[发明专利]一种基于层次聚类分场景的光伏汇聚趋势量化方法

权利要求书

1.一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，包括：

采集多个光伏电站持续出力数据，采用基于层次聚类算法的层级顺序选择，实现光伏集群分层，得到不同集群规模持续功率曲线；

将不同集群规模持续功率曲线进行M等分，输出第m个场景的不同集群规模持续功率曲线，构成各集群规模持续功率曲线；

针对各集群规模持续功率曲线，在各出力场景下建立持续功率曲线组合预测模型；

利用持续功率曲线组合预测模型输出各出力场景下的集群持续功率曲线，拼接得到待建集群持续功率曲线。

2.根据权利要求1所述的一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，所述层次聚类算法的核心内容如下：

先将每个样本对象作为一个簇，然后合并这些簇聚集为越来越大的簇，直到所有对象都在一个簇中，或者某个终结条件被满足；每个样本对象，即每个光伏电站单独当作一个类，类间距离就是这两个光伏电站之间的距离；依据类间样本离差平方和应尽可能大而类内样本离差平方和应尽可能小的原则，采用平均距离法进行合并类，从而得到聚类树状图。

3.根据权利要求2所述的一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，所述层次聚类算法的具体步骤如下：

1)首先对光伏电站的输出功率信息做相应的标准化处理，避免不同装机容量对处理过程的影响，再构造整体数据矩阵；

2)先将各个电站分别作为一类，选用不同相似度的距离公式计算出每两个电站之间的距离，构建相似度度量矩阵，设某两个电站功率序列为：

x_m＝{x_m1，x_m2，…，x_mi}，x_n＝{x_n1，x_n2，…，x_ni}；

欧式距离计算公式为：

弗雷歇距离计算公式为：

式中，d为两点间的欧拉距离，而弗雷歇距离F(A,B)为两曲线上各采样点A(α(t))和B(β(t))之间距离的最大值的下确界；

3)将最近距离的两个类别作为一个新类合并，并更新类别数量；采取平均距离法计算新类之间的平均距离，更新相似度矩阵；

4)不断进行第3)步，一直到将所有类别聚为一类，画出聚类树状图。

4.根据权利要求3所述的一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，将光伏功率的输出范围等分为若干个功率区间，每一个功率区间代表一个出力场景。

5.根据权利要求4所述的一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，假设某光伏电站的装机容量为P，将此电站的功率区间进行M等分，第m个状态对应的输出功率范围为其中，

6.根据权利要求3所述的一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，根据层次聚类结果确定光伏电站的依次加入顺序，得到基于层次聚类方法下的不同集群规模光伏持续功率曲线。

7.根据权利要求6所述一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，完成光伏集群汇聚分层后，需要对得到的不同集群规模的持续功率曲线进行出力场景划分，划分过程保留光伏持续出力数据。

8.根据权利要求1所述一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，采用卷积神经网络、灰色模型和回归分析三种模型组成组合预测模型，在不同出力场景下对各光伏持续功率曲线进行组合预测。