[发明专利]一种风电场机群划分方法

说明书

技术领域

本发明属于电力系统仿真领域，尤其涉及一种风电场机群划分方法。

背景技术

近年来，随着化石能源危机、环境污染和温室效应等问题的进一步加剧，人们对低成本、无污染、可再生的风力发电的关注度逐渐增加，风力发电已成为当今世界应用最广、发展最快、技术最为成熟的可再生能源发电方式。随着风力发电和并网技术的发展，风电场对电网的负面影响日趋明显，为分析风电并网对系统的影响，需要建立准确合理的风电场模型。

传统的单机等值模型假设场内风速分布均匀，所有风电机组的运行点相同，而这一假设忽略了尾流效应和迟滞效应等因素的影响，通常是不合理的。部分学者提出多机表征模型，其主要思想是以机组具有相近运行点为机群划分原则，采用某些聚类算法进行机群划分，将同群内的机组合并为一台等值机。k-means聚类算法是一种最常用的基于划分的聚类算法，对于处理大数据集具有快速、高效以及可伸缩性好等优点。

风电机组运行中，风电机组的输入风速是其运行中的一个重要特征量，可以反映风在风机上的作用情况，也可以反映机组所在地理位置的地形地貌以及相邻机组之间相互影响等情况。机组的输出功率是其风速经过复杂的风能转化为电能物理过程的结果，反映了机组的控制及运行性能等概况，故用于风电场机群划分的运行数据，通常可以采用风速、有功功率、无功功率等。但是一方面，由于k-means聚类算法利用迭代的重定位技术，在聚类划分时将簇的质心作为聚类中心进行下一次机群划分，如果实测数据中含有大量的孤立点数据，将会导致聚类中心远离数据密集区，而趋向孤立点数据，将会在很大程度上降低聚类质量。

另一方面，k-means聚类算法对初始聚类中心的选取是随机的，当两个机群中心初始位置较近时，其包含的冗余信息较多，划分结果容易陷入局部最优，造成聚类结果的不准确性和不稳定性。

发明内容

本发明的目的在于，针对目前风电场机群划分质量不高问题，提出了一种风电场机群划分方法，其特征在于，所述方法包括以下步骤：

步骤1、风电场实测数据孤立点数据处理；

步骤2、初始机群中心优化过程；

步骤3、机群划分，判断是否满足终止条件；如果是，则机群划分结束；否则执行步骤4；

步骤4、更新机群中心。

所述步骤1中，风电场实测数据孤立点数据处理过程为：

步骤101、假设某时段内风电场中有n台风电机组并网运行，选取该时段内并网运行风电机组的实测运行数据，包括风速、有功功率或无功功率作为样本，建立实测运行数据样本矩阵：

x_ij表示第i台风电机组在第j个时刻的实测运行数据，n为场内风电机组台数，t为该时段内实测运行数据的采集时间点的个数；

步骤102、对于某一时刻的所有机组实测数据X_j而言，可定义样本点x_ij(i＝1,2,…,n)处的势函数为

Φ(xij)=Σa=1ne-4R2(xij-xaj)2---(2)]]>

其中