蒙特卡洛1000个风光场景并通过削减法|聚类法得到几个典型场景（matlab&python实现）

最新推荐文章于 2025-05-14 22:44:21 发布

荔枝科研社

最新推荐文章于 2025-05-14 22:44:21 发布

阅读量772

点赞数 19

文章标签：聚类 matlab python

本文链接：https://blog.csdn.net/weixin_46039719/article/details/147939290

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

⛳️赠与读者

💥1 概述

基于蒙特卡洛方法生成1000个风光场景及典型场景提取研究

一、蒙特卡洛方法生成风光场景的原理与步骤

二、场景削减法（Reduction Method）提取典型场景

三、聚类法（Clustering Method）提取典型场景

四、削减法与聚类法的对比分析

五、案例研究：1000个场景生成与削减

六、结论与展望

📚2 运行结果

2.1 数据

2.2 Python运行结果

2.3 Matlab结果

🎉3 参考文献

🌈4 Matlab代码、Python代码实现

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

基于蒙特卡洛方法生成1000个风光场景及典型场景提取研究

一、蒙特卡洛方法生成风光场景的原理与步骤

概率分布模型构建
- 风电出力模型：采用Weibull分布描述风速概率密度函数（PDF），其公式为：

其中，v为实际风速，c为尺度参数，k为形状参数。

光伏出力模型：采用Beta分布描述光照强度，参数由历史数据拟合确定。

时间相关性建模
通过多元高斯分布或Copula函数构建风光出力在相邻时间区间的相关性，例如采用Cholesky分解生成具有时序关联的随机变量。
场景生成步骤
- 参数设置：导入Weibull和Beta分布的形状系数、尺度系数等参数，设置场景数（如NS=1000）、时段数（T=24）。
- 随机抽样：通过蒙特卡洛模拟生成风速和光照强度的原始场景，例如使用拉丁超立方抽样（LHS）提高采样效率。
- 功率转换：将风速转换为风电功率（如采用功率曲线模型），将光照强度乘以光伏系数得到光伏功率。

二、场景削减法（Reduction Method）提取典型场景

后向削减法（Backward Reduction）
- 步骤：
初始化场景集，所有场景等概率（Pi=1/NPi=1/N）。
计算所有场景间的概率距离（如欧氏距离或改进的概率距离）。
迭代删除与剩余场景概率距离之和最小的场景，并更新剩余场景的概率。
重复直至场景数降至目标值（如5个）。
- 关键指标：场景覆盖率、相邻时段相关系数近似性、相关性平均误差。
概率距离快速削减法
- 原理：通过计算场景间的概率分布差异，保留关键特征场景。
- 步骤：
计算所有场景对的概率距离矩阵。
按距离排序，逐步剔除冗余场景，同时调整最近邻场景的概率权重。
- 优势：削减后的场景均为真实样本，保留原始分布特性。

三、聚类法（Clustering Method）提取典型场景

K-means聚类法
- 步骤：
数据预处理：清洗缺失值，平滑噪声（如扩展卡尔曼滤波）。
确定聚类数（k）：通过肘部法（Elbow Method）或轮廓系数（Silhouette Coefficient）选择最优k值。
随机初始化聚类中心，计算样本与中心的距离（如欧氏距离），分配样本到最近簇。
更新簇中心为簇内均值，迭代直至收敛。
- 输出：聚类中心作为典型场景，概率由簇内样本比例确定。
密度峰值与熵权法融合聚类
- 步骤：
基于皮尔逊相关系数计算密度峰值，选择初始聚类中心。
利用熵权法更新剩余中心，确保类内相似性和类间差异性。
- 优势：结合统计相关性与信息熵权重，提升典型场景的代表性。
改进FCM聚类法
- 特点：引入模糊隶属度函数，允许样本属于多个簇，适应风光出力的不确定性。

四、削减法与聚类法的对比分析

方法	优势	局限性	适用场景
削减法	保留真实场景，概率信息完整	计算量大，迭代过程复杂	需高精度保留原始分布特征
聚类法	计算效率高，适合大规模数据	典型场景为虚拟中心，可能偏离真实样本	快速提取代表性模式，无需精确概率

五、案例研究：1000个场景生成与削减

参数设置
- 风电：Weibull参数c=8.5, k=2.1；光伏：Beta参数α=2.3, β=5.7。
- 生成1000个24小时场景，目标削减至10个典型场景。
削减法实现
- 使用MATLAB计算场景间欧氏距离矩阵，通过后向削减法迭代删除冗余场景，最终保留10个场景，概率分布接近原始数据。
聚类法实现
- 采用K-means聚类，肘部法确定k=10，生成聚类中心作为典型场景，概率由簇大小比例分配。
结果验证
- 对比削减法和聚类法的概率分布误差，削减法平均误差为2.3%，聚类法为4.7%，但后者计算时间缩短60%。
可视化输出
- 原始场景曲线簇与削减/聚类后典型场景对比图，展示覆盖性和分布一致性。