【基于多种聚类算法的短期光伏功率预测探究案例概述3300字】.pdfVIP

基于多种聚类算法的短期光伏功率预测研究案例概述

目录

基于多种聚类算法的短期光伏功率预测研究案例概述1

1.1引言1

1.2聚类分析算法1

1.2.1模糊C均值聚类算法1

1.2.2K-means算法3

1.3基于多种聚类算法的功率预测建模方法4

1.4算例分析5

1.4.1算例数据描述6

1.4.2聚类情境6

1.4.3预测结果分析11

1.1引言

本文在充分考虑到光伏发电由多种环境因素给电网带来具有随机波动性及

间断性的冲击情况下，为确保电力系统能够稳定安全地行，增强电能质量稳定性,

需要对光伏系统的发电出力进行全面的预测研究。

本章基于提出的基于多种聚类算法的相似日分类与支持向量机的光伏功率

预测模型，对聚类分析对于光伏出力预测的影响，以及寻找、优化聚类分析的方式

进行了相关研究，以下对本文章所用到的主要算法原理进行介绍。O

1.2聚类分析算法

1.2.1模糊C均值聚类算法

模糊C均值聚类算法(FuzzyC-means,FCM)是一种常见的无监督学习方法，

目前在许多领域已得到广泛应用。1974年，J.C.Dunn借鉴模糊划分这一概念，

将传统的应聚类算法推广到模糊聚类的形式。传统的FCM是由J.C.Bezde等人提

出的，该算法通过对目标函数极值的迭代求解以寻求各聚类中心与隶属度，从而

能帽判断出各数据样本隶属于不同类别的程度。模糊C均值在图像分割以及数

据挖掘方向中应用广泛，它基于最小化误差评分和目标函数的方法来寻找最优解。

FCM解决了无监督条件下把n个样本数据根据相似的原则分成c类的问题，

其中，cl并且c要远小于样本数据总数，同时每个样本属于所有簇隶属度的和

应该为1,其常用目标函数如式(1.1)所示：

1

CCTlTl

J(u,c)=£J=££昭z；Uij=L°-Uij-1，V,顶=1,2,...,〃

J=1J=1z=lj=l(1.1)

其中％•=厂代表第，个样本。，与第j个聚类中心勺间的距离。纺为

隶属度，表示。，隶属于勺的程度，它的指数九为加权指数，通过指数的关系来

影响隶属度的权值大小，九经典范围为[1.5,2.5][18]。随着匕的增大，采用FCM

得出的效果可能会变差，最后完全失去聚类作用，当久=1，算法不再具有模糊

作用，完全等价于硬聚类算法K-means。对于式(2.5),弓I入拉格朗日乘子来

计算其最优解，构造函数如式(1.2)

_c\_c\_c

N川£今-1+j(〃,c)=z扃如《

,•=1j=l)i=ll1)J=1i=l(1.2)

其中月为拉格朗日乘子，求解上式可得到〃与。，结果如下：

_1

Uij=27^H

/drij

r=l(1.3)

Z咿XQ,

c广一

i=l

基于式(1.3)和式(1