[發明專利]風力發電機組的聚類方法和設備

在審

• 申請號: 201710121624.2
• 申請日: 2017-03-02
• 公開（公告）號: CN106897945A
• 公開（公告）日: 2017-06-27
• 發明（設計）人: 王青天;周杰
• 申請（專利權）人: 新疆金風科技股份有限公司
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06K9/62
• 代理公司: 北京銘碩知識產權代理有限公司11286
• 代理人: 張川緒,王兆賡

1.一種風力發電機組的聚類方法，其特征在于，所述聚類方法包括如下步驟：

獲取風電場中的每臺風力發電機組的數據；

提取所述每臺風力發電機組的數據中的預定數據，以形成每臺風力發電機組的數據集合，其中，所述預定數據包括：每臺風力發電機組的控制參數數據、地理位置數據、環境數據和運行數據中的至少兩種數據；

通過聚類算法對風電場中的所有風力發電機組的數據集合進行聚類，以實現對風力發電機組的聚類。

2.根據權利要求1所述的聚類方法，其特征在于，所述控制參數數據包括以下參數中的至少一種參數：控制器關鍵參數、機組濾波器參數和機組配置參數。

3.根據權利要求2所述的聚類方法，其特征在于，所述控制參數數據通過獲取每個風力發電機組的機組初始化文件的版本號來獲取，

其中，所述機組初始化文件的版本號中包括用于指示所述控制參數數據的字符。

4.根據權利要求3所述的聚類方法，其特征在于，當所述預定數據包括所述控制參數數據時，對所述預定數據進行預處理，具體包括：對所述版本號進行編碼以得到作為數據集合的數據。

5.根據權利要求1所述的聚類方法，其特征在于，所述環境數據包括預定時間段的風資源數據、環境濕度和/或環境溫度。

6.根據權利要求5所述的聚類方法，其特征在于，所述預定時間段的風資源數據包括預定時間段的風速，

其中，當所述預定數據包括所述預定時間段的風資源數據時，對所述風資源數據進行預處理，具體包括：根據預定時間段的風速計算得到預定時間段內各個風速的出現次數以及各個風速的湍流強度，以作為數據集合的數據。

7.根據權利要求1所述的聚類方法，其特征在于，所述運行數據包括預定時間段的槳距角數據。

8.根據權利要求7所述的聚類方法，其特征在于，當所述預定數據包括所述運行數據時，對運行數據進行預處理，具體包括：根據預定時間段的槳距角數據計算得到預定時間段內各個槳距角的出現次數，以作為數據集合的數據。

9.根據權利要求1所述的聚類方法，其特征在于，在將所有風力發電機組的數據集合進行聚類的步驟之前，還包括：對每個風力發電機組的數據集合進行維數約減，

其中，通過將維數約減后的所有風力發電機組的數據集合進行聚類來對風力發電機組進行聚類。

10.根據權利要求1或9所述的聚類方法，其特征在于，所述聚類方法還包括：驗證所有風力發電機組的數據集合之間是否存在本征簇，

其中，當存在本征簇時，將所有風力發電機組的數據集合進行聚類。

11.根據權利要求10所述的聚類方法，其特征在于，在驗證本征簇的步驟中采用霍普金斯統計方法驗證所有風力發電機組的數據集合之間是否存在本征簇，

其中，當霍普金斯統計結果小于預定閾值時，存在本征簇。

12.根據權利要求9所述的聚類方法，其特征在于，通過聚類算法對風電場中的所有風力發電機組的數據集合進行聚類的步驟包括：

確定用于聚類的最優聚類個數和用于聚類的最優聚類中心；

根據確定的用于聚類的最優聚類個數和用于聚類的最優聚類中心，將所有風力發電機組的數據集合進行聚類。

13.根據權利要求12所述的聚類方法，其特征在于，確定用于聚類的最優聚類個數和最優聚類中心的步驟包括：

設置最大聚類個數和最小聚類個數；

將所有風力發電機組的數據集合進行預定次數的聚類循環，得到每次聚類循環的最優聚類個數以及最優聚類中心，其中，在每次聚類循環中，分別根據最小聚類個數至最大聚類個數之間的每個聚類個數，對所有風力發電機組的數據集合進行聚類，得到每個聚類個數對應的聚類結果以及聚類中心，評價每個聚類個數對應的聚類結果，將聚類結果最好的聚類個數作為每次聚類循環的最優聚類個數；

確定預定次數的聚類循環中最優聚類個數的眾數，并將確定的眾數作為用于聚類的最優聚類個數，以及將確定的眾數對應的多個聚類循環中聚類結果最好的最優聚類中心作為用于聚類的最優聚類中心。

14.根據權利要求1所述的聚類方法，其特征在于，采用改進的K均值算法對所有風力發電機組的數據集合進行聚類，其中，所述改進的K均值算法將距離最遠的樣本作為初始聚類中心。