CN106485093B - 基于改进马尔可夫链的太阳辐照度时间序列合成方法 - Google Patents

Abstract

本发明提供的是一种基于改进马尔可夫链的太阳辐照度时间序列合成方法。在马尔可夫链模型中引入SR的天气特性和日特性，建立基于晴空指数划分的多个状态转移矩阵，并应用蒙特卡洛法确定辐照度模拟值当天的时段分割点，再通过日晴空指数和当前时刻所处时段选择相应的状态转移矩阵，来生成目标时刻状态量，从而合成辐照度模拟值。本发明简单且较准确地描述了太阳辐照度的天气特性和日特性，在简捷和准确两者交合上找到了平衡点，更便于实际应用。

Description

基于改进马尔可夫链的太阳辐照度时间序列合成方法

技术领域

本发明涉及的是一种太阳辐照度预测方法，特别是一种适用于中长期太阳辐照度预测的方法。

背景技术

太阳能光伏发电具有清洁环保、易施工、使用周期长、无运转部件等优点，目前，国内外太阳能光伏发电正向大规模应用阶段发展。但因太阳辐照度(Solar radiation,SR)具有的随机性和间歇性特点，使得光伏系统的发电出力具有不确定性。不论对并网系统还是对独立系统，随着光伏容量占比的增加，这种不确定性将给整个发电系统带来了不容忽视的影响。研究并发现SR的特性规律、模拟生成SR的高质量的时间序列，对含光伏的发电系统的规划、安全性评估、可靠性评估、置信容量计算等领域具有重要意义。

若SR模拟序列能够很好地体现历史SR观测数据的波动特性和统计特性，则将SR模拟序融入后，仍可保持对光伏系统的评估结果的可信性。SR模拟序列可应用情况包括：(1)当历史SR观测序列中出现坏数据或数据缺失时，若直接应用有错误的历史SR观测数据计算结果会出现偏差，此时可应用SR模拟序列数据替代；(2)某些地区的历史SR观测数据量不足以满足评估需求，此时可应用SR模拟序列来增加数据量，以满足评估需求。

与太阳辐照度预测相关的公开文献较多，例如：申请号为201310019097.6的专利文件中，公开了一种光伏电站辐照度预测值修正方法，其重点在于当已经具备了当前预测值之后，如何将光伏电站的地表辐照度的当前预测值与由辐照度历史数据生成的参考值进行联合加权，得到最终的预测修正值对辐照度进行修正；申请号为201310571072.7的专利文件中的技术方案是基于ANFIS模型对辐照度进行超短期预测；申请号为201510471216.0的专利文件中，提出了一种基于马尔可夫链的改进光伏功率序列预测方法，其是按照季节(四季)、时段(上午与下午时段)、天气特征(大雨、雨、多云与晴四种类型)对样本数据分类，并分别对应建立马尔可夫状态转移矩阵的，但这种分类方法在实施上可能存在很多难以清晰划分的区域，即分类方面存在难以在边界区域清晰化的问题；申请号为201510843259.7的专利文件中公开的技术方案是用于日预测，即属于短期预测，利用气象特征向量和欧式距离对辐照度历史数据进行聚类，预测时需要用到当日的气象特征采集数据；申请号为201610112173.1的专利文件中，公开了一种基于多元时间序列和回归分析方法，利用气象数据和历史辐照度数据对日辐照度进行预测，也属于对辐照度进行短期预测，也需要知道被预测日的气象数据(包括温度数据、相对湿度数据、云量数据和风速数据)，预测的时段范围和需要的数据条件。

基于ANFIS模型的光伏电站辐照度超短期预测(李卫，席林，毕佳.上海电气技术，2014(12):36-42)一文中，采用一种新的基于自适应模糊推理系统(ANFIS)的辐照度预测方法，其中ANFIS模型的规则数和初始参数由减法聚类确定，该方法是用于超短期预测；蚁群BP神经网络的光伏电站辐照强度预测(贺文齐爽陈厚合.电力系统及其自动化学报，2016(07):26-31)中，按月份建立蚁群改进了BP神经网络的预测方法；应用改进马尔科夫链的光伏出力时间序列模拟(丁明，鲍玉莹，毕锐.电网技术，2016(40):459-464)中，采用一种基于改进马尔可夫链的光伏功率序列预测方法，在马尔可夫链模型中考虑了天气特性(大雨、雨、多云与晴四种类型)、季节特性(按照四季划分)和日特性(上午与下午时段)对光伏功率序列进行预测，旨在得到随季节和天气等因素的光伏出力变化情况，日分割点是固定的，所述方法在划分实施上可能存在一些模糊划分，分类难以清晰化。

发明内容

本发明的目的在于提供一种能准确地描述了太阳辐照度的天气特性和日特性，更便于实际应用的基于改进马尔可夫链的太阳辐照度时间序列合成方法。

本发明的目的是这样实现的：

步骤一，将经过错误数据处理或伪数据补充的历史SR观测数据，按照天气特性和日特性对历史SR观测数据进行天气特性聚类和日特性聚类；

步骤二，建立晴空指数k_t的状态转移矩阵P，计算状态转移矩阵P相应的累积状态转移矩阵Q。首先应用SR历史观测数据序列计算出对应的晴空指数k_t的数据序列；然后将晴空指数k_t的数据序列转化为状态序列，晴空指数k_t的取值范围为[0-1],状态向量为状态数为N₂,则每一个状态所覆盖的区间大小为[0:1/N₂]；最后建立晴空指数k_t的状态转移矩阵P，计算P相应的累积状态转移矩阵Q；

步骤三，设置合成SR模拟值当天的初始时刻为t₀，日晴空指数K_d值为K_dn，则晴空指数k_t的初始值k_t0＝K_dn，此刻对应的晴空指数k_t的初始状态为e＝e₀；

步骤四，确定合成SR模拟值当天的时段分割点t_r；

步骤五，依据当天的日晴空指数K_d值K_dn和当前时刻t选定状态转移矩阵计算相应的累积状态转移矩阵由当前时刻的晴空指数k_t的状态e_t选择累积状态转移矩阵的第e_t行作为状态概率分布向量

步骤六，确定下一时刻t＝t+Δt的晴空指数k_t值，设下一时刻t＝t+Δt的状态为e_t+1，生成一个在[0,1]之间服从均匀分布的随机数β，若0＜β≤h₁，则e_t+1＝E₁；若h_i-1＜β≤h_i，则e_t+1＝E_i；

步骤七，如果时刻t＜19，则返回步骤五；若t＞19，执行步骤八；

步骤八，已计算总天数T＝T+1，若T小于仿真天数，返回步骤三；否则，则执行步骤九；

步骤九，根据合成的晴空指数k_ts值序列计算得到SR模拟值I_syn。

所述的天气特性聚类是指根据日晴空指数K_d对SR观测数据进行聚类，将其聚类为N₁个群组

所述的日特性聚类是指按照辐照度上升时段和下降时段将N₁个群组分为2N₁个数据集每个群组中每天出现SR最大值的时间点t_m作为当天的时段分割点,其中角标U代表上升时段，角标D代表下降时段。

马尔可夫链可以通过随机事件上一时刻的状态，推测出下一个时刻的状态，以此来完成对一个随机过程的动态描述。同时，马尔可夫链具有模型简洁、物理概念清晰等优点，所以，可以应用马尔可夫链模型合成SR模拟值。本发明提出了一种基于改进马尔可夫链的太阳辐照度时间序列的合成方法。在马尔可夫链模型中引入SR的天气特性和日特性，建立基于晴空指数划分的多个状态转移矩阵，并应用蒙特卡洛法确定辐照度模拟值当天的时段分割点，再通过日晴空指数和当前时刻所处时段选择相应的状态转移矩阵，来生成目标时刻状态量，从而合成辐照度模拟值。

本发明的主要特点包括：一是步骤一中天气特性按照根据日晴空指数进行划分，时段特性分为上升与下降时段；而是步骤四中时段分割点的确定方法。

本发明的有益效果体现在：

(1)在马尔科夫链模型中考虑太阳辐照度的天气特性和日特性，天气特性通过日晴空指数K_d对太阳辐照度进行分类来描述，日特性通过分为上升时段和下降时段来描述；

(2)通过晴空指数k_t来合成SR模拟值，体现了辐照度受不同云层状态引起的波动特性；

(3)对考虑太阳辐照度的天气特性和日特性生成多个状态转移矩阵，通过日晴空指数K_d和时间属性选择相应状态转移矩阵，生成目标时刻的状态量。

本发明简单且较准确地描述了太阳辐照度的天气特性和日特性，在简捷和准确两者交合上找到了平衡点，更便于实际应用。

附图说明

图1合成SR模拟值的流程图。

具体实施方式

下面对举例本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明涉及一种基于马尔可夫链的太阳辐照度合成方法，具体包括如下步骤：

步骤1)将经过错误数据处理或伪数据补充的历史SR观测数据，按照天气特性和日特性对历史SR观测数据进行聚类。所谓“天气特性聚类”这里是指根据日晴空指数K_d对SR观测数据进行聚类，如将其聚类为N₁个群组所谓“日特性聚类”是指再按照辐照度上升时段和下降时段将上述的N₁个群组再次分为2N₁个数据集(每个群组中每天出现SR最大值的时间点t_m作为当天的时段分割点),其中角标U代表上升时段，角标D代表下降时段。

步骤2)建立晴空指数k_t的状态转移矩阵P，计算状态转移矩阵P相应的累积状态转移矩阵Q。首先对每个数据集中的SR历史观测数据序列，通过式(1)计算出对应的晴空指数k_t的数据序列；然后按照表1将晴空指数k_t的数据序列转化为状态序列，晴空指数k_t的取值范围为[0-1],状态向量为状态数为N₂,则每一个状态所覆盖的区间大小为[0:1/N₂]；最后建立晴空指数k_t的状态转移矩阵P，计算状态转移矩阵P相应的累积状态转移矩阵Q。

晴空指数k_t是入射到地表水平面的实际太阳辐照度I与地外水平面辐照度I₀之比。

表1晴空指数数据序列转化为状态序列

状态转移矩阵P由不同状态之间的转移概率p_ij构成，各行之和为1，是N₂×N₂的方阵。状态转移矩阵P在转移过程中保持不变。

状态转移概率p_ij计算公式如下：

式中：p_ij表示相继状态i到状态j的转移概率；n_ij为相继状态i到状态j的转换次数；n_i为状态i发生的总次数，m_t与m_t+1分别表示t和t+1时刻的状态。

累积状态转移矩阵Q是基于状态转移矩阵计算得到的。

步骤3)合成SR模拟值初始化。设置合成SR模拟值当天的初始时刻为t₀，日晴空指数K_d值为K_dn，则晴空指数k_t的初始值k_t0＝K_dn，此刻对应的初始状态为e＝e₀。

步骤4)确定合成SR模拟值当天的时段分割点t_r。根据K_dn选择相应群组，依据蒙特卡洛法确定合成SR模拟值当天的时段分割点t_r。确定时段分割点t_r的具体方法如下：

1.对当前群组中每天出现SR最大值的时间点t_m进行统计。

T_m＝{t_m1,t_m2,…,t_mx} (5)

N_m＝{n_m1,n_m2,…,n_mx} (6)

式中，x为当前群组中出现不同SR最大值时间点的个数，t_mi为当前群组中出现的第i个SR最大值时间点，n_mi为当前群组中第i个SR最大值时间点t_mi出现的次数。

2.计算出现SR最大值时间点的概率向量P_m。

P_m＝[p_m1 p_m2 … p_mx] (7)

SR最大值时间点出现概率p_mi计算公式如下：

式中，N表示当前群组的总天数。

3.计算概率向量P_m的累积概率向量F_m，F_m＝[f_m1,f_m2,…,f_mx]

式中，f_mi为累积概率分布向量F_m中的第i个分量，其中k＝1，2，…，x。

4.在[0，1]区间抽取均匀分布的随机数γ，若0＜r≤f₁，则t_ri＝t_m1；若f_i-1＜r≤f_i，则t_ri＝t_mi，如公式(10)所示。

5.将4重复N₃次，记录每次确定的时段分割点t_ri，计算所记录的时段分割点t_ri的平均值t_r，最终确定合成SR模拟值当天的时段分割点t_r。

步骤5)依据当天的日晴空指数K_d值K_dn和当前时刻t选定相应的状态转移矩阵计算相应的累积状态转移矩阵由当前时刻的晴空指数k_t的状态e_t选择累积状态转移矩阵的第e_t行作为状态概率分布向量

当t≤t_r时，选择上升时段的状态转移矩阵当t＞t_r时，选择下降时段的状态转移矩阵

步骤6)确定下一时刻t＝t+Δt的晴空指数k_t值。设下一时刻t＝t+Δt的状态为e_t+1，生成一个在[0,1]之间服从均匀分布的随机数β，若0＜β≤h₁，则e_t+1＝E₁；若h_i-1＜β≤h_i，则e_t+1＝E_i。由式(13)确定时刻t+1的晴空指数k_t值。

步骤7)如果时刻t＜19，则返回步骤5)；若t＞19，执行下一步。

步骤8)已计算总天数T＝T+1，若T小于仿真天数，返回步骤3；否则，则执行下一步。

步骤9)将合成的晴空指数k_ts值序列带入到式(14)中，计算SR模拟值I_syn。

I_syn＝k_tsI₀ (14)

式中，I₀为地外水平面辐照度。

本发明提出了一种可以计及SR的天气特性和日特性的改进马尔可夫链模型及基于此的SR时间序列数据合成方法。其中，根据历史SR观测数据根据日晴空指数来描述天气特性对辐照度的影响，并将一日分为2个时段来描述辐照度的日特性；通过晴空指数来合成辐照度模拟值，体现了不同云层状态对辐照度的波动影响；考虑太阳辐照度的天气特性和日特性生成多个状态转移矩阵，应用蒙特卡洛法确定合成辐照度模拟值当天的时段分割点，通过日晴空指数和时间属性选择相应状态转移矩阵，生成目标时刻的状态量，从而合成辐照度模拟值。

Claims (3)

1.一种基于改进马尔可夫链的太阳辐照度时间序列合成方法，其特征是：

步骤一，将经过错误数据处理或伪数据补充的历史太阳辐照度观测数据，按照天气特性和日特性对历史太阳辐照度观测数据进行天气特性聚类和日特性聚类；

步骤二，建立晴空指数k_t的状态转移矩阵P，计算状态转移矩阵P相应的累积状态转移矩阵Q；首先应用太阳辐照度历史观测数据序列计算出对应的晴空指数k_t的数据序列；然后将晴空指数k_t的数据序列转化为状态序列，晴空指数k_t的取值范围为[0-1],状态向量为e＝[E₁,E₂,...E_N2],状态数为N₂,则每一个状态所覆盖的区间大小为1/N₂；最后建立晴空指数k_t的状态转移矩阵P，计算P相应的累积状态转移矩阵Q；

步骤三，设置合成太阳辐照度模拟值当天的初始时刻为t₀，日晴空指数K_d值为K_dn，则晴空指数k_t的初始值k_t0＝K_dn，此刻对应的晴空指数k_t的初始状态为e＝e₀；

步骤四，确定合成太阳辐照度模拟值当天的时段分割点t_r；

步骤五，依据当天的日晴空指数K_d值K_dn和当前时刻t选定相应的状态转移矩阵计算相应的累积状态转移矩阵由当前时刻的晴空指数k_t的状态e_t选择累积状态转移矩阵的第e_t行作为状态概率分布向量

步骤六，确定下一时刻t＝t+Δt的晴空指数k_t值，设下一时刻t＝t+Δt的状态为e_t+1，生成一个在[0,1]之间服从均匀分布的随机数β，若0＜β≤h₁，则e_t+1＝E₁；若h_i-1＜β≤h_i，则e_t+1＝E_i；

步骤七，如果时刻t＜19，则返回步骤五；若t＞19，执行步骤八；

步骤八，已计算总天数T＝T+1，若T小于仿真天数，返回步骤三；否则，则执行步骤九；

步骤九，根据合成的晴空指数k_ts值序列计算得到太阳辐照度模拟值I_syn。

2.根据权利要求1所述的基于改进马尔可夫链的太阳辐照度时间序列合成方法，其特征是：所述的天气特性聚类是指根据日晴空指数K_d对太阳辐照度观测数据进行聚类，将其聚类为N₁个群组

3.根据权利要求2所述的基于改进马尔可夫链的太阳辐照度时间序列合成方法，其特征是：所述的日特性聚类是指按照辐照度上升时段和下降时段将N₁个群组分为2N₁个数据集每个群组中每天出现太阳辐照度最大值的时间点t_m作为当天的时段分割点,其中角标U代表上升时段，角标D代表下降时段。