[发明专利]一种风电场聚合特性建模方法

权利要求书

1.一种风电场聚合特性建模方法，其特征在于，所述建模方法包括以下步骤：

步骤一：采集风电场多台风电机组位置处的实测运行数据，并对上述数据进行清洗及归一化处理；

步骤二：建立风电功率波动性衡量指标；

步骤三：建立风电场聚合出力平滑效应衡量指标，并由数理统计的分析方法得出平滑效应衡量指标与聚合机组台数N及机组间功率序列的相关系数的关系式；

步骤四：建立基于卷积神经网络的多位置点风况信息与机组间功率序列相关性的映射模型，根据指定时间段内的时刻数与风电场聚合特性建模机组台数对卷积神经网络的相应参数进行设置；

步骤五：以指定时间尺度的多机组点位实测风速序列数据、实测风向序列数据作为模型输入，以机组两两之间的出力相关性系数作为输出，构成模型训练样本，以均方根误差函数指标训练神经网络模型，输出机组出力相关性映射结果；

步骤六：根据步骤五的机组出力相关性映射结果和步骤三中平滑效应衡量指标与聚合机组台数N及机组间功率序列相关系数的函数关系式计算表征风电场聚合特性的平滑效应衡量指标s，实现基于卷积神经网络的风电场聚合特性建模。

2.根据权利要求1所述的风电场聚合特性建模方法，其特征在于：所述步骤一实测运行数据包括：实测风速数据、实测风向数据和实测功率数据。

3.根据权利要求1所述的风电场聚合特性建模方法，其特征在于：风电机组集群的聚合出力为各单机出力之和，如公式(1)：

式中，P_∑(t)为t时刻风电机组集群的总功率；i是风电机组的编号；N为风电机组台数；P_i(t)为t时刻第i号风电机组的功率；

所述步骤二采用公式(2)和(3)表示功率序列的标准差衡量单台风电机组出力和风电机组聚合出力的波动性：

式中，σ_i、σ_∑分别为第i号风电机组的功率标准差和聚合功率标准差；T为统计的时间尺度；分别为第i号风电机组功率、聚合功率在相应时间统计尺度下采样值的均值；功率序列标准差反映了时间序列功率波动的程度，数值越小时间序列功率波动越小，平稳性越好。

4.根据权利要求1所述的风电场聚合特性建模方法，其特征在于：平滑效应系数为以装机容量为基值的风电机组聚合出力标准差标幺值与单台机组出力标准差标幺值的比值为公式(4)：

其中，P_R为风电机组的额定功率，σ_i、σ_∑分别为第i号风电机组的功率标准差和聚合功率标准差，N表示聚合机组台数，系数s越小，表明各风电机组出力之间的互补性越强，平滑效应越明显；

通过所述步骤三数理统计得出风电机组聚合功率标准差与单机功率标准差的关系公式(5)：

式中，r_i,j为第i号风电机组和第j号风电机组功率序列的相关系数；

设各台机组的出力标准差相同，都视为单台机组出力标准差平均值，则由公式(4)和(5)得出所述平滑效应衡量指标与聚合机组台数N及机组间功率序列的相关系数关系为公式(6)：

5.根据权利要求1所述的风电场聚合特性建模方法，其特征在于：所述步骤四的卷积神经网络包含两个卷积层，两个池化层，一个展平层和一个全连接层；多机组的实测风速序列数据和实测风向序列数据通过第一卷积层以及ReLU激活层，生成一组特征图，再经过无重叠最大池化进行降采样，随后通过第二卷积层以及ReLU激活层，生成另一组特征图，将这组特征图与展平层连接使多维张量一维化，再与全连接层连接，最后经过sigmoid函数激活作为卷积神经网络的输出。