[发明专利]基于改进k-means聚类算法的新能源出力场景分析方法及系统

权利要求书

1.一种基于改进k-means聚类算法的新能源出力场景分析方法，其特征在于，包括以下步骤：

步骤S1：对新能源某时间段内的出力数据进行采样，生成得到矩阵形式的初始场景集U；

步骤S2：根据需要按照时间尺度对场景集U进行初始划分；

步骤S3：输入初始类聚中心个数k值；

步骤S4：根据k值利用基于CS-GWO算法改进的k-means聚类算法进行场景缩减；

步骤S5：合并聚类结果中各类聚中心为典型场景集C；

步骤S6：输出典型场景集C，采用典型场景集C描述该时间段内新能源出力特征；

GWO算法中，在初始化狼群位置之后，利用莱维飞行来更新优势狼α、β和δ的位置，保证其更新的位置是当前迭代步内的最优，即确定初始的宿主巢；在狩猎过程中猎物发现狼群时，即宿主发现了布谷鸟的寄生蛋的情况，重新随机更新灰狼的位置；

所述CS-GWO算法的流程如下：

步骤S5.1：设置最大迭代次数T及其他参数，选择适应度函数，初始化α狼、β狼和δ狼的位置；

步骤S5.2：计算狼群适应度函数值，进行分层，更新α狼、β狼和δ狼位置；

步骤S5.3：利用莱维飞行更新α狼、β狼和δ狼位置，并利用GWO算法更新狼群位置；

步骤S5.4：判断猎物是否发现狼群，若是，则随机更新灰狼位置；若否，则转入步骤S5.5；

步骤S5.5：重复迭代步骤S5.2～步骤S5.4至达到最大迭代次数T，则输出最终的最优α狼位置。

2.根据权利要求1所述的一种基于改进k-means聚类算法的新能源出力场景分析方法，其特征在于：在步骤S4中进行场景缩减时，计算轮廓系数SC并作为聚类效果评价指标，判断是否达到最佳聚类效果；若是，则进行步骤S5操作，反之更改k值并返回步骤S4。

3.根据权利要求1所述的一种基于改进k-means聚类算法的新能源出力场景分析方法，其特征在于：所述步骤S4中，利用GWO算法的全局寻优过程来筛选最优的初始类聚中心，同时CS算法对GWO算法进行优化，提高GWO算法的全局搜索能力。

4.一种基于改进k-means聚类算法的新能源出力场景分析系统，其特征在于：包括以下模块：

模块M1：对新能源某时间段内的出力数据进行采样，生成得到矩阵形式的初始场景集U；

模块M2：根据需要按照时间尺度对场景集U进行初始划分；

模块M3：输入初始类聚中心个数k值；

模块M4：根据k值利用基于CS-GWO算法改进的k-means聚类算法进行场景缩减；

模块M5：合并聚类结果中各类聚中心为典型场景集C；

模块M6：输出典型场景集C，采用典型场景集C描述该时间段内新能源出力特征；

GWO算法中，在初始化狼群位置之后，利用莱维飞行来更新优势狼α、β和δ的位置，保证其更新的位置是当前迭代步内的最优，即确定初始的宿主巢；在狩猎过程中猎物发现狼群时，即宿主发现了布谷鸟的寄生蛋的情况，重新随机更新灰狼的位置；

所述CS-GWO算法包括以下子模块：

模块M5.1：设置最大迭代次数T及其他参数，选择适应度函数，初始化α狼、β狼和δ狼的位置；

模块M5.2：计算狼群适应度函数值，进行分层，更新α狼、β狼和δ狼位置；

模块M5.3：利用莱维飞行更新α狼、β狼和δ狼位置，并利用GWO算法更新狼群位置；

模块M5.4：判断猎物是否发现狼群，若是，则随机更新灰狼位置；若否，则转入步骤S5.5；

模块M5.5：重复迭代模块M5.2～模块M5.4至达到最大迭代次数T，则输出最终的最优α狼位置。

5.根据权利要求4所述的一种基于改进k-means聚类算法的新能源出力场景分析系统，其特征在于：在模块M4中进行场景缩减时，计算轮廓系数SC并作为聚类效果评价指标，判断是否达到最佳聚类效果；若是，则进行模块M5操作，反之更改k值并返回模块M4。

6.根据权利要求4所述的一种基于改进k-means聚类算法的新能源出力场景分析系统，其特征在于：所述模块M4中，利用GWO算法的全局寻优过程来筛选最优的初始类聚中心，同时CS算法对GWO算法进行优化，提高GWO算法的全局搜索能力。