本发明属于风电领域，特别是涉及到一种采用量化指标分析风电场样板机性能、并通过混沌遗传算法实时更换样板机的新方法及系统。
背景技术：
随着风电装机容量的越来越大，风电在电力市场所占份额逐步变大，国家日益看重对风电场风量相关统计以及风电场实时控制方面的管理。于是延伸出风电场样板机这一概念，通过风电场样板机为基础结合风机处理特性结合电场模型，可以有效估算出每台风机的近似理论有功，以及风电场弃风量，具有非常重要的实用意义。
现在国家对风电场样板机的选定做出了一些相关要求，主要包括样板机装机容量不用超过电场装机容量的10％，多个样板机不能选择同一个集群中的。除此之外并没有给出更加有效性的选择标准或方法。导致现在风电场在选择标杆风机的方法主要靠风电场现场操作人员的主观判定，或者通过相关建模软件进行理想化的建模分析后选定，风电场实际投入运行以后并不能根据机组健康状况进行客观修改样板机的选择。
现有风机样板机选定方法导致样板机选定以后很少去考证该样板机是否能够代表整个风电场的实际运行情况，同时样板机的实际工况随着使用发生变化，以及不同季节风对样板机的影响都是不可避免的变化量，这将导致固定不变的风机样板机并不能完全反应在所有风力状态下的风电场的运行状态，导致风电场弃风量估算错误、风电场有功/无功调控误差等，进而导致电场功率预测不准确，电场有功/无功波动对电网冲击，这些都会一定程度上的影响电网对风电资源的统筹调控和电网的安全运行。
尤其是当样板机处于检修状态下时，该样板机的功能更是处于错误状态，将严重影响以该样板机数据为基础的一些电场数据的估算和电场风机的调控。
技术实现要素：
有鉴于此，本发明提出一种基于混沌遗传算法的新能源样板机选址方法及系统，针对样板机传统主观的的选定方法的缺点采用量化指标分析样板机性能，并通过混沌遗传算法实时更换样板机，通过合适的样板机能够较为准确的估算出风电场其他风机的理论发电量，和弃风量，具有非常重要的实际应用意义。
为达到上述目的，本发明的技术方案是这样实现的：一种基于混沌遗传算法的新能源样板机选址方法，包括：
(1)判断是否需要更换样板机，如果是则继续步骤(2)；
(2)将风机按照特性划分为几个大的组群，所述特性包括风机机组特性，机组分布区域，风力影响区域；
(3)使用混沌遗传算法重新计算样板机；
(4)通过新的样板机得到准确的气象预测相关数据，得到准确的有功/无功预测数据。
进一步的，判断是否需要更换样板机的方法为：
(11)判断样板机是否检修，是则进行下一步；
(12)判断风电场是否处于限电状态，是则返回步骤(101)，否则进行下一步；
(13)判断样板机实发有功是否与风力匹配，是则返回步骤(101)，否则进行下一步；
(14)判断原样板机是否符合计算标准，是则返回步骤(101)，否则进行步骤(2)。
进一步的，步骤(3)所述混沌遗传算法的过程为：
(31)编码：每个组群各选一台样板机，每台样板机编号共同组成编码，作为染色体；
(32)种群初始化：种群个数定义为2*风机总个数/样板机个数；
(33)计算适应度：以选定的样板机作为基础的理论有功，计算染色体的适应度；
(34)选择操作：根据染色体的适应度大小，通过轮盘赌算法筛选出适应度大的个体作为下一代的父代；
(35)交叉操作：采用混沌算子的方法进行交叉操作，实现完全遍历；
(36)变异操作：采用染色体上随机选取两个对应点进行互换操作。
更进一步的，步骤(33)所述计算适应度的具体方法为：
(331)计算每个组群各自的理论有功值和PjSum，设第j个组群存在L台机组，Ps为机组装机容量，Pk为该组群内样板机的理论有功值和，Pkall为该样板机装机容量和，λs为该机组的修正系数，则
(332)计算全场风机理论有功值和Ptheo，全场风机被分配M个组群，则
(333)计算全场风机实发有功值和Preal，全场风机个数为N，Pi为第i台风机实发有功，则
(334)计算适应度，公式如下：
更进一步的，步骤(35)所述交叉操作的具体方法为：
(351)交叉操作选取部分匹配交叉策略，在两个个体中选取两个随机交叉点，并将交叉点中间的基因段、即机组编号段互换，如果互换部分相同，则重新选择；
(352)当需要进行加入混沌算子处理时，选取种群内10％的个体使用混沌算子进行处理，即向风机编号上随机加入一个混沌扰动，增强系统的多样性。
x0＝0.1
xn+1＝βi*xn*(1-xn)
式中βi为对应某个组群的个数；
(353)对所选定的合法染色体的每一段进行加入xn进行循环计数的方法进行处理。
本发明的另一方面，一种基于混沌遗传算法的新能源样板机选址系统，包括：
判断模块，用于判断是否需要更换样板机；
组群划分模块，用于将风机按照特性划分为几个大的组群，所述特性包括风机机组特性，机组分布区域，风力影响区域；
样板机计算模块，用于使用混沌遗传算法重新计算样板机；
预测模块，用于通过新的样板机得到准确的气象预测相关数据，得到准确的有功/无功预测数据。
进一步的，所述判断模块包括：
检修判断单元，用于判断样板机是否检修；
限电判断单元，用于判断风电场是否处于限电状态；
匹配判断单元，用于判断样板机实发有功是否与风力匹配；
计算标准判断单元，判断原样板机是否符合计算标准。
进一步的，样板机计算模块包括：
编码单元：每个组群各选一台样板机，每台样板机编号共同组成编码，作为染色体；
种群初始化单元：种群个数定义为2*风机总个数/样板机个数；
计算适应度单元：以选定的样板机作为基础的理论有功，计算染色体的适应度；
选择操作单元：根据染色体的适应度大小，通过轮盘赌算法筛选出适应度大的个体作为下一代的父代；
交叉操作单元：采用混沌算子的方法进行交叉操作，实现完全遍历；
变异操作单元：采用染色体上随机选取两个对应点进行互换操作。
更进一步的，所述计算适应度单元包括：
组群理论有功值和计算子单元，用于计算每个组群各自的理论有功值和PjSum，设第j个组群存在L台机组，Ps为机组装机容量，Pk为该组群内样板机的理论有功值和，Pkall为该样板机装机容量和，λs为该机组的修正系数，则
全场风机理论有功值和计算子单元，用于计算全场风机理论有功值和Ptheo，全场风机被分配M个组群，则
全场风机实发有功值和计算子单元，用于计算全场风机实发有功值和Preal，全场风机个数为N，Pi为第i台风机实发有功，则
适应度计算子单元，用于计算适应度，公式如下：
更进一步的，交叉操作单元包括：
选择子单元，用于交叉操作选取部分匹配交叉策略，在两个个体中选取两个随机交叉点，并将交叉点中间的基因段、即机组编号段互换，如果互换部分相同，则重新选择；
混沌算子子单元，用于当需要进行加入混沌算子处理时，选取种群内10％的个体使用混沌算子进行处理，即向风机编号上随机加入一个混沌扰动，增强系统的多样性。
x0＝0.1
xn+1＝βi*xn*(1-xn)
式中βi为对应某个组群的个数；
循环计数子单元，用于对所选定的合法染色体的每一段进行加入xn进行循环计数的方法进行处理。
相对于现有技术，本发明所述一种基于混沌遗传算法的新能源样板机选址方法及系统的有益效果为：
本发明结合国家对样板机的相关标准制定了一整套切实可行的样板机选机方法和相关算法，对样板机的性能进行了量化的操作出路，能够对样板机的优劣进行客观地评价。
本发明在风电不限电阶段重新对电场所有风机进行重新甄选，选择该时段该风力状态下最能够能够反映电场实际运行情况的样板机，能够最大程度上客观有效的反映风电场当前的运行情况,避免人为主观操作，有效提高样板机的代表性，同时通过电场个风机的实时电量进行统计以进行反向验证样板机的有效性，为后期样板机的重新选择提供有效的数据支撑。
本发明能够将以往固定风机样板机选型造成的不良影响降到最低。有效提高基于风电场样板机相关数据的其他系统的操作可靠性,为风功率预测以及风电场有功/无功控制提供更加精确的数据支持。一定程度上提高风资源利用率和风电场运行安全级别。提高风力利用率，提升电场安全稳定级别。
附图说明
图1是本发明的流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
如图1所示，本发明的具体实施流程为：
1.风电场是否处于检修状态
当样板机处于检修状态下时，该样板机的功能更是处于错误状态，将严重影响以该样板机数据为基础的一些电场数据的估算和电场风机的调控。因此需要重新计算样板机。
2.风电场是否处于限电状态
风电场的全场有功目标值是否大于由样板机或其他途径计算所得电场当前理论有功值。
当全场有功目标值>电场当前理论有功值，系统处于非限电状态。
当全场有功目标值<电场当前理论有功值，系统处于限电状态。
非限电状态下风机均处于自由发电状态，风机所发电量与主要受风力和机组状态影响，无人为干预，该状态下的风机能够反映电场实际运行情况。
3.样板机实发功率是否与风力匹配
通过电场有功无功控制系统将样板机设置为自有发电模式，即样板机实发有功只受风力和机组本身状态影响，不受人为干预。同时有功量相对于风力有一定时间的滞后性。该滞后时间由风机特性和风速决定。
风机样板机实发功率与风机相匹配则样板机工作状态良好。否则样板机工况较差，更换样板机。
4.原有样板机是否符合计算标准
样板机在该采集到的风力状态下所发有功是否符合风力有功对比曲线。该对比曲线随着风机生产厂家、风机型号的不同，以及风机机龄的不同会有不同的表现。
5.风机分群
风机分群是指将风机按照风机机组特性，机组分布区域，风力影响区域等特性将这个电场的所有风机划分为几个大的组群。组群内每个风机实发有功可近似看为该机群内标杆风机实发有功的近似值，可由该机群修正系数λk修改。
6.遗传算法
遗传算法是一种模拟自然进化搜索最优解的过程，通过模拟适应度高的个体能够遗传下去的原理进行不断进化筛选，具有较强的搜索能力和鲁棒性。
a)编码采用整数组合编码方式进行编码。
染色体分n段，n为所选样板机个数，每段代表风机的编号。
记电场有30台风机，分为三个组群(1-10号机组为一组群，11-20号机组为2组群，21-30号机组为3组群)，选取3台风机作为样板机，则每个组群各选一台编号组成的一个6位数字即为一个合法的染色体。
b)种群初始化，种群初始化不应太小，太小会导致算法找不到全局最优解，也不宜太大，太大会导致计算时间增加，进化速度过慢，所有染色体要包含所有风机。所以这里种群个数定义为2*风机总个数/样板机个数。
c)适应度函数为上述风机适应度函数
其中Ptheo为当前时刻全场风机理论有功值和，Preal为当前时刻全场风机实发有功值和。
记全场风机个数为N，Pi为第i台风机实发有功，则
记全场风机被分配M个组群，每个组群内部设备设备状态类似，PjSum为该组群理论有功值和，则
记第j个组群存在L台机组，Ps为机组装机容量，Pk为该机群内样板机的理论有功和，Pkall为该样板机装机容量和，λs为该机组的修正系数，则
该系数表示以该样板机为基础的理论有功预测准确度，系数越接近于0，样板机效果越好，当f＜3％则认为该风机样板机选择合格。当风电场处于风力不稳定地区该系数可适当扩大。
该系数只有在电场处于非限电状态下有效，电场限电情况下风机实发有功受限制所以该系数不能够反映样板机选择的优劣。
d)选择操作
根据适应度函数确定种群内该染色体的适应度大小。通过轮盘赌算法筛选出是适应度大的个体作为下一代的父代。
e)交叉操作
普通的交叉操作不能够避免不完全遍历的可能性。所以这里在遗传算法的采用混沌算子的方法对交叉操作进行交叉操作。保证遗传过程能够找到全局最优点，避免局部最优点。
交叉操作选取部分匹配交叉策略。首先在两个个体中选取两个随机交叉点，并将交叉点中间的基因段(即机组编号)互换，如果互换部分相同，则重新选择。
当需要进行加入混沌算子处理时，选取种群内10％的个体使用混沌算子进行处理，即向风机编号上随机加入一个混沌扰动，增强系统的多样性。
x0＝0.1
xn+1＝βi*xn*(1-xn)
式中βi为对应某个机群的个数
对所选定的合法染色体的每一段进行加入xn进行循环计数的方法进行处理。
f)变异操作
变异操作能够增加种群多样性，创造新个体，一定程度上对局部最优解有一定的抑制能力。变异操作采用染色体上随机选取连个对应点进行互换操作。
7.准确的气象预测相关数据，准确的有功/无功预测数据
通过样板机推算的气象预测相关数据包括：弃风量，实际风量等，通过样板机推算有功/无功相关数据包括：下一时刻的有功量，无功量等。
以上描述了本发明的基本原理、主要特征和实施方案等信息，但是本发明不受上述实施过程的限制，在不脱离发明精神和范围的前提下，本发明还可以有各种变化和改进。因此，除非这种变化和改进脱离了本发明的范围，它们应该被看作包含在本发明中。