CN110490421A - 一种基于模糊c-均值聚类的微电网中小水电站容量配置方法 - Google Patents

Abstract

本发明公开了一种基于模糊C‑均值聚类的微电网中小水电站容量配置方法，包括下述步骤：数据集的构建；从多年历史和实时数据集中获取微电网中水电站每年1月‑12月流域降雨量、来水量、径流量、入库流量和出库流量的数据，通过处理、计算和分析，构建水电站1月‑12月包含流域降雨量、来水量、径流量、入库流量和出库流量五个特征值的数据集X＝{X₁,X₂,...,X_n}；本发明可计算小水电微电网中小水电站的容量配置，这种小水电微电网电源容量配置方法，同时反映了多年1‑12月入库流量变化的随机性，为小水电微电网电源容量配置、发电出力预测、运行调度提供理论指导，为分布式新能源发电及智能电网调度运行提供必要的技术支撑。

Description

一种基于模糊C-均值聚类的微电网中小水电站容量配置方法

技术领域

本发明涉及电力系统及其自动化技术领域，具体涉及一种基于模糊C-均值聚类的微电网中小水电站容量配置方法。

背景技术

微电网是在其内部以一定方式集成分布式源(小水电、小风电、光伏发电)-荷(水、电、气、冷、热负荷)的一种电网形式。微电网以380V、10kV、35kV等电压等级与主电网联接，在一般正常运行条件下与主电网并网运行，在重负荷时微电网从主电网吸收功率，在轻负荷时可能向主电网注入功率；在主电网局部故障情况下或在邻近微电网故障情况下可以孤网运行，在确保电能质量的前提下由微电网内部分布式电源向负荷提供电力电量，实现无故障微电网正常的供电状态，减小停电时间，提高供电可靠性。

微电网构建和运行的目的是可持续高效利用/消纳微电网内部分布式电源电力电量，最小化与主电网交换的电力电量。

基于分布式小水电的微电网，是一种以小水电供电为主要形式的微电网。小水电微电网中，水电站大多数为径流式，水坝一般没有蓄水功能，水库没有蓄水和调水能力，小水电站水能利用完全取决于水库来水量，小水电机组发电状态与出力规模也完全取决于水库来水量。在这种情况下，小水电站要实现高效利用水能发电，就必须做到来多少水发多少电。而小水电站水库来水量具有随机性，在不同水文周期来水量完全不同，在丰水期来水量很大，在枯水期来水量很小。因此，小水电站流域河流流量往往表现为最小流量、最大流量、平均流量、多年平均流量、计算平均流量、加权平均流量、数学平均流量等等表式形式。采用不同流量的表式形式，小水电站会获得不同装机容量水平。不同装机容量水平，在不同水文周期小水电站发电功率和发电量也往往不同，最优导致小水电站水能利用率、发电设备利用率、发电设备年最大利用小时数也不同。

小水电-风微电网是一种集成小水电和小风电两种分布式电源、一定容量负荷并以一定方式将分布式电源和负荷联接起来的微电网。小水电-风微电网中，不仅小水电站水库来水量、水库流量、发电流量等具有不确定性和随机性，而且小风电场风速具有不确定性和随机性。当风速小于切入风速或大于切出风速，风电机组均无输出功率；当风速大于切入风速而小于额定风速时，风电机组输出功率小于额定功率；当风速大于额定风速而小于切出风速时，风电机组输出额定功率。在一年的不同季节风速完全不同，在一天的不同时段风速完全不同，风速具有随机性、波动性和间歇性。因此，小风电场风速往往也表现为最小风速、最大风速、平均风速、多年平均风速、计算平均风速、加权平均风速、数学平均风速等等表式形式。采用不同风速的表式形式，小风电场会获得不同装机容量水平。不同装机容量水平，在不同季节小风电场发电功率和发电量也往往不同，最优导致小风电站风能利用率、发电设备利用率、发电设备年最大利用小时数也不同。

小水电-风-光微电网是一种集成小水电、小风电、光伏发电三种分布式电源、一定容量负荷并以一定方式将分布式电源和负荷联接起来的微电网。小水电-风-光微电网中，不仅小水电站水库来水量、水库流量、发电流量等具有不确定性和随机性，小风电场风速具有不确定性和随机性，而且日照强度也具有不确定性和随机性。日照强度越大，光伏发电系统输出功率越大。在一年的不同季节日照强度完全不同，在一天的不同时段日照强度完全不同，日照强度具有随机性、波动性和间歇性。因此，光伏发电站日照强度往往也表现为最小日照强度、最大日照强度、平均日照强度、多年平均日照强度、计算平均日照强度、加权平均日照强度、数学平均日照强度等等表式形式。采用不同日照强度的表式形式，光伏发电站会获得不同装机容量水平。不同装机容量水平，在不同季节光伏发电站发电功率和发电量也往往不同，最优导致光伏发电站风能利用率、发电设备利用率、发电设备年最大利用小时数也不同。

不同负荷水平及分布式电源容量规模在微电网中集成，使微电网结构形态、潮流特性发生了改变。由于小水电、小风电、光伏发电等多种分布式电源接入，会因接入电源容量规模的不同而采用多种不同等级的电压。由于用电的随机性，负荷功率在不同时空尺度上总会发生变化，具有明显的时段性；同时，风电、光伏发电等分布式电源出力具有间歇性、随机性和时段性，小水电机组出力具有季节性。因此，微电网负荷功率和电源功率平衡关系往往很难能够保持，当负荷功率大于电源功率时微电网需要从主电网获得补充功率，而负荷功率小于电源功率时微电网剩余功率需要注入主电网，形成了随机的双向潮流特性。随机的双向潮流特性对于微电网内部节点电压质量，在分布式电源出力大而负荷轻时就会造成微电网内部局部区域节点电压偏高，而在分布式电源出力小而负荷重时就会造成微电网内部局部区域节点电压偏低。因此，微电网内部节点电压的限制条件和要求对微电网中分布式电源容量配置、运行方式和电压控制策略均有影响和制约，微电网中分布式电源容量配置、运行方式和电压控制策略需要考虑微电网内部节点电压的限制条件和要求。微电网在不同电压等级配电网的节点接入，会因微电网从配电网吸收或向配电网注入功率的大小不同而导致配电网节点电压发生偏高或偏低的变化，微电网中分布式电源容量配置、运行方式和电压控制策略需要考虑配电网节点电压的限制条件和要求。

微电网分布式电源系统是一种同时具有关系复杂并交互作用的随机和模糊不确定性事件或参量的系统。在各种不确定性随机和模糊事件或参量的影响下，微电网分布式电源发电功率和发电量变得更具随机特性和模糊特性，这些特性极大影响微电网分布式电源容量配置。以往微电网分布式电源系统发电功率和发电量通常采用确定性的计算方法，有些也采用概率分析的不确定性计算方法。确定性计算的方法通常是在假设小水电站来水量和流量、区域内日照强度和风速都确定的情况下计算微电网分布式电源系统发电功率、发电量及装机容量，也没有考虑微电网和配电网调压要求和柔性控制方式等因素的影响，计算结果是唯一性和确定性的，往往不能反应微电网分布式电源系统发电功率、发电量及装机容量的实际情况。而概率分析的计算方法通常是在只假设小水电站来水量和流量、区域内日照强度和风速等单一因素为不确定性因素的情况下计算微电网分布式电源系统发电功率、发电量及装机容量，计算结果是具有一定置信水平的概率值。实际上，微电网分布式电源系统发电功率、发电量及装机容量受多种不确定性因素影响。而且，这些影响因素通常都有随机不确定性或模糊不确定性，或者他是具有随机和模糊不确定性，往往以随机和模糊不确定性事件或参量而存在。可见，微电网分布式电源系统发电功率、发电量及装机容量计算的现有技术都没有全面考虑影响因素的不确定性和随机性，计算方法适用性、实用性和应用性也难以得到满足。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于模糊C-均值聚类的微电网中小水电站容量配置方法，该方法针对由小水电、小风电和光伏发电组成的微电网系统，并考虑小水电站入库流量、风电场风速、光伏发电站日照强度的不确定性和随机性，还考虑日照时间、日照阴影、日照偏角等的不确定性和随机性，提出基于模糊C-均值聚类的微电网中小水电站容量配置方法。

本发明的目的通过下述技术方案实现：

一种基于模糊C-均值聚类的微电网中小水电站容量配置方法，包括下述步骤：

S1，数据集的构建；从多年历史和实时数据集中获取微电网中水电站每年1月-12月流域降雨量、来水量、径流量、入库流量和出库流量的数据，通过处理、计算和分析，构建水电站1月-12月包含流域降雨量、来水量、径流量、入库流量和出库流量五个特征值的数据集X＝{X₁,X₂,...,X_n}，月数据集特征向量为：

X_i＝{x_i1,x_i2,x_i3,x_i4,x_i5}＝{Y_JYL,L_LSL,Q_JLL,Q_I,Q_O}

其中Y_MJYL、L_MLSL、Q_MJLL、Q_MI、Q_MO分别为降雨量、来水量、径流量、入库流量和出库流量，其单位分别为：毫米、立方米、立方米、立方米/秒、立方米/秒；数据样本的数量n＝12，数据集的数量m＝5，i＝1,2,...,n；

S2，模糊聚类中心矩阵的构建；采用模糊聚类分析的方法，选取c＝3，构建数据集的模糊聚类中心矩阵：C＝{C₁,C₂,C₃}，其中C_i＝{C_i1,C_i2,...,C_im}(i＝1,2,...,c)，C₁、C₂、C₃分别为最小量、平均量、最大量模糊聚类中心矩阵；

S3，模糊聚类中心矩阵的初始化；按照微电网中小水电站容量配置原则，根据流域降雨量、来水量、径流量、入库流量和出库流量的数据变化特征，设定最小量、平均量、最大量模糊聚类中心矩阵的初始值；假设流域降雨量、来水量、径流量、入库流量和出库流量的多年平均值为Y_MJYL、L_MLSL、Q_MJLL、Q_MI、Q_MO，那么设定最小量、平均量、最大量模糊聚类中心矩阵的初始值分别为：

其中

k_MJYL1＝k_MLSL1＝k_MJLL1＝k_MI1＝k_MO1＝0.2

k_MJYL2＝k_MLSL2＝k_MJLL2＝k_MI2＝k_MO2＝1.0

k_MJYL3＝k_MLSL3＝k_MJLL3＝k_MI3＝k_MO3＝1.5

模糊聚类中心矩阵的初始值为

S4，最优模糊聚类矩阵和最优模糊聚类中心矩阵的迭代计算；采用模糊聚类分析的方法，通过迭代计算方式，确定模糊C-均值聚类矩阵的最优值，确定最小量、平均量、最大量模糊聚类中心矩阵的最优值；

模糊C-均值聚类矩阵的最优值为：

最小量、平均量、最大量模糊聚类中心矩阵的最优值为：

其中Y_CMJYL1、Y_CMJYL2、Y_CMJYL3分别为小水电站流域降雨量最小量、平均量、最大量模糊聚类中心矩阵的最优值，L_CMLSL1、L_CMLSL2、L_CMLSL3分别为小水电站来水量最小量、平均量、最大量模糊聚类中心矩阵的最优值，Q_CMJLL1、Q_CMJLL2、Q_CMJLL3分别为小水电站径流量最小量、平均量、最大量模糊聚类中心矩阵的最优值，Q_CMI1、Q_CMI2、Q_CMI3分别为小水电站入库流量最小量、平均量、最大量模糊聚类中心矩阵的最优值，Q_CMO1、Q_CMO2、Q_CMO3分别为小水电站出库流量最小量、平均量、最大量模糊聚类中心矩阵的最优值；

S5，入库流量平均值计算；计算微电网中小水电站入库流量平均值：

Q_I＝max(u₂₁,u₂₂,u₂₃,u₂₄,u₂₅,u₂₆,u₂₇,u₂₈,u₂₉,u₂₁₀,u₂₁₁,u₂₁₂)Q_CMI2

其中max()为取最大值函数；

S6，装机容量计算；计算小水电站小水电发电机组装机容量：

P_S＝0.0098HQ_I

其中H为小水电站水头。

优选地，所述S4中最优模糊聚类矩阵和最优模糊聚类中心矩阵的迭代计算，其具体步骤为：

S4.1，设定模糊系数其中n为数据集数据样本的数量；设定迭代计算结束判定误差值ε＝0.001；

S4.2，设置降雨量对小水电站最小量、平均量、最大量的影响系数分别为k_Yc1、k_Yc2、k_Yc3，来水量对小水电站最小量、平均量、最大量的影响系数分别为k_Lc1、k_Lc2、k_Lc3，径流量对小水电站最小量、平均量、最大量的影响系数分别为k_Jc1、k_Jc2、k_Jc3，入库流量对小水电站最小量、平均量、最大量的影响系数分别为k_Ic1、k_Ic2、k_Ic3，出库流量对小水电站最小量、平均量、最大量的影响系数分别为k_Oc1、k_Oc2、k_Oc3；构建流域降雨量、来水量、径流量、入库流量、出库流量对最小量、平均量、最大量的影响系数矩阵：

其中j＝1,2,...,n；

S4.3，利用随机函数在[0,1]随机产生随机数，以初始化模糊聚类矩阵U⁽⁰⁾；

S4.4，设定迭代次数t＝1；

S4.5，在第t次迭代中计算模糊聚类矩阵U^(t)的元素值，元素值迭代更新公式为：

其中d()为距离函数；

S4.6，在第t次迭代中计算模糊聚类中心矩阵C^(t)的元素值，最小量、平均量、最大量模糊聚类中心矩阵元素值迭代更新公式分别为：

其中i＝1,2,...,c，j＝1,2,...,m；

S4.7，若则迭代计算结束；否则使t＝t+1并转到S4.5。

本发明与现有技术相比具有以下的有益效果：

本发明可计算小水电微电网中小水电站的容量配置，这种小水电微电网电源容量配置方法，同时反映了多年1-12月入库流量变化的随机性，为小水电微电网电源容量配置、发电出力预测、运行调度提供理论指导，为分布式新能源发电及智能电网调度运行提供必要的技术支撑。

附图说明

图1为本发明的流程框图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

本发明针对小水电站入库流量、风电场风速、光伏发电站日照强度的不确定性，采用概率分析的方法，计算小水电站入库流量、风电场风速、光伏发电站日照强度按照正态分布规律变化的概率和平均值，计算小水电站、风电场、光伏发电站装机容量初值，根据微电网内部及微电网接入配电网节点电压变化的限制，按照小水电站、风电场、光伏发电站装机容量初值的占比缩减其装机容量的大小，其期望目标是实现新能源利用率、发电效率、发电设备利用率、发电设备年利用小时数最大化，增加在日、月、年、多年等运行周期内的发电量。

小水电站装机容量由小水电站入库流量决定，风电场装机容量由风电场风速决定，光伏发电站装机容量由日照强度决定。由对新能源利用率、发电量、发电设备利用率和年利用小时数决定，由微电网、配电网输电能力、调压要求、网损控制等决定，在不同时间和空间上日照强度、日照时间、日照阴影、日照偏角度及其不确定性和随机性对光伏发电系统装机容量有极大的影响。水、风、光的时空特征相互独立，但是集成在微电网中其容量配置相互影响、相互制约，微电网和配电网输电能力、调压要求、网损控制等使微电网水风光电源容量配置变得更为复杂。

图1中的步骤1描述小水电站数据集构建的过程和方法。从多年历史和实时数据集中获取微电网中水电站每年1月-12月流域降雨量、来水量、径流量、入库流量、出库流量等的数据，通过进行处理、计算和分析，构建水电站1月-12月包含流域降雨量、来水量、径流量、入库流量、出库流量5个特征值的数据集X＝{X₁,X₂,...,X_n}，月数据集特征向量为：

X_i＝{x_i1,x_i2,x_i3,x_i4,x_i5}＝{Y_JYL,L_LSL,Q_JLL,Q_I,Q_O}

其中Y_MJYL、L_MLSL、Q_MJLL、Q_MI、Q_MO分别为降雨量、来水量、径流量、入库流量、出库流量，其单位分别为：毫米、立方米、立方米、立方米/秒、立方米/秒。数据样本的数量n＝12，数据集的数量m＝5，i＝1,2,...,n。

图1中的步骤2描述模糊聚类中心矩阵的构建的过程和方法。采用模糊聚类分析的方法，选取c＝3，构建数据集的模糊聚类中心矩阵：C＝{C₁,C₂,C₃}，其中C_i＝{C_i1,C_i2,...,C_im}(i＝1,2,...,c)，C₁、C₂、C₃分别为最小量、平均量、最大量模糊聚类中心矩阵。

图1中的步骤3描述模糊聚类中心矩阵初始化的过程和方法。按照微电网中小水电站容量配置原则，根据流域降雨量、来水量、径流量、入库流量、出库流量等的数据变化特征，设定最小量、平均量、最大量模糊聚类中心矩阵的初始值。假设流域降雨量、来水量、径流量、入库流量、出库流量的多年平均值为Y_MJYL、L_MLSL、Q_MJLL、Q_MI、Q_MO，那么设定最小量、平均量、最大量模糊聚类中心矩阵的初始值分别为：

其中

k_MJYL1＝k_MLSL1＝k_MJLL1＝k_MI1＝k_MO1＝0.2

k_MJYL2＝k_MLSL2＝k_MJLL2＝k_MI2＝k_MO2＝1.0

k_MJYL3＝k_MLSL3＝k_MJLL3＝k_MI3＝k_MO3＝1.5

模糊聚类中心矩阵的初始值为

图1中的步骤4描述最优模糊聚类矩阵和最优模糊聚类中心矩阵的迭代计算的过程和方法。采用模糊聚类分析的方法，通过迭代计算方式，确定C-均值模糊聚类矩阵的最优值，确定最小量、平均量、最大量模糊聚类中心矩阵的最优值。

C-均值模糊聚类矩阵的最优值为：

最小量、平均量、最大量模糊聚类中心矩阵的最优值为：

其中Y_CMJYL1、Y_CMJYL2、Y_CMJYL3分别为小水电站流域降雨量最小量、平均量、最大量模糊聚类中心矩阵的最优值，L_CMLSL1、L_CMLSL2、L_CMLSL3分别为小水电站来水量最小量、平均量、最大量模糊聚类中心矩阵的最优值，Q_CMJLL1、Q_CMJLL2、Q_CMJLL3分别为小水电站径流量最小量、平均量、最大量模糊聚类中心矩阵的最优值，Q_CMI1、Q_CMI2、Q_CMI3分别为小水电站入库流量最小量、平均量、最大量模糊聚类中心矩阵的最优值，Q_CMO1、Q_CMO2、Q_CMO3分别为小水电站出库流量最小量、平均量、最大量模糊聚类中心矩阵的最优值。

其中迭代计算包括如下步骤：

(1)设定模糊系数其中n为数据集数据样本的数量。设定迭代计算结束判定误差值ε＝0.001。

(2)设置降雨量对小水电站最小量、平均量、最大量的影响系数分别为k_Yc1、k_Yc2、k_Yc3，来水量对小水电站最小量、平均量、最大量的影响系数分别为k_Lc1、k_Lc2、k_Lc3，径流量对小水电站最小量、平均量、最大量的影响系数分别为k_Jc1、k_Jc2、k_Jc3，出库流量对小水电站最小量、平均量、最大量的影响系数分别为k_Oc1、k_Oc2、k_Oc3。构建流域降雨量、来水量、径流量、入库流量、出库流量对最小量、平均量、最大量的影响系数矩阵：

其中j＝1,2,...,n。

(3)利用随机函数在[0,1]随机产生随机数，以初始化模糊聚类矩阵U⁽⁰⁾。

(4)设定迭代次数t＝1。

(5)在第t次迭代中计算模糊聚类矩阵U^(t)的元素值，元素值迭代更新公式为：

其中d()为距离函数。

(6)在第t次迭代中计算模糊聚类中心矩阵C^(t)的元素值，最小量、平均量、最大量模糊聚类中心矩阵元素值迭代更新公式分别为：

其中i＝1,2,...,c，j＝1,2,...,m。

(7)若则迭代计算结束；否则使t＝t+1并转到步骤(5)。

图1中的步骤5描述微电网中小水电站入库流量平均值计算的过程和方法。计算微电网中小水电站入库流量平均值：

Q_I＝max(u₂₁,u₂₂,u₂₃,u₂₄,u₂₅,u₂₆,u₂₇,u₂₈,u₂₉,u₂₁₀,u₂₁₁,u₂₁₂)Q_CMI2

其中max()为取最大值函数。

图1中的步骤6描述小水电站小水电发电机组装机容量计算的过程和方法。计算小水电站小水电发电机组装机容量：

P_S＝0.0098HQ_I

其中H为小水电站水头。

上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (2)

1.一种基于模糊C-均值聚类的微电网中小水电站容量配置方法，其特征在于，包括下述步骤：

S1，数据集的构建；从多年历史和实时数据集中获取微电网中水电站每年1月-12月流域降雨量、来水量、径流量、入库流量和出库流量的数据，通过处理、计算和分析，构建水电站1月-12月包含流域降雨量、来水量、径流量、入库流量和出库流量五个特征值的数据集X＝{X₁,X₂,...,X_n}，月数据集特征向量为：

X_i＝{x_i1,x_i2,x_i3,x_i4,x_i5}＝{Y_JYL,L_LSL,Q_JLL,Q_I,Q_O}

其中Y_MJYL、L_MLSL、Q_MJLL、Q_MI、Q_MO分别为降雨量、来水量、径流量、入库流量和出库流量，其单位分别为：毫米、立方米、立方米、立方米/秒、立方米/秒；数据样本的数量n＝12，数据集的数量m＝5，i＝1,2,...,n；

S2，模糊聚类中心矩阵的构建；采用模糊聚类分析的方法，选取c＝3，构建数据集的模糊聚类中心矩阵：C＝{C₁,C₂,C₃}，其中C_i＝{C_i1,C_i2,...,C_im}(i＝1,2,...,c)，C₁、C₂、C₃分别为最小量、平均量、最大量模糊聚类中心矩阵；

S3，模糊聚类中心矩阵的初始化；按照微电网中小水电站容量配置原则，根据流域降雨量、来水量、径流量、入库流量和出库流量的数据变化特征，设定最小量、平均量、最大量模糊聚类中心矩阵的初始值；假设流域降雨量、来水量、径流量、入库流量和出库流量的多年平均值为Y_MJYL、L_MLSL、Q_MJLL、Q_MI、Q_MO，那么设定最小量、平均量、最大量模糊聚类中心矩阵的初始值分别为：

其中

k_MJYL1＝k_MLSL1＝k_MJLL1＝k_MI1＝k_MO1＝0.2

k_MJYL2＝k_MLSL2＝k_MJLL2＝k_MI2＝k_MO2＝1.0

k_MJYL3＝k_MLSL3＝k_MJLL3＝k_MI3＝k_MO3＝1.5

模糊聚类中心矩阵的初始值为

S4，最优模糊聚类矩阵和最优模糊聚类中心矩阵的迭代计算；采用模糊聚类分析的方法，通过迭代计算方式，确定模糊C-均值聚类矩阵的最优值，确定最小量、平均量、最大量模糊聚类中心矩阵的最优值；

模糊C-均值聚类矩阵的最优值为：

最小量、平均量、最大量模糊聚类中心矩阵的最优值为：

其中Y_CMJYL1、Y_CMJYL2、Y_CMJYL3分别为小水电站流域降雨量最小量、平均量、最大量模糊聚类中心矩阵的最优值，L_CMLSL1、L_CMLSL2、L_CMLSL3分别为小水电站来水量最小量、平均量、最大量模糊聚类中心矩阵的最优值，Q_CMJLL1、Q_CMJLL2、Q_CMJLL3分别为小水电站径流量最小量、平均量、最大量模糊聚类中心矩阵的最优值，Q_CMI1、Q_CMI2、Q_CMI3分别为小水电站入库流量最小量、平均量、最大量模糊聚类中心矩阵的最优值，Q_CMO1、Q_CMO2、Q_CMO3分别为小水电站出库流量最小量、平均量、最大量模糊聚类中心矩阵的最优值；

S5，入库流量平均值计算；计算微电网中小水电站入库流量平均值：

Q_I＝max(u₂₁,u₂₂,u₂₃,u₂₄,u₂₅,u₂₆,u₂₇,u₂₈,u₂₉,u₂₁₀,u₂₁₁,u₂₁₂)Q_CMI2

其中max()为取最大值函数；

S6，装机容量计算；计算小水电站小水电发电机组装机容量：

P_S＝0.0098HQ_I

其中H为小水电站水头。

2.根据权利要求1所述的基于模糊C-均值聚类的微电网中小水电站容量配置方法，其特征在于，所述S4中最优模糊聚类矩阵和最优模糊聚类中心矩阵的迭代计算，其具体步骤为：

S4.1，设定模糊系数其中n为数据集数据样本的数量；设定迭代计算结束判定误差值ε＝0.001；

S4.2，设置降雨量对小水电站最小量、平均量、最大量的影响系数分别为k_Yc1、k_Yc2、k_Yc3，来水量对小水电站最小量、平均量、最大量的影响系数分别为k_Lc1、k_Lc2、k_Lc3，径流量对小水电站最小量、平均量、最大量的影响系数分别为k_Jc1、k_Jc2、k_Jc3，入库流量对小水电站最小量、平均量、最大量的影响系数分别为k_Ic1、k_Ic2、k_Ic3，出库流量对小水电站最小量、平均量、最大量的影响系数分别为k_Oc1、k_Oc2、k_Oc3；构建流域降雨量、来水量、径流量、入库流量、出库流量对最小量、平均量、最大量的影响系数矩阵：

其中j＝1,2,...,n；

S4.3，利用随机函数在[0,1]随机产生随机数，以初始化模糊聚类矩阵U⁽⁰⁾；

S4.4，设定迭代次数t＝1；

S4.5，在第t次迭代中计算模糊聚类矩阵U^(t)的元素值，元素值迭代更新公式为：

其中d()为距离函数；

S4.6，在第t次迭代中计算模糊聚类中心矩阵C^(t)的元素值，最小量、平均量、最大量模糊聚类中心矩阵元素值迭代更新公式分别为：

其中i＝1,2,...,c，j＝1,2,...,m；

S4.7，若则迭代计算结束；否则使t＝t+1并转到S4.5。