基于马尔可夫模型的光伏出力聚类与模拟

doi:10.3969/j.issn.1000-7229.2019.02.007

电力建设 ›› 2019, Vol. 40 ›› Issue (2): 54-62.doi: 10.3969/j.issn.1000-7229.2019.02.007

基于马尔可夫模型的光伏出力聚类与模拟

徐杉杉，朱俊澎，袁越，吴涵

河海大学能源与电气学院，南京市 211100

出版日期:2019-02-01
作者简介:徐杉杉（1994），女，硕士研究生，通信作者，主要从事配电网建模与运行等方面的研究工作；朱俊澎（1990），男，讲师，主要从事主动配电网规划、运行与控制等方面的研究工作；袁越（1966），男，教授，博士生导师，主要从事电力系统运行与分析、可再生能源发电系统等方面的研究工作；吴涵（1990），男，博士研究生，主要从事配电网规划理论、电力市场等方面的研究工作。
基金资助:
国家自然科学基金项目（51807051）；江苏省自然科学基金项目（BK20180507）

Clustering and Simulation of Photovoltaic Output Adopting Markov Model

XU Shanshan， ZHU Junpeng， YUAN Yue， WU Han

College of Energy and Electrical Engineering， Hohai University， Nanjing 211100， China

Online:2019-02-01
Supported by:
This work is supported by National Natural Science Foundation of China（No.51807051） and Natural Science Foundation of Jiangsu Province（No. BK20180507 ）.

摘要/Abstract

摘要： 恰当地处理光伏数据并建立合理的出力模型是含光伏发电系统运行与规划的基础。该文基于马尔可夫模型和谱聚类算法，综合考虑光伏出力的天气特性、日特性、季节特性，提出了一种光伏出力聚类和模拟方法。首先，从光伏出力中提取幅值、基准出力和波动出力，基于马尔可夫模型针对波动出力进行聚类分析，并利用Alpha值、Silhouette指数、贝叶斯准则确定最佳聚类数；然后，整合聚类结果并搭建基于月内天气状态和日内出力状态的双层马尔可夫模型；最后，利用双层抽样得到中长期光伏模拟时序出力。与传统K-means算法相比，基于马尔可夫模型的谱聚类算法能够更好地解决光伏出力数据可能出现的数据丢失与误测问题，并具有更好的天气区分性。与马尔可夫蒙特卡洛模拟相比，该文所提光伏出力模型能够更好地保持光伏出力的天气特性、时序特性和概率特性，并具有更高的精度。算例分析验证了该文所提模型的有效性。

关键词: 马尔可夫模型, 谱聚类, 中长期光伏出力模拟

Abstract: Processing data properly and constructing a rational photovoltaic output model is the base of power system operation and plan. Focusing on characteristics of photovoltaic output， a photovoltaic output clustering and simulation method based on Markov model and spectral clustering is proposed. Firstly， the amplitude parameter， the standard component and fluctuant component are extracted from photovoltaic output and Markov model is adopted to analyze the fluctuant component. We use spectral clustering and Alpha value， Silhouette index and Bayesian information criterion to evaluate the quality of clustering results and to determine the optimal cluster number. Then， state-transition matrixes between the weather in the month and power output in the day are integrated， and a bistratal Markov model is constructed. Finally， the mid/long term photovoltaic simulating output is generated by utilizing the bistratal sampling. Compared with the K-means clustering analysis， spectral clustering is more suitable for processing photovoltaic output data， especially in the condition of data missing or data error and in distinguishing weather data. Through the comparative analysis on statistical characters， timing characters and weather characters， the validity of the proposed model is verified.

Key words: Markov model, spectral clustering, mid/long term photovoltaic output simulation

中图分类号:

TM 615

徐杉杉，朱俊澎，袁越，吴涵. 基于马尔可夫模型的光伏出力聚类与模拟[J]. 电力建设, 2019, 40(2): 54-62.

XU Shanshan， ZHU Junpeng， YUAN Yue， WU Han. Clustering and Simulation of Photovoltaic Output Adopting Markov Model[J]. Electric Power Construction, 2019, 40(2): 54-62.

参考文献

［1］金黎明，周宁，冯丽，等. 光伏发电系统的时序概率模型研究［J］. 电力建设， 2016， 37（7）: 27-32.
JIN Liming， ZHOU Ning， FENG Li， et al. Chronological probability model of photovoltaic generation system［J］. Electric Power Construction， 2016， 37（7）: 27-32.
［2］张曦，康重庆，张宁，等. 太阳能光伏发电的中长期随机特性分析［J］. 电力系统自动化， 2014， 38（6）: 6-13.
ZHANG Xi， KANG Chongqing， ZHANG Ning， et al. Analysis of mid/long term random characteristics of photovoltaic power generation［J］. Automation of Electric Power Systems， 2014， 38（6）: 6-13.
［3］GRAHAM V A， KGT H. A method to generate synthetic hourly solar radiation globally［J］. Solar Energy， 1990， 44（6）: 333-341．
［4］姜晓亮，李巍，吕项羽，等. 基于非参数核密度估计法的光储系统容量优化配置［J］. 高电压技术， 2015， 41（7）: 2225-2230.
JIANG Xiaoliang， LI Wei， L Xiangyu， et al. Optimization configuration of photovoltaic-storage system capacity based on non-parametric kernel density estimation［J］. High Voltage Engineering， 2015， 41（7）: 2225-2230.
［5］管霖，陈旭，吕耀棠，等. 适用于电网规划的光伏发电概率模型及其应用［J］. 电力自动化设备， 2017， 37（11）: 1-7.
GUAN Lin， CHEN Xu， L Yaotang， et al. Probability model of PV generation for power system planning and its application［J］. Electric Power Automation Equipment， 2017， 37（11）: 1-7.
［6］朱想，居蓉蓉，程序，等. 组合数值天气预报与地基云图的光伏超短期功率预测模型［J］. 电力系统自动化， 2015， 39（6）: 4-10．
ZHU Xiang， JU Rongrong， CHENG Xu， et al. A very short-term prediction model for photovoltaic power based on numerical weather prediction and ground-based cloud images［J］. Automation of Electric Power Systems， 2015， 39（6）: 4-10．
［7］王育飞，付玉超，孙路，等. 基于混沌-RBF神经网络的光伏发电功率超短期预测模型［J］. 电网技术， 2018， 42（4）: 1110-1116．
WANG Yufei， FU Yuchao， SUN Lu， et al. Ultra-short term prediction model of photovoltaic output power based on chaos-RBF neural network［J］. Power System Technology， 2018， 42（4）: 1110-1116．
［8］单英浩，付青，耿炫，等. 基于改进BP-SVM-ELM与粒子化SOM-LSF的微电网光伏发电组合预测方法［J］. 中国电机工程学报， 2016， 36（12）: 3334-3342.
SHAN Yinghao， FU Qing， GENG Xuan， et al. Combined forecasting of photovoltaic power generation in microgrid based on the improved BP-SVM-ELM and SOM-LSF with particlization［J］. Proceedings of CSEE， 2016， 36（12）: 3334-3342.
［9］史佳琪，张建华. 基于深度学习的超短期光伏精细化预测模型研究［J］. 电力建设， 2017， 38（6）: 28-35.
SHI Jiaqi， ZHANG Jianhua. Ultra short-term photovoltaic refined forecasting model based on deep learning［J］. Electric Power Construction， 2017， 38（6）: 28-35.
［10］陈中，宗鹏鹏. 基于样本扩张灰色关联分析的光伏出力预测［J］. 太阳能学报， 2017， 38（11）: 2909-2915．
CHEN Zhong， ZONG Pengpeng. PV output forecast based on grey correlation analysis with expanded sample［J］. Acta Energine Solaris Sinica， 2017， 38（11）: 2909-2915．
［11］JI W， CHEE K C. Prediction of hourly solar radiation using a novel hybrid model of ARMA and TDNN［J］. Solar Energy， 2011， 85（5）: 808-817．
［12］KARNER O. ARIMA representation for daily solar irradiance and surface air temperature time series［J］. Journal of Atmospheric and Solar-Terrestrial Physics， 2009， 71（8-9）: 841-847．
［13］罗钢，石东源，陈金富，等. 风光发电功率时间序列模拟的MCMC方法［J］. 电网技术， 2014， 38（2）: 321-327．
LUO Gang， SHI Dongyuan， CHEN Jinfu， et al. A Markov chain Monte Carlo method for simulation of wind and solar power time series［J］. Power System Technology， 2014， 38（2）: 321-327．
［14］丁明，鲍玉莹，毕锐. 应用改进马尔科夫链的光伏出力时间序列模拟［J］. 电网技术， 2016， 40（2）: 459-464．
DING Ming， BAO Yuying， BI Rui. Simulation of PV output time series used improved Markov chain［J］. Power System Technology， 2016， 40（2）: 459-464．
［15］江雪辰，朱俊澎，袁越，等. 基于新型场景划分与考虑时序相关性的光伏出力时间序列模拟方法［J］. 电力建设， 2018， 39（10）: 63-70.
JIANG Xuechen， ZHU Jupeng， YUAN Yue， et al. Simulation method based on improved scenario division considering temporal correlation for PV output time series［J］. Electric Power Construction， 2018， 39（10）: 63-70.
［16］盛万兴，季宇，吴鸣，等. 基于改进模糊C均值聚类算法的区域集中式光伏发电系统动态分群建模［J］. 电网技术， 2017， 41（10）: 3284-3291．
SHENG Wanxing， JI Yu， WU Ming， et al. Dynamic clustering modeling of regional centralized photovoltaic power plant based on improved fuzzy C-means clustering algorithm［J］. Power System Technology， 2017， 41（10）: 3284-3291．
［17］叶林，陈政，赵永宁，等. 基于遗传算法-模糊径向基神经网络的光伏发电功率预测模型［J］. 电力系统自动化， 2015， 39（16）: 16-22．
YE Lin， CHEN Zheng， ZHAO Yongning， et al. Photovoltaic power forecasting model based on genetic algorithm and fuzzy radial basis function neural network［J］. Automation of Electric Power Systems， 2015， 39（16）: 16-22．
［18］POGGI P， NOTTON G， MUUSELLI M， et al. Stochastic study of hourly total solar radiation in Corsica using a Markov model［J］. International Journal of Climatology， 2015， 20（14）: 1843-1860.
［19］姚世通. 基于隐马尔可夫模型的时间序列聚类的研究［D］. 上海: 上海交通大学， 2011.
YAO Shitong. A survey of hidden Markov model based clustering algorithm on time series［D］. Shanghai: Shanghai Jiao Tong University， 2011.

[1]	刘扬，严正，马洪艳，徐潇源. 风电接入下基于半监督谱聚类的备用动态分区方法[J]. 电力建设, 2018, 39(1): 90-.
[2]	李力，傅子昊，孙磊，杨银国，谭嫣，林振智，文福拴. 基于半监督谱聚类的黑启动分区策略[J]. 电力建设, 2017, 38(4): 9-.

基于马尔可夫模型的光伏出力聚类与模拟

Clustering and Simulation of Photovoltaic Output Adopting Markov Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 2

编辑推荐

Metrics

本文评价