基于改进分裂 H-K 聚类方法的风电场机群划分方法

摘要

一种基于改进分裂H‑K聚类方法的风电场机群划分方法，包括：采用分裂层次聚类算法，将风机的参数划分成k个簇，其中k是风电场划分数目；在所有簇中寻找具有最大直径的簇C；找出簇C中与其它点平均相异度最大的一个点p，并将其放入一个新的簇中；在簇C中寻找目标点，该目标点到新的簇中的点的距离不大于到簇C中最近的点，并将目标点放入新的簇中；计算不同k值时的轮廓系数，根据轮廓系数确定最优聚类数；在最优聚类数的状态下，计算出聚类中心来代替k均值聚类算法中的随机聚类中心以进行聚类；计算簇C中的剩余点到各个聚类中心的距离并将各个剩余点分配进入最近的类别中，分配完成后计算新的聚类中心；然后以聚类结果为准建立新的风电场模型进行仿真模拟。

说明书

技术领域

本发明涉及风力发电系统领域，更具体地说，本发明涉及一种基于改进分裂H-K(Hierarchical K-means)聚类方法的风电场机群划分方法，其可应用于建立大型风电场等值模型，运用轮廓系数并加以合适的准则解决机群划分数目问题，利用本发明提出的聚类方法完成风电场聚类，最终建立等值模型。

背景技术

随着风电技术的不断发展和发电成本的不断降低，风力发电技术受到的关注程度越来越高，但相对于传统能源来说，风电可以说是“劣质电源”因为风电是具有间歇性和随机波动性的特殊电源，因此其输出功率也具有很强的不确定性。当大规模的风电场并网运行后会对电网的稳定性和电能质量带来巨大的影响。目前在分析大规模风电场并网后产生的影响，首先需要解决的问题是大规模风电场建模。早期研究人员是对风电场中的每台风机进行详细建模，但是这种方法随着风电场规模的不断扩大，逐渐开始变得越来越困难，因此研究建立一个相对简单并能够刻画风电场的模型变得很重要，即建立风电场对电网的外特性模型。目前对于风电场动态模型主要使用简化的等值模型主要有两种方式即单机等值模型和多机等值模型。相对来说多机等值模型的准确度更高。

但就目前来说，等值模型的建立都存在相应的问题，对于机群划分数目没有明确的标准，采用的都是经验方法居多。因此，需要提供一种符合实际的需求的划分方式和简明的划分指标，确保建立模型的准确性。

发明内容

本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种基于聚类算法的大规模风电场建模，通过轮廓系数确定最优的聚类数目，并详细分析风机运行机理选择合适的聚类指标，在保证模型精确的同时降低多机模型复杂程度。就目前来说关于轮廓系数在风电场等值建模方面没有详细的描述，在相关方面没有深入探究。

为了实现上述技术目的，根据本发明，提供了一种基于改进分裂H-K聚类方法的风电场机群划分方法，包括：

第一步骤：采用分裂层次聚类算法，将风机的参数划分成k个簇，其中k是风电场划分数目；

第二步骤：在所有簇中寻找具有最大直径的簇C用于数据的分裂；

第三步骤：找出簇C中与其它点平均相异度最大的一个点p，并将其放入一个新的簇中；

第四步骤：在簇C中寻找目标点，该目标点到新的簇中的点的距离不大于到簇C中最近的点，并将目标点放入新的簇中；

第五步骤：计算不同k值时的轮廓系数，根据轮廓系数确定最优聚类数；

第六步骤：在最优聚类数的状态下，计算出聚类中心来代替k-means聚类(k均值聚类)算法中的随机聚类中心以进行聚类；

第七步骤：计算簇C中的剩余点到各个聚类中心的距离并将各个剩余点分配进入最近的类别中，分配完成后计算新的聚类中心；

第八步骤：然后以聚类结果为准建立新的风电场模型进行仿真模拟。

优选地，第五步骤中轮廓系数的计算公式为：

$S\left(i\right)=\frac{m_i-n_i}{max(m_i,n_i)}$

其中n_i是簇中的元素x_i到本簇中其它元素之间的平均距离，m_i是簇中的元素x_i到其它簇中元素平均距离的最小值。

优选地，S(i)的值域在[-1,1]之间。

优选地，k为不小于2的整数。

优选地，在所有簇中，簇C中存在欧式距离最大的两个点。

优选地，在簇C中没有分配到新的簇中的目标点时结束第四步骤并执行第五步骤。

根据本发明的基于改进分裂H-K聚类方法的风电场机群划分方法能够适合大规模风电场等值模型，其基于H-K聚类算法的风电场建模，是将k-means聚类方法和层次聚类方法在数据处理上的优缺点结合在一起，先使用层次聚类算法获取初始信息，然后使用k-means聚类算法进一步完善聚类过程。在本发明中将H-K聚类方法和使用轮廓系数优化聚类数目这两者结合到一起，明确划分机群的数目这样可以使建立的风电场模型更加符合实际情况。

本发明基于H-K聚类算法的风电场建模，给予机群划分确立一个明确的标准，以此为基础界定大规模风电场进行多机等值建模时所需要的等值机型的数目，再次之后选择合适的聚类指标，运用H-K聚类算法进行风电场聚类建模。确保建模的高效和准确。

附图说明

结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：

图1示意性地示出了根据本发明优选实施例的基于改进分裂H-K聚类方法的风电场机群划分方法的流程图。

图2示意性地示出了根据本发明优选实施例的按照变量聚类的轮廓值。

需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。

具体实施方式

为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内容进行详细描述。

对整体方法进行详细描述，首先在MATLAB中搭建仿真模型，建立一个风电场的详细模型。在不同风速状况下进行风场的仿真模拟，并保存风电场相关的输出曲线，在深入分析风机的运行机理后选择合适的指标作为初始数据输入算法中进行详尽的计算，附图1为本发明中算法部分的流程图，算法按照如下步骤进行处理：

第一步骤S1：采用分裂层次聚类算法，将风机的参数划分成k个簇，其中k是风电场划分数目。其中为了贴合实际并减少运算量，k值可以从2开始选择根据风场规模设置上限；即，k为不小于2的整数。

第二步骤S2：在所有簇中寻找具有最大直径的簇C(即，在所有簇中，簇C中存在欧式距离最大的两个点)用于数据的分裂。

第三步骤S3：找出簇C中与其它点平均相异度最大的一个点p，并将其放入一个新的簇中。

第四步骤S4：在簇C中寻找目标点，该目标点到新的簇中的点的距离不大于到簇C中最近的点，并将目标点放入新的簇中。在簇C中没有分配到新的簇中的目标点时结束第四步骤S4并执行第五步骤S5。

第五步骤S5：计算不同k值时的轮廓系数，根据轮廓系数确定最优聚类数，其中轮廓系数的计算公式为：

$S\left(i\right)=\frac{m_i-n_i}{max(m_i,n_i)}$

其中n_i是簇中的元素x_i到本簇中其它元素之间的平均距离，m_i是簇中的元素x_i到其它簇中元素平均距离的最小值，而且S(i)的值域在[-1,1]之间；

轮廓系数越接近于1说明该元素在一个紧密独立的集体中；越接近于-1则说明元素不属于该簇；若轮廓系数为0则表明样本集中不存在自然簇结构，而是均匀分布的结构。

例如，在不同k值状态下，计算各台风机参数相对于本簇中心的轮廓值，并且可以建立一个轮廓值曲线图，以轮廓值之和最大并且相对曲线均比较倾向1的k值为最优聚类数。

第六步骤S6：在最优聚类数的状态下，即确定的最优的风电场划分数目下，计算出聚类中心来代替k-means聚类算法中的随机聚类中心以进行聚类。

第七步骤S7：计算簇C中的剩余点到各个聚类中心的距离并将各个剩余点分配进入最近的类别中，分配完成后计算新的聚类中心。优选地，若第七步骤S7计算的聚类中心的发生变化则重新计算聚类中心再次进行剩余点分配直至收敛。

第八步骤S8：然后以聚类结果为准建立新的风电场模型进行仿真模拟，并且优选地还可以与之前的所保存的详细模型的输出曲线进行对比分析。

下面结合具体事例，对本发明做进一步描述，以24台风机构成一个风电场进行分析，风机初始数据设定见表1(数据均为标幺值)，定风速是指在12m/s是风机输出功率，在两种风速模式运行，第一种为基本风和渐进风的叠加；第二种为波动风速以恒定风速和高斯白噪声信号合成。选择聚类指标进行聚类，在不同聚类数下的轮廓值如图2所示。

表1风机初始参数

根据图2所示的计算结果显示，聚成3类时结果最优，然后设定等值风机模型共有为3机等值模型，等值模型参数计算依照等值模式进行。

需要说明的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。

可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。