?目錄

?

1?主要內(nèi)容

基于密度聚類的數(shù)據(jù)預(yù)處理：

場(chǎng)景提取：

算法流程：

2?部分程序

3?程序結(jié)果

4 下載鏈接

1?主要內(nèi)容

該程序復(fù)現(xiàn)文章《氫能支撐的風(fēng)-燃?xì)怦詈系吞嘉⒕W(wǎng)容量?jī)?yōu)化配置研究》第三章內(nèi)容，實(shí)現(xiàn)的是基于DBSCAN密度聚類的風(fēng)電-負(fù)荷場(chǎng)景生成與削減模型，首先，采集風(fēng)電、電負(fù)荷歷史數(shù)據(jù)。然后，通過(guò)采用?DBSCAN 密度聚類的數(shù)據(jù)預(yù)處理消除異?；蛐「怕孰娯?fù)荷、風(fēng)電數(shù)據(jù)。之后，針對(duì)風(fēng)電波動(dòng)性與電負(fù)荷時(shí)序性、周期性特點(diǎn)，將場(chǎng)景提取分為電負(fù)荷場(chǎng)景提取和風(fēng)電場(chǎng)景提取。該方法較傳統(tǒng)聚類和場(chǎng)景削減方法有更好的數(shù)據(jù)預(yù)處理過(guò)程，這樣就能消除異常數(shù)據(jù)，得到更準(zhǔn)確的聚類結(jié)果。

基于密度聚類的數(shù)據(jù)預(yù)處理：

DBSCAN是基于一組鄰域來(lái)描述樣本集的緊密程度的算法。DBSCAN需要二個(gè)參 數(shù)值，掃描半徑（E）和最小包含點(diǎn)數(shù)（MinPts），用來(lái)描述鄰域的樣本分布緊密程度。其中，E描述了某一樣本的鄰域距離閾值，給定對(duì)象以E為半徑的區(qū)域被稱為該對(duì)象的 E鄰域。MinPts描述了某一樣本的距離為E的鄰域中樣本個(gè)數(shù)的閾值。如果給定對(duì)象E 鄰域內(nèi)的樣本點(diǎn)數(shù)大于等于MinPts，則稱該對(duì)象為核心對(duì)象。不屬于核心對(duì)象及核心對(duì) 象E鄰域內(nèi)的點(diǎn)為噪聲點(diǎn)。

場(chǎng)景提?。?/h3>

1.負(fù)荷采用改進(jìn)有序聚類方法進(jìn)行提取。

以天為單位的電負(fù)荷場(chǎng)景在時(shí)間上存在連續(xù)性，而連續(xù)的電負(fù)荷場(chǎng)景從向量的角度 分析又具有相似性，直到出現(xiàn)某一個(gè)突變點(diǎn)，電負(fù)荷數(shù)據(jù)大小會(huì)發(fā)生大幅度變化，然后 電負(fù)荷數(shù)據(jù)變化又會(huì)開始穩(wěn)定。電負(fù)荷數(shù)據(jù)的這種周期性波動(dòng)與變化適 合通過(guò)有序聚類進(jìn)行分類。

2.風(fēng)電采用K-means聚類方法進(jìn)行提取。

算法流程：

2?部分程序

 clc
clear all
%% 導(dǎo)入數(shù)據(jù)
X=xlsread('風(fēng)電');
x0=X;
y=xlsread('負(fù)荷數(shù)據(jù)');
figure;
subplot(2,1,1);
plot(X);xlabel('時(shí)間/h');ylabel('標(biāo)幺值');title('全年風(fēng)電數(shù)據(jù)');axis([1 8761 0 1])
subplot(2,1,2);hold on 
plot(y);xlabel('時(shí)間/h');ylabel('功率/KW');title('全年負(fù)荷用電數(shù)據(jù)');axis([1 8761 400 1100]);
%% 變量設(shè)定
k = 3;
Eps = 2;
data = [X,y];Ti=1:8761;
%% 準(zhǔn)備變量，輸出原始結(jié)果
[m,n] = size(data);
data=[(1:m)',data]; %%增加一列表示序號(hào)
n = n + 1; %%增加后列數(shù)+1
type = zeros(1,m);
cluster_No = 1;
visited = zeros(m,1);
class = zeros(1,m)-2;
?
figure(2);
subplot(2,1,1);
plot3(Ti,data(:,2),data(:,3),'.');axis([1,10000,0,1,0,2000]); xlabel('時(shí)間/h');ylabel('標(biāo)幺值');zlabel('功率/KW');%%繪制時(shí)間-風(fēng)電-負(fù)荷的三維圖
grid on
%daspect([1 1 1]);
%xlabel('x');ylabel('y');
title('原始輸入點(diǎn)');
hold on;
%% 運(yùn)行DBSCAN算法 
Kdtree = KDTreeSearcher(data(:,2:3)); %%使用訓(xùn)練數(shù)據(jù)（data）的m×n數(shù)字矩陣來(lái)生長(zhǎng)默認(rèn)的Kd樹（Mdl）
for i = 1:m
    % 抽取一個(gè)未訪問(wèn)點(diǎn)
    if visited(i)==0
        % 標(biāo)為訪問(wèn)
        visited(i) = 1;
        point_now = data(i,:);
        Idx_range = rangesearch(Kdtree, point_now(2:3), Eps); %%使用rangesearch進(jìn)行半徑搜索來(lái)搜索存儲(chǔ)的樹以找到查詢數(shù)據(jù)的所有相鄰點(diǎn)
        index = Idx_range{1};
        if length(index) > k
            class(i) = cluster_No;
            while index
                if visited(index(1)) == 0
                    visited(index(1)) = 1; %% 標(biāo)為訪問(wèn)
                    if class(index(1)) <= 0
                        class(index(1)) = cluster_No;
                    end
                    point_now = data(index(1),:);
                    Idx_range = rangesearch(Kdtree, point_now(2:3), Eps);
                    index_temp = Idx_range{1};
                    index(1) = [];
                    if length(index_temp) > k
                        index = [index, index_temp];
                    end
                else
                    index(1) = [];
                end
            end
            cluster_No = cluster_No + 1;
        end
    end
end
%% DBSCAN聚類結(jié)果

3?程序結(jié)果

文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-453252.html

到了這里，關(guān)于基于DBSCAN密度聚類的風(fēng)電-負(fù)荷場(chǎng)景削減方法的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！