014-07-23 广东电网公司电网规划研究中心 基于实测运行数据的风电场建模方法
CN105184683A (zh) * 2015-10-10 2015-12-23 华北电力科学研究院有限责任公司 一种基于风电场运行数据的概率聚类分群方法
CN106503839A (zh) * 2016-10-14 2017-03-15 上海电力学院 一种海上风电场环形集电网络分层规划方法
CN109086527A (zh) * 2018-08-03 2018-12-25 合肥工业大学 一种基于风电机组运行状态的实用化等值建模方法
CN110516586A (zh) * 2019-08-23 2019-11-29 深圳力维智联技术有限公司 一种人脸图像聚类方法、系统、产品及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104112062B (zh) * 2014-06-05 2018-02-16 清华大学 基于插值方法的风资源分布的获取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942391A (zh) * 2014-04-22 2014-07-23 广东电网公司电网规划研究中心 基于实测运行数据的风电场建模方法
CN105184683A (zh) * 2015-10-10 2015-12-23 华北电力科学研究院有限责任公司 一种基于风电场运行数据的概率聚类分群方法
CN106503839A (zh) * 2016-10-14 2017-03-15 上海电力学院 一种海上风电场环形集电网络分层规划方法
CN109086527A (zh) * 2018-08-03 2018-12-25 合肥工业大学 一种基于风电机组运行状态的实用化等值建模方法
CN110516586A (zh) * 2019-08-23 2019-11-29 深圳力维智联技术有限公司 一种人脸图像聚类方法、系统、产品及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于实测风功率曲线的风电场等值模型;白一秀等;《兰州交通大学学报》;20180430;第58-64页 *

Also Published As

Publication number Publication date
CN112529735A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN111027629A (zh) 基于改进随机森林的配电网故障停电率预测方法及系统
CN111680642B (zh) 一种地形分类方法及装置
CN108053077A (zh) 一种基于区间二型t-s模糊模型的短期风速预测方法与系统
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN106503279B (zh) 一种用于电力系统暂态稳定评估的建模方法
CN112308281A (zh) 一种温度信息预测方法及装置
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN112651576A (zh) 长期风电功率预测方法及装置
CN116799796A (zh) 一种光伏发电功率预测方法、装置、设备及介质
Darwish et al. Machine learning classification and prediction of wind estimation using artificial intelligence techniques and normal PDF
CN114416423A (zh) 一种基于机器学习的根因定位方法和系统
CN112418504B (zh) 一种基于混合变量选择优化深度信念网络风速预测方法
CN112529735B (zh) 一种风电场风电机组等值分群方法、装置及存储介质
CN105354346B (zh) 一种风电机组参数辨识方法
CN116629137B (zh) 风电机组能效管理方法、装置及变桨通讯控制系统
CN115034278A (zh) 性能指标异常检测方法、装置、电子设备和存储介质
CN117195449A (zh) 一种风电场排布优化方法、装置、设备及介质
CN112330051A (zh) 一种基于Kmeans与FR-DBN的短期负荷预测方法
CN109344875B (zh) 基于聚类分析的日风电出力时序生成方法及装置
CN111950752A (zh) 光伏电站发电量预测方法、装置、系统及其存储介质
Xiong et al. Fault detection of UHV converter valve based on optimized cost-sensitive extreme random forest
CN115185804A (zh) 服务器性能预测方法、系统、终端及存储介质
CN115146822A (zh) 光伏发电预测方法、装置及终端设备
CN113449968B (zh) 一种基于深度学习的新能源电网频率风险评估方法及装置
CN114154679B (zh) 一种基于Spark的PCFOA-KELM风功率预测方法及装置

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
GR01 Patent grant
GR01 Patent grant