CN116432541B - 一种基于优化聚类算法的新能源场站建模方法及系统 - Google Patents
一种基于优化聚类算法的新能源场站建模方法及系统 Download PDFInfo
- Publication number
- CN116432541B CN116432541B CN202310672479.2A CN202310672479A CN116432541B CN 116432541 B CN116432541 B CN 116432541B CN 202310672479 A CN202310672479 A CN 202310672479A CN 116432541 B CN116432541 B CN 116432541B
- Authority
- CN
- China
- Prior art keywords
- clustering
- particle
- cluster
- wind field
- fan
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title description 8
- 239000002245 particle Substances 0.000 claims abstract description 63
- 230000004044 response Effects 0.000 claims abstract description 32
- 230000002776 aggregation Effects 0.000 claims abstract description 21
- 238000004220 aggregation Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000004931 aggregating effect Effects 0.000 claims abstract description 8
- 238000003860 storage Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于优化聚类算法的新能源场站建模方法及系统，方法包括：根据风场地理位置数据，利用优化粒子群聚类算法将风场中的风机进行聚类处理；围绕所聚类的中心点，利用单机加权聚合方法对风机响应曲线进行处理，将中心点附近的风机进行聚合；建立基于聚合风机的风场PSASP模型，将实际风场发电及响应曲线与建立的PSASP模型进行比对。通过PSASP系统建立风场模型，与半实物仿真系统所建立模型进行联合校验，修正PSASP模型，能精细化传统风场建模过程，并为模拟复杂工况下的风场建模提供了解决方案。
Description
技术领域
本发明属于新能源发电建模技术领域，尤其涉及一种基于优化聚类算法的新能源场站建模方法及系统。
背景技术
风场一般包含机组众多，模型阶数高，非线性特性严重，因此建立风场的详细模型进行分析会导致稳定计算不收敛问题，故需要将风场的复杂结构简化为单机或多机模型，将各运行参数进行等值计算。
粒子群算法是一种模拟生物群体行为，对问题寻求最优解的优化算法。在许多情况下，粒子群算法是处理和解决各种具有挑战性的工程问题的实用替代技术。
目前，关于风力发电的仿真验证绝大部分都采用非实时的离线(off-line)计算机仿真软件，其操作简单，对计算机的计算性能要求不高。实际仿真时间往往数十倍甚至数百倍于仿真系统设定的时间，效率低下。
发明内容
本发明提供一种基于优化聚类算法的新能源场站建模方法及系统，用于解决目前风场结构复杂以及风机仿真的非实时和无法适用于复杂工况的技术问题。
第一方面，本发明提供一种基于优化聚类算法的新能源场站建模方法，包括：获取风场的地理位置数据；基于优化粒子群聚类算法对所述地理位置数据进行分析，得到全局最优的一组初始聚类中心，并根据所述一组初始聚类中心将所述风场中的风机进行聚类，得到至少一个风机集合，其中，一风机集合中包含一目标聚类中心；根据加权聚合方法对所述至少一个风机集合中各个风机对应的风机响应曲线进行处理，并将在所述目标聚类中心预设范围内的风机进行聚合，使模拟出可用于风机/风场建模的实际风机响应曲线；建立聚合风机后风场的PSASP模型，并将所述实际风机响应曲线与所述PSASP模型输出的仿真曲线进行比对，并根据比对结果对所述PSASP模型进行修正，使得到目标风场模型。
第二方面，本发明提供一种基于优化聚类算法的新能源场站建模系统，包括：获取模块，配置为获取风场的地理位置数据；聚类模块，配置为基于优化粒子群聚类算法对所述地理位置数据进行分析，得到全局最优的一组初始聚类中心，并根据所述一组初始聚类中心将所述风场中的风机进行聚类，得到至少一个风机集合，其中，一风机集合中包含一目标聚类中心；聚合模块，配置为根据加权聚合方法对所述至少一个风机集合中各个风机对应的风机响应曲线进行处理，并将在所述目标聚类中心预设范围内的风机进行聚合，使模拟出可用于风机/风场建模的实际风机响应曲线；修正模块，配置为建立聚合风机后风场的PSASP模型，并将所述实际风机响应曲线与所述PSASP模型输出的仿真曲线进行比对，并根据比对结果对所述PSASP模型进行修正，使得到目标风场模型。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于优化聚类算法的新能源场站建模方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于优化聚类算法的新能源场站建模方法的步骤。
本申请的基于优化聚类算法的新能源场站建模方法及系统，具有以下有益效果：通过获取风场风机的地理位置数据信息，利用插值法拟合缺失的地理位置数据，从而构建有效的样本数据库，针对于样本数据库进行聚类。再围绕所聚类的中心点，利用加权聚合方法对风机响应曲线进行处理，将中心点附近的风机进行聚合，模拟出可用于风机/风场建模的实际风机响应曲线，并通过PSASP系统建立风场模型，与半实物仿真系统所建立模型进行联合校验，修正PSASP模型，能精细化传统风场建模过程，并为模拟复杂工况下的风场建模提供了解决方案。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例提供的一种基于优化聚类算法的新能源场站建模方法的流程图；
图2为本发明实施例提供一个具体实施例的聚类算法流程图；
图3为本发明实施例提供一个具体实施例的聚类类别图；
图4为本发明实施例提供一个具体实施例的实际功率与聚类点等效功率之和对比图；
图5为本发明实施例提供一个具体实施例的聚合风场模型系统的单线图；
图6为本发明实施例提供一个具体实施例的实际风场曲线与修正后PSASP仿真曲线对比图；
图7为本发明一实施例提供的一种基于优化聚类算法的新能源场站建模系统的结构框图；
图8是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
请参阅图1，其示出了本申请的一种基于优化聚类算法的新能源场站建模方法的流程图。
如图1所示，一种基于优化聚类算法的新能源场站建模方法具体包括以下步骤：
步骤S1，获取风场的地理位置数据。
步骤S2，基于优化粒子群聚类算法对所述地理位置数据进行分析，得到全局最优的一组初始聚类中心，并根据所述一组初始聚类中心将所述风场中的风机进行聚类，得到至少一个风机集合，其中，一风机集合中包含一目标聚类中心。
在本实施例中，如图2所示，对风场中的风机进行聚类过程如下：
步骤S101、基于所述地理位置数据，确定最佳聚类数目。
随着聚类数的增大，每个簇的聚合程度也会增大，进而的下降幅度也会增大，当聚类数增大至最佳聚类数时，再次增大聚类数所得的聚合程度的改变并不明显，/>下降幅度也较为平缓，进而找到最佳的聚类数；
具体地，计算聚类误差，其中，计算所述聚类误差的表达式为：
，
，
式中， 为聚类误差，/>为最佳聚类数目，/>为第/>个簇中的第/>个样本数据，为第/>个簇中所有样本的均值，/>为第/>个簇中的样本个数，/>为第/>个簇中所有样本数据；
判断在当前聚类数目时对应的所述聚类误差与上一聚类数目时对应的所述聚类误差的变化值是否大于阈值；
若不大于阈值，则将当前聚类数目定义为最佳聚类数目；
步骤S102、随机选取个样本点作为初始粒子位置，并初始化粒子速度、个
体最优位置及群体最优位置，循环次生成个初始粒子群。
步骤S103、按照最近邻原则划分数据集并计算粒子适应度。
具体地，将数据集划分为/>类，第/>个类的第/>个数据中聚类中心为/>；
根据聚类中心计算粒子适应度，其中，计算所述粒子适应度的表达式为：
，
式中，为粒子适应度，为第个类中第个数据，为聚类中心数。
步骤S104、比较粒子适应度与当前个体最优位置的适应度的大小，若粒子适应度小于当前个体的最优位置适应度，则更新当前个体最优位置；比较粒子适应度与当前群体最优位置的适应度，若粒子适应度小于当前群体最优位置的适应度，则更新当前群体最优位置。
步骤S105、调整粒子速度和位置，若位置足够好则终止粒子群迭代。
，
式中，为第/>个粒子在/>次迭代的速度，/>为权重系数，/>为第/>个粒子在/>次迭代的速度，/>、/>均为学习因子，/>、/>均为服从均匀[0,1]分布的均匀随机数，/>为个体最优位置，/>为群体最优位置，/>为第/>个粒子的位置；
调整粒子位置的表达式为：
，
式中，为第/>个粒子在/>次迭代的位置，/>为第/>个粒子在/>次迭代的位置。
步骤S106、选取群体最优位置作为聚类中心的初值，根据最近邻原则判断数据集中样本所属类别，并分配样本至所属类别中。
步骤S107、重新计算新形成聚类中心并判断当前聚类中心是否变化，若变化，重复步骤S104直至聚类中心不再变化。
步骤S108、记录聚类中心结果及样本所属类别。其中样本所属类别如图3所示。
步骤S109、对比实际功率和聚类点等效功率之和。如图4所示，其示出了实际功率与聚类点等效功率之和对比结果。
步骤S3，根据加权聚合方法对所述至少一个风机集合中各个风机对应的风机响应曲线进行处理，并将在所述目标聚类中心预设范围内的风机进行聚合，使模拟出可用于风机/风场建模的实际风机响应曲线。
在本实施例中，将风电场站中同一种类型的机组加权等值为一台机组，使其外特性一致；然后根据等值后的风机响应曲线，在中心点附近进行聚合处理，最后完成新能源场站聚合等值模型。
确定风机场站的等值机组的组成结构，根据所述组成结构中的地理位置分布特性，确定风机场站的等值模型中的等值机组数量，包括：确定只考虑所述组成结构中的地理位置分布特性的等值机组数量。
步骤S4，建立聚合风机后风场的PSASP模型，并将所述实际风机响应曲线与所述PSASP模型输出的仿真曲线进行比对，并根据比对结果对所述PSASP模型进行修正，使得到目标风场模型。
如图5在PSASP软件中绘制包含母线、单端元件、双端元件和/或三端元件的风场聚合等值模型系统单线图，在PSASP软件中绘制聚合风场模型系统的单线图包括：在绘制单端元件前，先绘制与单端元件相连接的母线，在绘制单端元件时，单端元件的一端固定于母线上，另一端自由移动；在绘制双端元件前，先绘制与双端元件相连接的两侧母线，在绘制双端元件时，双端元件起点和终点必须分别连在不同的母线上，且双端元件由多段首尾相连的水平或竖直线段组成；在绘制三端元件前，先绘制与三端元件相连接的三侧母线，在绘制三端元件时，三端元件与三条不同母线相连，且三端元件由若干段首尾相连的水平或者竖直线段组成。建立风场聚合后的PSASP模型，对所述PSASP模型进行稳态测试，所用的测试方法为：采用梯形隐积分的迭代法求解微分方程，其中，微分方程的表达式为：，，/>，式中，式中，/>为微分方程求解的变量，为转置符号，/>为平衡方程组，/>为其中一个方程，/>为待求解的一个变量；采用直接三角分解和迭代相结合的方法求解网络方程，其中，网络方程的表达式为：，/>，/>，式中，/>为网络方程求解的变量，/>为转置符号，/>为平衡方程组，/>为上述微分方程所求得结果，/>为其中一个方程，/>为待求解的一个变量；将微分方程和网络方程两者交替迭代，直至收敛，以完成一个时段的求解，使得到风场的稳态响应曲线，即仿真曲线；暂态稳定的数学模型可归结为网络方程和微分方程联立求解，即：/>。
如图6所示，将现有的风场数据进行处理得到的实际风场出力曲线，然后与建立的修正后PSASP模型仿真出来的曲线进行比对，该结果为修正聚合风机加权系数后所得到的，通过修正处理使得PSASP模型更加趋近于实际风场，最终得到目标风场模型。
请参阅图7，其示出了本申请的一种基于优化聚类算法的新能源场站建模系统的结构框图。
如图7所示，新能源场站建模系统200，包括获取模块210、聚类模块220、聚合模块230以及修正模块240。
其中，获取模块210，配置为获取风场的地理位置数据；聚类模块220，配置为基于优化粒子群聚类算法对所述地理位置数据进行分析，得到全局最优的一组初始聚类中心，并根据所述一组初始聚类中心将所述风场中的风机进行聚类，得到至少一个风机集合，其中，一风机集合中包含一目标聚类中心；聚合模块230，配置为根据加权聚合方法对所述至少一个风机集合中各个风机对应的风机响应曲线进行处理，并将在所述目标聚类中心预设范围内的风机进行聚合，使模拟出可用于风机/风场建模的实际风机响应曲线；修正模块240，配置为建立聚合风机后风场的PSASP模型，并将所述实际风机响应曲线与所述PSASP模型输出的仿真曲线进行比对，并根据比对结果对所述PSASP模型进行修正，使得到目标风场模型。
应当理解，图7中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图7中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的基于优化聚类算法的新能源场站建模方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
获取风场的地理位置数据；
基于优化粒子群聚类算法对所述地理位置数据进行分析，得到全局最优的一组初始聚类中心，并根据所述一组初始聚类中心将所述风场中的风机进行聚类，得到至少一个风机集合，其中，一风机集合中包含一目标聚类中心；
根据加权聚合方法对所述至少一个风机集合中各个风机对应的风机响应曲线进行处理，并将在所述目标聚类中心预设范围内的风机进行聚合，使模拟出可用于风机/风场建模的实际风机响应曲线；
建立聚合风机后风场的PSASP模型，并将所述实际风机响应曲线与所述PSASP模型输出的仿真曲线进行比对，并根据比对结果对所述PSASP模型进行修正，使得到目标风场模型。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于优化聚类算法的新能源场站建模系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至基于优化聚类算法的新能源场站建模系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图8是本发明实施例提供的电子设备的结构示意图，如图8所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图8中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于优化聚类算法的新能源场站建模方法。输入装置330可接收输入的数字或字符信息，以及产生与基于优化聚类算法的新能源场站建模系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于基于优化聚类算法的新能源场站建模系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取风场的地理位置数据；
基于优化粒子群聚类算法对所述地理位置数据进行分析，得到全局最优的一组初始聚类中心，并根据所述一组初始聚类中心将所述风场中的风机进行聚类，得到至少一个风机集合，其中，一风机集合中包含一目标聚类中心；
根据加权聚合方法对所述至少一个风机集合中各个风机对应的风机响应曲线进行处理，并将在所述目标聚类中心预设范围内的风机进行聚合，使模拟出可用于风机/风场建模的实际风机响应曲线；
建立聚合风机后风场的PSASP模型，并将所述实际风机响应曲线与所述PSASP模型输出的仿真曲线进行比对，并根据比对结果对所述PSASP模型进行修正，使得到目标风场模型。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于优化聚类算法的新能源场站建模方法，其特征在于，包括：
获取风场的地理位置数据；
基于优化粒子群聚类算法对所述地理位置数据进行分析，得到全局最优的一组初始聚类中心，并根据所述一组初始聚类中心将所述风场中的风机进行聚类，得到至少一个风机集合，其中，一风机集合中包含一目标聚类中心，所述基于优化粒子群聚类算法对所述地理位置数据进行分析，得到全局最优的一组初始聚类中心，并根据所述一组初始聚类中心将所述风场中的风机进行聚类包括：
步骤S101、基于所述地理位置数据，确定最佳聚类数目K，所述确定最佳聚类数目K包括：
计算聚类误差，其中，计算所述聚类误差的表达式为：
式中，SSE为聚类误差，K为最佳聚类数目，Pij为第i个簇中的第j个样本数据，mi为第i个簇中所有样本的均值，ni为第i个簇中的样本个数，Ci为第i个簇中所有样本数据；
判断在当前聚类数目时对应的所述聚类误差与上一聚类数目时对应的所述聚类误差的变化值是否大于阈值；
若不大于阈值，则将当前聚类数目定义为最佳聚类数目K；
步骤S102、随机选取k个样本点作为初始粒子位置Xi，并初始化粒子速度Vi、个体最优位置Pbi及群体最优位置Gbi，循环l次生成l个初始粒子群；
步骤S103、按照最近邻原则划分风机位置数据集并计算粒子适应度；
步骤S104、比较粒子适应度与当前个体最优位置的适应度的大小，若粒子适应度小于当前个体的最优位置适应度，则更新当前个体最优位置；比较粒子适应度与当前群体最优位置的适应度，若粒子适应度小于当前群体最优位置的适应度，则更新当前群体最优位置；
步骤S105、调整粒子速度和位置，若达到收敛误差条件则终止粒子群迭代；
步骤S106、选取群体最优位置Gbi作为聚类中心的初值，根据最近邻原则判断数据集中样本所属类别，并分配样本至所属类别中；
步骤S107、重新计算新形成聚类中心并判断当前聚类中心是否变化，若变化，重复步骤S104直至聚类中心不再变化；
步骤S108、记录聚类中心结果及样本所属类别；
根据加权聚合方法对所述至少一个风机集合中各个风机对应的风机响应曲线进行处理，并将在所述目标聚类中心预设范围内的风机进行聚合，使模拟出可用于风机/风场建模的实际风机响应曲线；
建立聚合风机后风场的PSASP模型，并将所述实际风机响应曲线与所述PSASP模型输出的仿真曲线进行比对，并根据比对结果对所述PSASP模型进行修正，使得到目标风场模型。
2.根据权利要求1所述的一种基于优化聚类算法的新能源场站建模方法，其特征在于，在步骤S103中，所述按照最近邻原则划分风机位置数据集并计算粒子适应度包括：
将数据集S＝(S1，S2，S3，...SL)划分为k类，第j个类的第i个数据Cji＝(j＝1，2，...k)中聚类中心为Zj＝(j＝1，2，...k)；
根据聚类中心Zj计算粒子适应度，其中，计算所述粒子适应度的表达式为：
式中，g(x)为粒子适应度，Sji为第j个类中第i个数据，k为聚类中心数。
3.根据权利要求1所述的一种基于优化聚类算法的新能源场站建模方法，其特征在于，在步骤S105中，调整粒子速度的表达式为：
Vi(t+1)＝W×Vi(f)+c1×r1×(Pbi-Xi)+c2×r2×(Gbi-Xi)，
式中，Vi(t+1)为第i个粒子在t+1次迭代的速度，W为权重系数，Vi(t)为第i个粒子在t次迭代的速度，c1、c2均为学习因子，r1、r2均为服从均匀[0，1]分布的均匀随机数，Pbi为个体最优位置，Gbi为群体最优位置，Xi为第i个粒子的位置；
调整粒子位置的表达式为：
Xi(t+1)＝Xi(t)+Vi(t+1)，
式中，Xi(t)为第i个粒子在t次迭代的位置，Xi(t+1)为第i个粒子在t+1次迭代的位置。
4.根据权利要求1所述的一种基于优化聚类算法的新能源场站建模方法，其特征在于，所述根据加权聚合方法对所述至少一个风机集合中各个风机对应的风机响应曲线进行处理，并将在所述目标聚类中心预设范围内的风机进行聚合包括：
确定风场的等值机组的组成结构，根据所述组成结构中的地理位置特性，确定风场等值模型中的等值机组数量，其中，等值机组数量为确定只考虑所述组成结构中地理位置特性的机组数量；
利用单机加权聚合方法简化所述风场等值模型，得到聚合等值模型。
5.根据权利要求1所述的一种基于优化聚类算法的新能源场站建模方法，其特征在于，在将所述实际风场出力曲线与所述PSASP模型输出的仿真曲线进行比对之前，所述方法还包括：
对所述PSASP模型进行稳态测试，得到所述PSASP模型输出的仿真曲线，其中，稳态测试的过程具体为：
采用梯形隐积分的迭代法求解微分方程，其中，微分方程的表达式为：
Y＝G(X，Y)，
G＝(g1，g2，......，gn)T，
Y＝(y1，y2，......，yn)T，
式中，Y为微分方程求解的变量，T为转置符号，G(X，Y)为平衡方程组，gn为其中一个方程，yn为待求解的一个变量；
采用直接三角分解和迭代相结合的方法求解网络方程，其中，网络方程的表达式为：
X＝F(X，Y)，
F＝(f1，f2，......，fn)T，
X＝(x1，x2，......，xn)T，
式中，X为网络方程求解的变量，T为转置符号，F(X，Y)为平衡方程组，Y为上述微分方程所求得结果，fn为其中一个方程，xn为待求解的一个变量；
将微分方程和网络方程两者交替迭代，直至收敛，以完成一个时段的求解，使得到风场的稳态响应曲线，即仿真曲线。
6.一种基于优化聚类算法的新能源场站建模系统，其特征在于，包括：
获取模块，配置为获取风场的地理位置数据；
聚类模块，配置为基于优化粒子群聚类算法对所述地理位置数据进行分析，得到全局最优的一组初始聚类中心，并根据所述一组初始聚类中心将所述风场中的风机进行聚类，得到至少一个风机集合，其中，一风机集合中包含一目标聚类中心，所述基于优化粒子群聚类算法对所述地理位置数据进行分析，得到全局最优的一组初始聚类中心，并根据所述一组初始聚类中心将所述风场中的风机进行聚类包括：
步骤S101、基于所述地理位置数据，确定最佳聚类数目K，所述确定最佳聚类数目K包括：
计算聚类误差，其中，计算所述聚类误差的表达式为：
式中，SSE为聚类误差，K为最佳聚类数目，Pij为第i个簇中的第j个样本数据，mi为第i个簇中所有样本的均值，ni为第i个簇中的样本个数，Ci为第i个簇中所有样本数据；
判断在当前聚类数目时对应的所述聚类误差与上一聚类数目时对应的所述聚类误差的变化值是否大于阈值；
若不大于阈值，则将当前聚类数目定义为最佳聚类数目K；
步骤S102、随机选取k个样本点作为初始粒子位置Xi，并初始化粒子速度Vi、个体最优位置Pbi及群体最优位置Gbi，循环l次生成l个初始粒子群；
步骤S103、按照最近邻原则划分风机位置数据集并计算粒子适应度；
步骤S104、比较粒子适应度与当前个体最优位置的适应度的大小，若粒子适应度小于当前个体的最优位置适应度，则更新当前个体最优位置；比较粒子适应度与当前群体最优位置的适应度，若粒子适应度小于当前群体最优位置的适应度，则更新当前群体最优位置；
步骤S105、调整粒子速度和位置，若达到收敛误差条件则终止粒子群迭代；
步骤S106、选取群体最优位置Gbi作为聚类中心的初值，根据最近邻原则判断数据集中样本所属类别，并分配样本至所属类别中；
步骤S107、重新计算新形成聚类中心并判断当前聚类中心是否变化，若变化，重复步骤S104直至聚类中心不再变化；
步骤S108、记录聚类中心结果及样本所属类别；
聚合模块，配置为根据加权聚合方法对所述至少一个风机集合中各个风机对应的风机响应曲线进行处理，并将在所述目标聚类中心预设范围内的风机进行聚合，使模拟出可用于风机/风场建模的实际风机响应曲线；
修正模块，配置为建立聚合风机后风场的PSASP模型，并将所述实际风机响应曲线与所述PSASP模型输出的仿真曲线进行比对，并根据比对结果对所述PSASP模型进行修正，使得到目标风场模型。
7.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310672479.2A CN116432541B (zh) | 2023-06-08 | 2023-06-08 | 一种基于优化聚类算法的新能源场站建模方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310672479.2A CN116432541B (zh) | 2023-06-08 | 2023-06-08 | 一种基于优化聚类算法的新能源场站建模方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116432541A CN116432541A (zh) | 2023-07-14 |
| CN116432541B true CN116432541B (zh) | 2023-10-20 |
Family
ID=87085779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310672479.2A Active CN116432541B (zh) | 2023-06-08 | 2023-06-08 | 一种基于优化聚类算法的新能源场站建模方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116432541B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021253291A1 (zh) * | 2020-06-17 | 2021-12-23 | 上海电气风电集团股份有限公司 | 风电场布局的优化方法、优化系统及计算机可读存储介质 |
| CN114513004A (zh) * | 2022-02-10 | 2022-05-17 | 华北电力大学 | 基于改进k-means算法新能源场站等值方法及应用 |
| CN115017787A (zh) * | 2022-06-22 | 2022-09-06 | 国网山东省电力公司电力科学研究院 | 基于智能算法的风电场电压穿越特性等值建模方法及系统 |
-
2023
- 2023-06-08 CN CN202310672479.2A patent/CN116432541B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021253291A1 (zh) * | 2020-06-17 | 2021-12-23 | 上海电气风电集团股份有限公司 | 风电场布局的优化方法、优化系统及计算机可读存储介质 |
| CN114513004A (zh) * | 2022-02-10 | 2022-05-17 | 华北电力大学 | 基于改进k-means算法新能源场站等值方法及应用 |
| CN115017787A (zh) * | 2022-06-22 | 2022-09-06 | 国网山东省电力公司电力科学研究院 | 基于智能算法的风电场电压穿越特性等值建模方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进遗传KM聚类算法的风电场机群划分方法;郭志;陈洁;黄净;詹仲强;苏元鹏;;可再生能源(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116432541A (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112803404A (zh) | 配电网自愈重构规划方法、装置及终端 | |
| Li et al. | Market-based coordination of thermostatically controlled loads—Part II: Unknown parameters and case studies | |
| Hardiansyah et al. | Solving economic load dispatch problem using particle swarm optimization technique | |
| CN104112062B (zh) | 基于插值方法的风资源分布的获取方法 | |
| CN108647820A (zh) | 基于改进粒子群算法的分布式电源选址定容优化方法及系统 | |
| CN113553755B (zh) | 电力系统状态估计方法、装置及设备 | |
| WO2019184132A1 (zh) | 一种基于数据驱动的电网潮流方程线性化求解方法 | |
| CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
| CN115017787A (zh) | 基于智能算法的风电场电压穿越特性等值建模方法及系统 | |
| Hajek et al. | Community recovery in a preferential attachment graph | |
| CN106684885A (zh) | 基于多场景分析的风电机组配电网无功优化方法 | |
| CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
| CN116432541B (zh) | 一种基于优化聚类算法的新能源场站建模方法及系统 | |
| Zhang et al. | Base station network traffic prediction approach based on LMA-DeepAR | |
| CN116093995B (zh) | 一种配电系统多目标网络重构方法及系统 | |
| CN109583560B (zh) | 双变量施肥装置排肥量预测模型的构建方法及装置 | |
| CN115408949B (zh) | 一种负荷模型参数辨识方法、系统、设备和介质 | |
| CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
| Koca et al. | Using genetic algorithms for estimating Weibull parameters with application to wind speed | |
| CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
| CN112488550B (zh) | 基于深度学习的不确定性电网静态安全分析方法及系统 | |
| CN114298319A (zh) | 联合学习贡献值的确定方法、装置、电子设备及存储介质 | |
| CN111179110B (zh) | 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 | |
| Liao | Application a novel evolutionary computation algorithm for load forecasting of air conditioning | |
| Bo et al. | Research on the optimal search problem of UAV based on improved genetic algorithm |
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 |