CN114139632A - 一种风电场风电机组在线分类方法及系统 - Google Patents

一种风电场风电机组在线分类方法及系统 Download PDF

Info

Publication number
CN114139632A
CN114139632A CN202111466790.9A CN202111466790A CN114139632A CN 114139632 A CN114139632 A CN 114139632A CN 202111466790 A CN202111466790 A CN 202111466790A CN 114139632 A CN114139632 A CN 114139632A
Authority
CN
China
Prior art keywords
wind
standard deviation
average value
speed
pitch angle
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
Application number
CN202111466790.9A
Other languages
English (en)
Inventor
郭强
胡阳
房方
潘捷
薛志伟
付文华
白志刚
杨琦
芦晓辉
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.)
State Grid Electric Power Research Institute Of Sepc
North China Electric Power University
Original Assignee
State Grid Electric Power Research Institute Of Sepc
North China Electric Power University
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 State Grid Electric Power Research Institute Of Sepc, North China Electric Power University filed Critical State Grid Electric Power Research Institute Of Sepc
Priority to CN202111466790.9A priority Critical patent/CN114139632A/zh
Publication of CN114139632A publication Critical patent/CN114139632A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Power Engineering (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及一种风电场风电机组在线分类方法及系统，基于风电场每台风电机组的SCADA数据，如风电机组功率输出数据、风速数据、桨距角数据和转子转速数据，建立能反映每台风电机组运行特性的特征矩阵，对特征矩阵进行分类运算，选用自适应混沌粒子群模糊C均值聚类算法，进而得到两类风电机组，本发明能够大大减小了整个风电场优化调度过程负荷指令分配复杂性，提高风电场优化调度的实时性。且标杆机组在下一调度周期内优先参与风电场调度任务，并且在参与调度任务时以最大功率发电，不用频繁启停机组和限功率运行，可减小标杆机组的硬件损耗及桨距角控制系统控制压力，提高该类风电机组的稳定裕度和使用寿命。

Description

一种风电场风电机组在线分类方法及系统
技术领域
本发明涉及风电电网调度技术领域，特别是涉及一种风电场风电机组在线分类方法及系统。
背景技术
当风电场得到电网调度中心下发的负荷指令时，需要考虑采取何种策略将风电场总功率指令分配给各个风电机组。较为传统的方法有固定权值分配方法，即根据各风电机组的额定容量为权值，将风电场的总功率指令按照权值均分，然后分配到各个风电机组上。但是，由于风电场地域辽阔，风电场中风电机组的分布较为分散。由于各台风电机组所处的地理环境不同，以及尾流效应的影响，再加上风的随机性和间歇性，各台风电机组所接受的风的情况不同，每台风电机组的运行状态和功率输出特性不同。功率固定权值分配方法并没有考虑到风电机组之间不同的功率输出特性，因此，并不能得到较好的功率指令分配结果，这也会降低风力发电的利用率。
此外在风电场组功率优化调度时，如果直接让场内所有机组都参与到优化调度中，计算复杂度较大，计算时间较长，不利于风电机组优化调度的实时性。其次，风电机组在改变自己各调度周期的功率输出量时所产生的较多的启停状态的改变以及较大的限功率运行状态，会给风电机组带来较大的硬件损耗和增加桨距角控制系统控制压力，降低风电机组的稳定裕度和使用寿命。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种风电场风电机组在线分类方法及系统。
为实现上述目的，本发明提供了如下方案：
一种风电场风电机组在线分类方法，包括：
采集风电场SCADA系统的历史数据；
根据所述历史数据计算每台风电机组输出功率的平均值、输出功率的标准差、风速的平均值和风速的标准差、桨距角的平均值和桨距角的标准差、转子转速的平均值和转子转速的标准差；
根据所述输出功率的平均值、所述输出功率的标准差、所述风速的平均值、所述风速的标准差、所述桨距角的平均值、所述桨距角的标准差、所述转子转速的平均值和所述转子转速的标准差建立风机特征矩阵；
基于自适应混沌粒子群模糊C均值聚类算法，根据所述风机特征矩阵对风电机组进行分类，得到多类风电机组；
根据所述多类风电机组中每类机组的输出功率的平均值、输出功率的标准差、风速的平均值、风速的标准差、桨距角的平均值、桨距角的标准差、转子转速的平均值和转子转速的标准差将机组分成标杆机组和非标杆机组。
优选地，所述采集风电场SCADA系统的历史数据，包括：
确定所述风电场SCADA系统的风电机组总数和预设时间；
采集所有风电机组在所述预设时间的输出功率Pi j、风速
Figure BDA0003391890440000023
桨距角Wi j、转子转速Vi j；其中，Pi j表示第i台风电机组在第j个时间段的输出有功功率，
Figure BDA0003391890440000024
表示第i台风电机组在第j个时间段的风速，Wi j表示第i台风电机组在第j个时间段的桨距角，Vi j表示第i台风电机组在第j个时间段的转子转速，其中i＝1,2,…,s，j＝1,2,…,n，s表示所述风电机组总数，n表示所述预设时间平均分成的单位份数。
优选地，所述根据所述历史数据计算每台风电机组输出功率的平均值、输出功率的标准差、风速的平均值和风速的标准差、桨距角的平均值和桨距角的标准差、转子转速的平均值和转子转速的标准差，包括：
根据公式
Figure BDA0003391890440000021
计算所述输出功率的平均值；其中，Pi mean表示第i台风电机组在n个时间段内输出有功功率的平均值；
根据公式
Figure BDA0003391890440000022
计算所述风速的平均值；其中
Figure BDA0003391890440000025
表示第i台风电机组在n个时间段内风速的平均值；
根据公式
Figure BDA0003391890440000031
计算所述风机桨距角的平均值；其中Wi mean表示第台风电机组在n个时间段内风机桨距角的平均值；
根据公式
Figure BDA0003391890440000032
计算所述转子转速的平均值；其中，Vi mean表示第i台风电机组在n个时间段内转子转速的平均值；
根据公式
Figure BDA0003391890440000033
计算所述输出功率的标准差；其中，Pi std表示第i台风电机组在n个时间段内输出功率的标准差；
根据
Figure BDA0003391890440000034
计算所述风速的标准差；其中，
Figure BDA00033918904400000315
表示第i台风电机组在n个时间段内风速的标准差。
根据
Figure BDA0003391890440000035
计算所述桨距角的标准差；其中，Vi std表示第i台风电机组在n个时间段内桨距角的标准差。
根据
Figure BDA0003391890440000036
计算所述转子转速的标准差；其中，Vi std表示第i台风电机组在n个时间段内转子转速的标准差。
优选地，所述根据所述输出功率的平均值、所述输出功率的标准差、所述风速的平均值和所述风速的标准差建立风机特征矩阵，包括：
分别根据公式
Figure BDA0003391890440000037
公式
Figure BDA0003391890440000038
公式
Figure BDA0003391890440000039
公式
Figure BDA00033918904400000310
公式
Figure BDA00033918904400000311
公式
Figure BDA00033918904400000312
公式
Figure BDA00033918904400000313
和公式
Figure BDA00033918904400000314
对所述输出功率的平均值、所述风速的平均值、所述桨距角的平均值、所述转子动能的平均值、所述输出功率的标准差、所述风速的标准差、所述桨距角的标准差和所述转子转速的标准差进行归一化处理；其中Pi mean0-1为所述输出功率的平均值的归一化结果，
Figure BDA00033918904400000316
和
Figure BDA00033918904400000317
分别为风机输出有功功率的平均值的最大值和最小值；
Figure BDA0003391890440000041
为所述风速的平均值的归一化结果，
Figure BDA0003391890440000042
和
Figure BDA0003391890440000043
分别为风机风速的平均值的最大值和最小值；Wi mean0-1为所述桨距角的平均值的归一化结果，
Figure BDA0003391890440000044
和
Figure BDA0003391890440000045
分别为风机桨距角的平均值的最大值和最小值；Vi mean0-1为所述转子转速的平均值的归一化结果，
Figure BDA0003391890440000046
和
Figure BDA0003391890440000047
分别为转子转速的平均值的最大值和最小值；Pi std0-1为所述输出功率的标准差的归一化结果，
Figure BDA0003391890440000049
和
Figure BDA00033918904400000410
分别为风机输出有功功率的标准差的最大值和最小值；
Figure BDA00033918904400000411
为所述风速的标准差的归一化结果，
Figure BDA00033918904400000412
和
Figure BDA00033918904400000413
分别为风机风速的标准差的最大值和最小值；Wi std0-1为所述桨距角的标准差的归一化结果，
Figure BDA00033918904400000414
和
Figure BDA00033918904400000415
分别为桨距角的标准差的最大值和最小值；Vi std0-1为所述转子转速的标准差的归一化结果，
Figure BDA00033918904400000416
和
Figure BDA00033918904400000417
分别为转子转速的标准差的最大值和最小值；
根据所述归一化结果构建所述风机特征矩阵，所述风机特征矩阵包括
Figure BDA0003391890440000048
优选地，所述基于自适应混沌粒子群模糊C均值聚类算法，根据所述风机特征矩阵对风电机组进行分类，得到多类风电机组，包括：
设定粒子参数的范围，并对所述粒子参数进行初始化处理；
计算所述风机特征矩阵中每个个体的适应值；
根据所述适应值确定全局最优粒子gbest和个体最优粒子pbest；
根据所述全局最优粒子gbest和所述个体最优粒子pbest计算步长参数；
根据所述步长参数对所述粒子参数进行更新；
根据更新后的粒子参数、所述全局最优粒子gbest和所述个体最优粒子pbest更新速度和位置矩阵；
对更新后的速度和位置矩阵中的个体进行归一化处理；
判断当前迭代代数是否大于或等于预设循环次数，若是，则输出隶属度优化矩阵，若否，则返回步骤“计算所述风机特征矩阵中每个个体的适应值”；
根据所述隶属度优化矩阵将风电机组分成所述多类风电机组。
一种风电场风电机组在线分类系统，包括：
采集模块，用于采集风电场SCADA系统的历史数据；
计算模块，用于根据所述历史数据计算每台风电机组输出功率的平均值、输出功率的标准差、风速的平均值、风速的标准差、桨距角的平均值、桨距角的标准差、转子转速的平均值和转子转速的标准差；
矩阵建立模块，用于根据所述输出功率的平均值、所述输出功率的标准差、所述风速的平均值、所述风速的标准差、所述桨距角的平均值、所述桨距角的标准差、所述转子转速的平均值和所述转子转速的标准差建立风机特征矩阵；
第一分类模块，用于基于自适应混沌粒子群模糊C均值聚类算法，根据所述风机特征矩阵对风电机组进行分类，得到多类风电机组；
第二分类模块，用于根据所述多类风电机组中每类机组的输出功率的平均值、输出功率的标准差、风速的平均值、风速的标准差、桨距角的平均值、桨距角的标准差、转子转速的平均值和转子转速的标准差将机组分成标杆机组和非标杆机组。
优选地，所述采集模块具体包括：
确定单元，用于确定所述风电场SCADA系统的风电机组总数和预设时间；
采集单元，用于采集所有风电机组在所述预设时间的输出功率Pi j、风速
Figure BDA0003391890440000052
桨距角Wi j、转子转速Vi j；其中，Pi j表示第i台风电机组在第j个时间段的输出有功功率，
Figure BDA0003391890440000053
表示第i台风电机组在第j个时间段的风速，Wi j表示第i台风电机组在第j个时间段的桨距角，Vi j表示第i台风电机组在第j个时间段的转子转速，其中i＝1,2,…,s，j＝1,2,…,n，s表示所述风电机组总数，n表示所述预设时间平均分成的单位份数。
优选地，所述计算模块具体包括：
第一计算单元，用于根据公式
Figure BDA0003391890440000051
计算所述输出功率的平均值；其中，Pi mean表示第i台风电机组在n个时间段内输出有功功率的平均值；
第二计算单元，用于根据公式
Figure BDA0003391890440000061
计算所述风速的平均值；其中
Figure BDA00033918904400000616
表示第i台风电机组在n个时间段内风速的平均值；
第三计算单元，用于根据公式
Figure BDA0003391890440000062
计算所述风机桨距角的平均值；其中Wi mean表示第台风电机组在n个时间段内风机桨距角的平均值；
第四计算单元，用于根据公式
Figure BDA0003391890440000063
计算所述转子转速的平均值；其中，Vi mean表示第i台风电机组在n个时间段内转子转速的平均值；
第五计算单元，用于根据公式
Figure BDA0003391890440000064
计算所述输出功率的标准差；其中，Pi std表示第i台风电机组在n个时间段内输出功率的标准差；
第六计算单元，用于根据公式
Figure BDA0003391890440000065
计算所述风速的标准差；其中，
Figure BDA00033918904400000617
表示第i台风电机组在n个时间段内风速的标准差；
第七计算单元，用于根据公式
Figure BDA0003391890440000066
计算所述桨距角的标准差；其中，Vi std表示第i台风电机组在n个时间段内桨距角的标准差。
第八计算单元，用于根据公式
Figure BDA0003391890440000067
计算所述转子转速的标准差；其中，Vi std表示第i台风电机组在n个时间段内转子转速的标准差。
优选地，所述矩阵建立模块具体包括：
归一化单元，用于分别根据公式
Figure BDA0003391890440000068
公式
Figure BDA0003391890440000069
公式
Figure BDA00033918904400000610
公式
Figure BDA00033918904400000611
公式
Figure BDA00033918904400000612
公式
Figure BDA00033918904400000613
公式
Figure BDA00033918904400000614
和公式
Figure BDA00033918904400000615
对所述输出功率的平均值、所述风速的平均值、所述桨距角的平均值、所述转子动能的平均值、所述输出功率的标准差、所述风速的标准差、所述桨距角的标准差和所述转子转速的标准差进行归一化处理；其中Pi mean0-1为所述输出功率的平均值的归一化结果，
Figure BDA0003391890440000072
和
Figure BDA0003391890440000073
分别为风机输出有功功率的平均值的最大值和最小值；
Figure BDA0003391890440000074
为所述风速的平均值的归一化结果，
Figure BDA0003391890440000075
和
Figure BDA0003391890440000076
分别为风机风速的平均值的最大值和最小值；Wi mean0-1为所述桨距角的平均值的归一化结果，
Figure BDA0003391890440000077
和
Figure BDA0003391890440000078
分别为风机桨距角的平均值的最大值和最小值；Vi mean0-1为所述转子转速的平均值的归一化结果，
Figure BDA0003391890440000079
和
Figure BDA00033918904400000710
分别为转子转速的平均值的最大值和最小值；Pi std0-1为所述输出功率的标准差的归一化结果，
Figure BDA00033918904400000711
和
Figure BDA00033918904400000712
分别为风机输出有功功率的标准差的最大值和最小值；
Figure BDA00033918904400000713
为所述风速的标准差的归一化结果，
Figure BDA00033918904400000714
和
Figure BDA00033918904400000715
分别为风机风速的标准差的最大值和最小值；Wi std0-1为所述桨距角的标准差的归一化结果，
Figure BDA00033918904400000716
和
Figure BDA00033918904400000717
分别为桨距角的标准差的最大值和最小值；Vi std0-1为所述转子转速的标准差的归一化结果，
Figure BDA00033918904400000718
和
Figure BDA00033918904400000719
分别为转子转速的标准差的最大值和最小值；
矩阵建立单元，用于根据所述归一化结果构建所述风机特征矩阵，所述风机特征矩阵包括
Figure BDA0003391890440000071
优选地，所述第一分类模块具体包括：
初始化单元，用于设定粒子参数的范围，并对所述粒子参数进行初始化处理；
适应值计算单元，用于计算所述风机特征矩阵中每个个体的适应值；
最优粒子确定单元，用于根据所述适应值确定全局最优粒子gbest和个体最优粒子pbest；
步长确定单元，用于根据所述全局最优粒子gbest和所述个体最优粒子pbest计算步长参数；
第一更新单元，用于根据所述步长参数对所述粒子参数进行更新；
第二更新单元，用于根据更新后的粒子参数、所述全局最优粒子gbest和所述个体最优粒子pbest更新速度和位置矩阵；
归一处理单元，用于对更新后的速度和位置矩阵中的个体进行归一化处理；
判断单元，用于判断当前迭代代数是否大于或等于预设循环次数，若是，则输出隶属度优化矩阵，若否，则返回步骤“计算所述风机特征矩阵中每个个体的适应值”；
分类单元，用于根据所述隶属度优化矩阵将风电机组分成所述多类风电机组。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种风电场风电机组在线分类方法及系统，基于风电场每台风电机组的SCADA数据，如风电机组功率输出数据、风速数据、桨距角数据和转子转速数据，建立能反映每台风电机组运行特性的特征矩阵，对特征矩阵进行分类运算，选用自适应混沌粒子群模糊C均值聚类算法，进而得到两类风电机组，本发明实现在线将风电场的风电机组分为标杆机组和非标杆机组，能够大大减小了整个风电场优化调度过程负荷指令分配复杂性，提高风电场优化调度的实时性。且标杆机组在下一调度周期内优先参与风电场调度任务，并且在参与调度任务时以最大功率发电，不用频繁启停机组和限功率运行，可减小标杆机组的硬件损耗及桨距角控制系统控制压力，提高该类风电机组的稳定裕度和使用寿命。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的实施例中的风电场风电机组在线分类方法的方法流程图；
图2为本发明提供的实施例中的实现步骤示意图；
图3为本发明提供的实施例中的SACPSOFCM算法聚类各机组隶属度示意图；
图4为本发明提供的实施例中的SACPSOFCM算法聚类各机组轮廓值示意图；
图5为本发明提供的实施例中的风电场风电机组在线分类方法的模块连接图。
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做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。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种风电场风电机组在线分类方法及系统，能够大大减小了整个风电场优化调度过程负荷指令分配复杂性，提高风电场优化调度的实时性。
为使本发明的上述目的、特征和优点能够更加明显易懂，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和图2分别为为本发明提供的实施例中的方法流程图和实现步骤示意图，如图1和图2所示，本发明提供了一种风电场风电机组在线分类方法，包括：
步骤100：采集风电场SCADA系统的历史数据；
步骤200：根据所述历史数据计算每台风电机组输出功率的平均值、输出功率的标准差、风速的平均值和风速的标准差；
步骤300：根据所述输出功率的平均值、所述输出功率的标准差、所述风速的平均值和所述风速的标准差建立风机特征矩阵；
步骤400：基于自适应混沌粒子群模糊C均值聚类算法，根据所述风机特征矩阵对风电机组进行分类，得到多类风电机组；
步骤500：根据所述多类风电机组中每类机组的输出功率的平均值、输出功率的标准差、风速的平均值和风速的标准差将机组分成标杆机组和非标杆机组。
优选地，所述采集风电场SCADA系统的历史数据，包括：
确定所述风电场SCADA系统的风电机组总数和预设时间；
采集所有风电机组在所述预设时间的输出功率Pi j、风速
Figure BDA0003391890440000101
桨距角Wi j、转子转速Vi j；其中，Pi j表示第i台风电机组在第j个时间段的输出有功功率，
Figure BDA0003391890440000102
表示第i台风电机组在第j个时间段的风速，Wi j表示第i台风电机组在第j个时间段的桨距角，Vi j表示第i台风电机组在第j个时间段的转子转速,其中i＝1,2,…,s，j＝1,2,…,n，s表示所述风电机组总数，n表示所述预设时间平均分成的单位份数。
具体的，本实施例中首先采集风电场SCADA系统某时间段内所有风电机组的输出功率和风速数据。具体为采集风电场SCADA系统历史数据中所有风电机组某时间段内的运行状态特征参数输出功率Pi j、风速
Figure BDA0003391890440000103
桨距角Wi j、转子转速Vi j。将该时间段平均分成n等份，Pi j表示第i台风电机组在第j个时间段的输出有功功率，
Figure BDA0003391890440000104
表示第i台风电机组在第j个时间段的风速，Wi j表示第i台风电机组在第j个时间段的桨距角，Vi j表示第i台风电机组在第j个时间段的转子转速，其中i＝1,2,…,s，j＝1,2,…,n。
优选地，所述根据所述历史数据计算每台风电机组输出功率的平均值、输出功率的标准差、风速的平均值和风速的标准差、桨距角的平均值和桨距角的标准差、转子转速的平均值和转子转速的标准差，包括：
根据公式
Figure BDA0003391890440000111
计算所述输出功率的平均值；其中，Pi mean表示第i台风电机组在n个时间段内输出有功功率的平均值；
根据公式
Figure BDA0003391890440000112
计算所述风速的平均值；其中
Figure BDA0003391890440000119
表示第i台风电机组在n个时间段内风速的平均值；
根据公式
Figure BDA0003391890440000113
计算所述风机桨距角的平均值；其中Wi mean表示第台风电机组在n个时间段内风机桨距角的平均值；
根据公式
Figure BDA0003391890440000114
计算所述转子转速的平均值；其中，Vi mean表示第i台风电机组在n个时间段内转子转速的平均值；
根据公式
Figure BDA0003391890440000115
计算所述输出功率的标准差；其中，Pi std表示第i台风电机组在n个时间段内输出功率的标准差；
根据公式
Figure BDA0003391890440000116
计算所述风速的标准差；其中，
Figure BDA00033918904400001110
表示第i台风电机组在n个时间段内风速的标准差。
根据
Figure BDA0003391890440000117
计算所述桨距角的标准差；其中，Vi std表示第i台风电机组在n个时间段内桨距角的标准差。
根据
Figure BDA0003391890440000118
计算所述转子转速的标准差；其中，Vi std表示第i台风电机组在n个时间段内转子转速的标准差。
具体的，根据上一步骤得到的特征数据，计算每台风电机组输出功率的平均值、标准差，风速的平均值、标准差，桨距角的平均值、标准差和转子转速的平均值、标准差；输出功率的平均值反映出了风电机组内部的运行状态，即输出功率的水平以及输出功率的波动情况。由于各个风电机组分布较为分散，各台风电机组所受风速各不相同，因此风速反映出了风电机组外部所受的环境因素。桨距角控制通过调节桨距角从而控制风电机组捕获的机械能，从根源改变了风电机组的发电功率在输出功率，因此桨距角反映就风电机组自身输出效率；转子转速反映处理风电机组内部的运行状态。输出功率、风速、桨距角和转子转速的平均值计算公式为：
Figure BDA0003391890440000121
Figure BDA0003391890440000122
Figure BDA0003391890440000123
Figure BDA0003391890440000124
Pi j表示第i台风电机组在第j个时间段的输出有功功率，Pi mean表示第i台风电机组在n个时间段内输出有功功率的平均值；
Figure BDA0003391890440000127
表示第i台风电机组在第j个时间段的风速，
Figure BDA0003391890440000128
表示第i台风电机组在n个时间段内风速的平均值。Wi j表示第i台风电机组在第j个时间段的桨距角，Wi mean表示第i台风电机组在n个时间段内桨距角的平均值。Vi j表示第i台风电机组在第j个时间段的转子转速，Vi mean表示第i台风电机组在n个时间段内转子转速的平均值。输出功率、风速、桨距角和转子转速的标准差计算公式为：
Figure BDA0003391890440000125
Figure BDA0003391890440000126
Figure BDA0003391890440000131
Figure BDA0003391890440000132
Pi std表示第i台风电机组在n个时间段内输出功率的标准差。
Figure BDA00033918904400001311
表示第i台风电机组在n个时间段内风速的标准差。Wi std表示第i台风电机组在n个时间段内桨距角的标准差。Vi std表示第i台风电机组在n个时间段内转子转速的标准差。
优选地，所述根据所述输出功率的平均值、所述输出功率的标准差、所述风速的平均值、所述风速的标准差、所述桨距角的平均值、所述桨距角的标准差、所述转子转速的平均值和所述转子转速的标准差建立风机特征矩阵，包括：
分别根据公式
Figure BDA0003391890440000133
公式
Figure BDA0003391890440000134
公式
Figure BDA0003391890440000135
公式
Figure BDA0003391890440000136
公式
Figure BDA0003391890440000137
公式
Figure BDA0003391890440000138
公式
Figure BDA0003391890440000139
和公式
Figure BDA00033918904400001310
对所述输出功率的平均值、所述风速的平均值、所述桨距角的平均值、所述转子动能的平均值、所述输出功率的标准差、所述风速的标准差、所述桨距角的标准差和所述转子转速的标准差进行归一化处理；其中Pi mean0-1为所述输出功率的平均值的归一化结果，
Figure BDA00033918904400001312
和
Figure BDA00033918904400001313
分别为风机输出有功功率的平均值的最大值和最小值；
Figure BDA00033918904400001314
为所述风速的平均值的归一化结果，
Figure BDA00033918904400001315
和
Figure BDA00033918904400001316
分别为风机风速的平均值的最大值和最小值；Wi mean0-1为所述桨距角的平均值的归一化结果，
Figure BDA00033918904400001317
和
Figure BDA00033918904400001318
分别为风机桨距角的平均值的最大值和最小值；Vi mean0-1为所述转子转速的平均值的归一化结果，
Figure BDA00033918904400001319
和
Figure BDA00033918904400001320
分别为转子转速的平均值的最大值和最小值；Pi std0 -1为所述输出功率的标准差的归一化结果，
Figure BDA00033918904400001321
和
Figure BDA00033918904400001322
分别为风机输出有功功率的标准差的最大值和最小值；
Figure BDA00033918904400001323
为所述风速的标准差的归一化结果，
Figure BDA00033918904400001324
和
Figure BDA00033918904400001325
分别为风机风速的标准差的最大值和最小值；Wi std0-1为所述桨距角的标准差的归一化结果，
Figure BDA00033918904400001326
和
Figure BDA00033918904400001327
分别为桨距角的标准差的最大值和最小值；Vi std0-1为所述转子转速的标准差的归一化结果，
Figure BDA00033918904400001328
和
Figure BDA00033918904400001329
分别为转子转速的标准差的最大值和最小值；
根据所述归一化结果构建所述风机特征矩阵，所述风机特征矩阵包括
Figure BDA0003391890440000141
具体的，对上述步骤中的Pi mean、
Figure BDA00033918904400001410
Wi mean、Vi mean、Pi std、
Figure BDA00033918904400001411
Wi std、Vi std进行归一化处理：
Figure BDA0003391890440000142
Figure BDA0003391890440000143
Figure BDA0003391890440000144
Figure BDA0003391890440000145
Figure BDA0003391890440000146
Figure BDA0003391890440000147
Figure BDA0003391890440000148
Figure BDA0003391890440000149
其中，
Figure BDA00033918904400001412
和
Figure BDA00033918904400001413
分别为风机输出有功功率平均值的最大值和最小值。
Figure BDA00033918904400001414
和
Figure BDA00033918904400001415
分别为风机风速平均值的最大值和最小值。
Figure BDA00033918904400001416
和
Figure BDA00033918904400001417
分别为桨距角平均值的最大值和最小值。
Figure BDA00033918904400001418
和
Figure BDA00033918904400001419
分别为转子转速平均值的最大值和最小值。
Figure BDA00033918904400001420
和
Figure BDA00033918904400001421
分别为风机输出有功功率标准差的最大值和最小值。
Figure BDA0003391890440000152
和
Figure BDA0003391890440000153
分别为风机风速标准差的最大值和最小值。
Figure BDA0003391890440000154
和
Figure BDA0003391890440000155
分别为桨距角标准差的最大值和最小值。
Figure BDA0003391890440000156
和
Figure BDA0003391890440000157
分别为转子转速标准差的最大值和最小值。
经归一化处理之后，得到风电机组输出功率、风速、桨距角和转子转速的特征矩阵：
Figure BDA0003391890440000151
优选地，所述基于自适应混沌粒子群模糊C均值聚类算法，根据所述风机特征矩阵对风电机组进行分类，得到多类风电机组，包括：
设定粒子参数的范围，并对所述粒子参数进行初始化处理；
计算所述风机特征矩阵中每个个体的适应值；
根据所述适应值确定全局最优粒子gbest和个体最优粒子pbest；
根据所述全局最优粒子gbest和所述个体最优粒子pbest计算步长参数；
根据所述步长参数对所述粒子参数进行更新；
根据更新后的粒子参数、所述全局最优粒子gbest和所述个体最优粒子pbest更新速度和位置矩阵；
对更新后的速度和位置矩阵中的个体进行归一化处理；
判断当前迭代代数是否大于或等于预设循环次数，若是，则输出隶属度优化矩阵，若否，则返回步骤“计算所述风机特征矩阵中每个个体的适应值”；
根据所述隶属度优化矩阵将风电机组分成所述多类风电机组。
具体的，上述步骤得到的风机特征矩阵，与Iris标准数据集相似，每组数据均有4个特征值。使用SACPSOFCM算法根据风机特征矩阵对风电机组进行分类，得到c类机组。
在对参数进行寻优时，选用自适应混沌粒子群算法(SACPSO)，SACPSO算法即为融合了自适应与混沌算法的混合粒子群算法。该算法既具备了SAPSO算法自适应更新粒子参数的能力，也具备了CPSO混沌初始化和更强的粒子更新能力，具有更好的寻优性能。
在基于PSO的模糊聚类算法中，所要优化的粒子是隶属度矩阵，在本发明中即为风机特征矩阵。即优化聚类算法模糊C均值聚类算法(FCM)中随机初始化生成的聚类中心对后续分类结果的优劣有着较大的影响。而SACPSOFCM算法则会在初始化阶段随机初始化若干个模糊隶属度矩阵，也会产生相应的若干组聚类中心。与FCM算法只有一组聚类中心进行迭代不同，SACPSOFCM算法则是若干组聚类中心同时进行迭代，大大降低了随机初始化一组聚类中心对分类结果的影响。
SACPSOFCM算法的算法流程如下所示：
Step1：设定参数的范围。粒子种群数s，惯性权重ωmin、ωmax，参数c1min、c1max、c2min、c2max。将每个粒子升级为全局最佳的次数置为0，即：gi＝0(i＝1,2,…,s)；最大迭代代数T。
Step2：初始化参数
各粒子参数ωi，ci1，ci2(i＝1,2,…,s)基于Step 1进行随机赋值。不同于一般的PSO算法寻优，每个粒子是一排向量，PSOFCM算法的每个粒子是一个隶属度矩阵。
根据下式混沌初始化粒子群矩阵：
Figure BDA0003391890440000161
Figure BDA0003391890440000162
根据下式初始化速度矩阵：
Figure BDA0003391890440000163
符号
Figure BDA0003391890440000164
和Q分别代表了矩阵之间的相加与相减，
Figure BDA0003391890440000165
代表了数字与矩阵之间的乘法，即矩阵之间的所有元素均与该数字相乘。
Step3：计算适应值
1.根据下式计算每个个体所对应的聚类中心。
Figure BDA0003391890440000171
m为模糊指数，满足m∈[0,+∞]。xik为第i个待聚类样本，k表示样本维数。μik为点xi到中心点zk的隶属度。满足
Figure BDA0003391890440000172
2.根据下式计算每个个体所对应的适应值。
Figure BDA0003391890440000173
dik为样本xi到簇中心zk的距离。
Step4：通过计算比较的到个体最优pbest和gbest。
Step5：计算步长参数α。
如果
Figure BDA0003391890440000178
那么
Figure BDA0003391890440000179
否则：
Figure BDA00033918904400001710
Figure BDA00033918904400001711
Figure BDA0003391890440000174
Step6：根据下式对各粒子参数ω，c1，c2进行更新。
Figure BDA0003391890440000175
Figure BDA0003391890440000176
Step7：按照下式更新速度和位置矩阵，以全局最佳gbest为基础，混沌生成若干新粒子，计算得到适应度值最佳粒子并随机代替原群体中的一个粒子。
Figure BDA0003391890440000177
Figure BDA0003391890440000181
Step8：根据下式更新速度矩阵和粒子群矩阵。
Figure BDA0003391890440000182
Figure BDA0003391890440000183
符号
Figure BDA0003391890440000185
和Q分别代表了矩阵之间的相加与相减，
Figure BDA0003391890440000186
代表了数字与矩阵之间的乘法，即矩阵之间的所有元素均与该数字相乘。
Step9：对群体中的各个个体进行归一化处理。
Step10：若当前迭代代数，则停止循环。否则，转至Step 3。
最终，算法输出结果为n*c的隶属度优化矩阵：
Figure BDA0003391890440000184
令μij＝max(μi1,μi2,···μic)，则第i台风电机组属于第j类，j＝1,2,…,c，那么可将n台风电机组分为c类。
ai为样本点xi与同类其他样本点距离的平均值，ai越小，说明样本xi越应该被聚类到该类，将ai称为样本点xi的类内不相似度。类内所有样本的类内不相似程度的平均值称为该类的类内不相似度。bij为样本xi到其他某簇zj的所有样本的平均距离。称为样本xi与某簇zj的不相似度。定义为样本xi的簇间不相似，bi＝min{bi1,bi2,bi3,....,bik}，bi越大，说明样本xi越不属于其他簇。样本xi的轮廓系数Si由ai和bi计算得出。
Si的范围为，若Si接近1，则说明样本xi分类合理；若Si接近-1，则说明样本xi更应该分到其他类；若Si近似为0，则说明样本xi在两个簇的边界上。
可选地，所述根据所述多类风电机组中每类机组的输出功率的平均值、输出功率的标准差、风速的平均值和风速的标准差、桨距角的平均值和桨距角的标准差、转子转速的平均值和转子转速的标准差将机组分成标杆机组和非标杆机组，包括：
对比c类风电机组，根据每类机组输出功率、风速、桨距角和转子转速的平均值、标准差的优劣，进一步将机组分成2类机组，即标杆机组和非标杆机组。
在具体应用过程中，标杆机组功率输出稳定，在接下来的调度周期中优先参与调度任务，可以以最大可发电状态发电；非标杆机功率输出波动较大，在未来的调度周期中参与调度任务的优先级低于标杆机组，只有当标杆机组总输出功率不能满足风电场负荷指令时，才参与功率优化分配。
本实施例采用了某风电场33台1.5MW双馈变速风电机组的2010年2～3月的运行数据作为原始数据，经过数据处理后得到了由33台风电机组的特征参数组成的特征矩阵。最后，用本发明提出的PSOFCM算法对33台风电机组进行分类，
图3为各编号机组对于三类的隶属度，由图易知，大多数机组对于三类的隶属度差值较大，有明显的区分，隶属度值接近的情况较少。1号机组属于第一类、第二类、第三类的隶属度分别为0.6、0.4、0.1，其中属于第一类的隶属度最高，故1号机组属于第一类。以此类推，便可得到33台机组的分类结果如表1所示。表1为SACPSOFCM算法聚类结果。
表1
Figure BDA0003391890440000191
在分类结果的基础上，对比三类机组输出功率、风速、桨距角、转子转速的平均值和标准差。可以得到第Ⅲ类机组输出功率平均值较高，且输出功率的标准差较其他两类较低，故该类机组处理水平较高且输出稳定，优先适合长期稳定发电。而其他两类机组平均输出功率较低且标准差较大。第三类机组的风速平均值较高，且风速标准差在其他两类之间，波动较为稳定，同样验证了由得出的第三类机组优先适合发电的结论。第Ⅰ类机组风速标准差较大，表明机组风速震荡剧烈，发电稳定性差，第Ⅱ类机组风速平均值较低，发电能力弱。总体可知，第Ⅲ类风机作为标杆机组，Ⅰ类风机和Ⅱ类风机作为非标杆机组。
故最终的分类结果如表2所示，表2为风电场风电机组在线分类结果。
表2
Figure BDA0003391890440000201
最后计算各机组的轮廓值，以验证该算法的分类效果。图4中的各机组轮廓值均大于0.1，且所有机组的轮廓值的平均值为0.425，故分类结果较为理想。
本实施例还提供了一种风电场风电机组在线分类系统，如图5所示，包括：
采集模块，用于采集风电场SCADA系统的历史数据；
计算模块，用于根据所述历史数据计算每台风电机组输出功率的平均值、输出功率的标准差、风速的平均值和风速的标准差；
矩阵建立模块，用于根据所述输出功率的平均值、所述输出功率的标准差、所述风速的平均值和所述风速的标准差建立风机特征矩阵；
第一分类模块，用于基于自适应混沌粒子群模糊C均值聚类算法，根据所述风机特征矩阵对风电机组进行分类，得到多类风电机组；
第二分类模块，用于根据所述多类风电机组中每类机组的输出功率的平均值、输出功率的标准差、风速的平均值、风速的标准差、桨距角的平均值、桨距角的标准差、转子转速的平均值和转子转速的标准差将机组分成标杆机组和非标杆机组。
优选地，所述采集模块具体包括：
确定单元，用于确定所述风电场SCADA系统的风电机组总数和预设时间；
采集单元，用于采集所有风电机组在所述预设时间的输出功率Pi j、风速
Figure BDA0003391890440000202
桨距角Wi j、转子转速Vi j；其中，Pi j表示第i台风电机组在第j个时间段的输出有功功率，
Figure BDA0003391890440000219
表示第i台风电机组在第j个时间段的风速，Wi j表示第i台风电机组在第j个时间段的桨距角，Vi j表示第i台风电机组在第j个时间段的转子转速，其中i＝1,2,…,s，j＝1,2,…,n，s表示所述风电机组总数，n表示所述预设时间平均分成的单位份数。
优选地，所述计算模块具体包括：
第一计算单元，用于根据公式
Figure BDA0003391890440000211
计算所述输出功率的平均值；其中，Pi mean表示第i台风电机组在n个时间段内输出有功功率的平均值；
第二计算单元，用于根据公式
Figure BDA0003391890440000212
计算所述风速的平均值；其中
Figure BDA00033918904400002110
表示第i台风电机组在n个时间段内风速的平均值；
第三计算单元，用于根据公式
Figure BDA0003391890440000213
计算所述风机桨距角的平均值；其中Wi mean表示第台风电机组在n个时间段内风机桨距角的平均值；
第四计算单元，用于根据公式
Figure BDA0003391890440000214
计算所述转子转速的平均值；其中，Vi mean表示第i台风电机组在n个时间段内转子转速的平均值；
第五计算单元，用于根据公式
Figure BDA0003391890440000215
计算所述输出功率的标准差；其中，Pi std表示第i台风电机组在n个时间段内输出功率的标准差；
第六计算单元，用于根据公式
Figure BDA0003391890440000216
计算所述风速的标准差；其中，
Figure BDA00033918904400002111
表示第i台风电机组在n个时间段内风速的标准差；
第七计算单元，用于根据
Figure BDA0003391890440000217
计算所述桨距角的标准差；其中，Vi std表示第i台风电机组在n个时间段内桨距角的标准差。
第八计算单元，用于根据
Figure BDA0003391890440000218
计算所述转子转速的标准差；其中，Vi std表示第i台风电机组在n个时间段内转子转速的标准差。
优选地，所述矩阵建立模块具体包括：
归一化单元，用于分别根据公式
Figure BDA0003391890440000221
公式
Figure BDA0003391890440000222
公式
Figure BDA0003391890440000223
公式
Figure BDA0003391890440000224
公式
Figure BDA0003391890440000225
公式
Figure BDA0003391890440000226
公式
Figure BDA0003391890440000227
和公式
Figure BDA0003391890440000228
对所述输出功率的平均值、所述风速的平均值、所述桨距角的平均值、所述转子动能的平均值、所述输出功率的标准差、所述风速的标准差、所述桨距角的标准差和所述转子转速的标准差进行归一化处理；其中Pi mean0-1为所述输出功率的平均值的归一化结果，
Figure BDA00033918904400002210
和
Figure BDA00033918904400002211
分别为风机输出有功功率的平均值的最大值和最小值；
Figure BDA00033918904400002212
为所述风速的平均值的归一化结果，
Figure BDA00033918904400002213
和
Figure BDA00033918904400002214
分别为风机风速的平均值的最大值和最小值；Wi mean0-1为所述桨距角的平均值的归一化结果，
Figure BDA00033918904400002215
和
Figure BDA00033918904400002216
分别为风机桨距角的平均值的最大值和最小值；Vi mean0-1为所述转子转速的平均值的归一化结果，
Figure BDA00033918904400002217
和
Figure BDA00033918904400002218
分别为转子转速的平均值的最大值和最小值；Pi std0-1为所述输出功率的标准差的归一化结果，
Figure BDA00033918904400002219
和
Figure BDA00033918904400002220
分别为风机输出有功功率的标准差的最大值和最小值；
Figure BDA00033918904400002221
为所述风速的标准差的归一化结果，
Figure BDA00033918904400002222
和
Figure BDA00033918904400002223
分别为风机风速的标准差的最大值和最小值；Wi std0-1为所述桨距角的标准差的归一化结果，
Figure BDA00033918904400002224
和
Figure BDA00033918904400002225
分别为桨距角的标准差的最大值和最小值；Vi std0-1为所述转子转速的标准差的归一化结果，
Figure BDA00033918904400002226
和
Figure BDA00033918904400002227
分别为转子转速的标准差的最大值和最小值；
矩阵建立单元，用于根据所述归一化结果构建所述风机特征矩阵，所述风机特征矩阵包括
Figure BDA0003391890440000229
优选地，所述第一分类模块具体包括：
初始化单元，用于设定粒子参数的范围，并对所述粒子参数进行初始化处理；
适应值计算单元，用于计算所述风机特征矩阵中每个个体的适应值；
最优粒子确定单元，用于根据所述适应值确定全局最优粒子gbest和个体最优粒子pbest；
步长确定单元，用于根据所述全局最优粒子gbest和所述个体最优粒子pbest计算步长参数；
第一更新单元，用于根据所述步长参数对所述粒子参数进行更新；
第二更新单元，用于根据更新后的粒子参数、所述全局最优粒子gbest和所述个体最优粒子pbest更新速度和位置矩阵；
归一处理单元，用于对更新后的速度和位置矩阵中的个体进行归一化处理；
判断单元，用于判断当前迭代代数是否大于或等于预设循环次数，若是，则输出隶属度优化矩阵，若否，则返回步骤“计算所述风机特征矩阵中每个个体的适应值”；
分类单元，用于根据所述隶属度优化矩阵将风电机组分成所述多类风电机组。
本发明的有益效果如下：
(1)本发明能够大大减小了整个风电场优化调度过程负荷指令分配复杂性，提高风电场优化调度的实时性。
(2)本发明中的标杆机组在下一调度周期内优先参与风电场调度任务，并且在参与调度任务时以最大功率发电，不用频繁启停机组和限功率运行，可减小标杆机组的硬件损耗及桨距角控制系统控制压力，提高该类风电机组的稳定裕度和使用寿命。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种风电场风电机组在线分类方法，其特征在于，包括：
采集风电场SCADA系统的历史数据；
根据所述历史数据计算每台风电机组输出功率的平均值、输出功率的标准差、风速的平均值、风速的标准差、桨距角的平均值、桨距角的标准差、转子转速的平均值和转子转速的标准差；
根据所述输出功率的平均值、所述输出功率的标准差、所述风速的平均值、所述风速的标准差、所述桨距角的平均值、所述桨距角的标准差、所述转子转速的平均值和所述转子转速的标准差建立风机特征矩阵；
基于自适应混沌粒子群模糊C均值聚类算法，根据所述风机特征矩阵对风电机组进行分类，得到多类风电机组；
根据所述多类风电机组中每类机组的输出功率的平均值、输出功率的标准差、风速的平均值、风速的标准差、桨距角的平均值、桨距角的标准差、转子转速的平均值和转子转速的标准差将机组分成标杆机组和非标杆机组。
2.根据权利要求1所述的风电场风电机组在线分类方法，其特征在于，所述采集风电场SCADA系统的历史数据，包括：
确定所述风电场SCADA系统的风电机组总数和预设时间；
采集所有风电机组在所述预设时间的输出功率Pi j、风速
Figure FDA0003391890430000011
桨距角Wi j、转子转速Vi j；其中，Pi j表示第i台风电机组在第j个时间段的输出有功功率，
Figure FDA0003391890430000012
表示第i台风电机组在第j个时间段的风速，Wi j表示第i台风电机组在第j个时间段的桨距角，Vi j表示第i台风电机组在第j个时间段的转子转速，其中i＝1,2,…,s，j＝1,2,…,n，s表示所述风电机组总数，n表示所述预设时间平均分成的单位份数。
3.根据权利要求2所述的风电场风电机组在线分类方法，其特征在于，所述根据所述历史数据计算每台风电机组输出功率的平均值、输出功率的标准差、风速的平均值和风速的标准差，桨距角的平均值和桨距角的标准差、转子转速的平均值和转子转速的标准差，包括：
根据公式
Figure FDA0003391890430000013
计算所述输出功率的平均值；其中，Pi mean表示第i台风电机组在n个时间段内输出有功功率的平均值；
根据公式
Figure FDA0003391890430000021
计算所述风速的平均值；其中
Figure FDA0003391890430000022
表示第i台风电机组在n个时间段内风速的平均值；
根据公式
Figure FDA0003391890430000023
计算所述风机桨距角的平均值；其中Wi mean表示第台风电机组在n个时间段内风机桨距角的平均值；
根据公式
Figure FDA0003391890430000024
计算所述转子转速的平均值；其中，Vi mean表示第i台风电机组在n个时间段内转子转速的平均值；
根据公式
Figure FDA0003391890430000025
计算所述输出功率的标准差；其中，Pi std表示第i台风电机组在n个时间段内输出功率的标准差；
根据公式
Figure FDA0003391890430000026
计算所述风速的标准差；其中，
Figure FDA0003391890430000027
表示第i台风电机组在n个时间段内风速的标准差；
根据
Figure FDA0003391890430000028
计算所述桨距角的标准差；其中，Vi std表示第i台风电机组在n个时间段内桨距角的标准差；
根据
Figure FDA0003391890430000029
计算所述转子转速的标准差；其中，Vi std表示第i台风电机组在n个时间段内转子转速的标准差。
4.根据权利要求3所述的风电场风电机组在线分类方法，其特征在于，所述根据所述输出功率的平均值、所述输出功率的标准差、所述风速的平均值、所述风速的标准差、所述桨距角的平均值、所述桨距角的标准差、所述转子转速的平均值和所述转子转速的标准差建立风机特征矩阵，包括：
分别根据公式
Figure FDA00033918904300000210
公式
Figure FDA00033918904300000211
公式
Figure FDA00033918904300000212
公式
Figure FDA00033918904300000213
公式
Figure FDA00033918904300000214
公式
Figure FDA00033918904300000215
公式
Figure FDA00033918904300000216
和公式
Figure FDA00033918904300000217
对所述输出功率的平均值、所述风速的平均值、所述桨距角的平均值、所述转子动能的平均值、所述输出功率的标准差、所述风速的标准差、所述桨距角的标准差和所述转子转速的标准差进行归一化处理；其中Pi mean0-1为所述输出功率的平均值的归一化结果，
Figure FDA0003391890430000031
和
Figure FDA0003391890430000032
分别为风机输出有功功率的平均值的最大值和最小值；
Figure FDA0003391890430000033
为所述风速的平均值的归一化结果，
Figure FDA0003391890430000034
和
Figure FDA0003391890430000035
分别为风机风速的平均值的最大值和最小值；Wi mean0-1为所述桨距角的平均值的归一化结果，
Figure FDA0003391890430000036
和
Figure FDA0003391890430000037
分别为风机桨距角的平均值的最大值和最小值；Vi mean0-1为所述转子转速的平均值的归一化结果，
Figure FDA0003391890430000038
和
Figure FDA0003391890430000039
分别为转子转速的平均值的最大值和最小值；Pi std0-1为所述输出功率的标准差的归一化结果，
Figure FDA00033918904300000310
和
Figure FDA00033918904300000311
分别为风机输出有功功率的标准差的最大值和最小值；
Figure FDA00033918904300000312
为所述风速的标准差的归一化结果，
Figure FDA00033918904300000313
和
Figure FDA00033918904300000314
分别为风机风速的标准差的最大值和最小值；Wi std0-1为所述桨距角的标准差的归一化结果，
Figure FDA00033918904300000315
和
Figure FDA00033918904300000316
分别为桨距角的标准差的最大值和最小值；Vi std0-1为所述转子转速的标准差的归一化结果，
Figure FDA00033918904300000317
和
Figure FDA00033918904300000318
分别为转子转速的标准差的最大值和最小值；
根据所述归一化结果构建所述风机特征矩阵，所述风机特征矩阵包括
Figure FDA00033918904300000319
5.根据权利要求1所述的风电场风电机组在线分类方法，其特征在于，所述基于自适应混沌粒子群模糊C均值聚类算法，根据所述风机特征矩阵对风电机组进行分类，得到多类风电机组，包括：
设定粒子参数的范围，并对所述粒子参数进行初始化处理；
计算所述风机特征矩阵中每个个体的适应值；
根据所述适应值确定全局最优粒子gbest和个体最优粒子pbest；
根据所述全局最优粒子gbest和所述个体最优粒子pbest计算步长参数；
根据所述步长参数对所述粒子参数进行更新；
根据更新后的粒子参数、所述全局最优粒子gbest和所述个体最优粒子pbest更新速度和位置矩阵；
对更新后的速度和位置矩阵中的个体进行归一化处理；
判断当前迭代代数是否大于或等于预设循环次数，若是，则输出隶属度优化矩阵，若否，则返回步骤“计算所述风机特征矩阵中每个个体的适应值”；
根据所述隶属度优化矩阵将风电机组分成所述多类风电机组。
6.一种风电场风电机组在线分类系统，其特征在于，包括：
采集模块，用于采集风电场SCADA系统的历史数据；
计算模块，用于根据所述历史数据计算每台风电机组输出功率的平均值、输出功率的标准差、风速的平均值、风速的标准差、桨距角的平均值、桨距角的标准差、转子转速的平均值和转子转速的标准差；
矩阵建立模块，用于根据所述输出功率的平均值、所述输出功率的标准差、所述风速的平均值、所述风速的标准差、所述桨距角的平均值、所述桨距角的标准差、所述转子转速的平均值和所述转子转速的标准差建立风机特征矩阵；
第一分类模块，用于基于自适应混沌粒子群模糊C均值聚类算法，根据所述风机特征矩阵对风电机组进行分类，得到多类风电机组；
第二分类模块，用于根据所述多类风电机组中每类机组的输出功率的平均值、输出功率的标准差、风速的平均值、风速的标准差、桨距角的平均值、桨距角的标准差、转子转速的平均值和转子转速的标准差将机组分成标杆机组和非标杆机组。
7.根据权利要求1所述的风电场风电机组在线分类系统，其特征在于，所述采集模块具体包括：
确定单元，用于确定所述风电场SCADA系统的风电机组总数和预设时间；
采集单元，用于采集所有风电机组在所述预设时间的输出功率Pi j、风速
Figure FDA0003391890430000041
桨距角Wi j、转子转速Vi j；其中，Pi j表示第i台风电机组在第j个时间段的输出有功功率，
Figure FDA0003391890430000042
表示第i台风电机组在第j个时间段的风速，Wi j表示第i台风电机组在第j个时间段的桨距角，Vi j表示第i台风电机组在第j个时间段的转子转速，其中i＝1,2,…,s，j＝1,2,…,n，s表示所述风电机组总数，n表示所述预设时间平均分成的单位份数。
8.根据权利要求6所述的风电场风电机组在线分类系统，其特征在于，所述计算模块具体包括：
第一计算单元，用于根据公式
Figure FDA0003391890430000043
计算所述输出功率的平均值；其中，Pi mean表示第i台风电机组在n个时间段内输出有功功率的平均值；
第二计算单元，用于根据公式
Figure FDA0003391890430000051
计算所述风速的平均值；其中
Figure FDA0003391890430000052
表示第i台风电机组在n个时间段内风速的平均值；
第三计算单元，用于根据公式
Figure FDA0003391890430000053
计算所述风机桨距角的平均值；其中Wi mean表示第台风电机组在n个时间段内风机桨距角的平均值；
第四计算单元，用于根据公式
Figure FDA0003391890430000054
计算所述转子转速的平均值；其中，Vi mean表示第i台风电机组在n个时间段内转子转速的平均值；
第五计算单元，用于根据公式
Figure FDA0003391890430000055
计算所述输出功率的标准差；其中，Pi std表示第i台风电机组在n个时间段内输出功率的标准差；
第六计算单元，用于根据公式
Figure FDA0003391890430000056
计算所述风速的标准差；其中，
Figure FDA0003391890430000057
表示第i台风电机组在n个时间段内风速的标准差；
第七计算单元，用于根据
Figure FDA0003391890430000058
计算所述桨距角的标准差；其中，Vi std表示第i台风电机组在n个时间段内桨距角的标准差；
第八计算单元，用于根据
Figure FDA0003391890430000059
计算所述转子转速的标准差；其中，Vi std表示第i台风电机组在n个时间段内转子转速的标准差。
9.根据权利要求8所述的风电场风电机组在线分类系统，其特征在于，所述矩阵建立模块具体包括：
归一化单元，用于分别根据公式
Figure FDA00033918904300000510
公式
Figure FDA00033918904300000511
公式
Figure FDA00033918904300000512
公式
Figure FDA00033918904300000513
公式
Figure FDA00033918904300000514
公式
Figure FDA00033918904300000515
公式
Figure FDA00033918904300000516
和公式
Figure FDA00033918904300000517
对所述输出功率的平均值、所述风速的平均值、所述桨距角的平均值、所述转子动能的平均值、所述输出功率的标准差、所述风速的标准差、所述桨距角的标准差和所述转子转速的标准差进行归一化处理；其中Pi mean0-1为所述输出功率的平均值的归一化结果，
Figure FDA0003391890430000061
和
Figure FDA0003391890430000062
分别为风机输出有功功率的平均值的最大值和最小值；
Figure FDA0003391890430000063
为所述风速的平均值的归一化结果，
Figure FDA0003391890430000064
和
Figure FDA0003391890430000065
分别为风机风速的平均值的最大值和最小值；Wi mean0-1为所述桨距角的平均值的归一化结果，
Figure FDA0003391890430000066
和
Figure FDA0003391890430000067
分别为风机桨距角的平均值的最大值和最小值；Vi mean0-1为所述转子转速的平均值的归一化结果，
Figure FDA0003391890430000068
和
Figure FDA0003391890430000069
分别为转子转速的平均值的最大值和最小值；Pi std0-1为所述输出功率的标准差的归一化结果，
Figure FDA00033918904300000610
和
Figure FDA00033918904300000611
分别为风机输出有功功率的标准差的最大值和最小值；
Figure FDA00033918904300000612
为所述风速的标准差的归一化结果，
Figure FDA00033918904300000613
和
Figure FDA00033918904300000614
分别为风机风速的标准差的最大值和最小值；Wi std0-1为所述桨距角的标准差的归一化结果，
Figure FDA00033918904300000615
和
Figure FDA00033918904300000616
分别为桨距角的标准差的最大值和最小值；Vi std0-1为所述转子转速的标准差的归一化结果，
Figure FDA00033918904300000617
和
Figure FDA00033918904300000618
分别为转子转速的标准差的最大值和最小值；
矩阵建立单元，用于根据所述归一化结果构建所述风机特征矩阵，所述风机特征矩阵包括
Figure FDA00033918904300000619
10.根据权利要求6所述的风电场风电机组在线分类系统，其特征在于，所述第一分类模块具体包括：
初始化单元，用于设定粒子参数的范围，并对所述粒子参数进行初始化处理；
适应值计算单元，用于计算所述风机特征矩阵中每个个体的适应值；
最优粒子确定单元，用于根据所述适应值确定全局最优粒子gbest和个体最优粒子pbest；
步长确定单元，用于根据所述全局最优粒子gbest和所述个体最优粒子pbest计算步长参数；
第一更新单元，用于根据所述步长参数对所述粒子参数进行更新；
第二更新单元，用于根据更新后的粒子参数、所述全局最优粒子gbest和所述个体最优粒子pbest更新速度和位置矩阵；
归一处理单元，用于对更新后的速度和位置矩阵中的个体进行归一化处理；
判断单元，用于判断当前迭代代数是否大于或等于预设循环次数，若是，则输出隶属度优化矩阵，若否，则返回步骤“计算所述风机特征矩阵中每个个体的适应值”；
分类单元，用于根据所述隶属度优化矩阵将风电机组分成所述多类风电机组。
CN202111466790.9A 2021-12-03 2021-12-03 一种风电场风电机组在线分类方法及系统 Pending CN114139632A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111466790.9A CN114139632A (zh) 2021-12-03 2021-12-03 一种风电场风电机组在线分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111466790.9A CN114139632A (zh) 2021-12-03 2021-12-03 一种风电场风电机组在线分类方法及系统

Publications (1)

Publication Number Publication Date
CN114139632A true CN114139632A (zh) 2022-03-04

Family

ID=80387983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111466790.9A Pending CN114139632A (zh) 2021-12-03 2021-12-03 一种风电场风电机组在线分类方法及系统

Country Status (1)

Country Link
CN (1) CN114139632A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115730860A (zh) * 2022-11-29 2023-03-03 中国华能集团清洁能源技术研究院有限公司 基于全物理过程的风电场实时功率估算方法及系统
CN117056758A (zh) * 2023-10-11 2023-11-14 中国华能集团清洁能源技术研究院有限公司 风电机组运行状态识别方法、装置及设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115730860A (zh) * 2022-11-29 2023-03-03 中国华能集团清洁能源技术研究院有限公司 基于全物理过程的风电场实时功率估算方法及系统
CN117056758A (zh) * 2023-10-11 2023-11-14 中国华能集团清洁能源技术研究院有限公司 风电机组运行状态识别方法、装置及设备
CN117056758B (zh) * 2023-10-11 2024-01-30 中国华能集团清洁能源技术研究院有限公司 风电机组运行状态识别方法、装置及设备

Similar Documents

Publication Publication Date Title
CN114139632A (zh) 一种风电场风电机组在线分类方法及系统
US8860237B2 (en) System and method of selecting wind turbine generators in a wind park for curtailment of output power to provide a wind reserve
US8912674B2 (en) System and method of selecting wind turbine generators in a wind park for change of output power
CN107482692B (zh) 风电场有功控制的方法、装置及系统
CN107947228B (zh) 基于Markov理论的含风电电力系统随机稳定性分析方法
CN109376426B (zh) 一种风电并网功率调度方法及装置
CN108022019A (zh) 基于风电机组分类的风电场调度方法和系统
Gumilar et al. Maximum power of horizontal and vertical wind turbine to changes on wind speed and number of blade
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
CN111461478B (zh) 一种大规模水光能源互补调度方法与系统
CN106451527A (zh) 基于转子电流动态特性的双馈风电场机群聚合方法及系统
Salih et al. Enhancing the maximum power of wind turbine using artificial neural network
CN110858715A (zh) 基于风电随机性和相关性的风电穿透功率极限分析方法
CN118100326B (zh) 基于数据驱动抑制风电场功率波动的有功功率控制方法
Jiang et al. FUZZY LOGIC SYSTEM FOR FREQUENCY STABILITY ANALYSIS OF WIND FARM INTEGRATED POWER SYSTEMS.
Pan et al. A wake interaction model for the coordinated control of wind farms
Jiang et al. Intelligent Clustering Based Active Power Allocation Strategy for Wind Turbines
Zhang Research on multi-form flexible resource aggregation model of virtual power plant based on cloud model
Xue et al. A Wind Turbine Classification Method Using Fuzzy C-meansAlgorithm Based on Self-Adjusting Chaotic Particle Swarm Optimization
CN109687533B (zh) 一种基于风力发电和光伏发电的微电网有功功率级联分配控制方法
CN116131352A (zh) 基于遗传算法的风电场工作点动态协调优化方法及系统
Ali et al. Probabilistic identification of turbines facing high and low wind speeds in a wind farm
Liang et al. Primary frequency regulation oriented wind turbines active power dispatching optimization by double-layer flower pollination algorithm
CN117811104A (zh) 海上风电机组的发电控制方法及装置
Veeramani et al. Evaluation of wind energy parameter optimization of A DFIG controller based on cultural algorithms

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