[发明专利]基于马尔科夫链的多新能源出力场景生成方法、装置及系统

说明书

本发明公开了一种基于马尔科夫链的多新能源出力场景生成方法、装置及系统，获取各个新能源的预测数据和新能源发电的历史预测与实测值；生成预测误差状态转移矩阵，基于马尔科夫链模型进行蒙特卡洛抽样，以获取各新能源发电的单厂出力场景；采用后向缩减法的场景削减技术，降低各新能源发电单厂的场景数量；通过场间自由排列组合，生成含多新能源发电厂的大量场景；采用基于模糊C均值聚类的场景削减技术，通过比较各场景与中心向量的欧氏距离，归并相近场景，降低组合场景数目，获得含多新能源发电厂的典型场景。本发明考虑到相邻时间节点上功率波动的关联性，修正随时间推移逐渐增大的预测偏差，更符合调度运行实际，利于场景生成的有序性和场景削减的有效性。

技术领域

本发明属于电力系统调度自动化技术领域，具体涉及一种基于马尔科夫链的多新能源出力场景生成方法、装置及系统。

背景技术

随着风电、光伏等新能源装机容量的迅猛发展，新能源并网规模逐渐增加，新能源出力不确定性对电力系统运行调度和控制的影响不可忽视。而现阶段的新能源功率预测精度依然不尽如人意，新能源大规模并网对电力系统安全运行提出了更高的要求。常规的确定性优化调度模型已经不再适用于大规模新能源并网系统。

目前，随机优化调度模型的差异主要体现在对新能源不确定性的处理方式上。根据优化调度模型对新能源不确定性处理方式的不同，可将随机优化调度问题建模方法划分为以下几类：确定性建模方法、模糊建模方法、化会约束建模方法、基于场景的建模方法等。确定性建模方法建立的模型简单实用，与传统不考虑风电的机组组合模型保持一致，因此，可以采用传统的数学规划方法进行求解，但备用容量设定没有明确的标准，难以权衡系统的经济性和安全性；模糊建模方法通过定义隶属度函数表达决策者的主观意愿，而隶属度函数的确定并没有明确的标准，且带有很强主观臆断性，故难以得到可靠的调度方案；机会约束规划方法明确表明，决策结果只在某一置信度水平上满足风电出力波动，置信度水平则根据电网实际情况确定，并没有统一的标准，且机会约束线性化处理过程较复杂；最后，基于场景集思想的机组组合建模方法的优劣完全取决于场景集的好坏，而目前的新能源场景生成技术己较为成熟，虽然基于场景集思想的机组组合模型会因场景缩减丢失了部分精度，但相比其他建模方法，场景法仍具有较高的可靠性。

场景法作为随机优化调度模型的一种，能够对新能源不确定变量进行抽样产生可能出现的场景，通过多个确定性场景来表征不确定变量。一个新能源出力时间序列即一个新能源场景，新能源场景集是一系列新能源可能出力场景的集合。新能源场景集能够体现新能源出力的不确定性，把不确定性问题转化成确定性问题进行求解。因此，基于场景法的不确定优化调度模型得到了较为广泛的应用和发展。目前电力系统的发电调度、规划运行、模拟仿真都需要考虑到新能源预测场景的波动性，因此研究多个新能源场间场景组合以及多时间段的连续性对电力系统优化调度具有一定的指导意义。

理论上，新能源场景数量是无限的，但只有有限的新能源场景可以参与决策。参与决策的场景个数愈多，所能提供的新能源不确定性信息愈充分，调度结果愈精确；同时，场景个数增多，优化调度模型的规模也会呈指数形式増长，从而产生不必要的计算成本。如何生成可靠的新能源场景集是建立优化问题数学模型需要考虑的必要条件之一。

目前将多场景技术应用于描述新能源波动的思路主要分为三步：首先，根据己知信息，确定不确定量的分布规律；其次，根据不确定量的分布规律，抽样生成批量场景；最后，对生成的批量场景进行筛选，利用场景缩减技术合并部分相似场景，得到各个新能源的有效场景集合。

大部分研究在场景生成时，只讨论了某一时间断面上的不确定性，而忽略了相邻时间节点上功率波动的关联性。事实上，计及场景的时间关联性更符合调度运行实际，有利于场景生成的有序性和场景削减的有效性。而且目前的场景生成方法，是以新能源出力历史数据为基础，针对单一新能源的场景生成。当大规模新能源并网时，仅仅考虑单新能源场景生成技术已经不能满足电网多元化发展的需求。

发明内容