- 頭條南京理工大學科研人員提出風電功率序列建模的新方法2022-04-28 作者：李嬌、楊偉 | 來源：《電氣技術》 | 點擊率：導語為了構建準確的風電功率時間序列模型，提高風電功率的建模精度，南京理工大學自動化學院的研究人員李嬌、楊偉，在2022年第1期《電氣技術》上撰文，提出一種基于狀態數決策模型的馬爾科夫鏈-蒙特卡洛（MCMC）法。實例分析表明，該方法生成的風電功率序列在各評價指標上均優于現有的方法，能更好地復現歷史功率的數據特征。
風能作為新能源的重要組成部分，已成為發展最迅速、最具潛力的可再生綠色能源。隨著風電滲透率的提高，風電出力的隨機性、間歇性及波動性等不確定性增加了風電功率的建模難度，對電網的風電接納能力、靈活性評估及可靠性分析等提出了新的挑戰。
目前，風電功率建模主要分為間接法和直接法。間接法是根據風速模型生成風速序列，利用風速和風電功率的關系對風電出力進行建模。直接法是基于歷史數據直接生成與原始功率序列具有相似特征的風電功率序列，避免了由風速轉化為風電功率造成的引入誤差。直接建模方法有支持向量機、神經網絡法及馬爾科夫鏈-蒙特卡洛（Markov chain Monte Carlo, MCMC）模擬法等，其中MCMC模擬法能夠根據歷史數據特征和概率分布特性建立數據的模擬特性，不需要大量的歷史數據作為訓練樣本，具有更強的適用性。
有文獻考慮風電功率的不同特性，對不同月份和時段進行劃分，生成相應的狀態轉移概率矩陣。有文獻考慮風電功率的時域特性提出持續與波動蒙特卡羅（persistence and variation-Monte Carlo, PV-MC）法，有效解決了傳統MCMC法容易陷入某一狀態難以跳變的問題。
有文獻在狀態數的選取與功率值的隨機采樣兩方面進行改進并提出優選狀態數的MCMC（optimizing state number Markov chain Monte Carlo, OSN-MC）法，但狀態數的選取僅考慮自相關系數，難以保證生成序列的概率特性。有文獻通過K-means聚類分析選取類間的最優狀態數，以天為單位生成風電功率序列，但各天起始點功率容易出現跳變，需要處理模擬序列的銜接問題。有文獻考慮風電功率的分類精度和建模質量，提出一種狀態數優化決策模型，同時考慮風電功率的持續性，建立三維狀態轉移矩陣，適用于短時內無劇烈跳變的場景。
上述文獻存在三方面的不足：①采用反函數法生成狀態序列，需要大規模的樣本容量才能達到平穩分布，計算效率不高，且在各狀態間的轉換迭代次數較多；②較少涉及對原始功率序列的濾波處理，而噪聲的存在容易造成風電功率狀態劃分的誤差；③大多依賴人工經驗劃分狀態數，難以保證生成功率序列的概率特性和自相關性，而構造的狀態數決策模型較為復雜，增加了風電功率序列建模的時間和空間復雜度。
針對上述問題，南京理工大學自動化學院的研究人員采用滑動平均濾波法對原始功率序列進行濾波處理，避免噪聲混疊對狀態劃分的影響；采用Metropolis-Hastings算法生成風電功率的狀態序列，解決傳統MCMC法計算效率和精度不高的問題。考慮風電功率序列的相關性，利用前一時刻的功率值與波動量及噪聲疊加。最后，根據不同狀態數對生成功率序列的概率分布特性和自相關性的影響，利用兩種評價指標構建狀態數決策模型，獲得最優狀態數和最優生成功率。
他們指出，該方法通過兩種評價指標確定風電功率的最優狀態數，避免傳統MCMC法中人工經驗選取狀態數的不足，而且能夠保證生成功率序列與原始功率序列的一致性。
研究人員最后得到以下結論：
1）對歷史數據進行濾波，根據前一狀態的功率值添加波動量和噪聲，同時擴展添加噪聲的功率閾值，避免了原始功率序列在狀態劃分時出現的隸屬誤差，同時有效地解決了傳統MCMC法添加波動量和噪聲較為保守的問題。
2）采用M-H算法生成風電功率的狀態序列，避免了傳統MCMC法在各狀態間的循環迭代，極大地提高了MCMC模擬的計算效率。
3）通過綜合考慮風電生成功率的ACF和PDF來構建狀態數決策模型，確定最優狀態數及最優生成功率序列，避免人工選取狀態數的不足，提高了風電功率建模的精度。
4）與現有的MCMC法相比，本方法生成的風電功率序列除了滿足自相關性和概率分布特性外，在波動特性、轉移特性及時域特性上均能更好地復現歷史風電功率的數據特征，可用于風電并網系統的規劃和運行研究等。
本文編自2022年第1期《電氣技術》，論文標題為“基于狀態數決策模型的風電功率序列建模方法”，作者為李嬌、楊偉。
