基于風電功率變化量的Markov鏈建模、預測方法技術

本發明專利技術公開了一種基于風電功率變化量的Markov鏈建模、預測方法，首先對已有原始功率數據進行線性變換獲得了風電功率變化量數據樣本，然后根據變化量數據量和概率分布的統計結果，盡可能精細的劃分Markov鏈模型的狀態空間。狀態確定后，通過統計計算獲得變化量的轉移概率矩陣，完成Markov鏈模型構建。該模型不僅可以用于構建短期、超短期風電功率預測方法，而且可以為含風電系統的實時經濟調度、基于Markov鏈的優化決策與模型預測控制奠定理論基礎。

【技術實現步驟摘要】

本專利技術涉及一種基于風電功率變化量的Markov鏈建模、預測方法。
技術介紹
隨著能源與環境問題日漸凸顯，風力發電以其清潔、可再生、儲量巨大等優點得到了迅速發展。根據中國風能協會的最新統計，2013年，中國(不包括臺灣地區)新增裝機容量16088.7MW，同比增長24.1％；累計裝機容量91412.89MW，同比增長21.4％。新增裝機和累計裝機兩項數據均居世界第一。盡管風力發電技術不斷成熟，風電出力的隨機性、波動性以及不可控性仍然給風電大規模并網帶來諸多困擾。因此，對風電功率波動特征進行準確的建模對實現電網的靈活調度和優化控制具有十分重要的意義。Markov鏈模型以其方法簡單、計算速度快、精度高等優點，被廣泛應用于風電功率時間序列的建模、可靠性評估以及有功功率預測中。文獻[1]應用MCMC方法生成了風電功率時間序列，并利用離散Markov過程的轉移概率矩陣來描述風電功率時間序列的波動過程。文獻[2]利用Markov鏈模型的轉移概率矩陣，提取了風電功率的變化特征和穩定特性。文獻[3]將Markov鏈模型用于前瞻10min的超短期風電功率單步預測，取得了較傳統持續法更優的預測效果。為了研究模型精度的影響因素、改善模型結構、減小預測誤差，已有文獻進行了大量探討和研究。文獻[4]對同一風速數據構建了不同狀態空間維數的Markov鏈模型，對比結果顯示通過增加模型的狀態空間維數，實際風速的統計特性和概率特征得到了更為準確地反映。文獻[5]驗證了風電功率隨機過程的Markov性，指出更多的建模數據和細致的空間劃分可以獲得高精度的預測結果。文獻[6]分別將基于一階和二階Markov鏈模型的風電功率概率預測方法與傳統持續法進行了對比，認為當狀態空間一定時，二階Markov鏈模型減小預測誤差的效果最優。文獻[7]提出了基于一階和二階Markov鏈混合模型的風電功率概率預測方法，該方法相比單一的一階模型取得了更好的預測效果。以上文獻雖然取得了明顯的改進效果，但無論是增大狀態劃分細致程度、增加模型階數還是建立混合模型，都需要大量的建模數據以保證構建的轉移概率矩陣能準確反映風電功率的波動和轉移特性，樣本數量往往成為分析的限制條件。而且增加模型階數將增加模型的復雜程度，降低計算速度，對實時模型預測控制應用造成困難。此外，在利用Markov鏈模型進行多步轉移過程中，如果狀態空間劃分不夠精細，多步轉移期間的任意一步的狀態偏移，可能在后續轉移中被迅速放大。現有的風電功率Markov鏈模型的建模數據樣本均來自風速或風電功率時間序列原始數據，為解決上述問題，本專利技術將風電功率變化量作為建模樣本數據，構建了基于風電功率變化量的Markov鏈模型。所謂風電功率變化量，是指兩相鄰時刻風電功率的變化值。指出風場出力的分鐘級變化率(或變化量)在0～1.5％之間的概率約為99％，大于1.5％的概率僅約為1％。文獻[8]利用風電功率變化率分析了風電功率在不同時間間隔下的波動特征，統計了變化率的概率分布，結果顯示時間間隔越短，風電功率變化率越小。文獻[9]在不同的時間間隔下，采用t?location-scale分布擬合了風電功率變化量數據的概率密度函數。在擬合結果的基礎上，給出了多個風電場平均功率變化量的95％置信區間的上下限標幺值，相鄰min的平均功率變化量大都在裝機容量的1％之內。以上文獻僅對變化量的分布特征進行了統計研究，并未利用變化量數據進行進一步建模應用。根據已有文獻，可以看出短時間尺度的風電功率變化量(變化率)具有分布對稱、取值集中和波動相對較小等特點。相對現有風電原始功率數據建模方法，基于變化量的Markov鏈模型的優勢體現在：首先，短時間尺度(如15min)的變化量取值范圍較小，這一特點決定了在相同樣本數量的情況下，變化量狀態空間劃分相對原始功率必然更為精細。其次，因為短時間尺度的變化量分布集中，所以若利用變化量數據建立Markov鏈模型，可以針對較小范圍的大量數據構建精細的狀態空間，來解決數據不足的問題。最后，變化量Markov鏈模型本身的數據特點和狀態空間的精細程度，可以大大降低多步轉移過程中狀態偏移造成誤差累積的概率，減緩誤差累積的速度。提及的文獻分別為：[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,金麗斯,王丙全,等.基于高階Markov鏈模型的風電功率預測性能分析[J].電力系統保護與控制,2012,40(本文檔來自技高網...

【技術保護點】
一種基于風電功率變化量的Markov鏈建模、預測方法，其特征是：包括以下步驟：(1)建立時間和狀態均為離散的Markov鏈模型；(2)將連續的時間軸劃分為離散時刻，通過將原始功率樣本空間轉化為風電功率變化量樣本空間，構建Markov鏈模型的樣本空間；(3)針對風電功率變化量的樣本空間，結合風電功率變化量樣本數據的分布統計結果，擬合變化量概率分布的概率密度函數，設置置信區間，構建相應的狀態空間；(4)根據隨機過程的Markov性，統計并計算Markov鏈模型的轉移概率矩陣，獲得了風電功率變化量在各狀態間的條件轉移概率，描述了風電功率的變化特性和波動規律；(5)基于風電功率變化量Markov鏈模型進行單步預測和多步預測，并對多步預測誤差累積情況進行分析。

【技術特征摘要】
1.一種基于風電功率變化量的Markov鏈建模、預測方法，其特征是：包括以下步驟：
(1)建立時間和狀態均為離散的Markov鏈模型；
(2)將連續的時間軸劃分為離散時刻，通過將原始功率樣本空間轉化為風電功率變化量
樣本空間，構建Markov鏈模型的樣本空間；
(3)針對風電功率變化量的樣本空間，結合風電功率變化量樣本數據的分布統計結果，
擬合變化量概率分布的概率密度函數，設置置信區間，構建相應的狀態空間；
(4)根據隨...

【專利技術屬性】
技術研發人員：贠志皓，孫景文，
申請(專利權)人：山東大學，
類型：發明
國別省市：山東;37