基于SOM网络的储能应用风电场滑动窗聚类方法

技术领域

本发明涉及风电储能技术领域，具体涉及一种基于SOM网络的储能应用风电场滑动窗聚类方法。

背景技术

随着风电比例不断提高、风电场规模不断扩大，大规模风电集中并网后对于局部电网暂态特性影响增加，其主要体现在：1、风电机组含有电子逆变器，具有低惯性、非线性等特征；2、风电具有不可控性，其功率波动将引起局部电网频率跃变；3、风电机组，特别是双馈风机，对于电压敏感，当电网遭受故障导致电网电压异常时，风电机组需要通过一系列控制策略切换来确保故障穿越能力。因此，风电渗透率的提高，会降低电网系统暂态稳定性，需要对电网的暂态模型进行更加详细的仿真。

传统的机电暂态模型无法准确模拟风机中的电力电子设备特性，需要建立更为详细的风机电磁暂态仿真模型。而风机的电磁暂态模型复杂、仿真运算量大，且风电场通常包含上百台风电机组，现有硬件设备无法支撑如此大规模的电磁暂态仿真。因此需要进一步建立风电电磁等值模型。然而，目前关于风电场等值模型的技术，具有如下局限性：

其一是采用风速、有功功率等单一指标作为分群依据，建立多机等值模型。这种建模方式简单、有效；但无法全面反应风机的无功、电压、故障等多个方面的特征，且分群精度低，等值误差大。

其二是采用多种能够反应风机状态的包括机械参数、电气参数的变量作为分群依据，计算不同风机状态变量综合距离，并分群。这种方法可完整反应风机特征，但仅考虑了某一时间点的风机状态，其分群结果随着时间改变将出现较为频繁的变化。当面临风机控制策略切换时，无法准确表征风机暂态过程特征。

其三是选定部分关键参数的动态轨迹，形成多个参数的时间序列，并计算其特征距离，通过人为给定分群判据距离将风机分群。这种方法可在一定时间长度上获得稳定的分群结果，能够提高部分工况下的等值精度（该工况取决于预先选定的关键参数）。然而，风机具有多种运行工况，例如撬棒投入/未投入的高/低电压穿越、卸荷电路投入/未投入的高/低电压穿越、去磁控制/无功功率控制下的高/低电压穿越、虚拟同步控制下的频率响应等。当控制策略切换时，人为给定分群判据将不再适用，即使利用k-means聚类方法，也需要不断调整聚类中心，并且不同控制策略下其对应的关键参数可能会变化，因此也不适用风机的多种工况。

综上，因风机在不同工况下风机具有不同控制策略，因此对于风电场等值模型而言，其表征风机状态的关键参数也将发生变化。并且，多个参数间存在高阶非线性耦合关系，进一步增加了分类的难度。即目前的风电场等值模型因风电场在多种复杂工况下执行不同控制策略而导致的分类结果存在不准确的问题。

发明内容

本发明的主要目的是提供一种基于SOM网络的储能应用风电场滑动窗聚类方法，旨在解决目前的风电场等值模型因风电场在多种复杂工况下执行不同控制策略而导致的分类结果存在不准确的问题。

本发明提出的技术方案为：

一种基于SOM网络的储能应用风电场滑动窗聚类方法，包括：

获取表征风机状态信息的参数时间序列，以形成二维矩阵形式的特征数据；

对所述特征数据进行非线性降维；

将降维后的特征数据采用SOM网络进行分类训练，当达到SOM网络的最大迭代次数时，输出最终的优胜神经元坐标，并保存分类结果；

将时间窗口移动预设时长后，再次执行所述获取表征风机状态信息的参数时间序列，以形成二维矩阵形式的特征数据，及之后的步骤。

优选的，所述特征数据包括有功功率、无功功率、电压幅值、电压相角、转子电流、直流侧电压和桨距角。

优选的，二维矩阵形式的特征数据为二维

优选的，所述对所述特征数据进行非线性降维，包括：

将特征数据

获取非线性映射函数

获取核矩阵的第

采用主成分分析法对核矩阵进行主成分特征提取，以将核矩阵最大的特征值所对应的特征向量作为非线性降维后的特征数据。

优选的，所述非线性映射函数

，

式中，exp()为指数函数，代表自然数e的幂次方；

优选的，所述获取核矩阵的第

将映射后的高维空间新样本写作Z，则得到核矩阵的其第

，

式中，

优选的，所述将降维后的特征数据采用SOM网络进行分类训练，当达到最大迭代次数时，输出最终的优胜神经元坐标，并保存分类结果，包括：

将权重系数标幺化，以得到权重系数矩阵，并将权重系数矩阵初始化：

将SOM网络、高斯草帽函数的优胜邻域和学习率初始化；

计算优胜神经元；

更新邻域中神经元的权重系数；

调整学习率和高斯草帽函数的优胜邻域；

判断是否达到SOM网络的最大迭代次数；

若是，输出最终的优胜神经元坐标，并保存分类结果；

若否，再次执行计算优胜神经元，及之后的步骤。

优选的，所述权重系数矩阵为：

，

式中，

优选的，所述计算优胜神经元，包括：

通过欧氏距离计算神经元与权重系数矩阵的距离，以选取距离最小的神经元作为优胜神经元，其中，欧式距离通过下式进行计算：

，

式中，X

优选的，所述更新邻域中神经元的权重系数，包括：

选取高斯草帽函数来更新邻域中神经元的权重系数，所述高斯草帽函数的计算公式为：

，

式中，

通过上述技术方案，能实现以下有益效果：

本发明提出的基于SOM网络的储能应用风电场滑动窗聚类方法，首先提取表征风机状态信息的参数时间序列，形成包含复杂非线性关系的高阶二维矩阵，即特征数据；为了处理非线性耦合，达到更好的分类效果，采用主成分分析方法，通过核函数将特征数据映射至高维空间以实现线性化，再将其进行主元分析，从而有效实现在高阶参数矩阵中辨别表征风机状态信息的关键参数；最后，将所得到的特征向量采用SOM算法进行分类，进而得到更加准确的分类结果，从而解决目前的风电场等值模型因风电场在多种复杂工况下执行不同控制策略而导致的分类结果存在不准确的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明提出的一种基于SOM网络的储能应用风电场滑动窗聚类方法第一实施例的流程图；

图2为本发明提出的一种基于SOM网络的储能应用风电场滑动窗聚类方法第十实施例中采用本发明提出的聚类方法的分类结果示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提出一种基于SOM网络的储能应用风电场滑动窗聚类方法。

如附图1所示，在本发明提出的一种基于SOM网络的储能应用风电场滑动窗聚类方法的第一实施例中，本方法包括如下步骤：

步骤S110：获取表征风机状态信息的参数时间序列，以形成二维矩阵形式的特征数据。

具体的，本方法中用于表征风机状态的参数是可选的，其他可以表征风机状态的参数均可以作为原始数据。

步骤S120：对所述特征数据进行非线性降维。

具体的，因上述

步骤S130：将降维后的特征数据采用SOM网络进行分类训练，当达到SOM网络的最大迭代次数时，输出最终的优胜神经元坐标，并保存分类结果。

步骤S140：将时间窗口移动预设时长后，再次执行步骤S110，及之后的步骤。

具体的，这里的预设时长为

本发明提出的基于SOM网络的储能应用风电场滑动窗聚类方法，首先提取表征风机状态信息的参数时间序列，形成包含复杂非线性关系的高阶二维矩阵，即特征数据；为了处理非线性耦合，达到更好的分类效果，采用主成分分析方法，通过核函数将特征数据映射至高维空间以实现线性化，再将其进行主元分析，从而有效实现在高阶参数矩阵中辨别表征风机状态信息的关键参数；最后，将所得到的特征向量采用SOM算法进行分类，进而得到更加准确的分类结果，从而解决目前的风电场等值模型因风电场在多种复杂工况下执行不同控制策略而导致的分类结果存在不准确的问题。

具体的，在不同工况下风机具有不同控制策略，因此，其表征风机状态的关键参数也将发生变化。并且，多个参数间存在高阶非线性耦合关系，进一步增加了分类的难度。本方法采用非线性降维方法提取多参数时间序列矩阵中的主要特征向量，并以此作为分群依据，再利用SOM网络对降维后的数据进行分类，可得到较准确的分类结果，可以适用不同的工况，无需人工调整分类的标准。

此外，本发明还能解决如下技术问题：1、考虑多控制策略切换情况下，表征风机状态信息的关键参数可能发生变化，从而无法提前选定关键参数或给定权重系数的问题；2、为获得良好的风机暂态响应特征，需要对关键参数的时间序列进行分群，因此存在计算量大、维度高的问题，难以满足在线仿真需求；3、在控制策略切换过程中，存在阶跃变量，导致风机多个变量间存在高维非线性耦合，增加了分群难度。

在本发明提出的一种基于SOM网络的储能应用风电场滑动窗聚类方法的第二实施例中，基于第一实施例，所述特征数据包括有功功率、无功功率、电压幅值、电压相角、转子电流、直流侧电压和桨距角。

在本发明提出的一种基于SOM网络的储能应用风电场滑动窗聚类方法的第三实施例中，基于第一实施例，二维矩阵形式的特征数据为二维

在本发明提出的一种基于SOM网络的储能应用风电场滑动窗聚类方法的第四实施例中，基于第三实施例，步骤S120，包括如下步骤：

步骤S410：将特征数据

步骤S420：获取非线性映射函数

步骤S430：获取核矩阵的第

步骤S440：采用主成分分析法对核矩阵进行主成分特征提取，以将核矩阵最大的特征值所对应的特征向量作为非线性降维后的特征数据。

本实施例给出了如何对所述特征数据进行非线性降维的具体方案。

在本发明提出的一种基于SOM网络的储能应用风电场滑动窗聚类方法的第五实施例中，基于第四实施例，所述非线性映射函数

，

式中，exp()为指数函数，代表自然数

具体的，这里的非线性映射函数

在本发明提出的一种基于SOM网络的储能应用风电场滑动窗聚类方法的第六实施例中，基于第五实施例，步骤S430，还包括如下步骤：

步骤S610：将映射后的高维空间新样本写作Z，则得到核矩阵的其第

，

式中，

在本发明提出的一种基于SOM网络的储能应用风电场滑动窗聚类方法的第七实施例中，基于第六实施例，步骤S130，包括如下步骤：

步骤S710：将权重系数标幺化，以得到权重系数矩阵，并将权重系数矩阵初始化。

步骤S720：将SOM网络、高斯草帽函数的优胜邻域和学习率初始化。

步骤S730：计算优胜神经元。

步骤S740：更新邻域中神经元的权重系数。

步骤S750：调整学习率和高斯草帽函数的优胜邻域。

步骤S760：判断是否达到SOM网络的最大迭代次数。

若是，执行步骤S770：输出最终的优胜神经元坐标，并保存分类结果。

若否，再次执行步骤S730，及之后的步骤。

具体的，本实施例给出了如何将降维后的特征数据采用SOM网络进行分类训练，以得到分类结果的具体方案。

在本发明提出的一种基于SOM网络的储能应用风电场滑动窗聚类方法的第八实施例中，基于第七实施例，所述权重系数矩阵为：

，

式中，

在本发明提出的一种基于SOM网络的储能应用风电场滑动窗聚类方法的第九实施例中，基于第七实施例，步骤S730，包括如下步骤：

步骤S910：由于原始空间样本已经经过非线性降维，因此可直接通过欧氏距离计算神经元与权重系数矩阵的距离，以选取距离最小的神经元作为优胜神经元，其中，欧式距离通过下式进行计算：

，

式中，X

在本发明提出的一种基于SOM网络的储能应用风电场滑动窗聚类方法的第十实施例中，基于第七实施例，步骤S740，包括如下步骤：

步骤S1010：更新邻域中神经元的权重系数的原理为：与优胜神经元距离越近的神经元，其所受的抑制越强，距离较远的神经元受影响较小；故选取高斯草帽函数来更新邻域中神经元的权重系数，所述高斯草帽函数的计算公式为：

，

式中，

步骤S1020：获取调整神经元权重系数的函数：

，

式中，

，

式中，

具体的，本实施例给出了如何更新邻域中神经元的权重系数的具体方案。本实施例中采用一个具有16台风机的风电场数据作为举例，该风电场面临低电压穿越时，由于存在多种控制策略切换，其无功功率、电压幅值、电压相角等参数变化较大，并具有阶段性。采用本方法分类结果如附图2所示，图中表示了每个时间段内的分类结果，每一个方块代表了一台风机，其中，（a）部分是该风电场内各个风机的无功功率分布，（b）部分是该风电场内各个风机的电压相角分布，（c）部分是该风电场内各个风机的电压幅值分布，（d）为本申请所实现的最终分类结果，同一种类方块代表同一类别。随着时间进行，风机控制策略切换，其分类结果发生改变，可有效体现其动态特征。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。