【技术实现步骤摘要】
本专利技术涉及等值建模，特别涉及一种拟合风电场动态特性的风电场等值建模方法、系统、介质及处理器。
技术介绍
1、随着新能源的不断发展，可再生能源发电的占比不断增大，例如大型风电场的建设不断兴起和增加。但由于风能具有间歇性和随机性，大型风电场并网对电网安全造成很大影响和冲击，建立高效可靠的大型风电场模型是分析大型风电场对电力系统稳定性的基础，对风电场的建模研究具有重要意义。
2、现阶段对风电场等值建模问题的研究主要集中于多机等值方法，多机等值可以灵活的解决不同场景下的建模问题。现有研究采用了遗传算法、随机逼近法、粒子群算法对等值机内部参数寻优。基于聚类的等值方法保证风电场模型一定精度的同时减少了软件仿真耗时，忽略了风电场内部的运行状态和动态参数差异。风电场是一个复杂的、高阶的、具有强非线性的系统，传统的建模方法无法很好的拟合风电场的动态特性。
技术实现思路
1、针对现有技术中的建模方法无法很好的拟合风电场的动态特性问题，本专利技术提供了一种拟合风电场动态特性的风电场等值建模方法、系统、介质及处理器，实现了构建一个拟合风电场动态特性的误差校正-聚类等值模型。具体技术方案如下：
2、一种拟合风电场动态特性的风电场等值建模方法，包括：
3、获取根据风电机组的运行特性筛选出的风电机组的关键聚类指标；
4、将所述关键聚类指标输入k-means算法，采用模拟退火算法对k-means算法进行优化，并输出风电机组的最优聚类划分结果；
5、根
6、根据风电场中各风电机组的相关参数构建风电场详细模型，并求得风电场详细模型的暂态响应；
7、通过猎豹优化算法优化bp神经网络的超参数，并将所述风电场详细模型与所述风电场聚类等值模型之间的暂态响应误差输入优化后的bp神经网络中进行训练，得到误差修正模型；
8、将所述误差修正模型输出的误差补偿值加法补偿到所述风电场聚类等值模型中，得到修正后的风电场聚类等值模型。
9、优选的，所述将所述关键聚类指标输入k-means算法，采用模拟退火算法对k-means算法进行优化，并输出风电机组的最优聚类划分结果包括：
10、获取预设的风电机组特性数据；
11、对风电机组特性数据进行k均值聚类，得到聚类划分结果；
12、将聚类划分结果作为初始解计算各样本到对应聚类中心距离总和的目标函数值；
13、将目标函数值作为模拟退火算法的初始化温度，并设置退火速度和最大退火次数；
14、随机改变聚类划分结果中一个聚类样本的所在集群，并重新计算新的目标函数值；
15、判断新的目标函数值是否为最优目标函数值，若是，则保存聚类划分为最优聚类划分结果，若否，则执行下一步；
16、计算新的目标函数值与初始的目标函数值的差，并判断得到新解；
17、判断是否达到最大退火次数，若是，则输出最优聚类划分；若否，则继续迭代直到最大退火次数，输出最优聚类划分结果。
18、优选的，所述根据所述最优聚类划分结果构建风电场聚类等值模型包括：
19、根据所述最优聚类划分结果计算每个聚类的等值参数，根据所述等值参数构建风电场聚类等值模型。
20、优选的，所述通过猎豹优化算法优化bp神经网络的超参数包括：
21、将bp神经网络的超参数包括初始学习率、最大迭代次数、隐含层神经元个数作为co算法寻优对象，建立三维co搜索算法维度，初始化猎豹种群；
22、计算每个猎豹的位置对应的适应度值，以确定当前解的质量；
23、根据猎豹的追逐行为更新其位置；
24、检查当前解是否优于全局最佳解，如果是，则更新全局最佳解；
25、判断是否达到最大迭代次数，若是，则输出最优猎豹最优位置，得到bp神经网络超参数值，若否，则继续迭代直到输出最优猎豹最优位置，得到bp神经网络超参数值。
26、优选的，所述将所述风电场详细模型与所述风电场聚类等值模型之间的暂态响应误差输入优化后的bp神经网络中进行训练，得到误差修正模型包括：
27、根据所述风电场详细模型的暂态响应得到第一输出有功功率和第一母线电压；
28、根据所述风电场聚类等值模型的暂态响应得到第二输出有功功率和第二母线电压；
29、计算所述第一输出有功功率与第二输出有功功率的功率差值，及第一母线电压与第二母线电压的电压差值；
30、将所述功率差值和电压差值作为优化后的bp神经网络的映射目标，并选取出训练集和验证集输入优化后的bp神经网络中训练，得到误差修正模型。
31、优选的，所述获取根据风电机组的运行特性筛选出的风电机组的关键聚类指标包括：
32、获取根据风电机组的运行特性选取得到的风电机组若干个状态变量，并将所述状态变量作为初始聚类指标；
33、采用因子分析法从所述初始聚类指标提取风电机组的关键聚类指标。
34、一种拟合风电场动态特性的风电场等值建模系统，应用于前述的一种拟合风电场动态特性的风电场等值建模方法，包括：
35、关键聚类指标获取单元，用于获取根据风电机组的运行特性筛选出的风电机组的关键聚类指标；
36、最优聚类划分输出单元，用于将所述关键聚类指标输入k-means算法，采用模拟退火算法对k-means算法进行优化，并输出风电机组的最优聚类划分结果；
37、第一暂态响应计算单元，用于根据所述最优聚类划分结果构建风电场聚类等值模型，并求得风电场聚类等值模型的暂态响应；
38、第二暂态响应计算单元，用于根据风电场中各风电机组的相关参数构建风电场详细模型，并求得风电场详细模型的暂态响应；
39、修正模型构建单元，用于通过猎豹优化算法优化bp神经网络的超参数，并将所述风电场详细模型与所述风电场聚类等值模型之间的暂态响应误差输入优化后的bp神经网络中进行训练，得到误差修正模型；
40、等值模型修正单元，用于将所述误差修正模型输出的误差补偿值加法补偿到所述风电场聚类等值模型中，得到修正后的风电场聚类等值模型。
41、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程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行前述的一种拟合风电场动态特性的风电场等值建模方法。
42、一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行前述的一种拟合风电场动态特性的风电场等值建模方法。
43、与现有技术相比，本专利技术的有益效果为：
44、本专利技术的一种拟合风电场动态特性的风电场等值建模方法通过获取根据风电机组的运行特性筛选出的风电机组的关键聚类指标；将所述关键聚类指标输入k-means算法，采用模拟退火算法对k-means算本文档来自技高网...
【技术保护点】
1.一种拟合风电场动态特性的风电场等值建模方法，其特征在于，包括：
2.根据权利要求1所述的一种拟合风电场动态特性的风电场等值建模方法，其特征在于，所述将所述关键聚类指标输入K-means算法，采用模拟退火算法对K-means算法进行优化，并输出风电机组的最优聚类划分结果包括：
3.根据权利要求1所述的一种拟合风电场动态特性的风电场等值建模方法，其特征在于，所述根据所述最优聚类划分结果构建风电场聚类等值模型包括：
4.根据权利要求1所述的一种拟合风电场动态特性的风电场等值建模方法，其特征在于，所述通过猎豹优化算法优化BP神经网络的超参数包括：
5.根据权利要求3所述的一种拟合风电场动态特性的风电场等值建模方法，其特征在于，所述将所述风电场详细模型与所述风电场聚类等值模型之间的暂态响应误差输入优化后的BP神经网络中进行训练，得到误差修正模型包括：
6.根据权利要求1所述的一种拟合风电场动态特性的风电场等值建模方法，其特征在于，所述获取根据风电机组的运行特性筛选出的风电机组的关键聚类指标包括：
7.一种拟合风电场
8.一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程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述的一种拟合风电场动态特性的风电场等值建模方法。
9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的一种拟合风电场动态特性的风电场等值建模方法。
...【技术特征摘要】
1.一种拟合风电场动态特性的风电场等值建模方法，其特征在于，包括：
2.根据权利要求1所述的一种拟合风电场动态特性的风电场等值建模方法，其特征在于，所述将所述关键聚类指标输入k-means算法，采用模拟退火算法对k-means算法进行优化，并输出风电机组的最优聚类划分结果包括：
3.根据权利要求1所述的一种拟合风电场动态特性的风电场等值建模方法，其特征在于，所述根据所述最优聚类划分结果构建风电场聚类等值模型包括：
4.根据权利要求1所述的一种拟合风电场动态特性的风电场等值建模方法，其特征在于，所述通过猎豹优化算法优化bp神经网络的超参数包括：
5.根据权利要求3所述的一种拟合风电场动态特性的风电场等值建模方法，其特征在于，所述将所述风电场详细模型与所述风电场聚类等值模型之间的暂态响应误差输入优化后...
【专利技术属性】
技术研发人员：凌武能，梁阳豆，孙志媛，刘鹏，梁振成，彭博雅，刘默斯，郑琨，邓秋荃，李秋文，莫东，朱益华，李成翔，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。