法律状态公告日
法律状态信息
法律状态
2018-03-23
未缴年费专利权终止 IPC(主分类):G06F17/00 授权公告日:20160817 终止日期:20170303 申请日:20140303
专利权的终止
2016-08-17
授权
授权
2014-07-16
实质审查的生效 IPC(主分类):G06Q10/06 申请日:20140303
实质审查的生效
2014-06-18
公开
公开
技术领域
本发明属于电力系统仿真领域,尤其涉及一种基于信息熵的凝聚 型层次聚类算法的风电场机群聚合方法。
背景技术
风力发电作为目前应用最为广泛、技术最为成熟的可再生能源发 电方式,近年来得到了迅猛发展。随着风电并网容量的快速增加,风 电的随机性、波动性对电力系统的安全、稳定、经济运行产生了诸多 不利影响。为准确分析和评价大容量风电场与电力系统之间的相互作 用和影响,研究并寻求合适的风电场等值方法对含风电场的电力系统 仿真分析具有重要意义。
传统的风电场等值方法假设场内所有风电机组输入风速相等或 相差不大,采用单机等值模型,该方法依赖于厂家提供的静态风速- 功率曲线,然而实际运行中的风电机组运行状况并不一定遵从特定运 行环境下测得的静态风速功率特性曲线。另一方面,由于大型风电场 风速分布、地形地貌、机组排列方式等诸多因素的影响,场内各机组 之间的风况及其输出功率都可能存在较大差别,使用单机等值方法通 常会存在较大误差。
近年来,许多学者以风电机组实测运行数据为基础,采用聚类算 法进行风电机组机群划分,进而建立风电场的多机等值模型。有学者 提出采用K-means聚类算法,根据某一分群指标对风电机组进行分 群,建立了风电场的等值模型。K-means聚类算法是一种最基本的聚 类方法,算法简单且能有效处理大数据集,但在该算法中,聚簇的个 数需人为的预先指定,具有一定的盲目性。因此,有学者提出基于谱 聚类算法的风电机组机群划分方法,谱聚类算法作为一类新颖且有效 的聚类算法,与传统的聚类算法相比,能在任意形状的样本空间上聚 类,且收敛于全局最优解。部分谱聚类算法能根据数据的分布情况, 自动确定聚簇的个数,如NJW谱聚类算法、Rcut谱聚类算法、非线 性降维算法和基于距离的启发式方法等。然而,对于大型风电场的机 群划分,若实测数据样本分布较分散,有可能导致自动确定的聚簇个 数较多,等值风电机组的台数过多,将会极大的增加仿真的复杂度, 不适合风电场的实际仿真分析。
发明内容
针对背景技术中提到的现有的谱聚类算法,对于大型风电场的机 群划分导致自动确定的聚簇个数较多、等值风电机组的台数过多和增 加仿真的复杂度的问题,本发明提出了一种基于信息熵的凝聚型层次 聚类算法的风电场机群聚合方法。
一种基于信息熵的凝聚型层次聚类算法的风电场机群聚合方法, 其特征在于,所述方法包括以下步骤:
步骤1:根据风电场的实测运行数据,采用谱聚类算法将风电场 内的风电机组划分为k个风电机群;
步骤2:建立风电机群基于信息熵的相似性矩阵A;
步骤3:基于凝聚型层次聚类算法Cure算法的机群合并;
步骤4:判断步骤3得到的机群数是否为设定的机群划分个数; 如果是,则机群合并结束;否则执行步骤5;
步骤5:在步骤3的基础上,重新计算每一机群的信息熵,重复 执行步骤2~4,再次进行合并;直到将所有的机群合并为设定的机群 划分个数。
所述谱聚类算法包括NJW谱聚类算法、Rcut谱聚类算法、非线 性降维算法和基于距离的启发式方法。
所述步骤2中,建立风电机群基于信息熵的相似性矩阵A的过 程为:
步骤201:在步骤1的划分结果中,记第s个机群为Cs(s=1,2,…,k), 其聚类中心为Bs(s=1,2,…,k);该机群内的风电机组实测运行数据为:
其中,Vi,j代表该机群内第i台风电机组在第j个数据采集时间点 的实测运行数据,b为机群内包含的机组个数,t表示数据采集时间 点数;
步骤202:根据该机群内的风电机组实测运行数据,计算每一风 电机群的信息熵;所述每一风电机群的信息熵的计算公式为:
其中,pi,j表示Vi,j在第j列中出现的概率;
步骤203:根据步骤202得到的每一风电机群的信息熵,建立基 于信息熵的相似性矩阵;
其中,Au,w=Hu+Hw-Hu,w;Hu和Hw分别代表机群Cu和Cw的信息熵 值;Hu,w表示将机群Cu和Cw合并后形成的机群Cu,w的熵值。
所述步骤3中,基于凝聚型层次聚类算法Cure算法的机群合并 的过程为:
步骤301:从信息熵的相似性矩阵A中找到最小元素,令其为Ap,q, 所对应的机群为Cp和Cq,记对应的聚类中心为Bp和Bq;
步骤302:将机群Cp和Cq合并,合并后的机群记为Cp,q,计算Cp,q的聚类中心:
其中,e和f分别为机群Cp和Cq内风电机组的台数;
步骤303:设原来机群Cp和Cq内的样本组分别为和
步骤304:在合并后的机群Cp,q内,用收缩因子λ将和向聚类 中心Bp,q收缩,收缩后原来的样本组和在机群Cp,q内分别记为和其计算方法如下:
所述收缩因子λ的取值范围为0.2~0.7。
本发明提出的基于信息熵的凝聚型层次聚类算法的风电场机群 聚合方法,能有效解决采用某些谱聚类算法自动确定机群个数较多, 不适合电力系统实际仿真分析的问题,且机群聚合前后风电场的动态 响应特性较接近;所采用的风电场机群聚合方法借用信息论中的熵的 定义和性质,对数据库中关系属性之间的规则进行挖掘,引入信息熵 作为合并前后聚类质量的评价指标,并向上层反馈,从而提高聚类效 果;同时采用凝聚型层次聚类算法-Cure算法进行机群聚合,通过代 表点向机群中心点的缩进来减少聚类结果中孤立点的存在,具有很好 的处理噪声数据的能力。
附图说明
图1为本发明提供的基于信息熵的凝聚型层次聚类算法的风电 场机群聚合方法的基本步骤框图;
图2为使用本发明技术方案的某实际风电场平面图;
图3为使用本发明的CIGRE B4-39风电场并网仿真系统;
图4为阵风扰动时风电场采用NJW谱聚类算法建立的多机表征 模型(机群聚合前)和采用本发明提出的机群聚合后的等值模型时有 功出力的对比图;
图5为系统侧短路故障时,风电场采用NJW谱聚类算法建立的 多机表征模型(机群聚合前)和采用本发明提出的机群聚合后的等值 模型时有功功率对比图;
图6为系统侧短路故障时,风电场采用NJW谱聚类算法建立的 多机表征模型(机群聚合前)和采用本发明提出的机群聚合后的等值 模型时无功功率对比图;
图7为系统侧短路故障时,风电场采用NJW谱聚类算法建立的 多机表征模型(机群聚合前)和采用本发明提出的机群聚合后的等值 模型时并网点电压的对比图。
具体实施方式
下面结合附图,对优选实例作详细说明。应该强调的是下述说明 仅仅是示例性的,而不是为了限制本发明的范围及其应用。
图1为本发明提供的基于信息熵的凝聚型层次聚类算法的风电 场机群聚合方法的基本步骤框图。图1中,一种基于信息熵的凝聚型 层次聚类算法的风电场机群聚合方法,其特征主要包括以下步骤:
步骤1:根据风电场的实测运行数据,采用谱聚类算法将风电场 内的风电机组划分为k个风电机群;所述谱聚类算法包括NJW谱聚 类算法、Rcut谱聚类算法、非线性降维算法和基于距离的启发式方法;
步骤2:建立风电机群基于信息熵的相似性矩阵A;具体过程为:
步骤201:在步骤1的划分结果中,记第s个机群为Cs(s=1,2,…,k), 其聚类中心为Bs(s=1,2,…,k);该机群内的风电机组实测运行数据为:
其中,Vi,j代表该机群内第i台风电机组在第j个数据采集时间点 的实测运行数据,b为机群内包含的机组个数,t表示数据采集时间 点;
步骤202:根据该机群内的风电机组实测运行数据,计算每一风 电机群的信息熵;所述每一风电机群的信息熵的计算公式为:
其中,pi,j表示Vi,j在第j列中出现的概率;
步骤203:根据步骤202得到的每一风电机群的信息熵,建立基 于信息熵的相似性矩阵;
其中,Au,w=Hu+Hw-Hu,w;Hu和Hw分别代表机群Cu和Cw的信息熵 值;Hu,w表示将机群Cu和Cw合并后形成的机群Cu,w的熵值;
步骤3:基于凝聚型层次聚类算法Cure算法的机群合并;具体 过程为:
步骤301:从信息熵的相似性矩阵A中找到最小元素,令其为Ap,q, 所对应的机群为Cp和Cq,记对应的聚类中心为Bp和Bq;
步骤302:将机群Cp和Cq合并,合并后的机群记为Cp,q,计算Cp,q的聚类中心:
其中,e和f分别为机群Cp和Cq内风电机组的台数;
步骤303:设原来机群Cp和Cq内的样本组分别为和
步骤304:在合并后的机群Cp,q内,用收缩因子λ将和向聚类 中心Bp,q收缩,收缩后原来的样本组和在机群Cp,q内分别记为和其计算方法如下:
根据Cure算法提出者的研究成果,收缩因子λ的取值在0.2-0.7 之间能取得较好的聚类效果;
步骤4:判断步骤3得到的机群数是否为设定的机群划分个数; 如果是,则机群合并结束;否则执行步骤5;
步骤5:在步骤3的基础上,重新计算每一机群的信息熵,重复 执行步骤2~4,再次进行合并;直到将所有的机群合并为设定的机群 划分个数。
下面通过一个实际风电场来说明本发明提出的风电场机群聚合 方法,图2为该风电场的平面图,场内共有33台风电机组,机组的 类型均为GE1.5MW,风电场总装机容量为49.5MW。选取2010年6 月1日至2010年11月30日半年内的实测风速数据进行分析,采用 NJW谱聚类算法进行机群划分,自动确定的机群个数为8,机群的划 分结果如表1所示。
表1基于NJW谱聚类算法的机群划分结果
采用本发明提出的方法进行机群聚合,并指定等值风电机组的台 数为3,聚合结果如表2所示。
表2机群聚合结果
采用按容量加权法分别计算机群聚合前后各等值机组的参数,分 析阵风扰动和系统侧发生短路故障时,机群聚合前后模型的动态响应 特性。
阵风扰动:设迎向风电场的阵风4s时启动,8s停止,阵风大小 为3m/s,图4为阵风扰动下风电场采用NJW谱聚类算法建立的多机 表征模型(机群聚合前)和采用本发明提出的机群聚合后的等值模型 时有功出力的对比图,其中实线表示机群聚合前风电场等值模型的有 功出力,虚线表示机群聚合后风电场等值模型的有功出力,通过对比 可以看出风速扰动下,机群聚合前后风电场的有功功率响应动态曲线 较接近。
系统侧短路故障:设CIGRE B4-39风电并网系统(如图2所示) 在t=2.0s时,母线3发生三相接地短路故障,t=2.2s时故障消除。 图5、图6、图7分别为系统侧短路故障时,风电场采用NJW谱聚类 算法建立的多机表征模型(机群聚合前)和采用本发明提出的机群聚 合后的等值模型时有功功率、无功功率和并网点电压的对比图,其中 实线表示机群聚合前风电场等值模型的有功出力、无功功率和并网点 电压,虚线表示机群聚合后风电场等值模型的有功出力、无功功率和 并网点电压,通过对比可以发现系统侧短路故障下,机群聚合前后风 电场的有功功率、无功功率、并网点电压响应动态曲线较接近。
风速扰动和系统侧短路故障扰动仿真结果说明采用本文的方法 可以达到机群合并的目的,能够减少风电场等值风电机组的台数,且 对合并前后风电场动态响应特性的影响较小。另外,采用本文提出的 凝聚型层次聚类算法-Cure算法进行机群聚合,通过代表点向机群中 心点的缩进来减少聚类结果中孤立点的存在,具有很好的处理噪声数 据的能力。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范 围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技 术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围 之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
机译: 基于格问题的层次型内产品密码系统,层次型内部产品密码方法,基于格问题的设备
机译: 基于聚类层次和多分辨率相机群的深度图生成
机译: 基于内核模糊C型算法的快速聚类算法与空间约束集成