一种基于DTW-Kmedoids算法的风电出力聚类方法及系统技术方案

本发明专利技术公开了一种基于DTW‑Kmedoids算法的风电出力聚类方法及系统，涉及风电出力场景生成技术领域，包括对风电历史数据进行插值、降维、标幺化和平滑处理；采用动态时间规整DTW算法进行距离度量，采用Kmedoids聚类算法进行迭代，得到聚类结果，输出每一簇的中心曲线；对不同簇数的聚类结果，计算各簇的误差平方和，采用肘部法则确定最佳簇数；根据最佳簇数下的聚类结果，生成典型风电出力场景曲线，并建立聚类效果评价指标体系。本发明专利技术引入动态时间弯曲距离算法，能够适应风电出力曲线的非线性变化，通过动态匹配时间序列提升了相似性度量的精确性，使生成的典型场景更具代表性。使得聚类中心点更具代表性，进而生成的风电出力场景稳定性更好。

【技术实现步骤摘要】

本专利技术涉及风电出力场景生成，特别是一种基于dtw-kmedoids算法的风电出力聚类方法及系统。

技术介绍

1、现有的风电出力场景生成方法通常采用聚类和时间序列相似性分析技术，包括k-means和k-medoids聚类算法、动态时间弯曲(dtw)距离等方法。k-means聚类法应用广泛，适用于大数据分割和中心场景生成，但对初始条件敏感，在处理非线性数据时效果有限。k-medoids则通过选择实际样本作为中心点，适合小规模数据但对初始中心点选择依赖较高。dtw算法在时间序列相似性计算中表现优异，尤其适用于风电出力的非线性变化分析，但在与聚类算法结合时计算量较大。这些技术手段虽能生成一定的典型风电出力场景，但在应对数据复杂性和非线性特征方面表现不足。

2、尽管现有方法在场景生成上取得了一定成效，但仍存在不足之处。首先，传统聚类方法处理非线性数据效果有限，生成的场景代表性欠佳；其次，现有方法对初始参数敏感，尤其在中心点和簇数的选择上缺乏稳定性，导致聚类结果不够稳定。同时，簇数选择至关重要，但现有方法缺少自动化的优化准则，难以保证生成的典型场景能充本文档来自技高网...

【技术保护点】

1.一种基于DTW-Kmedoids算法的风电出力聚类方法，其特征在于：包括，

2.如权利要求1所述的一种基于DTW-Kmedoids算法的风电出力聚类方法，其特征在于：所述插值、降维、标幺化和平滑处理包括针对历史风电出力数据中的缺损数据，采用三次样条插值的方法进行补全；

3.如权利要求2所述的一种基于DTW-Kmedoids算法的风电出力聚类方法，其特征在于：所述输出每一簇的中心曲线包括采用动态时间弯曲距离DTW算法计算各风电出力曲线之间的相似度，生成距离矩阵，并以距离矩阵为基础，通过Kmedoids聚类算法进行多次迭代，优化每一簇的中心曲线位置，得到包含最佳聚...

【技术特征摘要】

1.一种基于dtw-kmedoids算法的风电出力聚类方法，其特征在于：包括，

2.如权利要求1所述的一种基于dtw-kmedoids算法的风电出力聚类方法，其特征在于：所述插值、降维、标幺化和平滑处理包括针对历史风电出力数据中的缺损数据，采用三次样条插值的方法进行补全；

3.如权利要求2所述的一种基于dtw-kmedoids算法的风电出力聚类方法，其特征在于：所述输出每一簇的中心曲线包括采用动态时间弯曲距离dtw算法计算各风电出力曲线之间的相似度，生成距离矩阵，并以距离矩阵为基础，通过kmedoids聚类算法进行多次迭代，优化每一簇的中心曲线位置，得到包含最佳聚类簇数和每一簇中心曲线的聚类结果；

4.如权利要求3所述的一种基于dtw-kmedoids算法的风电出力聚类方法，其特征在于：所述dtw距离包括若有2条历史风电出力曲线，分别为pj＝{pj,1,pj,2,...,pj,24}和pk＝{pk,1,pk,2,...,pk,24}；

5.如权利要求4所述的一种基于dtw-kmedoids算法的风电出力聚类方法，其特征在于：所述确定最佳簇数包括对于每个可能的簇数k，在完成kmedoids聚类后，计算每个簇的误差平方和sse，即数据点到所属簇中心的距离平方和，表示为，

6.如权利...

【专利技术属性】
技术研发人员：罗洋，胡彬，刘文霞，熊新锐，娄素华，马蕊，秦柯，杨婕睿，杨东俊明，何向刚，胡江，蒋泽甫，李震，唐学用，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：