(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111335483.7 (22)申请日 2021.11.11 (71)申请人 国网新疆电力有限公司乌鲁 木齐供 电公司 地址 830011 新疆维吾尔自治区乌鲁 木齐 市新市区北京南路3 5号 申请人 国家电网有限公司 (72)发明人 朱疆生　袁少伟　李宇翔　李大立　 居来提·阿不力孜 　何峰　缪刚　 彭建　陈疆　张怀德　胡健民　 刁智伟　朱正印　张伟健　 (74)专利代理 机构 西安恒联知识产权代理有限 公司 61251 代理人 杨银娟(51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) H02J 3/00(2006.01) G06F 113/06(2020.01) (54)发明名称 一种风电场群模型构建方法 (57)摘要 本发明公开了一种风电场群模 型构建方法， 其是基于聚类算法的风电场群多典型场景模型 构建， 剖析风电场群功率分布趋势， 完善了大规 模风电场群调度的技术基础。 本发 明公开了一种 风电场群模型构建方法， 包含如下步骤： S100： 利 用考虑风电功率的曲线形态特征和数值特征的 两阶段分层聚类算法， 将原始风电功率时间序列 进行聚类， 得到风电功率聚类子簇； S2 00： 通过场 景缩减技术对聚类子簇进行缩减， 得到典型场景 并建立与之匹配的概率分布函数； S300： 通过逆 变换抽样技术， 抽取符合多典型场景概率分布的 样本集； S400： 最后， 拟合得到风电场群持续功率 曲线的数 学模型。 权利要求书5页 说明书15页 附图9页 CN 114036845 A 2022.02.11 CN 114036845 A 1.一种风电场群模型构建方法， 其特 征在于， 包 含如下步骤： S100： 利用考虑风电功率的曲线形态特征和数值特征的两阶段分层聚类算法， 将原始 风电功率时间序列进行聚类， 得到风电功率聚类子 簇； S200： 通过场景缩减技术对聚类子簇进行缩减， 得到典型场景并建立与之匹配的概率 分布函数； S300： 通过逆变换抽样技 术， 抽取符合多典型场景概 率分布的样本集； S400： 最后， 拟合得到风电场群持续功率曲线的数 学模型。 2.如权利要求1所述的一种风电场群模型构建方法， 其特 征在于， 所述步骤S100为： 利用考虑风电功率曲线形态特征与数值特征的两阶段分层聚类算 法， 将原始风电功率时间序列进行聚类； 在聚类的第一级实现时间序列的形态划分与异常 值处理， 第二级实现时间序列数值特征的划分， 依据聚类有效性指标DB最小原则， 得到聚类 子簇； 所述步骤S200为： 通过场景缩减技术对子簇进行缩减， 得到9个聚类子簇的典型场景并 建立与之对应的概 率分布模型； 聚类结果具有明确的物理含义； 所述步骤S300为： 通过逆变换抽样技术， 构建符合多典型场景概率分布的样本集； 通过 单一典型场景与所提多典型场景 的样本集， 分别构建持续功率 曲线， 并与原始风电功率序 列的持续功率 曲线进行对比； 发现单一典型场景建模精度误差较大， 多典型场景能完美匹 配实测数据， 且能修 正实测数据异常导 致的误差， 验证所提方法的有效性； 所述步骤S400为： 拟合得到持续功率曲线的数 学模型。 3.如权利要求2所述的一种风电场群模型构建方法， 其特 征在于， 所述步骤S100中的原始风电功率时间序列的风电功率样本为： 对聚类研究的某风电场群， 假设共有风电机组n台， 每天等间隔采样风电功率数据t次， 则可构成其 风电功率样本矩阵Xk， 见式(1)： 其中， Xk表示为第 k天的该风电场群的风电功率样本矩阵； xn＝[x1n x2n…xtn]T是Xk的列 向量， 也称为第n台风电机组的风电功率时间序列， 表示在第k天全天的采样数据； 所述步骤S100中的两阶段分层聚类算法的框架为： 根据风电功率 时间序列特征数据的分析， 采用风电功率 时间序列形态特征与 数值特征 的两阶段分层聚类算法； 两阶段分层聚类算法保护的两个阶段为预聚类阶段与最 终聚类阶 段： ‑预聚类阶段， 根据序列形态特征将所有风电功率时间序列进行聚类； 通过变换， 减少 风电功率时间序列的幅值、 偏移对最 终聚类结果的影响， 得到第一阶段聚类子簇； 并根据所 得聚类树状图， 删除总样本集中包含异常值、 离群值的时间序列， 作为第二阶段提升聚类准 确性的基础； ‑最终聚类阶段， 将第一阶段所得子簇作为第 二阶段聚类对象， 进行数值特征的进一步 聚类划分； 假设聚类数据样本集含有风电功率时间序列N条， 则样本矩阵为Xn＝[x1 x2 x3…xn]， 定权　利　要　求　书 1/5 页 2 CN 114036845 A 2义预聚类阶段距离矩阵为 Lpre， 聚类阶段距离矩阵为 Lend， 且大小都为 N×N。 4.如权利要求3所述的一种风电场群模型构建方法， 其特征在于： 所述步骤S100中， 在 聚类分析之前， 还包含对高维度的原始数据进行特征数据的提取， 避免杂散随机值的影响 的过程； 该过程采用考虑风电功率数值特征与风电功率 曲线形态特征 的序列变换， 作为风 电功率时间序列的特 征数据； 所述考虑曲线形态特 征的序列变换的过程 为： 利用原始时间序列的均值与方差两种特征量， 将原始时间序列进行变换， 减少异常值 与离群值对欧氏距离的影响， 其计算方法如下： 其中： Mn为原始时间序列xn的均值， Sn为其方差； xn*为经过变换之后的新时间序列； 将原时间序列采用宽度为L的间隔切分为r个子序列， 此时序列被切分为xn*＝[u1 u2  u3…ur]； 为减少时间序列在聚类过程中过拟合的问题， 将切分后各段时间序列分别做归一 化处理， 压缩至区间( ‑1， 1)之内； 变换公式如下 所示： 式中， urs是子序列ur的第s个元素； u ′rs是经过变换后的urs； umax、 umin分别为子序列ur中 的最大值与最小值； 由公式(2)、 (3)可 得规范变换后的新时间序列un＝[u1′  u2′  u3′ …ur′]； 所述考虑风电功率数值特 征的序列变换的过程如下： 选用包含均值、 方差特征的基本统计特征， 将原始时间序列进行变换得到新时间序列 vn； 时间序列变换公式如下 所示： 时间序列数值特 征的计算公式如下 所示： ‑均值， 均值体现了一个地区风电功率的整体出力水平； ‑方差， 方差体现了风电功率波动情况； ‑中位数， 中位数体现了风电功率在数值上的总体分布区间； 中位数计算时， 首先将原始序列进行递增排序， 得到新时间序列XN， 下标N表示在新序列 中的序数； 当N 为奇数、 偶数时中位数分别按照公式(7)、 (8)计算； m0.5＝X(N+1)/2                   (7) ‑偏度， 偏度可以用来度量 风电功率 概率分布的不对称性；权　利　要　求　书 2/5 页 3 CN 114036845 A 3