[发明专利]一种基于风电机组运行状态的实用化等值建模方法

说明书

本发明公开了一种基于风电机组运行状态的实用化等值建模方法，其特征是：采集风电场中各台风电机组的运行状态数据作为聚类指标，采用主成分分析的方法消除聚类指标之间的强相关性和冗余性，采用相关性分析和显著性检验方法获得风电机组的聚类结果，建立风电场等值模型并计算风电场等值模型的输入参数，实现基于风电机组运行状态的实用化等值建模。本发明是以客观实用的风电场等值建模方法来建立风电场等值模型，使等值模型在表征风电场的输出特性上具有较高精度。

技术领域

本发明涉及风电场等值建模技术领域，特别涉及一种基于主成分分析，以及相关性分析和显著性检验的风电场等值建模方法。

背景技术

随着风力发电技术的日益成熟，风电场的并网规模迅速增大，一个风电场往往有几十台甚至上百台风电机组，如果对每台风电机组都单独建立详细模型，则会大大增加电力系统仿真模型的复杂度和仿真计算时间，甚至面临“维数灾”问题。另外，大规模风电场内每台风力发电机的运行特性与动态响应并不完全一致，因此，为准确分析大规模风电场和电力系统之间的交互作用，研究并建立合适的风电场等值模型具有重要意义。

在风电场等值建模的研究中发现，当聚类指标选取太少时，机组信息不全面，导致等值模型和详细模型之间存在较大误差；当指标选取太多时，增加聚类工作量，且变量间的相关性和数据上的冗余性若不处理，也将影响结果的准确性。

风电场等值建模的聚类方法可以归纳为以下两类：

一是基于算法的机群聚类方法。常见的风电场聚类算法有k-means聚类、支持向量机、模糊聚类、谱聚类、神经网络等算法，以及针对这些算法做出的改进算法，如基于扩散映射理论的谱聚类算法、基于分裂层次半监督谱聚类算法、基于可变长染色体编码并行遗传算法的变k-means算法等。这些算法通常将聚类数据视为空间中的点，依据两点间距离、密度等空间信息来聚合分类。这类方法处理速度较快，但是在聚类过程中忽略了数据的物理意义，且容易受数据集的形状、噪声数据、边缘数据等影响，陷入局部最优，影响聚类结果的准确性。

二是基于机组运行状态的实用化机群聚类方法。依据风功率曲线的分段特性进行机群划分、依据撬棒保护动作情况进行机群划分、依据机组有功响应进行机群划分等。和基于算法的聚类方法相比，利用机组运行状态进行聚类，数据的物理意义明确，具有较好的辨识性。但基于风功率曲线分段特性的分群方法缺乏对机组运行特性的考虑，撬棒保护动作情况的划分指标难以获取，依据机组有功响应的机群划分方法较为实用，但其忽略了机组和机组之间的交互影响。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于风电机组运行状态的实用化等值建模方法，是以一种客观实用的风电场等值建模方法来建立风电场等值模型，使等值模型在表征风电场的输出特性上具有较高精度。

为实现上述目的，本发明采用如下技术方案：

本发明基于风电机组运行状态的实用化等值建模方法的特点是按如下步骤进行：

步骤1、采集风电场中各台风电机组的机械特性变量和电气特性变量的暂稳态数据作为聚类指标；

步骤2、采用主成分分析的方法消除聚类指标之间的强相关性和冗余性，获得主成分分析后的聚类指标数据，记为主成分数据；

步骤3、对所述主成分数据采用相关性分析，获得主成分数据的相关系数；对所述主成分数据采用显著性检验，获得风电机组的相关关系；由所述风电机组的相关关系获得风电机组的聚类结果；

步骤4、利用所述风电机组的聚类结果建立风电场等值模型并计算风电场等值模型的输入参数，实现基于风电机组运行状态的实用化等值建模。