(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 202111302789.2 (22)申请日 2021.11.05 (71)申请人 国网甘肃省电力公司电力科 学研究 院 地址 730070 甘肃省兰州市安宁区万 新北 路249号 申请人 国网甘肃省电力公司 (72)发明人 马喜平　甄文喜　姚寅　沈渭程　 王臣赟　陈柏旭　董开松　朱宏毅　 赵霖　魏博　 (74)专利代理 机构 西安汇恩知识产权代理事务 所(普通合伙) 6124 4 代理人 曹昆 (51)Int.Cl. G06F 30/27(2020.01)G06Q 50/06(2012.01) G06F 111/08(2020.01) G06F 113/06(2020.01) G06F 113/08(2020.01) (54)发明名称 计及风速随机性与相关性的分区虚拟惯量 估计方法 (57)摘要 本发明公开了计及风速随机性与相关性的 分区虚拟惯量估计方法， 包括以下步骤： 步骤1： 考虑风速的尾流及时延效应， 采用分段聚合近似 法对历史风速数据进行处理， 建立场内各机组风 速日变化曲线； 步骤2： 采用双尺度谱聚类算法对 各机组风速日变化曲线进行聚类， 实现场内机组 的分区， 形成数个机群； 步骤3： 采用非参数核密 度估计法对各机群中心机组风速概率分布进行 拟合， 构建最优Copu la函数分析各机群中心与测 风塔之间风速的相关性； 步骤4： 考虑风速 ‑惯量 间的不确定性， 基于实际风电场内部结构和风速 数据估计风电场内各机 群的虚拟惯量储备。 权利要求书4页 说明书13页 附图9页 CN 113935247 A 2022.01.14 CN 113935247 A 1.计及风速随机性与相关性的分区虚拟惯量估计方法， 其特 征在于， 包括以下步骤： 步骤1： 考虑风速的尾流及时延效应， 采用分段聚合近似法对历史风速数据进行处理， 建立场内各机组风速日变化曲线； 步骤2： 采用双尺度谱聚类算法对各机组风速日变化曲线进行聚类， 实现场内机组的分 区， 形成数个机群； 步骤3： 采用非参数核密度估计法对各机群 中心机组风速概率分布进行拟合， 构建最优 Copula函数分析 各机群中心与测风塔之间风速的相关性； 步骤4： 考虑风速 ‑惯量间的不确定性， 基于实际风电场内部结构和风速数据估计风电 场内各机群的虚拟惯量储备。 2.根据权利要求1所述的计及风速随机性与相关性的分区虚拟惯量估计方法， 其特征 在于， 在步骤2中， 实现风电场的分区过程如下： 步骤201： 基于距离的相似性度量 具有M个风速数据的集合X(x1,x2,…,xM)， 其中每个风速曲线xi的数据长度为L； 欧式距 离为L维空间中两个数据点之间的真实距离， 风速曲线xi和xj之间的欧式距离 定义为: 步骤202： 基于形态特 征的相似性度量 形态特征表征曲线的波动程度， 采用信息熵作为风速曲线波动程度的衡量指标； 设某 一时间段的风速曲线xi有n种可能值， 为x1， x2，…， xn； 每个可能值的概率为p1， p2，…， pn； 则 该时间段风速曲线xi的熵值Hn定义为： 熵值的大小反应了曲线的波动程度， 熵值越大， 曲线波动程度越大； 同理， 两个风速曲 线的信息熵值越相近， 则两条曲线的波动相似性越高； 通过基于距离和形态的相似性度量特征提取， 构建每台风机风速的相似度矩阵， 利用 谱聚类算法将距离接近且波动程度相似的风速日变化曲线聚为一类， 从而实现风电场的分 区。 3.根据权利要求2所述的计及风速随机性与相关性的分区虚拟惯量估计方法， 其特征 在于， 在步骤3中， 经过步骤2对场内机组聚类降维后， 设整个风电场被 分为N个机组区域， 绘 制各机群区域与测风塔间的风速序列联合分布概率直方图， 分析其尾部特性及对称特性， 根据与经验Copula函数欧式距离最小的方法选择最优Copula函数。 4.根据权利要求3所述的计及风速随机性与相关性的分区虚拟惯量估计方法， 其特征 在于， 构建最优Copula函数分析 各机群中心与测风塔之间风速的相关性的具体过程如下： 步骤301： 首先引入经验Copula函数， 随机变量X、 Y， 经验分布函数分别为和Fn(x)和Hn (x)， 经验Copula函数定义 为：权　利　要　求　书 1/4 页 2 CN 113935247 A 2式中u,v∈[0,1]； Fn(xi)≤u时， 否则为0； 利用极大似然估计法求得各理论Copula函数的相关未知参数； 根据式(1)， 通过欧式距 离的定义式， 并结合理论Copula函数和经验Copula函数 得到了两者的欧氏距离平方如下： 式中P为理论Copula函数类型， 反映了理论Copula函数与经验Copula函数间的欧式 距离平方， 最小值所对应的Copula函数为 最优Copula函数； 选出最优Copula函数之后， 则机群i与测风塔m之间的二元 联合概率密度函数为： fi(vi,vm)＝Ci(uvi,vvm)f(vi)f(vm)               (5) 当进行惯量估计时， 已知测风塔测得的详细风速数据， 建立最优Copula函数描述测风 塔和各机群之间的风速相关性， 由此 得到各机群的瞬时风速概 率密度函数为： 5.根据权利要求4所述的计及风速随机性与相关性的分区虚拟惯量估计方法， 其特征 在于， 在步骤4中， 基于风速分区间的可用惯量估计过程如下： 根据风电场减载控制方式， 分为低风速区、 中风速区和高风速区； 在低风速区， 依据空气动力学相关理论， 当风电机组运行于MPPT工作模式时， 其捕获的 机械功率可由下式表示： 式中， ρ 为空气密度， CPmax为风能捕获系数， λ为叶尖速比， β 为桨距角， R为风机叶片半径， V为风速； 其中， 风能捕获系数CPmax与叶尖速比λ和桨距角 β 相关： 上式中ω为发电机转速； p为发电机极对数； G为齿轮箱极对数； 当减载率 为d％时， 其功率 值见下式： 联合上述 二式， 可得： CP‑de＝(1‑d％)CPmax                       (11)权　利　要　求　书 2/4 页 3 CN 113935247 A 3