基于改进马尔科夫链的模拟风电功率时间序列生成方法技术

一种基于改进马尔科夫链的模拟风电功率时间序列生成方法，其特点是，包括：将历史风电功率时间序列按不同月份与时段分成不同数据片段，计算出各片段的状态转移矩阵；拟合历史风电功率波动量的概率分布，生成满足该分布的随机数的集合；将历史风电功率平均值作为模拟风电功率序列开始前的零时刻值，在已计算出的改进马尔科夫链模型的多个状态转移矩阵中，根据模拟风电功率前一时刻所处的月份和时段，确定出对应的状态转移矩阵，并生成累计状态转移矩阵，得出当前时刻风电功率所处状态，即其所在区间；抽取波动量，并叠加到前一时刻风电功率值上作为当前时刻风电功率值，同理求出下一时刻风电功率值，直到生成所需数据个数的风电功率时间序列。

【技术实现步骤摘要】
基于改进马尔科夫链的模拟风电功率时间序列生成方法
本专利技术涉及风电并网规划中的风电功率时间序列模拟领域，是一种基于改进马尔科夫链的模拟风电功率时间序列生成方法。
技术介绍
风力发电的随机性与不确定性使得风电并网后电力系统稳定、安全、可靠运行面临巨大挑战，提高风电功率模拟序列的准确性，在电力系统规划及安全性评估等领域具有重要意义。模拟生成风电功率时间序列是指以历史风电功率时间序列为基础，生成多个在统计特征上与历史风电功率时间序列相吻合的新序列。生成风电功率时间序列的方法可分为两类：风速法和风功率法。若以风速时间序列作为输入量，根据风速—功率转换模型生成风电功率时间序列，由于风电场的输出功率还受到地形、温度等其它因素的影响，使风速—功率转换模型很难准确，因此风速法生成的风电功率时间序列较之历史风电功率时间序列存在较大偏差。风功率法是直接利用历史风电功率时间序列进行模拟，避免了经过风速—功率转换模型而进一步造成的偏差；应用马尔科夫链模型并采用风功率法生成的风电功率时间序列，与其它模型生成的风电功率时间序列相比，在概率密度分布与自相关性上表现更好，然而，现有技术的风电功率时间序列方法的原始马尔科夫链模型没有考虑风电功率自身的时域特性，其模拟结果还有待提高。因此需建立一个考虑风电功率特性的基于马尔科夫链的风电功率时间序列模型的基于改进马尔科夫链的模拟风电功率时间序列生成方法。迄今为止，未见有关基于改进马尔科夫链的模拟风电功率时间序列生成方法的文献报道和实际应用。
技术实现思路
本专利技术的目的是，提供一种科学合理，简单实用，计算速度快，精度更高，模拟效果更佳的基于改进马尔科夫链的模拟风电功率时间序列生成方法。实现本专利技术目的所采用的技术方案是，一种基于改进马尔科夫链的模拟风电功率时间序列生成方法，其特征在于，它包括以下步骤：1)数据分类基于改进马尔科夫链的模拟风电功率时间序列生成方法需要综合考虑风电功率的季节特性、日特性及波动特性，因此在计算状态转移矩阵之前需对历史数据进行分类，分类原则如下：①考虑季节特性风电功率的季节特性主要表现为一年当中不同月份输出功率的大小存在差异，为了在生成的风电功率时间序列中体现出季节特性，需将时间长度为一年的历史风电功率时间序列分为12个片段，用λ表示，λ＝1，2，…，12，每一个月为一个片段；②考虑日特性风电功率的日特性主要表现为由于日照的原因，一天当中不同时段风电功率的大小存在差异，且不同月份的日特性一般也不同，需将历史风电功率时间序列每一天的数据分为四部分，每一部分对应的时间分别为00:00-06:00，06:00-12:00，12:00-18:00，18:00-24:00，将四个时间段用θ表示，θ＝θ1，θ2，θ3，θ4；将历史风电功率时间序列用Ω来表示，则月份λ里时段θ中的历史风电功率时间序列表示为Ωλ.θ，其中λ＝1，2，…，12；θ＝θ1，θ2，θ3，θ4；2)确定风电功率状态数根据历史风电功率区间大小，将风电功率的取值区间平均分为S个部分，S为风电功率状态数；3)计算风电功率状态转移矩阵在风电功率的一阶马尔科夫链P＝{P1，P2，…，Pt，…，PN}中，Pt为模拟风电功率时间序列中的元素，其中t＝1，2，…，N，N为模拟风电功率时间序列的数据个数，风电功率值均处于状态空间E中，E＝{E1，E2，…，Ei，…，ES}，Ei为风电功率的第i个状态，i＝1，2，…，S，S为风电功率状态总个数，模拟风电功率时间序列每一时刻的功率值只能处于其中一个状态，风电功率从当前时刻状态转向下一时刻状态的过程称为状态转移，其在状态转移过程中，有S-1种方向是转向其它状态，有一种方向是转向自身，因此每一个状态都有S种转移方向；状态转移概率的定义为，在t时刻的风电功率值处于状态Ei的前提下，t+1时刻的风电功率值处于状态Ej的概率，记作fi.j，可用公式(1)计算，fi.j＝g(Pt+1∈Ej|Pt∈Ei)(1)式中，Pt和Pt+1分别为t时刻和t+1时刻的风电功率值，其中t＝1，2，…，N，N为模拟风电功率时间序列的数据个数，Ei与Ej分别为风电功率的第i个状态和第j个状态，i＝1，2，…，S；j＝1，2，…，S；S为风电功率状态总个数；g(·|·)为条件转移概率；状态转移概率矩阵F由状态转移概率构成，如公式(2)所示，为S阶方阵，各行元素之和均为1；式中，fi.j为风电功率从状态Ei转移到状态Ej的状态转移概率，i＝1，2，…，S；j＝1，2，…，S；S为风电功率状态总个数；在历史风电功率时间序列Ωλ.θ中，风电功率从状态Ei转移到状态Ej的状态转移概率记作fi.j.λ.θ，用公式(3)计算，式中，ki.j.λ.θ为历史风电功率时间序列Ωλ.θ中，风电功率从状态Ei转移到状态Ej的转移频数，这里只计算经过一步转移的频数，i＝1，2，…，S；j＝1，2，…，S，S为风电功率状态总个数；对应风电功率时间序列Ωλ.θ的状态转移概率矩阵Fλ.θ的表达式见式(4)，式中，fi.j.λ.θ为历史风电功率时间序列Ωλ.θ中风电功率从状态Ei转移到状态Ej的状态转移概率，i＝1，2，…，S；j＝1，2，…，S；S为风电功率状态总个数，λ＝1，2，…，12；θ＝θ1，θ2，θ3，θ4；4)拟合波动量风电功率的波动性是指后一时刻与当前时刻的风电功率值存在差异，这里采用一阶差分量来刻画波动量，其表达式见公式(5)，ΔP＝Pt+1-Pt(5)其中，ΔP表示风电风功率的波动量；Pt+1和Pt分别为风电功率时间序列中第t+1时刻和第t时刻的风电功率值，t＝1，2，…，N，N为模拟风电功率时间序列的数据个数；采用tlocation-scale分布函数对风电功率波动量的概率分布函数拟合，其表达式见公式(6)，式中：Г的计算公式为μ为位置参数；б为尺度参数；ν为形状参数；利用公式(6)拟合历史风电功率波动量，得到μ，б，ν的值，然后生成满足公式(6)中所得参数的波动量的集合；5)模拟生成风电功率时间序列模拟生成风电功率时间序列的步骤如下：①确定所用数据的边界当前时刻记作t，t∈{1，2，…，N}，N为模拟风电功率时间序列的数据个数，当前时刻模拟风电功率所处状态记作Ei，i∈{1，2，…，S}，S为风电功率状态总个数，历史风电功率平均值记作模拟风电功率时间序列开始前的零时刻值，当前时刻风电功率大小记作Pt，Pt∈(PEi.min，PEi.max)，其中，PEi.min、PEi.max分别为模拟风电功率状态Ei对应的风电功率区间的最小值与最大值，当前时刻风电功率所处月份记作λt，λt∈{1，2，…，12}，当前时刻风电功率所处时段记作θt，θt∈{θ1，θ2，θ3，θ4}，t∈{1，2，…，N}，N为模拟风电功率时间序列的数据个数，生成一个服从均匀分布的随机数ε，且ε∈(0，1)；②计算累计状态转移矩阵根据已知的λt、θt，确定出对应的状态转移矩阵，进而计算出相应的累计状态转移矩阵Qλt.θt，计算公式见式(7)，式中：Q为累计状态转移矩阵，Qλt.θt为月份λt中时段θt对应的累计状态转移矩阵，fi.δ.t为t时刻风电功率从状态Ei转移到状态Eδ的状态转移概率，qi.j.t为t时刻风电功率从状态Ei转移到状态Ej的累计转本文档来自技高网...

【技术保护点】
一种基于改进马尔科夫链的模拟风电功率时间序列生成方法，其特征在于，它包括以下步骤：1)数据分类基于改进马尔科夫链的模拟风电功率时间序列生成方法需要综合考虑风电功率的季节特性、日特性及波动特性，因此在计算状态转移矩阵之前需对历史数据进行分类，分类原则如下：①考虑季节特性风电功率的季节特性主要表现为一年当中不同月份输出功率的大小存在差异，为了在生成的风电功率时间序列中体现出季节特性，需将时间长度为一年的历史风电功率时间序列分为12个片段，用λ表示，λ＝1，2，…，12，每一个月为一个片段；②考虑日特性风电功率的日特性主要表现为由于日照的原因，一天当中不同时段风电功率的大小存在差异，且不同月份的日特性一般也不同，需将历史风电功率时间序列每一天的数据分为四部分，每一部分对应的时间分别为00:00‑06:00，06:00‑12:00，12:00‑18:00，18:00‑24:00，将四个时间段用θ表示，θ＝θ1，θ2，θ3，θ4；将历史风电功率时间序列用Ω来表示，则月份λ里时段θ中的历史风电功率时间序列表示为Ωλ.θ，其中λ＝1，2，…，12；θ＝θ1，θ2，θ3，θ4；2)确定风电功率状态数根据历史风电功率区间大小，将风电功率的取值区间平均分为S个部分，S为风电功率状态数；3)计算风电功率状态转移矩阵在风电功率的一阶马尔科夫链P＝{P1，P2，…，Pt，…，PN}中，Pt为模拟风电功率时间序列中的元素，其中t＝1，2，…，N，N为模拟风电功率时间序列的数据个数，风电功率值均处于状态空间E中，E＝{E1，E2，…，Ei，…，ES}，Ei为风电功率的第i个状态，i＝1，2，…，S，S为风电功率状态总个数，模拟风电功率时间序列每一时刻的功率值只能处于其中一个状态，风电功率从当前时刻状态转向下一时刻状态的过程称为状态转移，其在状态转移过程中，有S‑1种方向是转向其它状态，有一种方向是转向自身，因此每一个状态都有S种转移方向；状态转移概率的定义为，在t时刻的风电功率值处于状态Ei的前提下，t+1时刻的风电功率值处于状态Ej的概率，记作fi.j，可用公式(1)计算，fi.j＝g(Pt+1∈Ej|Pt∈Ei)   (1)式中，Pt和Pt+1分别为t时刻和t+1时刻的风电功率值，其中t＝1，2，…，N，N为模拟风电功率时间序列的数据个数，Ei与Ej分别为风电功率的第i个状态和第j个状态，i＝1，2，…，S；j＝1，2，…，S；S为风电功率状态总个数；g(·|·)为条件转移概率；状态转移概率矩阵F由状态转移概率构成，如公式(2)所示，为S阶方阵，各行元素之和均为1；...

【技术特征摘要】
1.一种基于改进马尔科夫链的模拟风电功率时间序列生成方法，其特征在于，它包括以下步骤：1)数据分类基于改进马尔科夫链的模拟风电功率时间序列生成方法需要综合考虑风电功率的季节特性、日特性及波动特性，因此在计算状态转移矩阵之前需对历史数据进行分类，分类原则如下：①考虑季节特性风电功率的季节特性主要表现为一年当中不同月份输出功率的大小存在差异，为了在生成的风电功率时间序列中体现出季节特性，需将时间长度为一年的历史风电功率时间序列分为12个片段，用λ表示，λ＝1，2，…，12，每一个月为一个片段；②考虑日特性风电功率的日特性主要表现为由于日照的原因，一天当中不同时段风电功率的大小存在差异，且不同月份的日特性一般也不同，需将历史风电功率时间序列每一天的数据分为四部分，每一部分对应的时间分别为00:00-06:00，06:00-12:00，12:00-18:00，18:00-24:00，将四个时间段用θ表示，θ＝θ1，θ2，θ3，θ4；将历史风电功率时间序列用Ω来表示，则月份λ里时段θ中的历史风电功率时间序列表示为Ωλ.θ，其中λ＝1，2，…，12；θ＝θ1，θ2，θ3，θ4；2)确定风电功率状态数根据历史风电功率区间大小，将风电功率的取值区间平均分为S个部分，S为风电功率状态数；3)计算风电功率状态转移矩阵在风电功率的一阶马尔科夫链P＝{P1，P2，…，Pt，…，PN}中，Pt为模拟风电功率时间序列中的元素，其中t＝1，2，…，N，N为模拟风电功率时间序列的数据个数，风电功率值均处于状态空间E中，E＝{E1，E2，…，Ei，…，ES}，Ei为风电功率的第i个状态，i＝1，2，…，S，S为风电功率状态总个数，模拟风电功率时间序列每一时刻的功率值只能处于其中一个状态，风电功率从当前时刻状态转向下一时刻状态的过程称为状态转移，其在状态转移过程中，有S-1种方向是转向其它状态，有一种方向是转向自身，因此每一个状态都有S种转移方向；状态转移概率的定义为，在t时刻的风电功率值处于状态Ei的前提下，t+1时刻的风电功率值处于状态Ej的概率，记作fi.j，可用公式(1)计算，fi.j＝g(Pt+1∈Ej|Pt∈Ei)(1)式中，Pt和Pt+1分别为t时刻和t+1时刻的风电功率值，其中t＝1，2，…，N，N为模拟风电功率时间序列的数据个数，Ei与Ej分别为风电功率的第i个状态和第j个状态，i＝1，2，…，S；j＝1，2，…，S；S为风电功率状态总个数；g(·|·)为条件转移概率；状态转移概率矩阵F由状态转移概率构成，如公式(2)所示，为S阶方阵，各行元素之和均为1；式中，fi.j为风电功率从状态Ei转移到状态Ej的状态转移概率，i＝1，2，…，S；j＝1，2，…，S；S为风电功率状态总个数；在历史风电功率时间序列Ωλ.θ中，风电功率从状态Ei转移到状态Ej的状态转移概率记作fi.j.λ.θ，用公式(3)计算，式中，ki.j.λ.θ为历史风电功率时间序列Ωλ.θ中，风电功率从状态Ei转移到状态Ej的转移频数，这里只计算经过一步转移的频数，i＝1，2，…，S；j＝1，2，…，S，S为风电功率状态总个数；对应风电功率时间序列Ωλ.θ的状态转移概率矩阵Fλ.θ的表达式见式(4)，式中，fi.j.λ.θ为历史风电功率时间序列Ωλ.θ中风电功率从状态Ei转移到状态Ej的状态转移概率，i＝1，2，…，S；j＝1，2，…，S；S为风电功率状态总个数，λ＝1，2，…，12；θ＝θ1，θ2，θ3，θ4；4)拟合波动量风电功率的波动性是指后一时刻与当前时刻的风电功率值存在差异，这里采用一阶差分量来刻画波动量，其表达式见公式(5)，ΔP＝Pt+1-Pt(5)其中，ΔP表示风电风功率的波动量；Pt+1和Pt分别为风电功率时间序列中第t+1时刻和第t时...

【专利技术属性】
技术研发人员：肖白，赵宇，姜卓，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：吉林,22