(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110507232.6 (22)申请日 2021.05.10 (65)同一申请的已公布的文献号 申请公布号 CN 113239503 A (43)申请公布日 2021.08.10 (73)专利权人 上海电气工程设计有限公司 地址 201100 上海市闵行区东川路5 55号己 楼三层 专利权人 上海交通大 学 (72)发明人 王斌　朱蕾蕾　李小鹏　刘劲磊　 王子威　周琼　解大　潘明杰　 (74)专利代理 机构 上海段和段律师事务所 31334 专利代理师 李佳俊　郭国中 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/00(2006.01) G06F 111/02(2020.01)G06F 111/08(2020.01) G06F 113/04(2020.01) (56)对比文件 CN 110111003 A,2019.08.09 CN 111368891 A,2020.07.0 3 杨红光等.一种结合灰狼优化和K-均值的混 合聚类算法. 《江西理工大 学学报》 .2015,(第0 5 期), 张文宇等.基于改进GWO- CV优化的K-调和均 值聚类算法. 《统计与决策》 .2020,(第16期), 廖攀峰等.基 于改进k-means聚类的风电功 率典型场景在日前调度中的应用. 《电工材 料》 .2020,(第01期), 郑小霞等.改进灰狼优化模糊核聚类在风电 齿轮箱故障诊断中的应用. 《机 械传动》 .2020, (第06期), 莫艳红等.基 于莱维飞行的灰狼优化 算法. 《微电子学与计算机》 .2019,第3 6卷(第04期), (续) 审查员 唐丹颖 (54)发明名称 基于改进k-means聚类算法的新能源出力场 景分析方法及系统 (57)摘要 本发明提供了一种基于改进 k‑means聚类算 法的新能源 出力场景分析方法及系统， 包括以下 步骤： 对新能源某时间段内的出力数据进行采 样， 生成得到矩阵形式的初始场景集U； 根据需要 按照时间尺度对场景集U进行初始划分； 输入初 始类聚中心 个数k值； 根据k值利用基于CS ‑GWO算 法改进的k‑means聚类算法进行场景缩减； 合并 聚类结果中各类聚中心为典型场景集C； 输出典 型场景集C， 采用典型场景集C描述该时间段内新 能源出力特征。 本发明利用GWO算法和CS算法的 全局搜索能力对传统k ‑means聚类算法进行改 进， 优化了初始聚类中心的选择， 提高了聚类结果表征初始随机变量特性的准确性； 将改进的k ‑ means聚类算法应用于场景缩减， 实现了风电、 光 伏出力场景分析。 [转续页] 权利要求书2页 说明书6页 附图4页 CN 113239503 B 2022.09.23 CN 113239503 B (56)对比文件 MUHAMMAD YEASIR ARAFAT et al. .Bio- Inspired Ap proaches for Energy- Efficient Localization and Clusteri ng in UAV Networks for Mo nitoring Wildfires i n Remote Areas. 《IE EEAccess》 .2021,第9卷2/2 页 2[接上页] CN 113239503 B1.一种基于改进k ‑means聚类算法的新能源出力场景分析方法， 其特征在于， 包括以下 步骤： 步骤S1： 对新能源某时间段内的出力数据进行采样， 生成得到矩阵形式的初始场景集 U； 步骤S2： 根据需要 按照时间尺度对场景集U 进行初始划分； 步骤S3： 输入初始类聚中心个数k 值； 步骤S4： 根据k 值利用基于 CS‑GWO算法改进的k ‑means聚类算法进行场景缩 减； 步骤S5： 合并聚类结果中各类聚中心为典型场景集C； 步骤S6： 输出典型场景集C， 采用典型场景集C描述该时间段内新能源出力特 征； GWO算法中， 在初始化狼群位置之后， 利用莱维飞行来更新优势狼α、 β和δ的位置， 保证 其更新的位置是当前迭代步内的最优， 即确定初始的宿主巢； 在狩猎过程中猎物发现狼群 时， 即宿主发现了布谷鸟的寄生蛋的情况， 重新随机更新灰狼的位置； 所述CS‑GWO算法的流 程如下： 步骤S5.1： 设置最大迭代次数T及其他参数， 选择适应度函数， 初始化α狼、 β 狼和δ狼的 位置； 步骤S5.2： 计算狼群适应度函数值， 进行分层， 更新α 狼、 β 狼和 δ狼位置； 步骤S5.3： 利用莱维 飞行更新α 狼、 β 狼和 δ狼位置， 并利用GWO算法更新狼群位置； 步骤S5.4： 判断猎物是否发现狼群， 若是， 则随机更新灰狼位置； 若否， 则转入步骤 S5.5； 步骤S5.5： 重复迭代步骤S5.2～步骤S5.4至达到最大迭代次数T， 则输出最终的最优α 狼位置。 2.根据权利 要求1所述的一种基于改进k ‑means聚类算法的新能源出力场景分析方法， 其特征在于： 在步骤S4中进 行场景缩减时， 计算轮廓系数SC并作为聚类效果评价指标， 判断 是否达到最佳聚类效果； 若是， 则进行步骤S5操作， 反 之更改k值并返回步骤S4。 3.根据权利 要求1所述的一种基于改进k ‑means聚类算法的新能源出力场景分析方法， 其特征在于： 所述步骤S4中， 利用GWO算法 的全局寻优过程来筛选最优的初始类聚中心， 同 时CS算法对GWO算法进行优化， 提高GWO算法的全局搜索能力。 4.一种基于改进k ‑means聚类算法的新能源出力场景分析系统， 其特征在于： 包括以下 模块： 模块M1： 对新能源某时间段内的出力数据进行采样， 生成得到矩阵形式的初始场景集 U； 模块M2： 根据需要 按照时间尺度对场景集U 进行初始划分； 模块M3： 输入初始类聚中心个数k 值； 模块M4： 根据k 值利用基于 CS‑GWO算法改进的k ‑means聚类算法进行场景缩 减； 模块M5： 合并聚类结果中各类聚中心为典型场景集C； 模块M6： 输出典型场景集C， 采用典型场景集C描述该时间段内新能源出力特 征； GWO算法中， 在初始化狼群位置之后， 利用莱维飞行来更新优势狼α、 β和δ的位置， 保证 其更新的位置是当前迭代步内的最优， 即确定初始的宿主巢； 在狩猎过程中猎物发现狼群 时， 即宿主发现了布谷鸟的寄生蛋的情况， 重新随机更新灰狼的位置；权　利　要　求　书 1/2 页 2 CN 113239503 B 3