CN115329899A - 一种聚类等效模型构建方法、系统、设备和存储介质 - Google Patents

一种聚类等效模型构建方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN115329899A
CN115329899A CN202211243814.9A CN202211243814A CN115329899A CN 115329899 A CN115329899 A CN 115329899A CN 202211243814 A CN202211243814 A CN 202211243814A CN 115329899 A CN115329899 A CN 115329899A
Authority
CN
China
Prior art keywords
data
clustering
cluster
photovoltaic power
distributed photovoltaic
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.)
Pending
Application number
CN202211243814.9A
Other languages
English (en)
Inventor
尹雁和
徐宝军
阮志杰
李国号
余俊杰
李宾
江清楷
张春梅
陈岸
钟毅
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.)
Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhongshan Power Supply Bureau of Guangdong Power Grid 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 Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202211243814.9A priority Critical patent/CN115329899A/zh
Publication of CN115329899A publication Critical patent/CN115329899A/zh
Pending legal-status Critical Current

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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种聚类等效模型构建方法、系统、设备和存储介质，包括获取各个分布式光伏电站的历史运行数据，按照历史运行数据采集当天所处的天气状态对历史运行数据进行聚类，生成多个数据子集，对各个数据子集中的数据进行平均值计算并进行数据归一化，得到数据子集的典型值数据，按照典型值数据对各个分布式光伏电站进行聚类，得到多个聚类簇，根据各个聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型。解决了现有的分布式光伏聚类考虑因素不全面，造成分布式光伏电站聚类等效模型的准确性降低的技术问题。本发明在聚类过程中新增了分布式光伏电站的气象数据，更加体现了分布式光伏电站的空间相关性。

Description

一种聚类等效模型构建方法、系统、设备和存储介质
技术领域
本发明涉及聚类等效模型构建技术领域，尤其涉及一种聚类等效模型构建方法、系统、设备和存储介质。
背景技术
随着信息采集、处理、存储技术的发展，分布式光伏电站的气象信息采集问题逐渐得以解决，而海量光伏电站多维异构的数据高效处理成为分布式光伏聚类建模的重要难题，为解决这一难题，对分布式光伏电站聚类，实现数据规模降阶。
目前分布式光伏电站聚类方面的研究主要集中在对于分布式光伏电站出力特征的匹配聚类，主要的方法包括相关性分析法、层次分析法、基于人工智能的聚类方法。而在上述方法中，最主要的步骤在于指定分布式光伏电站出力特性的相似度指标。
而目前大多数研究，主要以出力特性曲线的欧氏距离为相似度指标，但在分布式光伏电站出力相似性评估中主要考虑欧氏距离，忽略了出力曲线的相似性，因分布式光伏聚类考虑因素不全面，造成分布式光伏电站聚类等效模型的准确性降低。
发明内容
本发明提供了一种聚类等效模型构建方法、系统、设备和存储介质，解决了目前大多数研究，主要以出力特性曲线的欧氏距离为相似度指标，但在分布式光伏电站出力相似性评估中主要考虑欧氏距离，忽略了出力曲线的相似性，因分布式光伏聚类考虑因素不全面，造成分布式光伏电站聚类等效模型的准确性降低的技术问题。
本发明第一方面提供的一种聚类等效模型构建方法，包括：
获取各个分布式光伏电站的历史运行数据；
按照所述历史运行数据采集当天所处的天气状态对所述历史运行数据进行聚类，生成多个数据子集；
对各个所述数据子集中的数据进行平均值计算并进行数据归一化，得到所述数据子集的典型值数据；
按照所述典型值数据对各个所述分布式光伏电站进行聚类，得到多个聚类簇；
根据各个所述聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型。
可选地，所述按照所述历史运行数据采集当天所处的天气状态对所述历史运行数据进行聚类，生成多个数据子集的步骤，包括：
按照所述历史运行数据采集当天所处的季节对所述历史运行数据进行聚类，生成多个数据集；
按照所述历史运行数据采集当天所处的天气状态对所述数据集进行聚类，生成多个数据子集。
可选地，所述按照所述典型值数据对各个所述分布式光伏电站进行聚类，得到多个聚类簇的步骤，包括：
从所述典型值数据内按预设规则选取所述分布式光伏电站对应的目标数据作为初始待判断点；
计算所述初始待判断点与剩余各个所述典型值数据之间的数据距离；
选取所述数据距离小于预设邻域半径的分布式光伏电站并统计对应的选取数量；
若所述选取数量小于预设的选取数目阈值，则将所述目标数据所属分布式光伏电站确定为边缘点；
从所述典型值数据内选取新的目标数据作为初始待判断点，并跳转执行所述计算所述初始待判断点与剩余各个所述典型值数据之间的数据距离的步骤；
若所述选取数量大于或等于所述选取数目阈值，则将所述数据距离小于所述邻域半径的分布式光伏电站归类至所述目标数据所属聚类簇。
可选地，所述根据各个所述聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型的步骤，包括：
分别计算各个所述聚类簇内的分布式光伏电站对应的平均设备参数，并将所述平均设备参数确定为所述聚类簇对应的典型设备参数；
计算所述聚类簇内的分布式光伏电站对应的设备容量和值，并将所述设备容量和值确定为所述聚类簇对应的额定容量；
根据所述典型设备参数和所述额定容量构建聚类等效模型。
可选地，还包括：
从所述典型值数据内按预设规则选取所述分布式光伏电站对应的目标数据作为初始聚类中心数据；
分别计算所述初始聚类中心数据与所有相邻的所述典型值数据的数据距离；
根据全部所述数据距离选取目标聚类距离；
采用所述目标聚类距离为半径计算所述目标聚类距离内的多个所述典型值数据的数据和值；
判断所述数据和值是否大于或等于所述选取数目阈值；
若是，则将所述典型值数据对应的分布式光伏电站归类至所述目标数据所属聚类簇，并根据聚类簇数目确定所述聚类簇对应的邻域半径；
若否，则判断所述初始聚类中心数据是否为边缘数据；
若否，跳转执行所述根据全部所述数据距离选取目标聚类距离，并采用所述目标聚类距离为半径计算所述目标聚类距离内的多个所述典型值数据的数据和值的步骤；
若是，则将所述初始聚类中心数据确定为边缘数据，并跳转执行所述从所述典型值数据内按预设规则选取所述分布式光伏电站对应的目标数据作为初始聚类中心数据的步骤。
可选地，所述典型值数据包括典型气象数据和典型日出力数据；所述分别计算所述初始聚类中心数据与所有相邻的所述典型值数据的数据距离的步骤，包括：
计算所述初始聚类中心数据和所有相邻的所述典型值数据分别对应的典型气象数据的欧氏距离；
计算所述初始聚类中心数据和所有相邻的所述典型值数据分别对应的典型日出力数据的弗雷歇距离；
计算所述欧氏距离和所述弗雷歇距离的平方和值；
对所述平方和值进行开平方计算，得到所述初始聚类中心数据与所有相邻的所述典型值数据的数据距离。
可选地，所述若是，则将所述典型值数据对应的分布式光伏电站归类至所述目标数据所属聚类簇，并根据聚类簇数目确定所述聚类簇对应的邻域半径的步骤，包括：
若是，则将所述典型值数据对应的分布式光伏电站归类至所述目标数据所属聚类簇，得到多个所述聚类簇；
比较聚类簇数目与预设第一聚类簇数目阈值；
若所述聚类簇数目小于所述第一聚类簇数目阈值，则按照预设倍数调节聚类距离作为新的目标聚类距离；
跳转执行所述采用所述目标聚类距离为半径计算所述目标聚类距离内的多个所述典型值数据的数据和值的步骤，直至所述聚类簇数目大于所述第一聚类簇数目阈值，且小于预设第二聚类簇数目阈值；
将上一个所述聚类簇数目对应的目标聚类距离判定为所述聚类簇对应的邻域半径。
本发明第二方面提供的一种聚类等效模型构建系统，包括：
历史运行数据模块，用于获取各个分布式光伏电站的历史运行数据；
数据子集模块，用于按照所述历史运行数据采集当天所处的天气状态对所述历史运行数据进行划分，生成多个数据子集；
典型值数据模块，用于对各个所述数据子集中的数据进行平均值计算，得到所述数据子集的典型值数据；
聚类簇模块，用于按照所述典型值数据对各个所述分布式光伏电站进行聚类，得到多个聚类簇；
聚类等效模块，用于根据各个所述聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型。
本发明第三方面提供的一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一项所述的聚类等效模型构建方法的步骤。
本发明第四方面提供的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述任一项所述的聚类等效模型构建方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过获取各个分布式光伏电站的历史运行数据，按照历史运行数据采集当天所处的天气状态对历史运行数据进行聚类，生成多个数据子集；对各个数据子集中的数据进行平均值计算并进行数据归一化，得到数据子集的典型值数据，按照典型值数据对各个分布式光伏电站进行聚类，得到多个聚类簇，根据各个聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型。解决了目前大多数研究，主要以出力特性曲线的欧氏距离为相似度指标，但在分布式光伏电站出力相似性评估中主要考虑欧氏距离，忽略了出力曲线的相似性，因分布式光伏聚类考虑因素不全面，造成分布式光伏电站聚类等效模型的准确性降低的技术问题。本发明在聚类过程中新增了分布式光伏电站的气象数据，更加体现了分布式光伏电站的空间相关性。且在聚类过程中，对数据有归一化处理的过程，从而保证在相似性评估中能够保持在同一量纲下，使得聚类过程中距离评估更加合理。
采用本发明对电网中的分布式光伏电站聚类等效建模后，可以实现电力系统仿真中方程阶数和状态变量的降低，极大地降低系统仿真分析的难度，提高电力系统仿真的计算速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种聚类等效模型构建方法的步骤流程图；
图2为本发明实施例二提供的一种聚类等效模型构建方法的步骤流程图；
图3为本发明实施例二提供的一种聚类等效模型构建方法的数据子集示意图；
图4为本发明实施例三提供的一种聚类等效模型构建方法的邻域半径大小、邻域半径中选取数目的阈值与聚类簇数目之间的关系示意图；
图5为本发明实施例四提供的一种聚类等效模型构建系统的结构框图。
具体实施方式
本发明实施例提供了一种聚类等效模型构建方法、系统、设备和存储介质，用于解决目前大多数研究，主要以出力特性曲线的欧氏距离为相似度指标，但在分布式光伏电站出力相似性评估中主要考虑欧氏距离，忽略了出力曲线的相似性，因分布式光伏聚类考虑因素不全面，造成分布式光伏电站聚类等效模型的准确性降低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例一提供的一种聚类等效模型构建方法的步骤流程图。
本发明提供的一种聚类等效模型构建方法，包括以下步骤：
步骤101、获取各个分布式光伏电站的历史运行数据。
需要说明的是，分布式光伏电站通常是指利用分散式资源，装机规模较小的、布置在用户附近的发电系统，它一般接入低于35千伏或更低电压等级的电网。分布式光伏电站特指采用光伏组件，将太阳能直接转换为电能的分布式光伏电站系统。历史运行数据包括气象数据和日出力数据，其中，气象数据包括太阳辐射、湿度、温度、风速、大气压力和背板温度；日出力数据包括一天内分布式光伏电站的发电功率，时间间隔1小时。
具体实施例中，每日采集各个分布式光伏电站的运行数据，并存储至历史运行数据集中，方便后续获取各个分布式光伏电站的历史运行数据。
步骤102、按照历史运行数据采集当天所处的天气状态对历史运行数据进行聚类，生成多个数据子集。
需要说明的是，天气状态包括晴天、多云和雨天。
在具体实施例中，分别按照历史运行数据采集当天的天气状态[晴天、多云、雨天]对历史运行数据进行聚类，形成多个数据子集。
步骤103、对各个数据子集中的数据进行平均值计算并进行数据归一化，得到数据子集的典型值数据。
具体实施例中，对各个分布式光伏电站的数据子集中的数据进行平均值计算，从而得到各个分布式光伏电站各数据子集的典型值，并采用统一的基准数据AS-standard，即所有分布式光伏电站气象数据的平均值、光伏电站额定功率，对区域内所有分布式光伏电站的数据归一化，得到数据子集的典型值数据。
步骤104、按照典型值数据对各个分布式光伏电站进行聚类，得到多个聚类簇。
需要说明的是，聚类是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。
在本发明实施例中，按照典型值数据在预设范围内将各个分布式光伏电站进行聚类，每个预设范围内的多个分布式光伏电站生成一个聚类簇，依次类推，生成多个聚类簇。
步骤105、根据各个聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型。
需要说明的是，聚类等效模型指的是通过DBSCAN聚类，采用各聚类簇中的典型分布式光伏模型作为该类中所有分布式光伏模型的代表，基于该典型分布式光伏模型，通过各个分布式光伏电站容量求和，取典型分布式光伏电站中的参数构建的聚类参数等值/等效的模型。
在具体实施例中，输出分布式光伏电站的聚类结果，以典型分布式光伏电站的设备参数为基础，以聚类簇中分布式光伏电站的容量之和为等效分布式光伏电站的额定容量，从而构建区域内分布式光伏电站的聚类等效模型。
本发明通过获取各个分布式光伏电站的历史运行数据，按照历史运行数据采集当天所处的天气状态对历史运行数据进行聚类，生成多个数据子集；对各个数据子集中的数据进行平均值计算并进行数据归一化，得到数据子集的典型值数据，按照典型值数据对各个分布式光伏电站进行聚类，得到多个聚类簇，根据各个聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型。解决了目前大多数研究，主要以出力特性曲线的欧氏距离为相似度指标，但在分布式光伏电站出力相似性评估中主要考虑欧氏距离，忽略了出力曲线的相似性，因分布式光伏聚类考虑因素不全面，造成分布式光伏电站聚类等效模型的准确性降低的技术问题。本发明在聚类过程中新增了分布式光伏电站的气象数据，更加体现了分布式光伏电站的空间相关性。且在聚类过程中，对数据有归一化处理的过程，从而保证在相似性评估中能够保持在同一量纲下，使得聚类过程中距离评估更加合理。
采用本发明对电网中的分布式光伏电站聚类等效建模后，可以实现电力系统仿真中方程阶数和状态变量的降低，极大地降低系统仿真分析的难度，提高电力系统仿真的计算速度。
请参阅图2和图3，图2为本发明实施例二提供的一种聚类等效模型构建方法的步骤流程图。
本发明提供的一种聚类等效模型构建方法，包括以下步骤：
步骤201、获取各个分布式光伏电站的历史运行数据。
在本发明实施例中，步骤201的具体实施过程与步骤101类似，在此不再赘述。
步骤202、按照历史运行数据采集当天所处的季节对历史运行数据进行聚类，生成多个数据集。
需要说明的是，数据集有四类数据集，分别为春数据集（3~5月）、夏数据集（6~8月）、秋数据集（9~11月）、冬数据集（12~次年2月）。
在具体实施例中，按照历史运行数据采集日期分别对分布式光伏电站的历史运行数据进行聚类，从而分别形成各分布式光伏电站的四类数据集，分别为春数据集（3~5月）、夏数据集（6~8月）、秋数据集（9~11月）、冬数据集（12~次年2月）。
步骤203、按照历史运行数据采集当天所处的天气状态对数据集进行聚类，生成多个数据子集。
在具体实施例中，分别对各分布式光伏电站的春数据集、夏数据集、秋数据集、冬数据集，再按照天气状态[晴天、多云、雨天]进行划分，从而形成如图3所示的S1~S12的数据子集。
步骤204、对各个数据子集中的数据进行平均值计算并进行数据归一化，得到数据子集的典型值数据。
在具体实施例中，对各分布式光伏电站的数据子集S1~S12中的数据，进行平均值计算，从而得到各分布式光伏电站各数据子集的典型值AS1~AS12；进一步，假设某区域中有N个分布式光伏电站，对于分布式电站i，0<i<=N，数据子集编号j，1<=j<=12，定义ASj-i表示第i个分布式光伏电站的第j个天气特征的典型值数据，其形式为[气象数据 日出力数据]组成的向量。
对于某一分布式光伏电站i，其数据为ASj-i，为上述计算后的平均值，包括气象数据，日出力数据；采用统一的基准数据AS-standard，即所有分布式光伏电站气象数据的平均值、光伏电站额定功率，对区域中所有分布式光伏电站的数据归一化AS*j-i，即ASj-i/(AS-standard)，0<i<=N。
基于归一化的数据AS*j-i，对区域内分布式光伏电站的AS*j-i，0<i<=N，采用DBSCAN算法进行聚类处理，即该算法以归一化后的分布式光伏电站的典型气象数据与典型日出力数据为输入。
步骤205、按照典型值数据对各个分布式光伏电站进行聚类，得到多个聚类簇。
可选地，步骤205包括以下步骤S11-S16：
S11、从典型值数据内按预设规则选取分布式光伏电站对应的目标数据作为初始待判断点；
S12、计算初始待判断点与剩余各个典型值数据之间的数据距离；
S13、选取数据距离小于预设邻域半径的分布式光伏电站并统计对应的选取数量；
S14、若选取数量小于预设的选取数目阈值，则将目标数据所属分布式光伏电站确定为边缘点；
S15、从典型值数据内选取新的目标数据作为初始待判断点，并跳转执行计算初始待判断点与剩余各个典型值数据之间的数据距离的步骤；
S16、若选取数量大于或等于选取数目阈值，则将数据距离小于邻域半径的分布式光伏电站归类至目标数据所属聚类簇。
需要说明的是，预设规则可以包括从左到右、从上到下、从右到左、从里到外等规则，预设规则可以包括但不限于以上几种规则方式，具体视实际情况而定。初始待判断点指的是一开始待判断的数据点。邻域半径指的是给定对象半径Eps内的邻域称为该对象的Eps邻域；预设邻域半径和预设的选取数目阈值MinPts均可由工程人员的经验和反复测试决定。
在具体实施例中，从典型值数据内按预设规则选取分布式光伏电站对应的目标数据作为初始待判断点AS*j-i；计算AS*j-i与剩余各个典型值数据之间的距离，选取在设置的邻域半径Eps内的分布式光伏电站并统计对应的选取数量，若选取数量低于选取数目阈值MinPts，则将目标数据所属分布式光伏电站确定为边缘点，并从典型值数据内重新选取新的目标数据作为初始待判断点，AS*j-i；重复执行计算AS*j-i与剩余各个典型值数据之间的距离的步骤。
若选取数量不低于选取数目阈值MinPts，则所选目标数据AS*j-i为核心点，进而找出所有从AS*j-i密度可达的分布式光伏电站归类至目标数据所属聚类簇，形成一个聚类簇；重复执行从典型值数据内重新选取新的目标数据作为初始待判断点AS*j-i的操作，直到典型值数据内所有的分布式光伏电站被选取到，生成多个聚类簇。
需要说明的是，密度可达指的是如果P为核心点，Q在P的R邻域内，那么称P到Q密度直达。如果存在核心点P2，P3......Pn，且P1到P2密度直达，P2到P3密度直达......P(n-1)到Pn密度直达，Pn到Q密度直达，则P1到Q密度可达。
步骤206、根据各个聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型。
可选地，步骤205包括以下步骤S21-S23：
S21、分别计算各个聚类簇内的分布式光伏电站对应的平均设备参数，并将平均设备参数确定为聚类簇对应的典型设备参数；
S22、计算聚类簇内的分布式光伏电站对应的设备容量和值，并将设备容量和值确定为聚类簇对应的额定容量；
S23、根据典型设备参数和额定容量构建聚类等效模型。
在本发明实施例中，依据DBSCAN算法，可以获得分布式光伏电站的聚类结果，以及每个聚类簇对应的典型分布式光伏电站；分别计算各个聚类簇内的分布式光伏电站的平均设备参数，将平均设备参数作为分布式光伏电站的聚类等效模型的典型值；针对聚类等效模型的设备容量采用直接求和的方式获得设备容量和值，将设备容量和值作为聚类等效模型对应的额定容量。以此，则可以构建出各类分布式光伏电站的聚类等效模型。
可选地，此方法还包括以下步骤S31-S39：
S31、从典型值数据内按预设规则选取分布式光伏电站对应的目标数据作为初始聚类中心数据；
S32、分别计算初始聚类中心数据与所有相邻的典型值数据的数据距离；
S33、根据全部数据距离选取目标聚类距离；
S34、采用目标聚类距离为半径计算目标聚类距离内的多个典型值数据的数据和值；
S35、判断数据和值是否大于或等于选取数目阈值；
S36、若是，则将典型值数据对应的分布式光伏电站归类至目标数据所属聚类簇，并根据聚类簇数目确定聚类簇对应的邻域半径；
S37、若否，则判断初始聚类中心数据是否为边缘数据；
S38、若否，跳转执行根据全部数据距离选取目标聚类距离，并采用目标聚类距离为半径计算目标聚类距离内的多个典型值数据的数据和值的步骤；
S39、若是，则将初始聚类中心数据确定为边缘数据，并跳转执行从典型值数据内按预设规则选取分布式光伏电站对应的目标数据作为初始聚类中心数据的步骤。
需要说明的是，目标聚类距离指的是DBSCAN算法中的初始邻域半径。
在本发明实施例中，从典型值数据内选取一个分布式光伏电站对应的目标数据作为初始聚类中心数据，计算该初始聚类中心数据与所有相邻的典型值数据的数据距离，按照工程人员的经验，从所有数据距离中选取适宜的目标聚类距离作为初始邻域半径，以初始聚类中心数据为核心点，目标聚类距离为半径画圈，将圈内的所有典型值数据求和，得到数据和值。如果数据和值大于或等于选取数目阈值，将典型值数据对应的分布式光伏电站归类至目标数据所属聚类簇，以此类推得到多个聚类簇，按照所有聚类簇的聚类簇数目确定聚类簇对应的邻域半径。
如果数据和值小于选取数目阈值，则判断该初始聚类中心数据是不是边缘数据，计算该初始聚类中心数据与剩余各个典型值数据之间的距离，选取在设置的邻域半径Eps内的分布式光伏电站并统计对应的选取数量，若选取数量低于选取数目阈值MinPts，则将该初始聚类中心数据判定是边缘数据，并重新从典型值数据内选取一个分布式光伏电站对应的目标数据作为初始聚类中心数据，再重复执行后续的操作，如果选取数量不低于选取数目阈值MinPts，则该初始聚类中心数据不是边缘数据，并重复执行根据全部数据距离选取目标聚类距离，并采用目标聚类距离为半径计算目标聚类距离内的多个典型值数据的数据和值的步骤，以及后续的步骤。
可选地，典型值数据包括典型气象数据和典型日出力数据；步骤S32包括以下步骤S321-S324：
S321、计算初始聚类中心数据和所有相邻的典型值数据分别对应的典型气象数据的欧氏距离；
S322、计算初始聚类中心数据和所有相邻的典型值数据分别对应的典型日出力数据的弗雷歇距离；
S323、计算欧氏距离和弗雷歇距离的平方和值；
S324、对平方和值进行开平方计算，得到初始聚类中心数据与所有相邻的典型值数据的数据距离。
需要说明的是，弗雷歇距离（Fréchet distance）指的是在数学中，Fréchet距离是曲线之间相似性的度量，它考虑了沿曲线的点的位置和顺序。
在具体实施例中，对于DBSCAN算法，定义其数据集中数据距离的计算方法，该计算方法首先对AS*j-i数据中的日出力数据进行处理，采用Fréchet距离进行量化计算，例如AS*j-i与AS*j-k之间的数据距离，可以采用下式进行计算：
Figure 455776DEST_PATH_IMAGE001
其中，A、B是分别是AS*j-i与AS*j-k中的日出力数据形成的曲线；α和β是单位区间的两个重参数化函数；A(α(t))为t时刻曲线A上的采样点；同理，B(β(t))为t时刻曲线B上的采样点；d(A(α(t)),B(β(t)))为t时刻A、B曲线上的采样点之间的欧氏距离。在每次采样中t离散的遍历单位区间，得到
该种采样下的最大距离
Figure 372917DEST_PATH_IMAGE002
，弗雷歇距离就是使该最大距离最小化的采样方式下的值。F(A,B)定义为Fik，表示AS*j-i与AS*j-k的日出力数据间的Fréchet距离。
其次，计算AS*j-i与AS*j-k中气象数据的欧式距离Dik。最后，以
Figure 214971DEST_PATH_IMAGE003
，描述AS*j-i与AS*j-k之间的数据距离。
可选地，步骤S36包括以下步骤S361-S365：
S361、若是，则将典型值数据对应的分布式光伏电站归类至目标数据所属聚类簇，得到多个聚类簇；
S362、比较聚类簇数目与预设第一聚类簇数目阈值；
S363、若聚类簇数目小于第一聚类簇数目阈值，则按照预设倍数调节聚类距离作为新的目标聚类距离；
S364、跳转执行采用目标聚类距离为半径计算目标聚类距离内的多个典型值数据的数据和值的步骤，直至聚类簇数目大于第一聚类簇数目阈值，且小于预设第二聚类簇数目阈值；
S365、将上一个聚类簇数目对应的目标聚类距离判定为聚类簇对应的邻域半径。
需要说明的是，第一聚类簇数目阈值和第二聚类簇数目阈值是用作确定邻域半径大小和邻域半径内聚类簇数目的参考，具体确定的过程仍依赖于工程人员的经验，不同工程人员经不同可能确定不同的数值，但对最终结果的影响并不大。预设倍数具体可视实际情况调节。
在具体实施例中，邻域半径大小、邻域半径中选取数目阈值与聚类簇数目的关系，可以是随着邻域半径大小和邻域半径中选取数目阈值的增长，使得聚类簇数目逐渐减小。当不考虑邻域半径中选取数目阈值的影响时，当邻域半径小于某一时刻的目标聚类距离时，聚类簇数目下降较快，而当邻域半径大于该时刻的目标聚类距离时，聚类簇数目下降较慢，因此，可以判定邻域半径为该时刻的目标聚类距离为聚类簇数目变化的拐点，则设置该时刻的目标聚类距离为该聚类簇的邻域半径。
因此，在某一时刻的目标聚类距离可以确定为该聚类簇的邻域半径之前，按照聚类簇数目与聚类簇数目阈值的大小，从而调节目标聚类距离的大小，如果聚类簇数目小于第一聚类簇数目阈值，将目标聚类距离调小并作为新的目标聚类距离，重复执行采用目标聚类距离为半径计算目标聚类距离内的多个典型值数据的数据和值的步骤，直到聚类簇数目大于第一聚类簇数目阈值，且小于第二聚类簇数目阈值，说明此时刻的聚类簇数目仍然过多，应选取上一时刻的聚类簇数目，以及将上一时刻的聚类簇数目对应的目标聚类距离作为该聚类簇的邻域半径。
本发明通过获取各个分布式光伏电站的历史运行数据，按照历史运行数据采集当天所处的天气状态对历史运行数据进行聚类，生成多个数据子集；对各个数据子集中的数据进行平均值计算并进行数据归一化，得到数据子集的典型值数据，按照典型值数据对各个分布式光伏电站进行聚类，得到多个聚类簇，根据各个聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型。解决了目前大多数研究，主要以出力特性曲线的欧氏距离为相似度指标，但在分布式光伏电站出力相似性评估中主要考虑欧氏距离，忽略了出力曲线的相似性，因分布式光伏聚类考虑因素不全面，造成分布式光伏电站聚类等效模型的准确性降低的技术问题。本发明在聚类过程中新增了分布式光伏电站的气象数据，更加体现了分布式光伏电站的空间相关性。且在聚类过程中，对数据有归一化处理的过程，从而保证在相似性评估中能够保持在同一量纲下，使得聚类过程中距离评估更加合理。
采用本发明对电网中的分布式光伏电站聚类等效建模后，可以实现电力系统仿真中方程阶数和状态变量的降低，极大地降低系统仿真分析的难度，提高电力系统仿真的计算速度。
请参阅图4，图4为本发明实施例三提供的一种聚类等效模型构建方法的邻域半径大小、邻域半径中选取数目的阈值与聚类簇数目之间的关系示意图。
本发明提供的一种聚类等效模型构建方法的仿真算例，具体如下：
以春季晴天的分布式光伏电站气象数据以及日出力数据为例，计算该聚类簇气象状态类型下的分布式光伏电站典型值，对该地区的分布式光伏电站进行聚类分析建模。
采用所提的数据归一化方法，对各分布式光伏电站的特征向量进行归一化计算，气象数据归算的基准值为[5.4，0.52，23.1，3.14，1048.13，51.4]，日出力数据以分布式光伏电站的额定容量进行归算。
设置DBSCAN算法的邻域半径以及邻域半径中数据数目的阈值，通过逐步测试法确定DBSCAN算法的最优参数，其计算结果如图4所示，其图中显示邻域半径大小、邻域半径中数据数目的阈值与聚类簇数目之间的关系。
从图4中可知，邻域半径大小、邻域半径中数据数目的阈值与聚类簇数目之间的关系，可以看出，随着邻域半径大小和邻域半径中数据数目的阈值的增长，聚类簇数目逐渐减小。从图4中可以看出，当不考虑邻域半径中选取数目阈值的影响时，当邻域半径小于2.5时，聚类簇数目下降较快，而当邻域半径大于2.5时，聚类簇数目下降较慢。因此，可以判断，邻域半径2.5为聚类簇数目变化的拐点，则设置邻域半径为2.5。邻域半径中选取数目阈值的设置，也是同样的道理。
需要说明的是，图4中聚类簇数目与邻域半径大小和邻域半径中选取数目阈值的变化关系，是用作确定邻域半径大小和邻域半径中选取数目阈值的参考，具体确定的过程仍有赖于工程人员的经验，不同工程人员经验不同可能确定不同的数值，但对最终结果的影响并不大。
依据图4中，聚类簇数目、邻域半径大小和邻域中选取数目阈值的变化关系，以及工程人员经验，确定好邻域半径大小，邻域半径中选取数目阈值后，通过DBSCAN算法，就可以得出光伏电站的具体聚类结果。所以，总的来说，先确定邻域半径大小和邻域中选取数目阈值，再利用DBSCAN算法确定聚类簇的数目。
请参阅图5，图5为本发明实施例四提供的一种聚类等效模型构建系统的结构框图。
本发明提供的一种聚类等效模型构建系统，包括：
历史运行数据模块501，用于获取各个分布式光伏电站的历史运行数据；
数据子集模块502，用于按照历史运行数据采集当天所处的天气状态对历史运行数据进行划分，生成多个数据子集；
典型值数据模块503，用于对各个数据子集中的数据进行平均值计算，得到数据子集的典型值数据；
聚类簇模块504，用于按照典型值数据对各个分布式光伏电站进行聚类，得到多个聚类簇；
聚类等效模块505，用于根据各个聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型。
可选地，数据子集模块502还包括：
数据集子模块，用于按照历史运行数据采集当天所处的季节对历史运行数据进行聚类，生成多个数据集；
数据子集子模块，用于按照历史运行数据采集当天所处的天气状态对数据集进行聚类，生成多个数据子集。
可选地，聚类簇模块504还包括：
初始待判断点子模块，用于从典型值数据内按预设规则选取分布式光伏电站对应的目标数据作为初始待判断点；
数据距离子模块，用于计算初始待判断点与剩余各个典型值数据之间的数据距离；
选取数量子模块，用于选取数据距离小于预设邻域半径的分布式光伏电站并统计对应的选取数量；
边缘点子模块，用于若选取数量小于预设的选取数目阈值，则将目标数据所属分布式光伏电站确定为边缘点；
新目标数据子模块，用于从典型值数据内选取新的目标数据作为初始待判断点，并跳转执行计算初始待判断点与剩余各个典型值数据之间的数据距离的步骤；
选取数目阈值子模块，用于若选取数量大于或等于选取数目阈值，则将数据距离小于邻域半径的分布式光伏电站归类至目标数据所属聚类簇。
可选地，聚类等效模块505还包括：
典型设备参数子模块，用于分别计算各个聚类簇内的分布式光伏电站对应的平均设备参数，并将平均设备参数确定为聚类簇对应的典型设备参数；
额定容量子模块，用于计算聚类簇内的分布式光伏电站对应的设备容量和值，并将设备容量和值确定为聚类簇对应的额定容量；
聚类等效子模块，用于根据典型设备参数和额定容量构建聚类等效模型。
可选地，此系统还包括：
初始聚类中心数据子模块，用于从典型值数据内按预设规则选取分布式光伏电站对应的目标数据作为初始聚类中心数据；
计算数据距离子模块，用于分别计算初始聚类中心数据与所有相邻的典型值数据的数据距离；
目标聚类距离子模块，用于根据全部数据距离选取目标聚类距离；
数据和值子模块，用于采用目标聚类距离为半径计算目标聚类距离内的多个典型值数据的数据和值；
判断选取数目阈值子模块，用于判断数据和值是否大于或等于选取数目阈值；
邻域半径子模块，用于若是，则将典型值数据对应的分布式光伏电站归类至目标数据所属聚类簇，并根据聚类簇数目确定聚类簇对应的邻域半径；
判断边缘数据子模块，用于若否，则判断初始聚类中心数据是否为边缘数据；
跳转执行选取目标聚类距离子模块，用于若否，跳转执行根据全部数据距离选取目标聚类距离，并采用目标聚类距离为半径计算目标聚类距离内的多个典型值数据的数据和值的步骤；
边缘数据子模块，用于若是，则将初始聚类中心数据确定为边缘数据，并跳转执行从典型值数据内按预设规则选取分布式光伏电站对应的目标数据作为初始聚类中心数据的步骤。
可选地，计算数据距离子模块包括：
欧氏距离子模块，用于计算初始聚类中心数据和所有相邻的典型值数据分别对应的典型气象数据的欧氏距离；
佛雷歇距离子模块，用于计算初始聚类中心数据和所有相邻的典型值数据分别对应的典型日出力数据的弗雷歇距离；
平方和值子模块，用于计算欧氏距离和弗雷歇距离的平方和值；
开平方计算子模块，用于对平方和值进行开平方计算，得到初始聚类中心数据与所有相邻的典型值数据的数据距离。
可选地，邻域半径子模块包括：
多个聚类簇子模块，用于若是，则将典型值数据对应的分布式光伏电站归类至目标数据所属聚类簇，得到多个聚类簇；
第一聚类簇数目阈值子模块，用于比较聚类簇数目与预设第一聚类簇数目阈值；
新目标聚类距离子模块，用于若聚类簇数目小于第一聚类簇数目阈值，则按照预设倍数调节聚类距离作为新的目标聚类距离；
第二聚类簇数目阈值子模块，用于跳转执行采用目标聚类距离为半径计算目标聚类距离内的多个典型值数据的数据和值的步骤，直至聚类簇数目大于第一聚类簇数目阈值，且小于预设第二聚类簇数目阈值；
判定邻域半径子模块，用于将上一个聚类簇数目对应的目标聚类距离判定为聚类簇对应的邻域半径。
本发明通过获取各个分布式光伏电站的历史运行数据，按照历史运行数据采集当天所处的天气状态对历史运行数据进行聚类，生成多个数据子集；对各个数据子集中的数据进行平均值计算并进行数据归一化，得到数据子集的典型值数据，按照典型值数据对各个分布式光伏电站进行聚类，得到多个聚类簇，根据各个聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型。解决了目前大多数研究，主要以出力特性曲线的欧氏距离为相似度指标，但在分布式光伏电站出力相似性评估中主要考虑欧氏距离，忽略了出力曲线的相似性，因分布式光伏聚类考虑因素不全面，造成分布式光伏电站聚类等效模型的准确性降低的技术问题。本发明在聚类过程中新增了分布式光伏电站的气象数据，更加体现了分布式光伏电站的空间相关性。且在聚类过程中，对数据有归一化处理的过程，从而保证在相似性评估中能够保持在同一量纲下，使得聚类过程中距离评估更加合理。
采用本发明对电网中的分布式光伏电站聚类等效建模后，可以实现电力系统仿真中方程阶数和状态变量的降低，极大地降低系统仿真分析的难度，提高电力系统仿真的计算速度。
本发明实施例五还提供了一种电子设备，包括存储器及处理器，存储器中储存有计算机程序；计算机程序被处理器执行时，使得处理器执行如上述任一实施例的聚类等效模型构建方法的步骤。
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被执行时实现如上述任一实施例的聚类等效模型构建方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种聚类等效模型构建方法，其特征在于，包括：
获取各个分布式光伏电站的历史运行数据；
按照所述历史运行数据采集当天所处的天气状态对所述历史运行数据进行聚类，生成多个数据子集；
对各个所述数据子集中的数据进行平均值计算并进行数据归一化，得到所述数据子集的典型值数据；
按照所述典型值数据对各个所述分布式光伏电站进行聚类，得到多个聚类簇；
根据各个所述聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型。
2.根据权利要求1所述的聚类等效模型构建方法，其特征在于，所述按照所述历史运行数据采集当天所处的天气状态对所述历史运行数据进行聚类，生成多个数据子集的步骤，包括：
按照所述历史运行数据采集当天所处的季节对所述历史运行数据进行聚类，生成多个数据集；
按照所述历史运行数据采集当天所处的天气状态对所述数据集进行聚类，生成多个数据子集。
3.根据权利要求1所述的聚类等效模型构建方法，其特征在于，所述按照所述典型值数据对各个所述分布式光伏电站进行聚类，得到多个聚类簇的步骤，包括：
从所述典型值数据内按预设规则选取所述分布式光伏电站对应的目标数据作为初始待判断点；
计算所述初始待判断点与剩余各个所述典型值数据之间的数据距离；
选取所述数据距离小于预设邻域半径的分布式光伏电站并统计对应的选取数量；
若所述选取数量小于预设的选取数目阈值，则将所述目标数据所属分布式光伏电站确定为边缘点；
从所述典型值数据内选取新的目标数据作为初始待判断点，并跳转执行所述计算所述初始待判断点与剩余各个所述典型值数据之间的数据距离的步骤；
若所述选取数量大于或等于所述选取数目阈值，则将所述数据距离小于所述邻域半径的分布式光伏电站归类至所述目标数据所属聚类簇。
4.根据权利要求1所述的聚类等效模型构建方法，其特征在于，所述根据各个所述聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型的步骤，包括：
分别计算各个所述聚类簇内的分布式光伏电站对应的平均设备参数，并将所述平均设备参数确定为所述聚类簇对应的典型设备参数；
计算所述聚类簇内的分布式光伏电站对应的设备容量和值，并将所述设备容量和值确定为所述聚类簇对应的额定容量；
根据所述典型设备参数和所述额定容量构建聚类等效模型。
5.根据权利要求3所述的聚类等效模型构建方法，其特征在于，还包括：
从所述典型值数据内按预设规则选取所述分布式光伏电站对应的目标数据作为初始聚类中心数据；
分别计算所述初始聚类中心数据与所有相邻的所述典型值数据的数据距离；
根据全部所述数据距离选取目标聚类距离；
采用所述目标聚类距离为半径计算所述目标聚类距离内的多个所述典型值数据的数据和值；
判断所述数据和值是否大于或等于所述选取数目阈值；
若是，则将所述典型值数据对应的分布式光伏电站归类至所述目标数据所属聚类簇，并根据聚类簇数目确定所述聚类簇对应的邻域半径；
若否，则判断所述初始聚类中心数据是否为边缘数据；
若否，跳转执行所述根据全部所述数据距离选取目标聚类距离，并采用所述目标聚类距离为半径计算所述目标聚类距离内的多个所述典型值数据的数据和值的步骤；
若是，则将所述初始聚类中心数据确定为边缘数据，并跳转执行所述从所述典型值数据内按预设规则选取所述分布式光伏电站对应的目标数据作为初始聚类中心数据的步骤。
6.根据权利要求5所述的聚类等效模型构建方法，其特征在于，所述典型值数据包括典型气象数据和典型日出力数据；所述分别计算所述初始聚类中心数据与所有相邻的所述典型值数据的数据距离的步骤，包括：
计算所述初始聚类中心数据和所有相邻的所述典型值数据分别对应的典型气象数据的欧氏距离；
计算所述初始聚类中心数据和所有相邻的所述典型值数据分别对应的典型日出力数据的弗雷歇距离；
计算所述欧氏距离和所述弗雷歇距离的平方和值；
对所述平方和值进行开平方计算，得到所述初始聚类中心数据与所有相邻的所述典型值数据的数据距离。
7.根据权利要求5所述的聚类等效模型构建方法，其特征在于，所述若是，则将所述典型值数据对应的分布式光伏电站归类至所述目标数据所属聚类簇，并根据聚类簇数目确定所述聚类簇对应的邻域半径的步骤，包括：
若是，则将所述典型值数据对应的分布式光伏电站归类至所述目标数据所属聚类簇，得到多个所述聚类簇；
比较聚类簇数目与预设第一聚类簇数目阈值；
若所述聚类簇数目小于所述第一聚类簇数目阈值，则按照预设倍数调节聚类距离作为新的目标聚类距离；
跳转执行所述采用所述目标聚类距离为半径计算所述目标聚类距离内的多个所述典型值数据的数据和值的步骤，直至所述聚类簇数目大于所述第一聚类簇数目阈值，且小于预设第二聚类簇数目阈值；
将上一个所述聚类簇数目对应的目标聚类距离判定为所述聚类簇对应的邻域半径。
8.一种聚类等效模型构建系统，其特征在于，包括：
历史运行数据模块，用于获取各个分布式光伏电站的历史运行数据；
数据子集模块，用于按照所述历史运行数据采集当天所处的天气状态对所述历史运行数据进行划分，生成多个数据子集；
典型值数据模块，用于对各个所述数据子集中的数据进行平均值计算，得到所述数据子集的典型值数据；
聚类簇模块，用于按照所述典型值数据对各个所述分布式光伏电站进行聚类，得到多个聚类簇；
聚类等效模块，用于根据各个所述聚类簇内的分布式光伏电站对应的设备参数和设备容量，构建聚类等效模型。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-7任一项所述的聚类等效模型构建方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1-7任一项所述的聚类等效模型构建方法。
CN202211243814.9A 2022-10-12 2022-10-12 一种聚类等效模型构建方法、系统、设备和存储介质 Pending CN115329899A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211243814.9A CN115329899A (zh) 2022-10-12 2022-10-12 一种聚类等效模型构建方法、系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211243814.9A CN115329899A (zh) 2022-10-12 2022-10-12 一种聚类等效模型构建方法、系统、设备和存储介质

Publications (1)

Publication Number Publication Date
CN115329899A true CN115329899A (zh) 2022-11-11

Family

ID=83913644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211243814.9A Pending CN115329899A (zh) 2022-10-12 2022-10-12 一种聚类等效模型构建方法、系统、设备和存储介质

Country Status (1)

Country Link
CN (1) CN115329899A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117454255A (zh) * 2023-12-25 2024-01-26 陕西奥纳泽建筑工程有限公司 一种智慧建筑能耗数据优化存储方法
CN117932310A (zh) * 2024-03-21 2024-04-26 临沂润恒信息科技有限公司 一种科技成果交易转化集成信息智能管理方法及系统
CN117970004A (zh) * 2024-02-22 2024-05-03 南京莱芯科技有限公司 功率放大器的测试方法、装置、介质和电子设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726255A (zh) * 2008-10-24 2010-06-09 中国科学院光电研究院 从三维激光点云数据中提取感兴趣建筑物的方法
CN105355049A (zh) * 2015-11-05 2016-02-24 北京航空航天大学 一种基于宏观基本图的高速公路运行状态评价方法
CN105938578A (zh) * 2016-04-13 2016-09-14 合肥工业大学 一种基于聚类分析的大规模光伏电站等值建模方法
CN106125087A (zh) * 2016-06-15 2016-11-16 清研华宇智能机器人（天津）有限责任公司 基于激光雷达的舞蹈机器人室内行人跟踪方法
CN106451418A (zh) * 2016-09-13 2017-02-22 清华大学 光伏电站的在线分群等值建模方法
CN106529731A (zh) * 2016-11-17 2017-03-22 云南电网有限责任公司电力科学研究院 一种区域电网光伏电站集群划分方法
CN112381137A (zh) * 2020-11-10 2021-02-19 重庆大学 新能源电力系统可靠性评估方法、装置、设备及存储介质
US20210197851A1 (en) * 2019-12-30 2021-07-01 Yanshan University Method for building virtual scenario library for autonomous vehicle
CN113159601A (zh) * 2021-04-30 2021-07-23 国网湖北省电力有限公司武汉供电公司 一种基于dbscan聚类算法的光伏电站运行状态分析方法
CN113283492A (zh) * 2021-05-19 2021-08-20 清华大学 基于Catboost算法的光伏出力场景生成方法及场景生成装置
CN114511132A (zh) * 2021-12-28 2022-05-17 上海能源科技发展有限公司 一种光伏出力短期预测方法及预测系统
CN114725982A (zh) * 2022-01-18 2022-07-08 中国农业大学 一种分布式光伏集群精细化划分及建模方法
CN114792156A (zh) * 2022-03-10 2022-07-26 国网甘肃省电力公司电力科学研究院 基于曲线特征指标聚类的光伏输出功率预测方法和系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726255A (zh) * 2008-10-24 2010-06-09 中国科学院光电研究院 从三维激光点云数据中提取感兴趣建筑物的方法
CN105355049A (zh) * 2015-11-05 2016-02-24 北京航空航天大学 一种基于宏观基本图的高速公路运行状态评价方法
CN105938578A (zh) * 2016-04-13 2016-09-14 合肥工业大学 一种基于聚类分析的大规模光伏电站等值建模方法
CN106125087A (zh) * 2016-06-15 2016-11-16 清研华宇智能机器人（天津）有限责任公司 基于激光雷达的舞蹈机器人室内行人跟踪方法
CN106451418A (zh) * 2016-09-13 2017-02-22 清华大学 光伏电站的在线分群等值建模方法
CN106529731A (zh) * 2016-11-17 2017-03-22 云南电网有限责任公司电力科学研究院 一种区域电网光伏电站集群划分方法
US20210197851A1 (en) * 2019-12-30 2021-07-01 Yanshan University Method for building virtual scenario library for autonomous vehicle
CN112381137A (zh) * 2020-11-10 2021-02-19 重庆大学 新能源电力系统可靠性评估方法、装置、设备及存储介质
CN113159601A (zh) * 2021-04-30 2021-07-23 国网湖北省电力有限公司武汉供电公司 一种基于dbscan聚类算法的光伏电站运行状态分析方法
CN113283492A (zh) * 2021-05-19 2021-08-20 清华大学 基于Catboost算法的光伏出力场景生成方法及场景生成装置
CN114511132A (zh) * 2021-12-28 2022-05-17 上海能源科技发展有限公司 一种光伏出力短期预测方法及预测系统
CN114725982A (zh) * 2022-01-18 2022-07-08 中国农业大学 一种分布式光伏集群精细化划分及建模方法
CN114792156A (zh) * 2022-03-10 2022-07-26 国网甘肃省电力公司电力科学研究院 基于曲线特征指标聚类的光伏输出功率预测方法和系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117454255A (zh) * 2023-12-25 2024-01-26 陕西奥纳泽建筑工程有限公司 一种智慧建筑能耗数据优化存储方法
CN117454255B (zh) * 2023-12-25 2024-03-29 陕西奥纳泽建筑工程有限公司 一种智慧建筑能耗数据优化存储方法
CN117970004A (zh) * 2024-02-22 2024-05-03 南京莱芯科技有限公司 功率放大器的测试方法、装置、介质和电子设备
CN117932310A (zh) * 2024-03-21 2024-04-26 临沂润恒信息科技有限公司 一种科技成果交易转化集成信息智能管理方法及系统
CN117932310B (zh) * 2024-03-21 2024-06-04 临沂润恒信息科技有限公司 一种科技成果交易转化集成信息智能管理方法及系统

Similar Documents

Publication Publication Date Title
US20220373984A1 (en) Hybrid photovoltaic power prediction method and system based on multi-source data fusion
CN115329899A (zh) 一种聚类等效模型构建方法、系统、设备和存储介质
Ghadimi et al. PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives
CN107909211B (zh) 基于模糊c均值聚类算法的风场等值建模及优化控制方法
CN109508823B (zh) 一种基于场景分析法的配电网中分布式电源规划方法
CN114792156B (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN115796393B (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
CN112186761B (zh) 一种基于概率分布的风电功率场景生成方法及系统
CN111461921B (zh) 一种基于机器学习的负荷建模典型用户数据库更新方法
CN113780679B (zh) 一种基于泛在电力物联网的负荷预测方法及装置
CN113112099A (zh) 电网日电量预测模型训练方法和电网日电量预测方法
Li et al. Sizing ramping reserve using probabilistic solar forecasts: A data-driven method
CN112651576A (zh) 长期风电功率预测方法及装置
CN114417719A (zh) 一种基于图注意力网络的配电网网格化方法及装置
Chen et al. Graph neural network-based wind farm cluster speed prediction
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN117955098A (zh) 高比例新能源电力系统典型场景生成方法及系统
Huang et al. Mining optimum models of generating solar power based on big data analysis
CN116522800A (zh) 一种基于场景概率的多目标风-储电站选址定容方法
CN116307111A (zh) 一种基于k均值聚类和随机森林算法的无功负荷预测方法
KR20230066927A (ko) 발전량 예측 방법 및 장치
CN114066068A (zh) 一种短期电力负荷预测方法、装置、设备和存储介质
CN110912162B (zh) 一种储能装置方案的确定方法及装置
Liu et al. Analysis of SCADA Data Preprocessing Methods for Wind Power Farms
CN115375042A (zh) 一种居民用户集群负荷预测方法、系统、设备及介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20221111

RJ01 Rejection of invention patent application after publication