本发明涉及光伏发电技术领域，特别是涉及一种区域电网光伏电站集群划分方法。
背景技术：
随着全球化石能源的紧缺，光伏发电等间歇性能源在世界范围内得到了快速发展。光伏电站是一种光伏发电系统，它是一种利用太阳光能、采用特殊材料诸如晶硅板、逆变器等电子元件组成的发电体系。光伏电站与电网相连并向电网输送电力。随着我国光伏发电的迅速发展，将会出现短时间内大量光伏电站建成投产的情况，同时也会带来一系列的问题。
光伏电站规划设计中，需要工作人员根据光伏出力受到辐照度等气象因素来确定光伏电站最佳的安装位置和安装容量。此时需要消耗大量的人力资源和计算资源对光伏电站预备建设地地区的历史气象数据进行大量的仿真分析。就预测建模而言，若对每个光伏电站进行预测建模，将会消耗大量计算存储资源。同时，由于新建电站缺乏当地历史数据的积累，新建电站数据完备性低，导致预测模型精度差。
现有的光伏电站规划设计多采用光伏电站的出力特性对其进行集群划分，根据光伏电站的出力特性找出一定地理范围内具有代表性的出力模式。依据集群划分结果选取与待预测站点具有相似出力特性的其他光伏电站，并利用它们之间的相关性进行功率预测，也会降低光伏电站的预测建模难度，同时满足预测模型精度的要求。因此采用光伏电站集群划分的方式大大降低了光伏电站规划选址的工作量，加快了光伏电站的建设进程。光伏电站群的合理集群划分有利于缩短建设工期，节约计算资源，减少区域预测模型对单个光伏电站数据完备性的依赖。
然而，现有的光伏电站集群划分方法仅根据光伏电站地理位置上的远近进行划分，划分依据过于单一，划分结果不能真实反映各个光伏电站的实际出力特性，因此亟待寻找一种更科学合理的光伏电站集群划分方法。
技术实现要素：
本发明提供了一种区域电网光伏电站集群划分方法，以解决现有技术中光伏电站集群划分方法仅依据光伏电站地理位置进行划分，划分结果无法真实反映各个光伏电站的实际出力特性，导致区域预测模型精度差的问题。
为了解决上述技术问题，本发明实施例公开了如下技术方案：
一种区域电网光伏电站集群划分方法，区域电网光伏电站集群划分方法包括：采集光伏电站的初始输出功率数据，得到输出功率序列；根据输出功率序列计算集群划分指标集；根据集群划分指标集建立集群划分模型；根据集群划分模型对光伏电站进行多次聚类；根据多次聚类结果计算多个聚类评价指标聚类离散度，选取多个聚类评价指标聚类离散度中数值最小的一个聚类结果作为光伏电站的集群划分的结果。
优选的，采集光伏电站的初始输出功率数据，得到输出功率序列的方法包括：对初始输出功率数据进行归一化处理，得到归一化的输出功率序列。
优选的，根据输出功率序列计算光伏电站集群划分指标集的方法包括：
提取光伏电站的输出功率序列的特征参数，形成光伏电站的集群划分特征矩阵；
根据集群划分特征矩阵得到光伏电站集群划分指标集。
优选的，特征参数包括平均波动率、容量因数、功率最大值和输出功率的偏度。
优选的，根据集群划分指标集建立集群划分模型的方法包括，采用K-means聚类算法将集群划分指标集计算得到集群划分模型，其中，K-means聚类算法的聚类数为4类。
优选的，利用集群划分模型对光伏电站进行多次聚类中，多次聚类中每次聚类的初始聚类中心不同。
由以上技术方案可见，本发明提供的一种区域电网光伏电站集群划分方法，包括采集光伏电站的初始输出功率数据，得到输出功率序列；根据输出功率序列计算集群划分指标集；根据集群划分指标集建立集群划分模型；根据集群划分模型对光伏电站进行多次聚类；根据多次聚类结果计算多个聚类评价指标聚类离散度，选取多个聚类评价指标聚类离散度中数值最小的一个聚类结果作为光伏电站的集群划分的结果。本发明采用了光伏电站的初始输出功率数据对光伏电站进行集群划分，相比于根据光伏电站地理位置远近划分方法，利用光伏电站初始输出功率得到的划分结果可以真实反映各个光伏电站的实际出力特性，有利于提高光伏电站规划设计预测模型的精确度，减少了预测模型对单个光伏电站数据完备性的依赖。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种区域电网光伏电站集群划分方法流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
图1为本发明实施例提供的一种区域电网光伏电站集群划分方法流程示意图，由图1可知，区域电网光伏电站集群划分方法包括：
S101：采集光伏电站的初始输出功率数据，得到输出功率序列；
其中，采集光伏电站的初始输出功率数据，得到输出功率序列的方法包括：对初始输出功率数据进行归一化处理，得到归一化的输出功率序列。具体步骤为：对每个光伏电站一定时间段内的输出功率数据进行采集，将采集到的输出功率数据记为Pi,i＝1,2,...,n，其中i＝1,2,...,n为光伏电站序号，n代表光伏电站的总数，Pi表示序号为i的光伏电站初始输出功率序列。每个光伏电站的初始输出功率序列Pi对应电站功率采样点集合{pi(t1),pi(t2),...,pi(tN)}，其中tj,j＝1,2,...,N表示各功率采样点的采集时刻，N表示该光伏电站该段时间内输出功率数据采样点个数，pi(tj)表示序号为i的光伏电站tj时刻的输出功率。
为了消除因不同电站装机容量不同而对划分结果造成的影响，将光伏电站的初始输出功率数据进行归一化处理，归一化公式如下：
其中，Pi表示编号为i的光伏电站初始输出功率序列，表示该光伏电站的装机容量。Pi*为归一化后的输出功率序列，其所对应的电站功率采样点集合为
S102：根据输出功率序列计算集群划分指标集；
其中，根据输出功率序列计算光伏电站集群划分指标集的方法包括：提取光伏电站的输出功率序列的特征参数，形成光伏电站的集群划分特征矩阵；根据集群划分特征矩阵得到光伏电站集群划分指标集。特征参数包括平均波动率、容量因数、功率最大值和输出功率的偏度。具体步骤为：
对各光伏电站的输出功率序列Pi*,i＝1,2,...,n，提取如下特征参数以形成光伏电站的集群划分特征矩阵：
a、平均波动率
其中表示第i个光伏电站的第一个特征即平均波动率，表示tj时刻第i个光伏电站的输出功率序列，N表示功率采样点的个数；
b、容量因数
其中表示第i个光伏电站的第二个特征即容量因素，表示tj时刻第i个光伏电站的输出功率序列，N表示功率采样点的个数；
c、功率最大值
其中表示第i个光伏电站的第三个特征即功率最大值，表示tj时刻第i个光伏电站的输出功率序列，N表示功率采样点的个数；
d、输出功率的偏度
其中表示tj时刻第i个光伏电站的输出功率，N表示功率采样点的个数，表示电站功率采样点集合的平均值，s表示采样点集合的标准差；
每个光伏电站可由上述四个特征组成的一个特征向量进行描述，其中第i个电站的特征向量可表示为Fi＝{Fi1,Fi2,Fi3,Fi4}，则所有的光伏电站可组成特征矩阵F。F可由下式进行计算：特征矩阵F即为光伏电站集群划分指标集。
S103：根据集群划分指标集建立集群划分模型；
其中，根据集群划分指标集建立集群划分模型的方法包括：采用K-means聚类算法将集群划分指标集计算得到集群划分模型，K-means聚类算法的聚类数为4类。具体为：
将步骤S102中确定的光伏电站特征矩阵F作为输入，建立基于K-means聚类算法的光伏电站集群划分模型，将光伏电站集群划分的结果记为C＝{C1,C2,…,CK}，其中表示第k个集群的聚类中心。其可通过计算第k类内包含的所有光伏电站的特征向量平均值得到。
S104：根据集群划分模型对光伏电站进行多次聚类；
其中，利用集群划分模型对光伏电站进行多次聚类中，多次聚类中每次聚类的初始聚类中心不同。本实施例中，利用集群划分模型对光伏电站进行M次聚类。
S105：根据多次聚类结果计算多个聚类评价指标聚类离散度，选取多个聚类评价指标聚类离散度中数值最小的一个聚类结果作为光伏电站的集群划分的结果。
具体为：采用聚类评价指标聚类离散度(Clustering Dispersion Indicator，CDI)对聚类结果进行评价，其计算公式如下：
其中表示各聚类中心之间的平均距离，距离采用欧式距离进行计算，其中第k类聚类中心与第k-1类聚类中心之间的距离可由下式计算：
其中，表示第i类所包含的各个光伏电站特征向量之间的平均距离，其中该类中第m个与第m-1个之间的距离为：
重复步骤S103至S105M次，且每次随机选取K-means的初始聚类中心，选取这M次聚类结果中聚类评价指标聚类离散度指标最小的一次聚类结果作为光伏电站集群划分的最终结果，完成对光伏电站的集群划分。
本发明采用了光伏电站的初始输出功率数据对光伏电站进行集群划分，相比于根据光伏电站地理位置远近划分方法，利用光伏电站初始输出功率得到的划分结果可以真实反映各个光伏电站的实际出力特性，有利于提高光伏电站规划设计预测模型的精确度，减少了预测模型对单个光伏电站数据完备性的依赖。
通过以上的方法实施例的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。