[论文解读] Synthetic Generation of Solar States for Smart Grid: A Multiple Segment Markov Chain Apptoach

Wayes Tushar, Shisheng Huang+4 more|arXiv (Cornell University)|Jul 18, 2014

Electric Vehicles and Infrastructure参考文献 18被引用 7

一句话总结

本文提出了一种多段一阶马尔可夫链模型，用于为智能电网应用生成合成的太阳辐照度状态，将一天划分为具有不同转移概率的时间段。该模型准确再现了真实的太阳状态动态，夏季合成数据的标准差为1.2787，冬季为0.88，接近真实数据（夏季1.3077，冬季1.03），在两个季节中均表现出优异性能。

ABSTRACT

The use of photovoltaic (PV) sources is becoming very popular in smart grid for their ecological benefits, with higher scalability and utilization for local generation and delivery. PV can also potentially avoid the energy losses that are normally associated with long-range grid distribution. The increased penetration of solar panels, however, has introduced a need for solar energy models that are capable of producing realistic synthetic data with small error margins. Such models, for instance, can be used to design the appropriate size of energy storage devices or to determine the maximum charging rate of a PV-powered electric vehicle (EV) charging station. In this regard, this paper proposes a stochastic model for solar generation using a Markov chain approach. Based on real data, it is first shown that the solar states are inter-dependent, and thus suitable for modeling using a Markov model. Then, the probabilities of transition between states are shown to be heterogeneous over different time segments. A model is proposed that captures the inter temporal dependency of solar irradiance through segmentation of the Markov chain across different times of the day. In the studied model, different state transition matrices are constructed for different time segments, which the proposed algorithm then uses to generate the solar states for different times of the day. Numerical examples are provided to show the effectiveness of the proposed synthetic generator.

研究动机与目标

• 为支持智能电网规划和能源管理，解决对准确合成太阳辐照度数据的需求。
• 对随时间变化的太阳状态相互依赖性进行建模，这些依赖性并非全天均匀分布。
• 开发一种随机生成器，以实现对太阳能可用性的真实模拟，适用于电动汽车充电和储能容量规划等应用。
• 通过将时间分段以捕捉异质转移概率，改进传统马尔可夫模型。
• 使用来自科罗拉多州的真实太阳辐照度数据，在不同季节中验证模型的有效性。

提出的方法

• 根据发电潜力将太阳辐照度划分为四个离散状态：低、中、高和极高。
• 将一天划分为时间段（例如，4:30 a.m.–10:30 a.m.，10:30 a.m.–1:30 p.m. 等），以考虑非平稳的转移概率。
• 使用真实历史数据，为每个时间段分别计算一阶马尔可夫链转移矩阵。
• 设计一种状态转移算法，通过从特定时间段的转移矩阵中抽样来生成合成太阳状态。
• 使用来自科罗拉多州的真实数据验证模型，将合成序列与夏季和冬季的实际太阳状态进行比较。
• 使用标准差等统计指标评估合成数据与真实数据之间的保真度。

实验结果

研究问题

• RQ1 马尔可夫链模型能否有效捕捉太阳辐照度状态在一天中不同时段的时序依赖性？
• RQ2 太阳状态之间的转移概率在不同时间段如何变化？分段是否能提升模型精度？
• RQ3 多段马尔可夫链在夏季和冬季条件下，能在多大程度上再现真实的太阳状态动态？
• RQ4 在方差方面，合成与真实太阳状态序列之间的统计相似性如何？
• RQ5 该模型能否推广至其他地区，或适用于储能和电动汽车充电应用？

主要发现

• 所提出的多段马尔可夫链模型成功捕捉了太阳辐照度状态转移随时间变化的特性，这些特性在全天并非平稳。
• 在夏季，合成太阳状态序列的标准差（σ² = 1.2787）与真实数据（σ² = 1.3077）非常接近，表明具有出色的统计保真度。
• 在冬季，合成数据的标准差（σ² = 0.88）接近真实数据（σ² = 1.03），即使在太阳变化更急剧的情况下也表现出鲁棒性。
• 该模型在再现真实太阳状态转移方面表现显著，仅在清晨和下午早些时候存在微小偏差。
• 通过时间分段并为每个时间段使用独立的转移矩阵，该模型在精度上显著优于单一同质马尔可夫模型。
• 结果证实，该模型适用于生成用于智能电网应用（如储能容量规划和电动汽车充电站规划）的真实感合成太阳数据。