[发明专利]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

说明书

本发明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。

技术领域

本发明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。

背景技术

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(support vectormachine，SVM)和马尔科夫链蒙特卡洛(Markov chains Monte Carlo method，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。

发明内容

发明目的：本发明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：本发明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。