本发明涉及双馈风电场等值领域，尤其涉及一种基于保护动作状态识别的dfig风电场动态等值方法、系统及设备。
背景技术：
1、我国风电的装机容量逐年增长，大规模的风机并网对电力系统稳定运行的影响愈发不可忽视，亟需建立能够准确描述风电场运行动态特性的模型。由于风电场往往由几十台甚至上百台风机组成，为了降低仿真模型的复杂度和计算量并同时提高仿真准确性，建立可靠、精确的风电场等值模型具有重要意义。
2、目前的双馈风机(dfig)风电场等值方法主要包括单机等值法和多机等值法。单机等值法是将整个风电场等值为一台，降低了计算量但准确性较低；多机等值法通过研究稳态和故障期间不同风机运行状态量的不同，如有功功率、风速、桨距角等，把状态相似的机组分到一群，从而得到多机等值模型，其精度会高于单机等值，但状态量的选择至关重要。
3、虽然目前国内外学者针对dfig风电场的等值已经开展了大量的研究，但现有等值方法均未考虑严重故障下整个风电场内部分风机脱网的情形，而风机部分脱网会使得风电场对外表现的功率产生变化，因此对脱网机组进行识别与等值是非常重要的；撬棒(crowbar)的动作特性往往是区分故障期间机组差异的第一个分群指标，但现有crowbar的识别方法精度较低，从而无法保证等值精度。
技术实现思路
1、本发明实例提供了一种基于保护动作状态识别的dfig风电场动态等值方法、系统及设备，基于数据驱动的分类模型识别crowbar的动作状态，能够保证很高的识别准确率；考虑到风电场内部部分风机脱网的情景，将脱网机组识别出来，从而使得等值模型能够适应更多实际场景，具有最高的普适性。
2、为达到上述目的，本发明方法的技术方案为：
3、一种基于保护动作状态识别的dfig风电场动态等值方法，所述方法包括如下步骤：
4、数据获取步骤：构建含多台dfig的风电场系统，风电场系统中的每台风机均配备低电压穿越lvrt控制、crowbar保护以及低压脱网切机保护；设置不同的故障程度以及不同的风速，模拟不同运行场景下风机内部的保护动作情况，采集每台风机的功率、电压、风速构造样本数据集，将样本数据集归一化与处理后划分训练集和测试集；
5、运行状态判断步骤：设定风机运行状态判据并基于风机运行状态判据对风机机组打上风机运行状态标签；
6、模型训练步骤：将数据获取步骤中构造的训练集中的数据作为模型输入，将运行状态判断步骤中风机运行状态标签作为输出，构建基于改进轻梯度提升机的风机保护动作识别分类模型，并基于误判惩罚因子矩阵进行模型改进获取改进后的风机保护状态分类模型，训练改进后的风机保护状态分类模型，并用数据获取步骤中获取的测试集中的数据评估分类效果；
7、风电场等值步骤：获取实际风电场每台风机的功率、电压、风速并输入改进后的风机保护状态分类模型，将动作状态相同的风机分为一群；提出两阶段分群法，将crowbar不动作机组根据风速区间进一步划分为两机；基于容量加权法计算等值机组的功率、容量，基于等电压损耗法计算线路阻抗，基于功率与风速的关系曲线计算等效风速，得到不多于4机的风电场等值模型；
8、仿真验证步骤：在matlab/simulink搭建24机dfig风电场详细模型进行仿真验证。
9、进一步地，所述数据获取步骤具体如下：
10、通过设置不同短路电阻值，模拟不同的故障程度，使得风电场并网点电压跌落至0.1p.u到0.5p.u，并通过设置不同的风速模拟不同运行场景下风机内部的保护动作情况；采集每台风机的稳态功率、稳态电压、故障最低点电压、故障稳态电压及风速五个特征量，构造样本数据集，归一化与处理后划分训练集和测试集。
11、进一步地，所述运行状态判断步骤具体如下：
12、风机运行状态判据：
13、
14、式中，ir代表转子电流，umin代表最低电压，nand代表crowbar不动作机组；yand代表crowbar动作但未脱网机组，；yayd代表crowbar动作且脱网机组；
15、根据crowbar动作与不动作分为两群，将crowbar不动作机组nand打标签为0；crowbar动作机组包含脱网机组与未脱网机组，将未脱网机组yand打标签为1，将脱网机组打标签yayd为2。
16、进一步地，所述模型训练步骤具体如下：
17、基于lightgbm的机器学习框架，引入直方图算法和带深度限制的leaf-wise决策树生长策略，构建基于改进轻梯度提升机的风机保护动作识别分类模型；
18、引入误判惩罚因子矩阵进行模型改进获取改进后的风机保护状态分类模型；
19、将稳态功率、稳态电压、故障最低点电压、故障稳态电压及风速五个特征向量作为改进后的风机保护状态分类模型的输入，将根据风机运行状态判据对风机机组打上的标签作为每组输入对应的输出；
20、训练改进后的风机保护状态分类模型并用测试集评估分类效果；
21、进一步地，所述误判惩罚因子矩阵如下：
22、
23、其中，m01代表实际值为0却预测为1时的mpf，m10代表实际值为1却预测为0时的mpf，m02代表实际值为0却预测为2时的mpf，m20代表实际值为2却预测为0时的mpf，m12代表实际值为1却预测为2时的mpf，m21代表实际值为2却预测为1时的mpf，
24、设定m01，m02，m10，m12为1.5；设置m20的范围为2.5-3，m21的范围为2-2.5。
25、通过网格搜索方式选择最优参数，从而使得损失函数最小且误判率最低。
26、进一步地，引入误判惩罚因子矩阵进行模型改进，获取改进后的风机保护状态分类模型包括：
27、lightgbm的损失函数为：
28、
29、式中，n代表决策树数量，fm-1(xi；am-1)是前m-1棵树对xi的预测值，am-1为参数，yi为实际值，fm-1(xi；am-1)为预测值，l(yi，fm-1(xi；am-1))是真实值与预测值的误差函数，在此选择对数函数；
30、添加mpfm后的损失函数表达式如下：
31、
32、式中，lmodified代表改进后的损失函数。
33、进一步地，所述的风电场等值步骤具体如下：
34、获取实际风电场每台风机的故障前功率、故障前稳态电压、故障过程最低电压、故障中稳态电压以及风速数据，将其输入改进后的风机保护状态分类模型；
35、改进后的风机保护状态分类模型将动作状态相同的风机分为一群，将crowbar不动作机组根据风速区间进一步划分为两机；
36、基于容量加权法计算等值机组的功率、容量：
37、
38、式中，sequ，pequ代表等值机组的容量和有功功率，si，pi代表每台机组的容量和有功功率，m代表属于该类动作群的数量；
39、同时基于等电压损耗法计算等效线路阻抗，基于功率与风速的关系曲线计算等效风速；
40、基于以上步骤，得到不多于4机的风电场等值模型。
41、进一步地，所述的基于matlab/simulink仿真平台进行仿真验证的具体步骤如下：
42、基于matlab/simulink建立详细风电场，通过大量运行场景设置获得大量训练数据，训练好改进lightgbm模型；选择部分场景进行风电场动态保护等值，并验证等值结果的合理性。
43、另一方面，本发明提供一种基于保护动作状态识别的dfig风电场动态等值系统，包括：
44、数据获取模块：其用于构建含多台dfig的风电场系统，风电场系统中的每台风机均配备低电压穿越lvrt控制、crowbar保护以及低压脱网切机保护；设置不同的故障程度以及不同的风速，模拟不同运行场景下风机内部的保护动作情况，采集每台风机的功率、电压、风速构造样本数据集，将样本数据集归一化与处理后划分训练集和测试集；
45、运行状态判断模块：其用于设定风机运行状态判据并基于风机运行状态判据对风机机组打上风机运行状态标签；
46、模型训练模块：其用于将数据获取步骤中构造的训练集中的数据作为模型输入，将运行状态判断步骤中风机运行状态标签作为输出，构建基于改进轻梯度提升机的风机保护动作识别分类模型，并基于误判惩罚因子矩阵进行模型改进获取改进后的风机保护状态分类模型，训练改进后的风机保护状态分类模型，并用数据获取步骤中获取的测试集中的数据评估分类效果；
47、风电场等值模块：其用于获取实际风电场每台风机的功率、电压、风速并输入改进后的风机保护状态分类模型，将动作状态相同的风机分为一群；提出两阶段分群法，将crowbar不动作机组根据风速区间进一步划分为两机；基于容量加权法计算等值机组的功率、容量，基于等电压损耗法计算线路阻抗，基于功率与风速的关系曲线计算等效风速，得到不多于4机的风电场等值模型；
48、仿真验证模块：其用于在matlab/simulink搭建24机dfig风电场详细模型进行仿真验证。
49、再一方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上的基于保护动作状态识别的dfig风电场动态等值方法的步骤。
50、与现有技术相比，本发明具有如下有益效果：
51、1.本发明充分考虑了风电场运行过程中的更多场景，即故障后风电场部分风机脱网场景，所提方法能够准确地将脱网机组识别出来，这是现有方法均为考虑到的；同时，所提等值模型也能适用于无风机脱网的情景，因此具有最高的通用性。
52、2.本发明基于数据驱动的分类功能，并提出mpfm矩阵来提高分类精度降低误判率，从而提高了crowbar动作状态的识别精度，进一步提高了风电场等值模型的等值效果。
1.一种基于保护动作状态识别的dfig风电场动态等值方法，其特征在于，所述方法包括如下步骤：
2.如权利要求1所述的基于保护动作状态识别的dfig风电场动态等值方法，其特征在于，所述数据获取步骤具体如下：
3.如权利要求1所述的基于保护动作状态识别的dfig风电场动态等值方法，其特征在于，所述运行状态判断步骤具体如下：
4.如权利要求2所述的基于保护动作状态识别的dfig风电场动态等值方法，其特征在于，所述模型训练步骤具体如下：
5.如权利要求4所述的基于保护动作状态识别的dfig风电场动态等值方法，其特征在于，所述误判惩罚因子矩阵如下：
6.如权利要求5所述的基于保护动作状态识别的dfig风电场动态等值方法，其特征在于，引入误判惩罚因子矩阵进行模型改进，获取改进后的风机保护状态分类模型包括：
7.如权利要求1所述的基于保护动作状态识别的dfig风电场动态等值方法，其特征在于，所述的风电场等值步骤具体如下：
8.如权利要求1所述的基于保护动作状态识别的dfig风电场动态等值方法，其特征在于，所述的基于matlab/simulink仿真平台进行仿真验证的具体步骤如下：
9.一种基于保护动作状态识别的dfig风电场动态等值系统，其特征在于，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1-8中任一项所述的基于保护动作状态识别的dfig风电场动态等值方法的步骤。
