8-基于拉丁超立方法的风光场景生成与削减

这篇具有很好参考价值的文章主要介绍了8-基于拉丁超立方法的风光场景生成与削减。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

8-基于拉丁超立方法的风光场景生成与削减

摘要:与蒙特卡洛法不同,拉丁超立方采样改进了采样策略能够做到较小采样规模中获得较高的采样精度,属于分层抽样技术,设定风光出力遵从正态分布normrnd,从而实现场景的大规模生成,并通过概率距离快速削减法完成了场景的削减,出图效果可以见下图哦!

8-基于拉丁超立方法的风光场景生成与削减,MATLAB,机器学习,概率论,线性代数8-基于拉丁超立方法的风光场景生成与削减,MATLAB,机器学习,概率论,线性代数

clc
clear all
%%
%场景法
%%% wf1 wf2 为平均值
wf1=[339,287,449,471,512,530,527,641,634,519,401,634,589,530,512,505,206,85,81,80,83,110,353,523];
wf2=[0,0,0,0,0,0,99,137,150,178,189,191,176,171,138,104,77,0,0,0,0,0,0,0];
m1=ones(24,1000);%风生成
m2=ones(24,1000);%光生成
m=ones(24,1000);%可再生生成
%%
%生成1000个场景
%%
%拉丁差立方抽样方法
%%%拉丁超级方抽样=====属于分层抽样技术(从多元参数分布中近似随机抽样的方法)------分层抽样:将抽样区间(本程序为正态分布区间)
          %按某种特性或某种规划分为不同的层,然后从不同的层中独立、随机(打乱排序,无规律抽取)
          %地抽取样本(如取10个苹果样本,按照特性把苹果树分为5类,每类随机取2个),从而保证样本的结构与总体的结构比较相近,提高估计的精度。
          
%拉丁超立方相较蒙卡,改进了采样策略能够做到较小采样规模中获得较高的采样精度。

%%lhsnorm(mu,sigma,n); mu平均值(数量a); 求解公式:u=(1/N)*(sum(样本));N为样本数目
                 %     sigma协方差矩阵(数量a*a); 求解公式: =((1/N)^3)*(sum(样本i-u)^2);   i=1至N
                 %     n抽样次数
% 表示方式1
c=1;%c 表示基础数据的数量
u1=lhsdesign(1,24);
u2=lhsdesign(1,24);
for t=1:24
    m1(t,:)=lhsnorm(sum(wf1(:,t))/c,u1(t)*sum(wf1(:,t))/c,1000); %拉丁超立方抽样(lhsnorm函数)方法
                                                                     %(基于风电和光伏出力遵从正态分布normrnd(均值,标准差,n,m) n*m阶正态矩阵 ),
                                                                     %因此lhsnorm函数的均值和标准差采用正态分布的均值,标准差
                                                                    % 依据文献,可以假定标准差与均值之间存在一定比例关系。
    if t>=7&&t<=17
        m2(t,:)=lhsnorm(sum(wf2(:,t))/c,u2(t)*sum(wf2(:,t))/c,1000);
    else
        m2(t,:)=0;
    end
  m(t,:)=m1(t,:)+m2(t,:);   
end
% %%
% % 表示方式2
% for t=1:24
% m1(t,:)=normrnd(wf1(t),0.12*wf1(t),1,1000);  %正态分布 normrnd(均值,标准差,n,m) n*m阶正态矩阵 
% m2(t,:)=normrnd(wf2(t),0.1*wf2(t),1,1000);
% m(t,:)=m1(t,:)+m2(t,:);
% end
%% 场景生成图
figure()
plot(m1,'--')
hold on
plot(m2,'-')
hold on
l2=xlabel('t/h');
set(l2,'Fontname', 'Times New Roman','FontSize',20)
l3=ylabel('P/kW');
set(l3,'Fontname', 'Times New Roman','FontSize',20)
set(gca,'FontName','Times New Roman','FontSize',20)
%%
%场景削减(快速后向削减)
%原理:确定初始场景集合的一个子集,并给其重新分配场景概率,使保留场景的概率分布Q与初始场景集合的概率P之间的某种概率距离最短(即,P与Q相近),
%从而削减概率小的概率,将其加到与其场景的概率距离最近的场景上。
%%
%计算各个场景之间的概率距离
k=zeros(1000,1000);
for i=1:1000
    for j=1:1000
        if i==j
            k(i,j)=0;%K距离
        else
            k(i,j)=sqrt(sum((m(:,i)-m(:,j)).^2));
        end
    end
end
p=ones(1000,1)*0.001;%各场景初始概率
%%
%%寻找最小概率距离场景
k1=k;b2=[];k1(k1==0)=inf;
for n=1:990%削减990次,保留10个概率最高场景
[mink,index]=min(k1,[],2);%index每行最小坐标列  %mink 每行最小数值   % min(k1,[],2) 求取每行的最小值;  min(k1,[],1)求取每列的最小值
%%
%删去index2 行  %%min(mink.*p) 概率最低。。。被淘汰  
[mink11,index2]=min(mink.*p);
b=index2;
%减少一个场景
k1(b,:)=[];
k1(:,b)=[];
%%
b2=[b2;b];
%%
%新概率生成
a=index(index2);%与被削减场景的概率距离最近的场景a
%新场景概率a=原来对应场景概率a+概率重新分配系数*与此情景概率距离最近场景index2
p(a)=p(index2)+p(a);
%%
%一次循环后新的概率和场景
p(b)=[];
m(:,b)=[];
m1(:,b)=[];
m2(:,b)=[];
 文章来源地址https://www.toymoban.com/news/detail-608880.html

到了这里,关于8-基于拉丁超立方法的风光场景生成与削减的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 风光柴储微电网最优化经济调度模型(Matlab+Yalmip+Cplex)——附代码

    目录 摘要: 1.微电网模型 2.微电网经济调度的目标函数 3.微电网经济调度的约束条件 3.1设备自身约束: 3.2功率平衡约束: 4.Yalmip+Cplex 4.1 Yalmip 4.2 Cplex 5.运行图片: 6.本文Matlab代码实现 微电网优化调度作为智能电网优化的重要组成部分,对降低能耗、环境污染具有重要 意义

    2024年02月02日
    浏览(65)
  • 基于改进ISODATA算法的负荷场景曲线聚类MATLAB程序

    🍞正在为您运送作品详情 https://mbd.pub/o/bread/ZJqclJ9v 参考文献: 基于机器学习的短期电力负荷预测和负荷曲线聚类研究_张辰睿(硕士论文) 参考其第三章 主要内容: 主要包含四种聚类算法,K-means聚类、ISODATA聚类、L-ISODATA聚类及K-L-ISODATA聚类,并且包含了对聚类场景以及聚

    2024年02月13日
    浏览(41)
  • m基于flocking算法的无人机群空间避障飞行matlab仿真,对比二维场景和三维场景

    目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB         近年来,随着通信网络、人工智能、自主系统、大数据的前沿技术的发展, 无人机蜂群作战也正在由概念变成现实,从理论走向实践。航迹规划,多机协作, 集群控制等问题成为当下研究热点。在军事作战

    2024年02月04日
    浏览(42)
  • 面向高速公路车辆切入场景的自动驾驶测试用例生成方法

    1 前言 自动驾驶汽车为解决“交通事故、交通拥堵、环境污染、能源短缺”等问题提供了新的途径[1]。科学完善的测试验证评价体系对提高自动驾驶汽车的研发效率、健全相关法律法规、推进智能交通发展至关重要[2]。自2009年起,谷歌自动驾驶汽车已经进行了超过560万km公共

    2024年02月10日
    浏览(45)
  • 基于多场景的考虑虑热网网损的太阳能消纳能力评估研究(Matlab代码实现)

     💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 2.1  场景1-不考虑热网网损的太阳能消纳

    2024年02月15日
    浏览(51)
  • 使用MATLAB生成FPGA调用的coe和mif文件的方法整理

    使用MATLAB生成FPGA调用的coe和mif文件的方法整理 在FPGA设计中,常需要使用初始化文件(coe或mif)来初始化内部存储器或配置寄存器。MATLAB提供了方便的工具和函数来生成这些初始化文件。本文将介绍如何使用MATLAB生成coe和mif文件,并提供相应的源代码示例。 生成coe文件 coe文件是

    2024年04月09日
    浏览(46)
  • Latex | 使用MATLAB生成.eps矢量图并导入Latex中的方法

    用Latex时写paper时,要导入MATLAB生成的图进去 (1)在MATLAB生成图片的窗口中,导出.eps矢量图 (2)把图上传到overleaf的目录 (3)在文中添加相应代码 (1)MATLAB生成图像后,生成点击“文件”-“导出设置(R)” (2)参数我这里是选择了默认,再点击右侧栏的“导出” (3)

    2024年02月15日
    浏览(42)
  • 曲线生成 | 基于多项式插值的轨迹规划(附ROS C++/Python/Matlab仿真)

    🔥附C++/Python/Matlab全套代码🔥课程设计、毕业设计、创新竞赛必备!详细介绍全局规划(图搜索、采样法、智能算法等);局部规划(DWA、APF等);曲线优化(贝塞尔曲线、B样条曲线等)。 🚀详情:图解自动驾驶中的运动规划(Motion Planning),附几十种规划算法 多项式插值(polynomial

    2024年02月03日
    浏览(39)
  • 【网安AIGC专题10.19】5 ChatRepair:ChatGPT+漏洞定位+补丁生成+补丁验证+APR方法+ChatRepair+不同修复场景+修复效果(韦恩图展示)

    本文为 邹德清教授的《网络安全专题》课堂笔记系列 的文章,本次专题主题为大模型。 Keep the Conversation Going: Fixing 162 out of 337 bugs for $0.42 each using ChatGPT arXiv 2023.4.1 https://arxiv.org/pdf/2304.00385.pdf Chunqiu Steven Xia, University of Illinois Urbana-Champaign Lingming Zhang, University of Illinois Urbana-

    2024年02月03日
    浏览(50)
  • 拉丁超立方抽样

    拉丁超立方(LHS)适用于样本数量少的情况,主要思想是概率分布的分层,一层一个样本(每层的样本是随机的。当且仅当每一行和每一列只有一个样本时,才能称为拉丁方格。 LHS可以在达到相同阈值时将使用更少的样本同时使得计算的复杂程度降低 蒙卡方法适用于数量多

    2024年02月06日
    浏览(33)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包