张发才,李喜旺,樊国旗

1(中国科学院 沈阳计算技术研究所,沈阳 110168)

2(中国科学院大学,北京 100049)

3(国网金华供电公司,金华 321001)

近年来,中国风力发电发展速度快,风电场的规模以及风电并网比例不断增大.与传统的发电方式相比,风力发电最根本的不同点在于其有功出力的随机性、间歇性和不可控性[1].由于地理地貌和季风变化影响着风电资源分布,风电出力的随机性变化具有一定的季节周期性[2],用典型场景集反映周期内风电出力的变化特征,对含有风电电力系统的规划和调度具有重要意义.

目前,风电出力典型场景的选取主要采用聚类划分方法.文献[3]介绍了聚类算法大致可以分为层次聚类算法,划分式聚类,基于密度和网格的聚类算法和其他算法.文献[4]提出基于改进K-means 聚类的风电功率典型场景.文献[1]采用改进的模糊C 均值聚类算法和分层聚类算法,实现对风电出力场景的选取.文献[5,6]采用K-means 算法对风电出力样本进行聚类划分,得到具有代表性的典型风电出力场景.文献[7]提出基于Wasserstein 距离和改进 K-medoids 聚类算法,构建覆盖调度空间的典型场景.文献[8]提出主成分分析法和分层聚类算法相结合的方法,计算出年度典型风电出力场景.文献[9]采用模糊C 均值聚类法,完成对所研究区域风电功率典型场景的提取.

以上聚类算法都是以欧氏距离作为样本相似度判断,欧氏距离能反映样本曲线间的远近程度,不能反映曲线形态的相似程度.文献[10]提……