(19)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 202211239674.8 (22)申请日 2022.10.11 (71)申请人 国网甘肃省电力公司电力科 学研究 院 地址 730000 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 　 国家电网有限公司 (72)发明人 吕清泉　赵龙　周强　张彦琪　 高鹏飞　沈渭程　张珍珍　王定美　 张健美　张睿骁　李津　袁琛　 张金平　刘丽娟　郑翔宇　李文君　 朱宏毅　陈柏旭　王晟　刘海伟　 (74)专利代理 机构 北京达友众邦知识产权代理 事务所(普通 合伙) 11904 专利代理师 徐银辉(51)Int.Cl. G06F 16/2458(2019.01) G06F 16/215(2019.01) G06N 5/02(2006.01) G06K 9/62(2022.01) G06Q 50/06(2012.01) (54)发明名称 一种基于新能源机场群数据关联分析方法 (57)摘要 本发明属于新能源机场群技术领域， 具体涉 及一种基于新能源机场群数据关联分析方法。 利 用输入输 出数据集合进行关联规则搜索时， 首先 需要对数据集合进行预处理， 通过预处理后， 对 新能源机场群数据进行关联规则机理分析、 关联 规则挖掘、 关联规则函数分析， 最终得到风电的 期望功率与风速之间的关系、 浮尘 因素对光伏阵 列出力特性的影 响、 新能源数据关联规则挖掘的 Apriori辨识方法、 光伏有功出力与光照强度之 间的关联规则函数。 本发明是一种能够完成补全 缺失和不良数据的修复及机场群数据关联规则 方法的挖掘， 同时对新能源机场群数据进行合理 降维处理， 减少计算复杂度， 提升关联规则搜索 效率的基 于新能源机场群数据关联分析方法。 权利要求书10页 说明书13页 附图11页 CN 115495505 A 2022.12.20 CN 115495505 A 1.一种基于新能源机场群数据关联分析 方法， 其特 征在于,包括： S1.新能源机场群的输入输出数据预处理； 包括， 基于改进模糊C均值聚类的新能源输 入输出的不良数据辨识、 聚类准确性分析、 新能源关联规则的候选集分析、 新能源输入输出 数据的Kmeans降维； S2.新能源机场群数据关联规则机理分析， 包括， 风力发电环境因素与风电出力间关联 规则机理分析、 光伏发电环境因素与光伏出力间关联规则机理分析； S3.新能源机场群数据关联规则挖掘； 包括， 新能源关联规则的分析与建模、 新能源数 据关联规则挖掘的Apri ori辨识方法； S4.新能源机场群数据关联规则函数分析； 包括， 新能源机场群数据关联规则函数分析 流程、 新能源机场群数据关联规则参数辨识与插值模型， 新能源机场群数据关联规则函数 的建立和新能源机场群数据关联规则函数参数的动态修 正。 2.根据权利要求1所述的一种基于新 能源机场群数据关联分析方法， 其特征在于， 步骤 S1中， 基于改进模糊C均值聚类的新能源输入输出的不良数据辨识方法： 输入输出数据经过FCM处理后， 分别计算各类别中任意两个数据点xi和xj之间的实际欧 式距离D(i,j)和最大距离Dmax， 选取一个[0,1]内的数值作为分化度 μ， 对全部D(i,j)进行分 化计算， 即放大数据对象之间的距离， 得到处理后xi和xj之间的分化距离为r(i,j)， 其关系 式： 比较分化度 μ与D(i,j)与Dmax的比值， 若比值小于 μ， 则会缩小比值使得分化距离小于实 际距离； 反之， 分化距离会被放大； 其中比值和 μ的差值与分化距离呈现斜率增大的反比趋 势， 即差值越大， 其分化距离就会越小； 差值越小， 其分化距离反而越大； 通过分化处理， 聚 类中关联性大的数据更加紧密， 同时分离具有差异 性的数据， 使 得离群点距离正常值更远， 从而达到两极分化的目的； 基于分化距离改进的FCM不良数据检测算法的基础是基于数据 密度和距离的离群点检测算法； 通过讨论数据对 象邻居密度来判定其是不是不良数据点； 假设数据集质心到所有数据点距离的平均距离为Adistance， 定义R， 代表数据对象周围的 距离大； 则对象周围的邻居密度即该对象R范围内其他数据点的个数； 当友邻居密度即邻居点 个数小于设定数目Knum， 则被认 为是离群数据， 即不良数据点； 通过比较r(i,j)和R的关系， 不用计算 最大距离， 即可判断对象邻居点的个数。 3.根据权利要求1所述的一种基于新 能源机场群数据关联分析方法， 其特征在于， 所述 基于改进模糊C均值聚类的新能源输入输出的不良数据辨识方法， 包括： 输入聚类所得数据 集， 分化度 μ， 最少邻居数Knum； 计算聚类各类别中质心及Adistance； 计算数据集距离R1和数据 对象xi的分化距离r1(i,j)； 比较r1(i,j)与R1的关系， 若r1(i,j)＜R1， 则xi的邻居点数目K加 1， 一旦K＞Knum， 中断该数据对象进入下一个数据对象的K计算， 否则遍历所有邻居点的数 目； 不满足K＞Knum的数据对象作为 不良数据；权　利　要　求　书 1/10 页 2 CN 115495505 A 2其中， 4.根据权利要求1所述的一种基于新 能源机场群数据关联分析方法， 其特征在于， 步骤 S1中， 新能源输入输出数据的Kmeans降维方法： 新能源输入输出数据的Kmeans降维方法上 基于典型的Kmeans聚类， 基于距离进行聚类并以样本点与聚类中心点的距离作为评价指 标； 其中指标进 行分类处理， 按照不同距离类型， 划分为欧氏距离； 包括： 从数据集中随机选 择k个样本作为初始聚类中心{ λ1, λ2,…, λk}； 计算其余样 本到上述聚类中心的欧氏距离， 并 分配至最近的聚类中心； 通过距离度量方法更新聚类中心， 更新为隶属该簇的全部样本的 均值； 不断重复该步骤， 直至样本点到形成的聚类中心的距离满足算法设定收敛 范围； 步骤S1中， 聚类准确性分析为基于高密度区的最大化最小距离聚类中心选择方法， 包 括： 设从n个对象中选择一个对象作为第一个聚类中心， 则 Cl＝Xl； 在剩下的n ‑1个数据对象 中选距离最长的X2为第二个聚类中心， 则C2＝X3； 计算剩余每个数据对象到已有聚类中心的 距离并求出距离最小数据对 象； 计算所有数据对 象到聚类中心距离最小值中的最大值， 以 确定最终对应的对 象； 如果最大值大于所有对象的距离平均值之和， 则取相应聚类中心点 为选定的初始聚类中心， 若不满足， 则重复上述 步骤直到 筛选出对应的聚类中心点； 步骤S1中， 新能源关联规则的候选集分析包括： 将聚类结果形成新能源关联规则函数 的候选集， 主要包括新能源关联规则函数输入数据类型降维后的不同集合， 包括风电对应 的风速风向等， 光伏对应的光照强度与温度等条件作为主要判据进 行分析， 同时， 将关联规 则函数参数 的分析纳入最终的判断方法， 将辨识步骤化为确定关联函数阶数， 确定辨识参 数； 由Kmeans聚类生成的各簇中心点形成最终的新能源关联规则候选集， 主要对风机单机 有功功率、 风机单机无功功率、 风电场累计发电量、 风速、 风向、 桨距角、 环境温度与开机容 量等不同类型的数据进行聚类分析降维处 理。 5.根据权利要求1所述的一种基于新 能源机场群数据关联分析方法， 其特征在于， 步骤 S2中， 所述风力发电环境因素与风电出力间关联规则机理分析方法为： 风电的期望功率与 风速之间的关系： 考虑通过尾流输入得到尾流效应 影响下的风速结果： 式中CT为风电机组推力系数； R为风电机组叶片半径； X为相邻风电机组间距 离； K为尾流 下降系数， 对于陆上风电场取K＝0.075， 各风电机组所 处高度不同时， 需要考虑地形对风电 机组输入风速的影响， 平坦 地形风速下降系数转变为复杂地形风速下降系数dC为： 式中V0为高度为h0处的风速； VOX为高度h处的风速， 可根据经验公式表示为VOX＝V0(h/权　利　要　求　书 2/10 页 3 CN 115495505 A 3