公开(公告)号：CN105005708B

公开(公告)日：2017-10-24

申请号：CN201510497352.7

申请日：2015-08-13

Applicant: 山东大学

Inventor： 梁军 ,  褚壮壮 ,  贠志皓 ,  张旭 ,  张永亮 ,  梁正堂

IPC: G06F19/00

Abstract: 本发明公开了一种基于AP聚类算法的广义负荷特性聚类方法，包括以下步骤：采集根母线节点风电与广义负荷数据，计算场均速度、波动速度和波动强度；确定波动强度的最小时间长度和聚类时间间隔；将广义负荷节点功率的全部训练样本数据按聚类时间间隔统一分段，构建聚类特征向量；赋予样本数据偏向参数，基于AP聚类算法，以特征向量为指标进行聚类，确定聚类中心；若样本点的聚类中心满足设定聚类条件，则输出聚类结果，否则返回上一步骤，直至得到准确的聚类结果。本发明有效解决了传统建模方法无法描述节点特性随机变化的问题。

公开(公告)号：CN105005708A

公开(公告)日：2015-10-28

申请号：CN201510497352.7

申请日：2015-08-13

Applicant: 山东大学

Inventor： 梁军 ,  褚壮壮 ,  贠志皓 ,  张旭 ,  张永亮 ,  梁正堂

IPC: G06F19/00

Abstract: 本发明公开了一种基于AP聚类算法的广义负荷特性聚类方法，包括以下步骤：采集根母线节点风电与广义负荷数据，计算场均速度、波动速度和波动强度；确定波动强度的最小时间长度和聚类时间间隔；将广义负荷节点功率的全部训练样本数据按聚类时间间隔统一分段，构建聚类特征向量；赋予样本数据偏向参数，基于AP聚类算法，以特征向量为指标进行聚类，确定聚类中心；若样本点的聚类中心满足设定聚类条件，则输出聚类结果，否则返回上一步骤，直至得到准确的聚类结果。本发明有效解决了传统建模方法无法描述节点特性随机变化的问题。

公开(公告)号：CN105069236B

公开(公告)日：2018-11-13

申请号：CN201510496989.4

申请日：2015-08-13

Applicant: 山东大学

Inventor： 梁军 ,  褚壮壮 ,  贠志皓 ,  张旭 ,  徐兵

IPC: G06F17/50

Abstract: 本发明公开了考虑风电场节点空间相关性的广义负荷联合概率建模方法，包括：步骤一：将与各风电场相连的根母线节点据其各自的功率流向，分为电源特性与负荷特性；步骤二：对各根母线节点分别依照有功功率进行区间细化，统计其概率信息；步骤三：针对节点地域相关性，采用空间相关性法计算相邻节点功率区间之间相关特征参数并纳入节点的特性学习；采用RBF神经网络学习训练并提取区间集的节点特性，建立联合概率模型结构。将相关参数矩阵融入RBF神经网络建模中，并将相邻节点电压计入本节点特性学习中，所建模型更为全面。仿真表明各段拟合误差较小，拟合效果好。

公开(公告)号：CN105069236A

公开(公告)日：2015-11-18

申请号：CN201510496989.4

申请日：2015-08-13

Applicant: 山东大学

Inventor： 梁军 ,  褚壮壮 ,  贠志皓 ,  张旭 ,  徐兵

IPC: G06F17/50

Abstract: 本发明公开了考虑风电场节点空间相关性的广义负荷联合概率建模方法，包括：步骤一：将与各风电场相连的根母线节点据其各自的功率流向，分为电源特性与负荷特性；步骤二：对各根母线节点分别依照有功功率进行区间细化，统计其概率信息；步骤三：针对节点地域相关性，采用空间相关性法计算相邻节点功率区间之间相关特征参数并纳入节点的特性学习；采用RBF神经网络学习训练并提取区间集的节点特性，建立联合概率模型结构。将相关参数矩阵融入RBF神经网络建模中，并将相邻节点电压计入本节点特性学习中，所建模型更为全面。仿真表明各段拟合误差较小，拟合效果好。