[发明专利]一种多风电场出力场景的生成方法及系统

权利要求书

1.一种多风电场出力场景的生成方法，其特征在于，包括：

基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵；

基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差；

基于各风电场的点预测出力值和所述风电场的预测误差，获得所有风电场的预测出力场景；

所述基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵，包括：

基于多个风电场的实际出力值和对应点预测出力值，获得每个风电场的出力预测误差数据；

根据各风电场的出力预测误差数据确定所述多个风电场之间的相关性状态；

将所述相关性状态设置为所述高斯隐马尔科夫模型中隐状态，并设置所述隐状态的个数；

基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练，通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵；

基于每一个隐状态对应的高斯分布的均值向量和协方差矩阵确定多维高斯分布；

基于所述状态转移矩阵计算累积状态转移概率；

其中，所述累积状态转移概率矩阵由累积状态转移概率组成；

所述基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练，通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵，包括：

步骤101、为高斯隐马尔科夫模型中的状态转移矩阵，高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量设置初始值；

步骤102、计算训练周期内初始时刻下各隐状态的前向概率，并依次向前计算训练周期内其余所有时刻下各隐状态的前向概率；

步骤103、计算训练周期内终止时刻下各隐状态的后向概率，并依次向后计算训练周期内其余所有时刻下各隐状态的后向概率；

步骤104、基于多个风电场的出力预测误差数据构成的观测序列、各隐状态的前向概率和各隐状态的后向概率，计算任意时刻隐状态的条件概率；

步骤105、基于多个风电场的出力预测误差数据构成的观测序列、各隐状态的前向概率和各隐状态的后向概率，计算任意时刻隐状态和所述任意时刻的下一时刻隐状态的联合条件概率；

步骤106、基于所述条件概率和联合条件概率更新高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量；

步骤107、若更新后的高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量满足预设的收敛条件，则循环结束，按当前参数设置高斯隐马尔科夫模型，否则执行步骤102；

所述前向概率，按下式计算：

式中：α_t+1(j)：t+1时刻下隐状态为j的前向概率；π_j：风电场的隐状态为θ_j的概率；b_j(·)：隐状态为j的观测序列服从的概率分布；O₁：初始时刻下各风电场出力的历史观测序列；N：隐状态的个数；α_t(j)：t时刻下隐状态为j的前向概率；a_ij：状态转移矩阵A中第i行第j列t时刻的隐状态为θ_i，t+1时刻的隐状态转换为θ_j的概率；O_t+1：t+1时刻下各风电场出力的历史观测序列；

其中，风电场初始时刻隐状态的概率组成隐状态的概率分布向量；

所述后向概率，按下式计算：

式中：β_t(j)：t时刻下隐状态为j的后向概率；a_ji：状态转移矩阵A中第j行第i列t时刻的隐状态为θ_j，t+1时刻的隐状态转换为θ_i的概率；b_i(·)：隐状态为i的观测序列服从的概率分布；β_t+1(i)：t+1时刻下隐状态为i的后向概率；O_t+1：t+1时刻下各风电场出力的历史观测序列；T：训练周期的终止时刻；N：隐状态的个数；

所述任意时刻隐状态的条件概率，按下式计算：

式中：γ_t(j)：t时刻下隐状态j的条件概率；α_t(j)：t时刻下隐状态为j的前向概率；β_t(j)：t时刻下隐状态为j的后向概率；α_t(i)：t时刻下隐状态为i的前向概率；β_t(i)：t时刻下隐状态为i的后向概率；N：隐状态的个数；

所述联合条件概率，按下式计算：

式中：ξ_t(i,j)：t时刻下隐状态j的联合条件概率；α_t(j)：t时刻下隐状态为j的前向概率；a_ij：状态转移矩阵A中第i行第j列t时刻的隐状态为θ_i，t+1时刻的隐状态转换为θ_j的概率；b_j(·)：隐状态为j的观测序列服从的概率分布；O_t+1：t+1时刻下各风电场出力的历史观测序列；β_t+1(j)：t+1时刻下隐状态为j的后向概率；α_t(r)：t时刻下隐状态为r的前向概率；a_rs：状态转移矩阵A中第r行第s列t时刻的隐状态为θ_r，t+1时刻的隐状态转换为θ_s的概率；b_s(·)：隐状态为s的观测序列服从的概率分布；β_t+1(s)：t+1时刻下隐状态为s的后向概率；N：隐状态的个数；

所述基于所述条件概率和联合条件概率更新高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量，按下式更新：

π_j＝γ₁(j),j＝1,2,...,N

式中：π_j：风电场的相关状态为θ_j的概率；γ₁(j)：初始时刻下隐状态j的条件概率；N：隐状态的个数；

式中：a_ij：状态转移矩阵A中第i行第j列t时刻的隐状态为θ_i，t+1时刻的隐状态转换为θ_j的概率；ξ_t(i,j)：t时刻下隐状态j的联合条件概率；γ_t(j)：t时刻下隐状态j的条件概率；

式中：μ_j：隐状态为j的高斯分布的均值向量；O_t：t时刻下各风电场出力的历史观测序列；

式中：Σ_j：隐状态为j的高斯分布的协方差矩阵；

所述累积状态转移概率，按下式计算：

式中：c_ij：累积状态转移概率矩阵C中第i行第j列的累积状态转移概率；a_ik：状态转移矩阵A中第i行第k列t时刻的隐状态为θ_i，t+1时刻的隐状态转换为θ_k的概率；

所述多维高斯分布，按下式计算：

b_j(O)＝N(μ_j,Σ_j),1≤j≤N

式中：b_j(·)：多个风电场在隐状态为j的多维高斯分布；O：各风电场的出力数据组成的历史观测序列；均值向量为协方差矩阵为的多维高斯分布；

所述基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差，包括：

基于所述累积状态转移概率矩阵确定预设周期内每一时刻所述多个风电场的相关性状态；

基于每一时刻所述多个风电场的相关性状态和对应的多维高斯分布，通过随机抽样生成所述时刻下每个风电场的预测误差；

所述基于所述累积状态转移概率矩阵确定预设周期内每一时刻所述多个风电场的相关性状态，包括：

基于隐状态的个数随机生成一个正整数作为预设周期中初始时刻多个风电场的相关性状态；

基于初始时刻多个风电场的相关性状态与所述累积状态转移概率矩阵迭代计算获得预设周期中其余时刻多个风电场的相关性状态；

所述基于初始时刻多个风电场的相关性状态与所述累积状态转移概率矩阵迭代计算获得预设周期中其余时刻多个风电场的相关性状态，包括：

步骤201、将所述初始时刻作为已知时刻；

步骤202、生成区间[0,1]内的随机数；

步骤203、所述随机数与所述累积状态转移概率矩阵中已知时刻对应行的所有元素进行比较，当随机数的大小位于所述已知时刻对应行相邻两列元素之间时，则确定下一时刻多个风电场的相关性状态为所述已知时刻对应行相邻两列中前一列对应的值；

步骤204、当所述下一时刻为预设周期的终止时刻时，则循环结束，输出预设周期内所有时刻对应的多个风电场的相关性状态；否则，将所述下一时刻作为已知时刻执行步骤202；

所述所有风电场的预测出力场景，如下式所示：

式中：Θ_k：M个风电场的第k组预测出力场景；M个风电场在t_T时刻的点预测出力组成的向量；ε_M(t_T)：t_T时刻M个风电场的预测误差；第M个风电场在t_T时刻的预测出力；M：风电场的个数；T：预测周期；

所述基于各风电场的点预测出力值和所述风电场的预测误差，获得所有风电场的预测出力场景，还包括：

基于所有风电场的预测出力场景循环生成预设数量的所有风电场的预测出力场景；

所述基于所有风电场的预测出力场景循环生成预设数量的所有风电场的预测出力场景，包括：

当所有风电场的预测出力场景的个数等于预设数量时，则获得预设数量的所有风电场的预测出力场景；

当所有风电场的预测出力场景的个数小于预设数量时，则继续基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差，基于每个风电场的点预测出力值和所述风电场的预测误差生成所述场景的预测出力，直到获得预设数量的所有风电场的预测出力场景；

其中，所述预设数量的所有风电场的预测出力场景为{Θ₁,Θ₂,...,Θ_K}；

式中：Θ_K：M个风电场的第K组预测出力；K：预设的预测出力组数。

2.一种多风电场出力场景的生成系统，用于实现一种如权利要求1所述的一种多风电场出力场景的生成方法，其特征在于，包括：

处理模块，用于基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵；

预测误差模块，用于基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差；

生成场景模块，用于基于各风电场的点预测出力值和所述风电场的预测误差，获得所有风电场的预测出力场景；

所述处理模块，包括：

生成预测误差数据子模块，用于基于多个风电场的实际出力值和对应点预测出力值，获得每个风电场的出力预测误差数据；

相关性状态子模块，用于根据各风电场的出力预测误差数据确定所述多个风电场之间的相关性状态；

设置子模块，用于将所述相关性状态设置为所述高斯隐马尔科夫模型中隐状态，并设置所述隐状态的个数；

迭代子模块，用于基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练，通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵；

多维高斯分布子模块，用于基于每一个隐状态对应的高斯分布的均值向量和协方差矩阵确定多维高斯分布；

累积状态转移概率子模块，用于基于所述状态转移矩阵计算累积状态转移概率；

其中，所述累积状态转移概率矩阵由累积状态转移概率组成。