[发明专利]一种基于极端梯度动态密度聚类的风电场内分群方法

权利要求书

1.一种基于极端梯度动态密度聚类的风电场内分群方法，其特征在于，所述方法包括：

选取风电场内分群的指标，对某时段内相应的指标数据进行异常值检测与截断处理；

对预处理后的分群指标数据，采用XGBoost对分群指标数据进行降维选取；

对选取后的指标数据，基于DBSCAN-DTW的聚类进行机群的划分。

2.根据权利要求1所述的一种基于极端梯度动态密度聚类的风电场内分群方法，其特征在于，所述选取风电场内分群的指标，对某时段内相应的指标数据进行异常值检测与截断处理具体为：

选取13个风电场分群指标，包括：每一台风机的转子角速度、桨距角、电磁转矩、机械转矩、定子电压、有功功率、无功功率、转子电压d轴分量、转子电压q轴分量、定子电流d轴分量、定子电流q轴分量、转子电流d轴分量、转子电流q轴分量；

异常值截断上下限为：

式中：min、max代表数据截断的上限和下限；Q₁、Q₃分别代表上、下四分位数；IQR＝Q₃-Q₁。

3.根据权利要求1所述的一种基于极端梯度动态密度聚类的风电场内分群方法，其特征在于，所述采用XGBoost对分群指标数据进行降维选取具体为：

获取每棵提升树的目标函数，节点迭代后，得到节点分割前的损失与节点分割后的损失之差的最优值，用来计算特征的平均增益，来表征此特征的重要程度，然后选择较重要的特征，实现降维；

对每个特征进行分裂时，都记录平均增益，最终用这个特征的全部平均增益值和、除以这个特征被用于分裂节点的次数，得到特征的贡献程度的量化分数；

按照贡献度从低到高的顺序逐一删除特征并重新聚类，遍历后得到轮廓值最高的聚类情况对应的指标选取方案。

4.根据权利要求1所述的一种基于极端梯度动态密度聚类的风电场内分群方法，其特征在于，所述对选取后的指标数据，基于DBSCAN-DTW的聚类进行机群的划分具体为：

在DBSCAN内部采用DTW来计算时间序列数据的相似度，通过把时间序列进行延伸和缩短，中间经历一些约束和剪枝，寻找最优归整路径来计算两个时间序列性之间的相似性，使用所有相似点之间的欧式距离的和，称之为归整路径距离来衡量两个时间序列之间的相似性。

5.根据权利要求1所述的一种基于极端梯度动态密度聚类的风电场内分群方法，其特征在于，所述方法还包括：

通过不断调整参数获得最优分群，使用XGBoost进行分群指标的选取，实现特征降维，重新进行DBSCAN-DTW聚类，输出分群结果。

6.根据权利要求3所述的一种基于极端梯度动态密度聚类的风电场内分群方法，其特征在于，所述每棵提升树的目标函数为：

其中，W为每棵树的叶子节点数量，G_j为叶节点平均增益，m_j为叶节点的预测分数，n为样本点个数，H_j表征叶节点平均增益趋势，θ为叶节点预测分数的超参数；μ代表新节点的复杂度。

7.根据权利要求6所述的一种基于极端梯度动态密度聚类的风电场内分群方法，其特征在于，所述平均增益为：

其中，代表左子树分数，代表右子树分数，代表不分割情况下得到的分数，G_L为左子树叶节点平均增益，H_L为左子树叶节点平均增益趋势，G_R为右子树叶节点平均增益，H_R为右子树叶节点平均增益趋势。