[发明专利]一种基于谱聚类的风电场旗舰风机优化选取方法

权利要求书

1.一种基于谱聚类的风电场旗舰风机优化选取方法，其特征在于，包括步骤：

S1、通过SCADA系统采集风电场风机的相关数据；

S2、采用自编码算法进行风机数据预处理；

S3、采用谱聚类算法进行不同风向下风机分簇；

所述步骤S3具体包括步骤：

S31、构建表示风机样本数据的相似度矩阵A，

其中，a_i,j通过如下公式计算：

其中，

σ_i为X_i的k个最近邻的平均距离，k＝3～5；

h_i,j表示第i台和第j台风机数据样本的欧式距离，其计算公式如下：

其中，X_i是由第i台风机的预处理后的数据构成的集合X_i＝[x_1,i,x_2,i,…,x_m,i]^T；

S32、构建拉普拉斯矩阵L和特征向量空间U；

其中，度矩阵D是基于相似性矩阵A建立的对角矩阵，

其中，

对拉普拉斯矩阵L进行特征值分解，将特征值从小到大排序，取前p个特征值，找出其前p个最大特征值所对应的特征向量u₁,u₂,…,u_p，并组成特征向量空间U＝[u₁,u₂,…,u_p]；

S33、对U的每一行进行归一化处理，通过归一化后得到矩阵Y为

S34、利用矩阵Y通过K-means算法划分成p个簇；

S4、通过不同风向的聚类结果选取旗舰风机；

所述步骤S4具体包括步骤：

S41、计算各个簇内风机的旗舰风机评价指标，计算公式如下：

其中，α_z代表第z项相关系数的权重比，ρ_z代表簇内第i台风机与簇内其他风机之间第z项相关系数之和的平均值，其计算公式如下：

其中，n_c是簇内风机总数量，代表簇内第i台风机的第z项数据样本；

S42、将簇内风机的旗舰风机评价指标从大到小排序，取前b个风机为该簇内的预选旗舰风机，b＝2～4；

S43、依次获取不同风向下的各个聚类结果的预选旗舰风机，然后计算各个预选旗舰风机参与各聚类集合并集大小，按照并集大小从大到小排序，取排序最靠前的为首个旗舰风机，并去掉该旗舰风机所参与各聚类集合以及其簇内预选旗舰风机，然后计算剩下预选旗舰风机参与剩余各聚类集合的并集大小，再按照并集大小排序，取排序最靠前的为第二个旗舰风机，以此类推，选至所有风机都被合并成某一类为止；

S5、设计在线旗舰风机容错策略；

所述步骤S5具体包括步骤：

S51、在某簇内旗舰风机出现停机的情况下，首先保持其他簇内风机分组不变；

S52、计算该簇内普通风机到其他旗舰风机的距离，计算公式如下：

其中，d(i,j)代表普通风机i到旗舰风机j的欧式距离，X_i为普通风机i的样本数据，X_j为旗舰风机j的样本数据；

S53、通过比较该簇内普通风机到其他旗舰风机的距离，按照最邻近其他旗舰风机的规则对该簇内风机进行二次分配。

2.根据权利要求1所述的一种基于谱聚类的风电场旗舰风机优化选取方法，其特征在于：所述步骤S1中的相关数据包括风机运行数据、风机坐标、风电场信息，所述风机运行数据包括风电场不同风向的来流实测风速、风机实测风速和风向、风机输出功率、发电机组相关数据、变频器模块相关数据、轮毂模块相关数据。

3.根据权利要求1所述的一种基于谱聚类的风电场旗舰风机优化选取方法，其特征在于，所述步骤S2具体包括步骤：

S21、对SCADA系统采集的数据进行清洗；

S22、对SCADA系统采集数据中异常点进行识别并剔除；

S23、将步骤S22中获得的数据作为自编码算法的输入层，采用向后传播算法进行模型训练，通过输入层到隐藏层的编码过程，输入层的高维数据将被简化为隐藏层的低维数据。