一种基于主成分分析的风电场标杆风机选择方法

摘要

本发明公开了一种基于主成分分析的风电场标杆风机选择方法，包括获取风电场内每台风机的历史出力曲线；基于风电场内每台风机的历史出力，建立风机出力矩阵

说明书

技术领域

本发明涉及风力发电技术领域，具体地，涉及一种基于主成分分析的风电场标杆风机选择方法。

背景技术

为统计风电场的理论出力，一般需要风电场选择标杆风机，在限出力的情况下，应尽量保证标杆风机不限出力，因此便出现了如何进行风电场的标杆风机选择这一全新问题。标杆风机的选择要具有代表性，能表征风电场的整体运行状况，客观反映该风电场的年理论发电量等情况。

目前，由于我国千万千瓦级风电基地尚在建设阶段，因此尚未形成完整有效的风电场标杆风机选择标准。

在实现本发明的过程中，发明人发现目前没有出现风电场标杆风机选择方法的相关研究或技术。

发明内容

本发明的目的在于，针对上述问题，提出一种基于主成分分析的风电场标杆风机选择方法，以实现选择效率高和选择效果好的优点。

为实现上述目的，本发明采用的技术方案是：一种基于主成分分析的风电场标杆风机选择方法，包括：

a、获取风电场内每台风电风机的历史出力曲线；

b、基于风电场内每台风电风机的历史出力曲线，建立风机出力矩阵                                                ：

                                            （1）；

m为风电场内风机台数，n为每台风机的功率样本数，表示第i台风机、第j个时刻点的实际出力；

c、对风机出力矩阵进行矩平化处理，对矩平化处理后的矩阵进行主成分分析；

d、将具有类别区分度的主成分作为标杆风机选择的依据，进行标杆风机选择。

进一步地，所述步骤c具体包括：

c1、数据预处理，即将矩阵减去均值矩阵处理成矩平矩阵：

，

其中，；

c2、基于上述数据预处理结果，进行协方差计算，得到实对称矩阵：

，为的转秩；

c3、求实对称阵的特征向量和特征值，满足，其中

（）           （3），

矩阵是正交矩阵，矩阵的第列元素就是特征值对应的特征向量；

c4、根据上述实对称阵的特征向量和特征值，得到每个特征向量的方差贡献率和前几个特征向量的累计方差贡献率，得到描述风机功率的主成分。

进一步地，在步骤c4中，所述计算风电场的主成分的操作，具体包括：

取累计方差贡献率达85-95%的前p个较大的特征值所对应的第一、第二、…、第个特征向量为主成分；

每个特征向量的方差贡献率的定义为：

                                                   （4）；

前p个特征向量的累计方差贡献率的定义为：

                                                     （5）。

进一步地，所述步骤d具体包括：

按特征值由大到小，依次选择具有类别区分度的主成分，在具有类别区分度的主成分的每个类别中，选择相应的风机作为标杆风机。

进一步地，所述按特征值由大到小，依次选择具有类别区分度的主成分，在具有类别区分度的主成分的每个类别中，选择相应的风机作为标杆风机的操作，具体包括：

按特征值由大到小，依次检查每个主成分的类别区分度；

如果某一主成分的各分量呈现出良好的类别区分度，则应在每个类别内选择1-2台风机作为该风电场的标杆风机；

参见图2，对于包能量次多的第二个主成分，各风机表现出不同的数值，应按二个分量划分标杆风机，对于主成分分量大于零、小于零和接近零的风机均应选择1-2台作为标杆风机。

本发明各实施例的基于主成分分析的风电场标杆风机选择方法，由于包括获取风电场内每台风机的历史出力曲线；基于风电场内每台风机的历史出力，建立风机出力矩阵；对风机出力矩阵预处理后，对其进行主成分分析；将具有类别区分度的主成分作为标杆风机选择的依据，进行标杆风机选择；通过对千万千瓦级风电基地中风电场各风机的运行功率数据进行降维度分析，可以得到最具代表性的标杆风机；从而可以克服现有技术中选择效率低和选择效果差的缺陷，以实现选择效率高和选择效果好的优点。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明基于主成分分析的风电场标杆风机选择方法的流程示意图；

图2为本发明基于主成分分析的风电场标杆风机选择方法中前三个特征向量的EOF分解结果示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

针对现有技术中存在的问题，根据本发明实施例，如图1和图2所示，提出了一种基于主成分分析（PCA，或称经验正交分解，即EOF）的风电场标杆风机选择方法，通过对千万千瓦级风电基地中风电场各风机的运行功率数据进行降维度分析，可以得到最具代表性的标杆风机。

参见图1，本实施例的基于主成分分析的风电场标杆风机选择方法，具体包括以下步骤：

步骤1：获得风电场内每台风电风机的历史出力曲线，建议每5分钟一个时间点，时间长度超过6个月。

步骤2：设风电场内有m台风机，每台风机有n个功率样本，则可以构成m行n列的风机出力矩阵：

                                           （1）；

表示第i台风机，第j个时刻点的实际出力。

步骤3：数据预处理，即将矩阵减去均值矩阵处理成矩平矩阵：

 ；

其中：

。

步骤4：计算协方差矩阵：

；

（为的转秩）由矩阵理论可知为实对称矩阵。

步骤5：求实对称阵的特征向量和特征值，满足，其中

（）           （3）；

矩阵是正交矩阵，矩阵的第列元素就是特征值对应的特征向量。

步骤6：根据上述实对称阵的特征向量和特征值，得到每个特征向量的方差贡献率和前几个特征向量的累计方差贡献率，得到描述风机功率的主成分；

步骤7：计算描述风机功率的主成分：按特征值由大到小将特征向量进行排序，累计方差贡献率大于95%的前n个特征向量为主成分；

一般取累计方差贡献率达85-95%的前p个较大的特征值所对应的第一、第二、…、第个特征向量为主成分。

每个特征向量的方差贡献率的定义为：

                                                   （4）；

前p个特征向量的累计方差贡献率的定义为：

                                                     （5）。

步骤8：按特征值由大到小，依次选择具有类别区分度的主成分，在具有类别区分度的主成分的每个类别中，选择相应的风机作为标杆风机。

在步骤8中，需要按特征值由大到小，依次检查每个主成分的类别区分度。具体包括以下两个方面：

一方面，前几项特征向量（即主成分）最大限度的表征了风电场风机出力的分布情况，如特征向量的各分量均为同一符号，那么这一特征向量所反映的是该风电场各风机出力变化基本一致；如果某一主成分的各分量呈现出良好的类别区分度，则这一特征向量代表风电场各风电风机在该投影空间中表现出不同的特性，因此为保证标杆风机的代表性，应在每个类别内选择1-2台风机作为该风电场的标杆风机。

另一方面，将由大到小排序后的前3个特征向量提取出来绘制成图2。不难发现，在包含能量最多的第一个特征向量上，各风机对应的数值基本一致，因此，表征在该投影方向上，风电场各风机出力变化基本一致。对于包能量次多的第二个主成分，各风机表现出不同的数值，因此，应按二个分量划分标杆风机，对于主成分分量大于零、小于零和接近零的风机均应选择1-2台作为标杆风机。

本发明上述各实施例的基于主成分分析的风电场标杆风机选择方法，将对日后风电场选择标杆风机起到指导作用。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。