一種基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法
【專利摘要】本發(fā)明涉及一種基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法，在實測運行數(shù)據(jù)預處理時，采用自相關分析對實測運行數(shù)據(jù)的任意時刻數(shù)據(jù)值與歷史數(shù)據(jù)的關聯(lián)性進行考察，發(fā)掘出數(shù)據(jù)中的隱含規(guī)律，選出合理的時間跨度，進而在跨度內根據(jù)不同風速等級確定K個時刻的小數(shù)據(jù)樣本作為仿真模型輸入，減少了因數(shù)據(jù)樣本的過少或繁雜冗余對仿真模型精度和分析計算時長的影響。另一方面，本發(fā)明采用動態(tài)灰關聯(lián)分析法建立關聯(lián)度矩陣作為聚類指標，將各風電機組運行狀況間復雜的關聯(lián)性和灰色性考慮進機群聚類過程中，使得機群聚類結果更合理，大大提高了風電場動態(tài)等值模型的精確性。
【專利說明】
-種基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法
技術領域
[0001 ]本發(fā)明設及可再生能源并網(wǎng)技術領域，更具體地說，設及一種基于動態(tài)灰關聯(lián)分 析法的風電場動態(tài)等值建模方法。
【背景技術】
[0002] 風力發(fā)電由于具有裝機容量增長空間大，成本下降快，安全、能源永不耗竭等優(yōu) 勢，越來越受到世界各國的重視。然而風能具有隨機性、間歇性和不穩(wěn)定性的特點，隨著風 電機組單機容量和風電場規(guī)模的不斷擴大，風電并網(wǎng)對電力系統(tǒng)穩(wěn)定性的影響愈發(fā)顯著。 據(jù)不完全統(tǒng)計，僅2011年就發(fā)生了 193起風電機組脫網(wǎng)事故，其中2011年我國發(fā)生的一起規(guī) 模最大的2.24甘肅酒泉大規(guī)模風電脫網(wǎng)事故，共造成598臺風電機組脫網(wǎng)，損失出力達 840.43MW，西北主網(wǎng)頻率最低至49.854Hz。
[0003] 因此，為了準確分析和評價大容量風電場與電力系統(tǒng)之間的相互作用和影響，研 究并尋求合適的風電場動態(tài)等值方法對含風電場的電力系統(tǒng)動態(tài)穩(wěn)定仿真分析具有重要 意義。
[0004] 現(xiàn)有技術中，風電場動態(tài)等值方法主要分為單機等值法與多機等值法。
[0005] 其中，單機等值法建模過程簡單，通常假設所有風電機組的輸入風速相同，將整個 風電場等值為一臺風電機組便可，但是對于大型的風電場，由于地形地貌W及尾流效應和 時滯的影響，風電場內風速分布不均勻，風電機組的風速差異較大，使用單機等值方法通常 會存在較大誤差。
[0006] 多機等值中最常用且最簡單的方法是依據(jù)排列位置對風電場進行分類聚合，往往 將同排風機等效為一臺風力機，考慮到了不同排間風機運行狀況的差異，降低了風電場單 機動態(tài)等值模型帶來的誤差，然而實際風電場中，即使同排風機也可能存在較大的風速差 異。
[0007] 現(xiàn)有技術中，相關等值模型對所有數(shù)據(jù)樣本等同處理，輸入向量多、數(shù)據(jù)樣本繁雜 冗余、不利于分析，運對仿真精度、仿真分析時間都會造成一定的不良影響；另一方面，現(xiàn)有 技術的相關等值模型一般W各臺風電機組的單獨某狀態(tài)量或者全部的監(jiān)測項目量作為聚 類模型輸入進行機組等值劃分，對各風電機組運行狀況間的關聯(lián)性及灰色性缺乏考慮，而 各臺風電機組的運行狀態(tài)受天氣、電網(wǎng)運行情況、溫度等多種因素的影響程度是不同的且 非確定的，是一個復雜的非線性過程。
[000引因而，上述機組等值劃分方法對風電機組間運行狀態(tài)的相關性考慮的不夠全面與 明顯，會影響聚類結果的合理性且降低仿真精度。因此，如何將各風電機組運行狀況間的關 聯(lián)性及灰色性考慮進基于實測運行數(shù)據(jù)并結合聚類算法的風電場動態(tài)等值建模中是需進 一步解決的問題。

【發(fā)明內容】

[0009]本發(fā)明的目的在于克服現(xiàn)有技術的不足，提供一種基于動態(tài)灰關聯(lián)分析法的風電 場動態(tài)等值建模方法，減少因數(shù)據(jù)樣本過少或繁雜冗余，減少因數(shù)據(jù)樣本的過少或繁雜冗 余對仿真模型精度和分析計算時長的影響;采用動態(tài)灰關聯(lián)分析法建立關聯(lián)度矩陣作為聚 類指標，將各風電機組運行狀況間復雜的關聯(lián)性和灰色性考慮進機群聚類過程中，使得機 群聚類結果更合理。
[0010] 本發(fā)明的技術方案如下：
[0011] -種基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法，步驟如下：
[0012] 步驟1)根據(jù)風速等級，確定風電場實際運行數(shù)據(jù)樣本中的小數(shù)據(jù)樣本；
[0013] 步驟2)建立風電機群運行狀態(tài)基于動態(tài)灰關聯(lián)分析法的關聯(lián)度矩陣，并作為聚類 指標；
[0014] 步驟3)使用K-means聚類算法進行機群聚類，得到機群聚類結果；
[0015] 步驟4)采用機群中的一臺風電機組對機群進行等值，建立風電場的動態(tài)等值模 型。
[0016] 作為優(yōu)選，步驟1)中，使用自相關分析對風電場實測運行數(shù)據(jù)進行預處理，具體 為：
[0017] 1.1)設風電場內有風電機組共η臺，選取風電場在時間段T內并網(wǎng)運行的實測運行 數(shù)據(jù)作為數(shù)據(jù)樣本，采樣點數(shù)為i，采樣頻率為f;
[0018] 1.2)將時間段T內的風速實測運行數(shù)據(jù)作為時間序列，計算該時間序列與其隨時 間A t平移后得到的序列的自相關系數(shù)ΡΛ*:
[0019]
[0020] 其中，yt為t時刻的風速序列，yt+At為t時刻風速序列隨時間At平移后得到的序 列；
[0021 ] 1.3) W選定的Δ t為時間跨度，截取時間段T內風速在預設風速范圍內變化最大的 實測運行數(shù)據(jù)樣本，按照預設的風速等級，在截取的W At為時間跨度的數(shù)據(jù)樣本內選取K 個時刻的小數(shù)據(jù)樣本。
[0022] 作為優(yōu)選，步驟1.2)中，在大于At時間跨度后，風速序列的自相關系數(shù)降到預設 系數(shù)W下。
[0023] 作為優(yōu)選，步驟2)中，建立風電機群運行狀態(tài)基于動態(tài)灰關聯(lián)分析法的關聯(lián)度矩 陣具體為：
[0024] 2.1)設風電場包括m臺風電機組，采集η個連續(xù)量監(jiān)測項目數(shù)據(jù)，具體為：
[0025] {xijE(Si，Xj，Tt)}m*n*N;
[0026] 其中，i = l,2，...，m;j = l，2，...，n;t = l，2，...，N;化j(t)表示第t個時刻第i臺風 機的第j個連續(xù)量監(jiān)測項目數(shù)據(jù);Si表示某時刻風電場內第i臺風電機組的運行狀況，的表示 選定的第j個連續(xù)量監(jiān)測項目，Tt表示選定的第t個時刻;N為時刻個數(shù)；
[0027] 2.2)定義Ai，A2，...，An為不同時刻風電機組運行狀況的連續(xù)量監(jiān)測項目信息矩 陣，矩陣內包含的數(shù)據(jù)為步驟1中選定的小數(shù)據(jù)樣本，具體為：
[0032] 2.3)計算各個時刻的連續(xù)量監(jiān)測項目時間維度上的最大均值為：
[0033]
[0036] 2.5)某時刻單臺風電機組運行狀況的比較序列為：
[0037] Si(t)二{x' 抽N 二[X'il(t),X'i2(t), . . . ,X'in(t)];
[0038] 2.6)所有風電機組綜合運行狀況的動態(tài)參考序列為：
[0039]
[0040] 2.7)計算表示各個時刻、各個風電機組運行狀況的比較序列Si(t)與參考系統(tǒng)So (T)之間的灰色關聯(lián)度為：
A〇i(j)= |xj(T)-x'ij(t) I。
[0045] 2.8)灰色關聯(lián)度矩陣為：
[0046]
[0047] 其中，i代表第i臺風電機組，t代表第t個時間截面，Tti代表在t時刻第i臺風電機 組運行狀況與所有風電機組綜合運行狀況間的灰關聯(lián)度，yi代表在At時間跨度內隨風速 等級變化的第i臺風電機組運行狀況的灰關聯(lián)度變化序列。
[004引作為優(yōu)選，步驟3)具體為：
[00例 3.1)將灰色關聯(lián)度矩陣作為K-means聚類模型的輸入數(shù)據(jù)，其中每臺風電機組運 行狀況的灰關聯(lián)度變化序列為一個輸入向量：
[0050] Y=(yi 72 . . . yi. . .ym) = ( Yti)Nxm；
[0051 ] 3.2)選取h個樣本作為初始聚類點；
[0化2] 3.3)計算每一個類的重屯、，作為聚類中屯、：
[0化3]
[0054] 3.4)將其他樣本歸入與其距離最小的類；
[0055] 3.5)重復步驟3.2 )、3.3 )，直至所有樣本都不能分配為止；
[0056] 3.6)計算輪廓值S( i)，具體為：
[0化7]
[005引其中：a為樣本i與同簇的其他樣本之間的平均距離;b為一個向量，其元素是樣本i 與不同簇的簇內樣本之間的平均距離；
[0059] 預定S(i)的闊值，若S(i)不能滿足條件，首先重新選取初始聚類點進行聚類，直至 S(i)滿足條件;若所有的初始聚類點均不能滿足，則重新輸入Mt，進行聚類。
[0060] 作為優(yōu)選，步驟4)具體為:將同群內的風電機組等值為一臺風電機組，并采用容量 加權法計算等值風電機組的參數(shù)，建立風電場的動態(tài)等值模型。
[0061] 作為優(yōu)選，步驟1)中，實測運行數(shù)據(jù)通過SCADA系統(tǒng)輸出得到連接量監(jiān)測項目數(shù) 據(jù)。
[0062] 作為優(yōu)選，SCADA系統(tǒng)連接量監(jiān)測項目數(shù)據(jù)包括:發(fā)電機驅動端端軸承溫度、齒輪 箱輸入軸溫度、機艙柜溫度、網(wǎng)測A相電壓、發(fā)電機非驅動端端軸承溫度、齒輪箱輸出軸溫 度、塔底柜溫度、網(wǎng)測A相電流、發(fā)電機繞組溫度、齒輪箱油溫、風速、有功功率、發(fā)電機冷卻 風溫度、齒輪箱主軸承溫度、5分鐘內平均風速、電網(wǎng)頻率、發(fā)電機轉速、機艙溫度、環(huán)境溫度 的一種或幾種。
[0063] 本發(fā)明的有益效果如下：
[0064] 本發(fā)明所述的基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法，在實測運行數(shù) 據(jù)預處理時，采用自相關分析對實測運行數(shù)據(jù)的任意時刻數(shù)據(jù)值與歷史數(shù)據(jù)的關聯(lián)性進行 考察，發(fā)掘出數(shù)據(jù)中的隱含規(guī)律，選出合理的時間跨度，進而在跨度內根據(jù)不同風速等級確 定K個時刻的小數(shù)據(jù)樣本作為仿真模型輸入，減少了因數(shù)據(jù)樣本的過少或繁雜冗余對仿真 模型精度和分析計算時長的影響。
[0065] 另一方面，本發(fā)明采用動態(tài)灰關聯(lián)分析法建立關聯(lián)度矩陣作為聚類指標，將各風 電機組運行狀況間復雜的關聯(lián)性和灰色性考慮進機群聚類過程中，使得機群聚類結果更合 理，大大提高了風電場動態(tài)等值模型的精確性。
【附圖說明】
[0066] 圖1是基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法流程圖；
[0067] 圖2是實施例的某實際風電場詳細仿真模型；
[006引圖3是實施例的IE邸39節(jié)點系統(tǒng)；
[0069] 圖4是陣風擾動時，風電場采用單機等值模型、本發(fā)明基于動態(tài)灰關聯(lián)分析法的風 電場動態(tài)等值模型和詳細模型時有功功率動態(tài)響應曲線對比圖；
[0070] 圖5是陣風擾動時，風電場采用單機等值模型、本發(fā)明基于動態(tài)灰關聯(lián)分析法的風 電場動態(tài)等值模型和詳細模型時無功功率動態(tài)響應曲線對比圖；
[0071] 圖6是系統(tǒng)側發(fā)生Ξ相接地短路故障時，風電場采用單機等值模型、本發(fā)明基于動 態(tài)灰關聯(lián)分析法的風電場動態(tài)等值模型和詳細模型時有功功率動態(tài)響應曲線對比圖；
[0072] 圖7是系統(tǒng)側發(fā)生Ξ相接地短路故障時，風電場采用單機等值模型、本發(fā)明基于動 態(tài)灰關聯(lián)分析法的風電場動態(tài)等值模型和詳細模型時無功功率動態(tài)響應曲線對比圖。
【具體實施方式】
[0073] W下結合附圖及實施例對本發(fā)明進行進一步的詳細說明。
[0074] 本發(fā)明為了解決現(xiàn)有技術存在的種種不足，提供一種基于動態(tài)灰關聯(lián)分析法的風 電場動態(tài)等值建模方法，如圖1所示，步驟如下：
[0075] 步驟1)根據(jù)風速等級，確定風電場實際運行數(shù)據(jù)樣本中的小數(shù)據(jù)樣本；
[0076] 步驟2)建立風電機群運行狀態(tài)基于動態(tài)灰關聯(lián)分析法的關聯(lián)度矩陣，并作為聚類 指標；
[0077] 步驟3)使用K-means聚類算法進行機群聚類，得到機群聚類結果；
[0078] 步驟4)采用機群中的一臺風電機組對機群進行等值，建立風電場的動態(tài)等值模 型。
[0079] 步驟1)中，使用自相關分析對風電場實測運行數(shù)據(jù)進行預處理，具體為：
[0080] 1.1)設風電場內有風電機組共η臺，選取風電場在某時間段T內并網(wǎng)運行的實測運 行數(shù)據(jù)作為樣本，采樣點數(shù)為i個，采樣頻率為1次/分鐘。實測運行數(shù)據(jù)包括19項能綜合表 現(xiàn)風電場實時運行狀況的SCADA系統(tǒng)連續(xù)量監(jiān)測項目，如表1所示。
[0081 ]表1:19項能綜合表現(xiàn)風電場實時運行狀況的SCADA系統(tǒng)連續(xù)量監(jiān)測項目
[0082]
[0083] 1.2)考慮到風速變化是風機參數(shù)變化的根本原因，因此使用風速作為預處理過程 實測運行數(shù)據(jù)分區(qū)間的依據(jù)。將時間段T內的風速實測運行數(shù)據(jù)作為時間序列，計算該時間 序列與其隨時間A t平移后得到的序列的自相關系數(shù)ΡΛ*:
[0084]
[0085] 其中，yt為t時刻的風速序列，yt+At為t時刻風速序列隨時間At平移后得到的序 列；
[0086] 由于一般認為當自相關系數(shù)低于0.3時，當前數(shù)據(jù)與Δ t時刻前數(shù)據(jù)變化的相關性 較弱。因此，取某選定的A t為時間跨度截取數(shù)據(jù)樣本對風電場實測運行數(shù)據(jù)進行分析。該 A t應滿足的條件是:在大于該Δ t時間跨度后，風速序列的自相關系數(shù)降到0.3W下；
[0087] 1.3似選定的At為時間跨度，截取時間段T內風速在預設風速范圍（3m/s~21m/ S)內變化最大的實測運行數(shù)據(jù)樣本，按照預設的風速等級，在截取的W At為時間跨度的數(shù) 據(jù)樣本內選取K個時刻的小數(shù)據(jù)樣本。本實施例中，風速等級的劃分具體為:微風(3.4m/s~ 5.4m/s)、和風（5.5m/s~7.9m/s)、勁風（8. Om/s~10.7m/s)、強風（10.8m/s~13.8m/s)、疾 風（13.9m/s~17. Im/s)和大風（17.2m/s~20.7m/s)。則運K個時刻的小數(shù)據(jù)樣本內每臺風 電機組的風速數(shù)據(jù)應至少包括前4個風速等級。
[0088] 步驟2)中，建立風電機群運行狀態(tài)基于動態(tài)灰關聯(lián)分析法的關聯(lián)度矩陣具體為：
[0089] 2.1)設風電場為一個多系統(tǒng)、多指標評價系統(tǒng)，即風電場包括m臺風電機組，采集η 個連續(xù)量監(jiān)測項目數(shù)據(jù)，具體為：
[0090] (xije(Si，Xj，Tt)WN;
[0091 ]其中，i = l,2,...,m;j = l,2,...,n;t = l,2,...,N;:xij(t)表不束t個時刻束i臺風 機的第j個連續(xù)量監(jiān)測項目數(shù)據(jù);Si表示某時刻風電場內第i臺風電機組的運行狀況，的表示 步驟1)中選定的第j個連續(xù)量監(jiān)測項目，Tt表示步驟1)中選定的第t個時刻;N為時刻個數(shù)；
[0092] 2.2)定義41，42，...，4。為不同時刻風電機組運行狀況的5〔404系統(tǒng)連續(xù)量監(jiān)測項 目信息矩陣，矩陣內包含的數(shù)據(jù)為步驟1中選定的小數(shù)據(jù)樣本，具體為：
[0097] 2.3)計算各個時刻的SCADA系統(tǒng)連續(xù)量監(jiān)測項目時間維度上的最大均值為：
[009引
[0099] 2.4)對步驟1中選定的小數(shù)據(jù)樣本無綱量化處理，具體為：
[0100]
[0101] 2.5)某時刻單臺風電機組運行狀況的比較序列為：
[01 02] Si ( t)二{x'ij ( t) 抽N二 X' il ( t) , X'i2 ( t) , . . . , X' in( t )];
[0103] 2.6)所有風電機組綜合運行狀況的動態(tài)參考序列為：
[0104]
[0105] 2.7)計算表示各個時刻、各個風電機組運行狀況的比較序列Si(t)與參考系統(tǒng)So (T)之間的灰色關聯(lián)度為：
[0106]
[0107]其中，丫 〇i(j)為灰色關聯(lián)系數(shù)，如下：
[010 引
[0109]其中，兩級最小差
P為分辨系數(shù)， 本實施例中，p = 0.5, A〇i(j)= |xj(T)-x'ij(t) I。
[0110] 2.8)灰色關聯(lián)度矩陣為：
[0111]
[0112]其中，i代表第i臺風電機組，t代表第t個時間截面，Tti代表在t時刻第i臺風電機 組運行狀況與所有風電機組綜合運行狀況間的灰關聯(lián)度，yi代表在At時間跨度內隨風速 等級變化的第i臺風電機組運行狀況的灰關聯(lián)度變化序列。
[011：3]步驟3)具體為：
[0114] 3.1)選取步驟2中計算出的灰色關聯(lián)度矩陣作為K-means聚類模型的輸入數(shù)據(jù)，其 中每臺風電機組運行狀況的灰關聯(lián)度變化序列為一個輸入向量：
[0115] Y=(yi 72 . . . yi. . .ym) = ( Yti)NXm；
[0116] 3.2)選取h個樣本作為初始聚類點；
[0117] 3.3)計算每一個類的重屯、，作為聚類中屯、：
[011 引
[0119] 3.4)將其他樣本歸入與其距離最小的類；
[0120] 3.5)重復步驟3.2 )、3.3 )，直至所有樣本都不能分配為止；
[0121 ] 3.6)計算輪廓值S( i)，具體為：
[0122]
[0123] 其中：a為樣本i與同簇的其他樣本之間的平均距離;b為一個向量，其元素是樣本i 與不同簇的簇內樣本之間的平均距離；
[0124] 預定S(i)的闊值，若S(i)不能滿足條件，首先重新選取初始聚類點進行聚類，直至 S(i)滿足條件;若所有的初始聚類點均不能滿足，則重新輸入Mt，進行聚類。
[0125] 步驟4)具體為:將同群內的風電機組等值為一臺風電機組，并采用容量加權法計 算等值風電機組的參數(shù)，建立風電場的動態(tài)等值模型。
[0126] W下為實際風電場實際實施為例：
[0127] 在電力系統(tǒng)全數(shù)字仿真裝置(ADPSS)平臺上對本發(fā)明基于動態(tài)灰關聯(lián)分析法的風 電場動態(tài)等值建模方法進行仿真說明。如圖2所示，該風電場內共有22臺風電機組，機組的 類型均為GE1.5MW，風電場總裝機容量為33MW。
[01巧]選取2014年10月1日到2014年10月15日半個月內的選定的19項SDADA系統(tǒng)連續(xù)量 監(jiān)測項目實測運行數(shù)據(jù)進行分析。運用該時段的實測運行數(shù)據(jù)對場內風電機組采用本發(fā)明 的基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模對該風電場進行建模。分析陣風擾動與系 統(tǒng)側發(fā)生Ξ相接地短路故障時，單機等值模型、本發(fā)明基于動態(tài)灰關聯(lián)分析法的風電場動 態(tài)等值模型和詳細模型的動態(tài)響應特性。
[0129]陣風擾動:設迎向風電場的陣風4s啟動，8s結束，陣風最大值為3m/s，如圖4、圖5所 示。通過對比可發(fā)現(xiàn)在風速擾動下，本發(fā)明建立的風電場動態(tài)等值模型與詳細模型的有功 功率與無功功率動態(tài)響應曲線較接近。
[0130] 系統(tǒng)側Ξ相接地短路故障：仿真實驗中采用IE邸39節(jié)點系統(tǒng)（如圖3所示)作為風 電場并網(wǎng)系統(tǒng)，風電場介入系統(tǒng)的35節(jié)點。設IEEE39節(jié)點系統(tǒng)在t = 1.00s時，母線24發(fā)生Ξ 相接地短路故障，t=l. 12s時故障消除。如圖6、圖7所示，通過對比可發(fā)現(xiàn)在系統(tǒng)側發(fā)生Ξ 相接地短路故障下，本發(fā)明建立的風電場動態(tài)等值模型與詳細模型的有功功率與無功功率 動態(tài)響應曲線較接近。
[0131] 風速擾動與系統(tǒng)側Ξ相接地短路故障擾動仿真結果說明，采用本發(fā)明的數(shù)據(jù)預處 理方法得到的小數(shù)據(jù)樣本是合理且有效的，能夠減少繁雜冗余的數(shù)據(jù)樣本，對建模前后的 動態(tài)響應特性影響較小。另外，采用本發(fā)明提出的動態(tài)灰關聯(lián)分析法進行機群聚類，將風電 機組運行狀況間復雜的灰色性與關聯(lián)性全面地考慮進聚類指標中，與單機等值模型對比能 夠有效的提高風電場動態(tài)等值建模的準確性。
[0132] 上述實施例僅是用來說明本發(fā)明，而并非用作對本發(fā)明的限定。只要是依據(jù)本發(fā) 明的技術實質，對上述實施例進行變化、變型等都將落在本發(fā)明的權利要求的范圍內。
【主權項】
1. 一種基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法，其特征在于，步驟如下： 步驟1)根據(jù)風速等級，確定風電場實際運行數(shù)據(jù)樣本中的小數(shù)據(jù)樣本； 步驟2)建立風電機群運行狀態(tài)基于動態(tài)灰關聯(lián)分析法的關聯(lián)度矩陣，并作為聚類指 標； 步驟3)使用K-means聚類算法進行機群聚類，得到機群聚類結果； 步驟4)采用機群中的一臺風電機組對機群進行等值，建立風電場的動態(tài)等值模型。2. 根據(jù)權利要求1所述的基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法，其特征 在于，步驟1)中，使用自相關分析對風電場實測運行數(shù)據(jù)進行預處理，具體為： 1.1) 設風電場內有風電機組共η臺，選取風電場在時間段T內并網(wǎng)運行的實測運行數(shù)據(jù) 作為數(shù)據(jù)樣本，采樣點數(shù)為i，采樣頻率為f; 1.2) 將時間段T內的風速實測運行數(shù)據(jù)作為時間序列，計算該時間序列與其隨時間At 平移后得到的序列的自相關系數(shù)pm:其中，yt為t時刻的風速序列，yt+M為t時刻風速序列隨時間△ t平移后得到的序列； 1.3) 以選定的△ t為時間跨度，截取時間段T內風速在預設風速范圍內變化最大的實測 運行數(shù)據(jù)樣本，按照預設的風速等級，在截取的以At為時間跨度的數(shù)據(jù)樣本內選取K個時 刻的小數(shù)據(jù)樣本。3. 根據(jù)權利要求2所述的基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法，其特征 在于，步驟1.2)中，在大于At時間跨度后，風速序列的自相關系數(shù)降到預設系數(shù)以下。4. 根據(jù)權利要求1所述的基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法，其特征 在于，步驟2)中，建立風電機群運行狀態(tài)基于動態(tài)灰關聯(lián)分析法的關聯(lián)度矩陣具體為： 2.1) 設風電場包括m臺風電機組，采集η個連續(xù)量監(jiān)測項目數(shù)據(jù)，具體為： { Xi j ^ ( Si , Xj , Tt) }m*n*N ； 其中，1 = 1，2，...，111;」_ = 1，2，...，114 = 1，2，...，11。(1:)表示第1:個時刻第;[臺風機的 第j個連續(xù)量監(jiān)測項目數(shù)據(jù);31表示某時刻風電場內第i臺風電機組的運行狀況，^表示選定 的第j個連續(xù)量監(jiān)測項目，T t表示選定的第t個時刻;N為時刻個數(shù)； 2.2) 定義41，如，...，六11為不同時刻風電機組運行狀況的連續(xù)量監(jiān)測項目信息矩陣，矩 陣內包含的數(shù)據(jù)為步驟1中選定的小數(shù)據(jù)樣本，具體為：2.3) 計算各個時刻的連續(xù)量監(jiān)測項目時間維度上的最大均值為：2.4) 對步驟1中選定的小數(shù)據(jù)樣本無綱量化處理，具體為：2.5) 某時刻單臺風電機組運行狀況的比較序列為：2.6) 所有風電機組綜合運行狀況的動態(tài)參考序列為：2.7) 計算表示各個時刻、各個風電機組運行狀況的比較序列31(〇與參考系統(tǒng)S〇(T)之 間的灰色關聯(lián)度為：其中，Y〇i(j)為灰色關聯(lián)系數(shù)，如下：其中，兩級最小差，兩級最大差，P為分辨系數(shù)，A 〇1 (j)= IxjW-x'ijU) |。 2.8) 灰色關聯(lián)度矩陣為：其中，i代表第i臺風電機組，t代表第t個時間截面，ytl代表在t時刻第i臺風電機組運 行狀況與所有風電機組綜合運行狀況間的灰關聯(lián)度，代表在At時間跨度內隨風速等級 變化的第i臺風電機組運行狀況的灰關聯(lián)度變化序列。5.根據(jù)權利要求4所述的基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法，其特征 在于，步驟3)具體為： 3.1) 將灰色關聯(lián)度矩陣作為K-means聚類模型的輸入數(shù)據(jù)，其中每臺風電機組運行狀 況的灰關聯(lián)度變化序列為一個輸入向量： Y=(yi Y2 ··· yr"ym) = ( γti)Nxm; 3.2) 選取h個樣本作為初始聚類點； 3.3) 計算每一個類的重心，作為聚類中心：3.4) 將其他樣本歸入與其距離最小的類； 3.5) 重復步驟3.2 )、3.3 )，直至所有樣本都不能分配為止； 3.6) 計算輪廓值5(1)，具體為：其中：a為樣本i與同簇的其他樣本之間的平均距離;b為一個向量，其元素是樣本i與不 同簇的簇內樣本之間的平均距離； 預定S(i)的閾值，若S(i)不能滿足條件，首先重新選取初始聚類點進行聚類，直至S(i) 滿足條件;若所有的初始聚類點均不能滿足，則重新輸入h值，進行聚類。6. 根據(jù)權利要求1所述的基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法，其特征 在于，步驟4)具體為:將同群內的風電機組等值為一臺風電機組，并采用容量加權法計算等 值風電機組的參數(shù)，建立風電場的動態(tài)等值模型。7. 根據(jù)權利要求2所述的基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法，其特征 在于，步驟1)中，實測運行數(shù)據(jù)通過SCADA系統(tǒng)輸出得到連接量監(jiān)測項目數(shù)據(jù)。8. 根據(jù)權利要求7所述的基于動態(tài)灰關聯(lián)分析法的風電場動態(tài)等值建模方法，其特征 在于，SCADA系統(tǒng)連接量監(jiān)測項目數(shù)據(jù)包括:發(fā)電機驅動端端軸承溫度、齒輪箱輸入軸溫度、 機艙柜溫度、網(wǎng)測A相電壓、發(fā)電機非驅動端端軸承溫度、齒輪箱輸出軸溫度、塔底柜溫度、 網(wǎng)測A相電流、發(fā)電機繞組溫度、齒輪箱油溫、風速、有功功率、發(fā)電機冷卻風溫度、齒輪箱主 軸承溫度、5分鐘內平均風速、電網(wǎng)頻率、發(fā)電機轉速、機艙溫度、環(huán)境溫度的一種或幾種。
【文檔編號】G06F17/50GK105825002SQ201610143279
【公開日】2016年8月3日
【申請日】2016年3月14日
【發(fā)明人】方瑞明, 吳敏玲, 尚榮艷, 彭長青
【申請人】華僑大學