大规模风电场的降阶：分布式云算法优化

将求得的状态矩阵Asys表示为式（4.25）：

根据矩阵理论，通过状态转移矩阵可以将Asys转化成A′sys，矩阵A′sys与Asys具有相同的特征值。

其中，P由式（4.19）确定。

矩阵A′sys的特征根表达式为

矩阵Asys的特征根表达式为

其中，n个风力发电单元被分为N块，其中第i块ABlocki内包含αi个风力发电子单元（i＝1，2，…，n），风力发电子单元的总数为n，即

当风力强度发生变化时，模型中的参数将发生变化，影响矩阵分块的数量及形式。

图4.22　降阶模型的分布式云计算(www.xing528.com)

为满足分布式云计算的要求，需要确定虚拟化工作站的数量。可根据风力发电站所在地区的气象资料，采用概率估计的方法对虚拟化工作站的数量进行估计，如式（4.29）所示。

其中，x表示天气因素，a表示地理位置，b表示内部参数，y是综合考虑上述影响因素条件下的虚拟化工作站数量（y的值应大于可能发生的最大分块量）。对于一个确定的风力发电站而言，a、b为确定值，每次计算所需要虚拟工作站的数量随风速情况的变化而不同。

采用降阶算法处理后把N块矩阵通过云端的y台虚拟化工作站进行同时计算，如图4.22所示，待求部分的初始形式为左侧方程，根据地理位置与参数不同将原始形式化为基础分块矩阵形式，再考虑风速变化的情况下，实时对系统进行新的分块，分块后为本次计算的最终分块形式。将部分的计算分配给处理速度较快的工作站。降阶-分布式云算法流程如图4.23所示。

图4.23　降阶分布式云算法流程

对于降阶处理后的模型可以直接输入至单机系统中进行计算，如图4.24所示，计算全部矩阵特征值所用的时间为所有子块矩阵计算时间的加和。分别采用单机计算与分布式云计算处理规模不同的模型，运行时间如表4.8所示。

表4.8　运行时间对比表

表4.8中通信时间按照100 M带宽计算。随着风力发电站容量的增加，分布式云计算的速度优势趋于显著，单机计算所需要的时间越来越长。

图4.24　降阶模型的单机计算