[发明专利]一种基于FP-growth的风电机组振荡模态与影响因素关联分析方法

说明书

本发明属于风电系统振荡模态分析技术领域，公开一种基于FP‑growth的风电机组振荡模态与影响因素关联分析方法，包括：采集风电机组运行时的输出功率、电压以及风速数据；对采集的风电机组输出功率、电压以及风速数据进行分段；采用Pony算法分析数据段包含的振荡模态；使用谱聚类算法对风速、电压均值进行聚类；采用FP‑growth算法挖掘风速‑电压聚簇与振荡模态的关联规则；基于关联规则分析结果，利用风速‑电压聚簇对振荡模态进行预测。本发明实施例能够利用风电机组运行大数据对机组的振荡模态进行关联分析，无需建立复杂的物理模型，计算速度快，为风电机组振荡模态识别提供参考。

技术领域

本发明属于风电系统振荡模态分析技术领域，尤其涉及风电机组运行时风速、电压聚簇与振荡模态的关联分析方法。

背景技术

为应对全球变暖带来的威胁，中国提出“碳达峰、碳中和”的战略，力争在2030年前碳排放量不再增长，在2060年前实现碳中和的目标。化石燃料的燃烧是产生CO₂的主要原因之一，因此，传统电力系统逐渐转型为高比例可再生能源电力系统，以风能为代表的新能源开始大规模接入电网。与传统化石能源发电方式相比，风能具有清洁、高效、可再生等优势，但其出力具有较强的不确定性，在与电网进行并网时可能会引发振荡问题。随着风电渗透率的不断提高，风力机组与电网之间的相互作用问题得到了越来越多的关注。

研究表明，风电机组与电网之前的相互作用导致的振荡一般为有功功率振荡，按照频率可分为不同的振荡模态，例如低频振荡、同步控制相互作用(SSCI)、次同步振荡(SSO)和次同步振荡(SSR)等。不同振荡模态的振荡机理不同，因此进行振荡抑制的前提是进行振荡模态识别。传统方法一般通过建模和仿真的方式对振荡模态类别进行辨识，然而，由于风电机组振荡模态的成因复杂，物理建模时难以全面考虑电压、风速等因素对振荡模态的影响。

发明内容

本发明实施例提供了一种基于FP-growth的风电机组振荡模态与影响因素关联分析方法，以解决现有方法物理建模时难以全面考虑电压、风速等因素对振荡模态影响的问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本发明实施例的第一方面，提供了一种基于FP-growth的风电机组振荡模态与影响因素关联分析方法。

在一个实施例中，一种基于FP-growth的风电机组振荡模态与影响因素关联分析方法，包括：

步骤S1，采集风电机组运行时的输出功率、电压以及风速数据；

步骤S2，对采集的风电机组输出功率、电压以及风速数据进行分段；

步骤S3，采用Pony算法分析数据段包含的振荡模态；

步骤S4，使用谱聚类算法对风速、电压均值进行聚类；

步骤S5，采用FP-growth算法挖掘风速-电压聚簇与振荡模态的关联规则；

步骤S6，基于关联规则分析结果，利用风速-电压聚簇对振荡模态进行预测。

可选地，所述步骤S1中，以M为采样频率，对风电机组运行时的输出功率、电压以及风速进行数据采集，M大于或等于100Hz。

可选地，所述步骤S2中，依据风速变化幅度对采集的风电机组输出功率、电压以及风速数据进行分段。

可选地，所述步骤S2中，依据风速变化幅度对采集的风电机组输出功率、电压以及风速数据进行分段的步骤，具体包括：

步骤S201，创建一个数据段，顺序读取风速值，并将风速值写入该数据段，当数据段内的风速变化大于δ时，对该数据段进行保存，δ为风速变化阈值；