電力系統的中長期規劃和經濟運行優化需要考慮能夠反映清潔能源歷史數據特征的典型場景，提出了一種基于改進 FCM 聚類算法的清潔能源典型場景構建方法，并將其應用于含清潔能源的電力系統運行成本優化中。以浙江省某地區電網為例，在電力系統運行成本優化領域對比基于改進 FCM聚類算法與基于全年時序法、典型日法的場景構建方法的性能優劣。研究結果表明，提出的改進聚類算法的清潔能源典型場景構建方法兼具計算精度與效率，具有實際應用價值。

（來源：電網與清潔能源 作者：姚劍峰 凌靜 曲立楠 丁磊明 鄭翔 高丙團）

隨著我國清潔能源的規模化開發利用，清潔能源發電持續迅猛發展，裝機容量增長規模持續擴大[1-2]。據國家能源局統計報告，截至 2017 年底，我國風電新增裝機量 1 503 萬 kW，累計裝機量達到1.64 億 kW，光伏發電新增裝機容量 5 306 萬 kW，累計裝機容量 1.3 億 kW[3-4]。清潔能源具有環保、豐富、分布廣泛等優勢，但其穩定性較差，能量密度較小[5-6]。隨著清潔能源裝機容量的持續增長，清潔能源占電網電源比例的不斷提升，清潔能源的消納需求對電力系統經濟運行、電網清潔能源消納能力評估、電網調度計劃的制定等提出了更高的要求[7-8]。因此，考慮風電、光電等清潔能源出力的季節性和周期性，從歷史出力數據中提煉出具有代表性的典型出力場景，用這些典型出力場景來反映中長期內的清潔能源出力特性，對含高比例清潔能源的電力系統的電源規劃具有重要意義。

目前，應用較為廣泛的中長期清潔能源出力場景或負荷特性的選取方法一般分為 3 種：典型日法、時序仿真法及聚類算法。典型日法通常指以某周期內與平均值最為接近的一天的出力特性作為典型日出力場景，或選用某周期內具有代表性的一天作為典型日出力場景。文獻[9]分別根據光照強弱與風速高低選取了風光出力典型日，根據可再生能源與負荷的出力情況，以消耗海島發電燃料最小為目標進行優化發電調度策略研究。通過典型日法獲取清潔能源的出力特性簡單快捷，但由于場景不夠豐富不能體現全年清潔能源出力的變化特性，在中長期電源規劃計算中誤差較大。時序仿真法指通過歷史清潔能源的實際出力時間序列數據，再根據裝機容量及其他因素的變化加以調整得到模擬出力時間序列。文獻[10]通過時序仿真法得到歸一化后的年度風電序列、年度光伏序列、負荷出力序列用于風光容量配比分層優化計算。時序仿真法得出的全年出力時間序列貼近每日風電、光伏等清潔能源的實際出力特性，結果準確可靠，缺點是計算效率低。聚類算法則是通過聚類分析的方法對長時間時序的清潔能源實際出力場景進行信息提取、歸類和化簡，進而得到典型場景集合。文獻[11]應用聚類算法得到風電和負荷的典型場景集，并基于此對風電接納能力進行了評價分析。聚類算法既保證了出力數據的原始特性，又兼顧了計算效率。聚類算法在典型場景集的構建中應用廣泛，聚類算法可通過設置聚類數將若干個時序場景縮減至設定個數。文獻[12]介紹了聚類算法在長期預測風電出力特性中的應用。文獻[13]分別利用 Kmeans 和 FCM 兩種聚類算法對用電用戶進行聚類，并訓練得到 BP 神經網絡和 SVM 算法的負荷預測模型。文獻[14]使用 K-means 聚類算法對巴西智能電力系統用戶的實際負荷曲線進行聚類，得到典型負荷曲線集。

上述文獻均通過經典聚類算法對大量的實際負荷或風電數據進行分析，得出了能夠較為準確反映實際特性的用戶負荷及風電出力場景集，但并未對聚類數的選取、同區域多類清潔能源間的相關性進行深入討論。鑒于此，本文以清潔能源富足區域的清潔能源出力特性為研究對象，利用改進 FCM 算法對其清潔能源的歷史時序出力數據進行聚類分析，生成該地的清潔能源典型出力場景集，將聚類所得的典型場景集應用于區域電力經濟運行優化計算中，并比較該方法與全年時序仿真法、典型日法在預測準確性及計算效率上的差異。

1改進FCM聚類

1.1 FCM聚類算法改進思路

FCM 聚類是一種基于劃分的聚類算法，FCM 聚類算法有別于傳統硬性聚類分析“非此即彼”的硬劃分特性，通過引入隸屬度函數這一概念，將對象與類簇間的關系擴展到用[0，1]閉區間上的任意數值來描述，從而可以通過判斷隸屬度函數的數值，來劃分對象更傾向屬于哪一個類簇[15]。設論域為X，稱映射

2 清潔能源典型場景構建及應用