基于特征曲线提取的风电数据跨度选取
基于场景的风电网络TTC调度信息提取
中国高等学校电力系统及其自动化专业第 29 届学术年会，湖北宜昌：三峡大学，2013基于场景的风电网络 TTC 调度信息提取刘若凡 1,2，刘俊勇 1,2，刘友波 1,2，苟竞 1,2，蒋长江 1,2，陈晨 1,2Email: kflrf@1四川大学电气信息学院，四川成都 610065；2 智能电网四川省重点实验室，四川成都 610065摘要：在传统运行规则制定方法基础上，提出了风电网络 TTC（total transfer capability，极限传输 功率）调度信息提取方法。
以风场出力-负荷水平为标准生成场景；在某场景下，调度依据为是否 进行调度行为提供定量的阀值；调度规则的形成使用数据挖掘技术，分为样本生成、特征选择、规 则提取。
用 IEEE-RTS79 系统进行算例仿真，结果表明基于场景的调度信息能较好的体现电网运行 状态与 TTC 变化的关系。
关键词：极限传输功率；场景；调度信息；数据挖掘TTC Dispatching Information Extraction of Power System Including Wind Farm Based on Scenario SetLiu Ruofan , Liu Junyong , Liu Youbo1,2, Gou Jing1,2, Jiang Changjiang1,2, Chen Chen1,21. School of Electrical Engineering and Information, Sichuan University, Chengdu 610065, China; 2. Provincial-Level Key Laboratory of Smart Grid, Chengdu 610065, China Email: kflrf@1,2 1,2Abstract: Based on the traditional methods of rules making, puts forward a new way to extract TTC dispatching information of power system including wind farm. Using wind farm output and load level as a standard to create scenarios. Under a scenarios, the principle of dispatch provide a quantitative index to confirm if the system should be dispatched; The creation of dispatching rule mainly using the technology of data mining, including sample generation, feature selection and rule construction. Case study is carried out for the IEEE-RTS79. The result shows that TTC dispatching information based on scenario setting can explain the internal relations between TTC and the operation state better. Keywords: total transfer capability; scenario; dispatching information; data mining 较之常规 M-C 法计算速度更快，不足是缺少应用研 0 引言 究。
基于数据挖掘的风电功率预测特征选择方法
posed metiiod is validatedbased on the least squares support vector regression algoritiim through using the actual operation
data of the turbine.The simulation results show that t!iis met!iod can efectively reduce the complexity of t!ie model by re
or even nrelevant，andthe redundancy information causes the selection of input vector set is not reasonable，so the accu
racy of tlie power prediction
model is
affected.In
order to
solve this problem，three effe
feature selection，namely neighborhood rough set，random forest and mutual information，are studied synthetically. And a
Abstract ：The selection of
input feature vector is
the first important
step in
the establislimen
model，but due to the excessive monitor items，the coo'elation between partial monitor items and wind power is not obvious
基于风电机组运行数据的筛选算法分析
技术交流Technical Exchanges0 引言近年来，在我国电力行业中，风电装机容量不断增加，而风电场运行效能评价体系也逐渐被各个风力发电企业所重视。
它是运营风电场之间对标、风电场自身考核与提升的重要依据，也是风电场发电效率与运营能力的综合考量。
而如何对风电机组采集到的数据进行有效分类，从而进行计算则是影响风电场运行效能评价体系的一大重点。
目前很多文献将数据直接进行分析计算，造成风电机组功率曲线的计算误差增大［1］，从而影响风电功率对电网影响评估及控制策略［2］。
毛李帆等［3］提出基于T2椭圆图的异常数据识别方法，利用贡献率判断异常数据，而当需要处理的数据量多的时候计算量会过大；赵永宁等［4］提出一种基于四分位法和聚类分析的数据识别算法，利用两次四分位法剔除离群散点，再结合聚类算法识别堆积型的数据，该方法会在数据识别时误识别大量正常数据。
从中可以看出，目前主要是基于传统的异常数据识别，很少有基于风电机组SCADA提供的10min数据进行筛选识别的算法，而传统异常数据识别也存在一些问题。
在这种前提下，本文提出了三种筛选算法结合标签分类方法分别对风电机组10min数据、异常申诉数据进行筛选划分，并对筛选后各类数据进行标签计算，保证数据 划分的可靠性以及损失电量计算、性能评估的准确性。
基于风电机组运行数据的筛选算法分析赵圣斯，李韶武，顾 越［龙源（北京）风电工程技术有限公司，北京 100034］摘 要：为了更准确全面的计算风电场发电量，准确评估风电场效能情况，本文基于风电场中风电机组运行数据，同时考虑风电机组类型及其实际运行情况，提出三种筛选算法，区分正常数据与降容数据，同时创新性的利用标签分类的方法，对风电机组数据采集与监视控制系统（supervisory control and data acquisition，SCADA）得到的10min数据进行标记。
据此计算风电机组的损失电量。
该算法的提出完善了风电行业对于风电机组10min数据、异常申诉数据等运行数据划分的欠缺，并且更加全面有效的计算、描绘出了风电场发电水平。
基于特征提取的海上风力发电偏航系统故障诊断方法
基于特征提取的海上风力发电偏航系统故障诊断方法海上风力发电是一种绿色、可再生的能源形式，其具有潜在的巨大发展前景。
然而，由于海上环境的严酷和复杂性，海上风力发电设备存在着较高的故障率和故障诊断难度。
为了保障海上风力发电系统的可靠性和稳定性，基于特征提取的故障诊断方法应运而生。
故障诊断是指通过对特定风力发电系统的各部分进行监测和评估，从而检测可能的故障并尽早进行诊断和修复，以确保系统的正常运行和最大程度的发电效率。
首先，特征提取是基于特征的故障诊断方法的核心环节。
需要从各个部分的传感器数据中提取由故障引起的特征，并与已知的故障特征进行比较与匹配，以判断系统是否存在故障。
常见的特征包括振动、温度、电流等，可以通过传感器实时采集数据，并利用数据处理技术进行分析和提取。
接下来，基于特征提取的故障诊断方法需要建立一个有效的故障数据库。
该数据库应包含各种故障模式以及对应的特征数据，以便在实际运行中进行匹配和诊断。
通过分析已有的故障数据并构建故障模型，可以提高诊断的准确性和可靠性。
在海上风力发电系统中，由于环境的特殊性，故障诊断具有一定的挑战性。
首先，海洋环境具有高湿度、强风、强盐雾等特点，这些因素容易导致系统组件的腐蚀和损坏，增加了故障的发生概率。
其次，海上风力发电设备通常位于远离陆地的海上，维修和检修困难，使得故障的排除工作变得复杂和耗时。
针对以上问题，基于特征提取的海上风力发电偏航系统故障诊断方法可以提供及时准确的故障诊断与预测，有助于减少风力发电系统的停机时间和维修成本。
首先，在海上风力发电系统中，偏航系统是最关键的部件之一。
它在风向变化时通过调整叶片角度，使风轮始终面向风向，从而最大程度地捕捉风能。
如果偏航系统出现故障，将会导致风轮无法正常面向风向，影响风力发电的效率。
因此，对偏航系统的故障进行及时准确的诊断是非常重要的。
基于特征提取的偏航系统故障诊断方法可以通过对偏航系统运行数据进行实时监测和分析，提取出与故障相关的特征指标。
如何进行测绘数据的特征提取与分析
如何进行测绘数据的特征提取与分析一、引言近年来，随着测绘技术的不断进步和数据获取手段的日益完善，测绘数据的规模和复杂性也在不断增加。
如何从海量的测绘数据中提取出有效的信息和特征，并进行合理的分析，已成为测绘领域的重要研究方向。
本文将探讨如何进行测绘数据的特征提取与分析，以期为相关领域的研究人员提供一些参考。
二、测绘数据特征提取的方法测绘数据的特征提取是指通过一系列的算法和技术手段，从原始的测绘数据中提取有意义的特征信息。
以下将介绍几种常用的测绘数据特征提取方法：1. 基于图像处理的特征提取在测绘数据中，地物往往以图像的形式进行表示。
因此，图像处理技术被广泛应用于测绘数据的特征提取中。
例如，可以利用图像分割算法将测绘图像中的地物进行区域划分，然后通过提取每个区域的形状、纹理和颜色等特征来描述地物的性质。
2. 基于模式识别的特征提取模式识别是指根据事先获得的模型，将输入的数据进行分类或判别。
在测绘数据的特征提取中，可以通过训练一组地物的模型，根据测绘数据的特征来预测地物的类别。
常用的模式识别方法包括支持向量机、人工神经网络和决策树等。
3. 基于矩阵计算的特征提取测绘数据中经常涉及到大量的矩阵计算，例如地理坐标的转换、数据插值和变形分析等。
在进行特征提取时，可以通过对矩阵进行运算，提取出矩阵的特征值和特征向量，以描述地物的空间分布和变化。
三、测绘数据特征分析的方法测绘数据特征分析是指对提取出的特征进行进一步的研究和分析，揭示地物的规律和特点。
以下将介绍几种常用的测绘数据特征分析方法：1. 空间统计分析空间统计分析是指通过对地物的空间分布进行统计学分析，来推断地物之间的关系和作用机制。
例如，可以通过点模式分析来研究地物的聚集程度和分布规律，进而预测地物的变化趋势。
2. 变化检测分析测绘数据中常常包含多个时期的数据，可以通过对不同时期的数据进行比较和分析，来研究地物的变化情况。
例如，可以通过遥感影像的差异比较，检测出地表覆盖的变化，进而探索地物的演化过程和原因。
风电发电机组振动信号特征提取
风电发电机组振动信号特征提取随着能源需求的不断增长，可再生能源逐渐受到关注和重视。
其中，风能是一种重要的可再生能源，具有广阔的开发潜力。
风电发电机组作为风能转化的重要设备，其运行状态监测对于保障风电系统的正常运行至关重要。
其中，振动信号是风电发电机组运行状态监测中常用的信息源。
风电发电机组振动信号是指发电机组在运行过程中产生的振动信号。
这些信号可以反映发电机组内部的运行状态、故障与偏差情况。
因此，通过有效提取振动信号中的特征信息，可以实现对风电发电机组的运行状态进行监测和评估。
在风电发电机组振动信号特征提取方面，主要有以下几种方法。
一、时域特征提取时域特征是指将振动信号直接在时间域上进行分析和处理，可以得到信号的幅值、峰值、均方根值等指标。
这些指标可以反映振动信号的整体特征和波形信息，对于发现异常振动情况具有一定的作用。
常见的时域特征提取方法包括均值、方差、标准差、峭度、偏度等。
二、频域特征提取频域特征是指将振动信号转换到频率域上进行分析和处理，通过计算信号的功率谱密度、频谱峰值等参数，可以了解信号在不同频率上的分布情况。
频域特征可以提供更详细的频率信息，对于故障诊断和特征提取有着重要的作用。
常见的频域特征提取方法包括傅里叶变换、小波变换、功率谱密度估计等。
三、时频域特征提取时频域特征是指将振动信号同时在时域和频域上进行分析和处理，以获得信号的时变特性。
相比于单一域的特征提取方法，时频域特征可以提供更加全面和详细的特征信息。
常见的时频域特征提取方法包括短时傅里叶变换、小波包变换等。
除了以上三种特征提取方法外，还有一些其他的方法也可以用于风电发电机组振动信号特征提取，如自相关函数、平均互相关函数等。
这些方法综合考虑了时间和频率的特征，可以更加全面地描述和分析振动信号。
振动信号特征提取不仅在风电发电机组的运行状态监测中发挥重要作用，还可以应用于故障诊断、故障预警和运维管理等方面。
通过对振动信号的特征提取和分析，可以准确判断发电机组是否存在故障，并及时采取相应的维护和修复措施，从而保障风电系统的稳定运行。
基于机器学习的风电叶片故障特征提取与状态评估
基于机器学习的风电叶片故障特征提取与状态评估随着环境保护意识的提高和可再生能源的推广，风电作为一种清洁能源形式，正逐渐成为重要的电力来源。
风电叶片是风力发电系统中最重要的部件之一，对其故障特征进行提取与状态评估，能够有效地保障风电系统的正常运行和性能提升。
本文将介绍基于机器学习的风电叶片故障特征提取与状态评估的研究进展，并探讨其在风电行业中的应用前景。
一、风电叶片故障特征提取的方法1. 信号处理方法风电叶片故障产生的振动信号含有丰富的信息，可以通过信号处理方法进行特征提取。
例如，采用快速傅里叶变换（FFT）对振动信号进行频谱分析，可以提取出叶片故障频点的特征信息。
同时，也可以应用小波变换、时频分析等方法进行信号特征提取。
2. 图像处理方法通过监测风电叶片的红外图像，可以获取叶片表面温度的分布情况。
利用图像处理技术，可以提取出叶片表面温度异常区域的特征信息，进而判断叶片是否存在故障。
此外，还可以运用图像处理方法对叶片表面的损伤进行检测与分类。
二、机器学习在风电叶片故障状态评估中的应用1. 监督学习方法监督学习是一种常用的机器学习方法，通过已有的叶片故障案例数据训练分类模型，对新样本进行分类。
例如，可以使用支持向量机（SVM）算法、决策树算法等进行叶片故障状态评估。
这些算法能够根据输入的叶片特征数据，判断叶片是否存在故障，并给出相应的评估结果。
2. 无监督学习方法无监督学习方法不需要已有的标记样本数据，能够自动发现数据中的模式和结构。
在风电叶片故障状态评估中，可以使用无监督学习方法对叶片特征数据进行聚类分析，将叶片分成不同的故障状态群组，从而判断叶片所处的故障状态。
三、基于机器学习的风电叶片故障特征提取与状态评估的应用前景基于机器学习的风电叶片故障特征提取与状态评估方法在风电行业中具有广阔的应用前景。
首先，它能够准确快速地对叶片故障进行检测与分类，提高了故障诊断的效率。
其次，它能够提取出叶片故障的特征信息，为进一步的故障分析与预测提供了重要依据。
基于机器学习的风电功率曲线预测算法研究
基于机器学习的风电功率曲线预测算法研究风电功率曲线预测是风能发电系统的关键问题之一，它对于风电厂的运行和维护至关重要。
随着机器学习技术的快速发展，将其应用于风电功率曲线预测算法的研究成为了一个热门领域。
本文旨在探讨基于机器学习的风电功率曲线预测算法的研究进展，以及如何提高预测准确性和可靠性。
首先，我们需要了解风电功率曲线的概念。
风电功率曲线是描述风电机组在不同风速下发电功率的函数关系。
它通常具有两个关键特征：饱和区和切出区。
饱和区表示风速较低时，功率曲线呈现出递增趋势，直到达到额定功率；切出区表示风速过高时，风电机组会自动切出以保护机组。
准确预测风电功率曲线有助于最大化风电机组的发电效益，提高风电场的经济性。
机器学习算法在风电功率曲线预测中的应用已经得到广泛研究和应用，并取得了很多进展。
其中，基于监督学习的算法被应用得比较广泛。
这类算法通常使用历史风速数据以及其对应的功率曲线数据作为训练集，然后通过建立风速到功率的映射模型进行功率曲线预测。
常用的监督学习算法包括线性回归、决策树、支持向量机等。
线性回归是一种最简单的算法，通过拟合线性模型来进行预测。
决策树是一种基于树形结构的分类器，可以通过构建多个决策节点来对样本进行分类。
支持向量机则是一种二分类模型，通过将数据映射到高维空间来构建一个最优的超平面，从而实现分类或回归任务。
除了监督学习算法，还有一些其他的算法可以用于风电功率曲线的预测。
无监督学习算法如聚类分析、自组织映射等可以用于发现风速数据中的规律和模式。
深度学习算法如卷积神经网络和循环神经网络也被广泛研究，可以应用于非线性和时间序列数据的预测任务。
虽然机器学习算法在风电功率曲线预测中取得了很多成果，但是仍然有一些挑战需要克服。
首先，风力发电场的工作环境非常复杂，受到诸多因素的影响，例如地理条件、气象因素等。
因此，算法需要考虑这些因素并对其进行建模，以提高预测准确性。
其次，风电功率曲线通常具有非线性特征，传统的线性回归算法在建模这种复杂关系时可能会受限。
一种风力发电预测算法的优化
一种风力发电预测算法的优化随着新能源的快速发展，风力发电在全球范围内的应用越来越广泛。
然而，由于风力发电受到天气等自然因素的影响，其发电量难以预测，影响了其稳定性和经济效益。
因此，研究风力发电预测算法的优化变得十分必要。
本文提出了一种基于时间序列分析的风力发电预测算法，并对其进行了优化。
该算法主要包括以下几个步骤：1. 数据采集阶段：通过安装在风力发电机组上的传感器，采集风速、风向、温度等数据，并将数据传输到数据中心存储。
2. 数据清洗阶段：对采集到的原始数据进行清洗和处理，剔除明显异常值，补充缺失数据等。
3. 特征提取阶段：从清洗后的数据中提取特征，包括风速、风向、温度等。
4. 时间序列分析阶段：根据特征数据建立时间序列模型，并预测未来一段时间内的风速数据。
在以上步骤的基础上，本文对该算法进行了优化：1. 特征选择：对于所有提取出的特征，利用相关性分析来筛选出与风力发电量相关性较高的特征。
选取的特征能够更好地反映风力发电的变化规律，从而提高预测的准确度。
2. 时间序列模型优化：选择适当的时间序列模型对数据进行建模，例如ARIMA模型、SARIMA模型。
同时，可以通过参数调整、周期性分析等手段对模型进行优化，提高模型的预测准确度。
3. 数据增强：通过引入外部因素，如天气数据、节假日等，将更多的信息融入到预测模型中，使预测结果更加准确。
4. 模型融合：将多个时间序列模型进行融合，得到更加准确的预测结果。
例如将ARIMA模型与神经网络模型进行融合，综合考虑它们的长短时记忆特性，提高预测准确度。
优化后的算法在实验中得到了很好的效果，预测准确度得到了显著提高，能够更好地应用于实际风力发电场中，提高了风力发电的效益和稳定性。
基于叶片参数自学习的风电机组功率曲线获取方法
基于叶片参数自学习的风电机组功率曲线获取方法随着全球对可再生能源的需求不断增长，风能作为一种清洁、可再生的能源形式得到了广泛关注。
风电机组作为风能利用的主要设备之一，其功率曲线的准确获取对于风电场的运营与管理至关重要。
本文将介绍一种基于叶片参数自学习的方法，可以获得精确的风电机组功率曲线。
风电机组功率曲线是描述风电机组在不同风速下输出功率的曲线。
它在风电场的运营、规划以及风电机组的性能评估等方面起着重要作用。
通常情况下，风电机组的功率曲线是由风速、叶片参数等因素决定的。
传统的方法通常是通过实验测量来获取功率曲线，但这种方法存在时间、成本高的问题。
基于叶片参数自学习的方法则是一种较为高效的替代方案。
该方法主要包括以下几个步骤：第一步，收集风电机组的基本信息。
这些信息包括风机型号、叶片参数、发电机额定功率等等。
这些信息可以从厂家提供的技术手册或者设备参数中获取。
第二步，建立叶片参数与功率曲线之间的关系模型。
通过分析风机叶片参数与输出功率的关系，可以建立一个数学模型来描述二者之间的关系。
这可以通过数据挖掘、机器学习等方法进行分析和处理。
第三步，优化模型并验证。
在建立了初步的模型之后，需要对模型进行优化和验证。
通过与实际测量数据进行对比，不断调整和修正模型，以获得更准确的结果。
这可以通过交叉验证、误差分析等方法来完成。
第四步，应用模型进行功率曲线获取。
在模型优化和验证的过程中，我们可以得到一个较为准确的叶片参数与功率曲线之间的关系模型。
当给定了叶片参数时，可以通过该模型来估计风电机组在不同风速下的输出功率。
基于叶片参数自学习的方法具有以下几个优点。
首先，该方法避免了实验测量的时间和成本。
使用传统方法获取功率曲线需要大量的实验数据，并且需要考虑到不同的气象条件、季节等因素，这将耗费大量的时间和资金。
而基于叶片参数自学习的方法则不需要进行实验测量，只需要收集叶片参数等基本信息即可。
其次，该方法可以减少误差和不确定性。
风电机组在线监测与故障诊断系统的数据处理与特征提取方法研究
风电机组在线监测与故障诊断系统的数据处理与特征提取方法研究摘要：随着风电行业的迅猛发展，风电机组的安全和可靠性变得尤为重要。
为了及时发现风电机组的故障并进行及时维修，研发风电机组在线监测与故障诊断系统已成为迫切需求之一。
本文关注风电机组在线监测系统中的数据处理与特征提取方法的研究，并分析这些方法在实际应用中的优势和挑战。
1. 引言风电机组在线监测与故障诊断系统的研究旨在提高风电机组的安全性和可靠性，降低故障带来的经济损失。
数据处理和特征提取是该系统中的关键步骤，它们对于准确诊断风电机组的故障具有重要意义。
2. 风电机组数据处理方法风电机组在线监测系统通过传感器收集大量数据，这些数据包括振动、温度、电流、功率等。
为了处理这些数据，研究人员提出了多种方法，如滤波、降噪、去趋势等。
其中，滤波是最常用的方法之一，它能够去除噪声并提取信号中的有用信息。
另外，降噪技术也能有效改善数据质量，并提高故障诊断的准确性。
此外，去趋势方法可以去除因风环境变化引起的趋势项，从而更好地反映机组的实际工作情况。
3. 风电机组特征提取方法风电机组在线监测系统通过提取机组的特征参数来判断其工作状态和故障情况。
特征提取方法有助于识别、分类和定位故障。
常用的特征提取方法包括时域特征、频域特征和小波分析特征。
时域特征指的是从时域信号中提取的统计量，如均值、方差、峰值等。
频域特征是通过对信号进行傅里叶变换得到的频谱特性，如频谱幅值、频率、相位等。
小波分析特征则是通过小波变换获得的信号特征，它能够更好地揭示信号的时间-频率特性。
4. 方法应用与挑战风电机组在线监测系统的数据处理和特征提取方法已经在实际应用中取得了一定的成果。
例如，某些方法可以准确提取风电机组的振动频谱特征，从而判断其是否存在故障。
此外，还有一些方法可以识别机组转子的不平衡故障和轴承故障。
然而，这些方法面临一些挑战。
首先，如何选择适当的参数和算法是一个关键问题。
不同的风电机组可能具有不同的特征，因此需要根据具体情况进行调整。
风力发电机组轴承的波形分析与特征提取方法研究
风力发电机组轴承的波形分析与特征提取方法研究风力发电机组的轴承是其中一个重要的组成部分，对于风力发电机组的运转稳定性和寿命具有关键影响。
随着风力发电行业的迅猛发展，对于风力发电机组轴承的波形分析与特征提取方法的研究日益受到关注。
本文旨在探讨风力发电机组轴承的波形分析与特征提取方法的研究进展，并提出一种有效的方法。
首先，我们来了解一下风力发电机组轴承的波形分析方法。
波形分析是通过捕捉轴承振动信号的实时波形，并分析其中的特征参数，以评估轴承的状态和故障情况。
常见的波形分析方法包括时域分析、频域分析和小波分析等。
时域分析是最常用的波形分析方法之一。
它通过对轴承振动信号的时间波形进行分析，得出振动信号的幅值、频率和周期等特征参数。
时域分析方法简单直观，可以对轴承的工作状态进行实时监测。
然而，由于时域分析无法提供精确的频率信息，对于高速旋转的轴承故障检测来说有一定的局限性。
频域分析是另一种常用的波形分析方法。
它将振动信号从时域转换到频域，通过对振动信号的频谱进行分析，可以得出振动信号的频谱分布、主要频率和谐波等信息。
频域分析方法可以对轴承的频率特性进行详细研究，对于早期故障的诊断具有一定的优势。
不过，频域分析方法对噪声干扰的抵抗能力较差，并且需要进行谐波消除和功率谱平滑等处理，对信号处理的要求较高。
小波分析是近年来发展起来的一种新兴的波形分析方法。
它通过将振动信号进行小波变换，将信号分解为不同频段的子信号，可以提取出不同频率成分的特征参数。
小波分析方法具有较好的时频局部性，能够更好地对不同频率的故障特征进行提取。
不过，小波分析方法需要选取合适的小波基函数和分解层数，对参数设置有一定的要求。
除了波形分析方法外，特征提取方法也是风力发电机组轴承故障诊断中的关键环节。
特征提取是指从振动信号中提取有用的故障特征参数，用于判断轴承的工作状态和故障情况。
常见的特征提取方法包括统计特征提取、FFT特征提取和小波包特征提取等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
微电网技术
基于特征曲线提取的风电数据 跨度选取!
房!凯"!李!蓓&!李建林&!惠!东& "/中国电力科学研究院有限公司北京!"$$"(&
&/新能源与储能运行控制国家重点实验室 中国电力科学研究院有限公司 北京!"$$"(&
摘!要 为减少风力发电技术中海量数据计算容易导致计算灾害的问题$提出一 种以有限跨度数据代替海量风电数据的计算方法% 通过 _.C<?3G算法对风电数据进行 分类$在分类曲线的基础上对各类风电数据进行特征提取$得到表征特征曲线的最佳 类采样天数$最后通过移动1 跨度窗2 方法求取出能够代替海量风电数据的典型数据跨 度% 将计算结果应用于某风电场的容量配置计算$通过对比验证了所提出的理论的正 确性%
量$求对应某一初始聚类中心向量 <最优分类$ 使得评价指标 *最小% 算法采用误差平方和准 则函数作为聚类准则函数)"&."(* % 欧氏距离计算
表达式为
Y
槡" ,
& 5 ! 3+" N3+Y#
"
!"#
其中$Y为每个向量的维度$+U"&,&,&7$7 为向
量的个数% Y个初始聚类中心点的选取对聚类结果具有
C19 A&<D/ A24DU&A1< 5170.<11[0<7;02&4 /U74A24D&A D707 /U74
)!引!言
近年来$随着我国风力发电装机容量逐年增 高$风力发电越来越 受 到 业 界 的 重 视)".'* % 风 力 发电厂的出力预测和储能容量配置两项关键技术
均需以数据为基础进行建模和计算$但实际能够 表征风力发电厂出力水平和特征的数据量往往非 常巨大$如果所有的数据均参与计算则非常容易 导致计算陷入1 计算灾害2 )&.#* % 因此$如果能够 采取有效的方法对海量数据进行处理$从海量数
较大的影响$因为在该算法第一步中是随机地选
李!蓓!"#%)"# $女$高级工程师$主要从事新能源发电及规模储能技术研究% 李建林!"#(&"# $男$教授级高级工程师$主要从事新能源发电及大规模储能技术研究% !基金项目'国家重点研发计划项目资助!,)"(^PN)#)S'))# +山西省重点研发计划项目资助!,)"&)SQ"",))$# +国网 公司科技项目! Qg(" V"( V)",#
" &) #$%&'(
据中抽取出适量的样本用以表征整体数据水平$ 就可以保证计算精准度$同时减少参与计算的数 据量)")."S* %
目前$可用于替代海量风电数据的跨度数据 计算方法较少$本文旨在通过对海量风电数据进 行特征提取的方法将海量风电数据简化为易于计 算和表征的跨度数据% 该方法计算得到的跨度风 电数据可用于替代海量风电数据进行技术计算$ 在保证相同计算精度的前提下减小计算量&提升 计算速度%
N181;02&4&5\24D@&A1<)707 NU74R7/1D&4O170.<1:.<T1P[0<7;02&4
B.()QH+" $!@/>%+, $!@/*+H7\+7, $!-"/&07I, !"/I753?;9<2=>52f8M<>O<G<?>27 F3G=5=B=<$N<5153@"))"#,$ I753?+ ,/6=?=<_<Hb?E8>?=8>H8:`J<>?=583 ?3A I83=>898:O<3<M?E9<;3<>@Hh6=8>?@<6HG=<CG$
I753?;9<2=>52f8M<>O<G<?>27 F3G=5=B=<$N<5153@"))"#,$ I753?#
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
"!分类及特征曲线提取
#'#FC?Q174/法分类
_.C<?3G采 用 距 离 作 为 相 似 性 的 评 价 指 标 $
即认为 两 个 对 象 的 距 离 越 近$ 其 相 似 度 就 越 大)"$."'* % 该算法认为簇是由距离靠近的对象组
成的$因此 把 得 到 紧 凑 且 独 立 的 簇 作 为 最 终 目 标% _.C<?3G算法以欧式距离 &作为 相 似 度 测
关键词 风电 特征提取 跨度窗 数据跨度 中图分类号 *+&"$!文献标志码 -!文章编号 ,)#'.%"%%!,)"%#)&.))&).)& )*+ ")/"&&,% 01/2345/,)#'.%"%%/,)"%/)&/)""
房 ! 凯 ! "#%#"# $ 男$工程师$主要从 事新能源发电及大 规模 储 能 技 术 研 究%