一种风电机组外特性聚合方法技术

本发明专利技术公开了风电机组外特性聚合方法，通过对风电场自相关性、互相关性分析并采用马尔科夫链提取风电序列间的关系以分析风电出力时空相关性；通过分析各风电厂的风电出力变化率、风电出力同时率和风电出力标准差得出研究范围内风电场总出力相对于单个风电场出力表现出来的波动性削弱的特性。通过分析风电出力相关性和集群效应，提高了等值建模的精度。提高了等值建模的精度。提高了等值建模的精度。

【技术实现步骤摘要】
一种风电机组外特性聚合方法


[0001]本专利技术主要涉及风电领域，尤其涉及一种风电机组外特性聚合方法。

技术介绍

[0002]随着高比例的风电接入电力系统，风电功率的随机波动性、间歇性等特征会对电力系统长期生产运行造成很大影响，采用建模仿真的方法可以对电力系统进行大量的仿真计算，但直接计算复杂度高，所需时间长，需要通过聚类分组，聚合建模的方法对风电机组简化，以研究其聚合外特性。
[0003]目前已有研究对聚合方法展开研究。有的使用K
‑
means聚类算法，分别对风电功率、电力负荷等数据类型进行聚合获得典型场景集，验证了运用典型场景集代表全时序数据的可行性。K
‑
means聚类算法简单、效率高，但是存在聚类结果不稳定、平滑原始时序数据的波动特征等弊端。
[0004]有的采用K
‑
mediods聚类算法，构建输入数据的典型场景集，以降低计算复杂程度。虽然与K
‑
means聚类算法一样具有聚类结果不稳定的弊端，但是其聚合结果很好的保留了数据的原始波动特征。
[0005]有的选取风电功率与负荷需求均较大时对应的场景集合作为全年的典型日场景集。但是这种方法不能很好的体现长期时序数据的变化特征，基于此方法获得的系统仿真计算的结果往往误差较大。
[0006]有的采用平均周期法，将时间尺度一致的大量场景样本进行平均处理得到聚合的典型场景，但是该典型场景与实际场景在波动特征上有较大差异，应用于模型时会导致不同的常规电源开机运行方式，从而低估仿真计算的多项指标。
[0007]综上所述，以上常规聚合方法存在仿真计算步骤繁琐以及计算结果误差大等弊端，且不能灵活适应仿真模型的优化策略

技术实现思路

[0008]有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题包括：
[0009]如何设计一种能够克服上述缺陷的风电机组外特性聚合方法。
[0010]为实现上述目的，本专利技术提供了一种风电机组外特性聚合方法，包括步骤：
[0011]A.自相关系数分析；
[0012]B.集群效应分析；
[0013]C.通过two
‑
step法将数据聚类成群；
[0014]D.选取概率值最大组别的聚类结果作为分类组别；
[0015]E.读入其他组别中没有被合并过的风速信息；
[0016]F.进行Fisher判别分析回判检验；
[0017]G.将回判正确率大于等于设定值的风速信息合并至分类基准组别中；
[0018]H.更新各组别的概率值；
[0019]I.判断未被合并的风速信息对其他组别的回判正确率是否都小于设计值，若是，进入步骤J，若否，进入步骤D；
[0020]J.等值参数计算；
[0021]K.等值参数偏移评价。
[0022]进一步地，步骤A中，所述自相关系数分析计算公式为：
[0023][0024]其中，对于单个风电场的数据出力序列{Y(t)，t＝1，2，...，T}，时间延迟量为T，E表示期望，D表示方差。
[0025]进一步地，步骤B中，所述集群效应分析为利用风电出力变化率，风电出力标准差和风电出力同时率三种指标对处于不同地理位置的风电场之间具有的空间集群效应进行分析。
[0026]进一步地，所述风电出力变化率公式为：
[0027][0028]ΔP＝P(t+Δt)
‑
P(t)
[0029]式中Δt时间序列间隔，ΔP表示相应时间间隔内风电出力变化量；将风电单步变化量除风电额定装机容量得到其变化率k。
[0030]进一步地，所述风电出力标准差为：
[0031][0032]其中P
N
表示研究范围内风电场的并网容量，N表示样本点总量，P
i
和分别表示样本点i的功率和样本点的均值。
[0033]进一步地，所述风电出力同时率为：
[0034][0035]式中，P
max
和P
N
分别表示一天内该风电场规模下最大出力和各风电场总、并网容量。
[0036]进一步地，步骤C中，所述two
‑
step聚类算法具体为：
[0037]在一个类中，定义N个d维的数据点构成一个聚类特征簇，每个特征簇可以用一个向量表征：
[0038]C＝{N,LS,SS}
[0039]其中，N为聚类特征簇中数据点的数量；LS，SS分别为N个数据点的线性求和以及平方和，不同的聚类特征簇可以直接求和，即：
[0040]C1+C2＝{N1+N2,LS1+LS2,SS1+SS2}
[0041]类中心：
[0042][0043]类半径：
[0044][0045]类直径：
[0046][0047]其中，x1,x2,
…
,x
N
为数据点的特征变量。
[0048]进一步地，步骤F中,所述Fisher判别函数为：
[0049]y＝a1x1+a2x2+
…
+a
k
x
k
＝a
T
x
[0050]其中，x1，x2，
…
，x
k
为研究对象的特征变量；y为判别值；a＝(a1，a2，
…
，a
k
)
T
；x＝(x1，x2，
…
，x
k
)
T
；a1，a2，
…
，a
k
判别系数，k为变量个数。
[0051]进一步地，步骤J中,所述等值参数计算公式包括风速等值计算和等值风电机组参数计算；
[0052]所述风速等值计算公式如下：
[0053][0054]其中，v
eq
为第k群风电机组的等值风速；i为第k群中风电机组的编号；P
i
为第i台风电机组的输出功率；
[0055]所述等值风电机组参数计算公式如下：
[0056]设风电场中所有机组的机型相同(对不同类型的机组可分别计算)，假定第k群有n台风电机组，等值成为1台风电机组后，电励磁同步发电机参数为：
[0057][0058]其中，S为单台发电机容量；x
n
为发电机励磁电抗；x1、x2分别为发电机定子电抗、转子电抗；r1、r2分别为发电机定子电阻、转子电阻；
[0059]等值机轴系参数为：
[0060]其中，H为轴系惯性时间常数；K为刚度系数；D为阻尼系数；
[0061]等值变压器参数为：
[0062][0063]其中，S
T
为箱变容量；Z
T
箱变的阻抗。
[0064]进一步地，步骤K中,所述等值参数偏移评价指标为：
[0065][0066]τ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电机组外特性聚合方法，其特征在于，包括步骤：A、自相关系数分析；B、集群效应分析；C、通过two
‑
step法将数据聚类成群；D、选取概率值最大组别的聚类结果作为分类组别；E、读入其他组别中没有被合并过的风速信息；F、进行Fisher判别分析回判检验；G、将回判正确率大于等于设定值的风速信息合并至分类基准组别中；H、更新各组别的概率值；I、判断未被合并的风速信息对其他组别的回判正确率是否都小于设计值，若是，进入步骤J，若否，进入步骤D；J、等值参数计算；K、等值参数偏移评价。2.根据权利要求1所述的风电机组外特性聚合方法，其特征在于，步骤A中，所述自相关系数分析计算公式为：其中，对于单个风电场的数据出力序列{Y(t)，t＝1，2，...，T}，时间延迟量为T，E表示期望，D表示方差。3.根据权利要求1所述的风电机组外特性聚合方法，其特征在于，步骤B中，所述集群效应分析为利用风电出力变化率，风电出力标准差和风电出力同时率三种指标对处于不同地理位置的风电场之间具有的空间集群效应进行分析。4.根据权利要求3所述的风电机组外特性聚合方法，其特征在于，所述风电出力变化率公式为：ΔP＝P(t+Δt)
‑
P(t)式中Δt时间序列间隔，ΔP表示相应时间间隔内风电出力变化量；将风电单步变化量除风电额定装机容量得到其变化率k。5.根据权利要求3所述的风电机组外特性聚合方法，其特征在于，所述风电出力标准差为：其中P
N
表示研究范围内风电场的并网容量，N表示样本点总量，P
i
和分别表示样本点i的功率和样本点的均值。6.根据权利要求3所述的风电机组外特性聚合方法，其特征在于，所述风电出力同时率
为：式中，P
max
和P
N
分别表示一天内该风电场规模下最大出力和各风电场总、并网容量。7.根据权利要求1所述的风电机组外特性聚合方法，其特征在于，步骤C中，所述two
‑
step聚类算法具体为：在一个类中，定义N个d维的数据点构成一个聚类特征簇，每个特征簇可以用一个向量表征：C＝{N，LS，SS}其中，N为聚类特征簇中数据点的数量；LS，SS分别为N个数据点的线性求和以及平方和，不同的聚类特征簇可以直接求和，即：C1+C2＝{N1+N2，LS1+LS2，SS1...

【专利技术属性】
技术研发人员：张伟，邓星，朱克东，张明，艾芊，马楠，张景晨，陈旻昱，严嘉豪，于韶源，夏秋，高国荣，王勇，徐鹏，刘俊，汤必强，
申请(专利权)人：中国电力科学研究院有限公司南京分院上海交通大学国网江苏省电力有限公司，
类型：发明
国别省市：