CN109816149A - 一种风电场随机出力场景生成方法及装置 - Google Patents

Abstract

本发明涉及一种风电场随机出力场景生成方法及装置，包括利用预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数确定风电场预测出力的预测误差；根据所述风电场预测出力的预测误差和风电场预测出力确定预测周期内风电场的随机出力场景；其中，所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数根据风电场历史预测出力的预测误差获取；本发明基于风电场历史预测出力的预测误差确定预测周期内风电场的预测误差，进而得到预测周期内风电场的随机出力场景，提高了风电场风电预测出力的准确性。

Description

一种风电场随机出力场景生成方法及装置

技术领域

本发明涉及新能源技术领域，具体涉及一种风电场随机出力场景生成方法及装置。

背景技术

风力发电具有很强的随机性和波动性，因此，风电场的预测出力存在一定的误差。在电力系统日前调度计划的制定过程中，需要在风电场预测出力的基础上，充分考虑风电场的预测出力的预测误差的不确定性。

目前，学术上关于考虑预测误差的不确定性的短期优化调度方法主要是随机规划方法和鲁棒优化的方法。随机规划方法需要基于一系列的风电出力随机场景，针对各场景建立优化调度模型，得到在所有风电出力场景期望意义最优下的优化调度结果；鲁棒优化方法需要根据未来时刻的风电出力的上、下限，通过优化计算得到在“最坏场景”下的优化调度结果。鲁棒优化方法未考虑风电出力的时序特性，调度结果不准确，因此，随机场景方法在实际电力系统调度中具有更好的实用性。采用随机场景法制定电力系统日前调度计划，需要以风电出力的随机场景集为输入。

然而，现有根据历史预测误差得到随机出力场景的技术中，没有考虑到预测误差在状态区间内是不均匀分布，导致得到的随机出力场景中的风电预测出力值不准确。

发明内容

针对现有技术的不足，本发明的目的是提供一种风电场随机出力场景生成方法及装置，提高风电场预测出力的准确性。

本发明的目的是采用下述技术方案实现的：

本发明提供一种风电场随机出力场景生成方法，其改进之处在于，所述方法包括：

步骤1.利用预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数确定风电场预测出力的预测误差；

步骤2.根据所述风电场预测出力的预测误差和风电场预测出力确定预测周期内风电场的随机出力场景；

其中，所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数根据风电场历史预测出力的预测误差获取。

优选地，所述利用预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数确定风电场预测出力的预测误差，包括：

S1.初始化预测时刻l＝1；

S2.令风电场预测出力的预测误差处于第a个状态区间及第a个状态区间对应的累积状态转移概率值为b，其中，1≤a≤M，M为状态区间总数，0≤b≤1；

S3.若累积状态转移概率值b与预先获取的预测误差的累积状态转移概率矩阵的第a行第q列的元素相等，或者介于预先获取的预测误差的累积状态转移概率矩阵的第a行第q列的元素及的第a行第q+1列的元素之间，则预测时刻l风电场预测出力的预测误差处于第q个状态区间，其中，1≤q≤M；

S4.随机生成预测时刻l风电场预测出力的预测误差处于第q个状态区间对应的累积状态转移概率值y，并按下式确定预测时刻l风电场预测出力的预测误差ε_l：

式中，为预测误差处于第q个状态区间的条件概率累积分布函数的反函数；

S5.若预测时刻l为预测周期的最后时刻，则输出预测周期内所有预测时刻的风电场预测出力的预测误差，否则，令l＝l+1、a＝q和b＝y，返回步骤S2。

优选地，所述根据所述风电场预测出力的预测误差和风电场预测出力确定预测周期内风电场的随机出力场景，包括：

按下式确定预测周期内风电场的随机出力场景Θ：

Θ＝[p₁+ε₁,p₂+ε₂,...,p_l+ε_l...,p_T+ε_T]

式中，p_l为风电场预测时刻l的预测出力，T为风电场预测时刻总数。

优选地，获取预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数根据风电场历史预测出力的预测误差的过程包括：

利用风电场历史预测出力的预测误差的累积分布函数确定所述风电场历史预测出力的预测误差对应的状态区间；

根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数。

进一步地，所述利用所述风电场历史预测出力的预测误差的累积分布函数确定所述风电场历史预测出力的预测误差对应的状态区间，包括：

按下式确定所述风电场历史预测出力的预测误差的累积分布函数

式中，h为带宽，N为风电场历史预测出力的预测误差的样本总数，x_t为风电场历史时刻t预测出力的预测误差，Φ(·)为标准正态分布的累积分布函数，x为自变量；

利用所述风电场历史预测出力的预测误差的累积分布函数，按下式确定状态区间中第m个状态区间的右边界值ε_m：

式中，为风电场历史预测出力的预测误差的累积分布函数的反函数，M为状态区间总数，则所述状态区间包括：[ε₀,ε₁]、…、[ε_m-1,ε_m]、…、[ε_M-1,ε_M]；

若风电场历史时刻t预测出力的预测误差属于状态区间[ε_m-1,ε_m]，则风电场历史时刻t预测出力的预测误差处于状态区间[ε_m-1,ε_m]。

进一步地，所述根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数，包括：

按下式确定第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第j个状态区间的状态转移的概率p_ij：

式中，n_ij为第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第j个状态区间的个数，其中，i∈[1,M],j∈[1,M]；

按下式确定第i个状态区间中风电场历史预测出力的预测误差状态转移至第j个状态区间的累积状态转移的概率

式中，p_ik为第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第k个状态区间的状态转移的概率，k∈[1,j]；

则所述累积状态转移概率矩阵P^cum为：

按下式确定风电场历史预测出力的预测误差属于第m个状态区间[ε_m-1,ε_m]的条件概率累积分布函数

式中，x_s为处于第m个状态区间[ε_m-1,ε_m]的第s个风电场历史预测出力的预测误差；n为处于第m个状态区间[ε_m-1,ε_m]的风电场历史预测出力的预测误差的个数。

本发明还提供一种风电场随机出力场景生成装置，其改进之处在于，所述装置包括：

预测误差确定单元，用于利用预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数确定风电场预测出力的预测误差；

随机出力场景确定单元，用于根据所述风电场预测出力的预测误差和风电场预测出力确定预测周期内风电场的随机出力场景；

其中，所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数根据风电场历史预测出力的预测误差获取。

优选地，所述预测误差确定单元用于：

S1.初始化预测时刻l＝1；

S2.令风电场预测出力的预测误差处于第a个状态区间及第a个状态区间对应的累积状态转移概率值为b，其中，1≤a≤M，M为状态区间总数，0≤b≤1；

S3.若累积状态转移概率值b与预先获取的预测误差的累积状态转移概率矩阵的第a行第q列的元素相等，或者介于预先获取的预测误差的累积状态转移概率矩阵的第a行第q列的元素及的第a行第q+1列的元素之间，则预测时刻l风电场预测出力的预测误差处于第q个状态区间，其中，1≤q≤M；

S4.随机生成预测时刻l风电场预测出力的预测误差处于第q个状态区间对应的累积状态转移概率值y，并按下式确定预测时刻l风电场预测出力的预测误差ε_l：

式中，为预测误差处于第q个状态区间的条件概率累积分布函数的反函数；

S5.若预测时刻l为预测周期的最后时刻，则输出预测周期内所有预测时刻的风电场预测出力的预测误差，否则，令l＝l+1、a＝q和b＝y，返回步骤S2。

优选地，所述随机出力场景确定单元用于：

按下式确定预测周期内风电场的随机出力场景Θ：

Θ＝[p₁+ε₁,p₂+ε₂,...,p_l+ε_l...,p_T+ε_T]

式中，p_l为风电场预测时刻l的预测出力，T为风电场预测时刻总数。

优选地，获取预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数根据风电场历史预测出力的预测误差的过程包括：

利用风电场历史预测出力的预测误差的累积分布函数确定所述风电场历史预测出力的预测误差对应的状态区间；

根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数。

进一步地，所述根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数，包括：

按下式确定所述风电场历史预测出力的预测误差的累积分布函数

式中，h为带宽，N为风电场历史预测出力的预测误差的样本总数，x_t为风电场历史时刻t预测出力的预测误差，Φ(·)为标准正态分布的累积分布函数，x为自变量；

利用所述风电场历史预测出力的预测误差的累积分布函数，按下式确定状态区间中第m个状态区间的右边界值ε_m：

式中，为风电场历史预测出力的预测误差的累积分布函数的反函数，M为状态区间总数，则所述状态区间包括：[ε₀,ε₁]、…、[ε_m-1,ε_m]、…、[ε_M-1,ε_M]；

若风电场历史时刻t预测出力的预测误差属于状态区间[ε_m-1,ε_m]，则风电场历史时刻t预测出力的预测误差处于状态区间[ε_m-1,ε_m]。

进一步地，所述根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数，包括：

按下式确定第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第j个状态区间的状态转移的概率p_ij：

式中，n_ij为第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第j个状态区间的个数，其中，i∈[1,M],j∈[1,M]；

按下式确定第i个状态区间中风电场历史预测出力的预测误差状态转移至第j个状态区间的累积状态转移的概率

式中，p_ik为第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第k个状态区间的状态转移的概率，k∈[1,j]；

则所述累积状态转移概率矩阵P^cum为：

按下式确定风电场历史预测出力的预测误差属于第m个状态区间[ε_m-1,ε_m]的条件概率累积分布函数

式中，x_s为处于第m个状态区间[ε_m-1,ε_m]的第s个风电场历史预测出力的预测误差；n为处于第m个状态区间[ε_m-1,ε_m]的风电场历史预测出力的预测误差的个数。

与最接近的现有技术相比，本发明具有的有益效果：

本发明提供的一种风电场随机出力场景生成方法及装置，利用预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数确定风电场预测出力的预测误差，根据所述风电场预测出力的预测误差和风电场预测出力确定预测周期内风电场的随机出力场景；在预测误差的累积状态转移概率矩阵和条件概率累积分布函数的获取过程中，采用等概率的方法划分状态区间和核密度估计方法得到条件概率累积分布函数，提高了状态区间内的样本数量和样本分布拟合的精度，进而提高了风电场风电出力的准确性。

附图说明

图1是本发明风电场随机出力场景生成方法流程图；

图2a是本发明实施例中历史预测出力的预测误差在状态区间1的条件概率累积分布函数；

图2b是本发明实施例中历史预测出力的预测误差在状态区间5的条件概率累积分布函数；

图3是本发明风电场随机出力场景生成装置结构示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供了一种风电场随机出力场景生成方法，如图1所示，包括：

步骤1.利用预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数确定风电场预测出力的预测误差；

步骤2.根据所述风电场预测出力的预测误差和风电场预测出力确定预测周期内风电场的随机出力场景；

其中，所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数根据风电场历史预测出力的预测误差获取。

优选的技术方案中，步骤1具体包括：

S1.初始化预测时刻l＝1；

S2.令风电场预测出力的预测误差处于第a个状态区间及第a个状态区间对应的累积状态转移概率值为b，其中，1≤a≤M，M为状态区间总数，0≤b≤1；

S3.若累积状态转移概率值b与预先获取的预测误差的累积状态转移概率矩阵的第a行第q列的元素相等，或者介于预先获取的预测误差的累积状态转移概率矩阵的第a行第q列的元素及的第a行第q+1列的元素之间，则预测时刻l风电场预测出力的预测误差处于第q个状态区间，其中，1≤q≤M；

S4.随机生成预测时刻l风电场预测出力的预测误差处于第q个状态区间对应的累积状态转移概率值y，并按下式确定预测时刻l风电场预测出力的预测误差ε_l：

式中，为预测误差处于第q个状态区间的条件概率累积分布函数的反函数；

S5.若预测时刻l为预测周期的最后时刻，则输出预测周期内所有预测时刻的风电场预测出力的预测误差，否则，令l＝l+1、a＝q和b＝y，返回步骤S2。

优选的技术方案中，步骤2具体包括：

按下式确定预测周期内风电场的随机出力场景Θ：

Θ＝[p₁+ε₁,p₂+ε₂,...,p_l+ε_l...,p_T+ε_T]

式中，p_l为风电场预测时刻l的预测出力，T为风电场预测时刻总数。

若所述预测周期内风电场随机出力场景中风电场预测时刻的预测出力和预测误差之和(风电出力)均介于区间[0,1]，则保留该预测周期内风电场随机出力场景，否则重新获取该预测周期内风电场随机出力场景；其中，风电场预测时刻的预测出力为介于区间[0,1]归一化值；

则风电场的随机出力场景集合为：

式中，K为风电场的随机出力场景总数。

优选的技术方案中，获取预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数根据风电场历史预测出力的预测误差的过程包括：

利用风电场历史预测出力的预测误差的累积分布函数确定所述风电场历史预测出力的预测误差对应的状态区间；

根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数。

进一步地，所述利用所述风电场历史预测出力的预测误差的累积分布函数确定所述风电场历史预测出力的预测误差对应的状态区间，包括：

按下式确定所述风电场历史预测出力的预测误差的累积分布函数

式中，h为带宽，N为风电场历史预测出力的预测误差的样本总数，x_t为风电场历史时刻t预测出力的预测误差，Φ(·)为标准正态分布的累积分布函数，x为自变量；

利用所述风电场历史预测出力的预测误差的累积分布函数，按下式确定状态区间中第m个状态区间的右边界值ε_m：

式中，为风电场历史预测出力的预测误差的累积分布函数的反函数，M为状态区间总数，则所述状态区间包括：[ε₀,ε₁]、…、[ε_m-1,ε_m]、…、[ε_M-1,ε_M]；历史预测出力的预测误差为归一化值，因此，状态区间总体范围介于区间[0,1]。

若风电场历史时刻t预测出力的预测误差属于状态区间[ε_m-1,ε_m]，则风电场历史时刻t预测出力的预测误差处于状态区间[ε_m-1,ε_m]。

进一步地，所述根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数，包括：

按下式确定第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第j个状态区间的状态转移的概率p_ij：

式中，n_ij为第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第j个状态区间的个数，其中，i∈[1,M],j∈[1,M]；具体地，基于马尔可夫原理，若历史时刻t的预测出力的预测误差属于区间i，历史时刻t+1的预测出力的预测误差属于区间j，则n_ij＝1。

按下式确定第i个状态区间中风电场历史预测出力的预测误差状态转移至第j个状态区间的累积状态转移的概率

式中，p_ik为第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第k个状态区间的状态转移的概率，k∈[1,j]；

则所述累积状态转移概率矩阵P^cum为：

按下式确定风电场历史预测出力的预测误差属于第m个状态区间[ε_m-1,ε_m]的条件概率累积分布函数

式中，x_s为处于第m个状态区间[ε_m-1,ε_m]的第s个风电场历史预测出力的预测误差；n为处于第m个状态区间[ε_m-1,ε_m]的风电场历史预测出力的预测误差的个数。

为了进一步说明本发明风电场随机出力场景生成方法的优点，在具体的实施例中，采本发明的方法基于某风电场全年15分钟的预测出力的历史预测误差生成的某风电场某日96时内的5个随机出力场景。

在本发明的实施例中，利用本发明的方法划分的状态区间明显优于现有技术中等分划分状态区间，如表1所示：

表1本发明方法和等分划分方法划分的状态区间对比

从表1可以看出本发明采用的等概率方法划分的状态区间，历史预测误差均衡分布在区间[-1,1]，而等分方法划分的状态区间，各状态区间的样本数量相差较多。

利用本发明的方法拟合得到的历史预测出力的预测误差在状态区间1和状态区间5的条件概率累积分布函数如图2a和图2b所示，从图2a和图2b可知，历史预测出力的预测误差在状态区间内并非均匀分布，随机变量若符合均匀分布，则其累积分布函数为一条直线，因此，利用本发明的方法和均匀分布采样方法得到的条件概率累积分布函数更加接近历史预测误差的累积分布函数。

本发明还提供一种风电场随机出力场景生成装置，如图3所示，包括：

预测误差确定单元，用于利用预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数确定风电场预测出力的预测误差；

随机出力场景确定单元，用于根据所述风电场预测出力的预测误差和风电场预测出力确定预测周期内风电场的随机出力场景；

其中，所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数根据风电场历史预测出力的预测误差获取。

优选的技术方案中，所述预测误差确定单元用于：

S1.初始化预测时刻l＝1；

S2.令风电场预测出力的预测误差处于第a个状态区间及第a个状态区间对应的累积状态转移概率值为b，其中，1≤a≤M，M为状态区间总数，0≤b≤1；

S3.若累积状态转移概率值b与预先获取的预测误差的累积状态转移概率矩阵的第a行第q列的元素相等，或者介于预先获取的预测误差的累积状态转移概率矩阵的第a行第q列的元素及的第a行第q+1列的元素之间，则预测时刻l风电场预测出力的预测误差处于第q个状态区间，其中，1≤q≤M；

S4.随机生成预测时刻l风电场预测出力的预测误差处于第q个状态区间对应的累积状态转移概率值y，并按下式确定预测时刻l风电场预测出力的预测误差ε_l：

式中，为预测误差处于第q个状态区间的条件概率累积分布函数的反函数；

S5.若预测时刻l为预测周期的最后时刻，则输出预测周期内所有预测时刻的风电场预测出力的预测误差，否则，令l＝l+1、a＝q和b＝y，返回步骤S2。

优选的技术方案中，所述随机出力场景确定单元用于：

按下式确定预测周期内风电场的随机出力场景Θ：

Θ＝[p₁+ε₁,p₂+ε₂,...,p_l+ε_l...,p_T+ε_T]

式中，p_l为风电场预测时刻l的预测出力，T为风电场预测时刻总数。

优选的技术方案中，获取预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数根据风电场历史预测出力的预测误差的过程包括：

利用风电场历史预测出力的预测误差的累积分布函数确定所述风电场历史预测出力的预测误差对应的状态区间；

根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数。

进一步地，所述根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数，包括：

按下式确定所述风电场历史预测出力的预测误差的累积分布函数

式中，h为带宽，N为风电场历史预测出力的预测误差的样本总数，x_t为风电场历史时刻t预测出力的预测误差，Φ(·)为标准正态分布的累积分布函数，x为自变量；

利用所述风电场历史预测出力的预测误差的累积分布函数，按下式确定状态区间中第m个状态区间的右边界值ε_m：

式中，为风电场历史预测出力的预测误差的累积分布函数的反函数，M为状态区间总数，则所述状态区间包括：[ε₀,ε₁]、…、[ε_m-1,ε_m]、…、[ε_M-1,ε_M]；

若风电场历史时刻t预测出力的预测误差属于状态区间[ε_m-1,ε_m]，则风电场历史时刻t预测出力的预测误差处于状态区间[ε_m-1,ε_m]。

进一步地，所述根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数，包括：

按下式确定第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第j个状态区间的状态转移的概率p_ij：

式中，n_ij为第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第j个状态区间的个数，其中，i∈[1,M],j∈[1,M]；

按下式确定第i个状态区间中风电场历史预测出力的预测误差状态转移至第j个状态区间的累积状态转移的概率

式中，p_ik为第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第k个状态区间的状态转移的概率，k∈[1,j]；

则所述累积状态转移概率矩阵P^cum为：

按下式确定风电场历史预测出力的预测误差属于第m个状态区间[ε_m-1,ε_m]的条件概率累积分布函数

式中，x_s为处于第m个状态区间[ε_m-1,ε_m]的第s个风电场历史预测出力的预测误差；n为处于第m个状态区间[ε_m-1,ε_m]的风电场历史预测出力的预测误差的个数。

综上所述，本发明提供的一种风电场随机出力场景生成方法及装置，利用预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数确定风电场预测出力的预测误差，根据所述风电场预测出力的预测误差和风电场预测出力确定预测周期内风电场的随机出力场景；在预测误差的累积状态转移概率矩阵和条件概率累积分布函数的获取过程中，采用等概率的方法划分状态区间和核密度估计方法得到条件概率累积分布函数，提高了状态区间内的样本数量和样本分布拟合的精度，进而提高了风电场风电出力的准确性。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (12)

1.一种风电场随机出力场景生成方法，其特征在于，所述方法包括：

步骤1.利用预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数确定风电场预测出力的预测误差；

步骤2.根据所述风电场预测出力的预测误差和风电场预测出力确定预测周期内风电场的随机出力场景；

其中，所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数根据风电场历史预测出力的预测误差获取。

2.如权利要求1所述的方法，其特征在于，所述利用预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数确定风电场预测出力的预测误差，包括：

S1.初始化预测时刻l＝1；

S2.令风电场预测出力的预测误差处于第a个状态区间及第a个状态区间对应的累积状态转移概率值为b，其中，1≤a≤M，M为状态区间总数，0≤b≤1；

S3.若累积状态转移概率值b与预先获取的预测误差的累积状态转移概率矩阵的第a行第q列的元素相等，或者介于预先获取的预测误差的累积状态转移概率矩阵的第a行第q列的元素及的第a行第q+1列的元素之间，则预测时刻l风电场预测出力的预测误差处于第q个状态区间，其中，1≤q≤M；

S4.随机生成预测时刻l风电场预测出力的预测误差处于第q个状态区间对应的累积状态转移概率值y，并按下式确定预测时刻l风电场预测出力的预测误差ε_l：

式中，为预测误差处于第q个状态区间的条件概率累积分布函数的反函数；

S5.若预测时刻l为预测周期的最后时刻，则输出预测周期内所有预测时刻的风电场预测出力的预测误差，否则，令l＝l+1、a＝q和b＝y，返回步骤S2。

3.如权利要求1所述的方法，其特征在于，所述根据所述风电场预测出力的预测误差和风电场预测出力确定预测周期内风电场的随机出力场景，包括：

按下式确定预测周期内风电场的随机出力场景Θ：

Θ＝[p₁+ε₁,p₂+ε₂,...,p_l+ε_l...,p_T+ε_T]

式中，p_l为风电场预测时刻l的预测出力，T为风电场预测时刻总数。

4.如权利要求1所述的方法，其特征在于，获取预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数根据风电场历史预测出力的预测误差的过程包括：

利用风电场历史预测出力的预测误差的累积分布函数确定所述风电场历史预测出力的预测误差对应的状态区间；

根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数。

5.如权利要求4所述的方法，其特征在于，所述利用所述风电场历史预测出力的预测误差的累积分布函数确定所述风电场历史预测出力的预测误差对应的状态区间，包括：

按下式确定所述风电场历史预测出力的预测误差的累积分布函数

式中，h为带宽，N为风电场历史预测出力的预测误差的样本总数，x_t为风电场历史时刻t预测出力的预测误差，Φ(·)为标准正态分布的累积分布函数，x为自变量；

利用所述风电场历史预测出力的预测误差的累积分布函数，按下式确定状态区间中第m个状态区间的右边界值ε_m：

式中，为风电场历史预测出力的预测误差的累积分布函数的反函数，M为状态区间总数，则所述状态区间包括：[ε₀,ε₁]、…、[ε_m-1,ε_m]、…、[ε_M-1,ε_M]；

若风电场历史时刻t预测出力的预测误差属于状态区间[ε_m-1,ε_m]，则风电场历史时刻t预测出力的预测误差处于状态区间[ε_m-1,ε_m]。

6.如权利要求4所述的方法，其特征在于，所述根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数，包括：

按下式确定第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第j个状态区间的状态转移的概率p_ij：

式中，n_ij为第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第j个状态区间的个数，其中，i∈[1,M],j∈[1,M]；

按下式确定第i个状态区间中风电场历史预测出力的预测误差状态转移至第j个状态区间的累积状态转移的概率

式中，p_ik为第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第k个状态区间的状态转移的概率，k∈[1,j]；

则所述累积状态转移概率矩阵P^cum为：

按下式确定风电场历史预测出力的预测误差属于第m个状态区间[ε_m-1,ε_m]的条件概率累积分布函数

式中，x_s为处于第m个状态区间[ε_m-1,ε_m]的第s个风电场历史预测出力的预测误差；n为处于第m个状态区间[ε_m-1,ε_m]的风电场历史预测出力的预测误差的个数。

7.一种风电场随机出力场景生成装置，其特征在于，所述装置包括：

预测误差确定单元，用于利用预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数确定风电场预测出力的预测误差；

随机出力场景确定单元，用于根据所述风电场预测出力的预测误差和风电场预测出力确定预测周期内风电场的随机出力场景；

其中，所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数根据风电场历史预测出力的预测误差获取。

8.如权利要求7所述的装置，其特征在于，所述预测误差确定单元具体用于：

S1.初始化预测时刻l＝1；

S2.令风电场预测出力的预测误差处于第a个状态区间及第a个状态区间对应的累积状态转移概率值为b，其中，1≤a≤M，M为状态区间总数，0≤b≤1；

S3.若累积状态转移概率值b与预先获取的预测误差的累积状态转移概率矩阵的第a行第q列的元素相等，或者介于预先获取的预测误差的累积状态转移概率矩阵的第a行第q列的元素及的第a行第q+1列的元素之间，则预测时刻l风电场预测出力的预测误差处于第q个状态区间，其中，1≤q≤M；

S4.随机生成预测时刻l风电场预测出力的预测误差处于第q个状态区间对应的累积状态转移概率值y，并按下式确定预测时刻l风电场预测出力的预测误差ε_l：

式中，为预测误差处于第q个状态区间的条件概率累积分布函数的反函数；

S5.若预测时刻l为预测周期的最后时刻，则输出预测周期内所有预测时刻的风电场预测出力的预测误差，否则，令l＝l+1、a＝q和b＝y，返回步骤S2。

9.如权利要求7所述的装置，其特征在于，所述随机出力场景确定单元具体用于：

按下式确定预测周期内风电场的随机出力场景Θ：

Θ＝[p₁+ε₁,p₂+ε₂,...,p_l+ε_l...,p_T+ε_T]

式中，p_l为风电场预测时刻l的预测出力，T为风电场预测时刻总数。

10.如权利要求7所述的装置，其特征在于，获取预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数根据风电场历史预测出力的预测误差的过程包括：

利用风电场历史预测出力的预测误差的累积分布函数确定所述风电场历史预测出力的预测误差对应的状态区间；

根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数。

11.如权利要求10所述的装置，其特征在于，所述利用风电场历史预测出力的预测误差的累积分布函数确定所述风电场历史预测出力的预测误差对应的状态区间，包括：

按下式确定所述风电场历史预测出力的预测误差的累积分布函数

式中，h为带宽，N为风电场历史预测出力的预测误差的样本总数，x_t为风电场历史时刻t预测出力的预测误差，Φ(·)为标准正态分布的累积分布函数，x为自变量；

利用所述风电场历史预测出力的预测误差的累积分布函数，按下式确定状态区间中第m个状态区间的右边界值ε_m：

式中，为风电场历史预测出力的预测误差的累积分布函数的反函数，M为状态区间总数，则所述状态区间包括：[ε₀,ε₁]、…、[ε_m-1,ε_m]、…、[ε_M-1,ε_M]；

若风电场历史时刻t预测出力的预测误差属于状态区间[ε_m-1,ε_m]，则风电场历史时刻t预测出力的预测误差处于状态区间[ε_m-1,ε_m]。

12.如权利要求10所述的装置，其特征在于，所述根据所述风电场历史预测出力的预测误差对应的状态区间确定所述预先获取的预测误差的累积状态转移概率矩阵和条件概率累积分布函数，包括：

按下式确定第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第j个状态区间的状态转移的概率p_ij：

式中，n_ij为第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第j个状态区间的个数，其中，i∈[1,M],j∈[1,M]；

按下式确定第i个状态区间中风电场历史预测出力的预测误差状态转移至第j个状态区间的累积状态转移的概率

式中，p_ik为第i个状态区间中风电场历史预测出力的预测误差在下一时刻状态转移至第k个状态区间的状态转移的概率，k∈[1,j]；

则所述累积状态转移概率矩阵P^cum为：

按下式确定风电场历史预测出力的预测误差属于第m个状态区间[ε_m-1,ε_m]的条件概率累积分布函数

式中，x_s为处于第m个状态区间[ε_m-1,ε_m]的第s个风电场历史预测出力的预测误差；n为处于第m个状态区间[ε_m-1,ε_m]的风电场历史预测出力的预测误差的个数。