CN105825002B - 一种基于动态灰关联分析法的风电场动态等值建模方法 - Google Patents
一种基于动态灰关联分析法的风电场动态等值建模方法 Download PDFInfo
- Publication number
- CN105825002B CN105825002B CN201610143279.8A CN201610143279A CN105825002B CN 105825002 B CN105825002 B CN 105825002B CN 201610143279 A CN201610143279 A CN 201610143279A CN 105825002 B CN105825002 B CN 105825002B
- Authority
- CN
- China
- Prior art keywords
- wind
- power plant
- dynamic
- wind power
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种基于动态灰关联分析法的风电场动态等值建模方法,在实测运行数据预处理时,采用自相关分析对实测运行数据的任意时刻数据值与历史数据的关联性进行考察,发掘出数据中的隐含规律,选出合理的时间跨度,进而在跨度内根据不同风速等级确定K个时刻的小数据样本作为仿真模型输入,减少了因数据样本的过少或繁杂冗余对仿真模型精度和分析计算时长的影响。另一方面,本发明采用动态灰关联分析法建立关联度矩阵作为聚类指标,将各风电机组运行状况间复杂的关联性和灰色性考虑进机群聚类过程中,使得机群聚类结果更合理,大大提高了风电场动态等值模型的精确性。
Description
技术领域
本发明涉及可再生能源并网技术领域,更具体地说,涉及一种基于动态灰关联分析法的风电场动态等值建模方法。
背景技术
风力发电由于具有装机容量增长空间大,成本下降快,安全、能源永不耗竭等优势,越来越受到世界各国的重视。然而风能具有随机性、间歇性和不稳定性的特点,随着风电机组单机容量和风电场规模的不断扩大,风电并网对电力***稳定性的影响愈发显著。据不完全统计,仅2011年就发生了193起风电机组脱网事故,其中2011年我国发生的一起规模最大的2.24甘肃酒泉大规模风电脱网事故,共造成598台风电机组脱网,损失出力达840.43MW,西北主网频率最低至49.854Hz。
因此,为了准确分析和评价大容量风电场与电力***之间的相互作用和影响,研究并寻求合适的风电场动态等值方法对含风电场的电力***动态稳定仿真分析具有重要意义。
现有技术中,风电场动态等值方法主要分为单机等值法与多机等值法。
其中,单机等值法建模过程简单,通常假设所有风电机组的输入风速相同,将整个风电场等值为一台风电机组便可,但是对于大型的风电场,由于地形地貌以及尾流效应和时滞的影响,风电场内风速分布不均匀,风电机组的风速差异较大,使用单机等值方法通常会存在较大误差。
多机等值中最常用且最简单的方法是依据排列位置对风电场进行分类聚合,往往将同排风机等效为一台风力机,考虑到了不同排间风机运行状况的差异,降低了风电场单机动态等值模型带来的误差,然而实际风电场中,即使同排风机也可能存在较大的风速差异。
现有技术中,相关等值模型对所有数据样本等同处理,输入向量多、数据样本繁杂冗余、不利于分析,这对仿真精度、仿真分析时间都会造成一定的不良影响;另一方面,现有技术的相关等值模型一般以各台风电机组的单独某状态量或者全部的监测项目量作为聚类模型输入进行机组等值划分,对各风电机组运行状况间的关联性及灰色性缺乏考虑,而各台风电机组的运行状态受天气、电网运行情况、温度等多种因素的影响程度是不同的且非确定的,是一个复杂的非线性过程。
因而,上述机组等值划分方法对风电机组间运行状态的相关性考虑的不够全面与明显,会影响聚类结果的合理性且降低仿真精度。因此,如何将各风电机组运行状况间的关联性及灰色性考虑进基于实测运行数据并结合聚类算法的风电场动态等值建模中是需进一步解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于动态灰关联分析法的风电场动态等值建模方法,减少因数据样本过少或繁杂冗余,减少因数据样本的过少或繁杂冗余对仿真模型精度和分析计算时长的影响;采用动态灰关联分析法建立关联度矩阵作为聚类指标,将各风电机组运行状况间复杂的关联性和灰色性考虑进机群聚类过程中,使得机群聚类结果更合理。
本发明的技术方案如下:
一种基于动态灰关联分析法的风电场动态等值建模方法,步骤如下:
步骤1)根据风速等级,确定风电场实际运行数据样本中的小数据样本;
步骤2)建立风电机群运行状态基于动态灰关联分析法的关联度矩阵,并作为聚类指标;
步骤3)使用K-means聚类算法进行机群聚类,得到机群聚类结果;
步骤4)采用机群中的一台风电机组对机群进行等值,建立风电场的动态等值模型。
作为优选,步骤1)中,使用自相关分析对风电场实测运行数据进行预处理,具体为:
1.1)设风电场内有风电机组共n台,选取风电场在时间段T内并网运行的实测运行数据作为数据样本,采样点数为i,采样频率为f;
1.2)将时间段T内的风速实测运行数据作为时间序列,计算该时间序列与其随时间Δt平移后得到的序列的自相关系数ρΔt:
其中,yt为t时刻的风速序列,yt+Δt为t时刻风速序列随时间Δt平移后得到的序列;
1.3)以选定的Δt为时间跨度,截取时间段T内风速在预设风速范围内变化最大的实测运行数据样本,按照预设的风速等级,在截取的以Δt为时间跨度的数据样本内选取K个时刻的小数据样本。
作为优选,步骤1.2)中,在大于Δt时间跨度后,风速序列的自相关系数降到预设系数以下。
作为优选,步骤2)中,建立风电机群运行状态基于动态灰关联分析法的关联度矩阵具体为:
2.1)设风电场包括m台风电机组,采集n个连续量监测项目数据,具体为:
{xij∈(Si,Xj,Tt)}m*n*N;
其中,i=1,2,...,m;j=1,2,...,n;t=1,2,...,N;xij(t)表示第t个时刻第i台风机的第j个连续量监测项目数据;Si表示某时刻风电场内第i台风电机组的运行状况,Xj表示选定的第j个连续量监测项目,Tt表示选定的第t个时刻;N为时刻个数;
2.2)定义A1,A2,...,An为不同时刻风电机组运行状况的连续量监测项目信息矩阵,矩阵内包含的数据为步骤1中选定的小数据样本,具体为:
2.3)计算各个时刻的连续量监测项目时间维度上的最大均值为:
2.4)对步骤1中选定的小数据样本无纲量化处理,具体为:
2.5)某时刻单台风电机组运行状况的比较序列为:
Si(t)={x′ij(t)}m*n*N=[x′i1(t),x′i2(t),...,x′in(t)];
2.6)所有风电机组综合运行状况的动态参考序列为:
2.7)计算表示各个时刻、各个风电机组运行状况的比较序列Si(t)与参考***S0(T)之间的灰色关联度为:
其中,γ0i(j)为灰色关联系数,如下:
其中,两级最小差两级最大差ρ为分辨系数,Δ0i(j)=|xj(T)-x′ij(t)|。
2.8)灰色关联度矩阵为:
其中,i代表第i台风电机组,t代表第t个时间截面,γti代表在t时刻第i台风电机组运行状况与所有风电机组综合运行状况间的灰关联度,yi代表在Δt时间跨度内随风速等级变化的第i台风电机组运行状况的灰关联度变化序列。
作为优选,步骤3)具体为:
3.1)将灰色关联度矩阵作为K-means聚类模型的输入数据,其中每台风电机组运行状况的灰关联度变化序列为一个输入向量:
Y=(y1 y2 ... yi...ym)=(γti)N×m;
3.2)选取h个样本作为初始聚类点;
3.3)计算每一个类的重心,作为聚类中心:
3.4)将其他样本归入与其距离最小的类;
3.5)重复步骤3.2)、3.3),直至所有样本都不能分配为止;
3.6)计算轮廓值S(i),具体为:
其中:a为样本i与同簇的其他样本之间的平均距离;b为一个向量,其元素是样本i与不同簇的簇内样本之间的平均距离;
预定S(i)的阈值,若S(i)不能满足条件,首先重新选取初始聚类点进行聚类,直至S(i)满足条件;若所有的初始聚类点均不能满足,则重新输入h值,进行聚类。
作为优选,步骤4)具体为:将同群内的风电机组等值为一台风电机组,并采用容量加权法计算等值风电机组的参数,建立风电场的动态等值模型。
作为优选,步骤1)中,实测运行数据通过SCADA***输出得到连接量监测项目数据。
作为优选,SCADA***连接量监测项目数据包括:发电机驱动端端轴承温度、齿轮箱输入轴温度、机舱柜温度、网测A相电压、发电机非驱动端端轴承温度、齿轮箱输出轴温度、塔底柜温度、网测A相电流、发电机绕组温度、齿轮箱油温、风速、有功功率、发电机冷却风温度、齿轮箱主轴承温度、5分钟内平均风速、电网频率、发电机转速、机舱温度、环境温度的一种或几种。
本发明的有益效果如下:
本发明所述的基于动态灰关联分析法的风电场动态等值建模方法,在实测运行数据预处理时,采用自相关分析对实测运行数据的任意时刻数据值与历史数据的关联性进行考察,发掘出数据中的隐含规律,选出合理的时间跨度,进而在跨度内根据不同风速等级确定K个时刻的小数据样本作为仿真模型输入,减少了因数据样本的过少或繁杂冗余对仿真模型精度和分析计算时长的影响。
另一方面,本发明采用动态灰关联分析法建立关联度矩阵作为聚类指标,将各风电机组运行状况间复杂的关联性和灰色性考虑进机群聚类过程中,使得机群聚类结果更合理,大大提高了风电场动态等值模型的精确性。
附图说明
图1是基于动态灰关联分析法的风电场动态等值建模方法流程图;
图2是实施例的某实际风电场详细仿真模型;
图3是实施例的IEEE39节点***;
图4是阵风扰动时,风电场采用单机等值模型、本发明基于动态灰关联分析法的风电场动态等值模型和详细模型时有功功率动态响应曲线对比图;
图5是阵风扰动时,风电场采用单机等值模型、本发明基于动态灰关联分析法的风电场动态等值模型和详细模型时无功功率动态响应曲线对比图;
图6是***侧发生三相接地短路故障时,风电场采用单机等值模型、本发明基于动态灰关联分析法的风电场动态等值模型和详细模型时有功功率动态响应曲线对比图;
图7是***侧发生三相接地短路故障时,风电场采用单机等值模型、本发明基于动态灰关联分析法的风电场动态等值模型和详细模型时无功功率动态响应曲线对比图。
具体实施方式
以下结合附图及实施例对本发明进行进一步的详细说明。
本发明为了解决现有技术存在的种种不足,提供一种基于动态灰关联分析法的风电场动态等值建模方法,如图1所示,步骤如下:
步骤1)根据风速等级,确定风电场实际运行数据样本中的小数据样本;
步骤2)建立风电机群运行状态基于动态灰关联分析法的关联度矩阵,并作为聚类指标;
步骤3)使用K-means聚类算法进行机群聚类,得到机群聚类结果;
步骤4)采用机群中的一台风电机组对机群进行等值,建立风电场的动态等值模型。
步骤1)中,使用自相关分析对风电场实测运行数据进行预处理,具体为:
1.1)设风电场内有风电机组共n台,选取风电场在某时间段T内并网运行的实测运行数据作为样本,采样点数为i个,采样频率为1次/分钟。实测运行数据包括19项能综合表现风电场实时运行状况的SCADA***连续量监测项目,如表1所示。
表1:19项能综合表现风电场实时运行状况的SCADA***连续量监测项目
1.2)考虑到风速变化是风机参数变化的根本原因,因此使用风速作为预处理过程实测运行数据分区间的依据。将时间段T内的风速实测运行数据作为时间序列,计算该时间序列与其随时间Δt平移后得到的序列的自相关系数ρΔt:
其中,yt为t时刻的风速序列,yt+Δt为t时刻风速序列随时间Δt平移后得到的序列;
由于一般认为当自相关系数低于0.3时,当前数据与Δt时刻前数据变化的相关性较弱。因此,取某选定的Δt为时间跨度截取数据样本对风电场实测运行数据进行分析。该Δt应满足的条件是:在大于该Δt时间跨度后,风速序列的自相关系数降到0.3以下;
1.3)以选定的Δt为时间跨度,截取时间段T内风速在预设风速范围(3m/s~21m/s)内变化最大的实测运行数据样本,按照预设的风速等级,在截取的以Δt为时间跨度的数据样本内选取K个时刻的小数据样本。本实施例中,风速等级的划分具体为:微风(3.4m/s~5.4m/s)、和风(5.5m/s~7.9m/s)、劲风(8.0m/s~10.7m/s)、强风(10.8m/s~13.8m/s)、疾风(13.9m/s~17.1m/s)和大风(17.2m/s~20.7m/s)。则这K个时刻的小数据样本内每台风电机组的风速数据应至少包括前4个风速等级。
步骤2)中,建立风电机群运行状态基于动态灰关联分析法的关联度矩阵具体为:
2.1)设风电场为一个多***、多指标评价***,即风电场包括m台风电机组,采集n个连续量监测项目数据,具体为:
{xij∈(Si,Xj,Tt)}m*n*N;
其中,i=1,2,...,m;j=1,2,...,n;t=1,2,...,N;xij(t)表示第t个时刻第i台风机的第j个连续量监测项目数据;Si表示某时刻风电场内第i台风电机组的运行状况,Xj表示步骤1)中选定的第j个连续量监测项目,Tt表示步骤1)中选定的第t个时刻;N为时刻个数;
2.2)定义A1,A2,...,An为不同时刻风电机组运行状况的SCADA***连续量监测项目信息矩阵,矩阵内包含的数据为步骤1中选定的小数据样本,具体为:
2.3)计算各个时刻的SCADA***连续量监测项目时间维度上的最大均值为:
2.4)对步骤1中选定的小数据样本无纲量化处理,具体为:
2.5)某时刻单台风电机组运行状况的比较序列为:
Si(t)={x′ij(t)}m*n*N=|x′i1(t),x′i2(t),...,x′in(t)];
2.6)所有风电机组综合运行状况的动态参考序列为:
2.7)计算表示各个时刻、各个风电机组运行状况的比较序列Si(t)与参考***S0(T)之间的灰色关联度为:
其中,γ0i(j)为灰色关联系数,如下:
其中,两级最小差两级最大差ρ为分辨系数,本实施例中,ρ=0.5,Δ0i(j)=|xj(T)-x′ij(t)|。
2.8)灰色关联度矩阵为:
其中,i代表第i台风电机组,t代表第t个时间截面,γti代表在t时刻第i台风电机组运行状况与所有风电机组综合运行状况间的灰关联度,yi代表在Δt时间跨度内随风速等级变化的第i台风电机组运行状况的灰关联度变化序列。
步骤3)具体为:
3.1)选取步骤2中计算出的灰色关联度矩阵作为K-means聚类模型的输入数据,其中每台风电机组运行状况的灰关联度变化序列为一个输入向量:
Y=(y1 y2 ... yi...ym)=(γti)N×m;
3.2)选取h个样本作为初始聚类点;
3.3)计算每一个类的重心,作为聚类中心:
3.4)将其他样本归入与其距离最小的类;
3.5)重复步骤3.2)、3.3),直至所有样本都不能分配为止;
3.6)计算轮廓值S(i),具体为:
其中:a为样本i与同簇的其他样本之间的平均距离;b为一个向量,其元素是样本i与不同簇的簇内样本之间的平均距离;
预定S(i)的阈值,若S(i)不能满足条件,首先重新选取初始聚类点进行聚类,直至S(i)满足条件;若所有的初始聚类点均不能满足,则重新输入h值,进行聚类。
步骤4)具体为:将同群内的风电机组等值为一台风电机组,并采用容量加权法计算等值风电机组的参数,建立风电场的动态等值模型。
以下为实际风电场实际实施为例:
在电力***全数字仿真装置(ADPSS)平台上对本发明基于动态灰关联分析法的风电场动态等值建模方法进行仿真说明。如图2所示,该风电场内共有22台风电机组,机组的类型均为GE1.5MW,风电场总装机容量为33MW。
选取2014年10月1日到2014年10月15日半个月内的选定的19项SDADA***连续量监测项目实测运行数据进行分析。运用该时段的实测运行数据对场内风电机组采用本发明的基于动态灰关联分析法的风电场动态等值建模对该风电场进行建模。分析阵风扰动与***侧发生三相接地短路故障时,单机等值模型、本发明基于动态灰关联分析法的风电场动态等值模型和详细模型的动态响应特性。
阵风扰动:设迎向风电场的阵风4s启动,8s结束,阵风最大值为3m/s,如图4、图5所示。通过对比可发现在风速扰动下,本发明建立的风电场动态等值模型与详细模型的有功功率与无功功率动态响应曲线较接近。
***侧三相接地短路故障:仿真实验中采用IEEE39节点***(如图3所示)作为风电场并网***,风电场介入***的35节点。设IEEE39节点***在t=1.00s时,母线24发生三相接地短路故障,t=1.12s时故障消除。如图6、图7所示,通过对比可发现在***侧发生三相接地短路故障下,本发明建立的风电场动态等值模型与详细模型的有功功率与无功功率动态响应曲线较接近。
风速扰动与***侧三相接地短路故障扰动仿真结果说明,采用本发明的数据预处理方法得到的小数据样本是合理且有效的,能够减少繁杂冗余的数据样本,对建模前后的动态响应特性影响较小。另外,采用本发明提出的动态灰关联分析法进行机群聚类,将风电机组运行状况间复杂的灰色性与关联性全面地考虑进聚类指标中,与单机等值模型对比能够有效的提高风电场动态等值建模的准确性。
上述实施例仅是用来说明本发明,而并非用作对本发明的限定。只要是依据本发明的技术实质,对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。
Claims (7)
1.一种基于动态灰关联分析法的风电场动态等值建模方法,其特征在于,步骤如下:
步骤1)根据风速等级,确定风电场实际运行数据样本中的小数据样本;
步骤2)建立风电机群运行状态基于动态灰关联分析法的关联度矩阵,并作为聚类指标;
步骤3)使用K-means聚类算法进行机群聚类,得到机群聚类结果;
步骤4)采用机群中的一台风电机组对机群进行等值,建立风电场的动态等值模型;
步骤1)中,使用自相关分析对风电场实测运行数据进行预处理,具体为:
1.1)设风电场内有风电机组共n台,选取风电场在时间段T内并网运行的实测运行数据作为数据样本,采样点数为i,采样频率为f;
1.2)将时间段T内的风速实测运行数据作为时间序列,计算该时间序列与其随时间Δt平移后得到的序列的自相关系数ρΔt:
其中,yt为t时刻的风速序列,yt+Δt为t时刻风速序列随时间Δt平移后得到的序列;
1.3)以选定的Δt为时间跨度,截取时间段T内风速在预设风速范围内变化最大的实测运行数据样本,按照预设的风速等级,在截取的以Δt为时间跨度的数据样本内选取K个时刻的小数据样本。
2.根据权利要求1所述的基于动态灰关联分析法的风电场动态等值建模方法,其特征在于,步骤1.2)中,在大于Δt时间跨度后,风速序列的自相关系数降到预设系数以下。
3.根据权利要求1所述的基于动态灰关联分析法的风电场动态等值建模方法,其特征在于,步骤2)中,建立风电机群运行状态基于动态灰关联分析法的关联度矩阵具体为:
2.1)设风电场包括m台风电机组,采集n个连续量监测项目数据,具体为:
{xij∈(Si,Xj,Tt)}m*n*N;
其中,i=1,2,...,m;j=1,2,...,n;t=1,2,...,N;xij(t)表示第t个时刻第i台风机的第j个连续量监测项目数据;Si表示某时刻风电场内第i台风电机组的运行状况,Xj表示选定的第j个连续量监测项目,Tt表示选定的第t个时刻;N为时刻个数;
2.2)定义A1,A2,...,An为不同时刻风电机组运行状况的连续量监测项目信息矩阵,矩阵内包含的数据为步骤1中选定的小数据样本,具体为:
2.3)计算各个时刻的连续量监测项目时间维度上的最大均值为:
2.4)对步骤1中选定的小数据样本无纲量化处理,具体为:
2.5)某时刻单台风电机组运行状况的比较序列为:
Si(t)={x'ij(t)}m*n*N=[x'i1(t),x'i2(t),...,x'in(t)];
2.6)所有风电机组综合运行状况的动态参考序列为:
2.7)计算表示各个时刻、各个风电机组运行状况的比较序列Si(t)与参考***S0(T)之间的灰色关联度为:
其中,γ0i(j)为灰色关联系数,如下:
其中,两级最小差两级最大差ρ为分辨系数,Δ0i(j)=|xj(T)-x'ij(t)|;
2.8)灰色关联度矩阵为:
其中,i代表第i台风电机组,t代表第t个时间截面,γti代表在t时刻第i台风电机组运行状况与所有风电机组综合运行状况间的灰关联度,yi代表在Δt时间跨度内随风速等级变化的第i台风电机组运行状况的灰关联度变化序列。
4.根据权利要求3所述的基于动态灰关联分析法的风电场动态等值建模方法,其特征在于,步骤3)具体为:
3.1)将灰色关联度矩阵作为K-means聚类模型的输入数据,其中每台风电机组运行状况的灰关联度变化序列为一个输入向量:
Y=(y1 y2 ... yi...ym)=(γti)N×m;
3.2)选取h个样本作为初始聚类点;
3.3)计算每一个类的重心,作为聚类中心:
3.4)将其他样本归入与其距离最小的类;
3.5)重复步骤3.2)、3.3),直至所有样本都不能分配为止;
3.6)计算轮廓值S(i),具体为:
其中:a为样本i与同簇的其他样本之间的平均距离;b为一个向量,其元素是样本i与不同簇的簇内样本之间的平均距离;
预定S(i)的阈值,若S(i)不能满足条件,首先重新选取初始聚类点进行聚类,直至S(i)满足条件;若所有的初始聚类点均不能满足,则重新输入h值,进行聚类。
5.根据权利要求1所述的基于动态灰关联分析法的风电场动态等值建模方法,其特征在于,步骤4)具体为:将同群内的风电机组等值为一台风电机组,并采用容量加权法计算等值风电机组的参数,建立风电场的动态等值模型。
6.根据权利要求1所述的基于动态灰关联分析法的风电场动态等值建模方法,其特征在于,步骤1)中,实测运行数据通过SCADA***输出得到连接量监测项目数据。
7.根据权利要求6所述的基于动态灰关联分析法的风电场动态等值建模方法,其特征在于,SCADA***连接量监测项目数据包括:发电机驱动端端轴承温度、齿轮箱输入轴温度、机舱柜温度、网测A相电压、发电机非驱动端端轴承温度、齿轮箱输出轴温度、塔底柜温度、网测A相电流、发电机绕组温度、齿轮箱油温、风速、有功功率、发电机冷却风温度、齿轮箱主轴承温度、5分钟内平均风速、电网频率、发电机转速、机舱温度、环境温度的一种或几种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610143279.8A CN105825002B (zh) | 2016-03-14 | 2016-03-14 | 一种基于动态灰关联分析法的风电场动态等值建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610143279.8A CN105825002B (zh) | 2016-03-14 | 2016-03-14 | 一种基于动态灰关联分析法的风电场动态等值建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105825002A CN105825002A (zh) | 2016-08-03 |
CN105825002B true CN105825002B (zh) | 2018-10-16 |
Family
ID=56987776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610143279.8A Active CN105825002B (zh) | 2016-03-14 | 2016-03-14 | 一种基于动态灰关联分析法的风电场动态等值建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825002B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108071562B (zh) * | 2016-11-17 | 2021-01-15 | 中国电力科学研究院 | 一种基于能量流的风电机组能效状态诊断方法 |
CN106640547B (zh) * | 2016-11-24 | 2020-08-18 | 东北电力大学 | 监测风电机组状态的方法及*** |
CN107180391B (zh) * | 2017-03-31 | 2023-03-24 | 中国电力科学研究院 | 一种风电数据跨度选取方法及装置 |
CN108171425B (zh) * | 2017-12-28 | 2021-05-28 | 国网冀北电力有限公司秦皇岛供电公司 | 电能质量分区方法、装置及存储介质 |
CN108551168A (zh) * | 2018-04-26 | 2018-09-18 | 河海大学 | 基于决策树的模糊c聚类的负荷分类方法 |
CN114334161B (zh) * | 2021-12-30 | 2023-04-07 | 医渡云(北京)技术有限公司 | 模型训练方法、数据处理方法、装置、介质、电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101764413A (zh) * | 2009-11-25 | 2010-06-30 | 中国电力科学研究院 | 一种大规模风电集中接入电网的***仿真方法 |
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
CN103064019A (zh) * | 2013-01-04 | 2013-04-24 | 河海大学常州校区 | 基于灰色关联模糊聚类的高压断路器故障诊断方法 |
CN103887815A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于运行数据的风电场参数辨识及动态等值方法 |
CN103942391A (zh) * | 2014-04-22 | 2014-07-23 | 广东电网公司电网规划研究中心 | 基于实测运行数据的风电场建模方法 |
CN103955521A (zh) * | 2014-05-08 | 2014-07-30 | 华北电力大学 | 一种风电场机群划分方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120310604A1 (en) * | 2011-04-08 | 2012-12-06 | Yuri Bazilevs | Three-dimensional geometric design, analysis, and optimization of shell structures |
-
2016
- 2016-03-14 CN CN201610143279.8A patent/CN105825002B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101764413A (zh) * | 2009-11-25 | 2010-06-30 | 中国电力科学研究院 | 一种大规模风电集中接入电网的***仿真方法 |
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
CN103064019A (zh) * | 2013-01-04 | 2013-04-24 | 河海大学常州校区 | 基于灰色关联模糊聚类的高压断路器故障诊断方法 |
CN103887815A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于运行数据的风电场参数辨识及动态等值方法 |
CN103942391A (zh) * | 2014-04-22 | 2014-07-23 | 广东电网公司电网规划研究中心 | 基于实测运行数据的风电场建模方法 |
CN103955521A (zh) * | 2014-05-08 | 2014-07-30 | 华北电力大学 | 一种风电场机群划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105825002A (zh) | 2016-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825002B (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
CN102663513B (zh) | 利用灰色关联度分析的风电场功率组合预测建模方法 | |
CN109751206B (zh) | 风机叶片结冰故障预测方法、装置及存储介质 | |
CN103887815B (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
CN103020462B (zh) | 计及复杂尾流效应模型的风电场概率输出功率计算方法 | |
CN107909211B (zh) | 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 | |
CN106505631B (zh) | 智能风电风功率预测*** | |
CN104299044A (zh) | 基于聚类分析的风功率短期预测***及预测方法 | |
CN104899665A (zh) | 风电功率短期预测方法 | |
Fang et al. | Application of gray relational analysis to k-means clustering for dynamic equivalent modeling of wind farm | |
CN103138256A (zh) | 一种新能源电力消纳全景分析***及方法 | |
CN104252649A (zh) | 一种计及多风电场相关性的区域风电出力预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN104036073B (zh) | 适于有功功率特性分析的双馈风电场动态等值建模方法 | |
CN104978608A (zh) | 一种风电功率预测装置及预测方法 | |
CN103955521B (zh) | 一种风电场机群划分方法 | |
CN103683274A (zh) | 区域中长期风电发电量概率预测方法 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及*** | |
CN109086527A (zh) | 一种基于风电机组运行状态的实用化等值建模方法 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN103996079A (zh) | 一种基于条件概率的风电功率加权预测方法 | |
Di Piazza et al. | Environmental data processing by clustering methods for energy forecast and planning | |
Han et al. | A study of the reduction of the regional aggregated wind power forecast error by spatial smoothing effects in the Maritimes Canada | |
CN113935247A (zh) | 计及风速随机性与相关性的分区虚拟惯量估计方法 | |
CN104951654A (zh) | 基于控制变量抽样的大规模风电场可靠性评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |