本发明专利技术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。本发明专利技术利用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。
【技术实现步骤摘要】
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
本专利技术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。
技术介绍
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,...,xn)与y＝(y1,y2,...,yn)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,...,xn}中随机选取k个点{ζ1,ζ2,...,ζk}作为初始聚类中心；step2.计算样本集中每个样本点xi(i＝1,2,...,n)到初始聚类中心ζj(j＝1,2,...,k)的欧式距离dij，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Cl(l＝1,2,...,k)中；step3.对各簇Cl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Cl(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。在公开号为CN111695586A的中国专利技术专利申请文件中，公开了一种基于H-K复合聚类算法的分布式光伏多场景分析方法，包括：以分布式光伏和负荷概率密度函数为模型生成大量场景；通过HAC算法(层次凝聚聚类算法)初步聚类；利用K-Means聚类方法进行最终聚类，形成H-K复合聚类算法，然后通过对场景进行压缩得到最终典型“规划场景”，最后对H-K复合聚类算法的结果进行评价。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种基于改进k-means聚类算法的新能源出力场景分析方法及系统。根据本专利技术提供的一种基于改进k-means聚类算法的新能源出力场景分析方法，其特征在于，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。优选的，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。优选的，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。优选的，所述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。优选的，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。与现有技术相比，本专利技术具有如下的有益效果：1、利用灰狼算法和布谷鸟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。2、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。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1为本申请实施例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中CS-GWO算法的流程图；图2为本申请实施例2一种基于改进k-means聚类算法的新能源出力场景分析方法的流程示意图；图3为本申请实施例2一种基于改进k-means聚类算法的新能源出力场景分析方法中某地区风电场夏季出力曲线图；图4为本申请实施例2一种基于改进k-means聚类算法的新能源出力场景分析方法中k与SC之间的关系图；图5为本申请实施例2一种基于改进k-means聚类算法的新能源出力场景分析方法中传统k-means算法聚类结果；图6为本申请实施例2一种基于改进k-means聚类算法的新能源出力场景分析方法中基于CS-GWO算法改进k-means算法聚类结果图；图7为本申请实施例2一种基于改进k-means聚类算法的新能源出力场景分析方法中基于CS-GWO算法改进k-means算法选取的六种典型场景图；图8为本申请实施例2一种基于改进k-means聚类算法的新能源出力场景分析方法中初始场景与典型场景的累积概率曲线图。具体实施方式下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以本文档来自技高网...
【技术保护点】
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：/n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；/n步骤S2：根据需要按照时间尺度对场景集U进行初始划分；/n步骤S3：输入初始类聚中心个数k值；/n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；/n步骤S5：合并聚类结果中各类聚中心为典型场景集C；/n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。/n
【技术特征摘要】
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。
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.根据权利要求3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。
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方法，其特征在于：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。
【专利技术属性】
技术研发人员：王斌，朱蕾蕾，李小鹏，刘劲磊，王子威，周琼，解大，潘明杰，
申请(专利权)人：上海电气工程设计有限公司，上海交通大学，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。