System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及数据处理,尤其涉及一种电站集群划分方法、装置、电子设备及存储介质。
技术介绍
1、随着新能源行业的快速发展,光伏电站装机容量逐年上升,其中,分布式光伏新增容量占比逐年增加。分布式光伏出力具有间歇性和随机性的特点,给接入配电网的经济运行调度和安全稳定运行带来了挑战。为了确保配电网的安全经济运行,并促进光伏规模化发展,需要准确预测分布式光伏的出力。
2、分布式光伏出力具有明显的日周期性,对单个分布式光伏电站进行功率预测不仅准确率低、对电网规划和调度影响小,且不同电站之间的模型适应性差、无法共用。对多个分布式光伏电站群进行集中预测,则会忽视光伏之间的差异性,不能充分挖掘和利用其中的非线性规律和特征,这种差异性会影响分布式光伏的预测结果。因此,有必要对分布式光伏电站群进行划分,以提升预测精度与适用性。
3、相关技术中大多基于k-means等传统聚类算法进行光伏电站的集群划分,然而,由于相应算法的不成熟,其计算结果的集群划分的误差较大、精度较低,当前的准确度及适用范围已无法满足日益提升的要求。
技术实现思路
1、有鉴于此,本申请提出一种电站集群划分方法、装置、电子设备及存储介质,以解决或部分解决上述问题。
2、基于上述目的,本申请提供了一种电站集群划分方法,包括:
3、获取设定时间周期内至少两个电站的出力数据,对所述出力数据进行归一化处理,得到归一化数据;
4、确定所述设定时间周期内每日的所述出力数据的起止时间,根据所述起
5、根据高斯核函数将所述距离矩阵转换为相似度矩阵,对所述相似度矩阵进行拉普拉斯矩阵计算,确定对应的特征值,根据所述特征值生成特征向量矩阵;
6、利用k-means算法根据所述特征向量矩阵进行聚类划分,得到所述至少两个电站的聚类划分结果,其中,利用特征相关性最小化原则对所述特征向量矩阵的聚类中心点进行选择。
7、在一些示例性实施例中,所述获取设定时间周期内至少两个电站的出力数据之后,所述方法还包括:
8、确定所述出力数据中缺失部分及异常部分,得到至少一处待处理数据,其中所述异常部分为对应的出力数据超出设定阈值的部分;
9、确定所述至少一处待处理数据的持续时长,并根据设定时长进行划分;
10、对于所述持续时长小于或等于所述设定时长的待处理数据,根据该待处理数据相邻的出力数据进行插补处理;
11、对于所述持续时长大于所述设定时长的待处理数据,进行删除处理。
12、在一些示例性实施例中,所述对所述出力数据进行归一化处理,得到归一化数据,包括:
13、确定所述出力数据与预设计量容量的比值,得到所述归一化数据。
14、在一些示例性实施例中,所述根据所述起止时间及所述归一化数据确定所述至少两个电站中任意两个电站之间单日的动态时间规整值,包括:
15、根据任一天的所述起止时间及所述归一化数据,确定所述任一天的所述任意两个电站的出力曲线,根据所述出力曲线生成第一矩阵;
16、根据预设约束条件在所述第一矩阵中进行节点选取,生成至少一个弯曲路径集合;
17、通过递归算法分别计算所述至少一个弯曲路径集合的累积距离,将所述累积距离中的最小值作为所述任一天的所述动态时间规整值。
18、在一些示例性实施例中,所述对所述相似度矩阵进行拉普拉斯矩阵计算,确定对应的特征值,包括:
19、对所述相似度矩阵按行求和,得到第二矩阵;
20、对所述第二矩阵与所述相似度矩阵作差,得到所述拉普拉斯矩阵;
21、根据所述第二矩阵的逆平方根对所述拉普拉斯矩阵进行标准化处理,得到第三矩阵,构建所述第三矩阵的特征多项式,根据所述特征多项式确定所述特征值。
22、在一些示例性实施例中,所述根据所述特征值生成特征向量矩阵,包括:
23、对所述特征值进行增序排列,选取前设定数量个特征值计算对应的特征向量,生成所述特征向量矩阵。
24、在一些示例性实施例中,所述利用特征相关性最小化原则对所述特征向量矩阵的聚类中心点进行选择,包括:
25、随机选择所述特征向量矩阵中的一个特征向量作为聚类中心点;
26、利用欧氏距离确定所述特征向量矩阵中其他特征向量到所述聚类中心点的距离,得到距离集合;
27、根据所述距离集合确定所述其他特征向量到所述聚类中心点的特征相关值,选取最大的所述特征相关值所对应的特征向量作为下一个聚类中心点,以此循环,直至聚类中心点的数量达到预设数量。
28、基于同一构思,本申请还提供了一种电站集群划分装置,包括:
29、获取模块,用于获取至少两个电站的出力数据,对所述出力数据进行归一化处理,得到归一化数据;
30、第一确定模块,用于确定所述设定时间周期内每日的所述出力数据的起止时间,根据所述起止时间及所述归一化数据确定所述至少两个电站中任意两个电站之间单日的动态时间规整值,对所述设定时间周期内的所述单日的动态时间规整值进行累计求均值计算,得到所述任意两个电站之间的距离值,重复进行任意两个电站的选取及对应的距离值的确定,以得到所述至少两个电站的距离矩阵;
31、第二确定模块,用于根据高斯核函数将所述距离矩阵转换为相似度矩阵,对所述相似度矩阵进行拉普拉斯矩阵计算,确定对应的特征值,根据所述特征值生成特征向量矩阵;
32、划分模块,用于利用k-means算法根据所述特征向量矩阵进行聚类划分,得到所述至少两个电站的聚类划分结果,其中,利用特征相关性最小化原则对所述特征向量矩阵的聚类中心点进行选择。
33、基于同一构思,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任一项所述的方法。
34、基于同一构思,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机实现如上任一项所述的方法。
35、从上面所述可以看出,本申请提供的一种电站集群划分方法、装置、电子设备及存储介质,包括:获取至少两个电站的出力数据,对出力数据进行归一化处理,得到归一化数据;确定设定时间周期内每日的出力数据的起止时间,根据起止时间及归一化数据确定至少两个电站中任意两个电站之间单日的动态时间规整值,对设定时间周期内的单日的动态时间规整值进行累计求均值计算,得到任意两个电站之间的距离值,重复进行任意两个电站的选取及对应的距离值的确定,以得到至少两个电站的距离矩阵;根据本文档来自技高网...
【技术保护点】
1.一种电站集群划分方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述获取设定时间周期内至少两个电站的出力数据之后,所述方法还包括:
3.根据权利要求1所述的方法,其特征在于,所述对所述出力数据进行归一化处理,得到归一化数据,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据所述起止时间及所述归一化数据确定所述至少两个电站中任意两个电站之间单日的动态时间规整值,包括:
5.根据权利要求1所述的方法,其特征在于,所述对所述相似度矩阵进行拉普拉斯矩阵计算,确定对应的特征值,包括:
6.根据权利要求1所述的方法,其特征在于,所述根据所述特征值生成特征向量矩阵,包括:
7.根据权利要求1所述的方法,其特征在于,所述利用特征相关性最小化原则对所述特征向量矩阵的聚类中心点进行选择,包括:
8.一种电站集群划分装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机实现权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种电站集群划分方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述获取设定时间周期内至少两个电站的出力数据之后,所述方法还包括:
3.根据权利要求1所述的方法,其特征在于,所述对所述出力数据进行归一化处理,得到归一化数据,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据所述起止时间及所述归一化数据确定所述至少两个电站中任意两个电站之间单日的动态时间规整值,包括:
5.根据权利要求1所述的方法,其特征在于,所述对所述相似度矩阵进行拉普拉斯矩阵计算,确定对应的特征值,包括:
6.根据权利要求1所...
【专利技术属性】
技术研发人员:明萌,赵永生,李温静,高丽媛,崔明涛,李春阳,马红月,张沛尧,陈雪瑞,肖钧浩,
申请(专利权)人:国网信息通信产业集团有限公司,
类型:发明
国别省市:
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。