基于非参数解集的太阳能辐照度概率建模方法及装置

本发明涉及光伏发电可靠性评估，尤其涉及一种基于非参数解集的太阳能辐照度概率建模方法及装置。

背景技术：

1、太阳辐照度作为影响光伏出力的主要因素，建立合理、精确的辐照度概率模型是评估含光伏电站电力系统可靠性的关键。太阳辐照度由于环境因素的影响具有随机性、间歇性和波动性，且相邻地区不同光伏电站的出力具有一定的相关性，辐照度的相关结构及相关性大小会影响相邻分布式光伏电站的出力情况，进而影响电力系统可靠性评估结果。

2、在辐照度的随机性分析中，现有技术中通常是采用基于normal分布(正态分布)、lognormal分布(对数正态分布)、weibull分布(韦布尔分布)、extreme value(极值分布)、beta分布(贝塔分布)等方法建立辐照度的概率模型。由于对相邻多个光伏电站辐照度建模时还需考虑相关性问题，因此，现有技术中通常是通过采用如arma模型、根据时间函数叠加形成太阳辐照度时序动态概率分布模型等方式建立光伏出力时序概率模型，进而建立形成各类计及相关性的辐照度概率模型。而太阳辐照度还具有随机性，上述模型均无法有效表征太阳辐照度的随机性，虽然采用半正弦模型将日总辐射按预设的时间函数逐时分配的方式可以一定程度上表征随机性，但是这种机械式按确定性规律获取小时辐照度的方式难以准确反映小时辐照度的随机波动性。

3、太阳辐照度除了具有随机性和相关性外，日辐照度和小时辐照度之间还具有加和特性，且前期一天小时辐照度与当前模拟日小时辐照度之间还存在强相关关系，现有技术中建立的太阳能辐照度概率均无法同时计及辐照度的随机性、相关性以及加和特性，也无法反映前期一天小时辐照度与当前模拟日小时辐照度的相关关系。有从业者采用解集理论建立日总辐照度到小时辐照度的概率解集参数模型，但是该模型中太阳辐照度的概率分布类型事先需人为假定，而主观假定的概率分布类型与真实分布的一致性往往难以保证，实际的模型精度并不高。

技术实现思路

1、本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、建模精度高且适用范围广的基于非参数解集的太阳能辐照度概率建模方法及装置，能够综合考虑前期一天小时辐照度与当前模拟日小时辐照度的相关关系，准确模拟各时刻辐照度与日总辐照度的加和特性，进而实现光伏电站辐照度各时刻概率分布的准确模拟，从而提高含光伏电站新型电力系统的可靠性评估准确性。

2、为解决上述技术问题，本发明提出的技术方案为：

3、一种基于非参数解集的太阳能辐照度概率建模方法，步骤包括：

4、步骤1：样本参数的初始化：定义相邻日辐照度it＝[it,it-1]以及rt＝[r1,t,r2,t,…,rd,t]t，其中it,it-1分别是第t天、第t-1天的日辐照度，获取多天的日辐照度数据形成日辐照度样本数据和小时辐照度样本数据，rt表示第t天每小时辐照度构成的随机向量，d为日小时数，根据获取的所述日辐照度和小时辐照度样本数据分别计算相邻日辐照度it和小时辐照度rt的样本协方差以及带宽系数；

5、步骤2：日辐照度样本随机生成：选取高斯函数作为核函数，基于相邻日辐照度it的样本协方差、带宽系数构建得到日辐照度的条件核密度估计模型；通过随机生成高斯函数，根据所述日辐照度的条件核密度估计模型计算已知it-1条件下日辐照度it，产生日辐照度随机样本数据；

6、步骤3：小时辐照度样本随机生成：选取高斯函数作为核函数，将日辐照度it表示为小时辐照度rt间的加和，并基于日辐照度it以及前一天的小时辐照度rt-1建立小时辐照度非参数解集模型，通过随机选取多维高斯函数，根据所述小时辐照度非参数解集模型计算已知前一天的小时辐照度rt-1、日辐照度it的条件下的小时辐照度rt，生成小时辐照度随机样本数据。

7、进一步的，步骤3中建立的小时辐照度非参数解集模型为：

8、

9、其中：

10、

11、

12、

13、

14、

15、其中，ut＝(y1,t,y2,t,…,yd-1,t)t，yt＝(y1,t,y2,t,…,yd,t)t，yt＝rrt,r为单位正交矩阵,d为日小时数,vt′＝(ut-1,it′)t，λv′表示vt′的带宽系数，λuv′表示(ut,vt′)的带宽系数，suv′为ut和vt′之间的(d-1)×d阶样本协方差阵，sv′为vt′的d×d阶样本协方差阵，i表示天数的序号，n为日辐照度样本数据的总天数。

16、进一步的，步骤3中通过随机选取多维高斯函数，根据所述小时辐照度非参数解集模型计算已知前一天的小时辐照度rt-1、日辐照度it的条件下的小时辐照度rt，生成小时辐照度随机样本数据的步骤包括：

17、步骤3.1：设置小时辐照度的初始值为rt-1；

18、步骤3.2：根据当前日辐照度it、小时辐照度rt-1的值，分别计算样本数据vi′的权重值ωi，i＝1,2,…,n，以将[0,1]区间分成n个长度分别为ωi的子区间；

19、步骤3.3：产生一个[0,1]间服从均匀分布的随机数x，如果x落在[0,1]区间中的第k个子区间，即则当前次抽样时选取第k个高斯函数，其中均值向量为bk、协方差矩阵为

20、步骤3.4：生成(d-1)维的高斯列向量q，得到随机向量ut＝bk+λuv′lq，进而得到yt＝(utt,it′)t；

21、步骤3.5：通过线性变换rt＝rtyt，得到日辐照度到小时辐照度的解集，即得到小时辐照度随机样本；

22、步骤3.6：判断t是否达到预设阈值，如果否则令t＝t+1，并转入步骤3.3)，否则计算终止，生成得到最终的小时辐照度随机样本输出。

23、进一步的，步骤2中建立的日辐照度的条件概率密度估计模型为：

24、

25、其中：

26、

27、

28、

29、

30、

31、

32、其中，λt、λt-1分别为日辐照度it、it-1的样本方差，λt-1＝[(n-1)(4π)1/2r(ft-1)]-1/5，r(ft)＝∫tr2{st·f″(it)}dit，r(ft-1)＝∫tr2{sq·f″(it-1)}dit-1,st为相邻日辐照度it的样本协方差矩阵，sh为日辐照度it的样本方差；shq为日辐照度it和it-1的样本协方差；sq为日辐照度it-1的样本方差，n为日辐照度样本数据的总天数。

33、进一步的，步骤2中根据所述日辐照度的条件核密度估计模型计算已知it-1条件下日辐照度it，产生日辐照度随机样本数据的步骤包括：

34、步骤2.1：令t＝2，配置日辐照度的初始值it-1；

35、步骤2.2：计算每个样本iti-1在已经条件量it-1下的贡献权重ωti(i＝1,2,…,n-1)，其将[0,1]区间分成n-1个长度分别为ωti的子区间；

36、步骤2.3：产生一个[0,1]间服从均匀分布的随机数x，如果x落在[0,1]区间中的第k个子区间，即则选取第k个高斯函数进行本次抽样，其均值为btk、方差为

37、步骤2.4：随机生成一个高斯函数vk，从而得到在已知条件量it-1下第t天的日辐照度it＝btk+λtltvk；

38、步骤2.5：判断t是否小于预设阈值，如果是将it赋给it-1作为新的条件量，并令t＝t+1转入步骤2.3)，否则转入步骤3。

39、进一步的，步骤1中根据获取的所述日辐照度和小时辐照度样本数据分别计算相邻日辐照度it和小时辐照度rt的样本协方差矩阵的步骤：

40、对小时辐照度rt进行如下坐标变换：

41、yt＝rrt

42、式中，yt＝(y1,t,y2,t,…,yd,t)t；r为单位正交矩阵，即rt＝r-1；定义ut＝(y1,t,y2,t,…,yd-1,t)t，则yt＝(y1,t,y2,t,…,yd,t)t＝(utt,it′)t，且令vt′＝(ut-1,it′)t；

43、计算日辐照度it的样本协方差矩阵st：

44、

45、其中，sh为it的样本方差；shq为it和it-1的样本协方差；sq为it-1的样本方差。

46、计算(ut,vt′)间的样本协方差矩阵s：

47、

48、式中，su为ut的(d-1)×(d-1)阶对称样本协方差阵，suv′为ut和vt′的(d-1)×d阶样本协方差阵，sv′为vt′的d×d阶样本协方差阵。

49、进一步的，步骤1还包括：

50、对式st作如下初等变换

51、

52、则

53、以及对s作如下初等变换：

54、

55、其中，ed-1为d-1阶单位阵，ed则为d阶单位阵；

56、令对at和a进行cholesky分解得到lt和l，其中at＝ltltt、a＝llt。

57、一种基于非参数解集的太阳能辐照度概率建模装置，包括：

58、样本参数的初始化模块，用于定义it＝[it,it-1]和rt＝[r1,t,r2,t,…,rd,t]t，其中it,it-1分别是第t天、第t-1天的日辐照度，rt表示第t天每小时辐照度构成的随机向量，获取多天的日辐照度和小时辐照度数据形成日辐照度和小时辐照度样本数据，根据获取的所述日辐照度和小时辐照度样本数据分别计算相邻日辐照度it和小时辐照度rt的样本协方差以及带宽系；

59、日辐照度随机样本生成模块，用于选取高斯函数作为核函数，基于相邻日辐照度it的样本协方差和带宽系数构建得到日辐照度的条件核密度估计模型；通过随机生成高斯函数，根据所述日辐照度的条件核密度估计模型计算已知it-1条件下日辐照度it，产生日辐照度随机样本数据；

60、小时辐照度随机样本生成模块，用于选取高斯函数作为核函数，将日辐照度it表示为小时辐照度rt间的加和，并基于日辐照度it以及前一天的小时辐照度rt-1建立小时辐照度非参数解集模型，通过随机选取多维高斯函数，根据所述小时辐照度非参数解集模型计算已知前一天的小时辐照度rt-1、日辐照度it的条件下的小时辐照度rt，生成小时辐照度随机样本数据。

61、一种计算机设备，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序以执行如上述方法。

62、一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现如上述方法。

63、与现有技术相比，本发明的优点在于：本发明综合考虑前期一天小时辐照度与当前模拟日小时辐照度的相关关系，并能够充分反映相邻日各小时辐照度的相关结构，使得能够准确计及小时辐照度的随机性、相邻或非相邻小时辐照度之间的相关性、日总辐照度到小时辐照度解集的加和特性，从而实现日辐照度和小时辐照度概率分布的准确模拟；且根据辐照度的实测数据基于非参数条件核密度估计和解集理论进行小时辐照度的时序概率建模，不需要概率分布形式和参数的任何假设，不仅建模准确度高且通用性强，针对于不同地区、具有不同气候特征的光伏电站均能达到较好的模拟效果。