基于改进的模糊C均值聚类的新能源场站机组分群方法与流程

本发明涉及新能源场站机组分群方法，具体涉及一种基于改进的模糊c均值聚类的新能源场站机组分群方法、系统、电子设备和计算机可读介质。

背景技术：

1、近年来，随着风力发电在电网中所占比重越来越大，其对电力系统安全稳定运行的影响已经无法忽视。在电力系统稳定性分析中，需要构建能准确反映风电场动态特性的仿真模型，而大型风电场通常包含几十甚至上百台机组，若采用对每台机组及其他电气设备均进行详细建模的方法，将给仿真计算分析带来极大的不便。因此，为提高仿真分析效率，在保证建模精度的前提下，有必要对风电场进行等值建模，而风电场等值建模的前提是进行机组分群，即根据某种指标将特性相近的机组聚类。常见的聚类方法包括k-均值(k-means)聚类以及模糊c均值(fcm)聚类等，但这些传统的聚类方法往往存在聚类中心的初值选取不合理而导致出现迭代收敛速度慢以及局部最优的问题。

技术实现思路

1、为满足对新能源场站机组进行聚类分群的需求，克服传统k-均值聚类以及fcm聚类算法在聚类中心初值选取上的不足，提高迭代收敛速度以及聚类分群精度，本发明提供一种基于改进的模糊c均值聚类的新能源场站机组分群方法、系统、电子设备和计算机可读介质。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于改进的模糊c均值聚类的新能源场站机组分群方法，包括如下步骤：

4、将系统故障期间新能源电压扰动程度作为新能源机组聚类的指标；

5、根据新能源机组聚类的指标并结合机组类型，判断是否需要对新能源场站机组进行分群；

6、若需要分群，采用基于蜜獾算法改进的模糊c均值聚类方法对新能源场站机组进行分群；

7、进一步判断所述分群是否合理，若否，采用所述基于蜜獾算法改进的模糊c均值聚类方法进一步分群，多次重复此过程，直至分群合理。

8、优选地，所述系统故障期间新能源电压扰动程度的计算方法为：

9、zu＝zgs/zss

10、式中，zu表示系统故障期间新能源电压扰动程度，zgs为新能源机组机端g至等值系统母线s间互阻抗，zss为等值系统母线s自阻抗。

11、优选地，所述根据新能源机组聚类的指标并结合机组类型，判断是否需要对新能源场站机组进行分群，包括：

12、若机组类型不同，需要对新能源场站机组按照机组类型分群，然后计算新能源场站各风电机组zu指标标准差，如果标准差小于5％，不需要对新能源场站机组进行分群，若标准差大于5％，需要对新能源场站机组进行分群；

13、或者若所有风电机组类型相同，计算新能源场站各风电机组zu指标标准差，若标准差小于5％，不需要对新能源场站机组进行分群，若标准差大于5％，需要对新能源场站机组进行分群。

14、优选地，所述基于蜜獾算法改进的模糊c均值聚类方法对新能源场站机组进行分群，包括：

15、构建模糊c均值聚类方法的目标函数：

16、

17、式中，m为聚类数，n为输入数据数量，k为模糊指数，xi为第i个输入数据，即机组zu指标，cj表示第j个聚类中心，uij表示xi与cj的隶属关系，同一数据的不同聚类中心隶属度之和为1，||·||为取欧氏范数；

18、对所述模糊c均值聚类方法的目标函数进行迭代求解。

19、优选地，所述对所述模糊c均值聚类方法的目标函数进行迭代求解，包括：

20、1)设定整体最大迭代次数为t；初始化模糊c均值聚类方法的最大迭代次数k、允许最大误差e、聚类数m；选取每类聚类中心cj初值；

21、2)根据上一次迭代的聚类中心cj，计算隶属度矩阵uij，公式如下：

22、

23、3)根据隶属度矩阵uij，计算聚类中心cj，公式如下：

24、

25、4)判断是否达到最大迭代次数k，或第t次迭代前后jm是否满足误差条件jm(t)-jm(t-1)<e，若是，结束迭代，否则转至步骤2)；

26、5)根据步骤4)迭代结束后的jm，采用蜜獾算法对每类聚类中心cj初值进行优化得到cnew；

27、6)根据优化后的每类聚类中心cnew，按照步骤1)-5)继续进行迭代，迭代次数达到t次后，输出分群结果。

28、优选地，所述采用蜜獾算法对每类聚类中心cj初值进行优化得到cnew，包括：

29、①初始化聚类中心的数量和位置：

30、yi＝lbi+r1×(ubi-lbi),r1∈[0,1]

31、式中，yi是指第i次迭代n个数据中聚类中心的候选解，lbi和ubi分别是第i次迭代中搜索域的下界和上界；r1为0到1的随机数；

32、②更新密度因子α

33、

34、式中，递减影响因子λ是一个大于等于1的常数，t为整体最大迭代次数；

35、③计算行动强度ii

36、

37、l＝(yi-yi+1)2

38、di＝jm-yi

39、式中，r2为0到1的随机数，l是目标的集中强度，di代表目标和第i个蜜獾之间的距离，jm为目标的位置，即目标函数值；

40、④更新聚类中心位置，记录全局最优值，包括挖掘阶段和蜂蜜阶段，所述挖掘阶段包括：

41、cnew＝jm+fβiijm+fr3αdi|cos(2πr4)×[1-cos(2πr5)]|

42、其中，cnew指的是蜜獾i的新位置，jm是目标的位置，即目标函数值，觅食参数β代表蜜觅食的能力，恒大于1，r3、r4和r5都是0到1的随机数，f作为改变搜索方向的标志，使用下式确定：

43、

44、式中，r6是0到1的随机数；

45、所述蜂蜜阶段包括：

46、cnew＝jm+fr7αdi

47、式中，r7是0到1的随机数。

48、优选地，所述进一步判断所述分群是否合理方法为：

49、再次计算新能源场站各风电机组zu指标标准差，如果标准差小于5％，则认为分群合理；否则，认为分群不合理。

50、一种基于改进的模糊c均值聚类的新能源场站机组分群系统，包括：

51、指标确定模块，将系统故障期间新能源电压扰动程度作为新能源机组聚类的指标；

52、一次分群判别模块，根据新能源机组聚类的指标并结合机组类型，判断是否需要对新能源场站机组进行分群；

53、一次分群模块，若需要分群，采用基于蜜獾算法改进的模糊c均值聚类方法对场站机组进行分群；

54、进一步分群模块，判断所述分群是否合理，若否，采用所述基于蜜獾算法改进的模糊c均值聚类方法进一步分群，多次重复此过程，直至分群合理。

55、一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于改进的模糊c均值聚类的新能源场站机组分群方法。

56、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行所述基于改进的模糊c均值聚类的新能源场站机组分群方法。

57、本发明的积极有益效果：

58、1.本发明基于改进的模糊c均值的新能源场站机组分群方法，选取机端电压扰动特性作为分群指标，充分考虑了群内机组之间暂态特性的相似度，能够较好的反映系统故障以及新能源厂站暂态特性，分群指标选取合理，分群结果能够在满足精度要求的情况下尽量减少分群数量，从而降低场站等值模型复杂度，提高风电场模型动态仿真效率，为进一步进行场站等值以及暂态特性分析提供了有利的条件。

59、2.本发明使用蜜獾算法改进模糊c均值聚类算法，优化了模糊c均值算法中聚类数选择和聚类中心初值选取的问题，从而避免了聚类中局部最优的情况，同时机组分群数也可以在满足指标要求的情况下达到最小，使得机组分群更加合理，提高迭代收敛速度和聚类分群精度。