[发明专利]基于模糊c均值聚类算法的风场等值建模及优化控制方法

说明书

本发明公开了一种基于模糊c均值聚类算法的风场等值建模及优化控制方法，包括：确定聚类算法中类的个数c；选取风电机组的输出功率平均值、输出功率标准差、惯性时间常数、经度、纬度和高度作为聚类算法中的聚类要素进行分析；对上述参数进行预处理，得到风电机组的特征矩阵；确定聚类距离和目标函数；对风场进行模糊c均值聚类算法，得到风场等值模型；对风场等值模型中的虚拟风机进行参数聚合；对虚拟风机的输出功率进行优化；每隔预设时间，重复上述步骤，更新参数，并根据更新的参数对虚拟风机的输出功率进行优化。本发明在简化风场模型的同时能够准确反映风场的实际运行状态，且计算过程相对简单易于实现。

技术领域

本发明涉及风力发电技术领域，尤其涉及一种基于模糊c均值聚类算法的风场等值建模及优化控制方法。

背景技术

随着能源市场的不断的发展，越来越多的新能源得到重视，风能作为一种清洁高效的新能源，其相关技术也在不断发展。风力发电技术的发展带来的一个特点就是不断增大的并网风电场规模。在对风场进行建模过程中，一般情况下由于风场规模较大，如果对每一台机组进行建模，不仅会增大模型的规模，还会增加计算及分析与仿真的复杂度，十分繁琐。因此，为了减少计算量及仿真时间，需要采用等值建模的方法描述风电场。

目前，风电场的动态等值一般分为单机等值法与多机等值法，单机等值法即容量加权法，该方法以一台风力发电机来等效风电场所有的机组，此方法易于实现，在研究含风电场问题时较为常用。实际中，受地形、尾流效应等因素的影响，风电机组风速各不相同。当风电机组运行状态相差很远时，单机等值模型无法准确反映实际风电场的运行状态。

多机等值法是将整个风电场用数量较少的几台机组来等效，首先选取表征机组运行状态的分群指标，再对所有机组进行聚类分群，将同群的机组等值为一台机组，从而整个风电场等值为数量较少的多机模型。

目前划分机群的方法主要有：以机组的输入风速、型号或者电气距离为标准分群。对于矩形布置的风电场，以发电机组的排列分布进行划分，将同排或列的机组等值为一台机组，但是即使是同排发电机组也可能运行状态存在较大的差异；以DFIG(Double-FedInduction Generator，双馈异步风力发电机)的桨距角动作情况和发电机暂态电压特性作为机组分群原则进行风电机组分群，但分群考虑的因素较为单一，很难反映多因素影响的分群效果；而已有的层次聚类法，需要先得到聚类树，通过对聚类树的“剪裁”获得分群结果，当风机数量较大时，图谱不易观察导致这种“剪裁”耗时；此外还有k-means聚类算法，但存在优化计算过程非常复杂的缺陷。

发明内容

为了解决现有技术中存在的上述问题，本发明提出一种基于模糊c均值聚类算法的风场等值建模及优化控制方法，以解决现有的风电场等值聚类算法中，单机等值法在大型的风电场研究中无法准确反映风电场的实际运行状态，而多机等值法考虑的分群指标较为单一或是计算过于复杂不易实现的技术问题。

为达到上述目的，本发明采用如下技术方案：

一种基于模糊c均值聚类算法的风场等值建模及优化控制方法，包括以下步骤：

步骤1、根据风场中风电机组的分布情况确定聚类算法中类的个数c；

步骤2、选取风电机组的输出功率平均值、输出功率标准差、惯性时间常数、经度、纬度和高度六个特征值作为聚类算法中的聚类要素进行分析；

步骤3、对风电机组的输出功率平均值、输出功率标准差、惯性时间常数、经度、纬度和高度进行预处理，得到风电机组的特征矩阵；

步骤4、确定聚类距离和目标函数；

步骤5、对风场进行模糊c均值聚类算法，得到风场等值模型；

步骤6、对风场等值模型中的虚拟风机进行参数聚合；

步骤7、对虚拟风机的输出功率进行优化；