【场景生成与研究】考虑时序相关性MC的场景生成与削减研究-开发者社区

👨‍🎓个人主页

💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁

💥1 概述

随着风电装机容量的迅猛发展，风电并网规模逐渐增加[1]，风电出力不确定性对电力系统运行调度和控制的影响不可忽视。而现阶段的风电功率预测精度[2]依然不尽如人意，风电大规模并网对电力系统安全运行提出了更高的要求。常规的确定性优化调度模型已经不再适用于大规模风电并网系统，场景法作为随机优化调度模型的一种，能够对风电不确定变量进行抽样产生可能出现的场景，通过多个确定性场景来表征不确定变量。因此，基于场景法的不确定优化调度模型得到了较为广泛的应用和发展。

目前，国内外相关研究人员对各种场景生成方法已经做了较为丰富的研究，文献[3]提出了自回归滑动平均模型对某一风电场出力的预测误差进行估计，并据此随机生成了风功率误差场景。文献[4-5]引入了拉丁超立方抽样法，对预测误差概率分布进行分层抽样生成了风电出力预测场景集。文

献[6]根据场景树的方法，生成了规模较大的场景树来描述风功率的不确定性特征。

上述传统的场景生成方法，是以风功率历史数据为基础，针对某一时间断面或单一风电场的场景生成。当大规模风电并网时，受气象及风能传播的影响，多个风电场之间出力必然会显现出一定的时空相关性[7-9]，而常规场景生成方法没有考虑多个风电场出力的时空相关性，具有一定局限性。

在风功率短期预测中，风速的变化主要受到大气压的分布以及地貌特征的影响[16]，大气压的分布通常覆盖较大的空间范围且一定范围内地貌特征较为相似，因此在一定空间范围内多风电场风速具

有空间相关性[17]。由于风功率和风速之间存在一定的转换关系，因此通过风功率特性函数转化而来的风功率之间也具有一定的空间相关性。

一、引言

蒙特卡洛方法是一种基于随机抽样的统计模拟方法，广泛应用于金融、物理、工程等领域中的不确定性分析和风险评估。在复杂系统中，考虑时序相关性对于准确模拟和预测系统行为至关重要。因此，研究考虑时序相关性的蒙特卡洛场景生成与削减方法具有重要意义。

二、场景生成

时序相关性分析
- 首先，需要对系统中的不确定性因素进行时序相关性分析。这通常涉及对历史数据的收集、处理和分析，以确定各因素之间的时间序列关系和相关性。
- 可以采用自回归模型、移动平均模型等时间序列分析方法，以及协方差矩阵、相关系数等统计工具来量化时序相关性。
场景生成方法
- 基于时序相关性分析结果，可以采用多种方法来生成蒙特卡洛场景。
- 例如，可以使用Copula函数来模拟多个变量之间的联合分布，并结合时间序列模型来生成具有时序相关性的场景。
- 另外，还可以采用马尔可夫链蒙特卡洛（MCMC）方法、随机过程模拟等方法来生成场景。

三、场景削减

场景削减的重要性
- 在实际应用中，生成的蒙特卡洛场景数量可能非常庞大，这会增加计算复杂性和存储需求。
- 因此，需要对场景进行削减，以保留最具代表性的场景，同时减少计算量和存储需求。
场景削减方法
- 场景削减方法主要包括聚类分析、主成分分析（PCA）、奇异值分解（SVD）等。
- 聚类分析可以将相似的场景归为一类，从而保留最具代表性的场景。
- PCA和SVD则可以通过降维来减少场景的维度，同时保留场景的主要特征。
- 此外，还可以采用基于距离的削减方法、基于信息熵的削减方法等。