基于改进场景分类和去粗粒化的MCMC风电模拟方法

摘要

本申请提出一种基于改进场景分类和去粗粒化的MCMC风电模拟方法，包括：步骤S100：使用改进的KM聚类算法对风电每日历史出力数据进行聚类，将风电出力日划分到不同的典型出力场景；步骤S200：对分类后的各个场景，建立日内相邻时刻的马尔科夫链、相邻时刻风电出力联合概率密度分布函数模型，其中，相邻时刻风电出力联合概率密度分布函数模型使用Copula混合模型拟合得到；步骤S300：基于建立的马尔科夫链和相邻时刻风电出力联合概率密度分布函数模型，改进现有的MCMC流程，进行风电时间序列出力的模拟。本申请充分利用风电出力历史数据，能够有效地模拟单个风电场风电出力过程，提高模拟的准确性，可以应用到风电调度规划领域当中。

说明书

技术领域

本申请涉及电力系统新能源调度运行技术领域，尤其涉及一种基于改进场景分类和去粗粒化的MCMC风电模拟方法和装置。

背景技术

近年来，随着能源危机和环境污染问题的日益严重，风力发电、太阳能发电等清洁能源发电得到了大力的发展。然而风能和太阳能资源虽然在我国多个省份十分丰富，但是存在时间分布上波动性大、季节特征明显，在空间上分布不平衡的特点。因此这类电源的并网发电具有不可控性，会对电网的安全稳定运行产生冲击。当新能源大规模并网时，会严重影响电力系统运行的安全性、稳定性和经济性，导致电网弃风、弃光问题时有发生。所以要提前评估电网对新能源的接纳能力，对电力系统的运行调度做好规划。对风电出力的时间序列模拟可以提供与实际运行状态相符的运行数据，为电网的调度规划工作提供参考。而准确性越高，与实际出力过程更匹配的模拟对该工作的贡献越大。

要实现对风电出力的模拟，就要建立风电出力模型。基于风电历史出力数据，我们可以对风电场的出力序列进行分类和建模。对风电场的出力序列的划分，主要有K-means法、AP聚类法、模糊聚类法和神经网络法。AP聚类算法与K-means法相比，无需提前设定聚类数和聚类中心等参数，模糊聚类和神经网络聚类法优化了聚类精度和聚类速度，但是适用范围较小，算法较为复杂，K-means算法是最经典的，也是应用最广泛的基本聚类算法之一，但是存在搜索和收敛能力差，聚类精度差等问题。对风电出力的建模，主要有两种方法：基于风速的间接建模法和基于功率的直接建模法。基于风速的间接建模法主要是利用风速模型生成风速序列，再结合发电机和各种因素的实际参数建立风速-功率的函数关系，从而间接得到功率序列。但是风速-功率之间的函数映射关系很复杂，受到多种因素的影响，得到的功率很难满足实际功率分布特性。直接建模法利用历史的风电出力数据，利用统计学原理综合考虑出力特征，有较高的可靠性。常用的用来构建风电出力模型的方法有自回归滑动平均模型(Autoregressive Moving Average Model,ARMA)、Copula相关性模型、蒙特卡洛(Monte Carlo,MC)随机模拟模型。ARMA算法对风电出力进行建模需要对模型的参数进行估计，当历史数据规律性较差时，得到的结果误差较大。传统的与马尔科夫链结合的马尔科夫-蒙特卡洛(Markov Chain Monte Carlo,MCMC)算法将出力区间有限个出力状态，利用纯随机数会导致模拟粗粒化。粗粒化对风电模拟效果有较大影响，会导致较大的概率分布偏差。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于改进场景分类和去粗粒化的MCMC风电模拟方法，解决了现有方法搜索能力较差和模拟效率较低的技术问题，通过改进KM算法实现典型日聚类，采用Copula混合模型建立相邻时刻风电出力联合概率密度，降低分类区间带来的粗粒化影响。充分利用风电出力历史数据，将风电出力数据进行分类，在没有其他数据如气象因素、风电机参数等的条件下，实现对风电时间序列出力过程的快速准确模拟，同时充分发掘了风电历史数据的出力特征，通过有效分类和建模建立了有效的风电出力模型，能够为风电的运行调度规划提供支持。

本申请的第二个目的在于提出一种基于改进场景分类和去粗粒化的MCMC风电模拟装置。

为达上述目的，本申请第一方面实施例提出了一种基于改进场景分类和去粗粒化的MCMC风电模拟方法，包括：步骤S100：使用改进的KM聚类算法对风电每日历史出力数据进行聚类，将风电出力日划分到不同的典型出力场景；步骤S200：对分类后的各个场景，建立日内相邻时刻的马尔科夫链、相邻时刻风电出力联合概率密度分布函数模型，其中，相邻时刻风电出力联合概率密度分布函数模型使用Copula混合模型拟合得到；步骤S300：基于建立的马尔科夫链和相邻时刻风电出力联合概率密度分布函数模型，改进现有的MCMC流程，进行风电时间序列出力的模拟。

可选地，在本申请的一个实施例中，改进的KM聚类算法包括以下步骤：

步骤S110：设计聚类效果评价指标，根据聚类效果评价指标的大小确定聚类种群数；

步骤S120：利用遗传算法和退火算法对KM算法进行改进，进行种群的选择、交叉和变异。

可选地，在本申请的一个实施例中，聚类效果评价指标表示为：

其中，D

可选地，在本申请的一个实施例中，利用遗传算法和退火算法对KM算法进行改进，进行种群的选择、交叉和变异，包括以下步骤：

步骤S121：确定遗传种群规模、遗传代数、退火初始温度、退火速度，将风电历史数据进行归一化；

步骤S122：每个种群个体完成一次完整的KM聚类操作，计算个体适应度，根据适应度大小进行选择操作，淘汰的个体利用轮盘选择算法进行选择性保留；

步骤S123：选择出来的新个体进行交叉和变异操作；

步骤S124：重新计算个体的适应度值，根据适应度对种群个体进行选择；

步骤S125：重复进行步骤S122、步骤S123、步骤S124，直到达到最大遗传代数。

可选地，在本申请的一个实施例中，使用个体适应度函数计算个体适应度值，个体适应度函数表示为：

其中，k为种群聚类数，n为样本总数，v

可选地，在本申请的一个实施例中，通过退火算法改进轮盘选择算法，轮盘选择算法接受淘汰个体概率为：

其中，t为当前退火温度，a为退火速度，T

可选地，在本申请的一个实施例中，进行交叉和变异操作的发生概率为：

其中，p

可选地，在本申请的一个实施例中，对于分类后的各个场景，相邻时刻风电出力联合概率密度分布函数模型的建立包括以下步骤：

步骤S210：根据所考察分类场景风电出力历史数据，统计计算得到该分类场景下风电出力的分布函数和相邻时刻之间的概率密度分布直方图；

步骤S220：根据相邻时刻之间的概率密度分布直方图的形状选择混合Copula函数模型进行建模，生成混合Copula函数模型；

步骤S230：根据观测数据利用极大似然估计法对混合Copula函数模型的参数进行估计，得到相邻时刻风电出力联合概率密度分布函数模型。

可选地，在本申请的一个实施例中，基于建立的马尔科夫链和相邻时刻风电出力联合概率密度模型，改进现有的MCMC流程，进行风电时间序列出力的模拟，包括以下步骤：

步骤S310：利用改进的KM算法得到分类后的典型出力日，建立不同典型日的马尔科夫链、风电出力概率密度函数和波动量概率密度函数，其中，马尔科夫链是将标准的化的风电出力划分为多个出力区间；

步骤S320：根据出力概率密度分布，初始化生成第一天和第一小时的发电功率，利用相邻时刻风电出力联合概率密度模型生成下一时刻出力，之后根据马尔科夫链选择下一时刻出力所在的下一时刻出力区间，再利用波动量概率密度生成准确出力，当日间出力长度满足要求后，利用日间转移矩阵生成下一天的出力日类型；

步骤S330：重复进行步骤S320，直到模拟的出力序列长度满足要求。

为达上述目的，本申请第二方面实施例提出了一种基于改进场景分类和去粗粒化的MCMC风电模拟装置，包括：划分模块、模型建立模块、模拟模块，其中，

划分模块，用于使用改进的KM聚类算法对风电每日历史出力数据进行聚类，将风电出力日划分到不同的典型出力场景；

模型建立模块，用于对分类后的各个场景，建立日内相邻时刻的马尔科夫链、相邻时刻风电出力联合概率密度分布函数模型，其中，相邻时刻风电出力联合概率密度模型使用Copula混合模型拟合得到；

模拟模块，用于基于建立的马尔科夫链和相邻时刻风电出力联合概率密度分布函数模型，改进现有的MCMC流程，进行风电时间序列出力的模拟。

本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法和装置，解决了现有方法搜索能力较差和模拟效率较低的技术问题，通过改进KM算法实现典型日聚类，采用Copula混合模型建立相邻时刻风电出力联合概率密度，充分利用风电出力历史数据，将风电出力数据进行分类，在没有其他数据如气象因素、风电机参数等的条件下，实现对风电时间序列出力过程的快速准确模拟，同时充分发掘了风电历史数据的出力特征，通过有效分类和建模建立了有效的风电出力模型，能够为风电的运行调度规划提供支持。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例一所提供的一种基于改进场景分类和去粗粒化的MCMC风电模拟方法的流程图；

图2为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的改进的KM算法中每个遗传个体的算法流程图；

图3为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的改进的KM算法中改进的子代个体构成图；

图4为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的利用遗传算法和退火算法改进的KM算法的整体流程图；

图5为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的利用风电历史出力数据进行实际风电出力过程模拟的整体流程图；

图6为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的不同场景分类数的评价指标曲线图；

图7为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的改进的KM算法和未改进的KM算法的结果对比图；

图8为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的利用改进的KM算法得到的风电历史发电日的分类结果图；

图9为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的风力发电序列相邻时间出力频率分布直方图和Copula拟合结果图；

图10为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的风电历史数据和分别利用MCMC算法、未利用KM算法分类的改进MCMC算法和利用KM算法分类的改进MCMC算法进行模拟的概率密度分布图；

图11为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的风电历史数据和分别利用MCMC算法、未利用KM算法分类的改进MCMC算法和利用KM算法分类的改进MCMC算法进行模拟得到的出力序列的自相关系数曲线图；

图12为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的分类后的各种出力场景24h的模拟出力和历史数据的对比图；

图13为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的风电历史数据和分别利用MCMC算法、未利用KM算法分类的改进MCMC算法和利用KM算法分类的改进MCMC算法进行模拟的150h的模拟结果对比图；

图14为本申请实施例二所提供的一种基于改进场景分类和去粗粒化的MCMC风电模拟装置的结构示意图。

具体实施方式

下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法和装置。

图1为本申请实施例一所提供的一种基于改进场景分类和去粗粒化的MCMC风电模拟方法的流程图。

如图1所示，该基于改进场景分类和去粗粒化的MCMC风电模拟方法包括以下步骤：

步骤S100：使用改进的KM聚类算法对风电每日历史出力数据进行聚类，将风电出力日划分到不同的典型出力场景；

步骤S200：对分类后的各个场景，建立日内相邻时刻的马尔科夫链、相邻时刻风电出力联合概率密度分布函数模型，其中，相邻时刻风电出力联合概率密度分布函数模型使用Copula混合模型拟合得到；

步骤S300：基于建立的马尔科夫链和相邻时刻风电出力联合概率密度分布函数模型，改进现有的MCMC流程，进行风电时间序列出力的模拟。

本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法，通过步骤S100：使用改进的KM聚类算法对风电每日历史出力数据进行聚类，将风电出力日划分到不同的典型出力场景；步骤S200：对分类后的各个场景，建立日内相邻时刻的马尔科夫链、相邻时刻风电出力联合概率密度分布函数模型，其中，相邻时刻风电出力联合概率密度分布函数模型使用Copula混合模型拟合得到；步骤S300：基于建立的马尔科夫链和相邻时刻风电出力联合概率密度分布函数模型，改进现有的MCMC流程，进行风电时间序列出力的模拟。由此，能够解决现有方法搜索能力较差和模拟效率较低的技术问题，通过改进KM算法实现典型日聚类，采用Copula混合模型建立相邻时刻风电出力联合概率密度，充分利用风电出力历史数据，将风电出力数据进行分类，在没有其他数据如气象因素、风电机参数等的条件下，实现对风电时间序列出力过程的快速准确模拟，同时充分发掘了风电历史数据的出力特征，通过有效分类和建模建立了有效的风电出力模型，能够为风电的运行调度规划提供支持。

本申请提出了一种改进的风电出力模拟方法，包括以下步骤：S1、对原始数据进行处理，确定改进的KM聚类算法的聚类数目；S2、初始化遗传代数、遗传算法的适应度函数，然后所有个体完成一次KM聚类生成初代种群；S3、对初代种群进行选择、交叉和变异的操作；S4、不断循环上个步骤直到达到最大遗传代数；S5、将分类后的每一种典型出力类型的数据进行统计，得到马尔可夫转换矩阵、出力功率概率密度分布函数、出力波动量概率密度分布函数；S6、建立不同出力场景之间的累积状态转移矩阵，以及相邻出力的联合概率密度分布函数；S7、基于出力概率密度分布生成风电出力初始出力日状态d

本申请可以在只拥有风电历史出力数据这单一条件下，首先对历史出力日进行分类，通过对不同出力日的单独建模来提高模拟精度。同时，利用改进的KM聚类算法来提高聚类速度和聚类效果。然后在聚类的基础上进一步通过利用统计函数改进的MCMC算法进行出力序列的模拟，能够进一步提高模拟的精度，使模拟过程更加符合实际情况。

本申请提出一种考虑时间相关性和波动性的风电场发电时序模拟场景构建方法，一方面，在只存在风电历史出力数据的条件下，能够通过对数据特征的充分提取，提高建模精确度；另一方面，能够通过构建风电发电模拟模型，来为电网的运行调度提供符合实际情况的运行数据，从而为电力系统的稳定安全运行做贡献。首先，先利用遗传算法和退火算法对KM算法进行改进，提高分类速度和精度，从而将风电历史出力日进行精确分类，通过对不同类的出力数据分析，分别建立不同的数据模型，以最大限度地降低建模误差；然后利用时间上相邻出力的混合Copula模型和波动量的概率密度分布函数，对MCMC算法中的随机抽样过程进行修正，降低纯随机过程中功率区间带来的粗粒化影响，进一步提高模拟效率，使建立的风电出力模型生成的数据更符合实际情况，本申请提高了建模精度，能为风电的运行调度提供支持，从而为提高新能源消纳能力的工作提供参考。

出力日分类的效果会直接影响风电模型建立的好坏，本申请利用遗传算法来改进传统KM算法搜索能力差，收敛速度慢的缺点。同时，利用模拟退火算法与遗传算法相结合，增加遗传算法的种群多样性，提高种群进化速度，进而提升整个分类过程的速度与精度。

以甘肃省某风电场的出力数据为样本进行分析，数据采样间隔为15min，并作数据的归一化处理：

其中，P

进一步地，在本申请实施例中，改进的KM聚类算法包括以下步骤：

步骤S110：设计聚类效果评价指标，根据聚类效果评价指标的大小确定聚类种群数；

步骤S120：利用遗传算法和退火算法对KM算法进行改进，进行种群的选择、交叉和变异。

遗传个体不再采用编码方式进行初始化，而是把一个KM聚类过程当作一个个体。

进一步地，在本申请实施例中，聚类效果评价指标表示为：

其中，D

进一步地，在本申请实施例中，利用遗传算法和退火算法对KM算法进行改进，进行种群的选择、交叉和变异，包括以下步骤：

步骤S121：确定遗传种群规模、遗传代数、退火初始温度、退火速度，将风电历史数据进行归一化；

步骤S122：每个种群个体完成一次完整的KM聚类操作，计算个体适应度，根据适应度大小进行选择操作，淘汰的个体利用轮盘选择算法进行选择性保留；

步骤S123：选择出来的新个体进行交叉和变异操作；

步骤S124：重新计算个体的适应度值，根据适应度对种群个体进行选择；

步骤S125：重复进行步骤S122、步骤S123、步骤S124，直到达到最大遗传代数。

种群父代个体的选择过程包括：计算种群所有个体的适应度值，将适应度最优个体直接保留至子代；剩下的个体采用轮盘选择算法进行选择，直到选出种群规模50％的个体，遗传给子代；被淘汰的个体利用模拟退火算法得到的概率，筛选出种群规模30％的个体遗传给子代。

染色体交叉和变异是对每个个体的聚类中心进行操作，交叉是随机交换两个种群的聚类中心，变异是某个种群的聚类中心随即发生改变，两个操作的概率随着种群的进化和个体的适应度值变化，不断对种群进行更新，直到达到最大遗传代数，可以得到的风电发电日分类结果。

进一步地，在本申请实施例中，使用个体适应度函数计算个体适应度值，个体适应度函数表示为：

其中，k为种群聚类数，n为样本总数，v

进一步地，在本申请实施例中，通过退火算法改进轮盘选择算法，轮盘选择算法接受淘汰个体概率为：

其中，t为当前退火温度，a为退火速度，T

进一步地，在本申请实施例中，进行交叉和变异操作的发生概率为：

其中，p

进一步地，在本申请实施例中，对于分类后的各个场景，相邻时刻风电出力联合概率密度分布函数模型的建立包括以下步骤：

步骤S210：根据所考察分类场景风电出力历史数据，统计计算得到该分类场景下风电出力的分布函数和相邻时刻之间的概率密度分布直方图；

步骤S220：根据相邻时刻之间的概率密度分布直方图的形状选择混合Copula函数模型进行建模，生成混合Copula函数模型；

步骤S230：根据观测数据利用极大似然估计法对混合Copula函数模型的参数进行估计，得到相邻时刻风电出力联合概率密度分布函数模型。

风电出力的分布函数F(x)计算公式为

其中，

混合Copula函数模型为：

其中，λ

根据观测数据利用极大似然估计法对混合Copula函数模型的参数进行估计：

利用风电历史数据进行统计分析，分别得到出力功率的概率密度分布、波动量的概率密度分布。

初始化第一天d＝0的出力日类型S

进一步地，在本申请实施例中，基于建立的马尔科夫链和相邻时刻风电出力联合概率密度模型，改进现有的MCMC流程，进行风电时间序列出力的模拟，包括以下步骤：

步骤S310：利用改进的KM算法得到分类后的典型出力日，建立不同典型日的马尔科夫链、风电出力概率密度函数和波动量概率密度函数，其中，马尔科夫链是将标准的化的风电出力划分为多个出力区间；

步骤S320：根据出力概率密度分布，初始化生成第一天和第一小时的发电功率，利用相邻时刻风电出力联合概率密度模型生成下一时刻出力，之后根据马尔科夫链选择下一时刻出力所在的下一时刻出力区间，再利用波动量概率密度生成准确出力，当日间出力长度满足要求后，利用日间转移矩阵生成下一天的出力日类型；

步骤S330：重复进行步骤S320，直到模拟的出力序列长度满足要求。

出力概率密度是对风电所有单一时刻出力进行统计，利用核密度估计得到概率密度分布函数，波动量概率密度函数通过统计相邻时刻风电出力的差值，利用核密度函数进行拟合得到。

基于波动量的联合概率密度函数生成随机波动量来进一步修正下一时刻的出力数据。

状态转移矩阵定义为：

其中，n

累积状态转移矩阵为：

建立所有出力日的累积转移概率矩阵Q

ΔP＝P

根据频率分布直方图选择合适的二元Coupla函数C(u,v；θ)进行建模，通过相邻时刻风电出力历史数据

基于之前得到的波动量概率密度函数，生成随机的波动量β

图2为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的改进的KM算法中每个遗传个体的算法流程图。

如图2所示，该改进的KM算法中每个遗传个体的算法为，输入数据X以及参数k，选择k个样本作为初始聚类中心；将所有样本按照距离最近原则分配到不同类中；重新计算各个簇类的平均值；判断每个簇的聚类中心是否变化，若否，则结束；若是，则重新将所有样本按照距离最近原则分配到不同类中，直至每个簇的聚类中心不变。每个遗传个体都为一次KM聚类过程。

图3为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的改进的KM算法中改进的子代个体构成图。

如图3所示，在基于改进场景分类和去粗粒化的MCMC风电模拟方法的改进的KM算法中，每次种群更新过程，子代种群由最优个体、轮盘选择个体和淘汰个体构成。

图4为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的利用遗传算法和退火算法改进的KM算法的整体流程图。

如图4所示，利用遗传算法和退火算法改进KM算法的步骤为，输入数据X，确定样本群聚类数k的取值范围；初始化遗传种群；对遗传种群进行选择操作；对遗传种群进行交叉变异；重新计算种群内个体适应度值；判断是否达到最大遗传次数，若是，则结束；若否，则重新对遗传种群进行选择操作、交叉变异，直至达到最大遗传次数。

图5为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的利用风电历史出力数据进行实际风电出力过程模拟的整体流程图。

如图5所示，该基于改进场景分类和去粗粒化的MCMC风电模拟方法，处理风电历史出力数据，删除非正常出力功率，将出力功率进行标准化；将数据进行聚类，完成典型日划分；计算各场景状态转移矩阵、Copula时序相关函数C(U,V)；计算累计转移概率矩阵Q；抽样生成下一时刻状态量z，确定下一时刻出力范围；建立波动量概率密度分布模型，生成随机的波动量β

图6为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的不同场景分类数的评价指标曲线图。

如图6所示，该基于改进场景分类和去粗粒化的MCMC风电模拟方法，由聚类评价指标的公式可知，指标数值越小，表明聚类效果越好。当分类数为6时，分类效果较好，当分类数超过6时，对聚类效果效果改进不明显的同时会加大运算负担，所以选择典型场景分类数k为6。

图7为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的改进的KM算法和未改进的KM算法的结果对比图。

如图7所示，该基于改进场景分类和去粗粒化的MCMC风电模拟方法的改进的KM算法与未改进KM算法相比具有更快的收敛速度和更好的分类效果。

图8为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的利用改进的KM算法得到的风电历史发电日的分类结果图。

如图8所示，该基于改进场景分类和去粗粒化的MCMC风电模拟方法，利用评价指标确定KM算法进行出力日分类的聚类数，选择改进算法中的遗传算法的适应度函数，利用改进的KM算法对历史出力日进行分类，得到分类结果。

图9为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的风力发电序列相邻时间出力频率分布直方图和Copula拟合结果图。

如图9所示，Copula函数是用来衡量出力序列时间相关性的，建立准确有效的Copula函数模型能很大程度上提高模拟精度和效率，该基于改进场景分类和去粗粒化的MCMC风电模拟方法，通过构建风电相邻时间出力的频率直方图来选择二元联合概率密度模型，得到t时刻和t+1时刻的观测数据

图10为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的风电历史数据和分别利用MCMC算法、未利用KM算法分类的改进MCMC算法和利用KM算法分类的改进MCMC算法进行模拟的概率密度分布图。

图11为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的风电历史数据和分别利用MCMC算法、未利用KM算法分类的改进MCMC算法和利用KM算法分类的改进MCMC算法进行模拟得到的出力序列的自相关系数曲线图。

图12为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的分类后的各种出力场景24h的模拟出力和历史数据的对比图。

图13为本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟方法的风电历史数据和分别利用MCMC算法、未利用KM算法分类的改进MCMC算法和利用KM算法分类的改进MCMC算法进行模拟的150h的模拟结果对比图。

图10、图11、图12和图13分别模拟数据和历史数据在概率密度分布，自相关系数变化趋势，24h时间尺度和150h时间尺度上的对比图，从结果可以看出，本申请提出的建模方法具有更高的模拟精度，运行状态更符合风电的实际发电情况，同时，经过改进KM算法分类的模拟效果更好。

表一是本申请中风电历史数据和分别利用MCMC算法、未利用KM算法分类的改进MCMC算法和利用KM算法分类的改进MCMC算法进行模拟得到的数据的平均值和标准差的对比。表二是本申请中风电历史数据和分别利用MCMC算法和改进的MCMC算法进行模拟得到的六种分类场景得到的数据的标准差的对比。可以看出经过分类后的模拟数据更加符合实际情况，同时，改进的MCMC算法得到的结果也更加精确。

通过传统MCMC算法、未对出力日进行分类的改进的MCMC算法和分类后的改进的MCMC算法对出力日数据进行模拟，得到的出力数据对比如表一和表二所示。

表一

表二

图13为本申请实施例二所提供的一种基于改进场景分类和去粗粒化的MCMC风电模拟装置的结构示意图。

如图13所示，该基于改进场景分类和去粗粒化的MCMC风电模拟装置，包括：划分模块、模型建立模块、模拟模块，其中，

划分模块10，用于使用改进的KM聚类算法对风电每日历史出力数据进行聚类，将风电出力日划分到不同的典型出力场景；

模型建立模块20，用于对分类后的各个场景，建立日内相邻时刻的马尔科夫链、相邻时刻风电出力联合概率密度分布函数模型，其中，相邻时刻风电出力联合概率密度模型使用Copula混合模型拟合得到；

模拟模块30，用于基于建立的马尔科夫链和相邻时刻风电出力联合概率密度分布函数模型，改进现有的MCMC流程，进行风电时间序列出力的模拟。

本申请实施例的基于改进场景分类和去粗粒化的MCMC风电模拟装置，包括：划分模块、模型建立模块、模拟模块，其中，划分模块，用于使用改进的KM聚类算法对风电每日历史出力数据进行聚类，将风电出力日划分到不同的典型出力场景；模型建立模块，用于对分类后的各个场景，建立日内相邻时刻的马尔科夫链、相邻时刻风电出力联合概率密度分布函数模型，其中，相邻时刻风电出力联合概率密度模型使用Copula混合模型拟合得到；模拟模块，用于基于建立的马尔科夫链和相邻时刻风电出力联合概率密度分布函数模型，改进现有的MCMC流程，进行风电时间序列出力的模拟。由此，能够解决现有方法搜索能力较差和模拟效率较低的技术问题，通过改进KM算法实现典型日聚类，采用Copula混合模型建立相邻时刻风电出力联合概率密度，充分利用风电出力历史数据，将风电出力数据进行分类，在没有其他数据如气象因素、风电机参数等的条件下，实现对风电时间序列出力过程的快速准确模拟，同时充分发掘了风电历史数据的出力特征，通过有效分类和建模建立了有效的风电出力模型，能够为风电的运行调度规划提供支持。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。