[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

说明书

本发明公开了一种基于极端梯度动态密度聚类的风电场内分群方法，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。本发明可以有效解决实际风电场数据部分缺失的问题，提高了模型准确度；且用于处理风机多维时序特征运行数据，可以得出精确、有效的风电场内机群划分。

技术领域

本发明涉及电力系统新能源厂站内分群领域，尤其涉及一种基于极端梯度动态密度聚类的风电场内分群方法。

背景技术

风电场规模逐渐增大，其动态特性对电力系统稳定性的影响极大，需要构建准确反映风电场动态特性的仿真模型。若对每一台风机都进行详细建模，其模型结构复杂、维数高，增加了电力系统的复杂性和所需的仿真时间。如何建立准确表征运行特性的风电场等值模型，对于大型风电场接入电网后系统的安全稳定运行分析具有重要作用，而分群是风电场等值的关键步骤。

基于聚类算法进行分群是近年来的研究热点，大多数聚类算法的计算速度极快，在处理大数据集的问题中具有显著优势。常见的风电场聚类算法有k-means聚类、模糊C均值聚类、谱聚类等，其中k-means聚类被使用次数最多。k-means聚类算法的本质是不断地试探一个簇的质心位置，从而形成一个球，具有较低的时间、空间复杂度，但是该算法对初始点和噪声数据敏感，如果数据有噪声会导致整体聚类簇的偏移，而且该算法需要预设k值，局限性较强。

然而，在实际应用中，上述方法存在以下不足：

1、仅选用机械特性指标时，较大的惯性时间常数影响精度；单独使用电气指标也存在视角过于单一的问题。当同时选用机械和电气指标时，提高了分群结果的有效性，但人为主观选取分群指标可能导致聚类数据所表征的机组信息没有被充分挖掘，而且变量间的相关性和数据上的冗余性对分群效果也有较大影响；

2、聚类方法处理速度快，但易受数据集的形状、噪声数据、初始运行点等影响，而且在风电场中风机所受风速不同会导致动态响应时间不同，单纯依靠距离和密度无法解决时间序列不对齐的问题。

发明内容

为了提升风电场等值精度和多工况广泛适用性，本发明提出一种基于极端梯度提升(eXtreme Gradient Boosting，XGBoost)进行分群指标降维、基于动态时间归整(Dynamic Time Warping，DTW)优化基于密度的带噪声的空间聚类(Density BasedSpatial Clustering of Applications with Noise，DBSCAN)从而进行机群划分的方法，用于处理风机多维时序特征运行数据，从而得出精确、有效的风电场内机群划分，详见下文描述：

一种基于极端梯度动态密度聚类的风电场内分群方法，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。

其中，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。