基于改進馬爾科夫鏈的風電日前不確定性建模方法

楊輝明，雷勇

(四川大學電氣工程學院，成都610065)

0 引言

在化石資源趨緊、環境污染嚴重、生態系統退化的嚴峻形勢下，可再生能源發電得到迅猛發展，能源使用逐漸從傳統化石能源向可再生能源轉變。隨著可再生能源發電在電網中的滲透率不斷提高，給電網引入了不確定性[1]。當前的電網運行、調度策略需要做出相應調整，以適應新能源發電并網的需要。

目前針對可再生能源出力不確定性的優化調度方法主要包含魯棒優化和隨機優化[2 - 3]。魯棒優化通過不確定性集對可再生能源出力進行建模，但較難描述可再生能源的時序出力特征。而基于場景分析法的隨機優化模型需要對不確定性因素做出更為細致的建模，從不確定性模型中提取離散的出力場景。因此使用場景分析法會帶來更高的計算要求，但同時能夠帶來更穩定的優化方案[4]。

場景生成的方法主要分為統計學方法以及人工智能方法。統計學方法常使用累積經驗分布描述風電的不確定性概率分布，通過蒙特卡洛采樣模擬獲得場景集[5]。而風電的不確定性中包含有一定的時間-空間特征，文獻[6]使用馬爾科夫鏈模型對風電出力時序特征建模，獲得風電隨機出力場景。文獻[7]在傳統一階馬爾可夫鏈中引入了風速的季節特性和日特性，提高風速場景的模擬精度。1階馬爾科夫鏈模型可以描述相鄰時序值間的相關性，若需要反映更長時序特征需要采用高階馬爾科夫鏈模型，但同時會增加模型的計算復雜度。……