[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

说明书

本发明提供了一种基于改进k‑means聚类算法的新能源出力场景分析方法及系统，包括以下步骤：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；根据需要按照时间尺度对场景集U进行初始划分；输入初始类聚中心个数k值；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；合并聚类结果中各类聚中心为典型场景集C；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。本发明利用GWO算法和CS算法的全局搜索能力对传统k‑means聚类算法进行改进，优化了初始聚类中心的选择，提高了聚类结果表征初始随机变量特性的准确性；将改进的k‑means聚类算法应用于场景缩减，实现了风电、光伏出力场景分析。

技术领域

本发明涉及新能源出力分析算法的优化，具体地，涉及基于改进k-means聚类算法的新能源出力场景分析方法及系统。

背景技术

风电、光伏出力具有明显的间歇性与波动性，在并网过程中会引起电压发生波动和闪变，威胁电网的稳定性。因此，在含波动性新能源的电源规划阶段，如何描述风电与光伏的间歇性出力并将其纳入规划阶段的考虑因素是需要重点解决的问题。场景分析理论作为常用的描述随机问题的方法，将其应用于电源规划领域能够有效描述新能源的波动性与不确定性，为电源规划提供分析基础。

场景分析理论中存在计算精度和计算效率的博弈。想要获得较高的计算精度，就需要生成大规模的场景集，这样其概率密度才更接近于描述的随机向量本身。而大规模场景集则会造成计算过程复杂，计算效率低下。因此，为了平衡这一博弈关系，可以引入场景缩减来解决这个两难的问题。

k-means算法是一种典型且常用的聚类算法，在场景缩减中应用广泛。k-means算法的主体思想是根据n个样本在特征空间中的距离远近d划分类别，距离越近的样本其在特征空间中的属性越接近，两个样本的相似性越大，可以归为一类。经过多次迭代筛选计算，最终形成k类的样本集。其中，这里的距离通常指欧式距离，点x＝(x₁,x₂,...,x_n)与y＝(y₁,y₂,...,y_n)之间的欧式距离计算公式如式(1)所示：

传统k-means聚类算法的流程如下：

step1.在样本集U＝{x₁,x₂,...,x_n}中随机选取k个点{ζ₁,ζ₂,...,ζ_k}作为初始聚类中心；

step2.计算样本集中每个样本点x_i(i＝1,2,...,n)到初始聚类中心ζ_j(j＝1,2,...,k)的欧式距离d_ij，将欧氏距离最小的样本点归到相应聚类中心对应的类别簇C_l(l＝1,2,...,k)中；

step3.对各簇C_l中的样本重新计算新的质心并更新原来的质心；

step4.重复迭代step2～step3，直至达到迭代次数或满足目标函数则转向step5；

step5.输出最终的聚类结果，即各类别的场景簇C_l(l＝1,2,...,k)。

k-means算法的目标函数为簇内误差平方和最小，如式(2)所示：

理想的聚类结果是同类簇内场景相似度高，类间场景相似度低，表现在特征空间就是簇内场景欧式距离最小，类间场景欧式距离最大。对于传统的k-means算法来说，初始聚类中心的随机选择会造成算法陷入局部最优，无法实现全局上的最优解，使最终的聚类效果受到影响。