[发明专利]一种风电场内分群与参数优化方法

说明书

随着“双碳”目标的提出，风电场规模逐渐增大，其动态特性对新型电力系统稳定性的影响较大。为了提升风电场仿真模型的等值精度和多工况广泛适用性，本发明提出一种风电场内分群与参数优化方法。首先，采用XGBoost‑Blending对分群指标进行降维选取；然后，提出基于DBSCAN‑DTW的聚类方法用于机群划分；最后，选取风机主导参数，将等值参数计算问题转化为多目标非线性优化模型，并采用基于改进参考点的多目标均衡优化算法MEOA进行求解。基于matlab/simulink搭建仿真模型，验证了使用本发明方法进行分群后等值模型的精确度和多工况广泛适用性。

技术领域

本专利涉及建立风电场的动态仿真模型问题，提出一种风电场内分群与参数优化方法。

背景技术

随着“双碳”目标的提出，风电场规模逐渐增大，其动态特性对新型电力系统稳定性的影响极大，需要构建准确反映风电场动态特性的仿真模型。本发明提出了一种风电场内分群与参数优化方法。K-means聚类易受噪声数据影响，而且在风电场中风机所受风速不同会导致动态响应时间不同，DBSCAN算法基于密度的聚类可以消除噪声影响，DTW算法以归整路径间的欧式距离作为风机间的相似度指标，两种算法相结合有利于解决这一问题。

发明内容

本发明公开了一种风电场内分群与参数优化方法。

该方法包括步骤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。

可选的，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。