CN111027732B - 一种多风电场出力场景的生成方法及*** - Google Patents

Abstract

本发明提供了一种多风电场出力场景的生成方法及***，包括：基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵；基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差；基于各风电场的点预测出力值和所述风电场的预测误差，获得所有风电场的预测出力场景。本发明能够计及不同风电场预测误差之间的相关性，基于高斯隐马尔科夫模型的多个风电场预测出力场景生成方法，对不同风电场之间进行建模，所生成的风电场预测出力场景能够计及不同风电场之间的相关性，所得到的预测出力场景更加科学、合理，准确度高。

Description

一种多风电场出力场景的生成方法及***

技术领域

本发明涉及新能源发电领域，具体涉及一种多风电场出力场景的生成方法及***。

背景技术

传统的电力***短期优化调度需要基于风电出力的点预测结果，由于风电出力具有很强的随机性和波动性，导致点预测出力通常存在较大的误差，进而影响到调度计划的准确性。为考虑风电出力预测误差的不确定性，目前已经提出了基于风电预测出力场景的随机优化调度方法，该方法以一系列的风电预测出力场景为输入，通过优化求解得到在满足所有的风电出力场景期望意义最优下的调度计划。因此，风电预测出力场景是影响随机优化调度结果准确性的关键因素，但是，风电预测出力场景通常是在已有的风电点预测出力基础上加入随机的预测误差得到。

由于一般情况下，风电预测***仅提供点预测出力结果，因此，需要基于点预测出力结果，对不同风电场出力的预测误差进行建模，通过随机生成预测误差得到各风电场预测出力场景。但当电网接入多个距离相近的风电场时，优化模型需要以所有风电场的预测出力场景为输入，而由于距离相对较近，这些风电场通常会受相同天气过程的影响，其预测误差通常具有较强的相关性，但在生成这些风电场的预测出力场景时没有充分考虑相关性因素的影响。因此，所得到的预测出力场景之间相关性与实际偏差较大，影响了优化调度结果的准确性。

发明内容

为了解决现有技术中所存在的，在风电场预测出力场景生成方法中，未考虑各风电场之间预测误差的相关性，所得到的预测出力场景之间相关性与实际偏差较大，影响了优化调度结果的准确性问题，本发明提供一种多风电场出力场景的生成方法及***，首先，建立以风电场预测误差相关性关系为隐状态，以预测误差为输出的高斯隐马尔科夫模型；然后，基于风电场历史出力的预测误差样本来训练高斯隐马尔科夫模型参数；最后，通过蒙特卡洛仿真的方法生成满足预测误差相关性关系的多个风电场预测出力场景。

本发明提供的技术方案是：一种多风电场出力场景的生成方法，包括：

基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵；

基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差；

基于各风电场的点预测出力值和所述风电场的预测误差，获得所有风电场的预测出力场景。

优选的，所述基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵，包括：

基于多个风电场的实际出力值和对应点预测出力值，获得每个风电场的出力预测误差数据；

根据各风电场的出力预测误差数据确定所述多个风电场之间的相关性状态；

将所述相关性状态设置为所述高斯隐马尔科夫模型中隐状态，并设置所述隐状态的个数；

基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练，通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵；

基于每一个隐状态对应的高斯分布的均值向量和协方差矩阵确定多维高斯分布；

基于所述状态转移矩阵计算累积状态转移概率；

其中，所述累积状态转移概率矩阵由累积状态转移概率组成。

优选的，所述基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练，通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵，包括：

步骤101、为高斯隐马尔科夫模型中的状态转移矩阵，高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量设置初始值；

步骤102、计算训练周期内初始时刻下各隐状态的前向概率，并依次向前计算训练周期内其余所有时刻下各隐状态的前向概率；

步骤103、计算训练周期内终止时刻下各隐状态的后向概率，并依次向后计算训练周期内其余所有时刻下各隐状态的后向概率；

步骤104、基于多个风电场的出力预测误差数据构成的观测序列、各隐状态的前向概率和各隐状态的后向概率，计算任意时刻隐状态的条件概率；

步骤105、基于多个风电场的出力预测误差数据构成的观测序列、各隐状态的前向概率和各隐状态的后向概率，计算任意时刻隐状态和所述任意时刻的下一时刻隐状态的联合条件概率；

步骤106、基于所述条件概率和联合条件概率更新高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量；

步骤107、若更新后的高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量满足预设的收敛条件，则循环结束，按当前参数设置高斯隐马尔科夫模型，否则执行步骤102。

优选的，所述前向概率，按下式计算：

式中：α_t+1(j)：t+1时刻下隐状态为j的前向概率；π_j：风电场的隐状态为θ_j的概率；b_j(·)：隐状态为j的观测序列服从的概率分布；O₁：初始时刻下各风电场出力的历史观测序列；N：隐状态的个数；α_t(j)：t时刻下隐状态为j的前向概率；a_ij：状态转移矩阵A中第i行第j列t时刻的隐状态为θ_i，t+1时刻的隐状态转换为θ_j的概率；O_t+1：t+1时刻下各风电场出力的历史观测序列；

其中，风电场初始时刻隐状态的概率组成隐状态的概率分布向量。

优选的，所述后向概率，按下式计算：

式中：β_t(j)：t时刻下隐状态为j的后向概率；a_ji：状态转移矩阵A中第j行第i列t时刻的隐状态为θ_j，t+1时刻的隐状态转换为θ_i的概率；b_i(·)：隐状态为i的观测序列服从的概率分布；β_t+1(i)：t+1时刻下隐状态为i的后向概率；O_t+1：t+1时刻下各风电场出力的历史观测序列；T：训练周期的终止时刻；N：隐状态的个数。

优选的，所述任意时刻隐状态的条件概率，按下式计算：

式中：γ_t(j)：t时刻下隐状态j的条件概率；α_t(j)：t时刻下隐状态为j的前向概率；β_t(j)：t时刻下隐状态为j的后向概率；α_t(i)：t时刻下隐状态为i的前向概率；β_t(i)：t时刻下隐状态为i的后向概率；N：隐状态的个数。

优选的，所述联合条件概率，按下式计算：

式中：ξ_t(i,j)：t时刻下隐状态j的联合条件概率；α_t(j)：t时刻下隐状态为j的前向概率；a_ij：状态转移矩阵A中第i行第j列t时刻的隐状态为θ_i，t+1时刻的隐状态转换为θ_j的概率；b_j(·)：隐状态为j的观测序列服从的概率分布；O_t+1：t+1时刻下各风电场出力的历史观测序列；β_t+1(j)：t+1时刻下隐状态为j的后向概率；α_t(r)：t时刻下隐状态为r的前向概率；a_rs：状态转移矩阵A中第r行第s列t时刻的隐状态为θ_r，t+1时刻的隐状态转换为θ_s的概率；b_s(·)：隐状态为s的观测序列服从的概率分布；β_t+1(s)：t+1时刻下隐状态为s的后向概率；N：隐状态的个数。

优选的，所述基于所述条件概率和联合条件概率更新高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量，按下式更新：

π_j＝γ₁(j),j＝1,2,...,N

式中：π_j：风电场的相关状态为θ_j的概率；γ₁(j)：初始时刻下隐状态j的条件概率；N：隐状态的个数；

式中：a_ij：状态转移矩阵A中第i行第j列t时刻的隐状态为θ_i，t+1时刻的隐状态转换为θ_j的概率；ξ_t(i,j)：t时刻下隐状态j的联合条件概率；γ_t(j)：t时刻下隐状态j的条件概率；

式中：μ_j：隐状态为j的高斯分布的均值向量；O_t：t时刻下各风电场出力的历史观测序列；

式中：Σ_j：隐状态为j的高斯分布的协方差矩阵。

优选的，所述累积状态转移概率，按下式计算：

式中：c_ij：累积状态转移概率矩阵C中第i行第j列的累积状态转移概率；a_ik：状态转移矩阵A中第i行第k列t时刻的隐状态为θ_i，t+1时刻的隐状态转换为θ_k的概率。

优选的，所述多维高斯分布，按下式计算：

b_j(O)＝N(μ_j,Σ_j),1≤j≤N

式中：b_j(·)：多个风电场在隐状态为j的多维高斯分布；O：各风电场的出力数据组成的历史观测序列；

均值向量为/>

协方差矩阵为/>

的多维高斯分布。

优选的，所述基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差，包括：

基于所述累积状态转移概率矩阵确定预设周期内每一时刻所述多个风电场的相关性状态；

基于每一时刻所述多个风电场的相关性状态和对应的多维高斯分布，通过随机抽样生成所述时刻下每个风电场的预测误差。

优选的，所述基于所述累积状态转移概率矩阵确定预设周期内每一时刻所述多个风电场的相关性状态，包括：

基于隐状态的个数随机生成一个正整数作为预设周期中初始时刻多个风电场的相关性状态；

基于初始时刻多个风电场的相关性状态与所述累积状态转移概率矩阵迭代计算获得预设周期中其余时刻多个风电场的相关性状态。

优选的，所述基于初始时刻多个风电场的相关性状态与所述累积状态转移概率矩阵迭代计算获得预设周期中其余时刻多个风电场的相关性状态，包括：

步骤201、将所述初始时刻作为已知时刻；

步骤202、生成区间[0,1]内的随机数；

步骤203、所述随机数与所述累积状态转移概率矩阵中已知时刻对应行的所有元素进行比较，当随机数的大小位于所述已知时刻对应行相邻两列元素之间时，则确定下一时刻多个风电场的相关性状态为所述已知时刻对应行相邻两列中前一列对应的值；

步骤204、当所述下一时刻为预设周期的终止时刻时，则循环结束，输出预设周期内所有时刻对应的多个风电场的相关性状态；否则，将所述下一时刻作为已知时刻执行步骤202。

优选的，所述所有风电场的预测出力场景，如下式所示：

式中：Θ_k：M个风电场的第k组预测出力场景；

M个风电场在t_T时刻的点预测出力组成的向量；ε_M(t_T)：t_T时刻M个风电场的预测误差；/>

第M个风电场在t_T时刻的预测出力；M：风电场的个数；T：预测周期。

优选的，所述基于各风电场的点预测出力值和所述风电场的预测误差，获得所有风电场的预测出力场景，还包括：

基于所有风电场的预测出力场景循环生成预设数量的所有风电场的预测出力场景。

优选的，所述基于所有风电场的预测出力场景循环生成预设数量的所有风电场的预测出力场景，包括：

当所有风电场的预测出力场景的个数等于预设数量时，则获得预设数量的所有风电场的预测出力场景；

当所有风电场的预测出力场景的个数小于预设数量时，则继续基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差，基于每个风电场的点预测出力值和所述风电场的预测误差生成所述场景的预测出力，直到获得预设数量的所有风电场的预测出力场景；

其中，所述预设数量的所有风电场的预测出力场景为{Θ₁,Θ₂,...,Θ_K}；

式中：Θ_K：M个风电场的第K组预测出力；K：预设的预测出力组数。

基于同一发明构思，本发明还提供了一种多风电场出力场景的生成***，包括：

处理模块，用于基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵；

预测误差模块，用于基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差；

生成场景模块，用于基于各风电场的点预测出力值和所述风电场的预测误差，获得所有风电场的预测出力场景。

优选的，所述处理模块，包括：

生成预测误差数据子模块，用于基于多个风电场的实际出力值和对应点预测出力值，获得每个风电场的出力预测误差数据；

相关性状态子模块，用于根据各风电场的出力预测误差数据确定所述多个风电场之间的相关性状态；

设置子模块，用于将所述相关性状态设置为所述高斯隐马尔科夫模型中隐状态，并设置所述隐状态的个数；

迭代子模块，用于基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练，通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵；

多维高斯分布子模块，用于基于每一个隐状态对应的高斯分布的均值向量和协方差矩阵确定多维高斯分布；

累积状态转移概率子模块，用于基于所述状态转移矩阵计算累积状态转移概率；

其中，所述累积状态转移概率矩阵由累积状态转移概率组成。

与现有技术相比，本发明的有益效果为：

本发明提供的技术方案，基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵；基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差；基于各风电场的点预测出力值和所述风电场的预测误差，获得所有风电场的预测出力场景，该方法能够计及不同风电场预测误差之间的相关性，提高了所生成的风电预测出力场景的准确性。

本发明提供的技术方案，基于高斯隐马尔科夫模型的多个风电场预测出力场景生成方法，对不同风电场之间进行建模，所生成的风电预测出力场景能够计及不同风电场之间的相关性，所得到的预测出力场景更加科学、合理。

本发明提供的技术方案，不受风电场个数的限制，能够同时多个风电场预测出力场景的生成。

本发明提供的技术方案，所生成的预测出力场景很好的反映了各风电场之间预测误差的相关性。

附图说明

图1为本发明多风电场出力场景的生成方法流程图；

图2为本发明中隐马尔科夫模型的结构示意图；

图3为本发明实施例提供的两个风电场的预测出力场景集合效果示意图；

图4为本发明实施例提供的两个风电场预测出力场景的互相关系数结果示意图。

具体实施方式

为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。

在随机优化调度方法的框架下，电网调度中心会以一系列的风电预测出力场景为输入，通过优化求解得到在满足所有的风电出力场景期望意义最优下的调度计划。由于风电出力具有很强的随机性和波动性，风电预测出力场景通常是在点预测出力的基础上通过加入随机的预测误差得到。目前针对多个风电场生成预测出力场景时，并没有充分考虑各风电场之间的相关性因素，影响了所生成的预测出力场景的准确性，最终导致得到的调度计划误差较大。

目前已有的风电场预测出力场景生成方法中，并未考虑各风电场之间预测误差的相关性，各风电场出力的预测误差是通过独立抽样得到的，因此，所得到的预测出力场景之间相关性与实际偏差较大，影响了优化调度结果的准确性。针对以上不足，本发明提出了一种基于高斯隐马尔科夫模型(Gaussian Hidden Markov Model，GHMM)的多个风电场预测出力场景生成方法，该方法能够计及不同风电场预测误差之间的相关性，所生成的风电预测出力场景能够计及不同风电场之间的相关性，所得到的预测出力场景更加科学、合理，使得通过风电预测出力场景生成的调度方法准确度更高。

实施例1：

图1为本发明多个风电场的多个预测出力场景的生成方法流程图，如图1所示，包括：

S1、基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵；

S2、基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差；

S3、基于各风电场的点预测出力值和所述风电场的预测误差，获得所有风电场的预测出力场景。

具体包括：

步骤101.考虑预测误差相关性的高斯隐马尔科夫模型建模

本发明采用高斯隐马尔科夫模型对多个风电场的相关性进行建模。高斯隐马尔科夫模型是由隐状态序列和观测序列组成的双重随机过程；隐状态序列是由一个隐藏的马尔科夫链进行描述，每个隐状态对应一组观测序列，最后形成一个隐状态序列和观测序列。

高斯隐马尔科夫模型如图2所示，{Q₁,Q₂,...,Q_t}为各时刻下的隐状态序列，是不可观测量；{O₁,O₂,...,O_t}是观测序列；图中的横向箭头表示在相邻两个时刻下隐状态之间的转换，竖向箭头表示从隐状态向观测量的输出。

高斯隐马尔科夫模型中假设隐状态和观测量具有马尔科夫性，即：

第一个公式表明，任意时刻的状态仅依赖于前一时刻的状态，第二个公式表明，任意时刻的观测量仅依赖于当前时刻的状态。

本发明采用高斯隐马尔科夫模型，其数学模型描述如下：

1)假设隐状态变量的可能取值为θ₁,θ₂,...,θ_N，N为隐状态的数目，则t时刻下隐状态的取值范围为Q_t∈{θ₁,θ₂,...,θ_N}；假设观测量包含M个元素，即O_t为M维列向量。

2)初始时刻隐状态的概率分布向量为π＝[π₁,π₂,...,π_N]^T，其中

π_j＝P(Q₁＝θ_j),1≤j≤N

表示t₁时刻的隐状态为θ_j时的概率。

3)将状态变量用离散的马尔科夫链进行描述，状态转移矩阵A＝(a_ij)_N×N，为N×N的矩阵，其中第i行第j的元素为：

a_ij＝P(Q_t+1＝θ_j|Q_t＝θ_i),1≤i,j≤N

a_ij表示t时刻状态为θ_i，t+1时刻状态转换为θ_j的概率。

4)观测概率B＝{b_j(O),j＝1,2,...,N}，其中

b_j(O)＝N(μ_j,Σ_j),1≤j≤N

b_j(x)表示状态为j时观测变量O服从的概率分布。

本实施例中假设观测变量服从M维高斯分布，其中μ_j表示状态j对应的高斯分布的均值向量，Σ_j为状态j对应的高斯分布的协方差矩阵，用μ＝{μ₁,μ₂,...,μ_N}和Σ＝{Σ₁,Σ₂,...,Σ_N}表示所有N个隐状态对应的高斯分布均值向量和协方差矩阵的集合。

本发明中采用高斯隐马尔科夫模型进行多个风电场相关性的建模，具体建模方法包括：

将多个风电场出力预测误差的相关性状态作为高斯隐马尔科夫模型的隐状态，每个时刻对应一个离散的隐状态，设隐状态个数为N，规定隐状态的取值为1至N之间的正整数，即θ₁＝1,θ₂＝2,...,θ_N＝N；

将各个风电场归一化出力的预测误差作为高斯隐马尔科夫模型的观测量，即观测量为当前时刻所有风电场出力的预测误差组成的向量。

此时，所建立的高斯隐马尔科夫模型可用多元组λ＝(A,μ,Σ,π)来进行表示。

步骤102、高斯隐马尔科夫模型参数估计

基于时刻1,2,...,T风电场出力预测误差的历史观测序列O＝{O₁,O₂,...,O_T}，对步骤101中所建立的高斯隐马尔科夫模型的参数λ＝(A,μ,Σ,π)进行估计。采用前向-后向算法(Baum Welch算法)估计高斯隐马尔科夫模型的参数，其目标是在已知观测序列O的情况下，使得概率P(O|λ)最大。

Baum Welch算法的基本流程如下：

1)随机初始化所有参数λ＝(A,μ,Σ,π)；

2)计算时刻1的各个隐状态的前向概率：

α₁(j)＝π_jb_j(O₁),j＝1,2,...,N

递推计算时刻2,...,T的前向概率：

3)初始时刻T的各个隐状态的后向概率：

β_T(j)＝1,j＝1,2,...,N

递推计算时刻T-1,T-2,...,1时刻的后向概率：

4)计算在给定模型参数λ＝(A,μ,Σ,π)和观测序列O，时刻t状态的条件概率：

5)计算在给定模型参数λ＝(A,μ,Σ,π)和观测序列O，时刻t和t+1状态的联合条件概率：

6)更新模型参数λ＝(A,μ,Σ,π)：

π_j＝γ₁(j),j＝1,2,...,N

7)判断更新前后的参数是否收敛，若未收敛，则重复执行步骤2)至7)；若收敛，则算法结束。

通过以上的Baum Welch算法，便可得到高斯隐马尔科夫模型的参数λ＝(A,μ,Σ,π)。

步骤103、计算高斯隐马尔科夫模型的累积状态转移概率矩阵

高斯隐马尔科夫模型的状态转移矩阵即描述了不同状态的概率转移特性，采用蒙特卡洛仿真的方式随机生成多个风电场的预测出力场景时，需要基于累积状态转移概率矩阵。

由高斯隐马尔科夫模型的状态转移矩阵A＝(a_ij)_N×N，计算其对应的累积状态转移概率矩阵C＝(c_ij)_N×(N+1)。

累积状态转移矩阵的各元素计算方式如下：

c_ij为C中的第i行、第j列元素，表示相关性状态在当前时刻为θ_i，在下一时刻处于θ₁,...,θ_j状态的概率总和。

步骤201、基于蒙特卡洛仿真的多个风电场预测出力场景生成

假设所需生成的风电场预测出力场景对应的时段范围为{t₁,t₂,...,t_T}，该时段下所有风电场的点预测出力为：

其中，M为风电场个数，

表示M个风电场在t时刻的点预测出力组成的向量。

假设需要生成的风电场预测出力场景个数为K，则场景生成步骤如下：

1)基于风电场历史预测误差数据，通过Baum Welch算法训练模型，得到隐马尔科夫模型参数λ＝(A,μ,Σ,π)；

2)假设当前生成第k个随机场景，在初始t₁时刻，随机生成1至N之间的正整数q₁，则t₁时刻M个风电场之间的相关性状态Q₁＝q₁，基于多维高斯分布

生成随机向量[ε₁(t₁),ε₂(t₁),...,ε_M(t₁)]，将其作为t₁时刻M个风电场的预测误差；

3)假设当前时刻为t_l,1≤l≤T，相关性状态Q_l＝q_l，基于[0,1]均匀分布，生成区间[0,1]内的随机数x_l，将与累积状态转移概率矩阵C中第q_l行的所有元素进行比较，当x_l的大小位于该行第y列元素和第y+1列元素之间时，则可确定t_l+1时刻相关性状态Q_l+1＝y；

4)基于多维高斯分布

生成随机向量[ε₁(t_l+1),ε₂(t_l+1),...,ε_M(t_l+1)]，将其作为t_l+1时刻M个风电场的预测误差；

5)判断t_l+1时刻是否为最后一个时刻t_T，若不是，则重复步骤3)至5)，若是，则得到时刻t₁,t₂,...,t_T下，M个风电场的第k个预测出力场景：

6)判断k是否等于K，若不是，则重复步骤2)至5)，若是，则得到时刻t₁,t₂,...,t_T下，M个风电场的K个预测出力场景集合{Θ₁,Θ₂,...,Θ_K}。

由以上步骤可知，所提出方法不受风电场个数的限制，能够同时多个风电场预测出力场景的生成。

本实施例选取某2个风电场进行所提出方法测试，采用全年15分钟的出力预测误差数据来训练高斯隐马尔科夫模型。图3展示了两个风电场某日96点的实际出力、点预测出力和生成的10个风电出力预测场景。其中，点加实线为实际出力曲线，点星加实线为点预测出力曲线，其余实线为10个预测出力场景曲线。结果显示两个风电场的预测出力场景均能较好的覆盖点预测出力和实际预测出力，验证了本专利方法的有效性。

采用互相关系数来描述各风电场之间预测误差的相关性，互相关系数描述了两个时间序列在不同时间间隔下的相关系数大小，能够反映出两个时间序列的相关性随时间的变化情况。附图4展示了两个风电场实际出力、点预测出力和10个预测出力场景的互相关系数结果。其中，加粗的实线为实际出力的互相关系数，有空心方框连成的线为点预测出力的互相关系数，其余虚线为10个预测出力场景的互相关系数。结果显示10个预测出力场景的互相关系数能够较好的覆盖点预测出力和实际出力的互相关系数的变化范围，而且互相关系数随时间的变化趋势相一致，与实际预测出力的互相关系数之间偏差较小。这说明本专利提出的方法所生成的预测出力场景很好的反映了各风电场之间预测误差的相关性，验证了方法的有效性。

实施例2：

1)读取所有风电场的预测误差数据，并用装机容量进行归一化处理；

2)根据步骤101的建模方法，建立以所有风电场出力预测误差为观测量、以风电场之间的相关性关系为状态量的高斯隐马尔科夫模型参数；

3)基于风电场出力预测误差历史数据，根据步骤102中的Baum Welch算法，估计高斯隐马尔科夫模型的参数；

4)基于步骤103中的方法，计算所建立的高斯隐马尔科夫模型的累积状态转移概率矩阵；

5)给定所需生成场景的时刻、场景数量和各风电场的点预测出力结果，基于训练得到的高斯隐马尔科夫模型，采用步骤201中的蒙特卡洛仿真方法，随机生成所有风电场的预测出力场景集合。

实施例3

基于同一种发明构思，本发明还提供了一种多风电场出力场景的生成***，包括：

处理模块，用于基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵；

预测误差模块，用于基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差；

生成场景模块，用于基于各风电场的点预测出力值和所述风电场的预测误差，获得所有风电场的预测出力场景。

实施例中，所述处理模块，包括：

生成预测误差数据子模块，用于基于多个风电场的实际出力值和对应点预测出力值，获得每个风电场的出力预测误差数据；

相关性状态子模块，用于根据各风电场的出力预测误差数据确定所述多个风电场之间的相关性状态；

设置子模块，用于将所述相关性状态设置为所述高斯隐马尔科夫模型中隐状态，并设置所述隐状态的个数；

迭代子模块，用于基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练，通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵；

多维高斯分布子模块，用于基于每一个隐状态对应的高斯分布的均值向量和协方差矩阵确定多维高斯分布；

累积状态转移概率子模块，用于基于所述状态转移矩阵计算累积状态转移概率；

其中，所述累积状态转移概率矩阵由累积状态转移概率组成。

实施例中，所述预测误差模块，包括：

相关性状态子模块，用于基于所述累积状态转移概率矩阵确定预设周期内每一时刻所述多个风电场的相关性状态；

预测误差子模块，用于基于每一时刻所述多个风电场的相关性状态和对应的多维高斯分布，通过随机抽样生成所述时刻下每个风电场的预测误差。

实施例中，所述相关性状态子模块，包括：

初始时刻单元，用于基于隐状态的个数随机生成一个正整数作为预设周期中初始时刻多个风电场的相关性状态；

其余时刻单元，用于基于初始时刻多个风电场的相关性状态与所述累积状态转移概率矩阵迭代计算获得预设周期中其余时刻多个风电场的相关性状态。

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、***、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(***)、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。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (2)

1.一种多风电场出力场景的生成方法，其特征在于，包括：

基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵；

基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差；

基于各风电场的点预测出力值和所述风电场的预测误差，获得所有风电场的预测出力场景；

所述基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵，包括：

基于多个风电场的实际出力值和对应点预测出力值，获得每个风电场的出力预测误差数据；

根据各风电场的出力预测误差数据确定所述多个风电场之间的相关性状态；

将所述相关性状态设置为所述高斯隐马尔科夫模型中隐状态，并设置所述隐状态的个数；

基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练，通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵；

基于每一个隐状态对应的高斯分布的均值向量和协方差矩阵确定多维高斯分布；

基于所述状态转移矩阵计算累积状态转移概率；

其中，所述累积状态转移概率矩阵由累积状态转移概率组成；

所述基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练，通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵，包括：

步骤101、为高斯隐马尔科夫模型中的状态转移矩阵，高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量设置初始值；

步骤102、计算训练周期内初始时刻下各隐状态的前向概率，并依次向前计算训练周期内其余所有时刻下各隐状态的前向概率；

步骤103、计算训练周期内终止时刻下各隐状态的后向概率，并依次向后计算训练周期内其余所有时刻下各隐状态的后向概率；

步骤104、基于多个风电场的出力预测误差数据构成的观测序列、各隐状态的前向概率和各隐状态的后向概率，计算任意时刻隐状态的条件概率；

步骤105、基于多个风电场的出力预测误差数据构成的观测序列、各隐状态的前向概率和各隐状态的后向概率，计算任意时刻隐状态和所述任意时刻的下一时刻隐状态的联合条件概率；

步骤106、基于所述条件概率和联合条件概率更新高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量；

步骤107、若更新后的高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量满足预设的收敛条件，则循环结束，按当前参数设置高斯隐马尔科夫模型，否则执行步骤102；

所述前向概率，按下式计算：

式中：α_t+1(j)：t+1时刻下隐状态为j的前向概率；π_j：风电场的隐状态为θ_j的概率；b_j(·)：隐状态为j的观测序列服从的概率分布；O₁：初始时刻下各风电场出力的历史观测序列；N：隐状态的个数；α_t(j)：t时刻下隐状态为j的前向概率；a_ij：状态转移矩阵A中第i行第j列t时刻的隐状态为θ_i，t+1时刻的隐状态转换为θ_j的概率；O_t+1：t+1时刻下各风电场出力的历史观测序列；

其中，风电场初始时刻隐状态的概率组成隐状态的概率分布向量；

所述后向概率，按下式计算：

式中：β_t(j)：t时刻下隐状态为j的后向概率；a_ji：状态转移矩阵A中第j行第i列t时刻的隐状态为θ_j，t+1时刻的隐状态转换为θ_i的概率；b_i(·)：隐状态为i的观测序列服从的概率分布；β_t+1(i)：t+1时刻下隐状态为i的后向概率；O_t+1：t+1时刻下各风电场出力的历史观测序列；T：训练周期的终止时刻；N：隐状态的个数；

所述任意时刻隐状态的条件概率，按下式计算：

式中：γ_t(j)：t时刻下隐状态j的条件概率；α_t(j)：t时刻下隐状态为j的前向概率；β_t(j)：t时刻下隐状态为j的后向概率；α_t(i)：t时刻下隐状态为i的前向概率；β_t(i)：t时刻下隐状态为i的后向概率；N：隐状态的个数；

所述联合条件概率，按下式计算：

式中：ξ_t(i,j)：t时刻下隐状态j的联合条件概率；α_t(j)：t时刻下隐状态为j的前向概率；a_ij：状态转移矩阵A中第i行第j列t时刻的隐状态为θ_i，t+1时刻的隐状态转换为θ_j的概率；b_j(·)：隐状态为j的观测序列服从的概率分布；O_t+1：t+1时刻下各风电场出力的历史观测序列；β_t+1(j)：t+1时刻下隐状态为j的后向概率；α_t(r)：t时刻下隐状态为r的前向概率；a_rs：状态转移矩阵A中第r行第s列t时刻的隐状态为θ_r，t+1时刻的隐状态转换为θ_s的概率；b_s(·)：隐状态为s的观测序列服从的概率分布；β_t+1(s)：t+1时刻下隐状态为s的后向概率；N：隐状态的个数；

所述基于所述条件概率和联合条件概率更新高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量，按下式更新：

π_j＝γ₁(j),j＝1,2,...,N

式中：π_j：风电场的相关状态为θ_j的概率；γ₁(j)：初始时刻下隐状态j的条件概率；N：隐状态的个数；

式中：a_ij：状态转移矩阵A中第i行第j列t时刻的隐状态为θ_i，t+1时刻的隐状态转换为θ_j的概率；ξ_t(i,j)：t时刻下隐状态j的联合条件概率；γ_t(j)：t时刻下隐状态j的条件概率；

式中：μ_j：隐状态为j的高斯分布的均值向量；O_t：t时刻下各风电场出力的历史观测序列；

式中：Σ_j：隐状态为j的高斯分布的协方差矩阵；

所述累积状态转移概率，按下式计算：

式中：c_ij：累积状态转移概率矩阵C中第i行第j列的累积状态转移概率；a_ik：状态转移矩阵A中第i行第k列t时刻的隐状态为θ_i，t+1时刻的隐状态转换为θ_k的概率；

所述多维高斯分布，按下式计算：

b_j(O)＝N(μ_j,Σ_j),1≤j≤N

式中：b_j(·)：多个风电场在隐状态为j的多维高斯分布；O：各风电场的出力数据组成的历史观测序列；

均值向量为/>

协方差矩阵为/>

的多维高斯分布；

所述基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差，包括：

基于所述累积状态转移概率矩阵确定预设周期内每一时刻所述多个风电场的相关性状态；

基于每一时刻所述多个风电场的相关性状态和对应的多维高斯分布，通过随机抽样生成所述时刻下每个风电场的预测误差；

所述基于所述累积状态转移概率矩阵确定预设周期内每一时刻所述多个风电场的相关性状态，包括：

基于隐状态的个数随机生成一个正整数作为预设周期中初始时刻多个风电场的相关性状态；

基于初始时刻多个风电场的相关性状态与所述累积状态转移概率矩阵迭代计算获得预设周期中其余时刻多个风电场的相关性状态；

所述基于初始时刻多个风电场的相关性状态与所述累积状态转移概率矩阵迭代计算获得预设周期中其余时刻多个风电场的相关性状态，包括：

步骤201、将所述初始时刻作为已知时刻；

步骤202、生成区间[0,1]内的随机数；

步骤203、所述随机数与所述累积状态转移概率矩阵中已知时刻对应行的所有元素进行比较，当随机数的大小位于所述已知时刻对应行相邻两列元素之间时，则确定下一时刻多个风电场的相关性状态为所述已知时刻对应行相邻两列中前一列对应的值；

步骤204、当所述下一时刻为预设周期的终止时刻时，则循环结束，输出预设周期内所有时刻对应的多个风电场的相关性状态；否则，将所述下一时刻作为已知时刻执行步骤202；

所述所有风电场的预测出力场景，如下式所示：

式中：Θ_k：M个风电场的第k组预测出力场景；

M个风电场在t_T时刻的点预测出力组成的向量；ε_M(t_T)：t_T时刻M个风电场的预测误差；/>

第M个风电场在t_T时刻的预测出力；M：风电场的个数；T：预测周期；

所述基于各风电场的点预测出力值和所述风电场的预测误差，获得所有风电场的预测出力场景，还包括：

基于所有风电场的预测出力场景循环生成预设数量的所有风电场的预测出力场景；

所述基于所有风电场的预测出力场景循环生成预设数量的所有风电场的预测出力场景，包括：

当所有风电场的预测出力场景的个数等于预设数量时，则获得预设数量的所有风电场的预测出力场景；

当所有风电场的预测出力场景的个数小于预设数量时，则继续基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差，基于每个风电场的点预测出力值和所述风电场的预测误差生成所述场景的预测出力，直到获得预设数量的所有风电场的预测出力场景；

其中，所述预设数量的所有风电场的预测出力场景为{Θ₁,Θ₂,...,Θ_K}；

式中：Θ_K：M个风电场的第K组预测出力；K：预设的预测出力组数。

2.一种多风电场出力场景的生成***，用于实现一种如权利要求1所述的一种多风电场出力场景的生成方法，其特征在于，包括：

处理模块，用于基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵；

预测误差模块，用于基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差；

生成场景模块，用于基于各风电场的点预测出力值和所述风电场的预测误差，获得所有风电场的预测出力场景；

所述处理模块，包括：

生成预测误差数据子模块，用于基于多个风电场的实际出力值和对应点预测出力值，获得每个风电场的出力预测误差数据；

相关性状态子模块，用于根据各风电场的出力预测误差数据确定所述多个风电场之间的相关性状态；

设置子模块，用于将所述相关性状态设置为所述高斯隐马尔科夫模型中隐状态，并设置所述隐状态的个数；

迭代子模块，用于基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练，通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵；

多维高斯分布子模块，用于基于每一个隐状态对应的高斯分布的均值向量和协方差矩阵确定多维高斯分布；

累积状态转移概率子模块，用于基于所述状态转移矩阵计算累积状态转移概率；

其中，所述累积状态转移概率矩阵由累积状态转移概率组成。

Images