【风场景生成与削减】【m-ISODATA、kmean、HAC】无监督聚类算法，用于捕获电力系统中风场景生成与削减研究（Matlab代码实现）

 👨‍🎓个人主页：研学社的博客  

💥💥💞💞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. m-ISODATA (改进型ISODATA)

2. k-means

3. 层次聚类(HAC)

总结

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

本文介绍了改进的迭代自组织数据分析技术算法（m-ISODATA），这是一种无监督聚类算法，用于捕获电力系统中的代表性场景。有两个应用示例可用：考虑风和负载可变性的概率最优潮流;以及发电扩展规划问题，考虑具有11维数据集的风能 - 太阳能 - 热力系统，用于表示风能，太阳能和负载的变化。

在电力系统的研究中，尤其是针对风电的生成与削减分析，无监督聚类算法扮演着重要角色，它们能够帮助研究人员从大量的风速、风向等气象数据中识别出不同的风能场景，进而分析这些场景对电力系统运行稳定性、调度策略及能源优化的影响。以下是三种常用的无监督聚类算法——m-ISODATA、k-means、层次聚类（Hierarchical Agglomerative Clustering, HAC）——在风场景生成与削减研究中的应用概述。

1. m-ISODATA (改进型ISODATA)

m-ISODATA是对传统ISODATA(迭代自组织数据分析算法)的一种改进，它结合了K-means和分裂合并技术的优点，能够在聚类过程中自动调整类别数量。在风电数据分析中，m-ISODATA可以有效处理风速、风向等多维数据，自动发现并适应不同风况模式。通过迭代过程，算法不仅能够生成代表性的风场景类别，还能根据数据分布动态调整类别数量，从而更准确地反映风电输出的复杂变化，为风电预测和调度提供依据。

2. k-means

k-means是最基础且广泛使用的无监督聚类算法之一，其目标是将数据集划分为k个簇，使得同一簇内的数据尽可能相似，而不同簇间的数据尽可能不同。在风能研究中，k-means可用于识别风速、风向分布的典型模式，每个簇代表一种特定的风场景。通过预先设定的簇数（例如，根据历史数据确定的几种常见风况），k-means可以快速分类风速记录，为风电功率预测、发电计划制定提供支持。然而，k-means要求事先确定簇的数量，并且对初始中心点的选择敏感，可能需要多次运行以获得最优解。

3. 层次聚类(HAC)

层次聚类方法通过构建一棵树状的聚类结构（又称树状图或 dendrogram），来展示数据点之间的聚合关系。HAC可以是自底向上（凝聚法）或自顶向下（分裂法）进行。在风电场景生成与削减研究中，HAC特别适用于探索风能数据的层次结构特征，比如从细粒度到粗粒度逐步合并相似风速-风向模式，形成不同的风场景类别。这种方法不需要预先指定聚类数量，而是通过剪切树状图在某个合适的高度来得到最终的聚类结果，为风电资源评估、风电场布局规划等提供了灵活的分析手段。

总结

在风电场景的生成与削减研究中，m-ISODATA、k-means和HAC各有优势：m-ISODATA能够自适应调整类别数量，适合处理复杂多变的风电数据；k-means简单高效，但需要预设类别数；HAC则提供了一种探索数据自然层次结构的手段。选择哪种算法应基于具体研究目的、数据特性和对结果解释的需求。实践中，也可能需要综合运用多种算法或进行算法的参数优化，以达到最佳的分析效果。

📚2 运行结果

 

 

 

 

 

部分代码：

% Operating System
if strcmp(computer, 'PCWIN64')
    folder_root = '';
else
    folder_root = '/';
end
%
load([folder_root '../data/Series_2WindFarms_mod.mat'],'data'); % Leitura das s锟絩ies na matriz M
[Nobs, nser] = size(data); % N锟絤ero de s锟絩ies
%
%

figure('Position',[339 200 1500 648])
subplot(1,2,1)
color = get(gca,'ColorOrder');
plot(-1,-1, '.', 'LineWidth', 2,'MarkerSize', 8, 'color', [170 170 170]/255)
hold on
plot(data(:, 1)*100, data(:,2)*100,'.','MarkerSize', 3.5, 'Color', 120*[1 1 1]/255, 'HandleVisibility', 'off')
xlabel(['Generation of the wind farm B (%)\newline' ...
       '                       (a)'])
ylabel('Generation of the wind farm A (%)')
%
ninterval = 24;
mx = zeros(ninterval, 1);
my = zeros(ninterval, 1);
passo = 1/ninterval;
i0 = -passo;
for interval = 1:ninterval
    sx = 0;
    sy = 0;
    c = 0;
    i0 = i0+passo;
    iF = i0+passo;
    if interval < ninterval
        for iobs = 1:Nobs
            if data(iobs, 2)>=i0 && data(iobs, 2)<=iF
                sx = sx+data(iobs, 1);
                sy = sy+data(iobs, 2);
                c = c+1;
            end
        end
    else
        for iobs = 1:Nobs
            if data(iobs, 2)>=0.99 && data(iobs, 2)<=1
                sx = sx+data(iobs, 1);
                sy = sy+data(iobs, 2);
                c = c+1;
            end
        end
    end
    if c>0
        mx(interval) = sx/c;
        my(interval) = sy/c;
    else
        mx(interval) = NaN;
        my(interval) = NaN;
    end
end
plot(mx*100, my*100, '--', 'LineWidth', 3, 'Color', color(4,:))
legend('data points', 'data average')
axis([0 100 0 100])
axis('square')
grid on
xticks(0:10:100)
set(gca,'FontSize',14)
%
%% Density plot
[N, c] = hist3(data,[24 24],'CdataMode','auto','LineStyle','none');
[Nsize, ~] = size(N);
xy = linspace(0, 1, Nsize);
N=N/sum(sum(N));
N(N==0)=NaN;
%
subplot(1,2,2)
% contourf(xy*100,xy*100,N',25,':')
contourf(xy*100,xy*100,N',25,'LineStyle','none')
colormap(flipud(hot))
xlabel(['Generation of the wind farm B (%)\newline' ...
       '                       (b)'])
ylabel('Generation of the wind farm A (%)')
%colorbar('Ticks',[0.005,0.036],'TickLabels',{'Low','High'})
axis('square')
grid on
xticks(0:10:100)
set(gca,'FontSize',14)
print(gcf,[folder_root 'fig_DataDensity.jpg'],'-djpeg','-r200');
savefig([folder_root 'fig_DataDensity.fig'])
%
%% Historical series
figure('Position',[339 120 759 648])
%plot(1:8760, movmean(data(:,2)*100,24*7), 1:8760, movmean(data(:,1)*100,24*7), 'LineWidth', 2)
plot(1:24*7, data(1:24*7,2)*100, 1:24*7, data(1:24*7,1)*100, 'LineWidth', 2)
legend('Wind farm A', 'Wind farm B')
xlabel('Time (h)')
ylabel('Power Generation (%)')
axis([1 24*7 0 100])
grid on
set(gca,'FontSize',14)
print(gcf,[folder_root 'fig_hist_2WF.jpg'],'-djpeg','-r200');
savefig([folder_root 'fig_hist_2WF.fig'])

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]Arthur Neves de Paula, Edimar José de Oliveira, Leonardo de Mello Honório , Leonardo Willer de Oliveira, Camile Arêdes Moraes (2020) m-ISODATA: unsupervised clustering algorithm to capture representative scenarios in power systems

[2]李仲恒,刘蓉晖.基于ISODATA的电力负荷曲线分类[J].上海电力学院学报,2019,35(04):327-332.

[3]王燕妮,李军,田思敏.模糊ISODATA聚类结合直方图熵值算法的异常行为检测[J].现代电子技术,2017,40(12):120-123+127.DOI:10.16652/j.issn.1004-373x.2017.12.033.

🌈4 Matlab代码实现