科研论文路上越走越远 [1]

常规方法

风电预测采用weilbull分布，光伏采用正态分布

马尔科夫链

用马尔可夫链进行离散化预测描述
若将输出功率离散化，则可以采用改进的马尔可夫链进行描述。将风机的输出功率的变化范围看作一个状态，状态空间记为 。由于马尔可夫链具有无记忆性，即某一个时刻的状态转移只依赖于它的前一个状态。分别按不同天气状况，对历史数据进行统计，得出状态转移矩阵：P
， 为相邻时段的输出功率从状态 i转移到i+1 的概率，通过状态转移矩阵得出该时段状态的概率分布，从而由蒙特卡洛方法随机产生出力数据。

先看个假设，他每个状态的转移都是有概率的，比如今天玩，明天睡的概率是几，今天玩，明天也玩的概率是几几。https://blog.csdn.net/Scythe666/article/details/79141749
这个矩阵就是转移概率矩阵P，并且它是保持不变的，就是说第一天到第二天的转移概率矩阵跟第二天到第三天的转移概率矩阵是一样的。（这个叫时齐，不细说了，有兴趣的同学自行百度）。
有了这个矩阵，再加上已知的第一天的状态分布，就可以计算出第N天的状态分布了。
S1 是4月1号中午12点的的状态分布矩阵 [0.6, 0.2, 0.2]，里面的数字分别代表吃的概率，玩的概率，睡的概率。
那么
4月2号的状态分布矩阵 S2 = S1 * P (俩矩阵相乘)。
4月3号的状态分布矩阵 S3 = S2 * P (看见没，跟S1无关，只跟S2有关)。
4月4号的状态分布矩阵 S4 = S3 * P (看见没，跟S1，S2无关，只跟S3有关)。
…
4月n号的状态分布矩阵 Sn = Sn-1 * P (看见没，只跟它前面一个状态Sn-1有关)。
总结：马尔可夫链就是这样一个任性的过程，它将来的状态分布只取决于现在，跟过去无关！