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

1.一种基于马尔科夫链的多新能源出力场景生成方法，其特征在于，包括：获取各个新能源的预测数据，并获取新能源预测出力的历史数据和新能源实际出力的历史数据；基于所述各个新能源的预测数据，以及新能源预测出力的历史数据和新能源实际出力的历史数据，根据新能源预测误差的概率分布特性，利用基于马尔可夫链的多场景技术模拟风电、光伏随时间变化的间歇性和波动性，获得新能源预测误差状态向量；根据新能源预测误差状态向量进行随机抽样得到误差状态区间样本，基于状态矩阵进行蒙特卡洛抽样，以获取考虑时间关联性的各新能源发电的大量单厂出力场景；采用后向缩减法的场景削减技术，降低各新能源发电的单厂场景数量；考虑电网包含多个新能源发电场景，通过场间自由排列组合，生成含多新能源发电厂的大量组合场景；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，从而生成含多新能源发电厂的典型场景，完成基于马尔科夫链的多新能源出力场景生成；所述采用后向缩减法的场景削减技术，降低各新能源发电的单厂场景数量；包括以下步骤：将被删除场景集合J初始化为空，需要删除的场景个数为K，第k次迭代被删除的场景是l k ；重复进行以下步骤，直至迭代结束：计算坎托罗维奇距离，使l取场景l k 时下式取得最小值，所述坎托罗维奇距离的计算公式为：式中：J是被删除场景集合；p i 是场景i的概率；ξ i 对应场景序列i；T是场景时间尺度的分段数；c T (ξ i ,ξ j )表示场景序列ξ i 与场景序列ξ j 的距离， 删除场景l k ，令J k ＝J k-1 ∪{l k }，并将场景l k 的概率累加到距离其最近的场景上；若k<K，则令k＝k+1。 2.根据权利要求1所述的一种基于马尔科夫链的多新能源出力场景生成方法，其特征在于，所述新能源预测误差状态向量的获得过程包括：设ε表示预测误差，f表示概率密度，将误差离散化为n个区间，对应第i个区间的状态记为x i (i＝1,2,…,n)，该状态区间发生概率为S i ；时刻t各状态区间的概率S i,t (i＝1,2,…,n)构成了当前时刻的误差状态向量m t ，表达式如下：式中，ε up,i 和ε down,i 分别为区间i的误差上限与下限；μ 0 和σ 0 分别为正态分布的期望和标准差；将随机预测误差随时间的变化过程看作马尔可夫过程，已知初始时刻t 0 至t-1时刻状态X t-1 ，X t-2 ，…，X t0 所对应的状态区间，且上一个时刻的状态为X t-1 ＝x i ，则当前时刻状态X t ＝x j 的概率表示为：E(X t ＝x j |X t-1 ,X t-2 ,…,X t0 )＝E(X t ＝x j |X t-1 ＝x i )＝E ij式中，E ij 表示预测误差由时刻t-1的状态x i 过渡到时刻t的状态x j 的一步状态转移概率，可由统计数据得到，即：式中，l ij 为通过统计分析不确定量的历史数据，由时刻t-1的状态x i 转为时刻t的状态x j 出现的次数；初始时刻时，认为不确定量的预测误差状态向量 考虑时间关联性后，时刻t(t>t 0 )误差状态向量m t 可修正为：式中，E为一步状态转移矩阵，有E＝(E ij ) n×n ，且 3.根据权利要求1所述的一种基于马尔科夫链的多新能源出力场景生成方法，其特征在于：所述根据新能源预测误差状态向量进行随机抽样得到误差状态区间样本，基于状态矩阵进行蒙特卡洛抽样，包括以下步骤：根据t时刻各预测误差状态概率进行N次随机抽样，其结果用一长度为N的二进制列向量Y t 表示：对于第k个样本，若位于状态区间x i (i＝1,2,…,n)，则Y t 第k个元素第i位为1，其余位为0；由向量Y t (t＝t 0 ,t 1 ,…,T)构成状态矩阵Y s ＝[Y t0 Yt 1 …Y T ]，分别基于风机、光伏的状态矩阵进行规模为M的蒙特卡洛抽样：对于第w次抽样，依次从Y s 中第t(t＝t 0 ,t 1 ,…,T)列随机抽样组成样本向量y w ，构成t 0 —T时刻的场景Y Y ＝{y w }(w＝1,2,…,M，其中M为原始场景数目)；以上标W，PV分别表示风电、光伏，以获取考虑时间关联性的各新能源发电的大量单厂出力场景，可表示为： 4.根据权利要求1所述的一种基于马尔科夫链的多新能源出力场景生成方法，其特征在于，所述组合场景的生成过程包括：假设某电网的新能源场站总数为N w ，每个新能源场站的预测出力场景有N p 种，各个预测出力场景的发生概率为pr Zj (Z＝1,2,…,N w ；j＝1,2,…,N p )；将所有新能源场站的出力场景进行排列组合，得到最终的新能源出力场景数N a ， 所述组合场景发生概率即为对应出力场景发生概率的乘积。 5.根据权利要求1所述的一种基于马尔科夫链的多新能源出力场景生成方法，其特征在于：所述基于模糊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，包括以下步骤：模糊C均值聚类法分为求得聚类中心向量的内层优化与确定最优聚类数目的外层优化两部分；所述内层优化包括：定义J(U,V,C)为模糊聚类的目标函数，表达式如下式所示：式中，J表征了各个类别内部的场景与中心向量的相似程度；U为隶属度矩阵；V为中心向量矩阵；C为典型场景数目，由外层优化确定；v c 为第c(c＝1,2,…,C)个聚类场景集的中心向量；μ cw 为第w个场景向量y w 到第c个聚类场景集的隶属度函数；m为收敛因子，m≥1；将M个原始场景划分到C个集合中，各聚类的中心向量作为典型场景替代其中的所有场景，对该聚类的所有场景隶属度值之和即为该典型场景的发生概率；通过下列步骤完成内层优化，并确定中心向量v c ：Step1:迭代次数h＝0，确定各个初始化隶属度函数 Step2:按下式计算中心向量v c ，并令h＝h+1；Step3:按下式更新各个场景的隶属度函数μ cw 和隶属度矩阵U；Step4:判断是否满足U (h) -U (h-1) <ε，若是，则输出中心向量v c ，否则转入Step2；所述外层优化包括：通过求解下式，利用穷举法确定最优分类数目：其中P S (c)的表达式如下式，式中第1项可表征类内紧凑程度，第2项表征类间疏离程度，其值越大，表示第c个聚类内部紧凑且与其他聚类间有较大差异；式中， 其中 表示所有中心向量的均值向量。 6.一种基于马尔科夫链的多新能源出力场景生成装置，其特征在于，包括：获取单元，用于获取各个新能源的预测数据，并获取新能源预测出力的历史数据和新能源实际出力的历史数据；第一计算单元，用于基于所述各个新能源的预测数据，以及新能源预测出力的历史数据和新能源实际出力的历史数据，根据新能源预测误差的概率分布特性，利用基于马尔可夫链的多场景技术模拟风电、光伏随时间变化的间歇性和波动性，获得新能源预测误差状态向量；第二计算单元，用于根据新能源预测误差状态向量进行随机抽样得到误差状态区间样本，基于状态矩阵进行蒙特卡洛抽样，以获取考虑时间关联性的各新能源发电的大量单厂出力场景；缩减单元，用于采用后向缩减法的场景削减技术，降低各新能源发电的单厂场景数量；第一生成单元，用于考虑电网包含多个新能源发电场景，通过场间自由排列组合，生成含多新能源发电厂的大量组合场景；第二生成单元，用于采用基于模糊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，从而生成含多新能源发电厂的典型场景，完成基于马尔科夫链的多新能源出力场景生成；所述采用后向缩减法的场景削减技术，降低各新能源发电的单厂场景数量；包括以下步骤：将被删除场景集合J初始化为空，需要删除的场景个数为K，第k次迭代被删除的场景是l k ；重复进行以下步骤，直至迭代结束：计算坎托罗维奇距离，使l取场景l k 时下式取得最小值，所述坎托罗维奇距离的计算公式为：式中：J是被删除场景集合；p i 是场景i的概率；ξ i 对应场景序列i；T是场景时间尺度的分段数；c T (ξ i ,ξ j )表示场景序列ξ i 与场景序列ξ j 的距离， 删除场景l k ，令J k ＝J k-1 ∪{l k }，并将场景l k 的概率累加到距离其最近的场景上；若k<K，则令k＝k+1。 7.根据权利要求6所述的一种基于马尔科夫链的多新能源出力场景生成装置，其特征在于，所述新能源预测误差状态向量的获得过程包括：设ε表示预测误差，f表示概率密度，将误差离散化为n个区间，对应第i个区间的状态记为x i (i＝1,2,…,n)，该状态区间发生概率为S i ；时刻t各状态区间的概率S i,t (i＝1,2,…,n)构成了当前时刻的误差状态向量m t ，表达式如下：式中，ε up,i 和ε down,i 分别为区间i的误差上限与下限；μ 0 和σ 0 分别为正态分布的期望和标准差；将随机预测误差随时间的变化过程看作马尔可夫过程，已知初始时刻t 0 至t-1时刻状态X t-1 ，X t-2 ，…，X t0 所对应的状态区间，且上一个时刻的状态为X t-1 ＝x i ，则当前时刻状态X t ＝x j 的概率表示为：E(X t ＝x j |X t-1 ,X t-2 ,…,X t0 )＝E(X t ＝x j |X t-1 ＝x i )＝E ij式中，E ij 表示预测误差由时刻t-1的状态x i 过渡到时刻t的状态x j 的一步状态转移概率，可由统计数据得到，即：式中，l ij 为通过统计分析不确定量的历史数据，由时刻t-1的状态x i 转为时刻t的状态x j 出现的次数；初始时刻时，认为不确定量的预测误差状态向量 考虑时间关联性后，时刻t(t>t 0 )误差状态向量m t 可修正为：式中，E为一步状态转移矩阵，有E＝(E ij ) n×n ，且 8.根据权利要求6所述的一种基于马尔科夫链的多新能源出力场景生成装置，其特征在于：所述基于模糊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，包括以下步骤：模糊C均值聚类法分为求得聚类中心向量的内层优化与确定最优聚类数目的外层优化两部分；所述内层优化包括：定义J(U,V,C)为模糊聚类的目标函数，表达式如下式所示：式中，J表征了各个类别内部的场景与中心向量的相似程度；U为隶属度矩阵；V为中心向量矩阵；C为典型场景数目，由外层优化确定；v c 为第c(c＝1,2,…,C)个聚类场景集的中心向量；μ cw 为第w个场景向量y w 到第c个聚类场景集的隶属度函数；m为收敛因子，m≥1；将M个原始场景划分到C个集合中，各聚类的中心向量作为典型场景替代其中的所有场景，对该聚类的所有场景隶属度值之和即为该典型场景的发生概率；通过下列步骤完成内层优化，并确定中心向量v c ：Step1:迭代次数h＝0，确定各个初始化隶属度函数 Step2:按下式计算中心向量v c ，并令h＝h+1；Step3:按下式更新各个场景的隶属度函数μ cw 和隶属度矩阵U；Step4:判断是否满足U (h) -U (h-1) <ε，若是，则输出中心向量v c ，否则转入Step2；所述外层优化包括：通过求解下式，利用穷举法确定最优分类数目：其中P S (c)的表达式如下式，式中第1项可表征类内紧凑程度，第2项表征类间疏离程度，其值越大，表示第c个聚类内部紧凑且与其他聚类间有较大差异；式中， 其中 表示所有中心向量的均值向量。 9.一种基于马尔科夫链的多新能源出力场景生成系统，其特征在于，包括存储介质和处理器；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行根据权利要求1～5中任一项所述方法的步骤。