基于 LHS 、 BR 与K-means的风电出力场景分析研究（Matlab代码实现）

最新推荐文章于 2024-04-27 20:00:08 发布
最新推荐文章于 2024-04-27 20:00:08 发布
阅读量841 收藏 4
点赞数 1
文章标签： matlab kmeans 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Yan_she_He/article/details/130651286
版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

1.1 场景分析概述

1.2 基于 LHS 的场景生成算法 

1.3 基于 BR 的场景缩减算法 

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章讲解

💥1 概述

文献来源：

风力发电具有无燃料成本、无污染等优点，是目前可再生能源研究和开发的重点之一。而受天然条件制约，风力的随机性和波动性是研究的难点。场景分析技术是表征风电出力的常见方法，包括场景生成与场景缩减两部分。场景生成根据研究对象的概率分布函数或统计特征，通过抽样来获得大量具有随机特征的场景。场景缩减通过数据分析减少相似场景的数量，降低计算复杂度。若能利用反映风速特征的场景生成方法准确生成大量场景，然后利用场景缩减方法，在保证精确性的同时减少相似场景的数量并得到相应的风电出力曲线，则将对电网规划设计、风电接纳能力评估、电源优化配置、储能规划及运行调度等具有重要意义。在场景生成的研究中，文献［4—5］利用蒙特卡

洛抽样法得到大规模风电场景集; 文献［6］采用反向传播( back propagation，BP) 神经网络对风电功率进行预测，进而生成风电出力的概率场景。此外，还有学者利用自回归滑动平均( auto-regressive and moving average，ARMA) 误差模型、非参数的概率预测等方法进行场景生成。场景生成的关键是保证生成的数据集能反映自身概率密度及总体特征。

在场景缩减的研究中，大多采用聚类分析法对相似场景进行缩减。文献［9］通过计算聚类有效性

指标，解决了传统 K-means 算法无法给出最佳聚类数的问题; 文献［10］针对待划分数据与聚类中心的距离等计算量大的部分，采用图形处理单元进行加速处理。此类方法对初始聚类中心要求高，且对离群点和噪声点敏感。另有研究人员使用 K-中心点聚类、分层聚类等方法进行场景缩减［11—12］，此类方法步骤繁多，计算复杂，且分层聚类受奇异值的影响很大。

文中基于风速的不确定特性，建立基于拉丁超立方抽样( Latin hypercube sampling，

LHS) 与后向缩减法( backward reduction，BR) 的场景分析模型。

1.1 场景分析概述

在处理风电出力不确定性的研究中，广泛釆用 3 种方法: 模糊规划法、机会约束规划法以及场景分

析方法［11］。文中采用场景分析法处理风电出力不确定性问题，场景分析主要分为场景生成和场景缩减 2 部分。场景生成是指根据研究对象的概率分布函数或统计特征，通过抽样等方法获得具有不确定性特征的大规模场景，可用集合 S = { S1，S2，…，SN } 表示。场景缩减则通过对集合 S 进行数据分析，减少相似场景数目，获得期望的场景数，降低计算复杂度。最终剩下的少量经典场景集可用集合K = {K1，K2，…，KM } 表示，该集合能较大程度地表征原始场景随机变量特性。具体过程如图 2 所示。

 

1.2 基于 LHS 的场景生成算法 

LHS 是一种分层抽样法，将一个大区间划分为若干个固定的小区间，每个小区间内只抽样 1 次。

假设对 N 维向量空间进行 M 次抽样，且对每一维进行的都是 0-1 均匀抽样，则可用 N%M 阶的矩阵 A 存储中间过程，用 N %M 阶的矩阵 B 存储样本点坐 标［17—19］。将 N 维向量空间中的每一维都等分成 M个区间，如图 3 所示。

1.3 基于 BR 的场景缩减算法 

经 LHS 法得到的风速数据量庞大，各场景之间相似度很高。为更有效地将相近场景合并，文中基

于 BR 构建场景缩减模型［21—22］，从而对大量数据进行处理。

📚2 运行结果

 

 

 

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]车兵,李轩,郑建勇等.基于LHS与BR的风电出力场景分析研究[J].电力工程技术,2020,39(06):213-219.

🌈4 Matlab代码、数据、文章讲解

长安程序猿
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
matlab开发-lhsdesigncon
11-17
matlab开发-lhsdesigncon。带约束的拉丁超立方体样本。
LHS拉丁超立方采样matlab程序，对于均匀分布与正态（高斯）分布的变量进行拉丁超立方采样
热门推荐
Kevin的小屋
05-06 2万+
1、对正态（高斯）分布的变量进行拉丁超立方采样 clc clear all close all cst_Mu_Sigma = load( 'cst_Mu_Sigma.dat'); Mu = cst_Mu_Sigma(:,1); Sigma = cst_Mu_Sigma(:,2); D = size(Mu,1); % 维数 Covariance_Matrix = zeros(D,D); for...
利用K-means算法实现光伏时间序列聚类与削减的研究
最新发布
UnShmsSYwblF的博客
04-27 1517
通过削减后的场景，可以进行光伏系统的灵活调度和优化，并对光伏系统的性能进行评估。通过基于k-means算法的光伏场景聚类方法，我们对生成的光伏场景进行聚类和削减实验。为了评估基于k-means算法的光伏时间序列聚类方法的性能，我们可以对聚类和削减后的数据集进行性能评估。本代码研究大量随机场景下光伏序列聚类与削减问题，首先，生成大量光伏随机场景，其次，在此基础上，基于Kmeans算法，对该大规模场景进行聚类，从而实现大规模场景的削减，最后，依据削减后的场景，可进行调度和优化以及评估；光伏场景聚类与削减实验。
拉丁超立方体抽样（LHS）研究（Matlab代码实现）
weixin_46039719的博客
12-17 6158
拉丁超立方体抽样（LHS）是一种分层随机过程，提供了一种从变量分布中抽样变量的有效方法（Iman和Conover，1980）。Xk中的每一个的规定分布中采样ns值。每个变量的累积分布被划分为N个等概率区间。从每个间隔中随机选择一个值（图1）。为每个变量获得的N个值与其他变量随机配对。与简单的随机抽样不同，该方法通过最大程度地分层每个边际分布，确保了每个变量范围的完全覆盖。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。详细文章讲解见第3部分。行百里者，半于九十。
基于概率距离削减法、蒙特卡洛削减法的风光场景不确定性削减（Matlab代码实现）
weixin_46039719的博客
11-14 2558
以风电和光伏为代表的可再生能源出力具有随机性、间歇性、波动性等特点，在未来高比例可再生能源电力系统中，其大规模并网将给电网的安全、稳定运行带来挑战。为了研究高比例可再生能源背景下电力系统规划、运行、调度等优化问题，首先需要精准刻画风电、光伏出力的随机性与波动性特征，并且解决大规模时序数据对优化程序所造成时间复杂度较高的问题，因此需要对风电、光伏出力场景进行削减以达到精简数据、减少计算量的目的。风电、光伏出力随着时间的变化呈现一定的季节或日周期性·。
matlab 拉丁超立方抽样LHS.m
09-17
拉丁超立方抽样 %code of Latin Hypercube Sampling% %call S=lhs(m,dist,mu,sigma,lowb,upb) % %Input argument %m: a scalar,the number of sample points %dist: A row with distribution type flags of basic random variables;the %value of the flag can be 1 (for uniform distribution, 2(for normal distribution), 3(for
LHS-methods.rar_LHS matlab_LHS-methods_MATLAB拉丁超_ltqnrom_拉丁超立方法
07-14
拉丁超立方法所有的程序，包括基本采样、相关采样等。
拉丁超立方体抽样（LHS）研究附Matlab代码.zip
04-09
1.版本：matlab2014/2019a，内含运行结果，不会运行可私信 2.领域：智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，更多内容可点击博主头像 3.内容：标题...
基于拉丁超立方抽样和样本削减的风光出力及负荷场景预测分析
05-10
本文将深入探讨“基于拉丁超立方抽样和样本削减的风光出力及负荷场景预测分析”这一主题，这是一个高效且实用的预测方法。 拉丁超立方抽样（Latin Hypercube Sampling, LHS）是一种统计学上的随机抽样技术，它在...
replaceTildes:通过目录递归，查找 Matlab 代码并用“ans”替换 LHS 波浪号。-matlab开发
05-30
通过目录递归，查找 Matlab 代码并将 LHS 波浪号替换为“ans”以使代码向后兼容。 警告：这会覆盖文件！！！ 使用前复制整个文件夹！！！ 请报告有关 Matlab FX 的错误。 如果你能想出更好的正则表达式，请告诉我...
拉丁超立方体抽样（LHS）研究附Matlab代码.zip.zip
04-09
1.版本：matlab2014/2019a，内含运行结果，不会运行可私信 2.领域：智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，更多内容可点击博主头像 3.内容：标题...
基于K-均值聚类多场景时序特性分析的分布式电源多目标规划
01-12
若不考虑分布式电源出力及负荷需求的波动性及不确定性，可能导致分布式电源规划容量偏大或系统电压改善程度降低。深入分析分布式电源出力时序波动特性，并引入K-均值聚类多场景概率分析方法，以降低上述波动性及不确定性对配电网的影响；以最大化年寿命周期收益率和电压分布改善率作为目标函数，建立分布式电源多目标规划模型，并采用多目标复合微分进化算法对其求解和基于最短归一化距离法实现多目标总体最优解决策。以IEEE 33节点配电系统为例进行分布式电源多目标规划，验证了所提方法的有效性和优越性。
【MATLAB第100期】基于MATLAB的多种改进拉丁超立方LHS数据抽样方法
随风飘摇的土木狗的博客
03-10 2517
介绍三种LHS方法，包括LHS、OLHS、TPLHS。其中，LHS及TPLHS支持在限定范围取值，而GAOLS、ESEAOLHS只适用于0-1范围内抽样取值。
基于蒙特卡罗+Kmeans法的风光场景生成与削减方法程序代码！
weixin_48747334的博客
12-03 775
由于风、光等分布式电源具有不确定性，风、光渗透率提高加大了电网功率平衡压力，如何利用风、光电预测信息对于虚拟电厂出力申报、电网调度都有重要意义。本程序通过两步将风光的不确定性以含概率信息的经典场景集描述。欢迎感兴趣的小伙伴关注下方公众号获取完整版代码，小编会继续推送更有质量的学习资料、文章和程序代码，为您的科研加油助力。第二步：场景削减-生成典型场景。
基于Copula理论与K-means的考虑风光出力相关性的风光场景生成与削减
rekNRDPz的博客
11-15 396
摘要：代码主要做的是风光场景生成的内容，与目前大部分的基于蒙特卡洛或者拉丁超立方等方法不同，代码在场景生成的过程中考虑了风光出力的相关性，并通过Frank-Copula函数描述风光之间的相关性，从而生成具有相关性的风光场景 最后，通过k-means算法，对生成的大规模风光场景进行削减，最终得到五个场景，并给出各个场景的概率。本文提出了一种新的风光场景生成方法，该方法基于Copula理论和K-means算法，考虑了风光出力之间的相关性，并生成具有相关性的风光场景。代码非常精品，有部分注释；
MATLAB代码：基于改进K-means算法的含电动汽车负荷源荷场景聚类 关键词：有序聚类 改进k-means聚类 电动汽车负荷聚类 风光场景聚类
m0_74078436的博客
10-04 644
主要内容：代码主要做的是基于改进k-means算法的场景生成，具体为含有电动汽车负荷的场景聚类问题，其中，光电和电负荷用有序聚类方法，风电加电动汽车负荷用的是k-means方法，具体过程为。将风电+电动汽车负荷（组合）合并为365*48，一次性带入kmeans中求解得到分区内（风电电动汽车负荷）的聚类图。关键词：有序聚类 改进k-means聚类 电动汽车负荷聚类 风光场景聚类。2、对电负荷有序聚类（分开），根据轮廓系数找出合适的断点向量；1、对光电有序聚类（分开），根据轮廓系数找出合适的断点向量；
基于copula的风光联合场景生成与缩减
zhangxd212489的博客
04-13 1980
该程序方法复现《融合风光出力场景生成的多能互补微网系统优化配置》风光出力场景生成部分，目前大多数研究的是不计风光出力之间的相关性影响，但是地理位置相近的风电机组和光伏机组具有极大的相关性。因此，采用 Copula 函数作为风电、光伏联合概率分布，生成风、光考虑空间相关性联合出力场景，在此基础上，基于Kmeans算法，分别对风光场景进行聚类，从而实现大规模场景的削减，削减到5个场景，最后得出每个场景的概率与每个对应场景相乘求和得到不确定性出力。
场景消减，蒙特卡洛
weixin_44519049的博客
03-21 649
通过概率模型并根据weibull、beta、正态分布生成500次风电光伏、负荷场景，此基础上，基于Kmeans算法，分别对源荷场景进行聚类，从而实现大规模场景的削减，削减到5个场景，最后得出每个场景的概率与每个对应场景相乘求和得到不确定性出力。蒙特卡洛法场景生成➕K-means聚类并削减。关键词：风电、光伏、负荷、Matlab。
语法分析器的设计与实现-预测分析子程序 代码
05-22
预测分析子程序是一种自顶向下的语法分析方法，它使用一个预测分析表来确定每个非终结符号的下一步操作。下面是一个简单的预测分析程序的实现，假设我们的文法为： ``` S -> aAB A -> bA | ε B -> cB | d ``` 其中，S、A 和 B 是非终结符号，a、b、c 和 d 是终结符号。 ```python class Parser: def __init__(self, grammar): self.grammar = grammar self.predictive_table = self.build_predictive_table() def build_predictive_table(self): table = {} for nonterminal in self.grammar.nonterminals: for terminal in self.grammar.terminals + ['$']: productions = self.grammar.get_productions(nonterminal, terminal) if len(productions) == 1: table[(nonterminal, terminal)] = productions[0] elif len(productions) > 1: raise ValueError('Grammar is not LL(1)') return table def parse(self, input): stack = ['$'] input.append('$') i = 0 while stack: symbol = stack.pop() if symbol in self.grammar.nonterminals: production = self.predictive_table[(symbol, input[i])] stack.extend(reversed(production.rhs)) elif symbol == input[i]: i += 1 else: raise ValueError('Unexpected token: {}'.format(input[i-1])) return True class Grammar: def __init__(self, productions): self.productions = productions self.nonterminals = set(p.lhs for p in productions) self.terminals = set(t for p in productions for t in p.rhs if t not in self.nonterminals) def get_productions(self, nonterminal, terminal): return [p for p in self.productions if p.lhs == nonterminal and (len(p.rhs) == 1 and p.rhs[0] == terminal or len(p.rhs) > 1 and p.rhs[0] in self.nonterminals and (nonterminal, terminal) in self.predictive_table[(p.rhs[0], terminal)])] class Production: def __init__(self, lhs, rhs): self.lhs = lhs self.rhs = rhs grammar = Grammar([ Production('S', ['a', 'A', 'B']), Production('A', ['b', 'A']), Production('A', []), Production('B', ['c', 'B']), Production('B', ['d']), ]) parser = Parser(grammar) input = ['a', 'b', 'c', 'd'] parser.parse(input) ``` 在预测分析程序中，我们首先构建了一个预测分析表，它是一个字典，键为一个非终结符号和一个终结符号的二元组，值为一个产生式。然后，我们使用一个栈来模拟语法分析过程。我们从栈中弹出一个符号，如果它是一个非终结符号，则查找预测分析表，获取对应的产生式，并将产生式的右部反转后入栈。如果它是一个终结符号，并且与输入符号相同，则继续处理下一个输入符号。如果它是一个终结符号，但与输入符号不同，则抛出异常。 在上面的代码中，我们还定义了一个 Grammar 类，它表示一个文法。该类包含一个产生式列表、非终结符号集合和终结符号集合。我们还定义了一个 Production 类，它表示一个产生式，包含一个左部和一个右部。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值