團(tuán)隊介紹

朱晨曦，博士研究生，研究方向為可再生能源并網(wǎng)、主動配電網(wǎng)運(yùn)行優(yōu)化及配電網(wǎng)可靠性評估。

張焰，教授，博導(dǎo)，研究方向為電力系統(tǒng)規(guī)劃與可靠性、電力系統(tǒng)穩(wěn)定分析及智能配電網(wǎng)。

嚴(yán)正，教授，博導(dǎo)，研究方向為電力系統(tǒng)優(yōu)化運(yùn)行、電力系統(tǒng)穩(wěn)定分析及電力市場。

祝錦舟，博士，研究方向為電網(wǎng)規(guī)劃及電力系統(tǒng)可靠性評估。

趙騰，博士，研究方向為大數(shù)據(jù)在智能電網(wǎng)中的應(yīng)用。

導(dǎo)語

本文提出了基于三維狀態(tài)轉(zhuǎn)移概率矩陣的改進(jìn)馬爾科夫鏈蒙特卡洛法，用于風(fēng)電出力建模，為含風(fēng)電場的電力系統(tǒng)概率潮流、隨機(jī)規(guī)劃及運(yùn)行、可靠性評估等應(yīng)用研究打下了較為堅實的基礎(chǔ)。與現(xiàn)有馬爾科夫鏈蒙特卡洛（Markov Chain Monte Carlo，MCMC）法進(jìn)行對比分析，表明該方法能更好復(fù)現(xiàn)歷史數(shù)據(jù)特征（轉(zhuǎn)移、波動特征等），在提高建模精度的同時，并未增加狀態(tài)轉(zhuǎn)移概率矩陣生成算法的時間復(fù)雜度。

研究背景

含風(fēng)電場的電力系統(tǒng)概率潮流、隨機(jī)規(guī)劃及運(yùn)行、可靠性評估等應(yīng)用研究大多基于時序模擬技術(shù)，即采用大量實測風(fēng)電數(shù)據(jù)（數(shù)年甚至數(shù)十年的數(shù)據(jù)）進(jìn)行仿真。然而，對于許多新建風(fēng)電廠，其實測數(shù)據(jù)的長度無法滿足該技術(shù)的要求，此時風(fēng)電功率序列建模十分必要。此外，隨著現(xiàn)代電力系統(tǒng)的復(fù)雜度、網(wǎng)密度及分布式資源滲透率的提高，即使存在相對大量的高質(zhì)量歷史風(fēng)電數(shù)據(jù)，也不足以支持時序模擬技術(shù)的運(yùn)用，因此迫切需要開展風(fēng)電功率序列建模研究。

論文所解決的問題及意義

鑒于風(fēng)電功率序列建模研究的必要性和迫切性，本文提出一種既能增加建模精度，又能盡量保持建模經(jīng)濟(jì)性的風(fēng)電功率序列建模方法。

該方法通過結(jié)合風(fēng)電功率的實際特征，對現(xiàn)有MCMC法進(jìn)行改進(jìn)，解決了以往基于MCMC法的風(fēng)電功率序列建模研究中存在的兩個主要問題：1）主觀劃分風(fēng)電功率序列；2）未考慮狀態(tài)持續(xù)時間對狀態(tài)轉(zhuǎn)移的影響。

論文方法及創(chuàng)新點

如圖1所示，本文在建模流程上可分為三步，依次為狀態(tài)劃分過程建模、狀態(tài)轉(zhuǎn)移過程建模及波動特征添加過程建模。

圖1 基于改進(jìn)MCMC法的風(fēng)電功率序列建模結(jié)構(gòu)圖

第一步：通過研究面向隨機(jī)變量（風(fēng)電功率）建模的滑動平均濾波參數(shù)尋優(yōu)方法和構(gòu)建狀態(tài)數(shù)優(yōu)化決策模型（見式(1)），提出風(fēng)電功率序列的自適應(yīng)狀態(tài)劃分策略，客觀劃分歷史數(shù)據(jù)。

公式 (1)

第二步：針對現(xiàn)有方法難以計及狀態(tài)轉(zhuǎn)移概率隨狀態(tài)持續(xù)時間增長而變化的問題（見圖2），提出三維狀態(tài)轉(zhuǎn)移概率矩陣（見圖3）及其解維修正方法，抽樣生成人造風(fēng)電功率狀態(tài)序列。

圖2 某一狀態(tài)的自跳變轉(zhuǎn)移概率

圖3 三維狀態(tài)轉(zhuǎn)移概率矩陣

第三步：在分析歷史數(shù)據(jù)波動量及噪聲的概率分布(見式(2))的基礎(chǔ)上，依次疊加波動量及噪聲，模擬出人造風(fēng)電功率序列。

公式（2）

結(jié)論

1）與現(xiàn)有MCMC法相比，本文建模方法能更好地復(fù)現(xiàn)歷史數(shù)據(jù)的轉(zhuǎn)移、波動、功率值概率分布、自相關(guān)性及狀態(tài)持續(xù)時間概率分布等特征。

2）在風(fēng)電功率序列的自適應(yīng)狀態(tài)劃分策略中，提出的面向隨機(jī)變量建模的滑動平均濾波窗口長度自適應(yīng)選取方法，以隨機(jī)變量建模輸出結(jié)果反饋調(diào)節(jié)窗口長度，能提高隨機(jī)變量建模對歷史數(shù)據(jù)自相關(guān)性的復(fù)現(xiàn)程度，從而為濾波參數(shù)的尋優(yōu)方法提供了一種新思路；建立的狀態(tài)數(shù)優(yōu)化決策模型綜合考慮了分類精度及MC模型建模質(zhì)量指標(biāo)，能實現(xiàn)狀態(tài)數(shù)的最優(yōu)決策，避免了根據(jù)經(jīng)驗預(yù)設(shè)狀態(tài)數(shù)，主觀劃分歷史數(shù)據(jù)的不足。

3）構(gòu)建的三維狀態(tài)轉(zhuǎn)移概率矩陣能在不增加狀態(tài)轉(zhuǎn)移概率矩陣生成算法時間復(fù)雜度的基礎(chǔ)上，計及狀態(tài)持續(xù)時間對狀態(tài)轉(zhuǎn)移過程的影響，使得生成的人造風(fēng)電功率狀態(tài)序列在更好復(fù)現(xiàn)歷史轉(zhuǎn)移特征的同時，不存在狀態(tài)持續(xù)時間過長的問題。

4）本文方法可推廣至其它隨機(jī)變量建模之中，尤其適用于隨機(jī)變量短時內(nèi)無劇烈跳變的應(yīng)用場景，如光伏出力及負(fù)荷大小序列建模等。

引用本文

朱晨曦, 張焰, 嚴(yán)正, 祝錦舟, 趙騰. 采用改進(jìn)馬爾科夫鏈蒙特卡洛法的風(fēng)電功率序列建模[J]. 電工技術(shù)學(xué)報, 2020, 35(3): 577-589. Zhu Chenxi, Zhang Yan, Yan Zheng, Zhu Jinzhou, Zhao Teng. A Wind Power Time Series Modeling Method Based on the Improved Markov Chain Monte Carlo Method. Transactions of China Electrotechnical Society, 2020, 35(3): 577-589.