基于风电功率变化量的Markov链建模、预测方法技术

本发明专利技术公开了一种基于风电功率变化量的Markov链建模、预测方法，首先对已有原始功率数据进行线性变换获得了风电功率变化量数据样本，然后根据变化量数据量和概率分布的统计结果，尽可能精细的划分Markov链模型的状态空间。状态确定后，通过统计计算获得变化量的转移概率矩阵，完成Markov链模型构建。该模型不仅可以用于构建短期、超短期风电功率预测方法，而且可以为含风电系统的实时经济调度、基于Markov链的优化决策与模型预测控制奠定理论基础。

【技术实现步骤摘要】

本专利技术涉及一种基于风电功率变化量的Markov链建模、预测方法。
技术介绍
随着能源与环境问题日渐凸显，风力发电以其清洁、可再生、储量巨大等优点得到了迅速发展。根据中国风能协会的最新统计，2013年，中国(不包括台湾地区)新增装机容量16088.7MW，同比增长24.1％；累计装机容量91412.89MW，同比增长21.4％。新增装机和累计装机两项数据均居世界第一。尽管风力发电技术不断成熟，风电出力的随机性、波动性以及不可控性仍然给风电大规模并网带来诸多困扰。因此，对风电功率波动特征进行准确的建模对实现电网的灵活调度和优化控制具有十分重要的意义。Markov链模型以其方法简单、计算速度快、精度高等优点，被广泛应用于风电功率时间序列的建模、可靠性评估以及有功功率预测中。文献[1]应用MCMC方法生成了风电功率时间序列，并利用离散Markov过程的转移概率矩阵来描述风电功率时间序列的波动过程。文献[2]利用Markov链模型的转移概率矩阵，提取了风电功率的变化特征和稳定特性。文献[3]将Markov链模型用于前瞻10min的超短期风电功率单步预测，取得了较传统持续法更优的预测效果。为了研究模型精度的影响因素、改善模型结构、减小预测误差，已有文献进行了大量探讨和研究。文献[4]对同一风速数据构建了不同状态空间维数的Markov链模型，对比结果显示通过增加模型的状态空间维数，实际风速的统计特性和概率特征得到了更为准确地反映。文献[5]验证了风电功率随机过程的Markov性，指出更多的建模数据和细致的空间划分可以获得高精度的预测结果。文献[6]分别将基于一阶和二阶Markov链模型的风电功率概率预测方法与传统持续法进行了对比，认为当状态空间一定时，二阶Markov链模型减小预测误差的效果最优。文献[7]提出了基于一阶和二阶Markov链混合模型的风电功率概率预测方法，该方法相比单一的一阶模型取得了更好的预测效果。以上文献虽然取得了明显的改进效果，但无论是增大状态划分细致程度、增加模型阶数还是建立混合模型，都需要大量的建模数据以保证构建的转移概率矩阵能准确反映风电功率的波动和转移特性，样本数量往往成为分析的限制条件。而且增加模型阶数将增加模型的复杂程度，降低计算速度，对实时模型预测控制应用造成困难。此外，在利用Markov链模型进行多步转移过程中，如果状态空间划分不够精细，多步转移期间的任意一步的状态偏移，可能在后续转移中被迅速放大。现有的风电功率Markov链模型的建模数据样本均来自风速或风电功率时间序列原始数据，为解决上述问题，本专利技术将风电功率变化量作为建模样本数据，构建了基于风电功率变化量的Markov链模型。所谓风电功率变化量，是指两相邻时刻风电功率的变化值。指出风场出力的分钟级变化率(或变化量)在0～1.5％之间的概率约为99％，大于1.5％的概率仅约为1％。文献[8]利用风电功率变化率分析了风电功率在不同时间间隔下的波动特征，统计了变化率的概率分布，结果显示时间间隔越短，风电功率变化率越小。文献[9]在不同的时间间隔下，采用t location-scale分布拟合了风电功率变化量数据的概率密度函数。在拟合结果的基础上，给出了多个风电场平均功率变化量的95％置信区间的上下限标幺值，相邻min的平均功率变化量大都在装机容量的1％之内。以上文献仅对变化量的分布特征进行了统计研究，并未利用变化量数据进行进一步建模应用。根据已有文献，可以看出短时间尺度的风电功率变化量(变化率)具有分布对称、取值集中和波动相对较小等特点。相对现有风电原始功率数据建模方法，基于变化量的Markov链模型的优势体现在：首先，短时间尺度(如15min)的变化量取值范围较小，这一特点决定了在相同样本数量的情况下，变化量状态空间划分相对原始功率必然更为精细。其次，因为短时间尺度的变化量分布集中，所以若利用变化量数据建立Markov链模型，可以针对较小范围的大量数据构建精细的状态空间，来解决数据不足的问题。最后，变化量Markov链模型本身的数据特点和状态空间的精细程度，可以大大降低多步转移过程中状态偏移造成误差累积的概率，减缓误差累积的速度。提及的文献分别为：[1]Papaefthymiou G,Klockl B.MCMC for wind power simulation[J].IEEE Transactions on Energy Conversion,2008,23(1):234-240.[2]Lopes V V,Scholz T,Estanqueiro A,et al.On the use of Markov chain models for the analysis of wind power time-series[C]//Proceedings of IEEE 11th International Conference on Environment and Electrical Engineering(EEEIC),May 18-25,2012,Venice:770-750.[3]Pierre Pinson and Henrik Madsen.Probabilistic Forecasting of Wind Power at the Minute Time-Scale with Markov-Switching Autoregressive Models[C]//Proceedings of IEEE the 10th International Conference on Probabilistic Methods Applied to Power Systems(PMAPS),May 25-29,2008,Rincon,Puerto rico:98-105.[4]Hocaoglu F O,Gerek O N,Kurban M.The effect of Markov Chain State Size for synthetic Wind Speed Generation[C]//Proceedings of IEEE the 10th International Conference on Probabilistic Methods Applied to Power Systems(PMAPS),May 25-29,2008,Rincon,Puerto Rico:113-116.[5]周封,金丽斯,王丙全,等.基于高阶Markov链模型的风电功率预测性能分析[J].电力系统保护与控制,2012,40(本文档来自技高网...

【技术保护点】
一种基于风电功率变化量的Markov链建模、预测方法，其特征是：包括以下步骤：(1)建立时间和状态均为离散的Markov链模型；(2)将连续的时间轴划分为离散时刻，通过将原始功率样本空间转化为风电功率变化量样本空间，构建Markov链模型的样本空间；(3)针对风电功率变化量的样本空间，结合风电功率变化量样本数据的分布统计结果，拟合变化量概率分布的概率密度函数，设置置信区间，构建相应的状态空间；(4)根据随机过程的Markov性，统计并计算Markov链模型的转移概率矩阵，获得了风电功率变化量在各状态间的条件转移概率，描述了风电功率的变化特性和波动规律；(5)基于风电功率变化量Markov链模型进行单步预测和多步预测，并对多步预测误差累积情况进行分析。

【技术特征摘要】
1.一种基于风电功率变化量的Markov链建模、预测方法，其特征是：包括以下步骤：
(1)建立时间和状态均为离散的Markov链模型；
(2)将连续的时间轴划分为离散时刻，通过将原始功率样本空间转化为风电功率变化量
样本空间，构建Markov链模型的样本空间；
(3)针对风电功率变化量的样本空间，结合风电功率变化量样本数据的分布统计结果，
拟合变化量概率分布的概率密度函数，设置置信区间，构建相应的状态空间；
(4)根据随...

【专利技术属性】
技术研发人员：贠志皓，孙景文，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37