本发明属于电力系统的技术领域，具体涉及一种基于主成份分析法和分层聚类算法的风电场等值建模方法。
背景技术：
对风电并网后的电力系统安全稳定运行的研究，首要问题是搭建较为精确的风电场模型。若建立风电场的详细模型，则会增大整个电力系统建模难度，同时模型难以修正，并极大地增加了时域仿真时间。在实际工程应用中，常常将整个风电场作为一个微电网，考虑其对电网的影响，因此有必要搭建等值模型来表征整个风电场的运行状态。对模型的要求是：模型复杂度低、易于实现，且尽量满足实际运行状态。
然而，现有模型要么考虑完整的状态变量，导致计算量大，优化时间长，计算速度慢；要么考虑单一变量，虽计算量小，但又不满足实际运行状态。随着风电场规模的日益增大，现有建模方法的缺点更加明显，急需找出一种复杂度更低、且更加合理有效的建模方法。
技术实现要素：
本发明的目的在于针对上述现有技术中的不足，提供一种基于主成份分析法和分层聚类算法的风电场等值建模方法，以解决现有风电场模型计算复杂度高、难于实现、不满足风电场动态等值分析实际需求等问题。
为达到上述目的，本发明采取的技术方案是：
基于主成份分析法和分层聚类算法的风电场等值建模方法，其包括：
步骤1：根据构建的双馈风力发电机组的数学模型，提取表征风电机组运行状态的13个完整状态变量；
步骤2：基于主成份分析法提取13个状态变量中表征状态变量主要振荡特性的主导变量；
步骤3：将主导变量作为分群指标，采用分层聚类算法对双馈风力发电机组的风电场进行聚类分群；
步骤4：根据主导变量聚类分群的结果将风电场划分为若干个机组群；
步骤5：根据划分结果，构建双馈风电场等值模型。
优选地，13个状态变量分别为转差率S、桨距角β、风力机转矩Tm、转子机械转矩Tt、电磁转矩Te、定子直轴电流Ids、定子交轴电流Iqs、转子直轴电流Idr、转子交轴电流Iqr、转子直轴电压Udr、转子交轴电压Uqr、直轴暂态电势Ed、交轴暂态电势Eq。
优选地，基于主成份分析法提取13个状态变量中主导变量的方法为：
根据13个状态变量所解释的方差及其累计和、状态变量初始特征值的碎石图、状态变量的因子载荷阵和状态变量的初值，从而确定转差率S和风力机转矩Tm为表征状态变量主要振荡特性的主导变量。
优选地，分别将主导变量和13个完整状态变量作为分群指标，并分别得到其聚类分群结果，若两者所得的聚类分群结果一致，则提取的主导变量作为分群指标具备有效性；若不一致，则不具备有效性。
本发明提供的基于主成份分析法和分层聚类算法的风电场等值建模方法，具有以下有益效果：
本发明利用主成份分析法将提取的13个完整状态变量进行优化，提取出主导变量，相比于考虑13个完整状态变量而言，大大减少了风电集群用于聚类分析的分群指标，极大地提高了计算速度。同时，利用分群聚类算法进行机组分群，分别将完整状态变量、主导变量、风速作为风电场的分群指标，并构建了基于主导变量分层聚类的风电场等值模型。本发明计算复杂度低、易于实现、适用范围更广，且能较好满足风电场动态等值分析的实际需求。研究结果为分析风电并网后的电力系统安全性和稳定性提供了良好的理论基础，具有一定的参考价值和借鉴意义。
附图说明
图1为基于主成份分析法和分层聚类算法的风电场等值建模方法的流程图。
图2为基于主成份分析法和分层聚类算法的风电场等值建模方法的13个状态变量的提取流程图。
图3为基于主成份分析法和分层聚类算法的风电场等值建模方法的主成份分析特征的碎石图。
图4为基于主成份分析法和分层聚类算法的风电场等值建模方法的13个状态变量的聚类树形图。
图5为基于主成份分析法和分层聚类算法的风电场等值建模方法的主导变量的聚类树形图。
图6为基于主成份分析法和分层聚类算法的风电场等值建模方法的风速聚类树形图。
图7为基于主成份分析法和分层聚类算法的风电场等值建模方法风速波动时有功功率图。
图8为基于主成份分析法和分层聚类算法的风电场等值建模方法风速波动时无功功率图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例，参考图1，本方案的基于主成份分析法和分层聚类算法的风电场等值建模方法，其包括：
步骤1：根据构建的双馈风力发电机组的数学模型，提取表征风电机组运行状态的13个完整状态变量；
步骤2：基于主成份分析法提取13个状态变量中表征状态变量主要振荡特性的主导变量；
步骤3：将主导变量作为分群指标，采用分层聚类算法对双馈风力发电机组的风电场进行聚类分群；
步骤4：根据主导变量聚类分群结果，将风电场划分为若干个机组群；
步骤5：根据划分结果，构建双馈风电场等值模型。
以下对上述方法步骤进行详细描述：
步骤1：
参考图2，提取表征风电机组运行状态的13个状态变量，13个状态变量分别为转差率S、桨距角β、风力机转矩Tm、转子机械转矩Tt、电磁转矩Te、定子直轴电流Ids、定子交轴电流Iqs、转子直轴电流Idr、转子交轴电流Iqr、转子直轴电压Udr、转子交轴电压Uqr、直轴暂态电势Ed、交轴暂态电势Eq。
其中，24个风电机组组成的风电场所求得13个状态变量如表1所示：
表1风电机组初始变量
步骤2：
基于主成份分析法提取13个完整状态变量中的主导变量，并确定转差率S和风力机转矩Tm为表征状态变量主要振荡特性的主导变量。
表2方差解释输出
表2给出了每个状态变量所解释的方差及其累计和，分析“初始特征值”一栏下的“累计％”列可知：前两个变量解释的累计方差已超过94％，故而可以提取这两个变量解释原有变量所包含的绝大多数信息。
参考图3，由图可知，前两个变量对应的连线坡度更陡，即因子重要程度更大，第三个状态变量及之后的特征值变化趋于缓慢，故选择前两个变量作为主成份是恰当的。
表3旋转前后的因子载荷阵
表3给出了旋转前后的因子载荷阵，因子载荷表示变量与所提取的主成份之间的相关系数。对于一个状态变量而言，载荷绝对值越大的成份与它的关系就更为紧密，也就更能够代表这一变量。从表3可得，成份1(主成份1)更能代表转矩、定子电流q轴分量和转子电流电压等变量因素；成份2(主成份2)更能代表转差率这个变量因素。
综合表1、表2、表3和图3可知，仅抽取两个因子即转差率S和风力机转矩Tm就可以解释94.331％的方差，已经超过主成份提取通常规定的85％，故确定转差率S和风力机转矩Tm为主导变量。
步骤3：
变量转差率S和风力机转矩Tm作为分群指标，采用分层聚类算法对双馈风力发电机组的风电场进行聚类分群。
步骤4：
将主导变量和13个完整状态变量作为分群指标，分别得到其聚类分群结果，从而验证主导变量作为分群指标是否具备有效性。
验证过程如下，
表4 13个完整状态变量聚类结果
由表4可知，以13个完整状态变量作为分群指标时，将该风电场24个风电机组等值为4个机组时各机组聚类结果。
表5主导变量聚类结果
由表5可知，以主导变量作为分群指标时，将该风电场24个风电机组等值为4个机组时各机组聚类结果。
由表4和表5的聚类结果对比可知，当分别将13个完整状态变量和2个主导变量作为分群指标进行分层聚类分析时，所得到的结果一致，即证明了提取的主导变量作为分群指标具备有效性。
同时，计算以风速作为分群指标时的聚类分群如表6所示：
表6风速聚类结果
图6和表6表示以风速作为分群指标时，将该风电场24个风电机组等值为4个机组时各机组聚类结果。
步骤5：
根据划分结果，构建双馈风电场等值模型：
通过对算例的仿真，在系统故障和风速波动情况下将本方法搭建的等值模型与风速等值模型、详细模型所测得的有功功率和无功功率曲线进行对比，验证利用本方法搭建的等值模型的有效性和精确性。
基于PSCAD平台，分别以风速和主导变量作为分群指标搭建仿真模型，考虑风速波动，仿真得出风电场出口母线的有功、无功功率曲线，并与详细模型进行对比。
参考图7和图8可知：
以主导变量作为分群指标的等值模型其有功功率和无功功率曲线同详细模型的拟合度更高。
与以风速为分群指标所建立的等值模型相比，以主导变量为分群指标所建立的等值模型更加精确。
本发明相比现有技术，利用主成份分析法，对13个完整状态变量进行优化，最终提取转差率S和风力机转矩Tm作为主导变量，相比于考虑13个完整状态变量而言，本发明大大减少了风电集群用于聚类分析的分群指标，即通过两个主导变量表征状态变量94％的振荡特性，极大地提高了计算速度。
利用分层聚类算法进行同调机组分群，分别将完整状态变量、主导变量、风速作为风电场的分群指标，将同群机组等值为一台风电机。并将同群机组按照容量加权原则和电压不变原则对等值风电机发电和集电参数进行计算。
提出了基于主导变量分层聚类的风电场等值模型，该模型计算复杂度低、易于实现、适用范围更广，且能较好满足风电场动态等值分析的实际需求。研究结果为分析风电并网后的电力系统安全性和稳定性提供了良好的理论基础，具有一定的参考价值和借鉴意义。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。