技术领域
[0001] 本
发明总体说来涉及风力发电技术领域，更具体地讲，涉及一种确定风电场中的代表风力
发电机组的方法和装置。
背景技术
[0002] 随着全球范围内
能源危机形势愈发严峻，开发
可再生能源已成为世界各国能源发展战略的重大举措。
风能因其在全球范围内蕴藏量巨大、可再生、分布广、无污染等特性，使风力发电成为研究较为广泛的一种可再生能源。
[0003] 在很多情况下，需要在整个风电场中选出一个或几个具有代表性的
风力发电机组，如风电场定制化设计、风电场集群
控制器代表风力发电机组的选择以及发电量对比代表风力发电机组选择等情况。因此，代表风力发电机组的选取是否得当至关重要。
[0004]
现有技术中选取代表风力发电机组的方式为：基于不同的时间段风力发电机组的功率曲线对代表风力发电机组进行选择，上述选取方式主要考虑的是不同
气候条件对风力发电机组发电量的影响，没有考虑不同扇区的风资源差异造成的所选取的代表风力发电机组的代表性不足。
发明内容
[0005] 本发明的示例性
实施例的目的在于提供一种确定风电场中的代表风力发电机组的方法和装置。
[0006] 根据本发明示例性实施例的一方面，提供一种确定风电场中的代表风力发电机组的方法，所述方法包括：获取风电场中的所有风力发电机组的相关数据，所述相关数据包括每台风力发电机组的每个扇区所对应的风资源信息和地形信息；基于获取的相关数据对所有风力发电机组进行分类，获得多个风力发电机组的集合；从每个集合中选择一台风力发电机组作为该集合的代表风力发电机组。
[0007] 可选地，基于获取的相关数据对所有风力发电机组进行分类，获得多个风力发电机组的集合的步骤可包括：基于获取的相关数据以风力发电机组
载荷作为约束条件，对所有风力发电机组进行分类，以获得多个风力发电机组的集合。
[0008] 可选地，所述方法可还包括：针对每台风力发电机组划分为多个扇区，基于获取的相关数据对所有风力发电机组进行分类，获得多个风力发电机组的集合的步骤可包括：根据获取的相关数据以扇区载荷作为约束条件，对所有扇区进行分类，获得多个扇区组，扇区组的数量与风力发电机组的集合的数量相同；当每台风力发电机组中属于同一扇区组的扇区的数量超过预定数量时，将超过所述预定数量的扇区所属的扇区组确定为该风力发电机组对应的风力发电机组的集合。
[0009] 可选地，所述风资源信息可包括以下项中的至少一个：每台风力发电机组的每个扇区的平均风速、风速的概率
密度分布、整体
湍流强度、入流
角、风切变、空气密度、尾流效应和极端风况，所述地形信息可包括以下项中的至少一个：每台风力发电机组的每个扇区所在
位置的坡度等级、崎岖指数等级、根据坡度等级和崎岖指数等级确定的综合地形等级。
[0010] 可选地，根据获取的相关数据以扇区载荷作为约束条件，对所有扇区进行分类，获得多个扇区组的步骤可包括：基于获取的风资源信息和地形信息对所有扇区进行分类，获得按风资源信息分类的多个风资源组、按地形信息分类的多个地形组和按风资源信息和地形信息分类的多个风资源与地形综合组，其中，风资源组、地形组、风资源与地形综合组的数量与风力发电机组的集合的数量相同；分别确定每个风资源组、每个地形组、每个风资源与地形综合组对应的载荷适应性等级；将分别属于所述多个风资源组、所述多个地形组和所述多个综合组中同一载荷适应性等级的扇区确定为一个扇区组。
[0011] 可选地，基于获取的风资源信息和地形信息对所有扇区进行分类，获得按风资源信息分类的多个风资源组、按地形信息分类的多个地形组和按风资源信息和地形信息分类的多个风资源与地形综合组的步骤可包括：使用获取的所有扇区的风资源信息通过
聚类分析方法将所有扇区进行分类，获得所述多个风资源组，使用获取的所有扇区的地形信息通过聚类分析方法将所有扇区进行分类，获得所述多个地形组，使用获取的所有扇区的风资源信息和地形信息通过聚类分析方法将所有扇区进行分类，获得所述多个风资源与地形综合组。
[0012] 可选地，在基于获取的风资源信息和地形信息对所有扇区进行分类，获得按风资源信息分类的多个风资源组、按地形信息分类的多个地形组和按风资源信息和地形信息分类的多个风资源与地形综合组的步骤中，可对获取的风资源信息进行归一化处理，根据归一化处理后的风资源信息对所有扇区进行分类，获得多个风资源组，根据地形信息和归一化处理后的风资源信息对所有扇区进行分类，获得多个风资源与地形综合组。
[0013] 可选地，所述方法可还包括：通过对归一化处理中与风资源信息对应的标称值进行调整，来使所有扇区均能够被划分到相应地扇区组中。
[0014] 根据本发明示例性实施例的另一方面，提供一种确定风电场中的代表风力发电机组的装置，所述装置包括：数据获取模
块，获取风电场中的所有风力发电机组的相关数据，所述相关数据包括每台风力发电机组的每个扇区所对应的风资源信息和地形信息；分组划分模块，基于获取的相关数据对所有风力发电机组进行分类，获得多个风力发电机组的集合；代表机组确定模块，从每个集合中选择一台风力发电机组作为该集合的代表风力发电机组。
[0015] 可选地，分组划分模块可基于获取的相关数据以风力发电机组载荷作为约束条件，对所有风力发电机组进行分类，以获得多个风力发电机组的集合。
[0016] 可选地，数据获取模块可针对每台风力发电机组划分为多个扇区，分组划分模块可根据获取的相关数据以扇区载荷作为约束条件，对所有扇区进行分类，获得多个扇区组，当每台风力发电机组中属于同一扇区组的扇区的数量超过预定数量时，将超过所述预定数量的扇区所属的扇区组确定为该风力发电机组对应的风力发电机组的集合，其中，扇区组的数量可与风力发电机组的集合的数量相同。
[0017] 可选地，所述风资源信息可包括以下项中的至少一个：每台风力发电机组的每个扇区的平均风速、风速的概率密度分布、整体湍流强度、入流角、风切变、空气密度、尾流效应和极端风况，所述地形信息可包括以下项中的至少一个：每台风力发电机组的每个扇区所在位置的坡度等级、崎岖指数等级、根据坡度等级和崎岖指数等级确定的综合地形等级。
[0018] 可选地，分组划分模块可基于获取的风资源信息和地形信息对所有扇区进行分类，获得按风资源信息分类的多个风资源组、按地形信息分类的多个地形组和按风资源信息和地形信息分类的多个风资源与地形综合组，其中，风资源组、地形组、风资源与地形综合组的数量与风力发电机组的集合的数量相同，分别确定每个风资源组、每个地形组、每个风资源与地形综合组对应的载荷适应性等级，将分别属于所述多个风资源组、所述多个地形组和所述多个综合组中同一载荷适应性等级的扇区确定为一个扇区组。
[0019] 可选地，分组划分模块可使用获取的所有扇区的风资源信息通过聚类分析方法将所有扇区进行分类，获得所述多个风资源组，使用获取的所有扇区的地形信息通过聚类分析方法将所有扇区进行分类，获得所述多个地形组，使用获取的所有扇区的风资源信息和地形信息通过聚类分析方法将所有扇区进行分类，获得所述多个风资源与地形综合组。
[0020] 可选地，分组划分模块可对获取的风资源信息进行归一化处理，根据归一化处理后的风资源信息对所有扇区进行分类，获得多个风资源组，根据地形信息和归一化处理后的风资源信息对所有扇区进行分类，获得多个风资源与地形综合组。
[0021] 可选地，分组划分模块可通过对归一化处理中与风资源信息对应的标称值进行调整，来使所有扇区均能够被划分到相应地扇区组中。
[0022] 根据本发明示例性实施例的再一方面，提供一种存储有
计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时实现上述的确定风电场中的代表风力发电机组的方法。
[0023] 根据本发明示例性实施例的再一方面，提供一种计算装置，所述计算装置包括：处理器；
存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现上述的确定风电场中的代表风力发电机组的方法。
[0024] 采用本发明示例性实施例的确定风电场中的代表风力发电机组的方法和装置，使得确定的风力发电机组能够更为准确地代表其所在风力发电机组的集合中包含的全部风力发电机组的特性，提高了风电场发电量统计的准确性，还有助于为风电场定制合理的控制策略。
附图说明
[0025] 通过下面结合示例性地示出实施例的附图进行的详细描述，本发明示例性实施例的上述和其它目的、特点和优点将会变得更加清楚。
[0026] 图1示出根据本发明示例性实施例的确定风电场中的代表风力发电机组的方法的
流程图；
[0027] 图2示出根据本发明示例性实施例的确定多个扇区组的步骤的流程图；
[0028] 图3示出根据本发明示例性实施例的确定多个扇区组的步骤的示意图；
[0029] 图4示出根据本发明示例性实施例的确定风电场中的代表风力发电机组的装置的结构图。
具体实施方式
[0030] 现在，将参照附图更充分地描述不同的示例实施例，一些示例性实施例在附图中示出。
[0031] 图1示出根据本发明示例性实施例的确定风电场中的代表风力发电机组的方法的流程图。
[0032] 参照图1，在步骤S10中，获取风电场中的所有风力发电机组的相关数据。
[0033] 这里，应理解，为使确定的风力发电机组更具有代表性，使得基于确定的代表风力发电机组能够准确反映风电场总体实际发
电能力，并实现对风力发电机组进行有效控制，优选地，在本发明示例性实施例中可获取与风力发电机组的发电量和安全性相关的相关数据作为后续分类依据。例如，与风力发电机组的发电量相关的相关数据可包括风资源信息，与风力发电机组的安全性相关的相关数据可包括地形信息。
[0034] 这里，在本发明示例性实施例中是考虑到风力发电机组的发电量与风资源信息紧密相关，因此，在对所有风力发电机组进行分类时可将风资源信息作为分类依据。此外，在本发明示例性实施例中还综合考虑了风力发电机组的安全性，即，在对所有风力发电机组进行分类时引入地形信息，将各风力发电机组所在位置的坡度、地形复杂程度作为分类依据。也就是说，在本发明示例性实施例中，在对风力发电机组进行分类时综合考虑了与风力发电机组的发电量和安全性相关的因素，使得对风力发电机组的分类更为准确，以使从各风力发电机组的集合中选择的代表风力发电机组更具有代表性。
[0035] 优选地，根据本发明示例性实施例的确定风电场中的代表风力发电机组的方法可还包括：针对每台风力发电机组划分为多个扇区，即，将每台风力发电机组按来流方向划分为多个扇区。此时，在步骤S10中获取的相关数据包括每台风力发电机组的每个扇区所对应的风资源信息和地形信息。
[0036] 作为示例，风资源信息可包括以下项中的至少一个：每台风力发电机组的每个扇区的平均风速、风速的概率密度分布、整体湍流强度、入流角、风切变、空气密度、尾流效应和极端风况。下面介绍风资源信息中包括的各项参数的确定过程。
[0037] 具体说来，平均风速可指各扇区的年平均风速。
[0038] 可将设定的湍流强度值作为整体湍流强度的值，这是由于不同风速段对应不同的湍流强度，若将所有风速段对应的湍流强度均作为后续分类的依据，会造成后续的分类过程的计算量增大，因此，这里优选地可设定一湍流强度值，并将设定的湍流强度值作为整体湍流强度的值。
[0039] 优选地，可根据风力发电机组的发电特性，选用0.6倍额定风速至
切出风速范围内的风速所对应的概率密度作为后续分类的依据。极端风况可指通过风速概率密度曲线推算出来的预定时间段内(如五十年一遇)的最大风速。
[0040] 优选地，任一风力发电机组所对应的尾流效应可根据所述任一风力发电机组主导风能方向上预定范围(如以所述任一风力发电机组为中心，以预定倍数的
叶轮直径为半径的范围)内包含的风力发电机组的数量以及与所述任一风力发电机组在所述任一风力发电机组主导风能方向上距离最近的风力发电机组之间的距离来估算，以减少计算尾流效应的计算量。然而本发明不限于此，还可基于尾流模型(如，Frandsen尾流模型)来计算风力发电机组的尾流效应，但这会导致计算量的增加。各扇区所对应的尾流效应可通过各种方式基于风力发电机组所对应的尾流效应来进行估算。
[0041] 这里，风资源信息作用在风力发电机组上主要表现为载荷和发电性能，风电场中各风力发电机组的风资源信息与各风力发电机组所处的地形息息相关。其中平均风速、湍流强度、入流角等与地形的复杂程度相关，风切变与地形及地表植被情况相关，为此在本发明示例性实施例中引入地形信息作为分类依据，以提高对风力发电机组分类的准确性。
[0042] 作为示例，地形信息可包括以下项中的至少一个：每台风力发电机组的每个扇区所在位置的坡度等级、崎岖指数等级、根据坡度等级和崎岖指数等级确定的综合地形等级。下面介绍地形信息中包括的各项参数的确定过程。
[0043] 例如，可参照表1来确定每台风力发电机组的每个扇区所在位置的坡度等级，表1中slope表示扇区所在位置的坡度。
[0044] 表1
[0045]
[0046]
[0047] 例如，可参照表2来确定各扇区所在位置的崎岖指数等级，表2中RIX(Ruggedness Index)用于表征地形的复杂程度。
[0048] 表2
[0049]RIX(％) 等级
符合IEC61400-12-1：2017附录B(L＝2.5D)的相关要求 0
RIX0.04＜16&RIX0.06＜8&RIX0.08＜4不包含等级0 1
RIX0.04＜32&RIX0.06＜16&RIX0.08＜8不包含等级1 2
RIX0.04＜48&RIX0.06＜32&RIX0.08＜16不包含等级2 3
RIX0.04≥48or RIX0.06≥32or RIX0.08≥16 4
[0050] 例如，可参照表3来根据坡度等级和崎岖指数等级确定各扇区的综合地形等级。
[0051] 表3
[0052]
[0053] 由上述可知，在本发明示例性实施例中考虑到不同扇区对应的相关数据(风资源信息和地形信息)的差异性，能够使得对风力发电机组的分类更为准确，有效提高后续依据代表风力发电机组估算的风电场总体实际发电能力及定制的控制策略的精确性。
[0054] 这里，应理解，根据本发明示例性实施例的确定风电场中的代表风力发电机组的方法也可不针对风力发电机组进行扇区的划分。在此情况下，获取的相关数据可为处于每台风力发电机组主导风能方向上的扇区所对应的相关数据。也就是说，将风力发电机组主导风能方向上的扇区所对应的相关数据作为该风力发电机组的相关数据，以进行后续对风力发电机组的分类。
[0055] 此外，步骤S10中获取的相关数据除包括风资源信息和地形信息之外，可还包括与风力发电机组的机组类型相关的数据，作为示例，与风力发电机组的机组类型相关的数据可包括风力发电机组的发电机功率、
叶片类型及塔筒高度，此时，可将与风力发电机组的机组类型相关的数据也作为分类依据对所有风力发电机组进行分类。
[0056] 在步骤S20中，基于获取的相关数据对所有风力发电机组进行分类，获得多个风力发电机组的集合。
[0057] 优选地，可基于获取的相关数据以风力发电机组载荷作为约束条件，对所有风力发电机组进行分类，以获得多个风力发电机组的集合。
[0058] 例如，上述针对风力发电机组划分为多个扇区的情况，在步骤S20中可根据获取的相关数据以扇区载荷作为约束条件，对所有扇区进行分类，获得多个扇区组，这里，扇区组的数量与风力发电机组的集合的数量相同。当每台风力发电机组中属于同一扇区组的扇区的数量超过预定数量时，将超过所述预定数量的扇区所属的扇区组确定为该风力发电机组对应的风力发电机组的集合。
[0059] 应理解，根据本发明示例性实施例提出的确定风电场中的代表风力发电机组的方法其目的是为提升风力发电机组的输出功率，即，以载荷作为分类依据，以确定风力发电机组的输出功率是否有提升空间。然而现有技术中以风力发电机组的发电量作为对风力发电机组的分类依据，其选取的代表风力发电机组仅能体现风力发电机组发电量的多少，无法对提升风力发电机组的输出功率提供任何帮助。
[0060] 下面参照图2和图3来详细介绍将所有扇区划分为多个扇区组的过程。
[0061] 图2示出根据本发明示例性实施例的确定多个扇区组的步骤的流程图。图3示出根据本发明示例性实施例的确定多个扇区组的步骤的示意图。
[0062] 参照图2，在步骤S201中，基于获取的风资源信息和地形信息将所有扇区按风资源信息划分为多个风资源组、按地形信息划分为多个地形组、按风资源信息和地形信息划分为多个风资源与地形综合组。这里，风资源组、地形组、风资源与地形综合组的数量可与风力发电机组的集合的数量相同。
[0063] 这里，可利用各种方法来基于风资源信息和地形信息对所有扇区进行分类。优选地，在本发明示例性实施例中，可利用风资源信息和地形信息通过聚类分析方法对所有扇区进行分类。
[0064] 例如，可使用获取的所有扇区的风资源信息通过聚类分析方法将所有扇区划分为多个风资源组，使用获取的所有扇区的地形信息通过聚类分析方法将所有扇区划分为多个地形组，使用获取的所有扇区的风资源信息和地形信息通过聚类分析方法将所有扇区划分为多个风资源与地形综合组。
[0065] 作为示例，下面介绍采用
无监督学习的聚类分析方法针对上述将风力发电机组划分为多个扇区的情况对所有扇区进行分类的过程。
[0066] 例如，假设风电场中有p台风力发电机组，每台风力发电机组被划分为q个扇区，则需进行聚类分析的总样本数为n(n＝p×q)个，每个样本对应有m项指标(如风资源信息和地形信息中包含的参数的个数)，则样本矩阵X可表示为如下形式：
[0067]
[0068] 其中，xij表示样本矩阵X中的第i个样本第j个指标，1≤i≤n，1≤j≤m，n和m为大于零的自然数。根据上述样本矩阵可计算得到样本矩阵中与第j个指标对应的样本平均值与第j个指标对应的极差Rj＝maxxij-minxij，max xij为样本矩阵X中所有元素的最大值，min xij为样本矩阵X中所有元素的最小值。
[0069] 优选地，为消除相关数据中各参数的量纲不同或数量级相差较大的影响，对样本矩阵进行极差标准化，以使极差标准化后的样本矩阵中数据均值为0，极差为1，且(即，极差标准化后的样本矩阵中的元素的绝对值小于1)。
[0070]
[0071] 其中， 表示极差标准化后的样本矩阵中第i个样本第j个指标。此时，可将极差标准化后的样本矩阵表示为：{X1,X2,…Xn}，其中，
[0072] 对极差标准化后的样本矩阵进行聚类，这里，可利用各种聚类方法来对样本矩阵进行聚类分析以获得多个扇区组。下面以聚类分析中的k-中心点
算法为例介绍对所有扇区进行分类获得多个扇区组的过程。
[0073] 例如，假设扇区组的数量为k，聚类过程具体如下：
[0074] 步骤A，从极差标准化后的样本矩阵中随机选取k个样本作为聚类质心点，如μ1,μ2,…μk∈{X1,X2,…Xn}，μ1,μ2,…μk表示k个聚类质心点。
[0075] 步骤B，计算除选取的k个样本之外的其他样本到各聚类质心点的距离，分别确定距离各聚类质心点最近的样本，并将确定的与各聚类质心点最近的样本作为中心点。优选地，这里可通过计算其他样本与各聚类质心点的范数(如，2-范数)来表征样本与聚类质心点之间的距离，以将与聚类质心点距离最近的样本确定为中心点。
[0076] 步骤C，将除中心点之外的所有样本分别聚类到离各自最近的中心点，并计算聚类到一个中心点的样本到该中心点的距离均值。应理解，这里也可不执行步骤B，直接将除选取的k个样本之外的其他样本聚类到各聚类质心点，并计算聚类到一个聚类质心点的样本到该聚类质心点的距离均值，再判断是否满足聚类结束条件。
[0077] 步骤D，确定是否满足聚类结束条件。作为示例，聚类结束条件可指当前计算的距离均值与上一次计算的距离均值之差小于设定值，或者当前的
迭代次数达到设定的最大迭代次数。这里，在第一次执行上述聚类分析过程时，可将上一次计算的距离均值看作为零。
[0078] 如果满足聚类结束条件，则将聚类到一个中心点的全部样本划分为一个扇区组。
[0079] 如果不满足聚类结束条件，则返回步骤A重新选取聚类质心点进行聚类直至满足聚类结束条件。
[0080] 应理解，上述聚类分析过程仅为示例，本发明不限于此，还可通过其他方法来对扇区进行分类。
[0081] 优选地，在步骤S201中可首先对获取的相关数据中的风资源信息进行归一化处理，然后再根据归一化处理后的风资源信息对所有扇区进行分类，获得多个风资源组，根据地形信息和归一化处理后的风资源信息对所有扇区进行分类，获得多个风资源与地形综合组。
[0082] 这里，对风资源信息进行归一化处理的步骤可包括：针对风资源信息中的各参数分别设置对应的标称值，通过将各参数分别与各自对应的标称值相除，来使风资源信息中的各参数归一化后的值在0到1之间。例如，假设各扇区对应的年平均风速为5m/s、8m/s、9m/s，针对年平均风速设定的标称值为10m/s，则归一化后的年平均风速为0.5、0.8、0.9。
[0083] 在步骤S202中，分别确定每个风资源组、每个地形组、每个风资源与地形综合组对应的载荷适应性等级。这里，载荷适应性等级可指风力发电机组安装在某一位置的载荷安全性，例如，载荷适应性等级越高表明风力发电机组载荷越小，载荷适应性等级越低表明风力发电机组载荷越大。
[0084] 例如，假设扇区组的数量为三，此时可依据载荷适应性将多个风资源组、多个地形组、多个风资源与地形综合组分别确定为对应的三个载荷适应性等级(如，高/中/低)，如表4所示。
[0085] 表4
[0086]等级 高(H) 中(M) 低(L)
风资源组 第一风资源组 第二风资源组 第三风资源组
地形组 第一地形组 第二地形组 第三地形组
综合组 第一综合组 第二综合组 第三综合组
风机组 第一扇区组 第二扇区组 第三扇区组
[0087] 在步骤S203中，将分别属于多个风资源组、多个地形组和多个综合组中同一载荷适应性等级的扇区确定为一个扇区组。
[0088] 例如，可将同属于第一风资源组、第一地形组、第一风资源与地形综合组的扇区确定为属于第一扇区组，可将同属于第二风资源组、第二地形组、第二风资源与地形综合组的扇区确定为属于第二扇区组，可将同属于第三风资源组、第三地形组、第三风资源与地形综合组的扇区确定为属于第三扇区组(如图3所示)。
[0089] 在此情况下，当每台风力发电机组中属于同一扇区组的扇区的数量超过预定数量时，将超过所述预定数量的扇区所属的扇区组确定为该风力发电机组对应的风力发电机组的集合。
[0090] 这里，风力发电机组的集合的载荷适应性等级同与其对应的扇区组的载荷适应性等级相同。例如，以表4和图3为例，与第一扇区组对应的风力发电机组的集合的载荷适应性等级为高，与第二扇区组对应的风力发电机组的集合的载荷适应性等级为中，与第三扇区组对应的风力发电机组的集合的载荷适应性等级为地。这里，载荷适应性等级越高表明载荷越小，载荷适应性等级越低表明载荷越大，也就是说，载荷适应性等级高的风力发电机组的集合中包括的风力发电机组提升输出功率的空间更大。
[0091] 应理解，在本发明示例性实施例中以载荷作为分类的约束条件是因为载荷是用于判断风力发电机组的输出功率是否能够提升的关键考虑因素。也就是说，如果一台风力发电机组属于低载荷组(即，属于载荷适应性等级高的风力发电机组的集合)，那么就可以考虑给该台风力发电机组进行增功处理(增功率是会带来载荷增大的效果)，以达到在风场设计阶段针对不同的机位点的机型选择的定制化的目的。
[0092] 优选地，如果任一扇区没有被划分至上述扇区组中，则可通过对归一化处理中与风资源信息对应的标称值进行调整，重新对风资源信息进行归一化处理，并根据地形信息和重新归一化处理后的风资源信息对所有扇区进行分类，以使所有扇区均能够被划分到相应地扇区组中，以实现对所有风力发电机组的分类。
[0093] 返回图1，在步骤S30中，从每个风力发电机组的集合中选择一台风力发电机组作为该集合的代表风力发电机组。这里，一个风力发电机组的集合内的风力发电机组应具有较高的一致性，因此，这里可从每个风力发电机组的集合中任意选择一台风力发电机组作为该集合的代表风力发电机组。
[0094] 图4示出根据本发明示例性实施例的确定风电场中的代表风力发电机组的装置的结构图。
[0095] 如图4所示，根据本发明示例性实施例的确定风电场中的代表风力发电机组的装置包括数据获取模块10、分组划分模块20和代表机组确定模块30。
[0096] 具体说来，数据获取模块10获取风电场中的所有风力发电机组的相关数据。
[0097] 优选地，在本发明示例性实施例中数据获取模块10获取的相关数据可为与风力发电机组的发电量和安全性相关的相关数据。例如，与风力发电机组的发电量相关的相关数据可包括风资源信息，与风力发电机组的安全性相关的相关数据可包括地形信息。
[0098] 这里，数据获取模块10可针对每台风力发电机组划分为多个扇区，即，将每台风力发电机组按来流方向划分为多个扇区。此时，所述相关数据包括每台风力发电机组的每个扇区所对应的风资源信息和地形信息。
[0099] 优选地，作为示例，风资源信息可包括以下项中的至少一个：每台风力发电机组的每个扇区的平均风速、风速的概率密度分布、整体湍流强度、入流角、风切变、空气密度、尾流效应和极端风况。下面介绍风资源信息中包括的各项参数的确定过程。
[0100] 具体说来，平均风速可指各扇区的年平均风速。数据获取模块10可将设定的湍流强度值作为整体湍流强度的值。数据获取模块10可根据风力发电机组的发电特性，选用0.6倍额定风速至切出风速范围内的风速所对应的概率密度作为后续分类的依据。极端风况可指通过风速概率密度曲线推算出来的预定时间段内的最大风速。
[0101] 数据获取模块10可根据任一风力发电机组主导风能方向上预定范围(如以所述任一风力发电机组为中心，以预定倍数的叶轮直径为半径的范围)内包含的风力发电机组的数量以及与所述任一风力发电机组在所述任一风力发电机组主导风能方向上距离最近的风力发电机组之间的距离来估算所述任一风力发电机组所对应的尾流效应，以减少计算尾流效应的计算量。在此
基础上，数据获取模块10基于风力发电机组所对应的尾流效应来估算各扇区所对应的尾流效应。
[0102] 这里，风资源信息作用在风力发电机组上主要表现为载荷和发电性能，风电场中各风力发电机组的风资源信息与各风力发电机组所处的地形息息相关。其中平均风速、湍流强度、入流角等与地形的复杂程度相关，风切变与地形及地表植被情况相关，为此在本发明示例性实施例中引入地形信息作为分类依据，以提高对风力发电机组分类的准确性。
[0103] 作为示例，地形信息可包括以下项中的至少一个：每台风力发电机组的每个扇区所在位置的坡度等级、崎岖指数等级、根据坡度等级和崎岖指数等级确定的综合地形等级。
[0104] 由于在步骤S10中已经对地形信息中包括的各项参数的确定过程进行了介绍，本发明对此部分内容不再赘述。
[0105] 这里，应理解，数据获取模块10也可不针对风力发电机组进行扇区的划分。在此情况下，获取的相关数据可为处于每台风力发电机组主导风能方向上的扇区所对应的相关数据。也就是说，将风力发电机组主导风能方向上的扇区所对应的相关数据作为该风力发电机组的相关数据，以进行后续对风力发电机组的分类。
[0106] 此外，数据获取模块10获取的相关数据除包括风资源信息和地形信息之外，可还包括与风力发电机组的机组类型相关的数据，作为示例，与风力发电机组的机组类型相关的数据可包括风力发电机组的发电机功率、叶片类型及塔筒高度，此时，可将与风力发电机组的机组类型相关的数据也作为分类依据对所有风力发电机组进行分类。
[0107] 分组划分模块20基于获取的相关数据对所有风力发电机组进行分类，获得多个风力发电机组的集合。
[0108] 优选地，分组划分模块20可基于获取的相关数据以风力发电机组载荷作为约束条件，对所有风力发电机组进行分类，以获得多个风力发电机组的集合。
[0109] 例如，上述针对风力发电机组划分为多个扇区的情况，分组划分模块20可根据获取的相关数据以扇区载荷作为约束条件，对所有扇区进行分类，获得多个扇区组，这里，扇区组的数量与风力发电机组的集合的数量相同。当每台风力发电机组中属于同一扇区组的扇区的数量超过预定数量时，将超过所述预定数量的扇区所属的扇区组确定为该风力发电机组对应的风力发电机组的集合。
[0110] 下面介绍分组划分模块20将所有扇区划分为多个扇区组的过程。
[0111] 具体说来，分组划分模块20基于获取的风资源信息和地形信息将所有扇区按风资源信息划分为多个风资源组、按地形信息划分为多个地形组、按风资源信息和地形信息划分为多个风资源与地形综合组。这里，风资源组、地形组、风资源与地形综合组的数量可与扇区组的数量相同。
[0112] 例如，分组划分模块20可使用获取的所有扇区的风资源信息通过聚类分析方法将所有扇区划分为多个风资源组，使用获取的所有扇区的地形信息通过聚类分析方法将所有扇区划分为多个地形组，使用获取的所有扇区的风资源信息和地形信息通过聚类分析方法将所有扇区划分为多个风资源与地形综合组。
[0113] 优选地，分组划分模块20可首先对获取的相关数据中的风资源信息进行归一化处理，然后再根据归一化处理后的风资源信息对所有扇区进行分类，获得多个风资源组，根据地形信息和归一化处理后的风资源信息对所有扇区进行分类，获得多个风资源与地形综合组。
[0114] 这里，分组划分模块20对风资源信息进行归一化处理的过程可为：针对风资源信息中的各参数分别设置对应的标称值，通过将各参数分别与各自对应的标称值相除，来使风资源信息中的各参数归一化后的值在0到1之间。
[0115] 分组划分模块20分别确定每个风资源组、每个地形组、每个风资源与地形综合组对应的载荷适应性等级，并将分别属于多个风资源组、多个地形组和多个综合组中同一载荷适应性等级的扇区确定为一个扇区组。这里，载荷适应性等级可指风力发电机组安装在某一位置的载荷安全性，例如，载荷适应性等级越高表明风力发电机组载荷越小，载荷适应性等级越低表明风力发电机组载荷越大。
[0116] 在此情况下，当每台风力发电机组中属于同一扇区组的扇区的数量超过预定数量时，分组划分模块20将超过所述预定数量的扇区所属的扇区组确定为该风力发电机组对应的风力发电机组的集合。
[0117] 优选地，如果任一扇区没有被划分至上述扇区组中，则分组划分模块20可通过对归一化处理中与风资源信息对应的标称值进行调整，重新对风资源信息进行归一化处理，并根据地形信息和重新归一化处理后的风资源信息对所有扇区进行分类，以使所有扇区均能够被划分到相应地扇区组中，以实现对所有风力发电机组的分类。
[0118] 代表机组确定模块30从每个风力发电机组的集合中选择一台风力发电机组作为该集合的代表风力发电机组。这里，一个风力发电机组的集合内的风力发电机组应具有较高的一致性，因此，这里可从每个风力发电机组的集合中任意选择一台风力发电机组作为该集合的代表风力发电机组。
[0119] 根据本发明的示例性实施例还提供一种计算装置。该计算装置包括处理器和存储器。存储器用于存储计算机程序。所述计算机程序被处理器执行使得处理器执行如上所述的确定风电场中的代表风力发电机组的方法的计算机程序。
[0120] 根据本发明的示例性实施例还提供一种存储有计算机程序的计算机可读存储介质。该计算机可读存储介质存储有当被处理器执行时使得处理器执行上述确定风电场中的代表风力发电机组的方法的计算机程序。该计算机可读记录介质是可存储由
计算机系统读出的数据的任意数据存储装置。计算机可读记录介质的示例包括：
只读存储器、
随机存取存储器、只读光盘、磁带、
软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
[0121] 采用本发明示例性实施例的确定风电场中的代表风力发电机组的方法和装置，能够通过对风电场中的所有风力发电机组的分类来提高对代表风力发电机组的选取的准确性。
[0122] 此外，采用本发明示例性实施例的确定风电场中的代表风力发电机组的方法和装置，使得确定的风力发电机组能够更为准确地代表其所在风力发电机组的集合中包含的全部风力发电机组的特性，提高了风电场发电量统计的准确性，还有助于为风电场定制合理的控制策略。
[0123] 尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离
权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。
