基于改进马尔可夫链的太阳辐照度时间序列合成方法技术

本发明专利技术提供的是一种基于改进马尔可夫链的太阳辐照度时间序列合成方法。在马尔可夫链模型中引入SR的天气特性和日特性，建立基于晴空指数划分的多个状态转移矩阵，并应用蒙特卡洛法确定辐照度模拟值当天的时段分割点，再通过日晴空指数和当前时刻所处时段选择相应的状态转移矩阵，来生成目标时刻状态量，从而合成辐照度模拟值。本发明专利技术简单且较准确地描述了太阳辐照度的天气特性和日特性，在简捷和准确两者交合上找到了平衡点，更便于实际应用。

【技术实现步骤摘要】

本专利技术涉及的是一种太阳辐照度预测方法，特别是一种适用于中长期太阳辐照度预测的方法。
技术介绍
太阳能光伏发电具有清洁环保、易施工、使用周期长、无运转部件等优点，目前，国内外太阳能光伏发电正向大规模应用阶段发展。但因太阳辐照度(Solarradiation,SR)具有的随机性和间歇性特点，使得光伏系统的发电出力具有不确定性。不论对并网系统还是对独立系统，随着光伏容量占比的增加，这种不确定性将给整个发电系统带来了不容忽视的影响。研究并发现SR的特性规律、模拟生成SR的高质量的时间序列，对含光伏的发电系统的规划、安全性评估、可靠性评估、置信容量计算等领域具有重要意义。若SR模拟序列能够很好地体现历史SR观测数据的波动特性和统计特性，则将SR模拟序融入后，仍可保持对光伏系统的评估结果的可信性。SR模拟序列可应用情况包括：(1)当历史SR观测序列中出现坏数据或数据缺失时，若直接应用有错误的历史SR观测数据计算结果会出现偏差，此时可应用SR模拟序列数据替代；(2)某些地区的历史SR观测数据量不足以满足评估需求，此时可应用SR模拟序列来增加数据量，以满足评估需求。与太阳辐照度预测相关的公开文献较多，例如：申请号为201310019097.6的专利文件中，公开了一种光伏电站辐照度预测值修正方法，其重点在于当已经具备了当前预测值之后，如何将光伏电站的地表辐照度的当前预测值与由辐照度历史数据生成的参考值进行联合加权，得到最终的预测修正值对辐照度进行修正；申请号为201310571072.7的专利文件中的技术方案是基于ANFIS模型对辐照度进行超短期预测；申请号为201510471216.0的专利文件中，提出了一种基于马尔可夫链的改进光伏功率序列预测方法，其是按照季节(四季)、时段(上午与下午时段)、天气特征(大雨、雨、多云与晴四种类型)对样本数据分类，并分别对应建立马尔可夫状态转移矩阵的，但这种分类方法在实施上可能存在很多难以清晰划分的区域，即分类方面存在难以在边界区域清晰化的问题；申请号为201510843259.7的专利文件中公开的技术方案是用于日预测，即属于短期预测，利用气象特征向量和欧式距离对辐照度历史数据进行聚类，预测时需要用到当日的气象特征采集数据；申请号为201610112173.1的专利文件中，公开了一种基于多元时间序列和回归分析方法，利用气象数据和历史辐照度数据对日辐照度进行预测，也属于对辐照度进行短期预测，也需要知道被预测日的气象数据(包括温度数据、相对湿度数据、云量数据和风速数据)，预测的时段范围和需要的数据条件。基于ANFIS模型的光伏电站辐照度超短期预测(李卫，席林，毕佳.上海电气技术，2014(12):36-42)一文中，采用一种新的基于自适应模糊推理系统(ANFIS)的辐照度预测方法，其中ANFIS模型的规则数和初始参数由减法聚类确定，该方法是用于超短期预测；蚁群BP神经网络的光伏电站辐照强度预测(贺文齐爽陈厚合.电力系统及其自动化学报，2016(07):26-31)中，按月份建立蚁群改进了BP神经网络的预测方法；应用改进马尔科夫链的光伏出力时间序列模拟(丁明，鲍玉莹，毕锐.电网技术，2016(40):459-464)中，采用一种基于改进马尔可夫链的光伏功率序列预测方法，在马尔可夫链模型中考虑了天气特性(大雨、雨、多云与晴四种类型)、季节特性(按照四季划分)和日特性(上午与下午时段)对光伏功率序列进行预测，旨在得到随季节和天气等因素的光伏出力变化情况，日分割点是固定的，所述方法在划分实施上可能存在一些模糊划分，分类难以清晰化。
技术实现思路
本专利技术的目的在于提供一种能准确地描述了太阳辐照度的天气特性和日特性，更便于实际应用的基于改进马尔可夫链的太阳辐照度时间序列合成方法。本专利技术的目的是这样实现的：步骤一，将经过错误数据处理或伪数据补充的历史SR观测数据，按照天气特性和日特性对历史SR观测数据进行天气特性聚类和日特性聚类；步骤二，建立晴空指数kt的状态转移矩阵P，计算状态转移矩阵P相应的累积状态转移矩阵Q。首先应用SR历史观测数据序列计算出对应的晴空指数kt的数据序列；然后将晴空指数kt的数据序列转化为状态序列，晴空指数kt的取值范围为[0-1],状态向量为状态数为N2,则每一个状态所覆盖的区间大小为[0:1/N2]；最后建立晴空指数kt的状态转移矩阵P，计算P相应的累积状态转移矩阵Q；步骤三，设置合成SR模拟值当天的初始时刻为t0，日晴空指数Kd值为Kdn，则晴空指数kt的初始值kt0＝Kdn，此刻对应的晴空指数kt的初始状态为e＝e0；步骤四，确定合成SR模拟值当天的时段分割点tr；步骤五，依据当天的日晴空指数Kd值Kdn和当前时刻t选定状态转移矩阵计算相应的累积状态转移矩阵由当前时刻的晴空指数kt的状态et选择累积状态转移矩阵的第et行作为状态概率分布向量步骤六，确定下一时刻t＝t+Δt的晴空指数kt值，设下一时刻t＝t+Δt的状态为et+1，生成一个在[0,1]之间服从均匀分布的随机数β，若0＜β≤h1，则et+1＝E1；若hi-1＜β≤hi，则et+1＝Ei；步骤七，如果时刻t＜19，则返回步骤五；若t＞19，执行步骤八；步骤八，已计算总天数T＝T+1，若T小于仿真天数，返回步骤三；否则，则执行步骤九；步骤九，根据合成的晴空指数kts值序列计算得到SR模拟值Isyn。所述的天气特性聚类是指根据日晴空指数Kd对SR观测数据进行聚类，将其聚类为N1个群组所述的日特性聚类是指按照辐照度上升时段和下降时段将N1个群组分为2N1个数据集每个群组中每天出现SR最大值的时间点tm作为当天的时段分割点,其中角标U代表上升时段，角标D代表下降时段。马尔可夫链可以通过随机事件上一时刻的状态，推测出下一个时刻的状态，以此来完成对一个随机过程的动态描述。同时，马尔可夫链具有模型简洁、物理概念清晰等优点，所以，可以应用马尔可夫链模型合成SR模拟值。本专利技术提出了一种基于改进马尔可夫链的太阳辐照度时间序列的合成方法。在马尔可夫链模型中引入SR的天气特性和日特性，建立基于晴空指数划分的多个状态转移矩阵，并应用蒙特卡洛法确定辐照度模拟值当天的时段分割点，再通过日晴空指数和当前时刻所处时段选择相应的状态转移矩阵，来生成目标时刻状态量，从而合成辐照度模拟值。本专利技术的主要特点包括：一是步骤一中天气特性按照根据日晴空指数进行划分，时段特性分为上升与下降时段；而是步骤四中时段分割点的确定方法。本专利技术的有益效果体现在：(1)在马尔科夫链模型中考虑太阳辐照度的天气特性和日特性，天气特性通过日晴空指数Kd对太阳辐照度进行分类来描述，日特性通过分为上升时段和下降时段来描述；(2)通过晴空指数kt来合成SR模拟值，体现了辐照度受不同云层状态引起的波动特性；(3)对考虑太阳辐照度的天气特性和日特性生成多个状态转移矩阵，通过日晴空指数Kd和时间属性选择相应状态转移矩阵，生成目标时刻的状态量。本专利技术简单且较准确地描述了太阳辐照度的天气特性和日特性，在简捷和准确两者交合上找到了平衡点，更便于实际应用。附图说明图1合成SR模拟值的流程图。具体实施方式下面对举例本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能本文档来自技高网...

【技术保护点】
一种基于改进马尔可夫链的太阳辐照度时间序列合成方法，其特征是：步骤一，将经过错误数据处理或伪数据补充的历史SR观测数据，按照天气特性和日特性对历史SR观测数据进行天气特性聚类和日特性聚类；步骤二，建立晴空指数kt的状态转移矩阵P，计算状态转移矩阵P相应的累积状态转移矩阵Q；首先应用SR历史观测数据序列计算出对应的晴空指数kt的数据序列；然后将晴空指数kt的数据序列转化为状态序列，晴空指数kt的取值范围为[0‑1],状态向量为状态数为N2,则每一个状态所覆盖的区间大小为[0:1/N2]；最后建立晴空指数kt的状态转移矩阵P，计算P相应的累积状态转移矩阵Q；步骤三，设置合成SR模拟值当天的初始时刻为t0，日晴空指数Kd值为Kdn，则晴空指数kt的初始值kt0＝Kdn，此刻对应的晴空指数kt的初始状态为e＝e0；步骤四，确定合成SR模拟值当天的时段分割点tr；步骤五，依据当天的日晴空指数Kd值Kdn和当前时刻t选定相应的状态转移矩阵计算相应的累积状态转移矩阵由当前时刻的晴空指数kt的状态et选择累积状态转移矩阵的第et行作为状态概率分布向量步骤六，确定下一时刻t＝t+Δt的晴空指数kt值，设下一时刻t＝t+Δt的状态为et+1，生成一个在[0,1]之间服从均匀分布的随机数β，若0＜β≤h1，则et+1＝E1；若hi‑1＜β≤hi，则et+1＝Ei；步骤七，如果时刻t＜19，则返回步骤五；若t＞19，执行步骤八；步骤八，已计算总天数T＝T+1，若T小于仿真天数，返回步骤三；否则，则执行步骤九；步骤九，根据合成的晴空指数kts值序列计算得到SR模拟值Isyn。...

【技术特征摘要】
1.一种基于改进马尔可夫链的太阳辐照度时间序列合成方法，其特征是：步骤一，将经过错误数据处理或伪数据补充的历史SR观测数据，按照天气特性和日特性对历史SR观测数据进行天气特性聚类和日特性聚类；步骤二，建立晴空指数kt的状态转移矩阵P，计算状态转移矩阵P相应的累积状态转移矩阵Q；首先应用SR历史观测数据序列计算出对应的晴空指数kt的数据序列；然后将晴空指数kt的数据序列转化为状态序列，晴空指数kt的取值范围为[0-1],状态向量为状态数为N2,则每一个状态所覆盖的区间大小为[0:1/N2]；最后建立晴空指数kt的状态转移矩阵P，计算P相应的累积状态转移矩阵Q；步骤三，设置合成SR模拟值当天的初始时刻为t0，日晴空指数Kd值为Kdn，则晴空指数kt的初始值kt0＝Kdn，此刻对应的晴空指数kt的初始状态为e＝e0；步骤四，确定合成SR模拟值当天的时段分割点tr；步骤五，依据当天的日晴空指数Kd值Kdn和当前时刻t选定相应的状态转移矩阵计算相应的累积状态转移矩阵由当前时刻的晴空指数kt的状态et...

【专利技术属性】
技术研发人员：刘宏达，张文一，韩阳，马忠丽，张晴，万立冬，李亚楠，戴成，王琦，李志鹏，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23