针对传统聚类算法不易选取初始聚类中心、对噪声值较敏感、收敛速度慢及易陷入局部最优等问题,提出一种基于密度峰值的层次聚类算法对天气类型进行聚类。首先确定气象数据的密度峰值参数,采用分层聚类算法将气象数据划分为不同类别,然后利用支持向量机(SVM)对未知天气类型进行识别,最终采用径向基(RBF)神经网络建立光伏发电短期功率预测模型。仿真结果表明,该方法能有效提高气象类型的分类精度、加快寻优速度,提高离群样本点分离的鲁棒性,证明了其在小样本的情况下具有较高的精度,且在天气波动较大时仍能较好地实现功率值的预测。 高电压技术2017,43(4)种天气类型的归一化风速值与平均值差对时间的3阶导数曲线用dV′′′表示，如图3所示，其中横轴t为时间变化率。由图3可见，晴天风速变化较为平缓，波动范围基本维持在0.1~0.1之间，而阴雨天则波动很大，考虑计算复杂度和对天气状态变化的敏感程度，本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/ 采用3阶导数最大值作为特征因子，能够表征风速数据随机变化的局部特征。由于太阳辐照度对于天气类型起决定作用，所以还应考虑日实时辐照度与平均辐照度差对时间的3阶导数。因此，取每日温度最大值Tmax、湿度最大值Hmax、能见度最大值Wmax、伏功率预测模型-数控滚圆机滚弧机折弯机张家港滚圆机电动滚弧机折弯机辐照度最大值Gmax、日实时风速与日平均风速差3阶导数最大值dmaxV′′′和辐照度3阶导数最大值dmaxG′′′共6维特征因子实现对气象类型的顶层聚类，即为1maxmaxmaxmaxdmaxdmaxF=[T,H,W,G,V′′′,G′′′](8)由图2可知，由于区分阴雨天气类型的特征量较少，考虑增加特征因子解决聚类时可能出现的泛化不足问题。经过比较分析，选取导数最大值对天气类型的辨识度良好。这里取Wmax、能见度差3阶导数最大值dmaxW′′′、Gmax和dmaxG′′′共4维特征因子实现底层聚类，即为2maxdmaxmaxdmaxF=[W,W′′′,G,G′′′](9)2.2.1聚类中心点的决策分析图4为聚类结果的决策图，横轴为局部密度值ρ，纵轴为距离值δ，均为无量纲参数值，其中：图4(a)为晴天–阴雨天的顶层聚类决策图；图4(b)为关于阴天–小雨–大雨的底层聚类决策图。由图4(a)可知，右上方2个点同时具有较大的ρ值和δ值，它们与其余点分离出来，即可快速确定聚类中心，并得到其簇类数ξ=2；由图4(b)所示，右上方3个点为聚类中心，右上角的点具有较大的ρ值和δ值，而偏左方的2个点虽然其ρ较小伏功率预测模型-数控滚圆机滚弧机折弯机张家港滚圆机电动滚弧机折弯机本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/