一种采用高斯混合模型的风电机组谐波发射模态辨识方法与流程

本发明涉及一种采用高斯混合模型的风电机组谐波发射模态辨识方法。

背景技术：

近年来，电力电子变流技术的快速发展促进了新能源开发规模的不断增大，以风力发电为代表的分布式新能源不断接入传统电网，在发挥着重要作用的同时也对电网的谐波研究带来了更多的挑战。除了谐波引发的一些传统问题，由于风电输出功率受到自然条件的影响而具有间歇性和波动性，将导致系统谐波的波动增强、谐振可能性增大，造成风电机组脱网。风电机组谐振主要与机组运行模态与电网参数相关，在电网结构基本不变时，风电机组的谐波发射特性(包括典型模态组成、模态参数和模态切换方式)，是决定是否发生谐振的主要因素。因而从实测数据辨别风电机组谐波发射的典型模态，进而根据模态参数实施最优控制，是保证风电最大消纳的必要技术手段，对治理风电机组谐波污染和风电并网运行有着非常重要的实际意义。

现如今，新能源发电的电能质量监测技术已经非常成熟，获得的大量电能质量历史监测数据有助于分析风电机组的运行特性。电能质量监测数据具有多维、多时段特性，基于该类数据对风电机组进行典型模态挖掘需要借助数据挖掘的手段。聚类分析作为一种有效的数据处理的工具能对海量数据集进行合理的分类，现已有一些风电机组谐波发射模态分类的方法，例如k均值聚类等，其主要的思路是构造基本的电能质量监测数据矩阵，进行原始数据矩阵坐标变换，找出几个综合变量表征原变量的信息，最后采用常用的聚类算法进行谐波发射水平模态分类。但综合变量提取的手段未考虑原始数据分布特点，对提取的风电机组谐波发射模型的特征缺少研究。

技术实现要素：

本发明提供了一种采用高斯混合模型的风电机组谐波发射模态辨识方法，其克服了背景技术中所述的现有技术的不足。

本发明解决其技术问题所采用的技术方案是：

一种采用高斯混合模型的风电机组谐波发射模态辨识方法，它包括：

步骤1，建立gmm并初始化gmm的加权值ωk，均值μk、协方差矩阵σk和子类个数；gmm的表达式用n个高斯成分的加权表示如下：

式中：ωk表示第k个多维单高斯分布的权值，pk(x；μk；σk)表示第k个多维单高斯分布的概率密度函数；x＝(x1,x2,...,xn)^t表示数据样本列向量，该数据样本为表征风电机组谐波发射特性的特征数据，其中每个xi(1≤i≤n)表示p维坐标系中的一个点，其坐标为(α1,α2,…,αp)；n为待聚类样本总数据点个数，μk表示第k个高斯模型的期望向量，σk表示第k个高斯模型的方差；

步骤2，基于em算法迭代计算gmm的加权值ωk，均值μk、协方差矩阵σk的参数最优值，直至达到mdl准则函数的局部最小值：

步骤3，根据风电机组gmm的参数最优值聚类分析，将相似度相近的类融合，筛除冗余数据，减少gmm的子类个数；

步骤4，判断子类个数是否等于1，若否，则返回步骤3，若是，则输出辨识的模型结果并结束程序。

一实施例之中：所述表征风电机组谐波发射特性的特征数据是通过风电机组谐波监测系统以连续测量时段数据的统计值作为评估数据，并将该评估数据与国标限值作标幺化处理后获得的。

一实施例之中：所述em算法的估计步骤包括：

步骤11，令,ι＝0，随机选择初始化和定义第i个样本点xi属于第k类高斯模型的初始化后验概率：

步骤12，将上一步得到的结果代入以下最大似然公式计算第ι+1次迭代的gmm聚类参数：

步骤13，若||φ^(l+1)-φ^(l)||<δ，迭代结束，φ^(l+1)即为估计的gmm参数，δ为设定的迭代终止阈值；否则，令ι＝ι+1，并返回步骤12。

本技术方案与背景技术相比，它具有如下优点：

本发明提出基于高斯混合模型(gaussianmixturemodel,gmm)聚类算法，它用多个高斯分布概率密度函数的加权组合来描述多维数据矢量在概率空间的分布情况，与传统的k-均值聚类，k-中心聚类等方法相比，其不受特定概率分布的局限，可在区分类别的基础上直接得出数据的统计分布，具有良好的计算技能，而且可通过增加模型分量来拟合任意连续分布。

本发明提出一种风电机组谐波发射模态的gmm聚类分析方法。对风电机组谐波监测数据标幺化处理后，运用期望最大值算法迭代计算gmm模型参数，然后对gmm模型参数聚类分析，gmm聚类算法舍弃了电能计量设备质量评估原始指标数据中冗余和不重要的信息，基于最小描述长度准则聚类分析得到描述风电机组谐波发射的最小长度聚类样本，但保留了原始指标数据的重要数据和典型特征。因此，gmm聚类算法大大压缩了数据的规模、减少了综合评估的计算量，却几乎不影响电能计量设备质量综合评估的准确性。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1为本实施例所述的一种采用高斯混合模型的风电机组谐波发射模态辨识方法的步骤流程图。

具体实施方式

请查阅图1，一种采用高斯混合模型的风电机组谐波发射模态辨识方法，它包括：

步骤1，建立gmm并初始化gmm的加权值ωk，均值μk、协方差矩阵σk和子类个数；gmm的表达式用n个高斯成分的加权表示如下：

式中：ωk表示第k个多维单高斯分布的权值，pk(x；μk；σk)表示第k个多维单高斯分布的概率密度函数；x＝(x1,x2,...,xn)^t表示数据样本列向量，该数据样本为表征风电机组谐波发射特性的特征数据，其中每个xi(1≤i≤n)表示p维坐标系中的一个点，其坐标为(α1,α2,…,αp)；n为待聚类样本总数据点个数，μk表示第k个高斯模型的期望向量，σk表示第k个高斯模型的方差；

步骤2，基于em算法迭代计算gmm的加权值ωk，均值μk、协方差矩阵σk的参数最优值，直至达到mdl准则函数的局部最小值：

步骤3，根据风电机组gmm的参数最优值聚类分析，将相似度相近的类融合，筛除冗余数据，减少gmm的子类个数；

步骤4，判断子类个数是否等于1，若否，则返回步骤3，若是，则输出辨识的模型结果并结束程序。

本实施例中，所述表征风电机组谐波发射特性的特征数据是通过风电机组谐波监测系统以连续测量时段(一般为10min)数据的统计值(一般取95％概率大值)作为评估数据，并将该评估数据与国标限值作标幺化处理后获得的。

所述em(expectationmaximum,em)算法的估计步骤包括：

步骤11，令,ι＝0，随机选择初始化和定义第i个样本点xi属于第k类高斯模型的初始化后验概率：

步骤12，将上一步得到的结果代入以下最大似然公式计算第ι+1次迭代的gmm聚类参数：

步骤13，若||φ^(l+1)-φ^(l)||<δ，迭代结束，φ^(l+1)即为估计的gmm参数，δ为设定的迭代终止阈值；否则，令ι＝ι+1，并返回步骤12。

本发明基于gmm进行聚类时，采用了最小描述长度(minimumdescriptionlength，mdl)准则函数构建其聚类目标函数。mdl的主要思想是在用概率模型对物体进行建模时，既要考虑模型的准确程度，同时又要使模型最简单，独立的参数个数最少。可以解释为，给定一个假设集合，一个数据序列d，尝试寻找其中特定的假设或者某些假设的组合来最小化地压缩数据序列d。

聚类程序提取每一个数据集的混合模型，将每个模型看成一个小的子类。用em算法迭代计算每个子类的加权值wk，均值μk和协方差σk的最优值，对每个信号特征数据构建gmm，然后将每个gmm初始化为独立的类。不断迭代求解gmm参数最优值，直到mdl函数局部最小。根据gmm最优参数的相似度，融合相似度相似的类，直至聚为一个类，每结合两个子类后，则替换原聚类样本的类数。

本发明从实测数据通过gmm聚类分析辨别风电机组谐波发射的典型模态，进而根据模态参数实施最优控制，是保证风电最大消纳的必要技术手段，对治理风电机组谐波污染和风电并网运行有着非常重要的实际意义。

以上所述，仅为本发明较佳实施例而已，故不能依此限定本发明实施的范围，即依本发明专利范围及说明书内容所作的等效变化与修饰，皆应仍属本发明涵盖的范围内。