一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法技术

本发明专利技术公布了一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法，本发明专利技术用于模拟生成考虑季节特性、日特性、天气特性和波动特性的光伏时序出力。本发明专利技术首先针对每月光伏出力序列，以FCM聚类作为内部优化，以DB(‑)聚类有效性指标作为外部优化，形成数据特征更清晰的原始光伏出力序列场景。然后建立不同场景的光伏出力状态转移矩阵，通过马尔科夫链蒙特卡洛法生成光伏出力时间序列，在此过程中，利用Copula理论进行条件概率抽样生成下一时刻光伏出力状态值，并叠加符合原概率分布特性的波动量。本发明专利技术在数据的概率统计特性和时序特性方面比现有模型结果更精确，实现过程简单且易实现。

A time series simulation method of photovoltaic output based on multi-scene state transition matrix and conditional probability sampling

The invention discloses a time series simulation method of photovoltaic output based on multi-scene state transition matrix and conditional probability sampling, which is used to simulate and generate photovoltaic time series output considering seasonal, daily, weather and fluctuation characteristics. Firstly, for the monthly photovoltaic output sequence, FCM clustering is used as internal optimization, DB () clustering validity index is used as external optimization, and the original photovoltaic output sequence scene with clearer data characteristics is formed. Then, the state transition matrix of photovoltaic output in different scenarios is established, and the time series of photovoltaic output is generated by Markov chain Monte Carlo method. In this process, the conditional probability sampling method is used to generate the next time photovoltaic output state value, and the fluctuations which conform to the original probability distribution characteristics are superimposed. The present invention is more accurate than the existing model in the aspects of probabilistic and statistical characteristics and time series characteristics of data, and the realization process is simple and easy to realize.

【技术实现步骤摘要】
一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法
本专利技术属于新能源发电建模领域，涉及一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法，适用于各种规模的光伏出力建模，研究光伏出力在不同天气、季节和日期下的出力特性，为电网运行和规划提供大量相似却又不同的基础数据。
技术介绍
近年来，我国以太阳能为代表的可再生能源大规模集群并网和高渗透率分散接入，有效缓解了能源危机和环境污染。与此同时，由于光伏发电受气候、环境等自然因素影响，具有明显的间歇性、随机性和波动性，给电力系统的调度运行和规划带来了更多挑战。因此从“源”头出发，合理、准确地模拟光伏出力序列，分析光伏出力的概率统计特性和时序特性具有重要意义。目前，光伏出力建模方法按照初始对象可分为间接建模和直接建模。间接建模法的初始对象是影响光伏功率的太阳辐照度，主要根据天文、气象等物理信息建立辐照度模型，再根据能量转换关系得到最终光伏功率，因此不需要任何光伏出力数据，也可称为物理建模法。间接建模法在建立辐照度的气象学模型时，很难全面准确地获取天文气象数据，实际光电转换过程涉及的环节多且复杂，遵循的转换规律也会影响最终光伏出力模型的精确性。随着人工智能算法的发展，研究人员更倾向于直接利用光伏功率的历史数据建立光伏功率模型，即直接建模法，目前常用的有神经网络、支持向量回归(supportvectormachine，SVM)和马尔科夫链蒙特卡洛(MarkovchainsMonteCarlomethod，MCMC)等统计学分析方法。在MCMC中，光伏序列的场景集划分科学与否影响着原始数据的分类，关系到后续状态转移矩阵的计算，决定了最终光伏出力时间序列模型的准确程度。原始马尔科夫链模型中的状态转移矩阵不能全面反映光伏出力的季节特性、天气特性和日特性，因此有研究针对上述问题进行了改进，将光伏序列按照天气类型划分并考虑了光伏的波动特性，但是上述划分方式是一种偏向人为经验的方法，且抽样过程中依然存在较强的随机性。
技术实现思路
专利技术目的：本专利技术的目的在于针对现有技术的不足，提出了一基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法，适用于各种规模的光伏出力建模，研究光伏出力在不同天气、季节和日期下的出力特性，为电网运行和规划提供大量相似却又不同的基础数据。技术方案：本专利技术提供了一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法，包括以下如下步骤：步骤1：按月划分光伏出力序列，计算各月光伏出力序列的最佳场景数；步骤2：在步骤1的基础上计算各场景下的光伏出力状态转移矩阵和累积转移矩阵；步骤3：计算各场景下的光伏出力Copula模型，分析各场景下的光伏出力时序特性；步骤4：根据光伏当前时刻的出力计算下一时刻出力，并叠加波动分量，循环模拟生成最终完整的光伏出力序列。进一步，所述步骤1包括以下步骤：步骤101：将历史数据按月划分成12组，并只保留每日从日出至日落时刻的数据，设置每月场景数目k的搜索范围[2，K]。考虑每月天数和天气类型，场景数目的搜索范围过大会分散相似数据且降低计算效率，因此本文设置其上限K＝5，初始k＝2。步骤102：考虑光伏出力序列之间并没有明确的划分界限，本文采用模糊C均值聚类(fuzzyc-meanclustering，FCM)算法对每月时间序列分别进行不同k值下的内层优化，获得各月的聚类结果：聚类中心、各序列所属类别及隶属度。这是一种高效的基于划分的聚类算法，其聚类中心包含大量的原始数据信息。该算法的目标函数如下：式中，c为聚类数；m为收敛因子；uij为原始向量yj对应第i个聚类场景的隶属度函数，dij为原始向量yj与聚类中心vi的欧式距离。步骤103：根据步骤102中内层优化后的结果计算其聚类有效性指标DB(-),计算公式如下：其中：式中：d(vk,vj)表示类Ck的聚类中心vk与类Cj的聚类中心vj的距离；d(ek)和d(ej)分别为类Ck和类Cj内部样本到各自聚类中心的平均距离。当类内距离d(ek)和d(ej)越小，类间距离d(vk,vj)越大时，DB(-)值越小，即意味着聚类效果越好。步骤104：比较DB(-)指标，其最大值所对应的k即为最佳聚类数，并输出最佳聚类结果。考虑光伏出力的日特性，将每月各场景的光伏出力序列细分为上午、下午时段，假定当月最佳聚类数为k,则当月光伏出力序列最终划分为2k个场景。进一步：所述步骤2包括以下步骤：步骤201：马尔科夫链是针对一系列离散时间、离散状态的具有马尔科夫性质的随机过程。假定某一条光伏出力序列的功率范围为(Pmin,Pmax)，即可将其抽象成一个离散状态数为N，每个状态所包涵的出力区间长度为(Pmax-Pmin)/N的随机过程，相邻时刻的状态转移概率定义为：式中，zt和zt+1分别表示t和t+1时刻的状态，i、j为具体所属状态，nij为相邻时刻状态i→状态j的累计转移次数，nik同理。所有状态间的转移概率组成了状态转移矩阵P：步骤202：根据转移概率定义已知，矩阵P中每行之和为1，且可推导出累积状态转移矩阵Q：矩阵Q中的每一个元素取值为：进一步：所述步骤3包括以下步骤：步骤301：根据光伏出力相邻时刻状态变量的历史取值Zt＝[zt,1,zt,2,L,zt,n]和Zt+1＝[zt+1,1,zt+1,2,L,zt+1,n]，计算两组变量的边缘概率分布u＝F1(zt)和v＝F2(zt+1)，并建立描述二者相关结构的最佳Copula函数；步骤302：在区间[0,1]上生成均匀分布且服从所求Copula函数相关性的随机变量R和S；步骤303：假定当前光伏出力Pt，所属状态为zt，计算相应的状态边缘概率分布为搜寻R的取值，定位时的i，则下一时刻状态zt+1的累积转移概率为si；步骤304：判断si的取值范围：若0＜si＜qzt,1,则zt+1＝1；进一步：所述步骤4包括以下步骤：步骤401：相邻时刻光伏出力的一阶差分即为波动量，因此根据光伏出力历史数据建立其波动量的概率分布模型，并模拟生成波动量集合。步骤402：随机抽取波动量βt，并与当前时刻的光伏出力Pt叠加作为下一时刻出力，即Pt+1＝Pt+βt。步骤403：判断Pt+1是否在步骤3中生成的下一时刻状态zt+1对应的光伏出力范围内，若Pt+βt∈{P|z＝zt+1}，则Pt+1＝Pt+βt；否则返回步骤402，重新抽取波动量进行叠加计算；步骤404：若t到达结束时刻，则结束仿真；否则令Pt＝Pt+1，t＝t+1，重复步骤3-4。工作原理：本专利技术首先综合考虑光伏出力的季节特性、日特性以及天气特性，以FCM作为内部优化，以DB(-)聚类有效性指标作为外部优化，快速合理地形成数据特征更清晰的原始光伏出力序列场景。然后建立不同场景下的光伏出力状态转移矩阵，通过马尔科夫链蒙特卡洛法生成光伏出力时间序列，在此过程中，基于Copula函数，采用条件概率抽样模拟与上一时刻状态量相关的下一时刻状态量，以降低传统抽样的随机性误差，并叠加符合原概率分布特性的波动量，最终生成光伏出力时间序列。有益效果：与现有光伏出力模拟方法相比，本专利技术具有如下优点和技术效果：(1)采用DB(-)聚类有效性指标优化的FCM，直接从原始数据中本文档来自技高网...

【技术保护点】
1.一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法，其特征在于，包括以下步骤：步骤1：按月划分光伏出力序列，计算各月光伏出力序列的最佳场景数；步骤2：在步骤1的基础上计算各场景下的光伏出力状态转移矩阵和累积转移矩阵；步骤3：计算各场景下的光伏出力Copula模型，分析各场景下的光伏出力时序特性；步骤4：根据当前出力计算下一时刻出力，并叠加波动分量，循环模拟生成最终完整的光伏出力序列。

【技术特征摘要】
1.一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法，其特征在于，包括以下步骤：步骤1：按月划分光伏出力序列，计算各月光伏出力序列的最佳场景数；步骤2：在步骤1的基础上计算各场景下的光伏出力状态转移矩阵和累积转移矩阵；步骤3：计算各场景下的光伏出力Copula模型，分析各场景下的光伏出力时序特性；步骤4：根据当前出力计算下一时刻出力，并叠加波动分量，循环模拟生成最终完整的光伏出力序列。2.根据权利要求1所述的基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法，其特征在于：所述步骤1包括以下步骤：步骤101：将历史数据按月划分成12组，并只保留每日从日出至日落时刻的数据，设置每月场景数目k的搜索范围[2，K]。考虑每月天数和天气类型，场景数目的搜索范围过大会分散相似数据且降低计算效率，因此本文设置其上限K＝5，初始k＝2。步骤102：考虑光伏出力序列之间并没有明确的划分界限，本文采用模糊C均值聚类(fuzzyc-meanclustering，FCM)算法对每月时间序列分别进行不同k值下的内层优化，获得各月的聚类结果：聚类中心、各序列所属类别及隶属度。这是一种高效的基于划分的聚类算法，其聚类中心包含大量的原始数据信息。该算法的目标函数如下：式中，c为聚类数；m为收敛因子；uij为原始向量yj对应第i个聚类场景的隶属度函数，dij为原始向量yj与聚类中心vi的欧式距离。步骤103：根据步骤102中内层优化后的结果计算其聚类有效性指标DB(-),计算公式如下：其中：式中：d(vk,vj)表示类Ck的聚类中心vk与类Cj的聚类中心vj的距离；d(ek)和d(ej)分别为类Ck和类Cj内部样本到各自聚类中心的平均距离。当类内距离d(ek)和d(ej)越小，类间距离d(vk,vj)越大时，DB(-)值越小，即意味着聚类效果越好。步骤104：比较DB(-)指标，其最大值所对应的k即为最佳聚类数，并输出最佳聚类结果。考虑光伏出力的日特性，将每月各场景的光伏出力序列细分为上午、下午时段。假定当月最佳聚类数为k,则当月光伏出力序列最终划分为2k个场景。3.根据权利要求1所述的基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法，其特征在于：所述...

【专利技术属性】
技术研发人员：朱俊澎，袁越，江雪辰，唐亮，孙辰军，王卓然，
申请(专利权)人：河海大学，国网河北省电力有限公司，
类型：发明
国别省市：江苏,32