【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】.docxVIP

1

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运行，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。。

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，从而能够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，c1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：

2

(1.1)

其中d,=IIC,-a,II,代表第i个样本a,与第j个聚类中心)c,间的距离。u;为隶属度，表示a;隶属于c;的程度，它的指数n,为加权指数，通过指数的关系来影响隶属度的权值大小，n经典范围为[1.5,2.5][18]。随着n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n=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)

(1.2)

其中β为拉格朗日乘子，求解上式可得到u与c,结果如下：

(1.3)

(1.4)

基于式(1.3)和式(1.4),可以通过迭代求解的方法更新聚类中心与隶属度，主要分为以下几个步骤：

1)初始化误差阈值、隶属度u,聚类中心c,以及加权指数n等参数；

2)随机赋予u初始值，但是必须要满足式(1.5)所述约束条件；

(1.5)

3)通过式(1.4)来计算c;

4)求解目标函数，并与上次迭代所得的目标函数作差值，其差值与误差阈值

3

比较，若小于则停止计算，若大于则继续步骤5);

5)基于公式(1.5)更新隶属度，并跳转到步骤3)运行。

1.2.2K-means算法

K-means算法是划分聚类算法的典型代表，实质上该算法基于簇中对象的平均值。为了能达到全局最优，基于划分的聚类要求穷举所有可能的划分。算法的处理过程如下：

算法的输入：数据库中的对象和簇的数目为k。

算法的输出：使得平方误差准则最小的k个簇。

方法如下：

1)从整个样本n中，任意选择k个对象作为初始的簇的中心m(i=1,2,…,k)。

2)利用公式(1.6),计算数据集中的每个p到k个簇中心的距离d(p,m?)。

3)找到每个对象p的最小的d(p,m),将p归入到与m,相同的簇中。

4)遍历完所有对象之后，利用公式(1.7)重新计算m;的值，作为新的簇中心。

5)重新将整个数据集中的对象赋给最类似的簇。这个过程反复进行直至平方误差准则最小。

d(,j)=√(x?-x,n)2+(x?=x,?)2+(xm-x,)2(1.6)

其中i=(x;,Xi?,…,x;)和j=(j?,Ji?,…,jm)是两个n维数据对象。

(1.7)

其中的m,代表第k个簇的簇中心，N代表第k个簇中数据对象的个数。

平方误差准则试图使聚类结果尽可能地独立和紧凑，即簇内对象的相似度尽可能的高。定义如下：

(1.8)

其中E表示所有对象的平方误差的总和，p代表空间中的对象，m代表簇C的

4

平均值。

1.3基于多种聚类算法的功率预测建模方法

1.1.1建模原理

(1)功率预测模型的原理

面向分布式光伏电站的短期出力功率预测，本文基于影响光伏电