一种风电场多机等值建模方法及装置制造方法及图纸

本发明专利技术公开了一种风电场多机等值建模方法，包括：选取某风电场中风电机组运行时的有功功率、无功功率、机端电压、输出电流、风速五种状态变量作为聚类算法的聚类因素；将上述状态变量作为神经网络SOM聚类算法的输入变量矩阵；根据SOM神经网络聚类算法自动聚类的特点得到风电场分群数目K;将K值作为C均值聚类的初始输入进行快速聚类，得到风电场多机等值模型；对风电场多机等值模型进行参数聚合；以聚类结果为准建立新的等值风电场进行仿真模拟；本发明专利技术结合神经网络SOM的自动聚类的特性和C均值聚类的快速聚类的特质，对风电场进行快速有效的聚类。

A Multi-machine Equivalent Modeling Method and Device for Wind Farm

The invention discloses a multi-machine equivalent modeling method for wind farms, which includes: selecting five state variables of active power, reactive power, terminal voltage, output current and wind speed of wind turbines running in a wind farm as clustering factors of the clustering algorithm; using the above state variables as input variable matrix of the SOM clustering algorithm of the neural network; and clustering algorithm based on SOM neural network; The characteristics of dynamic clustering are to get the number of wind farm clusters K; to cluster K value as the initial input of C-means clustering, to get the multi-machine equivalent model of wind farm; to aggregate the parameters of multi-machine equivalent model of wind farm; to establish a new equivalent wind farm based on the clustering results for simulation; the invention combines the characteristics of automatic clustering of SOM of neural network and the fast clustering of C-means clustering. Class characteristics, the wind farm for fast and effective clustering.

【技术实现步骤摘要】
一种风电场多机等值建模方法及装置
本专利技术涉及电力系统仿真建模
，尤其涉及一种风电场多机等值建模方法。
技术介绍
由于能源和环境问题的日益严峻，风能以其技术和成本方面的优势在电力系统中得到了广泛应用。然而，随着风能并网规模的快速增加，电力系统的运行灵活性和安全稳定性受到了一定影响和冲击，因此对风电大规模接入电力系统进行分析计算的要求越来越高。一个风电场往往有几十台甚至上百台风电机组，如果对每台风电机组都单独建模，则会大大增加电力系统仿真模型的复杂度和仿真计算时间，甚至面临“维数灾”问题。因此，加强风电场等值建模工作的研究十分必要。在风电场等值建模研究中，一般分为单机等值法与多机等值法,单机等值法一般采用容量加权法,该方法以一台风电机组来等效风电场所有的机组,此方法易于实现,在研究含风电场问题时较为常用。实际中,受地形、尾流效应等因素的影响,风电机组风速各不相同。当风电机组运行状态相差很远时,单机等值模型无法准确反映实际风电场的运行状态；多机等值法是将整个风电场用数量较少的几台机组来等效,首先选取表征机组运行状态的分群指标,再对所有机组进行聚类分群,将同群的机组等值为一台机组,从而整个风电场等值为数量较少的多机模型。但对聚类指标、分群算法的不同、数据的准确性有很大要求。例如：CN107272643A-新能源场站实用化单机等值方法，该申请技术将新能源场站内所有新能源机组等值为一台机组，以故障前后有功功率响应曲线为指标进行聚类。而对于风电场数目不断扩大，风电机组风速各不相同，风电机组运行状态也相差很远，拟合精度通常难以满足要求。本专利技术基于SOM神经网络C均值聚类算法的风电场多机等值建模方法。采取风电机组五种运行状态变量，对风电场进行多机等值建模，很好的拟合了风电场的有功功率、无功功率等运行状态。CN105956318A-基于改进分裂H-K聚类方法的风电场机群划分方法，该申请技术采用基于改进分裂-聚类方法的风电场机群划分方法，,运用轮廓系数并加以合适的准则解决机群划分数目问题,利用本专利技术提出的聚类方法完成风电场聚类,最终建立等值模型。但由于对于聚类数目需要不断设置不同的聚类数目K值来计算轮廓系数。当风机数量较大时，这种方法比较耗时且不易观察。本专利技术综合神经网络SOM的自动聚类的特性和C均值聚类的快速聚类的特质，对风电场进行快速有效的聚类。
技术实现思路
针对现有技术的不足，本专利技术所要解决的技术问题是针对现有技术的上述缺陷，提供一种风电场多机等值建模方法及装置，结合神经网络SOM的自动聚类的特性和C均值聚类的快速聚类的特质，对风电场进行快速有效的聚类，解决风电场多机等值问题中的分群数目与聚类速度的难题。为实现上述目的，本专利技术采用的技术方案，具体如下：一种风电场多机等值建模方法，包括以下步骤：1)选取风电场中风电机组运行时的状态变量；2)将状态变量作为神经网络SOM聚类算法的初始输入变量矩阵，得到聚类数目K；3)将聚类数目K值作为C均值聚类算法的输入，对运行状态变量进行聚类，得到风电场多机等值模型；4)对风电场多机等值模型进行参数聚合，参数聚合包括发电机参数聚合以及输电线路参数的聚合；5)基于参数聚合的结果建立新的风电场模型进行仿真模拟。状态变量包括有功功率、无功功率、机端电压、输出电流和风速。神经网络SOM聚类算法为无监督的学习模式，包括输入层和输出层；输入层对应运行状态变量矩阵，输出层通过若干在二维网格上的有序节点表示，输入层和输出层通过权重向量连接，并根据数据间的相似性将数据分成不同的类别，从而达到有效聚类的目的。步骤2)具体包括以下步骤：(201)，对输出层的节点权重Wj赋初值；(202)，从初始输入变量矩阵(样本数据)中随机选取输入向量Xi，求Wj中与Xi距离最小的连接权重向量Wji：Wji＝min||Xi-Wj||(1)其中，Wj为节点j的权重，Xi为第i个输入向量，式子中||()||为距离函数，对于连续数值属性的数据集，定义为欧式距离；(203)，定义g为获胜单元，Ng(t)为获胜单元的邻近区域，对于邻近区域内的单元，根据式(2)调整权重：Wj(t+1)＝Wj(t)+∝(t)hgj(t)(Xi(t)-Wj(t)(2)式中：Wj(t)为t时刻的节点j的权重，Xi(t)为t时刻第i个输入向量；∝(t)为t时刻的学习效率，hgj(t)为t时刻的邻域半径；(204)，收缩邻域半径hgj(t)，减小学习效率∝(t)，循环步骤(202)～步骤(203)，当网络权值Wji稳定时视为收敛，输出聚类数目K。C均值聚类算法具有算法简单、速度快以及能够有效处理大型数据库的优点，但是他的聚类数目K需要人为给定，对于随机的初始值选取可能会导致不同的聚类结果,甚至存在着无解的情况。步骤3)具体包括以下步骤：(301)，输入聚类数目K；(302)，随机从初始输入变量矩阵中选取K个数据，将K个数据作为初始聚类中心；(303)，根据距离函数计算所有初始输入变量矩阵与初始聚类中心之间的距离进行聚类，形成簇；(304)，计算所形成簇的聚类中心；(305)，若簇的聚类中心与初始聚类中心相比聚类误差在限定范围内，转至步骤(306)，否则转步骤(303)；(306)，计算聚类点S(i)，若S(i)不稳定，重新选取初始聚类点进行聚类，直至S(i)稳定不变，若所有的初始聚类点均不稳定，重新输入K值，进行聚类；式(3)中：a是第i个输入向量与其同簇的其它样本之间的平均距离，b是第i个输入向量与其不同簇之间的距离，S(i)为第i个聚类点，n为聚类点个数。步骤4)具体包括以下步骤：(401)，发电机参数聚合：式中wm为第m台发电机组容量加权系数，Sm、Pm分别为第m台发电机组的额定容量、输出有功功率；Seq、Peq分别为等值发电机的额定容量和有功功率；Xm为第m台发电机的参数(定子电感、定子电阻、转子电感、转子电阻、激磁电感)，Xeq为等值发电机组的对应的参数；vm为第m台风机接受的风速，Veq为等值发电机的风速，n为发电机组个数(与聚类点个数相同)；(402)，集电线路的聚合：按照线路等功率损耗进行线路聚合，采用放射式集电系统等值阻抗Zeq为：式(8)中，Zi为第i台风电机组集电线路阻抗；pi为第i台风电机组的输出有功功率；Zeq为等值机组集电阻抗。一种风电场多机等值建模装置，包括数据采集单元、聚类数目计算单元、神经网络SOM聚类单元、等值模型参数聚合单元和风电场模型模拟单元；数据采集单元采集选取风电场中风电机组运行时的状态变量，状态变量包括有功功率、无功功率、机端电压、输出电流和风速；聚类数目计算单元将状态变量，将状态变量作为神经网络SOM聚类算法的初始输入变量矩阵，得到聚类数目K；神经网络SOM聚类单元将聚类数目K值作为C均值聚类算法的输入，对运行状态变量进行聚类，得到风电场多机等值模型；等值模型参数聚合单元对风电场多机等值模型进行参数聚合，参数聚合包括发电机参数聚合以及输电线路参数的聚合；风电场模型模拟单元基于参数聚合的结果建立新的风电场模型进行仿真模拟。聚类数目计算单元执行过程具体包括以下步骤：(201)，对输出层的节点权重Wj赋初值；(202)，从初始输入变量矩阵(样本数据)中随机选取输入向量Xi，求Wj中与Xi距离最小的连接本文档来自技高网...

【技术保护点】
1.一种风电场多机等值建模方法，其特征在于，包括以下步骤：1)选取风电场中风电机组运行时的状态变量；2)将状态变量作为神经网络SOM聚类算法的初始输入变量矩阵，得到聚类数目K；3)将聚类数目K值作为C均值聚类算法的输入，对运行状态变量进行聚类，得到风电场多机等值模型；4)对风电场多机等值模型进行参数聚合，参数聚合包括发电机参数聚合和输电线路参数聚合；5)基于参数聚合的结果建立新的风电场模型进行仿真模拟。

【技术特征摘要】
1.一种风电场多机等值建模方法，其特征在于，包括以下步骤：1)选取风电场中风电机组运行时的状态变量；2)将状态变量作为神经网络SOM聚类算法的初始输入变量矩阵，得到聚类数目K；3)将聚类数目K值作为C均值聚类算法的输入，对运行状态变量进行聚类，得到风电场多机等值模型；4)对风电场多机等值模型进行参数聚合，参数聚合包括发电机参数聚合和输电线路参数聚合；5)基于参数聚合的结果建立新的风电场模型进行仿真模拟。2.根据权利要求1所述的一种风电场多机等值建模方法，其特征在于，状态变量包括有功功率、无功功率、机端电压、输出电流和风速。3.根据权利要求1所述的一种风电场多机等值建模方法，其特征在于，神经网络SOM聚类算法为无监督的学习模式，包括输入层和输出层；输入层对应运行状态变量矩阵，输出层通过若干在二维网格上的有序节点表示，输入层和输出层通过权重向量连接，并根据数据间的相似性将数据分成不同的类别。4.根据权利要求3所述的一种风电场多机等值建模方法，其特征在于，步骤2)具体包括以下步骤：(201)，对输出层的节点权重Wj赋初值；(202)，从初始输入变量矩阵中随机选取输入向量Xi，求Wj中与Xi距离最小的连接权重向量Wji：Wji＝min||Xi-Wj||(1)其中，Wj为节点j的权重，Xi为第i个输入向量，式子中||()||为距离函数，对于连续数值属性的数据集，定义为欧式距离；(203)，定义g为获胜单元，Ng(t)为获胜单元的邻近区域，对于邻近区域内的单元，根据式(2)调整权重：Wj(t+1)＝Wj(t)+∝(t)hgj(t)(Xi(t)-Wj(t)(2)式中：Wj(t)为t时刻的节点j的权重，Xi(t)为t时刻第i个输入向量；∝(t)为t时刻的学习效率，hgi(t)为t时刻的邻域半径；(204)，收缩邻域半径hgi(t)，减小学习效率∝(t)，循环步骤(202)～步骤(203)，当网络权值Wji稳定时视为收敛，输出聚类数目K。5.根据权利要求1所述的一种风电场多机等值建模方法，其特征在于，步骤3)具体包括以下步骤：(301)，输入聚类数目K；(302)，随机从初始输入变量矩阵中选取K个数据，将K个数据作为初始聚类中心；(303)，根据距离函数计算所有初始输入变量矩阵与初始聚类中心之间的距离进行聚类，形成簇；(304)，计算所形成簇的聚类中心；(305)，若簇的聚类中心与初始聚类中心相比聚类误差在限定范围内，转至步骤(306)，否则转步骤(303)；(306)，计算聚类点S(i)，若S(i)不稳定，重新选取初始聚类点进行聚类，直至S(i)稳定不变，若所有的初始聚类点均不稳定，重新输入K值，进行聚类；式(3)中：a是第i个输入向量与其同簇的其它样本之间的平均距离，b是第i个输入向量与其不同簇之间的距离，S(i)为第i个聚类点，n为聚类点个数。6.根据权利要求1所述的一种风电场多机等值建模方法，其特征在于，步骤4)具体包括以下步骤：(401)，发电机参数聚合：式中wm为第m台发电机组容量加权系数，Sm、Pm分别为第m台发电机组的额定容量、输出有功功率；Seq和Peq分别为等值发电机的额定容量和有功功率；Xm为第m台发电机的参数，Xeq为等值发电机组的对应的参数；vm为第m台风机接受的风速，Veq为等值发电机的风速，n为发电机组个数；(402)，集电线路的聚合：按照线路等功率损耗进行线路聚合，采用放射式集电系统等值阻抗Zeq为：式(8)中，Zi为第i台风电机组集电线路阻抗；pi为第i台风电机组的输出有功功率；Zeq为等值机组集电阻抗。...

【专利技术属性】
技术研发人员：朱玲，侯玉强，赵凯，刘福锁，许剑冰，李威，张倩，赵彦丽，
申请(专利权)人：国电南瑞科技股份有限公司，国网山东省电力公司，南瑞集团有限公司，国家电网有限公司，
类型：发明
国别省市：江苏,32