一种基于风电场运行数据的概率聚类分群方法
【技术领域】
[0001] 本发明涉及电力系统仿真领域，尤指一种基于风电场运行数据的概率聚类分群方 法。
【背景技术】
[0002] 当前，随着风电技术的飞速发展，并网风电场的规模迅速增加。由于风力发电具有 一定的随机性，因此有必要对大规模风电接入电网后的运行特性进行深入的研究，首要问 题就是风电场建模。
[0003] 风电场建模可分为详细建模和等值建模。详细建模是建立风电场内每台风电机 组、集电系统的模型。随着风电场规模的逐步扩大，若对每台风机进行详细建模，势必大幅 增加风电场模型的复杂度以及计算时长。因此，采用等值建模的手段是有必要的。
[0004] 风电场等值建模分为单机等值和多机等值，多机等值的核心问题在于分群算法的 有效性。目前的风电场等值建模研究主要集中在单机等值的方法上。然而，对于由数十台 甚至上百台风机组成的大型风电场，由于地形地貌、尾流效应以及时滞的影响，风电场内风 速分布不均匀，导致风电机组实际运行状态并不相同甚至有很大差异，因此单机等值方法 通常存在较大误差。
[0005] 多机等值是指将风电场内的风电机组合理分群，并将每个群内的所有机组用单台 机表示，进而用少量几台风电机组建立起风电场模型。目前多机等值的方法主要集中于 K-means聚类算法上，但传统的K-means算法存在着自身的局限性，即若分群指标（如风 速）发生改变，分群结果就会有所变化，因此就需要再次用K-means分群。这大大的增加了 多机等值的复杂性，不利于工程应用。
【发明内容】
[0006] 本发明针对上述问题，在传统K-means聚类算法的基础上，提出了一种基于风电 场运行数据的概率聚类分群方法，此算法得到的分群结果可应用于各种风速的情况，为以 后风电场建模的使用提供了极大的方便。
[0007] 本发明提出的基于风电场运行数据的概率聚类分群方法包括：步骤1，获取风电 场在一定时间内的实测数据；步骤2,根据风电场的地理位置设定分群个数k，在初始情况 下，随机在所述实测数据中选取k个样本作为初始聚类中心；步骤3,计算所述实测数据中 每一样本分别到每一个初始聚类中心的欧氏距离，选取所述每一样本对应的最小欧氏距 离，并将所述每一样本划入与所述最小欧式距离对应的初始聚类中心所在的群中，生成首 次分群结果；步骤4,根据步骤3计算得到的欧氏距离，计算获得首次分群结果对应的聚类 的平方误差总和；步骤5,在非初始情况下，根据前一次生成的分群结果计算获得k个非初 始聚类中心；步骤6,计算所述实测数据中每一样本分别到每一个非初始聚类中心的欧氏 距离，选取所述每一样本对应的最小欧氏距离，并将所述每一样本划入与所述最小欧式距 离对应的非初始聚类中心所在的群中，生成新的分群结果；步骤7,根据步骤6计算得到的 欧氏距离，计算获得新的分群结果对应的聚类的平方误差总和；步骤8,循环执行上述步骤 5至步骤7的迭代计算过程，比较相邻两次计算获得的聚类的平方误差总和，当满足E-E' < ε时，停止迭代计算，其中，E、E'分别为相邻两次计算获得的聚类平方误差总和，值大的 为E，值小的为E' ；步骤9,将获得的所有分群结果进行分类，设定每组分群结果对应的风机 运行工况下的风速概率，计算获得每一类的概率；步骤10,选取概率最大的一类分群结果， 利用轮廓值函数对该类分群结果中的每组分群结果进行评估，作为概率聚类分群的最终结 果。
[0008] 本发明提出的基于风电场运行数据的概率聚类分群方法以风速的实际运行数据 为指标，按照欧氏距离最近的原则，采用结合K-means算法的概率聚类算法进行分群，并用 轮廓值函数对分群结果的合理性进行检验，选定最有效的分群结果，该分群结果可用于各 种风速的运行情况，大大提高了分群工作的效率。利用上述方法得到分群结果较为准确，符 合实际情况，对风机分布不规则的风电场有很好的效果，为以后风场模型的使用提供了极 大的方便，具有重要的工程应用价值。
【附图说明】
[0009] 此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不 构成对本发明的限定。在附图中：
[0010] 图1为本发明一实施例的基于风电场运行数据的概率聚类分群方法流程图。
[0011] 图2为本发明一具体实施例的每一类的概率分布不意图。
[0012] 图3为本发明一具体实施例的A类分群结果的轮廓值示意图。
[0013] 图4为本发明一具体实施例的风电场分群划分不意图。
[0014] 图5为本发明一具体实施例的多机等值模型与详细模型有功功率对比示意图。
[0015] 图6为本发明一具体实施例的多机等值模型与详细模型无功功率对比示意图。
[0016] 图7为本发明一具体实施例的多机等值模型与详细模型电流对比示意图。
【具体实施方式】
[0017] 以下配合图式及本发明的较佳实施例，进一步阐述本发明为达成预定发明目的所 采取的技术手段。
[0018] 图1为本发明一实施例的基于风电场运行数据的概率聚类分群方法流程图。如图 1所示，该方法包括：
[0019] 步骤1，获取风电场在一定时间内的实测数据。
[0020] 例如，获取η台风电机组在时间段m内的实测数据可以表示为：
[0022] 其中，Vlj表示第i台风电机组在第j个时刻风速指标的实测数据；把向量V j看作 空间V的一个时间样本组，V中样本组的数量为m，维度为n，Vj表示第j个时刻所有风电机 组实测数据的向量。
[0023] 步骤2,根据风电场的地理位置设定分群个数k( 一般情况设为3)，然后获取聚类 中心。
[0024] 进一步的，聚类中心的确定分为初始情况（步骤2-步骤4)和非初始情况（步骤 5-步骤7)。
[0025] 在初始情况下，随机在所述实测数据中选取k个样本作为初始聚类中心。初始聚 类中心》#表示为：
[0026] = (νη,νι2,...,ν?)·,
[0027] 其中，ρ = 1，2,…，k，k表示分群个数
[0028] 步骤3,计算所述实测数据中每一样本分别到每一个初始聚类中心的欧氏距离，选 取所述每一样本对应的最小欧氏距离，并将所述每一样本划入与所述最小欧式距离对应的 初始聚类中心所在的群中，生成首次分群结果。
[0029] 其中，每一样本到所述每一个群的初始聚类中心的欧氏距离为：
[0031] 其中，i表示第i台风电机组，ρ = 1，2,…，k，k表示分群数，《if表示第ρ个分群 的初始聚类中心。
[0032] 步骤4,根据步骤3计算得到的欧氏距离，计算获得首次分群结果对应的聚类的平 方误差总和，聚类的平方误差总和E(1)为：
[0034] 其中，i表示第i台风电机组，ρ = 1，2,…，k，k表示分群数，即为步骤3计 算得到的欧氏距离。
[0035] 需要说明的是，聚类的平方误差总和（步骤4的E(1)及步骤7的E w)是每个分 群结果对应的聚类的平方误差总和，也就是说每次循环对应可以求得一个聚类平方误差总 和。步骤4及步骤7的公式中有两个加和的嵌套，意思就是先进入某一个分群，然后对应着 得出属于这个分群的样本的欧氏距离（即，最小欧氏距离），然后再计算平方加和，最后把k 个分群的值汇总到一起。
[0036] 步骤5,在非初始情况下，根据前一次生成的分群结果计算获得k个非初始聚类中 心。
[0037] 具体而言，在非初始情况下，根据前一次生成的分群结果，计算前一次的分群结果 的每个分群中包含的样本值的平均值，获得k个非初始聚类中心，非初始聚类中心表示 为：
[0039]