风电出力的随机性、波动性给电网带来了调峰、调频和电压稳定等问题。但受到地理地貌和大气季风环流影响,地区风电出力具有一定的周期性和规律性。因此,选取出能够反映给定时间内风电出力变化特征的典型场景,是开展风电接纳能力评估、电网规划和调度策略制定的基础。本文针对国内外现有方法的局限性,研究基于实测时间序列的风电出力场景划分方法。论文的主要研究内容如下:(1)基于某地区实际风电出力数据,分析地区风电出力特性;从理论上分析影响风电输出功率的主要因素;总结现有的聚类分析方法的基础理论。(2)针对基于欧氏距离的聚类划分方法仅考虑时间序列曲线的幅度大小差异,不计及曲线形态特征及变化趋势的问题,本文提出一种基于形态距离(shape-based distance,SBD)的规模化风电出力场景聚类划分方法。首先,定义反映序列互相关程度的形态距离作为相似性度量函数,给出基于形态距离的样本聚类划分过程,然后对某含规模化风电的实际地区春季风电汇聚功率进行聚类划分,提取典型场景,并与传统K-means聚类方法进行对比分析,验证所提方法的有效性。最后,运用该方法提取算例地区各个季节不同风况下的风电出力典型场景。(3)针对上述方法得到的类内曲线簇分散,样本间幅度差异大的问题,提出一种基于双层迭代聚类分析的规模化风电出力场景划分方法。首先,利用差分算法和分位数理论,将原始出力数据转化为描述曲线升、降或平稳等变化趋势的形态特征数据,进一步定义基于形态特征数据的样本差异测度d,据此度量聚类算法中样本相似性,基于差异测度对原始曲线进行外层形态聚类划分。随后,分别对输出形态相似的曲线簇,进行基于欧式距离的内层幅度聚类划分,得到形态相似且幅度相近的出力曲线簇。最后,对某含规模化风电的实际地区秋季风电汇聚功率进行聚类划分,与传统K-means聚类方法对比,验证本文方法的有效性。