场景缩减方法、装置及终端设备

技术领域

本发明属于风电技术领域，尤其涉及一种场景缩减方法、装置及终端设备。

背景技术

随着我国风电和光伏装机规模的增加，传统的确定性优化调度模型将难以适应风光高占比情况下电力系统调度的新要求，基于场景分析方法的随机优化调度越来越受到重视。

作为场景分析的研究热点，场景缩减的意义在于用少量代表性场景描述大量复杂性场景特征，达到降低计算复杂度的目的。现有日前/日内多能源电力系统运行调度常用场景缩减方法主要包括：同步回代消除算法(Simultaneous Backward Reduction，SBR)和聚类缩减方法。

采用同步回代消除算法需要不断遍历保留集中的场景，计算复杂度高、所需计算时间较长，适用于光伏发电出力场景规模较小的缩减问题。而采用K-means聚类方法，用均值更新各聚类中心代替缩减后的场景集合会解耦风电、光伏出力场景的时间相关性，导致缩减后场景集合不能较好地表征光伏发电出力场景集合。

上述算法具有计算精度低、适应性差以及效率低下的问题，无法满足场景缩减需求。

发明内容

有鉴于此，本发明实施例提供了一种场景缩减方法、装置及终端设备，以解决现有技术中计算精度低、适应性差以及效率低下的问题。

本发明实施例的第一方面提供了一种场景缩减方法，包括：

获取光伏发电出力场景集合；

基于预设的聚类方法对所述光伏发电出力场景集合中的多个光伏发电出力场景进行聚类，确定多个聚类结果类簇，其中，所述预设的聚类方法采用基于密度原则和最大最小距离原则对初始聚类中心进行优化；

采用概率距离的同步回代消除算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景进行缩减，确定缩减后的类簇场景集合中的光伏发电出力场景。

在一实施例中，所述基于预设的聚类方法对所述光伏发电出力场景集合中的多个光伏发电出力场景进行聚类，确定多个聚类结果类簇，包括：

基于密度原则和最大最小距离原则，为所述多个光伏发电出力场景配置多个初始聚类中心，其中，所述多个光伏发电出力场景与所述多个初始聚类中心一一对应；

将所述多个光伏发电出力场景分配至预设的多个类簇中，得到多个场景分类簇；

根据所述多个场景分类簇对所述多个初始聚类中心进行迭代；

在所述迭代的次数满足第一预设条件的情况下，确定多个聚类结果类簇。

在一实施例中，所述基于密度原则和最大最小距离原则，为所述多个光伏发电出力场景配置多个聚类中心，包括：

基于密度原则，为所述多个光伏发电出力场景中的第一光伏发电出力场景配置第一初始聚类中心，其中，所述第一光伏发电出力场景为所述多个光伏发电出力场景中密度最大的光伏发电出力场景；

基于最大最小聚类原则，为所述多个光伏发电出力场景中除所述第一光伏发电出力场景之外的光伏发电出力场景配置初始聚类中心。

在一实施例中，为所述多个光伏发电出力场景中的第一光伏发电出力场景配置第一初始聚类中心，包括：

计算所述多个光伏发电出力场景中的每个光伏发电出力场景相对于剩余光伏发电出力场景的欧式距离，得到距离分布矩阵，其中，所述欧式距离作为所述距离分布矩阵的距离参数；

提取所述距离分布矩阵每行中满足第二预设条件的所述距离参数，得到距离数组；

选取所述距离数组中数值最小的距离参数，并将所述距离数组中数值最小的距离参数对应的所述第一光伏发电出力场景作为第一初始聚类中心。

在一实施例中，所述基于最大最小聚类原则，为所述多个光伏发电出力场景中除所述第一光伏发电出力场景之外的光伏发电出力场景配置初始聚类中心，包括：

获取所述第一初始聚类中心和所述预设的多个类簇的数目；

在所述多个光伏发电出力场景中查找与所述第一初始聚类中心的欧式距离最大的光伏发电出力场景所对应的第二光伏发电出力场景作为第二初始聚类中心；

根据除所述第一光伏发电出力场景和所述第二光伏发电出力场景之外的光伏发电出力场景中的每个光伏发电出力场景、第一初始聚类中心、第二初始聚类中心和所述预设的多个类簇的数目，确定第三初始聚类中心；

重复执行根据除已确定初始聚类中心的光伏发电出力场景之外的每个光伏发电出力场景、所述已确定初始聚类中心中的每个初始聚类中心以及所述预设的多个类簇的数目，确定下一个初始聚类中心的步骤，直至所述多个光伏发电出力场景中的每个光伏发电出力场景均确定对应的初始聚类中心。

在一实施例中，所述根据除所述第一光伏发电出力场景和所述第二光伏发电出力场景之外的光伏发电出力场景中的每个光伏发电出力场景、第一初始聚类中心、第二初始聚类中心和所述预设的多个类簇的数目，确定第三初始聚类中心，包括：

计算除所述第一光伏发电出力场景和所述第二光伏发电出力场景之外的光伏发电出力场景中的每个光伏发电出力场景与所述第一聚类中心的欧式距离，以及所述每个光伏发电出力场景与所述第二聚类中心的欧式距离，确定所述每个光伏发电出力场景对应的欧式距离；

在所述每个光伏发电出力场景对应的欧式距离中选取数值最小的欧式距离，得到欧式距离集合；

选取所述欧式距离集合中数值最大的欧式距离对应的第三光伏发电出力场景作为第三初始聚类中心。

在一实施例中，所述采用概率距离的同步回代消除算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景进行缩减，确定缩减后的类簇场景集合中的光伏发电出力场景，包括：

采用同步回代算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合进行更新，确定多个更新后的类簇场景集合；

在所述多个更新后的类簇场景集合中的每个更新后的类簇场景集合均满足预设集合条件的情况下，得到所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景。

在一实施例中，所述采用同步回代算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合进行更新，确定多个更新后的类簇场景集合，包括：

采用同步回代算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景进行剔除，并统计剔除后的类簇场景集合中的光伏发电出力场景数目和概率；

在所述光伏发电出力场景数目满足预设光伏发电出力场景数目且所述光伏发电出力场景概率满足预设光伏发电出力场景概率的情况下，得到所述每个聚类结果类簇对应的更新后的类簇场景集合。

本发明实施例的第二方面提供了一种场景缩减装置，包括：

获取模块，用于获取光伏发电出力场景集合；

聚类模块，用于基于预设的聚类方法对所述光伏发电出力场景集合中的多个光伏发电出力场景进行聚类，确定多个聚类结果类簇，其中，所述预设的聚类方法采用基于密度原则和最大最小距离原则对初始聚类中心进行优化；

场景缩减模块，用于采用概率距离的同步回代消除算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景进行缩减，确定缩减后的类簇场景集合中的光伏发电出力场景。

本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述一种场景缩减方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：

本发明实施例提供一种场景缩减方法，包括：获取光伏发电出力场景集合；基于预设的聚类方法对所述光伏发电出力场景集合中的多个光伏发电出力场景进行聚类，确定多个聚类结果类簇，其中，所述预设的聚类方法采用基于密度原则和最大最小距离原则对初始聚类中心进行优化；采用概率距离的同步回代消除算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景进行缩减，确定缩减后的类簇场景集合中的光伏发电出力场景。通过基于预设的聚类算法对光伏发电出力场景进行快速分类，然后针对每一聚类结果类簇对应的类簇场景集合采用基于概率距离的同步回代消除算法进行缩减。该方法可以在保证计算精度的同时，提高规模较大光伏发电出力场景集合缩减的计算效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的一种场景缩减方法的实现流程示意图；

图2是本发明另一实施例提供的一种场景缩减方法的实现流程示意图；

图3是本发明实施例中S202的细化步骤的实现流程示意图；

图4是本发明实施例中S301的细化步骤的实现流程示意图；

图5是本发明实施例中S302的细化步骤的实现流程示意图；

图6是本发明另一实施例提供的一种场景缩减方法的实现流程示意图；

图7(a)是本发明实施例提供的方案1的场景出力示意图；

图7(b)是本发明实施例提供的方案2的场景出力示意图；

图7(c)是本发明实施例提供的方案3的场景出力示意图；

图8是本发明实施例提供的方案1-3在事件1中的BS指标结果；

图9是本发明实施例提供的方案1-3在事件2中的BS指标结果；

图10是本发明实施例提供的一种场景缩减装置的结构示意图；

图11是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1是本发明一实施例提供的一种场景缩减方法的示意图。如图1所示，该实施例的一种场景缩减方法包括：

步骤S101：获取光伏发电出力场景集合；

步骤S102：基于预设的聚类方法对所述光伏发电出力场景集合中的多个光伏发电出力场景进行聚类，确定多个聚类结果类簇，其中，所述预设的聚类方法采用基于密度原则和最大最小距离原则对初始聚类中心进行优化。

在一实施例中，光伏发电出力场景集合中包括多个光伏发电出力场景，对于输入n个光伏发电出力场景的光伏发电出力场景集合可表示为：S＝{s

此外，由于传统的K-means聚类算法由于初始聚类中心随机选取的特点会导致算法不稳定。本发明采用预设的聚类方法是基于密度原则和最大最小距离原则优化初始聚类中心，提升了聚类结果的稳定性。

步骤S103：采用概率距离的同步回代消除算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景进行缩减，确定缩减后的类簇场景集合中的光伏发电出力场景。

在一实施例中，本发明采用概率距离的同步回代消除算法将n个聚类结果类簇对应的n个类簇场景集合进行缩减，每个类簇场景集合中保留至少一个光伏发电出力场景，保留下来的光伏发电出力场景称之为典型场景，各聚类结果类簇消除后的类簇场景集合即为可以代表光伏发电出力场景集合的缩减场景集合。例如，假设n为10，即10个类簇场景集合，且每个类簇场景集合中均存在8个光伏发电出力场景，要求每个类簇场景集合需保留2个光伏发电出力场景作为典型场景，则将10个类簇场景集合中的每个类簇场景集合中的8个光伏发电出力场景剔除6个，即每个类簇场景集合剩余的2个光伏发电出力场景为典型场景。

本发明实施例提供一种场景缩减方法，包括：获取光伏发电出力场景集合；基于预设的聚类方法对所述光伏发电出力场景集合中的多个光伏发电出力场景进行聚类，确定多个聚类结果类簇，其中，所述预设的聚类方法采用基于密度原则和最大最小距离原则对初始聚类中心进行优化；采用概率距离的同步回代消除算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景进行缩减，确定缩减后的类簇场景集合中的光伏发电出力场景。通过基于预设的聚类算法对光伏发电出力场景进行快速分类，然后针对每一聚类结果类簇对应的类簇场景集合采用基于概率距离的同步回代消除算法进行缩减。该方法可以在保证计算精度的同时，提高规模较大光伏发电出力场景集合缩减的计算效率。

图2是本发明另一实施例提供的一种场景缩减方法的示意图。如图2所示，该实施例的一种场景缩减方法包括：

步骤S201：获取光伏发电出力场景集合；

步骤S202：基于密度原则和最大最小距离原则，为所述多个光伏发电出力场景配置多个初始聚类中心，其中，所述多个光伏发电出力场景与所述多个初始聚类中心一一对应；

步骤S203：将所述多个光伏发电出力场景分配至预设的多个类簇中，得到多个场景分类簇；

步骤S204：根据所述多个场景分类簇对所述多个初始聚类中心进行迭代；

步骤S205：在所述迭代的次数满足第一预设条件的情况下，确定多个聚类结果类簇。

在一实施例中，基于密度原则和最大最小距离原则，为n个光伏发电出力场景中的每个光伏发电出力场景配置一个初始聚类中心。将所述n个光伏发电出力场景分配至预设的多个类簇中，得到多个场景分类簇，其中，预设的多个类簇数目为设定值，需根据具体情况考虑，此处不作具体限定。根据得到的多个场景分类簇对所述多个初始聚类中心进行迭代，每次迭代时初始聚类中心不断更新得到更新后的聚类中心，直至更新后的聚类中心为最佳聚类中心则停止迭代，即迭代次数满足第一预设条件。

步骤S206：采用概率距离的同步回代消除算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景进行缩减，确定缩减后的类簇场景集合中的光伏发电出力场景。

图3为本发明实施例中步骤S202的细化步骤的流程示意图，如图3所示，步骤S202包括：

步骤S301：基于密度原则，为所述多个光伏发电出力场景中的第一光伏发电出力场景配置第一初始聚类中心，其中，所述第一光伏发电出力场景为所述多个光伏发电出力场景中密度最大的光伏发电出力场景；

步骤S302：基于最大最小聚类原则，为所述多个光伏发电出力场景中除所述第一光伏发电出力场景之外的光伏发电出力场景配置初始聚类中心。

在一实施例中，基于密度原则，为所述多个光伏发电出力场景中的第一光伏发电出力场景配置第一初始聚类中心，即为n个光伏发电出力场景中的第一光伏发电出力场景配置第一聚类中心。基于最大最小距离原则，为所述多个光伏发电出力场景中剩余的光伏发电出力场景配置剩余的初始聚类中心，为剩余的n-1个光伏发电出力场景中的每个光伏发电出力场景配置一个聚类中心，即为第二光伏发电出力场景配置第二聚类中心，为第三个光伏发电出力场景配置第三聚类中心...为第n光伏发电出力场景配置第n聚类中心。

图4为本发明实施例中步骤S301的细化步骤的流程示意图，如图4所示，步骤S301包括：

步骤S401：计算所述多个光伏发电出力场景中的每个光伏发电出力场景相对于剩余光伏发电出力场景的欧式距离，得到距离分布矩阵，其中，所述欧式距离作为所述距离分布矩阵的距离参数；

步骤S402：提取所述距离分布矩阵每行中满足第二预设条件的所述距离参数，得到距离数组；

步骤S403：选取所述距离数组中数值最小的距离参数，并将所述距离数组中数值最小的距离参数对应的所述第一光伏发电出力场景作为第一初始聚类中心。

具体地，(1)输入n个光伏发电出力场景集合S＝{s

(2)计算光伏发电出力场景集合S内所有光伏发电出力场景之间的欧氏距离，将欧氏距离信息存入距离分布矩阵。其中，欧氏距离和距离分布矩阵分别如式(1-1)和(1-2)所示；

式中：S

D

式中：D

(3)对距离分布矩阵D

d(s

式中：sort{}算子表示对光伏发电出力场景si与光伏发电出力场景集合S中所有光伏发电出力场景的欧氏距离进行排序，并选择第m小的欧氏距离输出结果，本发明中选取m＝10。

D

式中：距离数组D

图5为本发明实施例中步骤S302的细化步骤的流程示意图，如图5所示，步骤S302包括：

步骤S501：获取所述第一初始聚类中心和所述预设的多个类簇的数目；

步骤S502：在所述多个光伏发电出力场景中查找与所述第一初始聚类中心的欧式距离最大的光伏发电出力场景所对应的第二光伏发电出力场景作为第二初始聚类中心；

步骤S503：计算除所述第一光伏发电出力场景和所述第二光伏发电出力场景之外的光伏发电出力场景中的每个光伏发电出力场景与所述第一聚类中心的欧式距离，以及所述每个光伏发电出力场景与所述第二聚类中心的欧式距离，确定所述每个光伏发电出力场景对应的欧式距离；

步骤S504：在所述每个光伏发电出力场景对应的欧式距离中选取数值最小的欧式距离，得到欧式距离集合；

步骤S505：选取所述欧式距离集合中数值最大的欧式距离对应的第三光伏发电出力场景作为第三初始聚类中心；

步骤S506：重复执行根据除已确定初始聚类中心的光伏发电出力场景之外的每个光伏发电出力场景、所述已确定初始聚类中心中的每个初始聚类中心以及所述预设的多个类簇的数目，确定下一个初始聚类中心的步骤，直至所述多个光伏发电出力场景中的每个光伏发电出力场景均确定对应的初始聚类中心。

在一实施例中，最大最小距离原则避免了初始聚类中心选取可能过于邻近的情况，选取欧氏距离尽可能远的对象作为初始聚类中心，提高了聚类中心的稳定性。最大最小距离原则求取剩余初始聚类中心算法如下：

(1)输入基于密度原则得到的第一个初始聚类中心V

(2)从光伏发电出力场景集合S中找出与第一个初始聚类中心V

(3)计算未被选作初始聚类中心的光伏发电出力场景s

(4)找到JL

(5)若已有k-1个初始聚类中心，计算未被选作初始聚类中心的光伏发电出力场景s

(6)最后将光伏发电出力场景集合S中所有光伏发电出力场景按最小欧氏距离的原则分到各个类簇中，初始聚类中心选择完毕。

结合上一实施例，对步骤S202-S205进行进一步说明，具体如下：

将光伏发电出力场景集合S中所有光伏发电出力场景以上述基于密度原则和最大最小原则得到的初始聚类中心分好类簇后，根据式(1-6)将每个类簇的场景均值作为新的聚类中心V

式中：N

图6是本发明另一实施例提供的一种场景缩减方法的示意图。如图6所示，该实施例的一种场景缩减方法包括：

步骤S601：获取光伏发电出力场景集合；

步骤S602：基于预设的聚类方法对所述光伏发电出力场景集合中的多个光伏发电出力场景进行聚类，确定多个聚类结果类簇，其中，所述预设的聚类方法采用基于密度原则和最大最小距离原则对初始聚类中心进行优化；

步骤S603：采用同步回代算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景进行剔除，并统计剔除后的类簇场景集合中的光伏发电出力场景数目和概率；

步骤S604：在所述光伏发电出力场景数目满足预设光伏发电出力场景数目且所述光伏发电出力场景概率满足预设光伏发电出力场景概率的情况下，得到所述每个聚类结果类簇对应的更新后的类簇场景集合；

步骤S605：在所述多个更新后的类簇场景集合中的每个更新后的类簇场景集合均满足预设集合条件的情况下，得到所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景。

具体地，本发明采用基于Kantorovich距离的同步回代消除算法计算，步骤如下：

(1)用类簇场景集合C

(2)每次剔除一个满足式(2-2)的场景s′

(3)改变光伏发电出力场景数目N

(4)改变与被剔除场景s′

(5)转到步骤2)重复迭代，直至保留场景集合C

需要注意的是，上述保留场景集合C

此外，所提概率均是为了简化计算，第i个类簇场景集合C

式中：

本发明采用布莱尔分数评价指标对实施例1-实施例6所述的场景缩减方法进行评价，具体如下：

为对本文所提场景缩减办法进行评价，本文引入布莱尔分数指标作为评价指标。该指标通过定义不同的事件，可以评估缩减后场景与实测值的时间轨迹之间的误差来评价场景的性能。通常衡量预测时间轨迹与实测时间轨迹差别主要从两个方面考虑：一是风电功率预测轨迹大于某一出力值的持续时间与实测轨迹是否一致，反映发电水平是否发生显著变换；二是在某一时间区间内风电预测轨迹与实测轨迹的波动情况是否一致，反映发电的短期波动特性。针对以上两个方面，分别有定义如式(3-1)和(3-2)所示。

式中：θ为定义的一个事件；s

以上公式应用于单一场景，对整个缩减后的场景集合发生某一事件θ的概率如式(3-3)所示：

式中：

最终得到布莱尔分数指标如式(3-4)所示：

式中：g(z；θ)表示实测时间轨迹是否发生了事件θ；D为考核的时间轨迹数目，在本文取二月总天数，即D＝28。

BS指标是一个负面得分指标，该值越小，说明缩减后的场景集合刻画实测出力水平的效果越好。

结合图7-图9，对2019年2月3日新疆电网某区域风功率的实测值和点预测值进行分析，来验证本文所提场景缩减方法的可行性与有效性。

一、场景缩减方法的有效性分析

缩减后的场景应能较好描述风电出力相关性特征，体现风功率的波动性，在保证计算精度的同时，缩短计算时间。为验证本文所提场景缩减方法在计算精度和计算速度上的有效性，本文设计了以下三种方案进行对比分析：

方案1：采用基于Kantorovich距离的同步回代消除算法得到的缩减场景集合；

方案2：基于预设的聚类算法，将得到的聚类中心作为缩减后的场景集合；

方案3：本文所提基于预设的聚类和基于Kantorovich距离的同步回代消除算法相结合的场景缩减方法。

本文取缩减后场景N

表1三种方案缩减后场景对应概率

二、进一步验证本发明所提出的场景缩减方法的有效性

本文针对BS指标定义了以下两种诊断事件：事件1：功率在长度为4小时的时间窗内的出力水平持续大于50％。事件2：功率在长度为2小时的时间窗内的波动量大于10％。计算三种方案在两种判断事件下的BS指标结果如图8和图9所示。

在事件1中，BS指标反映风力发电水平是否发生显著变化，三种方案在事件1中的BS指标结果平均值分别为18.38％、20.51％和18.94％。方案3的BS指标与方案1相近，且显著低于方案二，验证了所提场景缩减方法在系统备用水平上的优越性。在事件2中，BS指标反映风力发电的短期波动特性，三种方案在事件2中的BS指标结果平均值分别为16.91％、17.78％和16.79％。方案3的BS指标同样与方案1相近，且普遍低于方案二，因为时间相关性更能体现波动量的变化，验证了所提场景缩减方法在系统爬坡水平上的优越性。

两种事件的BS指标分别从缩减后场景出力水平和波动性验证了本文所提场景缩减方法具有较高的计算精度，可以较好反映风功率的实际情况和时间相关性。在此基础上考虑三种方案的计算时间，如表2所示。

表2三种方案场景缩减的计算时间

由表2可知方案2和方案3具有相近的秒级场景缩减速度，远快于方案1的分钟级场景缩减速度。算例结果表明，本文所提场景缩减方法在保证较高计算精度的同时，具有较快的计算速度。

二、结论

针对同步回代消除算法场景缩减时间长和K-means聚类分析场景缩减计算精度低的问题，本文提出一种基于预设的聚类和同步回代消除算法相结合的场景缩减算法，具有如下结论：

1)本文依据预设的聚类和基于Kantorovich距离的同步回代消除算法，提出了一种综合考虑计算精度和时间的场景缩减方法。

2)结合实际算例，通过BS指标结果和场景缩减时间可得，本文所提方法具有与同步回代消除算法相近的场景出力与波动范围，与预设的聚类算法相近的场景缩减时间。在保证较高计算精度的同时，具有较好的计算效率。

3)接下来的研究重点可以放在如何将缩减后的典型场景应用于电力系统优化调度中。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一个实施例中，如图10所示，提供了一种场景缩减装置，包括：获取模块1001、聚类模块1002和场景缩减模块1003，其中：

获取模块1001，用于获取光伏发电出力场景集合；

聚类模块1002，用于基于预设的聚类方法对所述光伏发电出力场景集合中的多个光伏发电出力场景进行聚类，确定多个聚类结果类簇，其中，所述预设的聚类方法采用基于密度原则和最大最小距离原则对初始聚类中心进行优化；

场景缩减模块1003，用于采用概率距离的同步回代消除算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景进行缩减，确定缩减后的类簇场景集合中的光伏发电出力场景。

在一实施例中，所述聚类模块1002包括：

聚类中心配置模块，用于基于密度原则和最大最小距离原则，为所述多个光伏发电出力场景配置多个初始聚类中心，其中，所述多个光伏发电出力场景与所述多个初始聚类中心一一对应；

场景分类簇确定模块，用于将所述多个光伏发电出力场景分配至预设的多个类簇中，得到多个场景分类簇；

迭代模块，用于根据所述多个场景分类簇对所述多个初始聚类中心进行迭代；

聚类结果类簇确定模块，用于在所述迭代的次数满足第一预设条件的情况下，确定多个聚类结果类簇。

在一实施例中，所述聚类中心配置模块包括：

第一配置模块，用于基于密度原则，为所述多个光伏发电出力场景中的第一光伏发电出力场景配置第一初始聚类中心，其中，所述第一光伏发电出力场景为所述多个光伏发电出力场景中密度最大的光伏发电出力场景；

第二配置模块，用于基于最大最小聚类原则，为所述多个光伏发电出力场景中除所述第一光伏发电出力场景之外的光伏发电出力场景配置初始聚类中心。

在一实施例中，所述第一配置模块包括：

距离分布矩阵确定模块，用于计算所述多个光伏发电出力场景中的每个光伏发电出力场景相对于剩余光伏发电出力场景的欧式距离，得到距离分布矩阵，其中，所述欧式距离作为所述距离分布矩阵的距离参数；

距离数组确定模块，用于提取所述距离分布矩阵每行中满足第二预设条件的所述距离参数，得到距离数组；

第一初始聚类中心确定模块，用于选取所述距离数组中数值最小的距离参数，并将所述距离数组中数值最小的距离参数对应的所述第一光伏发电出力场景作为第一初始聚类中心。

在一实施例中，所述第二配置模块包括：

参数获取模块，用于获取所述第一初始聚类中心和所述预设的多个类簇的数目；

第二初始聚类中心确定模块，用于在所述多个光伏发电出力场景中查找与所述第一初始聚类中心的欧式距离最大的光伏发电出力场景所对应的第二光伏发电出力场景作为第二初始聚类中心；

第三初始聚类中心确定模块，用于根据除所述第一光伏发电出力场景和所述第二光伏发电出力场景之外的光伏发电出力场景中的每个光伏发电出力场景、第一初始聚类中心、第二初始聚类中心和所述预设的多个类簇的数目，确定第三初始聚类中心；

下一初始聚类中心确定模块，用于重复执行根据除已确定初始聚类中心的光伏发电出力场景之外的每个光伏发电出力场景、所述已确定初始聚类中心中的每个初始聚类中心以及所述预设的多个类簇的数目，确定下一个初始聚类中心的步骤，直至所述多个光伏发电出力场景中的每个光伏发电出力场景均确定对应的初始聚类中心。

在一实施例中，第三初始聚类中心确定模块，包括：

欧式距离计算模块，用于计算除所述第一光伏发电出力场景和所述第二光伏发电出力场景之外的光伏发电出力场景中的每个光伏发电出力场景与所述第一聚类中心的欧式距离，以及所述每个光伏发电出力场景与所述第二聚类中心的欧式距离，确定所述每个光伏发电出力场景对应的欧式距离；

欧式距离集合确定模块，用于在所述每个光伏发电出力场景对应的欧式距离中选取数值最小的欧式距离，得到欧式距离集合；

选取模块，用于选取所述欧式距离集合中数值最大的欧式距离对应的第三光伏发电出力场景作为第三初始聚类中心。

在一实施例中，场景缩减模块1003，包括：

场景集合更新模块，用于采用同步回代算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合进行更新，确定多个更新后的类簇场景集合；

场景确定模块，用于在所述多个更新后的类簇场景集合中的每个更新后的类簇场景集合均满足预设集合条件的情况下，得到所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景。

在一实施例中，场景集合更新模块，包括：

场景剔除模块，用于采用同步回代算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景进行剔除，并统计剔除后的类簇场景集合中的光伏发电出力场景数目和概率；

更新后的场景集合确定模块，用于在所述光伏发电出力场景数目满足预设光伏发电出力场景数目且所述光伏发电出力场景概率满足预设光伏发电出力场景概率的情况下，得到所述每个聚类结果类簇对应的更新后的类簇场景集合。

图11是本发明一实施例提供的终端设备的示意图。如图11所示，该实施例的终端设备11包括：处理器110、存储器111以及存储在所述存储器111中并可在所述处理器110上运行的计算机程序112。所述处理器110执行所述计算机程序112时实现上述各个场景缩减方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器110执行所述计算机程序112时实现上述各装置实施例中各模块/单元的功能，例如图10所示模块1001至1003的功能。

示例性的，所述计算机程序112可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器111中，并由所述处理器110执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序112在所述终端设备11中的执行过程。例如，所述计算机程序112可以被分割成获取模块、聚类模块和场景缩减模块，各模块具体功能如下：

获取模块，用于获取光伏发电出力场景集合；

聚类模块，用于基于预设的聚类方法对所述光伏发电出力场景集合中的多个光伏发电出力场景进行聚类，确定多个聚类结果类簇，其中，所述预设的聚类方法采用基于密度原则和最大最小距离原则对初始聚类中心进行优化；

场景缩减模块，用于采用概率距离的同步回代消除算法对所述多个聚类结果类簇中的每个聚类结果类簇对应的类簇场景集合中的光伏发电出力场景进行缩减，确定缩减后的类簇场景集合中的光伏发电出力场景。

所述终端设备11可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述11终端设备可包括，但不仅限于，处理器110、存储器111。本领域技术人员可以理解，图11仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器110可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器111可以是所述终端设备11的内部存储单元，例如终端设备11的硬盘或内存。所述存储器111也可以是所述终端设备11的外部存储设备，例如所述终端设备11上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器111还可以既包括所述终端设备11的内部存储单元也包括外部存储设备。所述存储器111用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器111还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。