[发明专利]一种风电场内分群与参数优化方法

权利要求书

1.一种风电场内分群与参数优化方法，其特征在于，包含以下步骤：

步骤1：采用XGBoost-Blending对分群指标进行降维选取；

步骤2：基于DBSCAN-DTW的聚类方法用于机群划分；

步骤3：将等值参数计算问题转化为多目标非线性优化模型，并采用多目标均衡优化算法MEOA进行求解；

步骤4：基于matlab/simulink搭建仿真模型，验证了使用本文方法进行分群后等值模型的精确度和多工况广泛适用性。

2.根据权利要求1所述的采用Blending融合XGBoost进行分群指标降维，其特征在于，所述步骤1：采用XGBoost-Blending对分群指标进行降维选取，具体包括：

XGBoost的指标选取结果可解释，能够清晰地看出不同特征对结果的影响。XGBoost是一种基于分类和回归树(Classification And Regression Tree，CART)模型的集成算法。目标函数表示为：

其中，L是训练误差，即关于预测值和真实值的损失函数，表示该模型对于训练集的匹配程度；y_i为真实值；Ω(f_t)为采用L2范数定义的正则项，表示模型的复杂度，模型越复杂，正则项值越大；c为常数项。

其损失函数为：

为了避免过拟合和维度灾难，需要对特征进行降维选取。风力发电机特征提取的步骤如下：

1)输入风力发电机样本x，损失函数L。

2)利用贪婪算法构建树，学习新的函数，拟合上一次预测的残差。

3)对L进行迭代训练，使得误差越小越好。

4)采用L2范数定义正则项，计算复杂度，将树分成结构s和权重m两部分。

5)节点迭代后，得到节点分割前的损失与节点分割后的损失之差(即节点分裂的增益)的最优值，可用来计算特征的平均增益，来表征此特征的重要程度，然后选择较重要的特征，实现降维：

式中，代表左子树分数，代表右子树分数，代表不分割情况下得到的分数，μ代表新节点的复杂度。

6)重复上述步骤，直到生成足够多的树，使得预测值最接近真实值，算法结束。

Blending模型融合可克服数据穿越，Blending模型与XGBoost元模型相融合既强化学习效果，又不至于造成整体模型的过度冗余，因此本发明采用Blending融合XGBoost进行分群指标降维。对于每个特征在进行分裂时，都记录下来G值，并最终用特征的全部G值和除以特征被用于分裂节点的次数，得到特征的贡献程度的量化分数。按照贡献度从低到高的顺序逐一删除特征并重新聚类，遍历后得到轮廓值最高的聚类情况对应的指标选取方案。

3.根据权利要求1所述的采用DTW优化DBSCAN划分机群，其特征在于，所述步骤2：提出基于DBSCAN-DTW的聚类方法用于机群划分，具体包括：

在DBSCAN内部采用DTW来计算时间序列数据的相似度，通过对序列的延展和收缩，使得不同序列上的点与点对齐，从而计算出两条不同长度序列上点与点之间的累计最小距离，如式(4)所示。

设序列规整路径为R，k表示路径的长度，则规整路径为R＝(r₁,r₂,…r_k)，规整路径距离函数为定义的规整路径需满足一定的约束条件：1)边界性：两条序列P和Q的起点和终点必须相对应，即R₁＝(1,1)，R_k＝(m,n)。2)单调性：序列P和Q上的点必须是单调的，使得两个序列不会相交。3)连续性：序列上的点只能和相邻的点匹配，不可以跨越式匹配，即0≤i-i′≤1。

通过DTW得到的是多维时间序列之间的相似度，需要将其代入到DBSCAN聚类算法中进行聚类分群。DBSCAN算法中聚类半径Epsilon和一个类别中样本数量的最小值MinPts两个参数设定后，可以任意选取样本中的一个点作为核心点，找到所有满足密度可达这一条件的样本作为一个类别，保证类别中所有的点都在Epsilon邻域内，设样本集合为E，任取点m，如式(5)所示。

Epsilon(m,M)＝{m∈E|d(m,M)≤Epsilon} (5)