[发明专利]一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法

权利要求书

1.一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法，其特征在于，包括以下步骤：

步骤1：按月划分光伏出力序列，计算各月光伏出力序列的最佳场景数；

步骤2：在步骤1的基础上计算各场景下的光伏出力状态转移矩阵和累积转移矩阵；

步骤3：计算各场景下的光伏出力Copula模型，分析各场景下的光伏出力时序特性；

步骤4：根据当前出力计算下一时刻出力，并叠加波动分量，循环模拟生成最终完整的光伏出力序列。

2.根据权利要求1所述的基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法，其特征在于：所述步骤1包括以下步骤：

步骤101：将历史数据按月划分成12组，并只保留每日从日出至日落时刻的数据，设置每月场景数目k的搜索范围[2，K]。考虑每月天数和天气类型，场景数目的搜索范围过大会分散相似数据且降低计算效率，因此本文设置其上限K＝5，初始k＝2。

步骤102：考虑光伏出力序列之间并没有明确的划分界限，本文采用模糊C均值聚类(fuzzy c-mean clustering，FCM)算法对每月时间序列分别进行不同k值下的内层优化，获得各月的聚类结果：聚类中心、各序列所属类别及隶属度。这是一种高效的基于划分的聚类算法，其聚类中心包含大量的原始数据信息。该算法的目标函数如下：

式中，c为聚类数；m为收敛因子；u_ij为原始向量y_j对应第i个聚类场景的隶属度函数，d_ij为原始向量y_j与聚类中心v_i的欧式距离。

步骤103：根据步骤102中内层优化后的结果计算其聚类有效性指标DB^(-),计算公式如下：

其中：

式中：d(v_k,v_j)表示类C_k的聚类中心v_k与类C_j的聚类中心v_j的距离；d(e_k)和d(e_j)分别为类C_k和类C_j内部样本到各自聚类中心的平均距离。当类内距离d(e_k)和d(e_j)越小，类间距离d(v_k,v_j)越大时，DB^(-)值越小，即意味着聚类效果越好。

步骤104：比较DB^(-)指标，其最大值所对应的k即为最佳聚类数，并输出最佳聚类结果。考虑光伏出力的日特性，将每月各场景的光伏出力序列细分为上午、下午时段。假定当月最佳聚类数为k,则当月光伏出力序列最终划分为2k个场景。

3.根据权利要求1所述的基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法，其特征在于：所述步骤2包括以下步骤：

步骤201：马尔科夫链是针对一系列离散时间、离散状态的具有马尔科夫性质的随机过程。假定某一条光伏出力序列的功率范围为(Pmin,Pmax)，即可将其抽象成一个离散状态数为N，每个状态所包涵的出力区间长度为(Pmax-Pmin)/N的随机过程，相邻时刻的状态转移概率定义为：

式中，z_t和z_t+1分别表示t和t+1时刻的状态，i、j为具体所属状态，n_ij为相邻时刻状态i→状态j的累计转移次数，n_ik同理。所有状态间的转移概率组成了状态转移矩阵P：

步骤202：根据转移概率定义已知，矩阵P中每行之和为1，且可推导出累积状态转移矩阵Q：

矩阵Q中的每一个元素取值为：