根据可再生能源与负荷的出力情况，以消耗海岛发电燃料最小为目标进行优化发电调度策略研究。通过典型日法获取清洁能源的出力特性简单快捷，但由于场景不够丰富不能体现全年清洁能源出力的变化特性，在中长期电源规划计算中误差较大。时序仿真法指通过历史清洁能源的实际出力时间序列数据，再根据装机容量及其他因素的变化加以调整得到模拟出力时间序列。文献[10]通过时序仿真法得到归一化后的年度风电序列、年度光伏序列、负荷出力序列用于风光容量配比分层优化计算。时序仿真法得出的全年出力时间序列贴近每日风电、光伏等清洁能源的实际出力特性，结果准确可靠，缺点是计算效率低。聚类算法则是通过聚类分析的方法对长时间时序的清洁能源实际出力场景进行信息提取、归类和化简，进而得到典型场景集合。文献[11]应用聚类算法得到风电和负荷的典型场景集，并基于此对风电接纳能力进行了评价分析。聚类算法既保证了出力数据的原始特性，又兼顾了计算效率。聚类算法在典型场景集的构建中应用广泛，聚类算法可通过设置聚类数将若干个时序场景缩减至设定个数。文献[12]介绍了聚类算法在长期预测风电出力特性中的应用。文献[13]分别利用 Kmeans 和 FCM 两种聚类算法对用电用户进行聚类，并训练得到 BP 神经网络和 SVM 算法的负荷预测模型。文献[14]使用 K-means 聚类算法对巴西智能电力系统用户的实际负荷曲线进行聚类，得到典型负荷曲线集。

上述文献均通过经典聚类算法对大量的实际负荷或风电数据进行分析，得出了能够较为准确反映实际特性的用户负荷及风电出力场景集，但并未对聚类数的选取、同区域多类清洁能源间的相关性进行深入讨论。鉴于此，本文以清洁能源富足区域的清洁能源出力特性为研究对象，利用改进 FCM 算法对其清洁能源的历史时序出力数据进行聚类分析，生成该地的清洁能源典型出力场景集，将聚类所得的典型场景集应用于区域电力经济运行优化计算中，并比较该方法与全年时序仿真法、典型日法在预测准确性及计算效率上的差异。

1改进FCM聚类

1.1 FCM聚类算法改进思路

FCM 聚类是一种基于划分的聚类算法，FCM 聚类算法有别于传统硬性聚类分析“非此即彼”的硬划分特性，通过引入隶属度函数这一概念，将对象与类簇间的关系扩展到用[0，1]闭区间上的任意数值来描述，从而可以通过判断隶属度函数的数值，来划分对象更倾向属于哪一个类簇[15]。设论域为X，称映射

2 清洁能源典型场景构建及应用