摘要
本发明公开了一种电动汽车充电负荷场景聚类方法及系统,属于负荷预测及数据分析技术领域,所述方法包括:采集电动汽车充电负荷的历史时序数据,构建特征向量;在多个置信水平下进行训练,得到充电负荷的概率分布模型;生成多条充电负荷时序场景;对每条场景应用高斯隐马尔可夫模型进行动态建模,提取状态转移矩阵、状态均值及初始状态概率参数,组合为表征场景动态特征的特征向量;对表征场景动态特征的特征向量进行聚类分析,从每个聚类中选取距离聚类中心最近的场景作为典型场景输出。通过精确刻画充电负荷的不确定性,生成符合统计分布的充电负荷时序场景,为电网调度、规划及风险评估提供可靠、高效的决策依据。
技术关键词
隐马尔可夫模型
负荷
拉丁超立方抽样
聚类方法
表征场景
Welch算法
蒙特卡洛
聚类系统
时序
随机抽样方法
协方差矩阵
动态
聚类算法
优化网络参数
累积分布函数
神经网络训练