一种基于clarans聚类的风电场机组聚合方法

文档序号:9708564阅读:554来源:国知局
一种基于clarans聚类的风电场机组聚合方法
【技术领域】
[0001]本发明属于电力系统仿真建模领域,特别是涉及一种基于CLARANS聚类的风电场 机组聚合方法。 技术背景
[0002] 在对大型风电场动态仿真研究过程中,风电场建模是必不可少的部分。风电场建 模的思路主要分为两个方向,一是将风电场视为数十到上百台风电机组组成的整体,并对 多台发电机、多台升压变压器和大量连接线路进行详细建模。风电机组的详细建模本身已 经十分复杂,数十到上百台机组同时动态建模,会增加电力系统阶数,增加潮流计算时间, 大大增加时域仿真的时间。二是将风电场等值视为一台或多台风电机组组成的整体,进行 等值简化之后的风电场建模的系统阶数与计算复杂度都会大大下降,大大减小了仿真难 度。
[0003] 常用的等值建模方式为单机等值建模。将风电场中的多台风电机组等效成一台, 多台单机的机械功率之和即是风电场的总机械输入功率。考虑到大型风电场占地面积较 大,风电机组数量众多,不同风电机组所处环境的风速、地形、气温等因素差异较大,简单地 采用单机等值建模方式会造成较大误差,存在一定的不合理性。
[0004] 多机等值建模是较为合理的一种风电场等值建模办法。多机等值法指的是利用某 些分类的原则,对风电场中的风机进行分类划分,各组分别等值成一台等值风机的建模方 式。多机等值法的分类思想来源于传统的电力系统建模理论中的同调等值法。在同调等值 法中,机组根据动态过程中发电机功角不同进行划分。风电机组不存在功角,因此风电机组 可以根据合理的分类指标进行划分与聚类。
[0005] 目前多机等值建模中有很多划分思路,可以根据排列位置、风速、尾流效应等指标 进行分类划分,这些划分方式都是基于相同或者相近的运行点的分类原则。即是将排列位 置、风速等作为反映风电机组运行点的变量。这些变量都可归于风电机组环境因素指标,对 于风电机组运行存在直接或间接的影响关系。
[0006] 然而,风电场建模主要研究目标为风电场出力,弱化环境指标对于出力的影响,可 以简化建模算法与计算量。同时,基于环境因素进行风电机组划分的方式,多采用人为经验 或专业知识的方式进行分类,而不是根据数据本身进行定量分类。考虑到大型风电场有数 十或上百台风机,数据量极大,并且对分类的要求较高,仍然采用人为分类的划分模式不够 科学。采用基于数值分类学的聚类分析算法,可以客观地进行大型风电场风电机组的分类 聚合,并且适用面较广,结果直观。同时,尚未发现使用CLARANS聚类算法的风电机组聚合方 法的相关记载。

【发明内容】

[0007] 本发明的目的是针对大型风电场建模,提出一种新的风电场聚合划分方法。采用 基于数值分类学的聚类分析算法,客观地进行大型风电场风电机组的分类聚合。较常见风 电机组划分方法,具有客观,稳定,可行性高的特点。
[0008] 针对技术背景提出的风电机组聚合划分问题,实现发明目的,使用CLARANS聚类的 风电场机组划分方法,用于解决风电场等值建模过程当中的大量风电场机组划分聚类的问 题。具体实现方法包括。
[0009] 步骤S1:给定聚合划分风电机组初始参数。包括,划分组数K,最优中心机组搜索次 数NUM,最大相邻机组比较次数MAX,最小代价MIN,且MIN值为一大数。
[00?0]步骤S2:若搜索总次数小于NUM,则任意选定K台风机作为初始中心风机簇center。 并根据代价最低,也就是欧式距离最近的原则,将风机样本划分为K组。否则,输出所有求得 最佳中心风机簇best_center。
[0011 ] 步骤S3:随机选取center任一相邻机组簇N,并计算中心机组簇center被相邻机组 簇N代替的代价,即代价差。其中中心机组簇代价值为center_cost,相邻机组簇代价值为N_ cost 〇
[0012]步骤S4:若代价差Cag〈0,则替换中心机组簇center为相邻机组簇N。若当前比较次 数小于最大相邻机组比较次数MAX,则回到步骤S3。否则若当前机组的代价小于MIN,则认为 当前机组为最佳中心机组。回到步骤S2。
[0013]所述步骤S1中,NUM为聚类达到局部最优的搜索次数。MAX为当前中心风机簇可以 和临近机组比较的最大次数。假设η台风电机组组成的数据集样本存在2个中心风机样本 簇,每个样本簇存在k个变化维度,分别SSi = {Tm,Τμ2,…,TMk}和S2 = {TW1,TW2,…,Twk}。若 Si η & I =k-l,则认为51与52为相邻机组。每个中心风机样本簇都代表了一种聚类的解。MIN 为一个中心风机样本簇被替代的最小代价值,且代价值指当前中心风机样本簇与待替代中 心风机样本簇相异度大小。
[0014] 所述步骤S3中,计算任意两个k维风电机组样本簇Si= {Tmi,TM2,…,TMk}和S2 = {TW1,1?,…,Twk}之间的距离,采用欧式距离计算。
[0015]
[0016] 由上述相邻机组簇的定义可知,除对象1外,中心机组样本簇center与相邻机组 样本簇N其余k-Ι个对象完全相同。因此,相邻机组簇N替换中心机组簇center总代价为用非 中心机组簇对象!^替换当前中心机组簇对象1的总代价。设定C ag为用Tg替换Ta所产生的总 代价,Cbag为用T g替换Ta产生的非中心机组簇对象Tb的代价。
[0017] 计算中心机组与相邻机组代价的步骤为:
[0018] 步骤S301:计算非中心机组簇对象Tb的代价Cbag。这时需要考虑四种情况。
[0019] l)Tb属于中心机组簇对象Ta,存在另一中心机组簇对象Tn,有办K)< J(r,f,) 则将Tb分配给Τη,且Cbag = d ( Tb,Τη) -d ( Tb,Ta)。
[0020] 2)Tb属于中心机组簇对象Ta,对于任意其他中心机组簇对象?η,有d(T b,Tn) 2 d(Tb, Tg),则将Tb分配给Tg,且Cbag = d(Tb,Tg)-d (Tb,Ta)。
[0021] 3)Tb属于中心机组簇对象Tn,n矣a,若(1(1^,1")<(1(1^,1^),则1^的隶属关系不变, 且 Cbag = 0〇
[0022] 4)Tb属于中心机组簇对象Tn,n矣a,若(1(1^,1\〇>(1(1^,1^),则将1^分配给1^,且(^ = d(Tb,Tn)>d(Tb,Tg) 〇
[0023] 步骤S302:计算Tg替换1总代价Cag。
[0024]
[0025] 本友明
提出的于CLARANS聚类的风电场机组划分方法,能有效解决风电场等值 建模过程当中的大量风电场机组划分聚类的问题。给定搜索划分初始参数;根据代价初定 中心机组与机组划分;中心机组簇与相邻机组簇比较并合理替代;进行多次比较与多次搜 索得到最佳中心机组簇和相应机组划分。发明不局限于单一变量对风电机组进行划分,可 以选取风电机组多种状态和运行参数,具有较大的适用范围,也便于得到合理的等值建模 聚合分类。同时,通过大量数据挖掘风电场机组群的分类信息,较以往划分方式具有客观性 强、更加高效、可实施性高、成本低的优势。
【附图说明】
[0026] 附图提供对本发明进一步的阐释,构成说明书的一部分,与实施实例一起用于解 释本发明,且不构成本发明的限制。附图中:
[0027] 图1为本发明基于CLARANS聚类的风电场机组聚合方法的流程图;
[0028] 图2为本发明实例的风电场平面图;
[0029] 图3为本发明实例的风电场机组聚类划分结果。
【具体实施方式】
[0030] 下面针对实际风电场机组聚类划分,对实施方案进行详细说明。下述说明仅为示 例性的,而非限制本发明的范围极其应用。
[0031] 以直驱式风机组成的风电场为例,各台风电机组存
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1