團隊介紹

朱晨曦，博士研究生，研究方向為可再生能源并網、主動配電網運行優化及配電網可靠性評估。

張焰，教授，博導，研究方向為電力系統規劃與可靠性、電力系統穩定分析及智能配電網。

嚴正，教授，博導，研究方向為電力系統優化運行、電力系統穩定分析及電力市場。

祝錦舟，博士，研究方向為電網規劃及電力系統可靠性評估。

趙騰，博士，研究方向為大數據在智能電網中的應用。

導語

本文提出了基于三維狀態轉移概率矩陣的改進馬爾科夫鏈蒙特卡洛法，用于風電出力建模，為含風電場的電力系統概率潮流、隨機規劃及運行、可靠性評估等應用研究打下了較為堅實的基礎。與現有馬爾科夫鏈蒙特卡洛（Markov Chain Monte Carlo，MCMC）法進行對比分析，表明該方法能更好復現歷史數據特征（轉移、波動特征等），在提高建模精度的同時，并未增加狀態轉移概率矩陣生成算法的時間復雜度。

研究背景

含風電場的電力系統概率潮流、隨機規劃及運行、可靠性評估等應用研究大多基于時序模擬技術，即采用大量實測風電數據（數年甚至數十年的數據）進行仿真。然而，對于許多新建風電廠，其實測數據的長度無法滿足該技術的要求，此時風電功率序列建模十分必要。此外，隨著現代電力系統的復雜度、網密度及分布式資源滲透率的提高，即使存在相對大量的高質量歷史風電數據，也不足以支持時序模擬技術的運用，因此迫切需要開展風電功率序列建模研究。

論文所解決的問題及意義

鑒于風電功率序列建模研究的必要性和迫切性，本文提出一種既能增加建模精度，又能盡量保持建模經濟性的風電功率序列建模方法。

該方法通過結合風電功率的實際特征，對現有MCMC法進行改進，解決了以往基于MCMC法的風電功率序列建模研究中存在的兩個主要問題：1）主觀劃分風電功率序列；2）未考慮狀態持續時間對狀態轉移的影響。

論文方法及創新點

如圖1所示，本文在建模流程上可分為三步，依次為狀態劃分過程建模、狀態轉移過程建模及波動特征添加過程建模。

圖1 基于改進MCMC法的風電功率序列建模結構圖

第一步：通過研究面向隨機變量（風電功率）建模的滑動平均濾波參數尋優方法和構建狀態數優化決策模型（見式(1)），提出風電功率序列的自適應狀態劃分策略，客觀劃分歷史數據。

公式 (1)

第二步：針對現有方法難以計及狀態轉移概率隨狀態持續時間增長而變化的問題（見圖2），提出三維狀態轉移概率矩陣（見圖3）及其解維修正方法，抽樣生成人造風電功率狀態序列。

圖2 某一狀態的自跳變轉移概率

圖3 三維狀態轉移概率矩陣

第三步：在分析歷史數據波動量及噪聲的概率分布(見式(2))的基礎上，依次疊加波動量及噪聲，模擬出人造風電功率序列。

公式（2）

結論

1）與現有MCMC法相比，本文建模方法能更好地復現歷史數據的轉移、波動、功率值概率分布、自相關性及狀態持續時間概率分布等特征。

2）在風電功率序列的自適應狀態劃分策略中，提出的面向隨機變量建模的滑動平均濾波窗口長度自適應選取方法，以隨機變量建模輸出結果反饋調節窗口長度，能提高隨機變量建模對歷史數據自相關性的復現程度，從而為濾波參數的尋優方法提供了一種新思路；建立的狀態數優化決策模型綜合考慮了分類精度及MC模型建模質量指標，能實現狀態數的最優決策，避免了根據經驗預設狀態數，主觀劃分歷史數據的不足。

3）構建的三維狀態轉移概率矩陣能在不增加狀態轉移概率矩陣生成算法時間復雜度的基礎上，計及狀態持續時間對狀態轉移過程的影響，使得生成的人造風電功率狀態序列在更好復現歷史轉移特征的同時，不存在狀態持續時間過長的問題。

4）本文方法可推廣至其它隨機變量建模之中，尤其適用于隨機變量短時內無劇烈跳變的應用場景，如光伏出力及負荷大小序列建模等。

引用本文

朱晨曦, 張焰, 嚴正, 祝錦舟, 趙騰. 采用改進馬爾科夫鏈蒙特卡洛法的風電功率序列建模[J]. 電工技術學報, 2020, 35(3): 577-589. Zhu Chenxi, Zhang Yan, Yan Zheng, Zhu Jinzhou, Zhao Teng. A Wind Power Time Series Modeling Method Based on the Improved Markov Chain Monte Carlo Method. Transactions of China Electrotechnical Society, 2020, 35(3): 577-589.