(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110710544.7 (22)申请日 2021.06.25 (65)同一申请的已公布的文献号 申请公布号 CN 113449471 A (43)申请公布日 2021.09.28 (73)专利权人 东北电力大 学 地址 132012 吉林省吉林市船 营区长春路 169号 专利权人 国网青海省电力公司 (72)发明人 肖白　李梦雪　董凌　杨森林　 苟晓侃　王学斌　王茂春　杨洪志　 (74)专利代理 机构 吉林市达利专利事务所 22102 专利代理师 陈传林(51)Int.Cl. G06F 30/27(2020.01) G06F 17/18(2006.01) G06K 9/62(2022.01) G06Q 50/06(2012.01) G06F 111/08(2020.01) G06F 111/10(2020.01) G06F 113/06(2020.01) (56)对比文件 CN 109783841 A,2019.0 5.21 丁明等.应用改进马尔科 夫链的光伏出力时 间序列模拟. 《电网技 术》 .2016,(第02期), 审查员 文兴丽 (54)发明名称 利用AP聚类-跳转持续改进MC的风电出力模 拟生成方法 (57)摘要 一种利用AP聚类 ‑跳转持续改进MC的风电出 力模拟生成方法， 其特点是， 对历史风电出力数 据进行AP聚类， 分别建立聚类后风电出力的状态 转移矩阵， 并将其转化为状态跳转矩阵； 基于马 尔科夫链形成满足状态跳转特性的风电出力状 态跳转序列； 依据风电出力状态持续时间特性， 采用核密度估计拟合风电出力状态持续时间分 布直方图， 抽样确定状态跳转序列中每个状态的 持续时间， 得到风电出力状态时间序列； 风电出 力波动量概率密度分布采用混合高斯分布进行 拟合， 且在模拟生成风电出力的过程中叠加符合 混合高斯分布的波动分量， 以保证风电出力的波 动特性； 基于类间转移矩阵模拟生成风电出力时 间序列。 具有实用性强， 精度更高， 模拟效果更佳 等优点。 权利要求书5页 说明书14页 附图4页 CN 113449471 B 2022.08.30 CN 113449471 B 1.一种利用AP聚类 ‑跳转持续改进MC的风电出力模拟生成方法， 其特征是， 它包括： 对 历史风电出力数据进行AP聚类、 形成某一聚类类别下风电出力状态跳转序列、 形成某一聚 类类别下时间序列长度为一 天的风电出力状态时间序列、 在某一聚类类别下形成的初步风 电出力时间序列上抽样并叠加风电出力波动量、 根据类间转移 概率矩阵模拟生成风电出力 时间序列， 具体内容 为： 1)对历史风电出力数据进行AP聚类 近邻传播(Affinity  Propagation， AP)聚类算法是一种基于 “信息传递”的无监督聚类 算法； 首先建立样本集合的相似度矩阵S为式(1)， 矩阵中的元素Sa,b表示样本xa与xb之间的 相似度， 采用负欧氏距离表示， 为式(2)； Sa,a为聚类中心的参考度， 作为能否成为聚类中心 的评判标准， 在初始时均设置为偏向参数， 其直接影响最终聚类的个数， 偏向系数的值越 大， 产生聚类个数越多； 对 单位时间段内既定采样间隔的实测历史风电出力， 以其日均值和 日最值差来构 造能够反映对应各日风电出力特征的向量， 并利用该向量对历史风电出力以 天为单位进行AP聚类， 其中： 单位时间段一般是指月、 季、 年、 多年； 采样间隔通常是指1分 钟、 5分钟或10分钟； Sa,b＝‑||xa－xb||2                (2) 式中： S为样本集合的相似度矩阵； Sa,b表示样本xa与xb之间的相似度； Sa,a为聚类中心的 参考度； xa和xb为数据样本点； a＝1,2, ……,n； b＝1,2, ……,n； n为用于AP聚类的样本总数； ||xa‑xb||2表示xa与xb间的欧氏距离； 将样本集合的相似度矩阵S作为输入， 然后计算每个样本点的吸引度r(xa,xk)与归属度 a(xa,xk)； r(xa,xk)表示xk点是否适合作为xa点的聚类中心， 即xk对xa的吸引度； a(xa,xk)表 示xa点是否选择xk作为其聚类中心， 即xa对xk的归属度； r(xa,xk)和a(xa,xk)越大， 表明xk越 适合作为聚类中心； 聚类过程中不断地更新吸引度矩阵和归属度矩阵， 为避免迭代过程中 发生震荡， 引入阻尼系 数， 直到迭代产生稳定的聚类中心和 类别归属情况； 因此， 近邻传播 结束时， xa的聚类中心确定为xk； 其中， xk为式(3)： xk＝argmax{a(xa,xk)+r(xa,xk)}                (3) 式中： argmax为求取函数值最大的自变量， 即xk为满足{a(xa,xk)+r(xa,xk)}取得最大值 时的取值； a(xa,xk)为样本点xa对样本点xk的归属度； r(xa,xk)为样本点xk对样本点xa的吸引 度； xk和xa为数据样本点； k ＝1,2,……,n； a＝1,2, ……,n； n为用于AP聚类的样本总数； 采用轮廓系数(Silhouette  Coefficient， SC)作为聚类评价指标； 轮廓系数越大表示 聚类效果越好； 轮廓系数SC(xk)定义为式(4)‑(6)： 权　利　要　求　书 1/5 页 2 CN 113449471 B 2式中： xk， xa， xb为数据样本点； C(xk)表示样本点xk所属的聚类类别； C(xa)表示样本点xa 所属的聚类类别； C(xb)表示样本点xb所属的聚类类别； 轮廓系数SC(xk)的值介于[ ‑1,1]， 反 映了xk作为聚类中心时， 聚类中心与类内样本的平均距离 I(xk)是否显著区别于它到类外样 本的平均距离O(xk)； I(xk)表示聚类中心与类内样本的平均距离； D(xk,xa)表示样本点xk与 xa之间的距离； M表 示与样本点xk同属同一类别的数据点个数； O(xk)表示聚类中心与类外样 本的平均距离； D(xk,xb)表示样本 点xk与xb之间的距离； G表示与样本 点xk不属于同一类别的 数据点个数； 通过对历史风电出力数据以天为单位进行AP聚类， 可以将出力水平与波动特性相似的 日风电出力序列划归为同一类； 2)形成某一聚类 类别下风电出力状态跳转序列 将历史风电出力数据按照(P ′min， P′max)均匀划分成N个数据段， 每个数据段对应一个状 态， 则每个状态所对应的风电出力范围大小为(P ′max‑P′min)/N； 其中， P ′min为历史风电出力 的最小值， P ′max为历史风电出力的最大值， N为状态数； 针对传 统马尔科夫链存在风电出力 序列容易陷入某种状态而难以跳转， 以致生成的风电出力时间序列可能出现在某一状态下 持续时间过长的情况， 通过采用状态跳转矩阵代替状态转移 矩阵进行改进； 在由聚类重构序列产生状态转移矩阵时， 当相邻 两个数据之间的状态数跳变幅度 大于 所划分状态数的1/3时， 认为这一转移不符合实际， 将此处的状态转移矩阵值置零， 进而得 到改进的状态转移 矩阵； 其次， 将上述得到的状态转移矩阵对角线元素全部置零， 并计算每个元素占该行所有 元素之和的比例， 将其作为新的概率值， 所得到的概率矩阵即为状态跳转矩阵； 状态跳转矩 阵为式(7) ‑(8)； pij＝P(Et+1＝j|Et＝i)                                 (8) 式中： 矩阵P为状态跳转矩阵； 矩阵P的行对应风电出力当前的出力状态， 列对应下一时 刻的出力状态； N为状态数； i， j为风电出力状态； i＝1,2, ……,N； j＝1,2, ……,N； pij代表风 电出力从状态i转移到状态j的概率； Et、 Et+1为第t时刻和第t+1时刻风电出力值对应的状 态； P(A|B)为条件概 率函数， 表示在 B的条件下 出现A的概 率； 相应的累积状态跳转矩阵为式(9)： Q中元素的取值 为式(10)： 权　利　要　求　书 2/5 页 3 CN 113449471 B 3