一种基于FP-growth的风电机组振荡模态与影响因素关联分析方法与流程

一种基于fp
‑
growth的风电机组振荡模态与影响因素关联分析方法
技术领域
1.本发明属于风电系统振荡模态分析技术领域，尤其涉及风电机组运行时风速、电压聚簇与振荡模态的关联分析方法。


背景技术：

2.为应对全球变暖带来的威胁，中国提出“碳达峰、碳中和”的战略，力争在2030年前碳排放量不再增长，在2060年前实现碳中和的目标。化石燃料的燃烧是产生co2的主要原因之一，因此，传统电力系统逐渐转型为高比例可再生能源电力系统，以风能为代表的新能源开始大规模接入电网。与传统化石能源发电方式相比，风能具有清洁、高效、可再生等优势，但其出力具有较强的不确定性，在与电网进行并网时可能会引发振荡问题。随着风电渗透率的不断提高，风力机组与电网之间的相互作用问题得到了越来越多的关注。
3.研究表明，风电机组与电网之前的相互作用导致的振荡一般为有功功率振荡，按照频率可分为不同的振荡模态，例如低频振荡、同步控制相互作用(ssci)、次同步振荡(sso)和次同步振荡(ssr)等。不同振荡模态的振荡机理不同，因此进行振荡抑制的前提是进行振荡模态识别。传统方法一般通过建模和仿真的方式对振荡模态类别进行辨识，然而，由于风电机组振荡模态的成因复杂，物理建模时难以全面考虑电压、风速等因素对振荡模态的影响。


技术实现要素：

4.本发明实施例提供了一种基于fp
‑
growth的风电机组振荡模态与影响因素关联分析方法，以解决现有方法物理建模时难以全面考虑电压、风速等因素对振荡模态影响的问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
5.根据本发明实施例的第一方面，提供了一种基于fp
‑
growth的风电机组振荡模态与影响因素关联分析方法。
6.在一个实施例中，一种基于fp
‑
growth的风电机组振荡模态与影响因素关联分析方法，包括：
7.步骤s1，采集风电机组运行时的输出功率、电压以及风速数据；
8.步骤s2，对采集的风电机组输出功率、电压以及风速数据进行分段；
9.步骤s3，采用pony算法分析数据段包含的振荡模态；
10.步骤s4，使用谱聚类算法对风速、电压均值进行聚类；
11.步骤s5，采用fp
‑
growth算法挖掘风速
‑
电压聚簇与振荡模态的关联规则；
12.步骤s6，基于关联规则分析结果，利用风速
‑
电压聚簇对振荡模态进行预测。
13.可选地，所述步骤s1中，以m为采样频率，对风电机组运行时的输出功率、电压以及
风速进行数据采集，m大于或等于100hz。
14.可选地，所述步骤s2中，依据风速变化幅度对采集的风电机组输出功率、电压以及风速数据进行分段。
15.可选地，所述步骤s2中，依据风速变化幅度对采集的风电机组输出功率、电压以及风速数据进行分段的步骤，具体包括：
16.步骤s201，创建一个数据段，顺序读取风速值，并将风速值写入该数据段，当数据段内的风速变化大于δ时，对该数据段进行保存，δ为风速变化阈值；
17.步骤s202、新建下一个数据段，继续读取风速数据，重复步骤s201中的风速变化判断条件，直至所有数据均被读取完毕，共得到n组风速数据；
18.步骤s203、将输出功率数据、电压数据与风速数据对齐，按照风速数据的划分方式，将输出功率数据和电压数据同样划分为n段，得到输出功率数据段{p1,p2,
…
,p
n
}、电压数据段{u1,u2,
…
,u
n
}和风速数据段{w1,w2,
…
,w
n
}。
19.可选地，设置所述风速变化阈值δ为0.05m/s。
20.可选地，所述步骤s3中，采用pony算法对每一段输出功率数据进行信号分解，得到该输出功率数据段包含的振荡模态。
21.可选地，所述步骤s3中，采用pony算法对功率数据段进行信号分解，得到该功率数据段包含的振荡模态，功率数据段的信号分解结果与振荡模态的对应规则如下表所示：
22.信号频率所属范围/hz振荡模态/hz振荡模态类别标签[0.1—1.8]0.1～1.81[1.82—2.02]1.922[4.17—4.57]4.373[11.91—12.91]12.414[22.4—23.6]235[44.57—46.17]45.376[77.5—80.5]797
[0023]
可选地，所述步骤s4中，求取每一段数据中风速与电压的平均值，采用ch指标确定风速、电压均值的最佳聚类簇数，并使用谱聚类算法对风速、电压均值进行聚类，得到风速
‑
电压聚簇。
[0024]
可选地，所述步骤s4中，采用ch指标确定风速、电压均值的最佳聚类簇数的步骤，具体包括：
[0025]
求取每一段数据中风速与电压的平均值，对风速均值、电压均值进行多次谱聚类，聚类簇数k为区间[a，b]中的自然数；计算每次聚类结果对应的ch指标，公式为：
[0026][0027]
式中，k为聚类簇数；m为样本数；b
k
、w
k
分别为簇间的协方差矩阵和簇内协方差矩阵；tr(
·
)为矩阵的迹；
[0028]
最大ch得分对应的k即为最佳聚类簇数k。
[0029]
可选地，设置参数a为2，设置参数b为10。
[0030]
可选地，所述步骤s4中，使用谱聚类算法对风速、电压均值聚为k类，得到风速
‑
电压聚簇标签。
[0031]
可选地，所述步骤s5中，采用fp
‑
growth算法挖掘风速
‑
电压聚簇与振荡模态的关联规则的步骤，具体包括：
[0032]
控制条目的前项为数据段的风速
‑
电压均值聚簇标签，后项为数据段包含的振荡模态标签，共得到n个条目；
[0033]
设置最小支持度s和最小置信度c，使用fp
‑
growth算法挖掘数据段风速
‑
电压聚簇与振荡模态的频繁项集，进而得到满足最小支持度和最小置信度的风速
‑
电压聚簇与振荡模态关联规则。
[0034]
可选地，所述步骤s6中，基于关联规则分析结果，利用风速
‑
电压聚簇对振荡模态进行预测的步骤，具体包括：
[0035]
控制条目的前项为当前数据段的风速
‑
电压均值聚簇标签，后项为下一个数据段包含的振荡模态标签，共得到n
‑
1个条目；
[0036]
设置最小支持度s和最小置信度c，使用fp
‑
growth算法挖掘当前数据段风速
‑
电压聚簇与下一个数据段振荡模态的频繁项集，进而得到满足最小支持度和最小置信度的当前数据段风速
‑
电压聚簇与下一个数据段振荡模态的关联规则，即可基于该规则和当前数据段的风速
‑
电压聚簇结果对下一个数据段的振荡模态进行预测。
[0037]
可选地，设置最小支持度s为0.4。
[0038]
可选地，设置最小置信度c为0.6。
[0039]
根据本发明实施例的第二方面，提供了一种计算机设备。
[0040]
在一些实施例中，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0041]
本发明实施例提供的技术方案可以包括以下有益效果：
[0042]
本发明能够利用风电机组运行大数据对机组的振荡模态进行关联分析，无需建立复杂的物理模型，计算速度快，为风电机组振荡模态识别提供参考。
[0043]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
[0044]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0045]
图1是根据一示例性实施例示出的一种基于fp
‑
growth的风电机组振荡模态与影响因素关联分析方法的流程图；
[0046]
图2是根据一示例性实施例示出的分析方法步骤s2的流程图；
[0047]
图3是根据一示例性实施例示出的计算机设备的结构示意图。
具体实施方式
[0048]
以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本
文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0049]
本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本文和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0050]
本文中，除非另有说明，术语“多个”表示两个或两个以上。
[0051]
本文中，字符“/”表示前后对象是一种“或”的关系。例如，a/b表示：a或b。
[0052]
本文中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，a和/或b，表示：a或b，或，a和b这三种关系。
[0053]
图1示出了本发明的基于fp
‑
growth的风电机组振荡模态与影响因素关联分析方法的一个可选实施例。
[0054]
在该可选实施例中，基于fp
‑
growth的风电机组振荡模态与影响因素关联分析方法包括：步骤s1，采集风电机组运行时的输出功率、电压以及风速数据；步骤s2，对采集的风电机组输出功率、电压以及风速数据进行分段；步骤s3，采用pony算法分析数据段包含的振荡模态；步骤s4，使用谱聚类算法对风速、电压均值进行聚类；步骤s5，采用fp
‑
growth算法挖掘风速
‑
电压聚簇与振荡模态的关联规则；步骤s6，基于关联规则分析结果，利用风速
‑
电压聚簇对振荡模态进行预测。
[0055]
可选地，所述步骤s1中，以m为采样频率，对风电机组实际运行时的输出功率p、电压u以及风速w进行数据采集，设置采样频率m大于或等于100hz。
[0056]
在一个实施例中，上述步骤s2中，依据风速变化幅度对采集的风电机组输出功率、电压以及风速数据进行分段。
[0057]
在一个实施例中，如图2所示，上述步骤s2中，依据风速变化幅度对采集的风电机组输出功率、电压以及风速数据进行分段的步骤，具体包括：
[0058]
步骤s201，创建一个数据段，顺序读取风速值，并将风速值写入该数据段，当数据段内的风速变化大于δ时，对该数据段进行保存，δ为风速变化阈值；
[0059]
步骤s202、新建下一个数据段，继续读取风速数据，重复步骤s201中的风速变化判断条件，直至所有数据均被读取完毕，共得到n组风速数据；
[0060]
步骤s203、将输出功率数据、电压数据与风速数据对齐，按照风速数据的划分方
式，将输出功率数据和电压数据同样划分为n段，得到输出功率数据段{p1,p2,
…
,p
n
}、电压数据段{u1,u2,
…
,u
n
}和风速数据段{w1,w2,
…
,w
n
}。
[0061]
可选地，设置风速变化阈值δ为0.05m/s。
[0062]
在一个实施例中，上述步骤s3中，采用pony算法对每一段输出功率数据进行信号分解，得到该输出功率数据段包含的振荡模态。
[0063]
在一个实施例中，上述步骤s3中，采用pony算法对功率数据段进行信号分解，得到该功率数据段包含的振荡模态，功率数据段的信号分解结果与振荡模态的对应规则如下表所示。
[0064]
表1
[0065]
信号频率所属范围/hz振荡模态/hz振荡模态类别标签[0.1—1.8]0.1～1.81[1.82—2.02]1.922[4.17—4.57]4.373[11.91—12.91]12.414[22.4—23.6]235[44.57—46.17]45.376[77.5—80.5]797
[0066]
在一个实施例中，上述步骤s4中，求取每一段数据中风速与电压的平均值，采用ch(calinski
‑
harabasz)指标确定风速、电压均值的最佳聚类簇数，并使用谱聚类算法对风速、电压均值进行聚类，得到风速
‑
电压聚簇。
[0067]
在一个实施例中，上述步骤s4中，采用ch指标确定风速、电压均值的最佳聚类簇数的步骤，具体包括：
[0068]
求取每一段数据中风速与电压的平均值，对风速、电压均值进行多次谱聚类，聚类簇数k为区间[a，b]中的自然数；计算每次聚类结果对应的ch指标，公式为：
[0069][0070]
式中，k为聚类簇数；m为样本数；b
k
、w
k
分别为簇间的协方差矩阵和簇内协方差矩阵；tr(
·
)为矩阵的迹。最大ch得分对应的k即为最佳聚类簇数k。
[0071]
可选地，设置参数a为2，设置参数b为10。
[0072]
在一个实施例中，上述步骤s4中，使用谱聚类算法对风速、电压均值聚为k类，得到风速
‑
电压聚簇标签。
[0073]
在一个实施例中，上述步骤s5中，采用fp
‑
growth算法挖掘风速
‑
电压聚簇与振荡模态的关联规则的步骤，具体包括：控制条目的前项为数据段的风速
‑
电压均值聚簇标签，后项为数据段包含的振荡模态标签，共得到n个条目；设置最小支持度s和最小置信度c，使用fp
‑
growth算法挖掘数据段风速
‑
电压聚簇与振荡模态的频繁项集，进而得到满足最小支持度和最小置信度的风速
‑
电压聚簇与振荡模态关联规则。
[0074]
在一个实施例中，上述步骤s6中，基于关联规则分析结果，利用风速
‑
电压聚簇对振荡模态进行预测的步骤，具体包括：控制条目的前项为当前数据段的风速
‑
电压均值聚簇
标签，后项为下一个数据段包含的振荡模态标签，共得到n
‑
1个条目；设置最小支持度s和最小置信度c，使用fp
‑
growth算法挖掘当前数据段风速
‑
电压聚簇与下一个数据段振荡模态的频繁项集，进而得到满足最小支持度和最小置信度的当前数据段风速
‑
电压聚簇与下一个数据段振荡模态的关联规则，即可基于该规则和当前数据段的风速
‑
电压聚簇结果对下一个数据段的振荡模态进行预测。
[0075]
可选地，设置最小支持度s为0.4。
[0076]
可选地，设置最小置信度c为0.6。
[0077]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。
[0078]
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0079]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
[0080]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤。
[0081]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read
‑
only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static randomaccess memory，sram)或动态随机存取存储器(dynamic randomaccess memory，dram)等。
[0082]
本发明并不局限于上面已经描述并在附图中示出的结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。