基于爬坡方向和累积分布概率划分状态的风电功率序列建模算法

本发明涉及电力负荷模拟，具体涉及一种基于爬坡方向和累积分布概率划分状态的风电功率序列建模算法。

背景技术：

1、目前全球对可再生能源的需求不断增长，根据国际能源署的数据表明可再生能源已成为全球新增发电装机容量的主要来源，随着风电渗透率的不断提高，在风电大量发电时，风能所具有的间歇性、波动性会使电网面临弃风或灵活性资源不足的问题，给电力系统的运行与控制带来了全新的挑战。为此，提高风电时间序列模型对大出力状态的建模—抽样精度有助于准确、合理地建立风电系统的时间序列模型，对于电力系统的资源灵活性配置和稳定可靠运行具有重要意义。

2、蒙特卡洛模拟法是基于多次随机抽样和模拟的样本数据计算出风电功率的统计指标结果，mcmc法对处理高维复杂问题的适应性更强。将历史数据进行状态划分是mcmc方法的基础，但是目前的状态划分中对功率的考虑因素只有大小而没有爬坡方向，未体现风电出力连续爬坡的状态过程和在区间内的波动过程，容易导致拟合数据与原始数据的状态转移概率难以保持一致,以及高出力样本抽样数目与原始数目差距过大。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于爬坡方向和累积分布概率划分状态的风电功率序列建模算法，针对状态定义进行改进，在状态转移概率上能较好与原始风电序列的状态转移概率保持一致，以及减小高出力抽样样本数目与原始样本数目的差距。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、基于爬坡方向和累积分布概率划分状态的风电功率序列建模算法，包括以下步骤：step1、统计原始风电功率数据，并按负爬坡功率、零功率、正爬坡功率三种不同的划分类别进行分类；

4、step2、按出力累积概率和爬坡方向定义风电功率的不同出力状态；

5、step3、生成状态跳变率矩阵；

6、step4、根据step3中的状态跳变率矩阵得到累积状态跳变率矩阵，结合随机初始状态生成给定抽样次数的风电功率状态序列；

7、step5、根据风电功率状态持续时间特性得到各状态的二阶高斯分布拟合函数，并对函数抽样生成服从其分布的各状态持续时间集合；

8、step6、统计各个状态的风电功率范围的离散cdf函数，并对函数抽样生成服从其分布的随机功率集合；

9、step7、遍历step4的风电功率状态序列，对于每一个状态都从相应状态持续时间集合中不放回抽取一个时间长度，并按此时间长度再从对应的状态随机功率集合中抽对应的功率个数，再按爬坡方向排序，即为该状态的功率时间序列曲线；

10、step8、遍历所有抽样的状态后，得出最终的出力时间序列曲线。

11、上述的step1包含以下子步骤：

12、step1.1、引入爬坡方向，令风电功率在下一时刻上升为正爬坡，风电功率在下一时刻下降为负爬坡；

13、step1.2、按负爬坡功率、零功率、正爬坡功率三种不同的划分类别进行分类。

14、上述的step2包含以下子步骤：

15、step2.1、定义出力状态：将风电场正爬坡功率的可能取值范围(0,pem]，其中pem为风电场的额定装机容量，从小到大排列并按等cdf功率尺度划分为n个功率区间，定义每个出力状态为i(i＝1,2,...,n)；负爬坡同理；

16、step2.2、基于出力状态，增设爬坡方向定义最终状态，得到考虑出力值和爬坡正负两个因素的最终状态：

17、基于出力状态i，增设爬坡状态定义状态，其中定义事件a为当前时刻的风电出力较上一时刻为正爬坡；定义事件b为当前时刻的风电出力较上一时刻为负爬坡，设集合s＝{a,b},x为随机变量，引入示性函数来描述状态i，示性函数表达式如下：

18、

19、

20、由此将得到的状态n即为考虑出力值和爬坡正负两个因素的最终状态，且将风力功率0值改设为状态n+1；状态n的表达式如下：

21、n＝(n+1+i)i{x∈a}+(n+1-i)i{x∈b}  (3)。

22、上述的step3中，先采用马尔科夫链蒙特卡洛mcmc法生成状态转移率矩阵并将对角线元素归零，后对每个矩阵元素重新计算其在所属行中的比例，生成状态跳变率矩阵pc中每一个元素pij代表风电功率从时间t的状态i转移到时间t+1的状态j的转换概率，公式如下：

23、

24、如图2所示，由于风电出力具有波动性，导致其功率方向也不断在正爬坡和负爬坡之间波动，此时的状态跳变率矩阵3d直方图已与传统mcmc法和pv-mc法状态转移矩阵有了较大差别，呈现出十字交叉的双“山脊”特性。

25、上述的step4包含以下子步骤：

26、step4.1、根据step3中的状态跳变率矩阵得到累积状态跳变率矩阵pcum，pcum中的元素除在第一列取值为0，其余元素取值均为pc中第k行、l列之前的所有元素之和，其中的下标k和l表示k行l列；

27、step4.2、根据随机初始状态和[0,1]的随机数，生成给定抽样次数的风电功率状态序列，直至生成的风电功率跳变序列中状态个数已经达到设定数目要求，则停止，具体方法为：

28、pcum结合随机初始状态生成给定抽样次数的风电功率状态序列：随机产生一个在区间[1,n]内的整数作为初始的风电功率状态，记为m；生成一个[0,1]均匀分布的随机数u；将u与pcum的第m行元素进行比较，其中元素行号m与当前风功率所处状态号相同，如果满足关系式则下一个状态取为n；若生成的风电功率跳变序列中状态个数已经达到设定数目要求，则停止。

29、上述的step5包含以下子步骤：

30、step5.1、风电功率状态持续时间是指在一定时间内，风电机组的输出功率保持在某个特定状态的持续时间；统计风电功率状态持续时间的时长以及其出现频次：当出力状态从m到n后，其中n≠m，记录其在离开n状态前的时间t，遍历统计出保持在各个状态的时间长度集合，并采用概率函数拟合各状态持续时间分布；

31、step5.2、根据风电功率状态持续时间特性得到各状态的二阶高斯分布拟合函数，并对函数抽样生成服从其分布的各状态持续时间集合。

32、上述的step6包括以下子步骤：

33、step6.1、统计风电功率在某状态的cdf值，并生成取值范围为[0,1]的离散函数；

34、step6.2、利用简单随机抽样[0,1]范围内随机数vi，求cdf的逆函数值f-1(vi)；

35、step6.3、将抽样的风电出力值按爬坡方向排序，生成该状态的功率时间序列曲线。

36、上述的step7包括以下子步骤：

37、step7.1、抽取状态时间：遍历step4的风电功率状态序列，对于每一个状态都从相应状态持续时间集合中不放回抽取一个时间长度；

38、step7.2、抽取状态功率：按抽取的时间长度再从对应的状态随机功率集合中抽对应的功率个数，按爬坡方向排序，即为该状态的功率时间序列曲线。

39、上述的step7中，根据step4得到的风电功率离散状态序列，根据step7的方法遍历所有状态，得到最终的出力时间序列曲线。

40、本发明提供的一种基于爬坡方向和累积分布概率划分状态的风电功率序列建模算法，针对风电大发时发生电网弃风或者灵活性资源不足的问题，提高风电时间序列模型对大出力状态的建模—抽样精度；引入爬坡方向，对风电出力连续爬坡至大出力状态的过程进行更准确地描述，并提出以累积分布概率划分状态区间而不是以功率大小均匀划分状态空间，使各个状态区间的样本分布更均匀，比起mcmc法和pv-mc法进一步提高了本文模型的精度，且满足了高出力样本的抽样数目。