1.本发明属于新能源技术领域，具体涉及一种基于凝聚型层次聚类的风电场故障数据识别方法。
背景技术：2.风能作为一种可再生能源，近些年越来越受到能源产业的重视。全球各国的风电行业发展十分迅速，我国2020年仅上半年风力发电量达到2379亿千瓦时。
3.随着风电产业规模的扩大，由于电网故障而引起的电压跌落事件频繁发生，电压跌落故障可能会引起风电场内大量风机同时退出运行，且容易造成相邻风电场大规模风机脱网，引起事故扩大，危及整个电网的安全稳定运行。因此，对于风电机组以及风电场的低电压穿越能力要求是风电场建设过程中必须考察的一环。所谓低电压穿越能力，是指当外电网发生故障导致风电场并网点发生电压跌落事件时，风电场内的风电机组能够保持不脱网运行，并在电压跌落期间为电网提供一定的无功支撑能力，帮助电网电压迅速恢复。
4.风电场在实际运行过程中，由于无法预测电压跌落的故障时间，且风电场并网点发生电压跌落故障时一般会引起场内风机的有功功率和无功功率水平发生变化，所以对风电场正常运行期间的数据进行故障诊断或识别分类就显得十分重要。
技术实现要素：5.本发明的目的是利用凝聚型层次聚类方法，针对风电场运行过程中的有功功率、无功功率和无功电流三种数据，对风电场的运行数据进行识别和分类。实验中利用凝聚型层次聚类对风电场数据进行检测和识别，并最终得出故障数据和正常数据的分类结果。凝聚型层次聚类在初始状态下将所有样本各视为一个簇，其次依据一定策略逐步将相近的簇进行合并，直到满足终止条件。
6.为实现上述发明目的，本发明提供技术方案如下：
7.一种基于凝聚型层次聚类的风电场故障数据识别分类方法，所述方法包括以下步骤：
8.步骤1：搭建风电场模型；
9.步骤2：获取数据样本并构建数据集，具体包括：
10.步骤(2-1)对步骤1所搭建的风电场模型进行仿真运行，获得风电场运行数据并将其作为正常运行数据样本；
11.步骤(2-2)进行风电场的低电压穿越故障仿真运行，获得故障仿真数据并将其作为故障数据样本；所述的故障仿真在运行时，选择三相短路故障进行仿真运行。
12.步骤3：实施凝聚型层次聚类，具体包括：
13.步骤(3-1)读取步骤2中得到的风电场正常运行数据样本以及故障仿真数据样本，并进行标准化处理操作；
14.步骤(3-2)计算经步骤(3-1)标准化处理后样本间的欧氏距离；
15.步骤(3-3)以样本间的欧氏距离作为指标进行样本簇的聚类；当样本簇的数量大于2时继续进行聚类，当样本簇的数量减少为2时，终止聚类。
16.步骤4：识别风电场故障数据。
17.进一步的，所述步骤(2-2)中，对在风电场并网点处分别发生电压跌落至20％、35％和50％标称值的三相短路故障情况进行仿真，得到的仿真数据中，选择有功功率、无功功率和无功电流三种数据作为故障识别的数据样本。
18.进一步的，所述步骤(3-3)中，所述距离选自平均距离、最短距离和最大距离中的任意一项。
19.进一步的，所述步骤4具体包括：
20.步骤(4-1)将步骤3聚类所得的2个簇的仿真数据按簇划分；
21.步骤(4-2)根据风电场的有功功率、无功电流和无功功率的特征判定所述2个簇的归属，即故障簇与非故障簇。
22.本发明的有益效果如下：
23.通过本方法可以有效识别风电场在运行过程中出现的故障数据，可以应对风电场出现电压跌落故障并进行相应的低电压穿越决策等。
附图说明
24.图1至图4为在风电场发生三相短路故障电压跌落至50％标称值时的故障数据分类图；
25.其中，图1中三坐标轴分别为有功功率(mw)、无功功率(mw)和无功电流值(ka)，图2至图4为上述三轴数据按照时间顺序作图，黑色部分是识别结果为“故障”的数据，灰色部分是识别结果为“正常”的数据。
26.图5至图8为在风电场发生三相短路故障电压跌落至35％标称值时的故障数据分类图；
27.其中，图5中三坐标轴分别为有功功率(mw)、无功功率(mw)和无功电流值(ka)，图6至图8为上述三轴数据按照时间顺序作图，黑色部分是识别结果为“故障”的数据，灰色部分是识别结果为“正常”的数据。
28.图9至图12为在风电场发生三相短路故障电压跌落至20％标称值时的故障数据分类图；
29.其中，图9中三坐标轴分别为有功功率(mw)、无功功率(mw)和无功电流值(ka)，图10至图12为上述三轴数据按照时间顺序作图，黑色部分是识别结果为“故障”的数据，灰色部分是识别结果为“正常”的数据。
具体实施方式
30.下面结合附图对本发明作进一步的说明。
31.本发明提供了一种基于凝聚型层次聚类的风电场故障数据识别分类方法，所述方法包括以下步骤：
32.步骤1：搭建风电场模型；
33.首先，搭建用于提取数据的风电场模型，本方法中的风电场运行数据均来自于以
某省实地的风场为原型的风电场仿真模型。本风电场装机容量48mw，共安装16台额定功率为3mw的风电机组以及一台额定容量12mvar的动态无功补偿装置svg。其中风电场电气接线、主变压器、箱式变压器以及拓扑结构等相关参数均按照实际进行设置，故得到的仿真数据具有真实性，可以用来指代风电场运行时的真实数据。
34.步骤2：获取数据样本并构建数据集，具体包括：
35.步骤(2-1)对步骤1所搭建的风电场模型进行仿真运行，获得风电场运行数据并将其作为正常运行数据样本；
36.步骤(2-2)进行风电场的低电压穿越故障仿真运行，获得故障仿真数据并将其作为故障数据样本；在风电场的低电压穿越故障仿真中，共有三相故障、两相相间故障、两相接地故障和单相接地故障，由于三相故障是低电压穿越中最常见且严重程度较高的一种，故选择三相短路故障进行仿真运行。具体的，对在风电场并网点处分别发生电压跌落至20％、35％和50％标称值的三相短路故障情况进行仿真，得到的仿真数据中，选择有功功率、无功功率和无功电流三种数据作为故障识别的数据样本。
37.步骤3：实施凝聚型层次聚类，具体包括：
38.步骤(3-1)读取步骤2中得到的风电场正常运行数据样本以及故障仿真数据样本，并进行标准化处理操作；
39.步骤(3-2)计算经步骤(3-1)标准化处理后样本间的欧氏距离。
40.步骤(3-3)以样本间的欧氏距离作为指标进行样本簇的聚类；以两簇间的平均距离作为指标进行簇的合并，考虑到仿真数据中包含正常与故障两类数据，故以簇的数量减少为2作为聚类方法的终止条件。所以当样本簇的数量大于2时继续进行聚类，当样本簇的数量减少为2时，终止聚类。
41.步骤4：识别风电场故障数据，具体包括：
42.步骤(4-1)将步骤3聚类所得的2个簇的仿真数据按簇划分；
43.步骤(4-2)根据风电场的有功功率、无功电流和无功功率的特征判定所述2个簇的归属。其中1个簇为故障簇，另1个簇为非故障簇。
44.图1至图4为在风电场发生三相短路故障电压跌落至50％标称值时的故障数据分类图；图5至图8为在风电场发生三相短路故障电压跌落至35％标称值时的故障数据分类图；图9至图12为在风电场发生三相短路故障电压跌落至20％标称值时的故障数据分类图。
45.三组风场数据中，每组均为8003个数据点，仿真步长为1ms，总共约为实际运行8s的数据，识别结果如表1所示。《风电场接入电力系统技术规定》中的并网点电压跌落规格为：20％、35％和50％跌落故障时间分别为625ms、920ms和1214ms。对比表1，上述三种跌落故障的时长识别结果分别为627ms、922ms和1279ms，可见本方法的故障时长识别误差较小。
46.表1
47.故障工况类型识别为正常的样本数识别为异常的样本数3ph50fl672412793ph35fl70819223ph20fl7376627
48.以上所述仅为本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改、等同
替换、改进等，均仍属于本发明技术方案的范围内。
技术特征：1.一种基于凝聚型层次聚类的风电场故障数据识别分类方法，其特征在于，所述方法包括以下步骤：步骤1：搭建风电场模型；步骤2：获取数据样本并构建数据集，具体包括：步骤(2-1)对步骤1所搭建的风电场模型进行仿真运行，获得风电场运行数据并将其作为正常运行数据样本；步骤(2-2)进行风电场的低电压穿越故障仿真运行，获得故障仿真数据并将其作为故障数据样本；所述故障仿真运行时，选择三相短路故障进行仿真运行；步骤3：实施凝聚型层次聚类，具体包括：步骤(3-1)读取步骤2中得到的风电场正常运行数据样本以及故障数据样本，并进行标准化处理操作；步骤(3-2)计算经步骤(3-1)标准化处理后样本间的欧氏距离；步骤(3-3)以样本间的欧氏距离作为指标进行样本簇的聚类；当样本簇的数量大于2时继续进行聚类，当样本簇的数量减少为2时，终止聚类；步骤4：识别风电场故障数据。2.根据权利要求1所述一种基于凝聚型层次聚类的风电场故障数据识别分类方法，其特征在于，所述步骤(2-2)中，对在风电场并网点处分别发生电压跌落至20％、35％和50％标称值的三相短路故障情况进行仿真，得到的仿真数据中，选择有功功率、无功功率和无功电流三种数据作为故障识别的数据样本。3.根据权利要求1所述一种基于凝聚型层次聚类的风电场故障数据识别分类方法，其特征在于，所述步骤(3-3)中，所述距离选自平均距离、最短距离和最大距离中的任意一项。4.根据权利要求1所述一种基于凝聚型层次聚类的风电场故障数据识别分类方法，其特征在于，所述步骤4具体包括：步骤(4-1)将步骤3聚类所得的2个样本簇的仿真数据按簇划分；步骤(4-2)根据风电场的有功功率、无功电流和无功功率的特征判定所述2个样本簇的归属，即故障簇与非故障簇。
技术总结本发明公开了一种基于凝聚型层次聚类的风电场故障数据识别分类方法，主要用于对风电场运行过程中检测的数据进行故障数据与非故障数据的分类。本发明首先搭建了风电机组与风电场的仿真模型，进行了风电场的正常运行仿真以及故障情况仿真。然后，通过凝聚型层次聚类方法进行聚类。最后，将仿真数据作为模拟风电场运行的真实数据，利用上述方法对其进行识别分类，最后得到故障与非故障的分类结果。最后得到故障与非故障的分类结果。最后得到故障与非故障的分类结果。
技术研发人员：武鑫 吕佃顺 赵栋利 马强 王立鹏 赵世雄
受保护的技术使用者：江苏国科智能电气有限公司
技术研发日：2022.06.10
技术公布日：2022/11/1
