[发明专利]基于分裂层次半监督谱聚类算法的风电场动态等值方法

说明书

技术领域

本发明属于风力发电领域，尤其涉及一种基于分裂层次半监督谱聚类算法的风电场动态等值方法。

背景技术

随着能源和环境问题的日益严重，风力发电越来越受到世界各国的重视。由于风能具有随机性、间歇性、不稳定性的特点，随着风电机组单机容量的增加和风电场规模的不断扩大，风电并网对电力系统稳定性的影响愈加显著。为准确分析和评价大容量风电场和电力系统之间的相互作用和影响，研究并寻求工程实用、精确度较高的风电场动态模型具有重要应用价值和学术意义。

传统风电场动态等值建模方法是将整个风电场等值为一台风电机组，然而由于风电场地形复杂、机组排列不规则等因素的影响，风电场内风电机组的风速差异较大，使用单机表征法通常会产生较大误差。另外也有采用K-means聚类算法对风电机组进行机群划分，建立风电场动态等值的多机表征模型，但是K-means聚类算法只能识别凸球形分布的数据，当样本空间不为凸时，算法可能会陷入局部最优。也有学者提出基于谱聚类算法建立风电场动态等值的多机表征模型，谱聚类算法虽然能在任意形状的样本空间上聚类且收敛于全局最优解，但是目前相关学者提出的基于谱聚类算法建立风电场动态等值模型采用的是无监督谱聚类算法，仅利用样本层面的信息来进行聚类，当所定义的聚类目标函数不适合数据本身时，该方法不能达到较好的机群划分效果。

发明内容

针对背景技术中提到的目前所采用的风电场动态等值建模方法误差较大，达不到较好的机群划分效果的问题，本发明提出了一种基于分裂层次半监督谱聚类算法的风电场动态等值方法。

一种基于分裂层次半监督谱聚类算法的风电场动态等值方法，其特征在于，所述方法包括步骤：

步骤1：根据风电场内所有风电机组的实测风速数据，构建拉普拉斯矩阵；

步骤2：对步骤1得到的拉普拉斯矩阵进行谱特征分析，构造特征向量空间；

步骤3：对步骤2得到的特征向量空间的样本组进行基于分裂层次的半监督聚类划分，进而得到机群划分结果；

步骤4：对同一机群内风电机组的参数采用容量加权法进行等值，建立风电场动态等值的多机表征模型。

步骤1中，根据风电场内所有风电机组的实测风速数据，构建拉普拉斯矩阵的过程为：

步骤101：设风电场中风电机组共有n+m台，若某个时段内有n台风电机组并网运行，m台风电机组与电网脱离，则将m台离网的风电机组剔除，选取风电场在该时段内并网运行的风电机组的实测风速数据作为样本，在该时段内风速的采样点个数为t，将n台风电机组的风速数据建立实测风速样本矩阵V：

其中，v_i,j表示第i台风电机组在第j个时刻测得的风速；V_i为第i台风电机组的实测风速样本组；矩阵V中样本组数量与风电机组台数相等为n，维数与采样点数相等为t；

步骤102：由实测风速样本矩阵V构建n台风电机组两两之间的欧式距离矩阵H：