張發(fā)才,李喜旺,樊國旗

1(中國科學(xué)院 沈陽計(jì)算技術(shù)研究所,沈陽 110168)

2(中國科學(xué)院大學(xué),北京 100049)

3(國網(wǎng)金華供電公司,金華 321001)

近年來,中國風(fēng)力發(fā)電發(fā)展速度快,風(fēng)電場的規(guī)模以及風(fēng)電并網(wǎng)比例不斷增大.與傳統(tǒng)的發(fā)電方式相比,風(fēng)力發(fā)電最根本的不同點(diǎn)在于其有功出力的隨機(jī)性、間歇性和不可控性[1].由于地理地貌和季風(fēng)變化影響著風(fēng)電資源分布,風(fēng)電出力的隨機(jī)性變化具有一定的季節(jié)周期性[2],用典型場景集反映周期內(nèi)風(fēng)電出力的變化特征,對含有風(fēng)電電力系統(tǒng)的規(guī)劃和調(diào)度具有重要意義.

目前,風(fēng)電出力典型場景的選取主要采用聚類劃分方法.文獻(xiàn)[3]介紹了聚類算法大致可以分為層次聚類算法,劃分式聚類,基于密度和網(wǎng)格的聚類算法和其他算法.文獻(xiàn)[4]提出基于改進(jìn)K-means 聚類的風(fēng)電功率典型場景.文獻(xiàn)[1]采用改進(jìn)的模糊C 均值聚類算法和分層聚類算法,實(shí)現(xiàn)對風(fēng)電出力場景的選取.文獻(xiàn)[5,6]采用K-means 算法對風(fēng)電出力樣本進(jìn)行聚類劃分,得到具有代表性的典型風(fēng)電出力場景.文獻(xiàn)[7]提出基于Wasserstein 距離和改進(jìn) K-medoids 聚類算法,構(gòu)建覆蓋調(diào)度空間的典型場景.文獻(xiàn)[8]提出主成分分析法和分層聚類算法相結(jié)合的方法,計(jì)算出年度典型風(fēng)電出力場景.文獻(xiàn)[9]采用模糊C 均值聚類法,完成對所研究區(qū)域風(fēng)電功率典型場景的提取.

以上聚類算法都是以歐氏距離作為樣本相似度判斷,歐氏距離能反映樣本曲線間的遠(yuǎn)近程度,不能反映曲線形態(tài)的相似程度.文獻(xiàn)[10]提出基于考慮序列互相關(guān)性的“形態(tài)距離”的聚類算法,并提取春,夏,秋,冬的風(fēng)電出力典型場景,避免了基于歐式距離聚類的缺點(diǎn).文獻(xiàn)[11]比較得出GMM (Gaussian Mixture Model)聚類質(zhì)量優(yōu)于層次聚類,K-means,K-medoids,SOM 聚類.文獻(xiàn)[12]提出基于高斯混合模型的公交出行特征分析.文獻(xiàn)[13]通過應(yīng)用高斯混合模型對伊朗西南部某水域進(jìn)行分區(qū),取得很好的效果.文獻(xiàn)[14]提出基于EM 和GMM 的樸素貝葉斯巖性識別,結(jié)果表明高斯混合模型有很好的擬合效果.文獻(xiàn)[15]采用GMM聚類進(jìn)行漢語數(shù)字識別.此外,GMM 聚類不僅具有靈活的類簇形狀,還能夠很好的捕獲屬性之間的相關(guān)性和依賴性[16].

本文提出了一種基于概率分布的高斯混合聚類模型GMM,通過樣本屬于某一類的概率大小來判斷其歸屬類別,本文選取某地區(qū)的風(fēng)電出力情況,與傳統(tǒng)的基于歐式距離的聚類算法的劃分結(jié)果對比分析,驗(yàn)證本文提出的風(fēng)電出力場景劃分方法的有效性.

1 基于高斯混合聚類對風(fēng)電出力場景的劃分方法

1.1 高斯混合聚類模型

高斯混合模型是由有限個(gè)獨(dú)立的多元高斯分布模型線性組合而成,每一個(gè)多元高斯分布成為混合高斯模型的成分,而多元高斯分布則是一元高斯分布在高緯度空間中的擴(kuò)展[17].

假設(shè)一天內(nèi)每個(gè)小時(shí)的風(fēng)電功率為xi(i=1,2,···,24),則高斯混合模型可以表示為：

高斯混合模型有3 個(gè)參數(shù)需要估計(jì),分別為μ,α和S,其中,μ 表示模型的期望,α表示各個(gè)分布的權(quán)重,S表示模型的方差.

上式可化為

下面采用最大似然法(EM)進(jìn)行參數(shù)估計(jì).

算法步驟如下：

(1)指定μ,α 和S的初始值.

(2)計(jì)算后驗(yàn)概率γ (znk)：

(3)求解μk的最大似然函數(shù)：

(4)求Sk的最大似然值

(5)求解 αk的最大似然函數(shù)

(6)循環(huán)重復(fù)計(jì)算步驟(2)～(5),直至算法收斂.

1.2 最佳聚類數(shù)目確定方法

對于最佳聚類個(gè)數(shù)確定,GMM 聚類往往是采用BIC 準(zhǔn)則[18].貝葉斯信息準(zhǔn)則(Bayesian Information Criterion,BIC),1978年由Schwarz 提出,用于實(shí)際中選擇最優(yōu)的模型,如式(7)：

其中,k為模型參數(shù)個(gè)數(shù),n為樣本數(shù)量,L為似然函數(shù),kln(n)懲罰項(xiàng)在維數(shù)過大且訓(xùn)練樣本數(shù)據(jù)相對較少的情況下,可以有效避免出現(xiàn)維度災(zāi)難現(xiàn)象.

對于K-means 聚類,采用肘部法則和輪廓系數(shù)相結(jié)合的方法確定最佳聚類數(shù)目.肘部法則的核心指標(biāo)是誤差平方和(Sum of the Squared Errors,SSE),如式(8)：

其中,Ci是第i個(gè)簇,p是Ci的樣本點(diǎn),mi是Ci的質(zhì)心,SSE是所有樣本的聚類誤差,代表了聚類效果的好壞.

當(dāng)k小于真實(shí)聚類數(shù)時(shí),由于k的增大會(huì)大幅增加每個(gè)簇的聚合程度,故SSE的下降幅度會(huì)很大,而當(dāng)k到達(dá)真實(shí)聚類數(shù)時(shí),再增加k所得到的聚合程度會(huì)迅速變小,所以SSE的下降幅度會(huì)驟減,然后隨著k值的繼續(xù)增大而趨于平緩,SSE和k的關(guān)系圖是一個(gè)手肘的形狀,而這個(gè)肘部對應(yīng)的k值就是數(shù)據(jù)的真實(shí)聚類數(shù)

輪廓系數(shù)是類的密集與分散程度的評價(jià)指標(biāo),如式(9)：

其中,a表示樣本到彼此間距離的均值,b表示樣本到除自身所在簇外的最近簇的樣本的均值,s取值在[?1,1]之間,如果s 越接近1,代表所在簇合理,如果s越接近?1,s應(yīng)該分到其他簇中.對于使用輪廓系數(shù)確定聚類的數(shù)量,應(yīng)該選取較大的輪廓系數(shù).

2 實(shí)驗(yàn)和結(jié)果分析

風(fēng)電出力通常具有明顯的季節(jié)分布特性,與單風(fēng)電場相比,一個(gè)地區(qū)的風(fēng)電功率具有更明顯的季節(jié)性規(guī)律.

首先選取某地區(qū)2017年至2019年3年春季3 個(gè)月的每1 小時(shí)實(shí)測地區(qū)風(fēng)電出力數(shù)據(jù)進(jìn)行分析,驗(yàn)證該方法的有效性,然后再對該地區(qū)其他季節(jié)風(fēng)電出力特性進(jìn)行分析.

2.1 最佳聚類數(shù)目確定

使用BIC對高斯混合模型進(jìn)行選擇,既涉及協(xié)方差的類型,也涉及模型中聚類的數(shù)量.如圖1所示,其中spherical,tied,diag,full 分別對應(yīng)球面協(xié)方差矩陣,相同的完全協(xié)方差矩陣,對角協(xié)方差矩陣,完全協(xié)方差矩陣,GMM 應(yīng)選擇聚類數(shù)目為4 的和相同的完全協(xié)方差矩陣.

針對K-means 聚類,綜合考慮SSE和輪廓系數(shù),如圖2所示,藍(lán)色曲線表示SSE隨著k變化的曲線,紅色曲線表示輪廓系數(shù)隨著k變化的曲線.一般來說,平均輪廓系數(shù)越高,聚類的質(zhì)量也相對較好.在這,最優(yōu)聚類數(shù)應(yīng)該是2,這時(shí)平均輪廓系數(shù)的值最高.但是,聚類結(jié)果(k=2)的SSE值太大了,根據(jù)肘部法則,當(dāng)k=4 時(shí),SSE的值會(huì)低很多,但此時(shí)平均輪廓系數(shù)的值較高.因此,k=4 是最佳的選擇.

圖1 混合高斯模型參數(shù)選擇

圖2 K-means 聚類模型的k 選擇

2.2 基于概率的聚類劃分

圖3中,紅色曲線為聚類中心,代表該地區(qū)風(fēng)電風(fēng)力的典型場景.在4 種形態(tài)的樣本簇中,每一簇的風(fēng)力出力功率范圍明顯不同,大部分的類內(nèi)樣本都與聚類中心相似,只有少數(shù)曲線的形狀與中心曲線的形態(tài)不同.

2.3 基于歐式距離的聚類劃分

采用K-means 聚類算法對同一組數(shù)據(jù)進(jìn)行聚類劃分,得到的風(fēng)電出力曲線簇如圖4所示.

圖3 4 類風(fēng)電出力曲線簇(GMM)

紅色曲線為聚類中心,代表該地區(qū)風(fēng)電風(fēng)力的典型場景.如圖4所示,類內(nèi)包含多種形態(tài)的出力曲線,很多曲線形態(tài)與聚類中心曲線形態(tài)不一致,僅能反映出風(fēng)電出力的幅度大小.

為進(jìn)一步比較這兩種聚類方法,分別提取其聚類中心曲線.

在圖5中,從峰谷差分布范圍來看,基于K-means算法風(fēng)電功率峰谷差分布范圍集中在1700-3300 MW之間,不能反映出風(fēng)電峰谷差特點(diǎn),對調(diào)度安排實(shí)用價(jià)值較小.基于GMM 聚類算法風(fēng)電功率分布范圍從2400-4600 MW 之間,較能反應(yīng)該地區(qū)風(fēng)電峰谷差波動(dòng)范圍.

圖4 4 類風(fēng)電出力曲線簇(K-means)

圖5 GMM 與K-means 聚類中心曲線對比

從功率波動(dòng)范圍來看,K-means 波動(dòng)范圍較小,不能反映某些情況下風(fēng)電的大范圍波動(dòng)特點(diǎn)、多峰谷特點(diǎn)(如GMM 第2 類出力)以及正反調(diào)峰特點(diǎn)(K-means風(fēng)電波動(dòng)特征選取較差).

3 其余季節(jié)風(fēng)電出力場景

對于夏、秋、冬季節(jié),使用BIC對高斯混合模型進(jìn)行選擇,得到最佳聚類數(shù)目應(yīng)為3.提取這3 個(gè)季節(jié)的風(fēng)電出力場景,圖6到圖8分別為夏、秋、冬季的場景曲線簇,其中,紅色曲線代表該季節(jié)風(fēng)電出力的典型場景.

圖6 夏季地區(qū)風(fēng)電出力場景曲線簇

由圖9可知,該地區(qū)夏秋季節(jié)風(fēng)電出力功率較大、功率波動(dòng)范圍分布變化較小、功率波動(dòng)范圍較大,夏季上半日相比秋季風(fēng)電波動(dòng)較小；冬季風(fēng)電波動(dòng)與春季相似,但呈現(xiàn)多峰谷特點(diǎn)更加明顯.

圖7 秋季地區(qū)風(fēng)電出力場景曲線簇

在調(diào)度計(jì)劃中,夏秋季節(jié)應(yīng)安排調(diào)峰能力較強(qiáng)機(jī)組和其他調(diào)峰資源,應(yīng)對風(fēng)電功率大范圍波動(dòng),且秋季上半日應(yīng)多安排爬坡性能較高機(jī)組或靈活性調(diào)節(jié)資源,應(yīng)對風(fēng)電功率頻繁波動(dòng).針對春冬季節(jié)風(fēng)電多峰谷特性對峰谷電價(jià)合理優(yōu)化,通過負(fù)荷參與電網(wǎng)調(diào)度減少風(fēng)電峰谷差.

圖8 冬季地區(qū)風(fēng)電出力場景曲線簇

4 結(jié)論

隨著清潔能源在社會(huì)發(fā)展中扮演越來越重要的角色,風(fēng)能資源的利用也逐漸增多.本文針對風(fēng)電出力場景進(jìn)行研究,提出的高斯混合聚類模型,能夠提取典型風(fēng)電出力場景,并與K-means 聚類方法對比,該文提取的方法更能得到同類形態(tài)相近的曲線,反映出風(fēng)電功率變化的特征,例如風(fēng)電的正反調(diào)峰特性和波動(dòng)特性,對電網(wǎng)的調(diào)度具有重要意義.

圖9 四季曲線簇的典型場景