CN109272258B - 基于K-means聚类的区域风光发电资源评估方法 - Google Patents

基于K-means聚类的区域风光发电资源评估方法 Download PDF

Info

Publication number
CN109272258B
CN109272258B CN201811321715.1A CN201811321715A CN109272258B CN 109272258 B CN109272258 B CN 109272258B CN 201811321715 A CN201811321715 A CN 201811321715A CN 109272258 B CN109272258 B CN 109272258B
Authority
CN
China
Prior art keywords
matrix
wind
power generation
resource
regional
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811321715.1A
Other languages
English (en)
Other versions
CN109272258A (zh
Inventor
杨冬
慈文斌
陈博
邢鲁华
麻常辉
王昕�
郑天茹
周宁
赵康
马欢
蒋哲
李山
李文博
牛凯
吴彬
邓丽
刘文学
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811321715.1A priority Critical patent/CN109272258B/zh
Publication of CN109272258A publication Critical patent/CN109272258A/zh
Application granted granted Critical
Publication of CN109272258B publication Critical patent/CN109272258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明涉及一种基于K‑means聚类的区域风光发电资源评估方法，其包括如下步骤：利用虚拟发电系统模型预处理原始的风光数据序列，将原始的风速和光照强度数据转换为容量系数；构建区域资源协同系数指标，量化不同位置、种类的发电资源间的互补性，并构成新的数据集合；利用PCA方法处理新的数据集合，降低新数据集合维度；利用K‑means聚类方法提取区域风光发电资源的互补性模式，并将结果可视化。本发明降低了区域风光发电资源评估原始数据集合的维度，兼顾高维数据计算和可视化两方面要求，具有较高的工程实际应用价值和先进性；综合考虑区域发电资源间的互补性，能指导区域互补发电系统的规划，提高资源利用效率。

Description

基于K-means聚类的区域风光发电资源评估方法
技术领域
本发明涉及新能源发电领域，尤其涉及一种基于K-means聚类的区域风光发电资源评估方法。
背景技术
近年来，风光发电技术发展迅速，风电和光伏机组的装机容量不断增加。风光发电具有清洁、无污染等不可替代的优势。但由于资源内在的随机性，风光发电出力具有波动性，对电网的安全问题运行提出了新的挑战。同时，风光发电资源还具有内在的互补性，充分利用风光互补，能够平滑聚合后的出力曲线，降低整体出力波动性，减少风光发电对电网爬坡备用和储能装置的依赖，提高经济性和电网对可再生能源的接纳能力。
区域风光发电资源评估能够辅助发电系统的投资者和规划者选择资源储量高、波动性低的子区域，同时，能够充分考虑风光资源的互补性，为区域资源互补系统的规划和建设提供指导，以降低成本，提高运行经济性和对电网的冲击。
区域风光发电资源评估问题涉及多个监测点的长期风光资源时间序列的数据分析，从空间分布来看，区域内的监测点作为原始数据集合的数据对象；从时间分布来看，每个数据对象包含两组时间序列，而序列中的每个值是数据对象的一个属性。因此，区域风光发电资源评估是一个高维、大型的数据挖掘问题。在实际工程中，如何应对高维数据挖掘的维数，降低计算压力，提高计算速度和如何可视化高维分析结果是需要合理考虑的。
目前，对于区域风光发电资源评估问题的研究还不够丰富和深入，缺少一套广泛采用方法。现有的方法不能很好地兼顾高维数据计算和可视化两个方面的要求，得出的区域风光发电资源互补性评估结果较难应用于实际工程中，降低了实用性。
发明内容
本发明要解决的技术问题是提供。
为解决上述技术问题，本发明的基于K-means聚类的区域风光发电资源评估方法包括如下步骤：
步骤1)利用虚拟发电系统模型预处理原始的风光数据序列，将原始的风速和光照强度数据转换为容量系数；
步骤2)构建区域资源协同系数指标，量化不同位置、种类的发电资源间的互补性，并构成新的数据集合；
步骤3)利用PCA方法处理新的数据集合，降低新数据集合维度；
步骤4)利用K-means聚类方法提取区域风光发电资源的互补性模式，并将结果可视化。
在步骤1)中：
风光数据序列为实测或气象再分析风速和光照强度数据；
虚拟风光发电系统模型具体为：
Figure BDA0001857689050000021
Figure BDA0001857689050000022
Figure BDA0001857689050000023
Figure BDA0001857689050000024
Figure BDA0001857689050000025
Figure BDA0001857689050000026
其中，vw为风机轮毂高度为风机轮毂高度处的风速，m/s；vm为测量位置处的风速，m/s；hw和hm分别为风机轮毂高度和测量位置高度，m；α为指数系数；Pw为风机输出功率，kW；ηw为风机能量转化效率；Pwr为风机额定功率，kW；vin，vout和vr为风机的切入、切出和额定风速，m/s；Gw为风机的容量系数；Hf为日照强度，W/m2；HSTC为标准测试环境下的日照强度，1000W/m2；Pfr为光伏电池板的额定运行功率，W；c1为衰减系数；c2为温度系数；Tf为光伏电池板温度，℃；TSTC标准测试环境下光伏电池板温度，25℃；Ta为环境温度，℃；HTETC为温度估计测试状态下的光照强度，800W/m2；Tf,TETC温度估计测试状态下的光伏电池板温度，47℃；Ta,TETC温度估计测试状态下的环境温度，20℃；Gf光伏电池板的容量系数。
在步骤2)中，区域资源协同系数指标具体为：
Figure BDA0001857689050000031
其中，CA,B,j,k为观测点j处资源A与观测点k处资源B间的协同系数；FA,n,j,i和uA,n,j为观测点j处资源A的第i个容量系数和平均容量系数；FB,n,k,i和uB,n,j为观测点k处资源B的第i个容量系数和平均容量系数；
区域资源协同系数指标CA,B,j,k的取值范围为[0,1]，其量化了观测点j处资源A与观测点k处资源B间的反相关性，即量化了资源的互补性，其值越大，表示资源间的互补性越强；
平均容量系数uA,n,j和uB,n,j具体为：
Figure BDA0001857689050000032
Figure BDA0001857689050000033
其中，N为容量系数序列的长度。
在步骤3)中，PCA方法用于处理由区域资源协同系数指标组成的新数据集合，其具体步骤为：
步骤3.1)初始化新数据集合，形成数据集合矩阵D∈Rm×m；
步骤3.2)将数据集合矩阵D标准化，形成标准化矩阵F∈Rm×m；
步骤3.3)求解标准化矩阵F的相关系数矩阵G∈Rm×m；
步骤3.4)求解相关系数矩阵G的m个特征根，确定主成分个数p；
步骤3.5)利用主成分矩阵P∈Rm×p表示数据集合，用于K-means聚类分析。
在步骤3.1)中，针对研究资源种类不同，形成四种数据集合矩阵，分别对应步骤2)中计算区域资源协同系数指标时A和B为风电-光伏、风电-风电、光伏-风电和光伏-光伏，表示不同资源组合间的互补性；
步骤3.1)中，m为监测点个数；
步骤3.2)中，标准化方法具体为：
Figure BDA0001857689050000041
其中，fij为矩阵F中第i行j列的元素，dij为矩阵D中第i行j列的元素，且
i＝1,2,…,m
j＝1,2,…,m
Figure BDA0001857689050000042
Figure BDA0001857689050000043
所述步骤3.3)中，相关系数矩阵求解方法具体为：
Figure BDA0001857689050000044
其中，gij为矩阵G中第i行j列的元素，且
Figure BDA0001857689050000045
步骤3.4)中，特征根求解根据特征方程：
|G-λE|＝0
其中，E为m维单位矩阵，且
主成分个数p确定原则为：
Figure BDA0001857689050000051
步骤3.3)中，主成分矩阵求解方法具体为：
对每个λi，i＝1,2,...,p,
解方程组Rb＝λjb得单位特征向量yj，
则对应的主成分为pij＝Fi Tbj，其中，pij为矩阵P中第i行j列的元素，Fi为矩阵F第i行向量。
在步骤4)中，利用K-means聚类方法处理得到的主成分矩阵P，针对研究资源种类的不同，需处理风电-光伏、风电-风电、光伏-风电和光伏-光伏四种组合的主成分矩阵。
在步骤4)中，K-means聚类方法具体为：
步骤4.1)从数据对象中选择k个对象作为初始聚类中心；
步骤4.2)计算每个聚类对象到聚类中心的距离来划分；
步骤4.3)再次计算每个聚类中心；
步骤4.4)达到最大迭代次数或簇中心不再发生变化，则停止，否则，返回并执行步骤4.2)。
在步骤4.1)中，数据对象为m个监测点，数据特征为步骤3)中得到的主成分元素，即将K-means聚类应用于主成分矩阵P；聚类中心个数由用户直接指定，一般为3-6个。
步骤4.2)中，距离度量采用l2-范数，具体为：
disij＝||Pi-Pj||2
其中，disij为数据对象i和数据对象j间的距离度量，Pi和Pj为主成分矩阵P的第i行和第j行的行向量；每个聚类对象应归属于距离度量最小的聚类中心所表示的类；
步骤4.3)中，更新聚类中心时应计算每个类簇的均值，并将得到的均值作为该类簇的中心，具体为：
Figure BDA0001857689050000061
其中，cenqj表示类簇Cq的中心的第j个属性值，r为类簇Cq中数据对象的个数。
在步骤4)中，聚类分析结果可视化在经纬度坐标图上进行。
下面对本发明的有益效果进行具体分析：
1)本发明降低了区域风光发电资源评估原始数据集合的维度，兼顾高维数据计算和可视化两个方面的要求，具有较高的工程实际应用价值和先进性；
2)本发明综合考虑了区域风光发电资源、风风发电资源及光光发电资源间的互补性，有利于指导区域互补发电系统的规划，能够提高资源利用效率，增加了经济性；
3)本发明没有特殊的应用条件，通用性强，适用于各地区区域风光发电资源评估，具有推广价值和意义；
4)本发明原理明确，操作简单，对执行环境和维护要求低，适应于工程实际应用。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明：
图1是本发明资源评估方法执行流程示意图；
图2是本发明PCA降维方法流程示意图；
图3是本发明K-means聚类方法流程示意图；
图4是利用本评估方法对山东省某地风光发电资源评估结果的可视化图。
具体实施方式
参照附图，本发明的基于K-means聚类的区域风光发电资源评估方法包括如下步骤：
步骤1)利用虚拟发电系统模型预处理原始的风光数据序列，将原始的风速和光照强度数据转换为容量系数；
步骤2)构建区域资源协同系数指标，量化不同位置、种类的发电资源间的互补性，并构成新的数据集合；
步骤3)利用PCA方法处理新的数据集合，降低新数据集合维度；
步骤4)利用K-means聚类方法提取区域风光发电资源的互补性模式，并将结果可视化。
在步骤1)中：
风光数据序列为实测或气象再分析风速和光照强度数据；
虚拟风光发电系统模型具体为：
Figure BDA0001857689050000071
Figure BDA0001857689050000072
Figure BDA0001857689050000073
Figure BDA0001857689050000074
Figure BDA0001857689050000075
Figure BDA0001857689050000076
其中，vw为风机轮毂高度为风机轮毂高度处的风速，m/s；vm为测量位置处的风速，m/s；hw和hm分别为风机轮毂高度和测量位置高度，m；α为指数系数；Pw为风机输出功率，kW；ηw为风机能量转化效率；Pwr为风机额定功率，kW；vin，vout和vr为风机的切入、切出和额定风速，m/s；Gw为风机的容量系数；Hf为日照强度，W/m2；HSTC为标准测试环境下的日照强度，1000W/m2；Pfr为光伏电池板的额定运行功率，W；c1为衰减系数；c2为温度系数；Tf为光伏电池板温度，℃；TSTC标准测试环境下光伏电池板温度，25℃；Ta为环境温度，℃；HTETC为温度估计测试状态下的光照强度，800W/m2；Tf,TETC温度估计测试状态下的光伏电池板温度，47℃；Ta,TETC温度估计测试状态下的环境温度，20℃；Gf光伏电池板的容量系数。
在步骤2)中，区域资源协同系数指标具体为：
Figure BDA0001857689050000081
其中，CA,B,j,k为观测点j处资源A与观测点k处资源B间的协同系数；FA,n,j,i和uA,n,j为观测点j处资源A的第i个容量系数和平均容量系数；FB,n,k,i和uB,n,j为观测点k处资源B的第i个容量系数和平均容量系数；
区域资源协同系数指标CA,B,j,k的取值范围为[0,1]，其量化了观测点j处资源A与观测点k处资源B间的反相关性，即量化了资源的互补性，其值越大，表示资源间的互补性越强；
平均容量系数uA,n,j和uB,n,j具体为：
Figure BDA0001857689050000082
Figure BDA0001857689050000083
其中，N为容量系数序列的长度。
在步骤3)中，PCA方法用于处理由区域资源协同系数指标组成的新数据集合，其具体步骤为：
步骤3.1)初始化新数据集合，形成数据集合矩阵D∈Rm×m；
步骤3.2)将数据集合矩阵D标准化，形成标准化矩阵F∈Rm×m；
步骤3.3)求解标准化矩阵F的相关系数矩阵G∈Rm×m；
步骤3.4)求解相关系数矩阵G的m个特征根，确定主成分个数p；
步骤3.5)利用主成分矩阵P∈Rm×p表示数据集合，用于K-means聚类分析。
在步骤3.1)中，针对研究资源种类不同，形成四种数据集合矩阵，分别对应步骤2)中计算区域资源协同系数指标时A和B为风电-光伏、风电-风电、光伏-风电和光伏-光伏，表示不同资源组合间的互补性；
步骤3.1)中，m为监测点个数；
步骤3.2)中，标准化方法具体为：
Figure BDA0001857689050000091
其中，fij为矩阵F中第i行j列的元素，dij为矩阵D中第i行j列的元素，且
i＝1,2,…,m
j＝1,2,…,m
Figure BDA0001857689050000092
Figure BDA0001857689050000093
步骤3.3)中，相关系数矩阵求解方法具体为：
Figure BDA0001857689050000094
其中，gij为矩阵G中第i行j列的元素，且
Figure BDA0001857689050000095
步骤3.4)中，特征根求解根据特征方程：
|G-λE|＝0
其中，E为m维单位矩阵，且
主成分个数p确定原则为：
Figure BDA0001857689050000096
步骤3.3)中，主成分矩阵求解方法具体为：
对每个λi，i＝1,2,...,p,
解方程组Rb＝λjb得单位特征向量yj，
则对应的主成分为pij＝Fi Tbj，其中，pij为矩阵P中第i行j列的元素，Fi为矩阵F第i行向量。
步骤4)中，利用K-means聚类方法处理得到的主成分矩阵P，针对研究资源种类的不同，需处理风电-光伏、风电-风电、光伏-风电和光伏-光伏四种组合的主成分矩阵。
步骤4)中，K-means聚类方法具体为：
步骤4.1)从数据对象中选择k个对象作为初始聚类中心；
步骤4.2)计算每个聚类对象到聚类中心的距离来划分；
步骤4.3)再次计算每个聚类中心；
步骤4.4)达到最大迭代次数或簇中心不再发生变化，则停止，否则，返回并执行步骤4.2)。
步骤4.1)中，数据对象为m个监测点，数据特征为步骤3)中得到的主成分元素，即将K-means聚类应用于主成分矩阵P；聚类中心个数由用户直接指定，一般为3-6个。
步骤4.2)中，距离度量采用l2-范数，具体为：
disij＝||Pi-Pj||2
其中，disij为数据对象i和数据对象j间的距离度量，Pi和Pj为主成分矩阵P的第i行和第j行的行向量；每个聚类对象应归属于距离度量最小的聚类中心所表示的类；
步骤4.3)中，更新聚类中心时应计算每个类簇的均值，并将得到的均值作为该类簇的中心，具体为：
Figure BDA0001857689050000101
其中，cenqj表示类簇Cq的中心的第j个属性值，r为类簇Cq中数据对象的个数。
步骤4)中，聚类分析结果可视化在经纬度坐标图上进行。
图4为本发明以山东省风光发电资源评估作为实施例，其评估结果如图4所示。其中，源数据采用2006年-2015年的NASA风速和光照强度数据，利用不同颜色或不同灰度以及形状的图标在山东省的地理图上表示聚类分析的结果。
图4中(a)为山东省内不同监测点风资源间的互补模式，对应步骤2)中计算区域资源协同系数指标A为风电，B为风电；图4中(b)为山东省内不同监测点风资源间的互补模式，对应步骤2)中计算区域资源协同系数指标A为光伏，B为光伏；图4中(c)为山东省内不同监测点风资源间的互补模式，对应步骤2)中计算区域资源协同系数指标A为风电，B为光伏；图4中(d)为山东省内不同监测点风资源间的互补模式，对应步骤2)中计算区域资源协同系数指标A为光伏，B为风电。
其中，由图4中(a)-(d)可知，山东省内风电-光伏、风电-风电、光伏-风电和光伏-光伏四种资源互补特性均可分为六种模式。在工程应用中，同一类簇内的资源互补特性相同，不适于构建互补性发电系统，应从不同簇内选择子区域组合构建互补发电系统。由于簇类的特性可由其中心点表示，故可利用各簇类的中心点分析簇间特性，而簇内特性可按照资源储量或波动性构建优先级列表，对簇内各个子区域进行排序，优先选择排序级别的子区域进行组合。
综上所述，本发明不限于上述具体实施方式。本领域技术人员，在不脱离本发明技术方案的前提下，可做若干更改或修饰，上述更改或修饰均落入本发明的保护范围。

Claims (6)

1.一种基于K-means聚类的区域风光发电资源评估方法，其特征是包括如下步骤：
步骤1)利用虚拟发电系统模型预处理原始的风光数据序列，将原始的风速和光照强度数据转换为容量系数；
步骤2)构建区域资源协同系数指标，量化不同位置、种类的发电资源间的互补性，并构成新的数据集合；
步骤3)利用PCA方法处理新的数据集合，降低新数据集合维度；
步骤4)利用K-means聚类方法提取区域风光发电资源的互补性模式，并将结果可视化；
步骤2)中，区域资源协同系数指标具体为：
Figure FDA0002576164840000011
其中，CA,B,j,k为观测点j处资源A与观测点k处资源B间的协同系数；FA,n,j,i和uA,n,j为观测点j处资源A的第i个容量系数和平均容量系数；FB,n,k,i和uB,n,k为观测点k处资源B的第i个容量系数和平均容量系数；
区域资源协同系数指标CA,B,j,k的取值范围为[0,1]，其量化了观测点j处资源A与观测点k处资源B间的反相关性，即量化了资源的互补性，其值越大，表示资源间的互补性越强；
平均容量系数uA,n,j和uB,n,k具体为：
Figure FDA0002576164840000012
Figure FDA0002576164840000013
其中，N为容量系数序列的长度；
步骤3)中，PCA方法用于处理由区域资源协同系数指标组成的新数据集合，其具体步骤为：
步骤3.1)初始化新数据集合，形成数据集合矩阵D∈Rm×m；
步骤3.2)将数据集合矩阵D标准化，形成标准化矩阵F∈Rm×m；
步骤3.3)求解标准化矩阵F的相关系数矩阵G∈Rm×m；
步骤3.4)求解相关系数矩阵G的m个特征根，确定主成分个数p；
步骤3.5)利用主成分矩阵P∈Rm×p表示数据集合，用于K-means聚类分析；
步骤3.1)中，针对研究资源种类不同，形成四种数据集合矩阵，分别对应步骤2)中计算区域资源协同系数指标时A和B为风电-光伏、风电-风电、光伏-风电和光伏-光伏，表示不同资源组合间的互补性；
步骤3.1)中，m为监测点个数；
步骤3.2)中，标准化方法具体为：
Figure FDA0002576164840000021
其中，fij为矩阵F中第i行j列的元素，dij为矩阵D中第i行j列的元素，uj表示矩阵D中第j列元素的均值，sj表示矩阵D中第j列元素的标准差，且
i＝1,2,……,m
j＝1,2,……,m
Figure FDA0002576164840000022
Figure FDA0002576164840000023
所述步骤3.3)中，相关系数矩阵求解方法具体为：
Figure FDA0002576164840000024
其中，gij为矩阵G中第i行j列的元素，fik为矩阵F中第i行k列的元素，fjk为矩阵F中第i行k列的元素，ui表示矩阵D中第i列元素的均值，且
Figure FDA0002576164840000031
步骤3.4)中，特征根求解根据特征方程：
|G-λE|＝0
其中，E为m维单位矩阵，且
主成分个数p确定原则为：
Figure FDA0002576164840000032
步骤3.5)中，主成分矩阵求解方法具体为：
对每个λi，i＝1,2,...,p,
解方程组Rb＝λjb得单位特征向量yj，
则对应的主成分为
Figure FDA0002576164840000033
其中，pij为矩阵P中第i行j列的元素，Fi为矩阵F第i行向量；λi为矩阵R的第i个特征值，λj为矩阵R的第j个特征值，b为矩阵R的特征向量，bj为矩阵R的第j个特征向量。
2.如权利要求1所述的基于K-means聚类的区域风光发电资源评估方法，其特征是步骤1)中：
风光数据序列为实测或气象再分析风速和光照强度数据；
虚拟风光发电系统模型具体为：
Figure FDA0002576164840000034
Figure FDA0002576164840000035
Figure FDA0002576164840000036
Figure FDA0002576164840000041
Figure FDA0002576164840000042
Figure FDA0002576164840000043
其中，vw为风机轮毂高度为风机轮毂高度处的风速，m/s；vm为测量位置处的风速，m/s；hw和hm分别为风机轮毂高度和测量位置高度，m；α为指数系数；Pw为风机输出功率，kW；ηw为风机能量转化效率；Pwr为风机额定功率，kW；vin，vout和vr为风机的切入、切出和额定风速，m/s；Gw为风机的容量系数；Hf为日照强度，W/m2；HSTC为标准测试环境下的日照强度，1000W/m2；Pfr为光伏电池板的额定运行功率，W；Pf为光伏电池板输出功率，W；c1为衰减系数；c2为温度系数；Tf为光伏电池板温度，℃；TSTC标准测试环境下光伏电池板温度，25℃；Ta为环境温度，℃；HTETC为温度估计测试状态下的光照强度，800W/m2；Tf,TETC温度估计测试状态下的光伏电池板温度，47℃；Ta,TETC温度估计测试状态下的环境温度，20℃；Gf光伏电池板的容量系数。
3.如权利要求1所述的基于K-means聚类的区域风光发电资源评估方法，其特征是步骤4)中，利用K-means聚类方法处理得到的主成分矩阵P，针对研究资源种类的不同，需处理风电-光伏、风电-风电、光伏-风电和光伏-光伏四种组合的主成分矩阵。
4.如权利要求1所述的基于K-means聚类的区域风光发电资源评估方法，其特征是步骤4)中，K-means聚类方法具体为：
步骤4.1)从数据对象中选择k个对象作为初始聚类中心；
步骤4.2)计算每个聚类对象到聚类中心的距离来划分；
步骤4.3)再次计算每个聚类中心；
步骤4.4)达到最大迭代次数或簇中心不再发生变化，则停止，否则，返回并执行步骤4.2)。
5.如权利要求4所述的基于K-means聚类的区域风光发电资源评估方法，其特征是步骤4.1)中，数据对象为m个监测点，数据特征为步骤3)中得到的主成分元素，即将K-means聚类应用于主成分矩阵P；聚类中心个数由用户直接指定，取值范围3-6；
步骤4.2)中，距离度量采用l2-范数，具体为：
disij＝||Pi-Pj||2
其中，disij为数据对象i和数据对象j间的距离度量，Pi和Pj为主成分矩阵P的第i行和第j行的行向量；每个聚类对象应归属于距离度量最小的聚类中心所表示的类；
步骤4.3)中，更新聚类中心时应计算每个类簇的均值，并将得到的均值作为该类簇的中心，具体为：
Figure FDA0002576164840000051
其中,Cqj表示类簇q属性j的集合，cenqj表示类簇q的中心的第j个属性值，r为类簇q中数据对象的个数。
6.如权利要求1所述的基于K-means聚类的区域风光发电资源评估方法，其特征是步骤4)中，聚类分析结果可视化在经纬度坐标图上进行。
CN201811321715.1A 2018-11-08 2018-11-08 基于K-means聚类的区域风光发电资源评估方法 Active CN109272258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811321715.1A CN109272258B (zh) 2018-11-08 2018-11-08 基于K-means聚类的区域风光发电资源评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811321715.1A CN109272258B (zh) 2018-11-08 2018-11-08 基于K-means聚类的区域风光发电资源评估方法

Publications (2)

Publication Number Publication Date
CN109272258A CN109272258A (zh) 2019-01-25
CN109272258B true CN109272258B (zh) 2020-09-04

Family

ID=65193146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811321715.1A Active CN109272258B (zh) 2018-11-08 2018-11-08 基于K-means聚类的区域风光发电资源评估方法

Country Status (1)

Country Link
CN (1) CN109272258B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101704A (zh) * 2020-07-29 2020-12-18 中国电力科学研究院有限公司 一种可再生能源资源间互补性评价方法及系统
US11977925B2 (en) * 2020-08-04 2024-05-07 Smart Software, Inc. Clustering and visualizing demand profiles of resources
CN113346489B (zh) * 2021-06-09 2023-04-28 国网山西省电力公司经济技术研究院 一种新能源空间耦合性建模评估方法及系统
CN113746142B (zh) * 2021-08-09 2022-07-22 大连理工大学 一种风光电站汇聚调度方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933483A (zh) * 2015-06-17 2015-09-23 中国电力科学研究院 一种基于天气过程划分的风电功率预测方法
CN105896578A (zh) * 2016-04-13 2016-08-24 合肥工业大学 一种用于风光储联合发电系统的随机生产模拟方法
WO2017025213A1 (en) * 2015-08-07 2017-02-16 Huntsman International Llc A method for improving fracture toughness of polyisocyanurate comprising reaction products
CN106682079A (zh) * 2016-11-21 2017-05-17 云南电网有限责任公司电力科学研究院 一种基于聚类分析的用户用电行为检测方法
CN108599238A (zh) * 2018-04-26 2018-09-28 国家电网公司 考虑风能与太阳能互补的虚拟电厂分布式电源规划方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103117564B (zh) * 2013-01-25 2014-12-10 中国电力科学研究院 一种风光互补发电协调控制系统和方法
CN104022534B (zh) * 2014-06-17 2016-02-24 华北电力大学 风光储发电单元多目标协调运行优化方法
CN108256131A (zh) * 2016-12-28 2018-07-06 北京华逸嘉禾能源技术有限公司 分布式能源多维寻优设计方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933483A (zh) * 2015-06-17 2015-09-23 中国电力科学研究院 一种基于天气过程划分的风电功率预测方法
WO2017025213A1 (en) * 2015-08-07 2017-02-16 Huntsman International Llc A method for improving fracture toughness of polyisocyanurate comprising reaction products
CN105896578A (zh) * 2016-04-13 2016-08-24 合肥工业大学 一种用于风光储联合发电系统的随机生产模拟方法
CN106682079A (zh) * 2016-11-21 2017-05-17 云南电网有限责任公司电力科学研究院 一种基于聚类分析的用户用电行为检测方法
CN108599238A (zh) * 2018-04-26 2018-09-28 国家电网公司 考虑风能与太阳能互补的虚拟电厂分布式电源规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于连续小波变换的风光发电资源多尺度评估;王飞，宋士瞻，曹永吉，谢红涛等;《山东大学学报（工学版）》;20181031;第48卷(第4期);第125-129页 *
风光水多能互补发电系统日内时间尺度运行特性分析;叶林、屈晓旭、么艳香等;《电力系统自动化》;20180225;第42卷(第4期);全文 *

Also Published As

Publication number Publication date
CN109272258A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
Ge et al. A hybrid model for short-term PV output forecasting based on PCA-GWO-GRNN
CN109272258B (zh) 基于K-means聚类的区域风光发电资源评估方法
CN109546659B (zh) 基于随机矩阵和智能场景匹配的配电网无功优化方法
CN103258142B (zh) 基于天气模式的风电场短期风速预测方法
CN108376262B (zh) 一种风电出力典型特性的分析模型构建方法
CN104899665A (zh) 风电功率短期预测方法
CN105825002B (zh) 一种基于动态灰关联分析法的风电场动态等值建模方法
CN106875033A (zh) 一种基于动态自适应的风电集群功率预测方法
CN105069521A (zh) 一种基于加权fcm聚类算法的光伏电站输出功率预测方法
CN112186761B (zh) 一种基于概率分布的风电功率场景生成方法及系统
CN105512766A (zh) 一种风电场功率预测方法
CN107679687A (zh) 一种光伏出力建模方法以及发电系统可靠性评估方法
CN105931134A (zh) 一种含并网光伏电站的系统可靠性评估方法
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
CN115660232A (zh) 风电功率的超短期预测方法、装置及系统
Jin et al. Wind and photovoltaic power time series data aggregation method based on an ensemble clustering and Markov chain
Jia et al. Voltage stability constrained operation optimization: An ensemble sparse oblique regression tree method
Jiading et al. TS_XGB: Ultra-short-term wind power forecasting method based on fusion of time-spatial data and XGBoost algorithm
CN111275238B (zh) 基于每时晴空指数的大规模电站光伏出力序列生成方法
CN115640916B (zh) 分布式电源出力和多能负荷态势感知方法及系统
CN110142803B (zh) 一种移动焊接机器人系统工作状态检测方法及装置
CN105354761B (zh) 一种风电接入电网的安全与效能评估方法及系统
CN116050592A (zh) 一种多维度光伏功率预测方法及系统
Lin et al. Clustering wind turbines for a large wind farm using spectral clustering approach based on diffusion mapping theory

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant