[发明专利]一种结合谱聚类算法的光伏出力典型场景提取方法

权利要求书

1.一种结合谱聚类算法的光伏出力典型场景提取方法，其特征在于能够有效降低数据对象维数，实现高维的风光出力历史数据典型场景的准确提取，通过如下步骤实现：

1)步骤S1：利用给定的函数公式计算光伏的实际输出功率P_PV(t)，基于光照强度的历史数据，利用光伏输出功率计算公式，计算光伏发电输出的实际功率，公式为

式中，P_PV(t)表示在t时刻的光伏功率(kW)，g(t)表示在t时刻的辐照强度(W/m²)，η表示光伏板的光电转换效率(％)，S为光伏板的总面积(m²)，θ表示辐照射线与光伏电池板法线之间的夹角，η₁表示太阳能板在现场运行和测试条件下输出功率存在的偏差(5％)，η₂为光伏组件的输出功率受温度影响带来的偏差，η₃表示光伏组件表面灰尘累积对太阳能板输出功率带来的影响，η₄为光伏组件的不匹配性和板间连线损失对输出功率的影响；

2)步骤S2：对光伏出力历史数据对象o₁,...,o_n进行降维，利用谱聚类算法将所得光伏出力历史数据进行降维，给定数据对象o₁,...,o_n的集合，每两个数据对象之间的距离dist(o_i,o_j)(1≤i,j≤n)，并给定期望的典型场景个数，即聚类数k；

3)步骤S3：计算光伏出力历史数据对象的相似矩阵W，使用距离度量计算相似矩阵(affinity matrix)W，使得

式中，δ是缩放参数，控制相似性W_ij随dist(o_i,o_j)(1≤i,j≤n)增加而降低的程度，W_ii设置为0；

4)步骤S4：使用相似矩阵W，导出矩阵A＝f(W)，定义一个对角矩阵D,其中D_ii是W第i行之和，即：

然后，设置A为：

5)步骤S5：找出A的前k个特征向量；

6)步骤S6：将原始光伏出力历史数据投影到新空间，使用前k个特征向量，把原始的光伏出力历史数据投影到由前k个特征向量定义的新空间，将k个最大的特征向量按列堆积在一起形成一个矩阵X＝[x₁,x₂…x_k]∈R^n×k，通过规范化X使得每行都具有单位长度，形成矩阵Y,如式(5)所示，然后，把Y的每一行看作k维空间R^k中的一个点，形成新的k维数据空间；

7)步骤S7：采用k-均值聚类方法对通过谱聚类算法进行降维的光伏出力历史数据进行聚类，得到k个簇；

8)步骤S8：从k维空间R^k中任意选取k个对象，每个光伏数据对象代表一个簇的初始均值或中心；

9)步骤S9：将剩下的光伏数据对象分配到最相似的簇，对剩下的每个光伏数据对象，计算其与各个簇中心的欧式距离，将它分配到最相似的簇，计算欧式距离公式如下：

式中，E是所有数据集中所有对象的误差的平方和，p是空间中的点，表示给定的数据对象，c_i是簇C_i的形心；

10)步骤S10：更新簇的中心，对于纳入新光伏数据对象的簇，计算簇中心；

11)步骤S11：判断是否所有光伏数据对象都分配到簇中，若未全部分配，转向步骤S9，若已全部分配，转向步骤S12；

12)步骤S12：输出k个簇；

13)步骤S13：将原始光伏出力历史数据点分配到这k个簇中；

14)步骤S14：对每个簇中的每个维的数据取均值，生成典型场景。