一种数据驱动的风电场调频响应特性建模方法及系统

摘要

本发明涉及一种数据驱动的风电场调频响应特性建模方法及系统，所述方法包括：基于阶跃响应动态性能指标求解算法对风电场调频响应特性实测数据进行分析和预处理，得到各个工况下处理后的数据；根据所述处理后的数据对每个工况建立传递函数模型，并利用间隙测度方法测量各模型间的间隙值，以确定非线性自回归神经网络模型表征的工况区域；根据所述间隙值对工况的调频数据进行合并，并根据合并后的数据对所述非线性自回归神经网络模型进行训练，得到训练好的非线性自回归神经网络模型。本发明利用风电场实际调频响应数据，设计了能够良好表征不同工况下风电场并网点调频响应特性的建模方案，能够提高风电场频率响应评估的准确性和调频效果。

权利要求

1.一种数据驱动的风电场调频响应特性建模方法，其特征在于，包括：基于阶跃响应动态性能指标求解算法对风电场调频响应特性实测数据进行分析和预处理，得到各个工况下处理后的数据；

根据所述处理后的数据对每个工况建立传递函数模型，并利用间隙测度方法测量各模型间的间隙值，以确定非线性自回归神经网络模型表征的工况区域；

根据所述间隙值对工况的调频数据进行合并，并根据合并后的数据对所述非线性自回归神经网络模型进行训练，得到训练好的非线性自回归神经网络模型；

所述基于阶跃响应动态性能指标求解算法对风电场调频响应特性实测数据进行分析和预处理，得到各个工况下处理后的数据，包括：根据风电场调频时的初始有功功率对所述风电场调频响应特性实测数据进行划分，得到多个工况；

获取所述风电场调频响应特性实测数据的数据集的功率曲线，并计算所述功率曲线的各个数据点的上峰值集合和下峰值集合；

计算所述上峰值集合的最大值和所述下峰值集合的最小值；

基于所述数据集中的数据点，计算误差带上界和误差带下界；

判断所述误差带上界是否大于或者等于所述上峰值集合的最大值，且所述误差带下界是否大于或者等于所述下峰值集合的最小值，若判断结果均为是，则根据采样间隔确定调节时间；

判断所述风电场调频响应特性实测数据是否为频率阶跃下扰，若是，则根据所述上峰值集合的最大值确定超调量；

根据所述数据集确定上升时间或下降时间；

所述根据所述处理后的数据对每个工况建立传递函数模型，包括：分别根据各个工况下的所述处理后的数据中的频率变化量为输入，功率变化量为输出，构建初始函数模型；

设定传递函数的分子阶数和分母阶数；

对所述初始函数模型进行模型辨识，并调整所述分子阶数和所述分母阶数，得到最优的所述传递函数模型；

所述利用间隙测度方法测量各模型间的间隙值，以确定非线性自回归神经网络模型表征的工况区域，包括：根据不同的所述传递函数模型的正交投影矩阵确定间隙度量公式；

根据所述间隙度量公式计算所述间隙值；所述间隙值用于确定所述工况区域；

所述根据所述间隙值对工况的调频数据进行合并，包括：计算不同工况的所述传递函数模型之间的间隙值与0之间的距离，得到第一距离；

计算不同工况的所述传递函数模型之间的间隙值与1之间的距离，得到第二距离；

判断所述第一距离是否小于或者等于所述第二距离，若是，则按时序合并这两个工况的调频数据，得到合并后的数据；若否，则选取任意一个工况的调频数据与已有的调频数据进行时序合并，得到合并后的数据；

所述根据合并后的数据对所述非线性自回归神经网络模型进行训练，得到训练好的非线性自回归神经网络模型，包括：构建初始神经网络；

基于列文伯格‑马尔夸克算法，根据所述合并后的数据对所述初始神经网络进行训练；

利用每一个工况的调频数据对训练后的神经网络进行测试，并根据测试结果确定所述非线性自回归神经网络模型。

2.一种数据驱动的风电场调频响应特性建模系统，其特征在于，包括：数据处理模块，用于基于阶跃响应动态性能指标求解算法对风电场调频响应特性实测数据进行分析和预处理，得到各个工况下处理后的数据；

传递函数构建模块，用于根据所述处理后的数据对每个工况建立传递函数模型，并利用间隙测度方法测量各模型间的间隙值，以确定非线性自回归神经网络模型表征的工况区域；

神经网络建模模块，用于根据所述间隙值对工况的调频数据进行合并，并根据合并后的数据对所述非线性自回归神经网络模型进行训练，得到训练好的非线性自回归神经网络模型；

所述数据处理模块具体包括：

工况划分单元，用于根据风电场调频时的初始有功功率对所述风电场调频响应特性实测数据进行划分，得到多个工况；

峰值计算单元，用于获取所述风电场调频响应特性实测数据的数据集的功率曲线，并计算所述功率曲线的各个数据点的上峰值集合和下峰值集合；

最值计算单元，用于计算所述上峰值集合的最大值和所述下峰值集合的最小值；

上下界计算单元，用于基于所述数据集中的数据点，计算误差带上界和误差带下界；

第一判断单元，用于判断所述误差带上界是否大于或者等于所述上峰值集合的最大值，且所述误差带下界是否大于或者等于所述下峰值集合的最小值，若判断结果均为是，则根据采样间隔确定调节时间；

第二判断单元，用于判断所述风电场调频响应特性实测数据是否为频率阶跃下扰，若是，则根据所述上峰值集合的最大值确定超调量；

时间确定单元，用于根据所述数据集确定上升时间或下降时间；

所述传递函数构建模块具体包括：

初始模型构建单元，用于分别根据各个工况下的所述处理后的数据中的频率变化量为输入，功率变化量为输出，构建初始函数模型；

阶数设定单元，用于设定传递函数的分子阶数和分母阶数；

模型确定单元，用于对所述初始函数模型进行模型辨识，并调整所述分子阶数和所述分母阶数，得到最优的所述传递函数模型；

公式确定单元，用于根据不同的所述传递函数模型的正交投影矩阵确定间隙度量公式；

间隙计算单元，用于根据所述间隙度量公式计算所述间隙值；所述间隙值用于确定所述工况区域。

说明书

一种数据驱动的风电场调频响应特性建模方法及系统

技术领域

[0001] 本发明涉及风电场调频响应特性技术领域，特别是涉及一种数据驱动的风电场调频响应特性建模方法及系统。

背景技术

[0002] 风电场内频率稳定的研究，一个重要的问题就是建立风场调频响应特性的模型，一般来说，建模方法分为两种，一种为基于组件的建模，一种是基于数据的建模。基于组件的建模往往需要风电机组内部组件的参数和运行时的动力学数学模型，而实际上由于保密协议的存在，风机厂商不能够提供详细的风机信息，这使得组件建模有一定的局限性。基于风场运行数据的建模关注研究对象的输入和输出，避免了对风电机组组件的物理描述和获取相应的参数，且模型也能达到满意的精度。因此数据驱动的建模方法被越来越多的应用到风电机组及风电场建模过程中。

[0003] 带外部输入的非线性自回归神经网络模型能够很好的表征非线性时序系统。风电场并网点调频响应就是一个时序的非线性过程。根据现有可得的相关文献，与本发明最相近的现有风电场调频响应特性建模方法，传递函数方法往往是基于组件的，并且考虑单工况的较多，非线性自回归神经网络多用于风电场风速、功率的预测，应用风电场调频建模的极少。我们知道，当来自并网点的调频指令下达时，风电场不一定处于最大功率运行状态，若在其它有功功率运行状态下进行调频，单一模型可能无法表征。这可能导致针对单一模型进行的风电场频率响应评估不准确，调频效果不理想等问题。

发明内容

[0004] 为了克服现有技术的不足，本发明的目的是提供一种数据驱动的风电场调频响应特性建模方法及系统。

[0005] 为实现上述目的，本发明提供了如下方案：

[0006] 一种数据驱动的风电场调频响应特性建模方法，包括：

[0007] 基于阶跃响应动态性能指标求解算法对风电场调频响应特性实测数据进行分析和预处理，得到各个工况下处理后的数据；

[0008] 根据所述处理后的数据对每个工况建立传递函数模型，并利用间隙测度方法测量各模型间的间隙值，以确定非线性自回归神经网络模型表征的工况区域；

[0009] 根据所述间隙值对工况的调频数据进行合并，并根据合并后的数据对所述非线性自回归神经网络模型进行训练，得到训练好的非线性自回归神经网络模型。

[0010] 优选地，所述基于阶跃响应动态性能指标求解算法对风电场调频响应特性实测数据进行分析和预处理，得到各个工况下处理后的数据，包括：

[0011] 根据风电场调频时的初始有功功率对所述风电场调频响应特性实测数据进行划分，得到多个工况；

[0012] 获取所述风电场调频响应特性实测数据的数据集的功率曲线，并计算所述功率曲线的各个数据点的上峰值集合和下峰值集合；

[0013] 计算所述上峰值集合的最大值和所述下峰值集合的最小值；

[0014] 基于所述数据集中的数据点，计算误差带上界和误差带下界；

[0015] 判断所述误差带上界是否大于或者等于所述上峰值集合的最大值，且所述误差带下界是否大于或者等于所述下峰值集合的最小值，若判断结果均为是，则根据采样间隔确定调节时间；

[0016] 判断所述风电场调频响应特性实测数据是否为频率阶跃下扰，若是，则根据所述上峰值集合的最大值确定超调量；

[0017] 根据所述数据集确定上升时间或下降时间。

[0018] 优选地，所述根据所述处理后的数据对每个工况建立传递函数模型，包括：

[0019] 分别根据各个工况下的所述处理后的数据中的频率变化量为输入，功率变化量为输出，构建初始函数模型；

[0020] 设定传递函数的分子阶数和分母阶数；

[0021] 对所述初始传递函数模型进行模型辨识，并调整所述分子阶数和所述分母阶数，得到最优的所述传递函数模型。

[0022] 优选地，所述利用间隙测度方法测量各模型间的间隙值，以确定非线性自回归神经网络模型表征的工况区域，包括：

[0023] 根据不同的所述传递函数模型的正交投影矩阵确定间隙度量公式；

[0024] 根据所述间隙度量公式计算所述间隙值；所述间隙值用于确定所述工况区域。

[0025] 优选地，所述根据所述间隙值对工况的调频数据进行合并，包括：

[0026] 计算不同工况的所述传递函数模型之间的间隙值与0之间的距离，得到第一距离；

[0027] 计算不同工况的所述传递函数模型之间的间隙值与1之间的距离，得到第二距离；

[0028] 判断所述第一距离是否小于或者等于所述第二距离，若是，则按时序合并这两个工况的调频数据，得到合并后的数据；若否，则选取任意一个工况的调频数据与已有的调频数据进行时序合并，得到合并后的数据。

[0029] 优选地，所述根据合并后的数据对所述非线性自回归神经网络模型进行训练，得到训练好的非线性自回归神经网络模型，包括：

[0030] 构建初始神经网络；

[0031] 基于列文伯格‑马尔夸克算法，根据所述合并后的数据对所述初始神经网络进行训练；

[0032] 利用每一个工况的调频数据对训练后的神经网络进行测试，并根据测试结果确定所述非线性自回归神经网络模型。

[0033] 一种数据驱动的风电场调频响应特性建模系统，包括：

[0034] 数据处理模块，用于基于阶跃响应动态性能指标求解算法对风电场调频响应特性实测数据进行分析和预处理，得到各个工况下处理后的数据；

[0035] 传递函数构建模块，用于根据所述处理后的数据对每个工况建立传递函数模型，并利用间隙测度方法测量各模型间的间隙值，以确定非线性自回归神经网络模型表征的工况区域；

[0036] 神经网络建模模块，用于根据所述间隙值对工况的调频数据进行合并，并根据合并后的数据对所述非线性自回归神经网络模型进行训练，得到训练好的非线性自回归神经网络模型。

[0037] 优选地，所述数据处理模块具体包括：

[0038] 工况划分单元，用于根据风电场调频时的初始有功功率对所述风电场调频响应特性实测数据进行划分，得到多个工况；

[0039] 峰值计算单元，用于获取所述风电场调频响应特性实测数据的数据集的功率曲线，并计算所述功率曲线的各个数据点的上峰值集合和下峰值集合；

[0040] 最值计算单元，用于计算所述上峰值集合的最大值和所述下峰值集合的最小值；

[0041] 上下界计算单元，用于基于所述数据集中的数据点，计算误差带上界和误差带下界；

[0042] 第一判断单元，用于判断所述误差带上界是否大于或者等于所述上峰值集合的最大值，且所述误差带下界是否大于或者等于所述下峰值集合的最小值，若判断结果均为是，则根据采样间隔确定调节时间；

[0043] 第二判断单元，用于判断所述风电场调频响应特性实测数据是否为频率阶跃下扰，若是，则根据所述上峰值集合的最大值确定超调量；

[0044] 时间确定单元，用于根据所述数据集确定上升时间或下降时间。

[0045] 优选地，所述传递函数构建模块具体包括：

[0046] 初始模型构建单元，用于分别根据各个工况下的所述处理后的数据中的频率变化量为输入，功率变化量为输出，构建初始函数模型；

[0047] 阶数设定单元，用于设定传递函数的分子阶数和分母阶数；

[0048] 模型确定单元，用于对所述初始传递函数模型进行模型辨识，并调整所述分子阶数和所述分母阶数，得到最优的所述传递函数模型。

[0049] 优选地，所述传递函数构建模块具体包括：

[0050] 公式确定单元，用于根据不同的所述传递函数模型的正交投影矩阵确定间隙度量公式；

[0051] 间隙计算单元，用于根据所述间隙度量公式计算所述间隙值；所述间隙值用于确定所述工况区域。

[0052] 根据本发明提供的具体实施例，本发明公开了以下技术效果：

[0053] 本发明提供了一种数据驱动的风电场调频响应特性建模方法及系统，所述方法包括：基于阶跃响应动态性能指标求解算法对风电场调频响应特性实测数据进行分析和预处理，得到各个工况下处理后的数据；根据所述处理后的数据对每个工况建立传递函数模型，并利用间隙测度方法测量各模型间的间隙值，以确定非线性自回归神经网络模型表征的工况区域；根据所述间隙值对工况的调频数据进行合并，并根据合并后的数据对所述非线性自回归神经网络模型进行训练，得到训练好的非线性自回归神经网络模型。本发明利用风电场实际调频响应数据，设计了能够良好表征不同工况下风电场并网点调频响应特性的建模方案，能够提高风电场频率响应评估的准确性和调频效果。

附图说明

[0054] 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性的前提下，还可以根据这些附图获得其他的附图。

[0055] 图1为本发明提供的实施例中的风电场调频响应特性建模方法的方法流程图；

[0056] 图2为本发明提供的实施例中的传递函数模型的输出与实际数据的第一幅输出对比图；

[0057] 图3为本发明提供的实施例中的传递函数模型的输出与实际数据的第二幅输出对比图；

[0058] 图4为本发明提供的实施例中的传递函数模型的输出与实际数据的第三幅输出对比图；

[0059] 图5为本发明提供的实施例中的传递函数模型的输出与实际数据的第四幅输出对比图；

[0060] 图6为本发明提供的实施例中的带外部输入的非线性自回归神经网络结构图；

[0061] 图7为本发明提供的实施例中的多工况数据训练的非线性自回归神经网络模型被单工况的频率干扰数据测试的第一幅结果图；

[0062] 图8为本发明提供的实施例中的多工况数据训练的非线性自回归神经网络模型被单工况的频率干扰数据测试的第二幅结果图；

[0063] 图9为本发明提供的实施例中的多工况数据训练的非线性自回归神经网络模型被单工况的频率干扰数据测试的第三幅结果图；

[0064] 图10为本发明提供的实施例中的多工况数据训练的非线性自回归神经网络模型被单工况的频率干扰数据测试的第四幅结果图。

具体实施方式

[0065] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0066] 在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

[0067] 本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。

[0068] 本发明的目的是提供一种数据驱动的风电场调频响应特性建模方法及系统，能够提高风电场频率响应评估的准确性和调频效果。

[0069] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0070] 图1为本发明提供的实施例中的风电场调频响应特性建模方法的方法流程图，如图1所示，本发明提供了一种数据驱动的风电场调频响应特性建模方法，包括：

[0071] 步骤100：基于阶跃响应动态性能指标求解算法对风电场调频响应特性实测数据进行分析和预处理，得到各个工况下处理后的数据；

[0072] 步骤200：根据所述处理后的数据对每个工况建立传递函数模型，并利用间隙测度方法测量各模型间的间隙值，以确定非线性自回归神经网络模型表征的工况区域；

[0073] 步骤300：根据所述间隙值对工况的调频数据进行合并，并根据合并后的数据对所述非线性自回归神经网络模型进行训练，得到训练好的非线性自回归神经网络模型。

[0074] 优选地，所述步骤100包括：

[0075] 根据风电场调频时的初始有功功率对所述风电场调频响应特性实测数据进行划分，得到多个工况；

[0076] 获取所述风电场调频响应特性实测数据的数据集的功率曲线，并计算所述功率曲线的各个数据点的上峰值集合和下峰值集合；

[0077] 计算所述上峰值集合的最大值和所述下峰值集合的最小值；

[0078] 基于所述数据集中的数据点，计算误差带上界和误差带下界；

[0079] 判断所述误差带上界是否大于或者等于所述上峰值集合的最大值，且所述误差带下界是否大于或者等于所述下峰值集合的最小值，若判断结果均为是，则根据采样间隔确定调节时间；

[0080] 判断所述风电场调频响应特性实测数据是否为频率阶跃下扰，若是，则根据所述上峰值集合的最大值确定超调量；

[0081] 根据所述数据集确定上升时间或下降时间。

[0082] 本实施例中的第一步是对风电场调频响应特性实测数据进行分析和预处理，在实际中，描述一个系统动态性能的指标一般为上升(下降)时间tr、调节时间ts以及超调量δ％表示。其中tr为响应值从零到达终值p∞所用的时间，ts为响应值从零到其稳定在人为规定的误差带内所需时间，δ％由以下公式求得

[0083]

[0084] 其中pex为调节时间内响应值的最大偏移量。

[0085] 由于风电场频率阶跃响应无法用简单的一阶或二阶的数学模型描述，故无法准确的用解析表达式求出响应的动态性能指标，为了解决这个问题，现提出基于实测数据的阶跃响应动态性能指标求解算法，为方便理解，该算法以伪代码形式体现，算法的步骤如下：

[0086]

[0087] 选取指标中调节时间内的数据来进行建模，并对数据进行如下处理：以风电场频率干扰发生时刻t0为初始时刻，选取t0时刻对应的有功功率p0,则风电场调频过程中各时刻对应的有功功率变化量为

[0088] Δpi＝pi‑p0      (2)

[0089] 其中i＝0,1,…,n,n为发生完整频率阶跃事件的数据个数。pi为ti时刻对应的实测数据中风电场的有功功率值。以50Hz为并网标准频率则频率阶跃过程中各时刻对应的频率偏差量为

[0090] Δfi＝fi‑50     (3)

[0091] 其中fi为ti时刻对应的实测数据中风电场的频率值。为方便计算，定义Δf＝(ΔT Tf0,Δf1,...,Δfn) ，以Δp＝(Δp0,Δp1,...,Δpn) 。

[0092] 进一步地，以频率上扰为例，以风电场调频时的初始有功功率划分不同的工况，根据风电场实测数据，具体分为，工况1：限功率25％下的频率阶跃上扰；工况2：限功率50％下的频率阶跃上扰；工况3：不限功率下的频率阶跃上扰；工况4：复合频率上扰；根据本发明提出的算法可求出不同工况下风电场调频响应特性指标，如表1所示，表1为风电场在各工况下频率阶跃上扰响应特性指标，根据表1中的下降时间，截取建模所需数据，值得注意的是，工况4，是复合频率干扰，不是典型的阶跃响应，故求取性能指标没有实际的价值，故表1没有给出工况4的指标，并且针对工况4，建模数据选取完整的调频响应时间内的数据。选定好建模所需数据之后，根据方案第一步中预处理方法对数据进行预处理。

[0093] 表1

[0094]

[0095] 优选地，所述步骤200包括：

[0096] 分别根据各个工况下的所述处理后的数据中的频率变化量为输入，功率变化量为输出，构建初始函数模型；

[0097] 设定传递函数的分子阶数和分母阶数；

[0098] 对所述初始传递函数模型进行模型辨识，并调整所述分子阶数和所述分母阶数，得到最优的所述传递函数模型。

[0099] 优选地，所述步骤200还包括：

[0100] 根据不同的所述传递函数模型的正交投影矩阵确定间隙度量公式；

[0101] 根据所述间隙度量公式计算所述间隙值；所述间隙值用于确定所述工况区域。

[0102] 具体的，本实施例中第二步为根据各工况下处理好的数据对每个工况建立传递函数模型并利用间隙测度方法测量各模型间的间隙值，以确定建模工况区域，具体方法如下：

[0103] 以频率变化量为输入，相应的功率变化量为输出，给出以下传递函数模型[0104]

[0105] 其中m和k代表传递函数分子和分母的阶数，并假设k≥m，j＝1,2…n,代表第j次频T率波动事件，θj＝[b1,j,…,bk,j,a0,j,…,am,j]是离散传递函数参数组成的向量。

[0106] 接着(4)式可化为：

[0107] ΔPj(z)(1+b1,jz‑1+…+bk,jz‑k)＝Δfj(z)(a0,j+a1,jz‑1+…+am,jz‑m)   (5)[0108] 根据z‑变换的性质，(5)可以直接转换为差分方程如下：

[0109] ΔPj(t)＝‑b1,jΔPj(t‑1)‑…‑bk,jΔPj(t‑k)+a0,jΔfj(t)+…+am,jΔfj(t‑m)  (6)[0110] 假设第j次频率波动事件有N个实测样本点，并令

[0111]

[0112] Yj＝[ΔPj(t),…,ΔPj(N)]T,

[0113] 则(6)式可由上述矩阵表达为如下紧凑形式：

[0114] Yj＝Ξjθj     (7)

[0115] 由此我们可以利用线性最小二乘法来求解θj，即

[0116]

[0117] 在建模过程中，可以假设传递函数分子和分母的阶数m和k已知，由传递函数的性质可知：m和k的值可以反应出输出向量曲线的极值和零点个数。本发明在风电场调频响应特性分析的过程中，首先根据调频事件过程中有功功率变化量的曲线，初步判断传递函数的极点和零点个数，给出m和k的值，然后进行模型参数的辨识，最后通过不断调整m和k的值，来得到最优模型。

[0118] 在得到的传递传递函数模型之后，利用间隙度量的方法比较每个模型之间的动态特性差别，来达到用一个模型表征在一定工况范围内的调频响应的目的。若两个系统的传递函数分别为Q1和Q2则这两个系统间的间隙可以表示为：

[0119]

[0120] 式中，G(Qi)(i＝1,2)表示Qi对应的系统的图，正交投影矩阵 定义为：

[0121]

[0122] 其中，i＝1,2,Ni,Di∈RH∞可由Qi规范右互质分解得到，即Qi＝NiDi‑1，并满足(I为单位矩阵，*表示共轭)，由(9)、(10)可得两个系统的间隙度量公式为：

[0123]

[0124] 其中，P为任意的希尔伯特矩阵，0≤g≤1，代表两个系统动态特性差别越大，g值越靠近0，则两个系统动态特性差别越小。g值越靠近1，动态特性差别越大。

[0125] 进一步地，利用本实施例中的第二步，得到不同工况下的传递函数模型，其拟合图如图2至图5所示，由图2至图5可知，传递函数拟合度较好，然后根据间隙测度方法，得到各模型间的间隙值均接近于1，因此我们将所有工况的数据进行合并。与此同时，间隙值也说明了传递函数模型需要针对不同工况的模型分别建模，当工况增加时，工作量也会变得巨大。根据图5可知，传递函数模型对复杂的频率响应事件表征能力不强。

[0126] 优选地，所述步骤300包括：

[0127] 计算不同工况的所述传递函数模型之间的间隙值与0之间的距离，得到第一距离；

[0128] 计算不同工况的所述传递函数模型之间的间隙值与1之间的距离，得到第二距离；

[0129] 判断所述第一距离是否小于或者等于所述第二距离，若是，则按时序合并这两个工况的调频数据，得到合并后的数据；若否，则选取任意一个工况的调频数据与已有的调频数据进行时序合并，得到合并后的数据。

[0130] 优选地，所述步骤300还包括：

[0131] 构建初始神经网络；

[0132] 基于列文伯格‑马尔夸克算法，根据所述合并后的数据对所述初始神经网络进行训练；

[0133] 利用每一个工况的调频数据对训练后的神经网络进行测试，并根据测试结果确定所述非线性自回归神经网络模型。

[0134] 具体的，本实施例中的第三步是根据各工况下的传递函数模型的间隙值，合并相应数据，进行非线性自回归神经网络模型的构建，具体方法如下：

[0135] 由第二步得到各模型间的间隙值之后，若两个工况传递函数模型之间的间隙值接近1，则说明其动态特性差别很大，则按时序合并这两个工况的调频数据，得到数据集Du，若间隙值接近于0，则说明两个模型有很相似的动态特性，则选取任意一个工况的调频数据与已有Du进行时序合并，得到新的Du。利用合并完成的数据集Du对神经网络进行训练，下面介绍非线性自回归神经网络：

[0136] 非线性自回归神经网络的输出不仅依赖于当前的输入，也依赖于过去的输入和输出，这使得其具有一定的记忆功能。风电场有调频过程是动态的且调频数据也是时序序列，故风电场调频过程的非线性自回归神经网络模型如下：

[0137] ΔP(t)＝h(ΔP(t‑1)，ΔP(t‑1)，…，ΔP(t‑d)，Δf(t)，Δf(t‑1)，…，Δf(t‑d))    (12)

[0138] 其中，ΔP(t)为t时刻对应的有功功率变化量即为网络的输出，Δf(t)为t时刻对应的频率变化量即为网络的输入，h(·)为网络构造的关于ΔP(t)和Δf(t)的非线性函数。d为延时数。其网络结构如图6所示。

[0139] 本发明采用列文伯格‑马尔夸克算法来训练非线性自回归神经网络，该算法继承了牛顿法和梯度下降法的优点，并且收敛速度快且稳定。其参数更新规则为：

[0140]

[0141] 式中，qn为第n次迭代的网络权重，e(·)为误差向量。H和J分别为雅可比矩阵和海森矩阵，该算法利用雅可比矩阵给出海森矩阵的近似：

[0142] H≈ηI+JTJ     (14)

[0143] 其中，η和I分别为学习系数和单位矩阵。

[0144] 列文伯格‑马尔夸克算法训练过程基于调整η值，通过迭代寻找最小的误差，当误差值小于上次迭代误差则减小η值，反之，则增大η值。η接近于0时该算法具有近似于梯度下降法的局部收敛性，η很大时该算法具有近似于高斯牛顿法的全局收敛性。

[0145] 进一步地，利用方案第三步，将相应工况的数据合并，对非线性自回归神经网络进行训练，并利用不用工况的数据去测试训练好的网络模型，得到图7至图10，由图7至图10可知相较于传递函数模型在非线性自回归神经网络模型可以同时表征多种工况，同时对非线性更强的调频响应同样有良好的表征能力。

[0146] 本发明还提供了一种数据驱动的风电场调频响应特性建模系统，包括：

[0147] 数据处理模块，用于基于阶跃响应动态性能指标求解算法对风电场调频响应特性实测数据进行分析和预处理，得到各个工况下处理后的数据；

[0148] 传递函数构建模块，用于根据所述处理后的数据对每个工况建立传递函数模型，并利用间隙测度方法测量各模型间的间隙值，以确定非线性自回归神经网络模型表征的工况区域；

[0149] 神经网络建模模块，用于根据所述间隙值对工况的调频数据进行合并，并根据合并后的数据对所述非线性自回归神经网络模型进行训练，得到训练好的非线性自回归神经网络模型。

[0150] 优选地，所述数据处理模块具体包括：

[0151] 工况划分单元，用于根据风电场调频时的初始有功功率对所述风电场调频响应特性实测数据进行划分，得到多个工况；

[0152] 峰值计算单元，用于获取所述风电场调频响应特性实测数据的数据集的功率曲线，并计算所述功率曲线的各个数据点的上峰值集合和下峰值集合；

[0153] 最值计算单元，用于计算所述上峰值集合的最大值和所述下峰值集合的最小值；

[0154] 上下界计算单元，用于基于所述数据集中的数据点，计算误差带上界和误差带下界；

[0155] 第一判断单元，用于判断所述误差带上界是否大于或者等于所述上峰值集合的最大值，且所述误差带下界是否大于或者等于所述下峰值集合的最小值，若判断结果均为是，则根据采样间隔确定调节时间；

[0156] 第二判断单元，用于判断所述风电场调频响应特性实测数据是否为频率阶跃下扰，若是，则根据所述上峰值集合的最大值确定超调量；

[0157] 时间确定单元，用于根据所述数据集确定上升时间或下降时间。

[0158] 优选地，所述传递函数构建模块具体包括：

[0159] 初始模型构建单元，用于分别根据各个工况下的所述处理后的数据中的频率变化量为输入，功率变化量为输出，构建初始函数模型；

[0160] 阶数设定单元，用于设定传递函数的分子阶数和分母阶数；

[0161] 模型确定单元，用于对所述初始传递函数模型进行模型辨识，并调整所述分子阶数和所述分母阶数，得到最优的所述传递函数模型。

[0162] 优选地，所述传递函数构建模块具体包括：

[0163] 公式确定单元，用于根据不同的所述传递函数模型的正交投影矩阵确定间隙度量公式；

[0164] 间隙计算单元，用于根据所述间隙度量公式计算所述间隙值；所述间隙值用于确定所述工况区域。

[0165] 本发明的有益效果如下：

[0166] (1)发明提出了一种基于数据的频率阶跃响应特性指标求解算法，用来分析风电场调频响应特性以及处理建模所需数据。

[0167] (2)本发明构建了不同工况下的风电场调频响应特性的传递函数模型，并利用一种模型间隙测度方法来衡量模型间的动态相似度，来确定工况区域。

[0168] (3)本发明构建了NARX神经网络模型来表征多工况下的风电场调频响应特性。此模型克服了传递函数模型表征工况范围能力和对非线性强的响应表征能力交差的缺点，经过仿真验证，此模型在风电场调频响应特性建模领域有着良好的应用前景。

[0169] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

[0170] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。