1 主要内容

该程序复现文章《氢能支撑的风-燃气耦合低碳微网容量优化配置研究》第三章内容，实现的是基于DBSCAN密度聚类的风电-负荷场景生成与削减模型，首先，采集风电、电负荷历史数据。然后，通过采用 DBSCAN 密度聚类的数据预处理消除异常或小概率电负荷、风电数据。之后，针对风电波动性与电负荷时序性、周期性特点，将场景提取分为电负荷场景提取和风电场景提取。该方法较传统聚类和场景削减方法有更好的数据预处理过程，这样就能消除异常数据，得到更准确的聚类结果。

基于密度聚类的数据预处理：

DBSCAN是基于一组邻域来描述样本集的紧密程度的算法。DBSCAN需要二个参数值，扫描半径（E）和最小包含点数（MinPts），用来描述邻域的样本分布紧密程度。其中，E描述了某一样本的邻域距离阈值，给定对象以E为半径的区域被称为该对象的 E邻域。MinPts描述了某一样本的距离为E的邻域中样本个数的阈值。如果给定对象E 邻域内的样本点数大于等于MinPts，则称该对象为核心对象。不属于核心对象及核心对象E邻域内的点为噪声点。

场景提取：

1.负荷采用改进有序聚类方法进行提取。

以天为单位的电负荷场景在时间上存在连续性，而连续的电负荷场景从向量的角度分析又具有相似性，直到出现某一个突变点，电负荷数据大小会发生大幅度变化，然后电负荷数据变化又会开始稳定。电负荷数据的这种周期性波动与变化适合通过有序聚类进行分类。

2.风电采用K-means聚类方法进行提取。

算法流程：

2 部分程序

 clc
clear all
%% 导入数据
X=xlsread('风电');
x0=X;
y=xlsread('负荷数据');
figure;
subplot(2,1,1);
plot(X);xlabel('时间/h');ylabel('标幺值');title('全年风电数据');axis([1 8761 0 1])
subplot(2,1,2);hold on 
plot(y);xlabel('时间/h');ylabel('功率/KW');title('全年负荷用电数据');axis([1 8761 400 1100]);
%% 变量设定
k = 3;
Eps = 2;
data = [X,y];Ti=1:8761;
%% 准备变量，输出原始结果
[m,n] = size(data);
data=[(1:m)',data]; %%增加一列表示序号
n = n + 1; %%增加后列数+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('时间/h');ylabel('标幺值');zlabel('功率/KW');%%绘制时间-风电-负荷的三维图
grid on
%daspect([1 1 1]);
%xlabel('x');ylabel('y');
title('原始输入点');
hold on;
%% 运行DBSCAN算法 
Kdtree = KDTreeSearcher(data(:,2:3)); %%使用训练数据（data）的m×n数字矩阵来生长默认的Kd树（Mdl）
for i = 1:m
    % 抽取一个未访问点
    if visited(i)==0
        % 标为访问
        visited(i) = 1;
        point_now = data(i,:);
        Idx_range = rangesearch(Kdtree, point_now(2:3), Eps); %%使用rangesearch进行半径搜索来搜索存储的树以找到查询数据的所有相邻点
        index = Idx_range{1};
        if length(index) > k
            class(i) = cluster_No;
            while index
                if visited(index(1)) == 0
                    visited(index(1)) = 1; %% 标为访问
                    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聚类结果