风电场场站功率控制器的标准测试场生成方法和装置与流程

1.本发明涉及仿真测试技术领域，尤其涉及一种风电场场站功率控制器的标准测试场生成方法和装置。


背景技术：

2.目前风电累计并网容量已经越来越高。受限于风资源的不确定性与波动性，风电场的运行特性与常规能源差异明显。随着风电并网规模的不断提高，保障电网正常运行对风电场功率控制性能提出了更高的要求。但由常规能源电站功率控制系统发展而来的风电场功率控制系统往往仅经过理论验证，在实际电网中的控制效果仍有待检测，尤其是验证其控制策略能否适应不确定性与波动性显著增大的风功率工况。
3.同时，受限于电网安全运行和实际风资源约束，现场实测无法覆盖风电场的全部运行工况，尤其是对电网运行具有较大危害的极端场景。因此，有必要以风电场实际运行中可能遇到的工况作为输入，针对风电场的功率控制系统开展硬件在环仿真性能测试。由于风资源特性复杂多变，简单的大中小出力测试工况难以全面覆盖风电场实际运行中的可能状态，从而造成测试结果不够全面，难以判别功率控制策略的适应性。因此，需要将海量实际运行工况缩减为具有代表性的测试所需工况。常规风电场运行场景缩减法大多针对电网规划和调度优化问题，针对风电场功率控制器的标准测试场生成方法仍不多见。


技术实现要素：

4.有鉴于此，本发明提供一种风电场场站功率控制器的标准测试场生成方法和装置，以解决上述提及的至少一个问题。
5.为了实现上述目的，本发明采用以下方案：
6.根据本发明的第一方面，本发明实施例提供了一种风电场场站功率控制器的标准测试场生成方法，所述方法包括：基于历史风速数据建立风电场风速的马尔科夫状态转移模型；根据所述马尔科夫状态转移模型生成风电场运行工况样本；基于所述风电场运行工况样本运行k-means 聚类算法得到k个典型运行工况；获取与每个所述典型运行工况所对应极端运行工况；将所述典型运行工况和所述极端运行工况的集合作为风电场站功率控制器的标准测试场。
7.优选的，本实施例上述步骤中基于历史风速数据建立风电场风速的马尔科夫状态转移模型包括：根据测试需要确定标准测试场中运行工况的时间间隔和时间长度；以所述历史风速数据为样本，通过风速状态转移概率矩阵来统计不同风速向下一时间间隔后风速转移的概率。
8.优选的，本实施例上述步骤中根据所述马尔科夫状态转移模型生成风电场运行工况样本包括：在所述时间长度内对工况起始时刻的历史风速数据进行参数拟合，得到威布尔概率概率分布模型；根据所述威布尔概率概率分布模型生成若干起始时刻风速状态样本；由所述风速状态转移概率矩阵，根据所述时间间隔逐刻生成风速，最终形成风速序列得
到风电场运行工况样本。
9.优选的，本实施例上述步骤中基于所述风电场运行工况样本运行k-means 聚类算法得到k个典型运行工况包括：基于所述风电场运行工况样本运行k-means 聚类算法得到k个典型运行工况，其中k值通过手肘法进行确定。
10.优选的，本实施例上述步骤中极端运行工况包括：偏离所述典型运行工况最大的工况和分速波动最大的工况。
11.根据本发明的第一方面，本发明实施例提供了一种风电场场站功率控制器的标准测试场生成装置，所述装置包括：模型建立单元，用于基于历史风速数据建立风电场风速的马尔科夫状态转移模型；工况样本生成单元，用于根据所述马尔科夫状态转移模型生成风电场运行工况样本；典型工况获取单元，用于基于所述风电场运行工况样本运行k-means 聚类算法得到k个典型运行工况；极端工况获取单元，用于获取与每个所述典型运行工况所对应极端运行工况；标准测试场生成单元，用于将所述典型运行工况和所述极端运行工况的集合作为风电场站功率控制器的标准测试场。
12.优选的，本实施例上述装置中模型建立单元包括：时段确定模块，用于根据测试需要确定标准测试场中运行工况的时间间隔和时间长度；概率统计模块，用于以所述历史风速数据为样本，通过风速状态转移概率矩阵来统计不同风速向下一时间间隔后风速转移的概率。
13.优选的，本实施例上述装置中工况样本生成单元包括：概率分布获取模块，用于在所述时间长度内对工况起始时刻的历史风速数据进行参数拟合，得到威布尔概率概率分布模型；起始风速样本获取模块，用于根据所述威布尔概率概率分布模型生成若干起始时刻风速状态样本；运行工况生成模块，用于由所述风速状态转移概率矩阵，根据所述时间间隔逐刻生成风速，最终形成风速序列得到风电场运行工况样本。
14.优选的，本实施例上述装置中典型工况获取单元具体用于：基于所述风电场运行工况样本运行k-means 聚类算法得到k个典型运行工况，其中k值通过手肘法进行确定。
15.优选的，本实施例上述装置中极端运行工况包括：偏离所述典型运行工况最大的工况和分速波动最大的工况。
16.根据本发明的第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述方法的步骤。
17.根据本发明的第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
18.根据本发明的第五方面，本发明实施例还提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述方法的步骤。
19.本发明所提出的风电场场站功率控制器的标准测试场生成方法和装置，利用历史风速数据建立的马尔科夫状态转移模型描述风速在不同时刻间的状态转移过程，并由此模型生成海量工况样本，从而解决了聚类算法所需历史数据不足的问题。
附图说明
20.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
21.图1是本技术实施例提供的一种风电场场站功率控制器的标准测试场生成方法的流程示意图；
22.图2本技术另一实施例提供的建立风电场风速的马尔科夫状态转移模型的流程示意图；
23.图3是本技术实施例提供的生成风电场运行工况样本的流程示意图；
24.图4是本技术实施例提供的一种风电场场站功率控制器的标准测试场生成装置的结构示意图；
25.图5是本技术实施例提供的模型建立单元的结构示意图；
26.图6是本技术实施例提供的工况样本生成单元的结构示意图；
27.图7是本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
28.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
29.如图1所示为本技术实施例提供的一种风电场场站功率控制器的标准测试场生成方法的流程示意图，本技术用到了聚类算法生成运行工况，但由于聚类算法所需的历史数据量巨大，而现有的数据极有可能不满足要求，因此本技术还用到了马尔科夫状态转移模型，具体来说，本技术的方法包括如下步骤：
30.步骤s101：基于历史风速数据建立风电场风速的马尔科夫状态转移模型。
31.在此，首先简单描述下马尔科夫状态转移模型，根据马尔科夫状态转移理论，倘若已知当前时刻的系统状态，则下一时刻的状态可由当前状态进行预测。不同状态间转移可由状态概率矩阵描述。因此，风电场某时刻的风速状态向下一时刻风速状态转移的过程可以视为马尔科夫状态转移过程。整个时段内由开始时刻的风速状态到结束时刻风速状态的全部转移过程即为本方法实施例所建立的由起始时刻风速到结束时刻风速的马尔科夫状态转移模型。
32.优选的，如图2所示本步骤具体可以包括如下子步骤：
33.步骤s1011：根据测试需要确定标准测试场中运行工况的时间间隔和时间长度。这里的时间间隔是指风速状态经过多少时间向下一时刻风速状态转移，而时间长度是指本技术需要获取多长时间内的标准测试场的运行工况。在本实施例中，时间间隔比如可以为5分钟、15分钟等，而时间长度比如可以为4小时、24小时等，具体可以根据需要自由设定。
34.另外，由于风资源在不同季节下的特征明显不同，因此可以将历史数据进行如下分组，如：春、夏、秋、冬四季，或旱、雨季等。然后通过本技术方法分别获取到不同季节所对应的标准测试场。
35.步骤s1012：以所述历史风速数据为样本，通过风速状态转移概率矩阵来统计不同风速向下一时间间隔后风速转移的概率。
36.加入上述步骤中将历史数据按照季节进行了分组，则以当前计算季节的历史风速数据为样本，统计不同风速向下一时间间隔后风速转移的概率，记风速状态i在下一时间间隔后转移到风速状态j的概率为p
ij
，则风速状态转移概率矩阵p
v2v
，如公式(1)所示：
[0037][0038]
步骤s102：根据所述马尔科夫状态转移模型生成风电场运行工况样本。
[0039]
优选的，如图3所示，本步骤可以包括如下子步骤：
[0040]
步骤s1021：在所述时间长度内对工况起始时刻的历史风速数据进行参数拟合，得到威布尔概率概率分布模型。
[0041]
某一时段的风速分布可采用两参数威布尔分布描述，其概率密度函数与累积分布函数分别如公式(2)和公式(3)所示：
[0042][0043][0044]
其中k为形状参数，决定曲线形状，无量纲；c为尺度参数，决定曲线尺寸比例大小，量纲同风速；v代表风速。
[0045]
步骤s1022：根据所述威布尔概率概率分布模型生成若干起始时刻风速状态样本。
[0046]
步骤s1023：由所述风速状态转移概率矩阵，根据所述时间间隔逐刻生成风速，最终形成风速序列得到风电场运行工况样本。这样，便可以方便地生成大量保留风电场风速特征的风速工况样本，解决了历史数据样本不足的问题，为后续聚类算法提供方便。
[0047]
常规情况下风电场功率控制器性能检测仅需要风速工况曲线即可，本发明所提方法可根据需要直接生成风速或者风功率。倘若需要生成风功率曲线，则增加本时刻的风速向风功率的状态转移过程，形成如公式(4)所示的风速-风功率状态转移矩阵p
v2p
：
[0048][0049]
步骤s103：基于所述风电场运行工况样本运行k-means 聚类算法得到k个典型运行工况。
[0050]
k-means聚类方法是一种无监督学习的有效分类方法。其基本原理是通过迭代寻找k个类型的一种划分方案，使得聚类结果对应的损失函数最小。其中，损失函数可以定义为各个样本距离所属类型中心的误差平方和，如公式(5)：
[0051][0052]
其中：xi为第i个样本，μi为xi所属类型的中心，在本实施例中即为第i类型的典型运行工况，m为总样本数。针对k-means聚类算法聚类中心的选择极大影响每次迭代的计算量。k-means 算法则优化了初始聚类中心的选择，随机选择一个样本为第一个中心点，计
算数据集中的每一个样本与已经初始化的聚类中心之间的距离，并选择其中最短的距离；以概率选择距离最大的样本作为新的聚类中心，重复上述过程，直到k个聚类中心都被确定。
[0053]
而为了实现最佳聚类效果，需要合理确定k的取值。在本实施例中可以采用手肘法来确定k的取值。sse代表了聚类的效果，随着k值增加而逐渐减小。当k值达到最优个数以后，sse下降缓慢。手肘法则即为选取那个拐点，sse计算方法如公式(6)：
[0054][0055]
其中：cj为第j类样本组成的集合。通过上述方法对马尔科夫模型生成的风电场运行工况样本聚类就得到了k个典型运行工况，即k个典型风速工况曲线。
[0056]
步骤s104：获取与每个所述典型运行工况所对应极端运行工况。
[0057]
极端运行工况指的是出现概率较小，但对风电场运行影响较大的一种工况。对于风电场功率控制系统来说，风速极大、极小或者快速变化情况下风电机组运行受限较多，十分考验其控制策略的适应性。因此，本发明所提方法在聚类得到的k个典型运行工况集合中选取偏离典型工况最大的工况和风速波动最大的工况作为每类典型运行工况集中的极端工况。在第j个典型运行工况集中与典型工况偏差最大的工况表达式如公式(7)、(8)所示：
[0058][0059][0060]
其中：代表正极端工况，每个元素x
i,m
均大于典型工况对应的元素μ
j,m
；ext
j-代表负极端工况，每个x
i,m
均小于典型工况对应的元素μ
j,m
。
[0061]
波动最大的极端工况表达式如式(9)所示：
[0062][0063]
通过上述公式(7)、(8)和(9)，对应于每个典型运行工况可以得到3个极端运行工况，因此最后可以生成k个典型运行工况和对应的3k个极端运行工况，其覆盖了当前季节的全部运行工况。对需要考虑的其他季节重复上述过程即可生成对应的典型运行工况和极端运行工况集。
[0064]
步骤s105：将所述典型运行工况和所述极端运行工况的集合作为风电场站功率控制器的标准测试场。
[0065]
本发明所提出的风电场场站功率控制器的标准测试场生成方法，利用历史风速数据建立的马尔科夫状态转移模型描述风速在不同时刻间的状态转移过程，并由此模型生成海量工况样本，从而解决了聚类算法所需历史数据不足的问题。另外，本技术在k-means 聚类分析的基础上加入极端场景模型，针对每类工况分别生成与典型运行工况偏差最大的正、负极端运行工况和极端波动运行工况。这些极端场景可有效描述风电场实际运行中可能遇到的极端运行状态，从而使得风电场功率控制器性能测试更加高效、全面。
[0066]
如图4所示为本技术实施例提供的一种风电场场站功率控制器的标准测试场生成装置的结构示意图，该装置包括：模型建立单元410、工况样本生成单元420、典型工况获取单元430、极端工况获取单元440和标准测试场生成单元450，它们之间依次相连。
[0067]
模型建立单元410用于基于历史风速数据建立风电场风速的马尔科夫状态转移模型。
[0068]
工况样本生成单元420用于根据所述马尔科夫状态转移模型生成风电场运行工况样本。
[0069]
典型工况获取单元430用于基于所述风电场运行工况样本运行k-means 聚类算法得到k个典型运行工况。
[0070]
极端工况获取单元440用于获取与每个所述典型运行工况所对应极端运行工况；
[0071]
标准测试场生成单元450用于将所述典型运行工况和所述极端运行工况的集合作为风电场站功率控制器的标准测试场。
[0072]
优选的，如图5所示，该模型建立单元410具体可以包括时段确定模块411和概率统计模块412。
[0073]
时段确定模块411用于根据测试需要确定标准测试场中运行工况的时间间隔和时间长度。
[0074]
概率统计模块412用于以所述历史风速数据为样本，通过风速状态转移概率矩阵来统计不同风速向下一时间间隔后风速转移的概率。
[0075]
优选的，如图6所示，上述工况样本生成单元420具体可以包括：概率分布获取模块421、起始风速样本获取模块422和运行工况生成模块423，其中：
[0076]
概率分布获取模块421用于在所述时间长度内对工况起始时刻的历史风速数据进行参数拟合，得到威布尔概率概率分布模型。
[0077]
起始风速样本获取模块422用于根据所述威布尔概率概率分布模型生成若干起始时刻风速状态样本。
[0078]
运行工况生成模块423用于由所述风速状态转移概率矩阵，根据所述时间间隔逐刻生成风速，最终形成风速序列得到风电场运行工况样本。
[0079]
优选的，上述典型工况获取单元430具体可以用于：基于所述风电场运行工况样本运行k-means 聚类算法得到k个典型运行工况，其中k值通过手肘法进行确定。
[0080]
优选的，上述极端运行工况包括：偏离所述典型运行工况最大的工况和分速波动最大的工况。
[0081]
上述各单元的详细描述可以参见前述对应方法实施例的描述，在此不再继续赘述。
[0082]
由上述可知，本发明所提出的风电场场站功率控制器的标准测试场生成装置，利用历史风速数据建立的马尔科夫状态转移模型描述风速在不同时刻间的状态转移过程，并由此模型生成海量工况样本，从而解决了聚类算法所需历史数据不足的问题。另外，本技术在k-means 聚类分析的基础上加入极端场景模型，针对每类工况分别生成与典型运行工况偏差最大的正、负极端运行工况和极端波动运行工况。这些极端场景可有效描述风电场实际运行中可能遇到的极端运行状态，从而使得风电场功率控制器性能测试更加高效、全面。
[0083]
图7是本发明实施例提供的电子设备的示意图。图7所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器801和存储器802。处理器801和存储器802通过总线803连接。存储器802适于存储处理器801可执行的一条或多条指令或程序。该一条或多条指令或程序被处理器801执行以实现上述风电场场站功率控制器的标准测试场生成方法中的步骤。
[0084]
上述处理器801可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器801通过执行存储器802所存储的命令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线803将上述多个组件连接在一起，同时将上述组件连接到显示控制器804和显示装置以及输入/输出(i/o)装置805。输入/输出(i/o)装置805可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出(i/o)装置805通过输入/输出(i/o)控制器806与系统相连。
[0085]
其中，存储器802可以存储软件组件，例如操作系统、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。
[0086]
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现上述风电场场站功率控制器的标准测试场生成方法的步骤。
[0087]
本发明实施例还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述风电场场站功率控制器的标准测试场生成方法的步骤。
[0088]
综上所述，本发明所提出的风电场场站功率控制器的标准测试场生成方法和装置，利用历史风速数据建立的马尔科夫状态转移模型描述风速在不同时刻间的状态转移过程，并由此模型生成海量工况样本，从而解决了聚类算法所需历史数据不足的问题。另外，本技术在k-means 聚类分析的基础上加入极端场景模型，针对每类工况分别生成与典型运行工况偏差最大的正、负极端运行工况和极端波动运行工况。这些极端场景可有效描述风电场实际运行中可能遇到的极端运行状态，从而使得风电场功率控制器性能测试更加高效、全面。
[0089]
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。
[0090]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0091]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0092]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0093]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0094]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。