一种风电场分区及其出力相关系数计算方法和系统与流程

1.本发明涉及一种风电场分区及其出力相关系数计算方法和系统，属于新能源技术领域，特别涉及风电场分区技术领域。


背景技术：

2.风电是一种清洁、绿色的可再生能源，近年来随着我国能源结构的调整，风电装机快速增长。全国风电并网装机容量年均增长16.9％，整体维持高速发展的势头。截至2020年底，全国累计并网风电装机容量达28153万千瓦，占全国电源总装机容量的12.8％，占非化石电源装机容量的28.6％。
3.新能源接入比例的显著提升将会给系统运行带来更大的不确定性，从而对电力系统安全、经济、可靠运行带来严峻挑战，也将对电网规划和发展提出新的挑战。一是新能源接入会带来系统运行更大的不确定性，准确描述高比例新能源的波动性与时空关联特性对系统运行方式的影响至关重要。风能资源的形成受多种自然因素的影响，特别是气候带、山川地形和海陆分布的影响，在时间和空间分布上存在着很强的时间性和地域性。所以风电出力模拟时，必须要考虑风电场出力之间的相关性。电源规划中，考虑到风电场一般数目众多，将数量众多的各风电场两两分析相关性过于复杂，另外也无法研究规划风电场的相关性，所以需要确定一个地理区域将出力特性接近的风电场归为一个风电场分区，简称“风区”。
4.准确的模拟未来风电出力是进行电源规划、电网规划的基础。目前考虑相关性的风电出力模拟常规方法一般是按行政区划将风电场简单划分为不同风区，并根据风区间的距离大略估计两个风区的出力相关系数，然后根据风电出力的概率分布和风区相关系数模拟未来风电出力。风区的准确划分和风区间相关性的求取是准确模拟未来风电出力的基础，为目前的常规方法人为因素影响较大，缺乏科学的理论和方法支撑。


技术实现要素：

5.针对上述问题，本发明的目的是提供了一种风电场分区及其出力相关系数计算方法和系统，其可以更加科学的进行风区划分，进而更准确、高效的模拟未来风电出力。
6.为实现上述目的，本发明采取以下技术方案：一种风电场分区及其出力相关系数计算方法，包括以下步骤：输入各个风电场对应的经过预处理的风电场出力序列；对风电场出力序列进行聚类分析，通过轮廓系数法确定最优聚类数，从而获得最终的风电场分区结果；根据最终的风电场分区结果，计算同一风区中风电场出力序列的和，将风电场出力序列的和作为风区的出力序列；计算各风区的出力序列的pearson相关系数。
7.进一步，预处理方法包括：去除投运时间晚于研究时段起始时间的风电场出力序列，并将各风电场出力序列进行标准化处理。
8.进一步，标准化处理采用z
‑
score标准化方法，经过标准化的风电场出力序列公式为：
[0009][0010]
其中，σ
i
为第i个风电场出力序列的方差，为第i个风电场出力序列在其时序长度t内的平均值，p
i
是第i个风电场出力序列，是经过标准化的第i个风电场出力序列，其公式为：
[0011][0012]
t是每个风电场出力序列的时序长度，p
it
是第t个时间间隔中第i个风电场出力序列。
[0013]
进一步，聚类分析通过k
‑
means算法实现。
[0014]
进一步，k
‑
means算法具体包括以下步骤：根据初始聚类数，选取k个聚类中心，根据k个聚类中心，进行聚类计算，计算初始聚类数对应的轮廓系数，根据轮廓系数判断初始聚类数是否超出聚类范围；若初始聚类数超出聚类范围，则进入下一步，否则，对初始聚类数进行调整，并返回上一步；计算各类别的轮廓系数，选择轮廓系数最大对应的分类结果作为最终的风电场分区结果。
[0015]
进一步，聚类中心选取的方法是：首先，将所有风电场出力序列作为一类，取所有风电场出力序列的均值作为第一个初始聚类中心；其次，在所有待聚类数据中找出离第一个初始聚类中心最远的风电场出力序列作为第二个初始聚类中心；在剩余的待聚类数据中选取距离第一个初始聚类中心与第二个初始聚类中心的距离之和大于阈值的风电场出力序列作为第三个初始聚类中心，以此类推，第k个初始聚类中心为距离前k
‑
1初始聚类中心距离之和最远的风电场出力序列。
[0016]
进一步，聚类计算包括以下步骤：计算各风电场出力序列到各初始聚类中心的距离；根据距离最小原则，对各风电场出力序列进行分类；计算每一风区的风电场出力序列的平均值作为聚类中心，计算分类结果对应的准则函数e，重复上述步骤，直到获得的准则函数与前一次循环获得的准则函数的差值小于阈值为止。
[0017]
进一步，准则函数e的计算公式是：
[0018][0019]
其中，k是聚类数，l是类别c
j
中一个风电场出力序列，c
j
是第j个初始聚类中心对应的风区类别，是经过标准化的第l个风电场出力序列，w
j
是第j个初始聚类中心。
[0020]
进一步，pearson相关系数ρ
ij
的计算公式为：
[0021][0022]
其中，i,j＝1,
…
,k，q
it
是第t个时间间隔中第i个风电场出力序列，q
jt
是第t个时
间间隔中第j个风电场出力序列，t是每个风电场出力序列的时序长度。
[0023]
本发明还公开了一种风电场分区及其出力相关系数计算系统，包括：输入模块，用于输入各个风电场对应的经过预处理的风电场出力序列{p1,p2,
…
,p
n
}；聚类模块，用于对风电场出力序列进行聚类分析，通过轮廓系数法确定最优聚类数，从而获得最终的风电场分区结果；风区出力序列计算模块，用于根据最终的风电场分区结果，计算同一风区中风电场出力序列的和，将风电场出力序列的和作为风区的出力序列；系数计算模块，用于计算各风区的出力序列的pearson相关系数。
[0024]
进一步，预处理方法包括：去除投运时间晚于研究时段起始时间的风电场出力序列，并将各风电场出力序列进行标准化处理。
[0025]
进一步，标准化处理采用z
‑
score标准化方法，经过标准化的风电场出力序列公式为：
[0026][0027]
其中，σ
i
为第i个风电场出力序列的方差，为第i个风电场出力序列在其时序长度t内的平均值，p
i
是第i个风电场出力序列，是经过标准化的第i个风电场出力序列，其公式为：
[0028][0029]
t是每个风电场出力序列的时序长度，p
it
是第t个时间间隔中第i个风电场出力序列。
[0030]
进一步，聚类分析通过k
‑
means算法实现。
[0031]
进一步，k
‑
means算法具体包括以下步骤：
[0032]
根据初始聚类数，选取k个聚类中心，根据k个聚类中心，进行聚类计算，计算初始聚类数对应的轮廓系数，根据轮廓系数判断初始聚类数是否超出聚类范围；
[0033]
若初始聚类数超出聚类范围，则进入下一步，否则，对初始聚类数进行调整，并返回上一步；
[0034]
计算各类别的轮廓系数，选择轮廓系数最大对应的分类结果作为最终的风电场分区结果。
[0035]
进一步，聚类中心选取的方法是：首先，将所有风电场出力序列作为一类，取所有风电场出力序列的均值作为第一个初始聚类中心；其次，在所有待聚类数据中找出离第一个初始聚类中心最远的风电场出力序列作为第二个初始聚类中心；在剩余的待聚类数据中选取距离第一个初始聚类中心与第二个初始聚类中心的距离之和大于阈值的风电场出力序列作为第三个初始聚类中心，以此类推，第k个初始聚类中心为距离前k
‑
1初始聚类中心距离之和最远的风电场出力序列。
[0036]
进一步，聚类计算包括以下步骤：计算各风电场出力序列到各初始聚类中心的距离；根据距离最小原则，对各风电场出力序列进行分类；计算每一风区的风电场出力序列的平均值作为聚类中心，计算分类结果对应的准则函数e，重复上述步骤，直到获得的准则函
数与前一次循环获得的准则函数的差值小于阈值为止。
[0037]
进一步，准则函数e的计算公式是：
[0038][0039]
其中，k是聚类数，l是类别c
j
中一个风电场出力序列，c
j
是第j个初始聚类中心对应的风区类别，是经过标准化的第l个风电场出力序列，w
j
是第j个初始聚类中心。
[0040]
进一步，pearson相关系数ρ
ij
的计算公式为：
[0041][0042]
其中，i,j＝1,
…
,k，q
it
是第t个时间间隔中第i个风电场出力序列，q
jt
是第t个时间间隔中第j个风电场出力序列，t是每个风电场出力序列的时序长度。
[0043]
本发明还公开了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行根据上述任一项的风电场分区及其出力相关系数计算方法。
[0044]
本发明还公开了一种计算设备，包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据上述任一项的风电场分区及其出力相关系数计算方法。
[0045]
本发明由于采取以上技术方案，其具有以下优点：可以简便的基于电网调度运行的各风电场实际出力数据划分风电场分区，并得到各个风区出力曲线以及风区间出力相关系数，相比于传统按行政区域划分风区的方法，本发明提出的风电场分区及其出力相关系数计算方法更加科学合理。风区的科学划分和风区间相关性的准确求取是精确模拟未来风电出力的基础。在此基础上，通过各风区出力曲线可以得出风区出力曲线的概率分布函数，再结合各分区间出力系数和未来各个风区的新增装机规模，就可以更加准确的模拟生产未来新能源出力，为电源规划、生产模拟计算等奠定基础。
附图说明
[0046]
图1是本发明一实施例中风电场分区及其出力相关系数计算方法流程图；
[0047]
图2是本发明一实施例中轮廓系数随聚类数k变化示意图。
具体实施方式
[0048]
为了使本领域技术人员更好的理解本发明的技术方案，通过具体实施例对本发明进行详细的描述。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
[0049]
本发明公开了一种风电场分区及其出力相关系数计算方法和系统，其通过对实际风电场出力曲线进行聚类，根据聚类结果进行风电场分区，并确定各风区出力的相关性。其
可以更加科学的进行风区划分，进而更准确、高效的模拟未来风电出力。下面结合附图，结合具体实施例对本发明方案进行详细说明。
[0050]
实施例一
[0051]
本实施例公开了一种风电场分区及其出力相关系数计算方法，如图1所示，包括以下步骤：
[0052]
s1输入各个风电场对应的经过预处理的风电场出力序列{p1,p2,
…
,p
n
}，其中包括n个风电场在时序长度t中提取的风电场出力序列。风电场出力序列应为等时间间隔序列，如每隔15分钟或1小时进行一次取样，时序长度t通常为较长的一段时间，如一季度、半年或一年，应避免选取限电较大的时段。
[0053]
预处理方法包括：去除投运时间晚于研究时段起始时间的风电场出力序列。随后，将各风电场出力序列进行标准化处理，本实施例中标准化方法采用z
‑
score标准化法。
[0054]
标准化处理采用z
‑
score标准化方法，经过标准化的风电场出力序列公式为：
[0055][0056]
其中，σ
i
为第i个风电场出力序列的方差，为第i个风电场出力序列在其时序长度t内的平均值，p
i
是第i个风电场出力序列，是经过标准化的第i个风电场出力序列，其公式为：
[0057][0058]
t是每个风电场出力序列的时序长度，p
it
是第t个时间间隔中的风电场出力序列。
[0059]
s2对风电场出力序列进行聚类分析，通过轮廓系数法确定最优聚类数，从而获得最终的风电场分区结果。
[0060]
聚类分析通过k
‑
means算法实现。其中，若风电场个数为n，聚类范围选取一般为也可根据经验或需求确定合理的聚类范围。
[0061]
k
‑
means算法具体包括以下步骤：
[0062]
s2.1根据初始聚类数k，选取k个聚类中心，根据k个聚类中心，进行聚类计算，计算初始聚类数k对应的轮廓系数，根据轮廓系数判断初始聚类数k超出聚类范围。
[0063]
聚类中心选取的方法是：首先，将所有待聚类数据作为一类，取所有待聚类数据的均值作为第一个初始聚类中心；其次，在所有待聚类数据中找出离第一个初始聚类中心最远的风电场出力序列作为第二个初始聚类中心；在剩余的待聚类数据中选取距离第一个初始聚类中心与第二个初始聚类中心之和大于阈值的风电场出力序列作为第三个初始聚类中心，以此类推，第k个初始聚类中心为距离前k
‑
1初始聚类中心距离之和最远的风电场出力序列。此处的两个距离之和可以是单纯的数字和，也可以是将两个距离分别与各自权重相乘后再相加，或者也可以使矢量和，总之两个距离之和应理解为包括所有现有的距离求和方式。
[0064]
聚类计算包括以下步骤：计算各风电场出力序列到各初始聚类中心的距离；根据距离最小原则，对各风电场出力序列进行分类，对于每一个输入向量p
l
，其中l∈{1,2,
…
,
n}，将p
l
分配给最近的类中心所属的类c
j
,即|p
l
‑
w
k
|≤|p
l
‑
w
m
|，j,m∈{1,2,
…
,k},m≠j；计算每一风区的风电场出力序列的平均值作为当前的聚类中心，其计算公式为：
[0065][0066]
其中，l是类别c
j
中一个风电场出力序列，c
j
是第j个初始聚类中心对应的类别，w
j
是第j个初始聚类中心，p
l
是第l个风电场出力序列。
[0067]
计算分类结果对应的准则函数e，重复上述步骤，直到获得的准则函数与前一次循环获得的准则函数的差值小于阈值为止。
[0068]
准则函数e的计算公式是：
[0069][0070]
其中，k是聚类数，l是类别c
j
中一个风电场出力序列，c
j
是第j个初始聚类中心对应的类别，是经过标准化的第l个风电场出力序列，w
j
是第j个初始聚类中心。
[0071]
s2.2若初始聚类数k超出聚类范围，则结束聚类，否则，返回上一步，对初始聚类数进行调整。
[0072]
s2.3计算各类别的轮廓系数，选择轮廓系数最大的聚类数k作为最终的风电场分区结果。轮廓系数随聚类数k变化示意图如图2所示。
[0073]
具体的，每个风电场出力序列j的轮廓系数公式如下：
[0074][0075]
其中，a(i)代表风电场出力序列i到同簇其他风电场出力序列的平均距离，设i∈c
j
，则a(i)计算方式如下：
[0076][0077]
b(i)表示风电场出力序列i到其他簇的最小距离，设i∈c
j
,则b(i)计算公式如下：
[0078]
b(i)＝min{b
i1
,
…
,b
i,i
‑1,b
i,i 1
,
…
,b
ik
}
[0079]
其中，b
ij
表示风电场出力序列i到簇j(j≠i)的平均距离，b
ij
计算公式如下：
[0080][0081]
根据风电分区结果c
j
重新整合数据集{q1,
…
,q
k
}，q
j
(j＝1,
…
,k)的计算公式为：
[0082][0083]
s3根据最终的风电场分区结果，计算同一风区中风电场出力序列的和，将风电场出力序列的和作为风区的出力序列；
[0084]
s4计算各风区的出力序列的pearson相关系数。
[0085]
pearson相关系数ρ
ij
的计算公式为：
[0086][0087]
其中，i,j＝1,
…
,k，q
it
是风电场出力序列中某时刻的第i个值，q
jt
是风电场出力序列中某时刻的第j个值，t是每个风电场出力序列的时序长度。
[0088]
实施例二
[0089]
基于相同的发明构思，本实施例以某地理位置相近的共计94个风电场r1～r
94
为例，对实施例一中方案进行详细说明。
[0090]
本实施例公开了一种风电场分区及其出力相关系数计算方法，包括以下步骤：
[0091]
s1读取风电场r1～r
94
的出力历史数据。通过数据采集与监控系统，读取西北某省2020年1月1日0时至2021年1月1日0时共计94个在投风电场的历史出力序列p1～p
94
，时间分辨率为1小时，序列长度t＝8784。风电场r
i
的历史出力时间序列为：
[0092]
p
i
＝{p
i1
,p
i1
,
…
,p
i,8764
},i＝1,
…
,94
[0093]
根据标准化原则，计算归一化历史风电出力时间序列。
[0094][0095]
s2对风电场出力序列进行聚类分析，通过轮廓系数法确定最优聚类数，从而获得最终的风电场分区结果。
[0096]
k
‑
means算法具体包括以下步骤：
[0097]
s2.1根据初始聚类数k，选取k个聚类中心，根据k个聚类中心，进行聚类计算，计算初始聚类数k对应的轮廓系数，根据轮廓系数判断初始聚类数k超出聚类范围。本实施例指定聚类数k＝4并初始化k个初始聚类中心{w1,w2,w3,w4}。
[0098]
聚类中心选取的方法是：首先，将所有待聚类数据作为一类，取所有待聚类数据的均值作为第一个初始聚类中心，即：
[0099][0100]
其次，在所有待聚类数据中找出离第一个初始聚类中心最远的风电场出力序列作为第二个初始聚类中心，即：
[0101][0102]
在剩余的待聚类数据中选取距离第一个初始聚类中心和第二个初始聚类中心最远的风电场出力序列作为第三个初始聚类中心，即：
[0103][0104]
以此类推，第k个初始聚类中心为距离前k
‑
1初始聚类中心距离之和最远的风电场
出力序列。
[0105]
聚类计算包括以下步骤：计算各风电场出力序列到各初始聚类中心的距离；根据距离最小原则，对各风电场出力序列进行分类，对于每一个输入向量p
l
，其中l∈{1,2,
…
,n}，将p
l
分配给最近的类中心所属的类c
j
,即|p
l
‑
w
k
|≤|p
l
‑
w
m
|，j,m∈{1,2,
…
,k},m≠j；取94个风电场中前4个为聚类中心，且风电场5～30出力特性距离第一个聚类中心相比其余三个聚类中心更近，则将风电场5～30归类为第一类，即第一类c1＝{1,5,6,7,8,
…
,30}，定义各类别集合中元素初始个数，如|c1|＝27。计算每一风区的风电场出力序列的平均值作为当前的聚类中心，其计算公式为：
[0106][0107]
其中，l是类别c
j
中一个风电场出力序列，c
j
是第j个初始聚类中心对应的类别，w
j
是第j个初始聚类中心，p
l
是第l个风电场出力序列。如是第l个风电场出力序列。如
[0108]
计算分类结果对应的准则函数e，重复上述步骤，直到获得的准则函数与前一次循环获得的准则函数的差值小于阈值为止。
[0109]
准则函数e的计算公式是：
[0110][0111]
其中，k是聚类数，l是类别c
j
中一个风电场出力序列，c
j
是第j个初始聚类中心对应的类别，是经过标准化的第l个风电场出力序列，w
j
是第j个初始聚类中心。
[0112]
s2.2若初始聚类数k超出聚类范围，则结束聚类，否则，返回上一步，对初始聚类数进行调整。
[0113]
s2.3计算各类别的轮廓系数，选择轮廓系数最大的聚类数k作为最终的风电场分区结果。轮廓系数随聚类数k变化示意图如图2所示。
[0114]
具体的，每个风电场出力序列j的轮廓系数公式如下：
[0115][0116]
其中，a(i)代表风电场出力序列i到同簇其他风电场出力序列的平均距离，设i∈c
j
，则a(i)计算方式如下：
[0117][0118]
b(i)表示风电场出力序列i到其他簇的最小距离，设i∈c
j
,则b(i)计算公式如下：
[0119][0120]
其中，b
ii
表示风电场出力序列i到簇j(j≠i)的平均距离。如图2所示，本实施例中最佳的聚类数为6。
[0121]
根据风电分区结果c
j
重新整合数据集{q1,
…
,q
k
}，q
j
(j＝1,
…
,k)的计算公式为：
[0122][0123]
s3根据最终的风电场分区结果，计算同一风区中风电场出力序列的和，将风电场出力序列的和作为风区的出力序列；
[0124]
s4计算各风区的出力序列的pearson相关系数。
[0125]
pearson相关系数ρ
ij
的计算公式为：
[0126][0127]
其中，i,j＝1,
…
,k，q
it
是风电场出力序列中某时刻的第i个值，q
jt
是风电场出力序列中某时刻的第j个值，t是每个风电场出力序列的时序长度。各风区的pearson相关系数如表1所示。
[0128]
表1各风区间pearson相关系数表
[0129]
风区123456110.5014580.5406490.6596980.6235480.62879220.50145810.5159470.5721470.7396830.36824130.5406490.51594710.6021290.6288220.56280140.6596980.5721470.60212910.6365840.64301250.6235480.7396830.6288220.63658410.53667860.6287920.3682410.5628010.6430120.5366781
[0130]
实施例三
[0131]
基于相同的发明构思，本实施例公开了一种风电场分区及其出力相关系数计算系统，包括：
[0132]
输入模块，用于输入各个风电场对应的经过预处理的风电场出力序列{p1,p2,
…
,p
n
}；
[0133]
聚类模块，用于对风电场出力序列进行聚类分析，通过轮廓系数法确定最优聚类数，从而获得最终的风电场分区结果；
[0134]
风区出力序列计算模块，用于根据最终的风电场分区结果，计算同一风区中风电场出力序列的和，将风电场出力序列的和作为风区的出力序列；
[0135]
系数计算模块，用于计算各风区的出力序列的pearson相关系数。
[0136]
预处理方法包括：去除投运时间晚于研究时段起始时间的风电场出力序列，并将
各风电场出力序列进行标准化处理。
[0137]
标准化处理采用z
‑
score标准化方法，经过标准化的风电场出力序列公式为：
[0138][0139]
其中，σ
i
为第i个风电场出力序列的方差，为第i个风电场出力序列在其时序长度t内的平均值，p
i
是第i个风电场出力序列，是经过标准化的第i个风电场出力序列，其公式为：
[0140][0141]
t是每个风电场出力序列的时序长度，p
it
是第t个时间间隔中第i个风电场出力序列。
[0142]
聚类分析通过k
‑
means算法实现，其具体包括以下步骤：
[0143]
根据初始聚类数，选取k个聚类中心，根据k个聚类中心，进行聚类计算，计算初始聚类数对应的轮廓系数，根据轮廓系数判断初始聚类数是否超出聚类范围；
[0144]
若初始聚类数超出聚类范围，则进入下一步，否则，对初始聚类数进行调整，并返回上一步；
[0145]
计算各类别的轮廓系数，选择轮廓系数最大对应的分类结果作为最终的风电场分区结果。
[0146]
聚类中心选取的方法是：
[0147]
首先，将所有风电场出力序列作为一类，取所有风电场出力序列的均值作为第一个初始聚类中心；
[0148]
其次，在所有待聚类数据中找出离第一个初始聚类中心最远的风电场出力序列作为第二个初始聚类中心；在剩余的待聚类数据中选取距离第一个初始聚类中心与第二个初始聚类中心之和大于阈值的风电场出力序列作为第三个初始聚类中心，以此类推，第k个初始聚类中心为距离前k
‑
1初始聚类中心距离之和最远的风电场出力序列。此处的两个距离之和可以是单纯的数字和，也可以是将两个距离分别与各自权重相乘后再相加，或者也可以使矢量和，总之两个距离之和应理解为包括所有现有的距离求和方式。聚类计算包括以下步骤：计算各风电场出力序列到各初始聚类中心的距离；根据距离最小原则，对各风电场出力序列进行分类；计算每一风区的风电场出力序列的平均值作为聚类中心，计算分类结果对应的准则函数e，重复上述步骤，直到获得的准则函数与前一次循环获得的准则函数的差值小于阈值为止。
[0149]
准则函数e的计算公式是：
[0150][0151]
其中，k是聚类数，l是类别c
j
中一个风电场出力序列，c
j
是第j个初始聚类中心对应的风区类别，是经过标准化的第l个风电场出力序列，w
j
是第j个初始聚类中心。
[0152]
pearson相关系数ρ
ij
的计算公式为：
[0153][0154]
其中，i,j＝1,
…
,k，q
it
是第t个时间间隔中第i个风电场出力序列，q
jt
是第t个时间间隔中第j个风电场出力序列，t是每个风电场出力序列的时序长度。
[0155]
实施例四
[0156]
基于相同的发明构思，本实施例公开了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行根据上述任一项的风电场分区及其出力相关系数计算方法。
[0157]
实施例五
[0158]
基于相同的发明构思，本实施例公开了一种计算设备，包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据上述任一项的风电场分区及其出力相关系数计算方法。
[0159]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0160]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0161]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0162]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0163]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在
本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。