基于聚类分析的日风电出力时序生成方法及装置
技术领域
本发明涉及电力系统技术领域,具体涉及一种基于聚类分析的日风电出力时序生成方法及装置。
背景技术
目前,我国风力发电技术持续飞速发展,全球风能理事会《2016年全球风电装机统计》,截至2016年底,我国风电装机总容量已接近168.69GW,风电新增装机容量达到23.33GW,装机总容量和新增装机容量均位居世界第一。随着风机容量在电网总装机容量中比例的不断提高,对电网的安全稳定运行造成了巨大的挑战。如果能够建立有效的日风电出力时序模型,反映周期内风电的出力特性,对含大规模风电电力系统的电源规划、电网规划、可靠性评估以及发电调度和运行方式安排等具有重要意义。
但是,目前国内对日风电出力时序的生成方法大多都是基于自回归模型和马尔可夫链模型,存在以下问题:(1)生成的日风电出力时序不能准确反映原始风电出力时序的均值、方差、概率分布等统计特性;(2)生成的日风电出力时序与原始日风电出力时序的波动特性有一定差距,无法准确地与负荷曲线、光伏曲线等进行匹配分析。
发明内容
基于此,本发明提供了一种基于聚类分析的日风电出力时序生成方法及装置,能够准确描述历史日风电场出力数据的统计规律和时序特性,为大规模风电并网背景下,电力系统规划和运行分析提供重要参考分析。
本发明实施例提供的一种基于聚类分析的日风电出力时序生成方法,包括:
对预先采集的历史日风电出力数据进行聚类分析,获得多种日风电出力典型模式及其对应的比例;
对任意一种所述日风电出力典型模式中的历史日风电出力数据逐时刻进行聚类分析,获得任意一种所述日风电出力典型模式在各时刻下的出力状态以及各个所述出力状态对应的概率抽样区间;
根据各个日风电出力典型模式的比例以及各个日风电出力典型模式在各时刻下的出力状态、概率抽样区间,逐时刻抽取出力状态生成日风电出力时序。
优选地,所述对预先采集的历史日风电出力数据进行聚类分析,获得多种日风电出力典型模式及其对应的比例,具体包括:
采用AP聚类算法对所述历史日风电日出力数据进行聚类,获得聚类簇;
分别计算所述聚类簇的距离矩阵;
当所述距离矩阵的元素最大值大于设定阈值时,将所述距离矩阵对应的聚类簇划分为待聚类样本集并进行迭代聚类;
当所述距离矩阵的元素最大值不大于所述设定阈值时,保留所述距离矩阵对应的聚类簇;
根据聚类后保留的聚类簇,将所述历史日风电出力数据划分为多种日风电出力典型模式,并确定各个日风电出力典型模式对应的比例。
优选地,所述方法还包括:
根据公式(1),计算所述设定阈值r;
其中,T为日风电出力曲线的长度,dmax为设定的聚类簇最大幅度差。
优选地,所述对任意一种所述日风电出力典型模式中的历史日风电出力数据逐时刻进行聚类分析,获得任意一种所述日风电出力典型模式在各时刻下的出力状态以及各个所述出力状态对应的概率抽样区间,具体包括:
采用AP聚类算法对任意一种所述日风电出力典型模式中的历史日风电出力数据逐时刻进行聚类分析,获得在各时刻下的聚类中心和所述聚类中心对应的概率值;其中,每个聚类中心对应一种出力状态;
将各个所述出力状态映射到设定数值区间,生成各个所述出力状态对应的概率抽样区间;其中,各个所述出力状态对应的概率抽样区间的长度等于各个所述出力状态的概率值。
优选地,所述根据各个日风电出力典型模式的比例以及各个日风电出力典型模式在各时刻下的出力状态、概率抽样区间,逐时刻抽取出力状态生成日风电出力时序,具体包括:
根据所需生成的日风电出力时序数量以及各个日风电出力典型模式的比例,确定各个日风电出力典型模式下所需生成的时序数量;
根据任意一个日风电出力典型模式在任意一时刻下出力状态对应的概率抽样区间,独立随机生成若干个随机变量;其中,所述若干个随机变量服从均匀分布;所述若干个随机变量的数量等于任意一个日风电出力典型模式下所需生成的时序数量;
根据所述若干个随机变量,确定任意一个日风电出力典型模式在任意一时刻下的出力状态向量;
根据任意一个日风电出力典型模式在各个时刻下的出力状态向量,获得任意一个日风电出力典型模式下所需生成的时序集;
根据各个日风电出力典型模式下所需生成的时序集,获得所述日风电出力时序。
优选地,dmax=0.4。
优选地,对所述历史日风电出力数据进行聚类分析之前,所述方法还包括:
采集风电场出力N年间隔为M的若干条日出力曲线,作为所述历史日风电出力数据;
按照风电场的额定容量对所述历史日风电出力数据进行标幺化出力;
对标幺化出力后的历史日风电出力数据进行建模。
本发明实施例还提供了一种基于聚类分析的日风电出力时序生成装置,包括:
典型模型获取模块,用于对预先采集的历史日风电出力数据进行聚类分析,获得多种日风电出力典型模式及其对应的比例;
聚类分析模块,用于对任意一种所述日风电出力典型模式中的历史日风电出力数据逐时刻进行聚类分析,获得任意一种所述日风电出力典型模式在各时刻下的出力状态以及各个所述出力状态对应的概率抽样区间;
日风电出力时序生成模块,用于根据各个日风电出力典型模式的比例以及各个日风电出力典型模式在各时刻下的出力状态、概率抽样区间,逐时刻抽取出力状态生成日风电出力时序。
本发明实施例还提供了一种基于聚类分析的日风电出力时序生成装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的基于聚类分析的日风电出力时序生成方法。
相对于现有技术,本发明实施例提供的基于聚类分析的日风电出力时序生成方法的有益效果在于:通过对历史日风出力数据进行聚类分析,获得多个日风电出力典型模式及对应的比例,并历遍各个日风电出力典型模式,逐时刻抽取出力状态形成所需的日风电出力时序,该日风电出力时序可以准确描述历史日风电场出力数据的统计规律和时序特性,为大规模风电并网背景下,电力系统规划和运行分析提供重要参考分析。
附图说明
图1是本发明实施例提供的一种基于风电波动多尺度分解的建模方法的流程图;
图2是抽样过程示意图;
图3是模式1对应的历史日出力曲线;
图4是模式2对应的历史日出力曲线;
图5模式1在各时刻出力状态与原始风电出力数据统计特性的第一对比图;
图6模式1在各时刻出力状态与原始风电出力数据统计特性的第二对比图;
图7生成的日风电出力时序与原始时序的第一对比图;
图8生成的日风电出力时序与原始时序的第二对比图;
图9为本发明实施例提供的一种基于风电波动多尺度分解的建模装置的示意框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其是本发明实施例提供的一种基于聚类分析的日风电出力时序生成方法的流程图,包括:
S100:对预先采集的历史日风电出力数据进行聚类分析,获得多种日风电出力典型模式及其对应的比例;
S200:对任意一种所述日风电出力典型模式中的历史日风电出力数据逐时刻进行聚类分析,获得任意一种所述日风电出力典型模式在各时刻下的出力状态以及各个所述出力状态对应的概率抽样区间;
S300:根据各个日风电出力典型模式的比例以及各个日风电出力典型模式在各时刻下的出力状态、概率抽样区间,逐时刻抽取出力状态生成日风电出力时序。
本发明通过对历史日风出力数据进行聚类分析,获得多个日风电出力典型模式及对应的比例,并历遍各个日风电出力典型模式,逐时刻抽取出力状态生成日风电出力时序;通过对历史日风电出力数据进行聚类和抽样,能够在一定程度上反映风电出力时序的均值、方差、概率分布等统计特性,减少生成的日风电出力时序与原始日风电出力时序的波动特性差异性,从而使得生成的日风电出力时序能够准确地与负荷曲线、光伏曲线等进行匹配分析。该日风电出力时序可以准确描述历史日风电场出力数据的统计规律和时序特性,为大规模风电并网背景下,电力系统规划和运行分析提供重要参考分析。
在一种可选的实施例中,S100:对预先采集的历史日风电出力数据进行聚类分析,获得多种日风电出力典型模式及其对应的比例,具体包括:
采用AP聚类算法对所述历史日风电日出力数据进行聚类,获得聚类簇;
分别计算所述聚类簇的距离矩阵;
当所述距离矩阵的元素最大值大于设定阈值时,将所述距离矩阵对应的聚类簇划分为待聚类样本集并进行迭代聚类;
即将聚类后所有的距离矩阵的元素最大值大于设定阈值的聚类簇合并为待聚类样本,将所述待聚类样本进行迭代聚类。
当所述距离矩阵的元素最大值不大于所述设定阈值时,保留所述距离矩阵对应的聚类簇;
根据聚类后保留的聚类簇,将所述历史日风电出力数据划分为多种日风电出力典型模式,并确定各个日风电出力典型模式对应的比例。
所述聚类簇为fw类聚类簇;所述元素的最大值为类间距离,反映不相似程度。
在一种可选的实施例中,所述方法还包括:
根据公式(1),计算所述设定阈值r;
其中,T为日风电出力曲线的长度,dmax为设定的聚类簇最大幅度差。dmax越小,聚类簇幅度越接近,聚类越精细。
在一种可选的实施例中,dmax=0.4;通过上述公式(1),计算可得设定阈值r等于1.96。
如果距离矩阵的元素最大值(即最不相似程度,定义为类间距离)大于设定阈值r,将该聚类簇作为待聚类样本集返回上一步重新进行聚类,否则保留该聚类簇。重复进行迭代聚类过程,直到所有聚类簇的类间距离都小于阈值r。
在一种可选的实施例中,S200:对任意一种所述日风电出力典型模式中的历史日风电出力数据逐时刻进行聚类分析,获得任意一种所述日风电出力典型模式在各时刻下的出力状态以及各个所述出力状态对应的概率抽样区间,具体包括:
采用AP聚类算法对任意一种所述日风电出力典型模式中的历史日风电出力数据逐时刻进行聚类分析,获得在各时刻下的聚类中心和所述聚类中心对应的概率值;其中,每个聚类中心对应一种出力状态;
将各个所述出力状态映射到设定数值区间,生成各个所述出力状态对应的概率抽样区间;其中,各个所述出力状态对应的概率抽样区间的长度等于各个所述出力状态的概率值。
所述设定数值区间为[0,1]。
例如:依据步骤S100获得的聚类结果,历史日风电日出力数据被划分到不同日风电出力典型模式为M=[M1,…,Ms,…,MS]中,并确定各个日风电出力典型模式M所占比例为P=[P1,…,Ps,…,PS]。
针对每种日风电出力典型模式,采用AP聚类算法对日风电出力典型模式Ms(s=1,…,S)中的历史日出力数据逐时刻进行聚类分析,获得各时刻的聚类中心
和对应的概率值
其中t=1,…,T;i=1,…,N
s,t;N
s,t为日风电出力典型模式Ms在t时刻的聚类中心数量。
其中,每个聚类中心称为一种出力状态,如图2所示,将所有的出力状态
(i=1,…,N
s,t)对应到[0,1]区间内形成该出力状态的概率抽样区间,该出力状态的概率抽样区间的长度即为出力状态的概率值。
在一种可选的实施例中,S300:根据各个日风电出力典型模式的比例以及各个日风电出力典型模式在各时刻下的出力状态、概率抽样区间,逐时刻抽取出力状态生成日风电出力时序,具体包括:
根据所需生成的日风电出力时序数量以及各个日风电出力典型模式的比例,确定各个日风电出力典型模式下所需生成的时序数量;
根据任意一个日风电出力典型模式在任意一时刻下出力状态对应的概率抽样区间,独立随机生成若干个随机变量;其中,所述若干个随机变量服从均匀分布;所述若干个随机变量的数量等于任意一个日风电出力典型模式下所需生成的时序数量;
根据所述若干个随机变量,确定任意一个日风电出力典型模式在任意一时刻下的出力状态向量;
根据任意一个日风电出力典型模式在各个时刻下的出力状态向量,获得任意一个日风电出力典型模式下所需生成的时序集;
根据各个日风电出力典型模式下所需生成的时序集,获得所述日风电出力时序。
在步骤S300中,例如:根据所需生成的风电出力时序数量NP和日风电出力典型模式Ms所占比例Ps,确定此种模式下需生成的时序数量NCs=NP×Ps。
根据t时刻出力状态对应的概率抽样区间,独立随机地生成NC
s个服从均匀分布的随机变量u
c∈[0,1](c=1,…,NC
s),如图2所示,根据u
c确定t时刻的出力状态向量
重复步骤上述步骤,确定各个时刻的出力状态向量,得到此种模式下需要生成的时序集Bs;其中,时序集Bs的行向量代表生成的某个日风电出力时序。
重复上述过程,遍历各个日风电出力典型模式,生成所需的日风电出力时序集B={B1,…,BS}。
在一种可选的实施例中,对所述历史日风电出力数据进行聚类分析之前,所述方法还包括:
采集风电场出力N年间隔为M的若干条日出力曲线,作为所述历史日风电出力数据;
按照风电场的额定容量对所述历史日风电出力数据进行标幺化出力;
对标幺化出力后的历史日风电出力数据进行建模。
为了便于对本发明的理解,下面将以一个实际例子来解释上述的基于聚类分析的日风电出力时序生成的原理和过程:
例如:采用风电场出力1年间隔1h共计366条日出力曲线作为历史日风电出力数据进行建模。建模之前,首先将历史日风电出力数据按照风电场的额定容量进行了标幺化出力。
采用步骤S100进行聚类:第一次迭代聚类得到10个聚类簇,其中,有5个聚类簇的类间距离大于阈值r,对这5类合并进行第二次迭代聚类,得到9个聚类簇,各类簇的类间距离均小于阈值r。最后,将全年日风电出力曲线分为14种模式,并确定各个日风电出力典型模式所占比例。
如图3和图4所示,图3和图4分别展示了模式1和模式2的历史日出力曲线,可见各模式内数据具有相同的峰谷波动特性,不同模式之间相差较大,说明本发明的聚类效果较好。
采用步骤S200进行聚类:以模式1为例,对各个日风电出力典型模式下各小时的数据进行聚类分析,得到24个时刻的出力状态和对应的概率值。图5和图6展示了24个时刻的出力状态与原始风电出力数据统计特性的对比,可以看出,各个时段的出力状态与历史风电出力数据之间的统计特征相差不大,尤其是期望接近相等,说明了本专利能够用少数几个状态反映各时段出力的统计规律。
采用步骤S300生成日风电出力时序:以生成100个全年日出力时序为例,已知模式1所占比例为10%,确定需要生成10条该模式下的日出力时序。每个时刻随机抽取10个服从均匀分布的随机变量uc∈[0,1](c=1,…,10),根据uc确定所有时刻的出力状态向量,得到此种模式下需要生成的日风电出力时序集Bs。最后重复步骤S300遍历各个日风电出力典型模式得到100个全年日出力时序。图7和图8展示了生成的日风电出力时序与原始时序的对比,可以看出生成的时序基本能够保留原始风电出力曲线的时序性特点,说明本发明的有效性。
请参阅图9,其是本发明实施例还提供的一种基于聚类分析的日风电出力时序生成装置的示意框图;所述装置包括:
典型模型获取模块1,用于对预先采集的历史日风电出力数据进行聚类分析,获得多种日风电出力典型模式及其对应的比例;
聚类分析模块2,用于对任意一种所述日风电出力典型模式中的历史日风电出力数据逐时刻进行聚类分析,获得任意一种所述日风电出力典型模式在各时刻下的出力状态以及各个所述出力状态对应的概率抽样区间;
日风电出力时序生成模块3,用于根据各个日风电出力典型模式的比例以及各个日风电出力典型模式在各时刻下的出力状态、概率抽样区间,逐时刻抽取出力状态生成日风电出力时序。
本发明通过对历史日风出力数据进行聚类分析,获得多个日风电出力典型模式及对应的比例,并历遍各个日风电出力典型模式,逐时刻抽取出力状态形成所需的日风电出力时序;通过对历史日风电出力数据进行聚类和抽样,能够在一定程度上反映风电出力时序的均值、方差、概率分布等统计特性,减少生成的日风电出力时序与原始日风电出力时序的波动特性差异性,从而使得生成的日风电出力时序能够准确地与负荷曲线、光伏曲线等进行匹配分析。该日风电出力时序可以准确描述历史日风电场出力数据的统计规律和时序特性,为大规模风电并网背景下,电力系统规划和运行分析提供重要参考分析。
在一种可选的实施例中,典型模型获取模块1包括:
第一聚类单元,用于采用AP聚类算法对所述历史日风电日出力数据进行聚类,获得聚类簇;
距离矩阵计算单元,用于分别计算所述聚类簇的距离矩阵;
迭代聚类判断单元,用于当所述距离矩阵的元素最大值大于设定阈值时,将所述距离矩阵对应的聚类簇划分为待聚类样本集并进行迭代聚类;
即将聚类后所有的距离矩阵的元素最大值大于设定阈值的聚类簇合并为待聚类样本,将所述待聚类样本进行迭代聚类。
所述迭代聚类判断单元,用于当所述距离矩阵的元素最大值不大于设定阈值时,保留所述距离矩阵对应的聚类簇;
根据聚类后保留的聚类簇,将所述历史日风电出力数据划分为多种日风电出力典型模式,并确定各个日风电出力典型模式对应的比例。
所述聚类簇为fw类聚类簇;所述元素的最大值为类间距离,反映不相似程度。
在一种可选的实施例中,所述装置还包括阈值计算模块,用于根据公式(1),计算所述设定阈值r;
其中,T为日风电出力曲线的长度,dmax为设定的聚类簇最大幅度差。dmax越小,聚类簇幅度越接近,聚类越精细。
在一种可选的实施例中,dmax=0.4;通过上述公式(1),计算可得设定阈值r等于1.96。
如果距离矩阵的元素最大值(即最不相似程度,定义为类间距离)大于设定阈值r,将该聚类簇作为待聚类样本集返回上一步重新进行聚类,否则保留该聚类簇。重复进行迭代聚类过程,直到所有聚类簇的类间距离都小于阈值r。
在一种可选的实施例中,聚类分析模块2包括:
第二聚类单元,用于采用AP聚类算法对任意一种所述日风电出力典型模式中的历史日风电出力数据逐时刻进行聚类分析,获得在各时刻下的聚类中心和所述聚类中心对应的概率值;其中,每个聚类中心对应一种出力状态;
概率抽样单元,用于将各个所述出力状态映射到设定数值区间,生成各个所述出力状态对应的概率抽样区间;其中,各个所述出力状态对应的概率抽样区间的长度等于各个所述出力状态的概率值。
所述设定数值区间为[0,1]。
例如:依据步骤S100获得的聚类结果,历史日风电日出力数据被划分到不同日风电出力典型模式为M=[M1,…,Ms,…,MS]中,并确定各个日风电出力典型模式M所占比例为P=[P1,…,Ps,…,PS]。
针对每种日风电出力典型模式,采用AP聚类算法对日风电出力典型模式Ms(s=1,…,S)中的历史日出力数据逐时刻进行聚类分析,获得各时刻的聚类中心
和对应的概率值
其中t=1,…,T;i=1,…,N
s,t;N
s,t为日风电出力典型模式Ms在t时刻的聚类中心数量。
其中,每个聚类中心称为一种出力状态,如图2所示,将所有的出力状态
(i=1,…,N
s,t)对应到[0,1]区间内形成该出力状态的概率抽样区间,该出力状态的概率抽样区间的长度即为出力状态的概率值。
在一种可选的实施例中,日风电出力时序生成模块3包括:
时序数量确定单元,用于根据所需生成的日风电出力时序数量以及各个日风电出力典型模式的比例,确定各个日风电出力典型模式下所需生成的时序数量;
随机变量生成单元,用于根据任意一个日风电出力典型模式在任意一时刻下出力状态对应的概率抽样区间,独立随机生成若干个随机变量;其中,所述若干个随机变量服从均匀分布;所述若干个随机变量的数量等于任意一个日风电出力典型模式下所需生成的时序数量;
出力状态向量确定单元,用于根据所述若干个随机变量,确定任意一个日风电出力典型模式在任意一时刻下的出力状态向量;
时序集获取单元,用于根据任意一个日风电出力典型模式在各个时刻下的出力状态向量,获得任意一个日风电出力典型模式下所需生成的时序集;
日风电出力时序生成单元,用于根据各个日风电出力典型模式下所需生成的时序集,获得所述日风电出力时序。
例如:根据所需生成的风电出力时序数量NP和日风电出力典型模式Ms所占比例Ps,确定此种模式下需生成的时序数量NCs=NP×Ps。
根据t时刻出力状态对应的概率抽样区间,独立随机地生成NC
s个服从均匀分布的随机变量u
c∈[0,1](c=1,…,NC
s),如图2所示,根据u
c确定t时刻的出力状态向量
重复步骤上述步骤,确定各个时刻的出力状态向量,得到此种模式下需要生成的时序集Bs;其中,时序集Bs的行向量代表生成的某个日风电出力时序。
重复上述过程,遍历各个日风电出力典型模式,生成所需的日风电出力时序集B={B1,…,BS}。
在一种可选的实施例中,所述装置还包括:
历史数据采集模块,用于采集风电场出力N年间隔为M的若干条日出力曲线,作为所述历史日风电出力数据;
标幺化出力处理模块,用于按照风电场的额定容量对所述历史日风电出力数据进行标幺化出力;
数据建模模块,用于对标幺化出力后的历史日风电出力数据进行建模。
本发明实施例还提供了一种基于聚类分析的日风电出力时序生成装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的基于聚类分析的日风电出力时序生成方法。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述基于聚类分析的日风电出力时序生成装置中的执行过程。例如,所述计算机程序可以被分割成图9所示的功能模块,实现图9所示的基于聚类分析的日风电出力时序生成装置的功能。
所述基于聚类分析的日风电出力时序生成装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于聚类分析的日风电出力时序生成装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是基于聚类分析的日风电出力时序生成装置的示例,并不构成对基于聚类分析的日风电出力时序生成装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于聚类分析的日风电出力时序生成装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于聚类分析的日风电出力时序生成装置的控制中心,利用各种接口和线路连接整个基于聚类分析的日风电出力时序生成装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于聚类分析的日风电出力时序生成装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述基于聚类分析的日风电出力时序生成装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于聚类分析的日风电出力时序生成方法。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。