本发明涉及风电场领域，具体地说，特别涉及到一种基于树结构的三支增量聚类的风电场机组聚合方法。
背景技术：
风电是非常重要的清洁能源，能够解决我国现今的能源供应以及二氧化碳的减排问题，实现能源的可持续发展，为我国的清洁能源和环保做出贡献。风力发电的优点有很多：它可再生，不用消耗污染环境的化石燃料，不产生温室气体。建到西北地区的，既不占用耕地，又不会污染环境。且风电场运营简单，施工周期短。
对于大型的风电场来说，风机装机容量在系统中所占比重较大，输出能量的随机波动将会对电网频率造成比较大的影响。一般的，我国风力发电大部分在西北地区的电网末端，改变了末端电网能量的单向流动的特点，风电机组在向电网供电的同时会吸收大量的无功，当系统电压降低时可能会导致电网电压进一步降低，严重时会使其他发电机组解列，造成停电。并且由于风能的随机性，风电机组在运行时会产生谐波，对电网造成冲击。所以，就需要根据风电机组的运行状态对机组进行分群，以达到对风电输出功率的较稳定控制。
在现有技术中，对于风电机组的分群，还主要使用的硬聚类，例如k-means等。它们有如下缺点：首先，他们大多是对静态数据集进行聚类，对于新增的数据集需要把新数据集和原有数据集作为一个整体重新运算，用时长；其次，这些算法的K值难以估计；最后，它们受初始聚类中心影响巨大，不好的初值选取可能得不到有效的聚类。关于基于树结构的三支增量聚类的风电场机组聚合方法，现有技术中尚未发现相关记载。
技术实现要素：
本发明的目的在于针对现有技术中的不足，提供一种基于树结构的三支增量聚类的风电场机组聚合方法，以解决现有技术中存在的问题。
本发明所解决的技术问题可以采用以下技术方案来实现：
一种基于树结构的三支增量聚类的风电场机组聚合方法，包括如下步骤，
1)对风电场的风力发电机组的样本和新增数据进行标准化处理；
2)利用静态重叠聚类算法对待测风电场机组原数据进行分群聚类，得到重叠的类簇，创建收索树；
3)创建增量聚类算法；
4)对比增量数据集的代表点，对新增数据样本进行分群聚类并对原有搜索树进行更新；需要将新增代表点重新迭代聚类运算，直至新增代表点不再发生变化，得到新增风机分群。
所述步骤2)的具体过程如下：
a)采用欧几里得公式计算样本的相似性，并对样本初始化；
b)根据实际工作的要求和误差设定距离阈值，将所有满足一定条件的数据对象添加到相对应的簇群中；
c)然后寻找数据集中的代表点，并更新代表点样本数据集；
d)计算每个样本属性的熵指标值，并按照指标值由大到小的顺序对属性进行排序；
e)创建搜索树，当形成的子节点与父节点大部分相同时，停止创建收索树。
所述步骤3)的具体过程如下：
b1)对新增数据集进行聚类分析；
b2)找出新增数据集的簇群的相对应的代表点；
b3)然后找出新增数据集所对应的的代表点的临近代表点。
与现有技术相比，本发明的有益效果如下：
本发明基于树增量重叠的风电场聚合方法的优点是使用了三支决策聚类对数据进行预处理，可以很好的将模型的正域、边界和负域，使聚类的结果更加准确。并且，增量重叠算法对于新增的机组可以更快更有效的聚类，既节省了时间，又可以获得较好的新增机组的聚类结果，从而提高了现有技术对于动态数据的处理能力，可以使电网更有效的稳定运行。
附图说明
图1为本发明所述的增量聚类的风电场机组聚合方法的流程示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
参见图1，以发电机为例，从机组的稳暂态方程可以看出，风力发电机的仿真主要由发电机定子电流d轴q轴分量、风力转矩、机组转差率、机组桨距角、发电机电磁转矩等状态变量决定，所以，风电场机组分群时，可以按照这些变量对机组进行静态聚类，从而完成风电机组原始数据样本的静态聚类。
聚类是将多个对象的集合分成多个类的过程，每一类又称为一簇。同一簇群中的各个对象之间的属性相似，不同簇群中的对象之间属性会有较大差异。而增量重叠算法是在原有的数据基础上，用更少的时间对动态数据集，也就是新增数据进行快速聚类的算法。
在一个风电场中，对于朝向不同方向的发电机，迎风的发电机组就会工作，而叶片与风向垂直的机组不会工作，但风向变动后，就会有不同的机组参与工作，工作的机组可能变多也可能变少。设一个风电场有n台风电机组X1，X2，...，Xn，设第i个机组Xi＝[Xi1，Xi2，...，Xin]为n个维度。我们进行聚合时，主要包括以下步骤：
(1)：数据的标准化处理。
X＝log10x
Xi＝[log10xi1，log10xi2，...，log10xin]
(2)：对数据进行聚类，其过程如下：
首先，机组Xi和机组Xj的欧式距离定义为：
接着设定一个距离阈值δ，将所有满足Distance(Xi，Xj)≤δ的机组数据Xi添加到Neighbor(Xi)中。然后寻找数据集中的代表点样本，将具有最多临近的数据对象作为第一个代表点的几何中心，并将其在距离矩阵[Distance(Xi，Xj)]中删除第一个代表样本的行，在剩下的距离矩阵中寻找第二个代表点，直到距离矩阵为空为止，这样便得到数据集中所有的代表点且对数据样本进行了聚类处理。
本次聚类完成后，计算每个样本属性的熵指标值并按照指标值由大到小的顺序对属性进行排序。重要的属性优先用于构造树的节点，采用降序排序后的数据集属性集合来创建搜索树的每一层树节点。当形成的子节点与父节点大部分相同时，停止创建收索树。设定阈值λ(根据实际情况)，停止创建搜索树。
(3)：创建增量聚类算法过程如下：
首先寻找新增数据样本△U中的代表点,设这些代表点为rwait。对于数据预处理，即静态数据聚类已经产生了出的聚类结果，在n维的数据中已经对所有数据进行了聚类，分别求出每个簇的几何中心，让其作为新增数据集△U的代表点，代表聚类产生的新簇群。然后找出新增代表点rwait的临近代表点。其具体寻找代表点rwait的临近代表样本方法是由以下几个关系原则来确定：
关系一，搜索树每一层中只有一个与新增代表点rwait相似的树节点；关系二，搜索树至少有一层中的多个树节点与新增代表点rwait相似；关系三，搜索树某些层不存在与rwait相似的树节点。查找搜索树将会使树节点发生合并，关系一会使相似搜索树节点与rwait合并；关系二在树节点合并的基础上还会使子节点合并；关系三将会使搜索树节点分裂。
根据以上关系原则就可以找出新增机组所组成的簇群的代表点的临近代表点。
(4)对比增量数据集的代表点，对新增数据样本进行分群聚类并对原有搜索树进行更新。首先设Rneighbor为rwait的临近代表点集合。根据它们的三种关系形式更新搜索树与增量代表点rwait，这三种关系形式如下：
(查找到rwait的临近代表点且rwait的代表区域被临近代表区域全覆盖)
(查找到临近代表点但只有部分代表区域被临近代表区域覆盖)
(找不到临近代表点)
(5)：判断产生的新增数据代表点rwait是否发生变化，不发生变化则新增风机分群完成。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。