企业官网建设流程全解析

光伏电站的出力曲线，做过新能源数据分析的人应该都不陌生：每天从日出开始爬坡，午间达到峰值，傍晚回落归零。表面看起来都是“一座山”，但你要是把一整年的曲线叠在一起看，会发现形态千差万别——晴天是干净利落的单峰，多云天是锯齿状的起伏，阴雨天是又矮又平的“小土丘”。

这篇内容想聊的就是怎么用MATLAB把这些曲线自动分类，核心方法就是用K-means聚类。把每条日曲线当成一个样本，让算法自己找出“晴天类”“多云类”“阴雨类”，并且能直接落地的完整流程。对做光伏功率预测、电站运行分析、调度策略研究的同学来说，这套东西几乎是必备工具。我尽量把预处理、特征工程、K值选择、代码实现和踩坑经历都讲透。

1. 光伏曲线聚类到底在解决什么问题

1.1 聚类结果能用在哪些地方

先说个实际场景。你在做光伏功率预测，最简单粗暴的做法是用历史数据训练一个模型，然后不管明天什么天气，往里一扔就出预测值。结果往往是晴天预测得不错，一到多云天误差大得离谱，阴雨天又出现系统性偏低。

原因其实不复杂——光伏出力曲线在不同天气下的形态差异太大了。晴天的曲线基本是平滑单峰，多云的曲线频繁波动，阴雨天的曲线整体低平。用同一个模型去描述这三种完全不同的规律，本身就是为难它。

如果在建模之前先做一次聚类，把历史曲线分成几个典型模式，然后针对每个模式单独建预测模型，效果会明显改善。这是聚类在光伏领域最常见的应用，也是我最初做这个项目的原因。

聚类结果还有几个很实用的方向：

• 调度与并网：识别出极端天气日（连续阴雨、剧烈波动），提前安排储能充放电策略或备用容量。
• 电站体检：同一区域、同一时段的电站曲线，如果某个电站经常被分到和自己历史模式不同的类别，大概率是设备故障、遮挡或者数据采集问题。
• 典型日选取：做容量规划、仿真计算时不需要几千天的数据，每个聚类簇抽一条中心曲线，就能代表该区域的主要出力模式。

1.2 为什么选K-means而不是其他聚类方法

既然要聚类，为什么一定是K-means？这个选择我是综合考量过的。

光伏日曲线是高维数值型数据。一条按5分钟间隔采样的日曲线有200多个点，K-means处理这种数据非常自然——直接计算欧氏距离，迭代更新簇中心，速度很快，几百上千条曲线几秒钟就能出结果。MATLAB里kmeans函数封装得相当成熟，自带Replicates、MaxIter等参数，写起来几行代码就完事。

对比其他方法：DBSCAN能处理不规则簇形，但对高维数据距离度量敏感，参数调节很麻烦；层次聚类结果直观，但计算复杂度偏高。至少在光伏曲线这个场景，K-means的性价比是最高的。

当然，K-means也有明显的限制——它倾向于发现球形簇，对噪声敏感，而且K值需要自己定。这些问题不是无解的：我们可以在预处理阶段把曲线归一化、剔除异常值，用肘部法则和轮廓系数来确定K，再配合kmeans++初始化策略避免陷入局部最优。后面我会逐个展开。

2. 拿到数据别着急跑算法：预处理与特征工程

2.1 原始数据里的那些坑

很多新手拿到数据，直接把全部曲线丢给kmeans函数，结果跑出来乱七八糟。问题往往不在算法，而在数据本身。

光伏出力数据常见的污染来源：

• 采样间隔不一致：有的电站5分钟一个点，有的15分钟，有的甚至前半年5分钟、后半年改成了1分钟。必须统一重采样到同一时间轴。
• 夜间零值：光伏夜间出力为0，这些点对聚类没贡献，反而拉低距离计算的有效性。建议只截取日出到日落时段，比如夏季的06:00到19:00。
• 缺失和负值：逆变器故障、通信中断会导致整段缺失；电流传感器偏移可能产生微小的负功率读数。负值直接置0或剔除，缺失较多的天数直接从样本里删掉。
• 异常跳变：水平轴上偶尔出现突然冲到满发又在几分钟内回落的“毛刺”，大概率是数据误码，需要用滑动窗口做平滑或设置功率变化率阈值。

我的处理习惯是这样的：先用30天数据画一个堆叠图，肉眼扫一遍整体形态，再看单条曲线是否有明显异常。堆叠图在MATLAB里就是循环plot而已，但这一步能帮你建立对数据的直觉，后面调参会省很大力气。

2.2 归一化怎么做才公平

归一化是光伏曲线聚类里最容易被低估的一步。我见过不少项目，聚类出来的簇中心曲线形状几乎一样，只是高低不同——这就是归一化没做好的典型表现。

同一个光伏电站，夏天晴天的峰值功率可能是10MW，冬天晴天可能只有6MW。如果我们不做归一化，K-means会倾向于把相同量级的曲线聚在一起，从而把“夏季晴天”和“冬季晴天”拆成两个簇，而多云天因为峰值低、整体数值偏低，可能被错误地和阴雨天分到一组。

解决方法是按天归一化，每条曲线都除以当天的峰值（或者除以装机容量）。归一化之后，我们比较的是“形状”，而不是“大小”。这样晴天无论冬夏，曲线都是单峰形态，自然聚到一起；阴雨天无论峰值多低，只要形状相似，都会进同一类。

有一点要注意：如果做跨电站聚类，最好用装机容量做标幺值，而不是按天最大值归一化。因为不同电站的装机容量不同，按最大值归一化之后数值都在0到1，等于丢掉了电站规模信息，但很多分析场景需要保留这个差异。

2.3 特征选择：直接用全序列还是提炼特征

K-means可以直接跑原始曲线，一条157维的向量就是一个样本。这种方法叫“全序列聚类”，优点是信息损失少，缺点是维度高、计算慢、容易引入噪声。

我在实际项目中一般两种都试，但更推荐先用全序列跑一版，再根据业务需要做特征聚类。全序列的结果可以作为基准，特征聚类的优势是解释性强、抗噪能力强。

常用的特征维度包括：

• 峰值大小：一天的最高出力，反映辐照度和天气状况。
• 峰值出现时间：正常情况下在正午前后，若偏移明显可能是云遮挡。
• 日均出力或总发电量：积分面积，反映全天整体资源水平。
• 波动次数：出力曲线在一天内增减剧烈变化的次数，多云天这个数值会显著偏高。
• 平均爬坡速率：单位时间内出力的变化幅度，对储能调度很有参考价值。

特征不是越多越好。特征之间相关性太强等于重复计入权重，我建议先用corrplot看一下特征相关系数，保留相互独立的主成分。如果仓库里有PCA函数，也可以用PCA降到3到5维，再做K-means，效果往往也不错。

3. K值怎么定、距离怎么算

3.1 肘部法则和轮廓系数结合判断

K-means最尴尬的问题就是“你到底想要几类”。这个问题没有绝对标准，但有两种工具组合使用，基本能给出合理的参考区间。

第一种是肘部法则。计算不同K值下的总类内距离SSE，随着K增大，SSE必然下降，但下降的速度会越来越慢。画一条K-SSE曲线，找那个“拐点”——拐点之前下降很快，之后趋于平缓，这个拐点对应的K就是比较合理的值。在MATLAB里可以用silhouette或自己写循环跑kmeans，把不同K的SSE存下来画图。

第二种是轮廓系数（Silhouette Coefficient）。取值范围在-1到1之间，越接近1说明样本和自己的簇越紧密、和其他簇越疏远。MATLAB自带的silhouette函数可以直接返回每个点的轮廓值，取平均就得到整体轮廓系数。

实际操作中我的习惯是：先跑K从2到10，记录SSE和平均轮廓系数，画在一张图里看趋势。选K时如果肘部法则指向4，轮廓系数指向3，我会倾向于取较小的值。光伏曲线的业务解释能力比统计学上的“最优K”更重要，分5个簇却解释不了第4和第5类的区别，这个聚类对业务就是失败的。

3.2 欧氏距离快，但DTW更懂曲线

K-means默认使用欧氏距离，计算效率高，实现简单。但欧氏距离是点对点逐个比较，这意味着它要求两条曲线在时间上严格对齐。

光伏曲线有一个本质特征：每天时序上的相位并不固定。同样是晴天，一片云可能上午10点飘过来，另一天下午2点飘过来，导致曲线的波动位置完全不同。用欧氏距离比较这两条“波形相同但位置不同”的曲线，距离会被拉得很大，算法会认为它们不是同一类。

动态时间规整（DTW）可以解决这种相位偏移问题。它允许曲线在时间轴上“扭曲”后找相似性，非常适合光伏这类具有形变特征的曲线。我在小数据集上测试过，DTW聚类的轮廓系数比欧氏平均高10%左右。

问题在于DTW的计算复杂度是O(n²)，几百个点一天还扛得住，几千条曲线循环跑K-means就非常慢了。工程上的折中方案是：先用欧氏距离跑一遍，如果轮廓系数不理想，再把距离度量换成FastDTW近似算法，或者先降采样再计算。只追求精度而忽视算力，在真实项目中是走不远的。

3.3 初始化方式直接影响稳定性

K-means对初始质心非常敏感。初始质心选得不好，很可能收敛到局部最优解，每次跑出来的聚类结果都不一样。这会让结果很难复现，写论文、做报告都不好交代。

解决办法有两个层面。

一是用kmeans++初始化。kmeans++的核心逻辑是让初始质心之间尽量分散，从而显著降低收敛到局部最优的概率。MATLAB的kmeans函数默认使用的就是这种策略，所以不用自己手写。

二是多次重复运行。设置Replicates参数为10或者20，算法会从不同初始点出发跑多轮，最后返回所有轮次中SSE最小的结果。虽然计算时间增加了，但换来的是稳定的结果。

还有一个小技巧：设置随机种子。在调用kmeans之前执行rng(42)，可以固定随机过程，让每次运行结果完全一致。写论文的时候这招特别有用，审稿人复现你的结果不会发现差异。

4. MATLAB完整实现与代码详解

4.1 整体框架设计

整个项目我分成了三个模块：数据准备、K值评估、聚类与可视化。这样拆的好处是调试方便，改参数不用从头跑，也方便后续接入真实数据。

• 数据准备：加载光伏日曲线数据，重采样、剔除异常、按天归一化，输出一个N天 x M点的二维矩阵。
• K值评估：用肘部法则和轮廓系数绘制曲线，结合业务确定K。
• 聚类与可视化：执行K-means聚类，绘制簇中心曲线、各簇样本叠影图和PCA降维散点图。

4.2 模拟数据准备脚本

为了让你能直接跑通整个流程，我用MATLAB生成了三类模拟光伏曲线：晴天、多云、阴雨。每类数据在形状、峰值、波动程度上都有差异，算法分起来比较清晰。

%% 生成模拟光伏日曲线数据 clear; clc; rng(42); % 固定随机种子，保证结果可复现 % 时间轴：06:00 到 19:00，5分钟间隔 t = 6:5/60:19; n = length(t); % 157个采样点 % 基准曲线：钟形，正午达到峰值 base = exp(-((t-12.5).^2) / 8); base = base / max(base); % 每类样本数量：晴天80条，多云60条，阴雨45条 NperClass = [80, 60, 45]; X = []; trueLabels = []; for c = 1:3 for i = 1:NperClass(c) curve = base; switch c case 1 % 晴天：平滑单峰 + 轻微噪声 curve = base .* (0.85 + 0.15 * rand(1, n)); case 2 % 多云：叠加随机波动 ripplePeriod = randi([8, 15]); ripplePhase = 2 * pi * rand; ripple = 0.45 * sin((1:n) / ripplePeriod * 2 * pi + ripplePhase) .* base; curve = base + ripple; curve = max(curve, 0); case 3 % 阴雨：整体低矮 curve = 0.35 * base .* (0.6 + 0.4 * rand(1, n)); end X = [X; curve]; trueLabels = [trueLabels; c]; end end fprintf('数据规模：%d 天，每天 %d 个采样点\n', size(X, 1), n);

4.3 确定K值

这段代码会循环K从2到10，计算每种情况下的总SSE和平均轮廓系数，并且画出趋势图。

%% 通过肘部法则和轮廓系数确定K值 Krange = 2:10; SSE = zeros(length(Krange), 1); avgSil = zeros(length(Krange), 1); for i = 1:length(Krange) k = Krange(i); [~, C, sumd] = kmeans(X, k, 'Replicates', 10, 'MaxIter', 500); SSE(i) = sum(sumd); % 轮廓系数 [~, s] = pdist2(C, X, 'euclidean', 'Smallest', 1); % 这里用MATLAB自带silhouette函数更直接 sidx = kmeans(X, k, 'Replicates', 10, 'MaxIter', 500); s = silhouette(X, sidx); avgSil(i) = mean(s); end figure; subplot(1, 2, 1); plot(Krange, SSE, 'o-', 'LineWidth', 1.5); xlabel('K'); ylabel('SSE'); title('肘部法则'); subplot(1, 2, 2); plot(Krange, avgSil, 's-', 'LineWidth', 1.5); xlabel('K'); ylabel('平均轮廓系数'); title('轮廓系数');

代码里有个小冗余说明一下：前面跑了一次kmeans取SSE，后面又跑了一次取轮廓系数。实际可以合并成一次调用，同时返回idx和centers。贴这段主要是为了体现思路，正式写的时候建议优化一下。

4.4 执行聚类并可视化

选定K=3后，正式执行聚类，输出簇中心曲线图和各簇样本叠影图。

%% 执行K-means聚类（K=3） K = 3; [idx, centers] = kmeans(X, K, 'Replicates', 20, 'MaxIter', 500, 'Display', 'final'); % 按簇内样本数排序，方便后续解释 [~, order] = sort(histcounts(idx, 1:K+1), 'descend'); centers = centers(order, :); idx = arrayfun(@(x) find(order == x), idx); %% 可视化：簇中心曲线 figure('Color', 'w', 'Position', [100, 100, 1000, 500]); for k = 1:K subplot(1, K, k); hold on; % 该簇所有样本的叠影 samples = X(idx == k, :); for j = 1:size(samples, 1) plot(t, samples(j, :), 'Color', [0.7, 0.7, 0.7]); end % 簇中心曲线 plot(t, centers(k, :), 'r-', 'LineWidth', 2.5); xlabel('时刻'); ylabel('归一化出力'); title(sprintf('簇%d（样本数：%d）', k, sum(idx == k))); xlim([6, 19]); ylim([0, 1.2]); grid on; hold off; end

运行这段代码后，你应该会看到三个明显的簇：一个中心曲线高且光滑，对应晴天；一个形状相似但带有明显锯齿，对应多云；一个整体低平，对应阴雨。样本叠影图能直观反映每个簇内部的形态一致性。

4.5 PCA降维散点图

高维曲线没法直接画散点图，但可以先用PCA降到前两个主成分，再按簇标签着色，观察聚类在低维空间的分布情况。

%% PCA降维可视化 [coeff, score] = pca(X); figure('Color', 'w', 'Position', [100, 100, 800, 600]); gscatter(score(:, 1), score(:, 2), idx, 'rgb', 'o', 8); xlabel('PC1'); ylabel('PC2'); title('K-means聚类结果的PCA投影'); legend({'簇1', '簇2', '簇3'}); grid on;

如果聚类效果好，你会看到三个点群在低维空间里彼此分离，边界相对清晰。如果散点图上有明显重叠，说明这组聚类结果可能不够稳定，需要重新考虑归一化方式、特征选择或K值。

4.6 快速检验聚类效果的指标

除了可视化，我还会顺手输出一些量化指标，方便写入报告。比如每个簇的样本数占比、簇内平均距离、Davies-Bouldin指数等。轮廓系数前面已经算过，这里补充一个簇内紧密度统计。

%% 聚类效果统计 fprintf('\n===== 聚类结果统计 =====\n'); for k = 1:K samples = X(idx == k, :); center = centers(k, :); dists = sqrt(sum((samples - center).^2, 2)); fprintf('簇%d：样本数=%d，平均欧氏距离=%.4f\n', ... k, size(samples, 1), mean(dists)); end

这段统计的价值在于：如果你发现某个簇样本数极少（比如只有一两条），同时平均距离又特别大，那这个簇很可能是异常值包，K值可能选大了。

5. 聚类结果的判读与实际应用

5.1 怎么给每个簇起名字

聚类算法只负责分组，不负责解释。簇分出来之后，我们得根据簇中心的形态和业务知识，给每个簇赋予一个可理解的名字。

以模拟数据为例，结果很典型：

命名不是随便贴标签，而是要和气象记录做对照验证。如果手头有当天的气象数据（辐照度、云量、降水），可以抽样核对，看聚类结果和气象记录是否吻合。吻合度高说明聚类有效，吻合度低要先检查数据预处理。

5.2 聚类结果怎么反哺业务

拿到了几个簇之后，接下来的应用就有方向感了。

功率预测方面，最直接的做法是“分簇建模”。用天气数值预报数据判断明天大概属于哪个簇（或者计算明天曲线与各簇中心的距离），然后用对应的预测模型做预测。我看到的很多案例里，分簇预测比统一预测的RMSE能降低5%到10%，在极端天气日提升幅度更大。

调度方面，簇中心曲线就是典型出力场景。比如簇3（阴雨）代表低出力，调度系统可以提前规划储能充电策略，而不是当天临时应对。簇2（多云）波动大，就需要更频繁的AGC调节和爬坡备用。

运维方面，把某个电站历史曲线逐日聚类后，如果某天同类曲线较少，可以调出原始数据排查。遇到过的情况是，数据采集器故障导致曲线形态异常，被聚类算法单独分了出来，反而成了故障预警信号。

6. 常见问题与排查技巧实录

6.1 问题速查表

下面这张表是这些年在光伏曲线聚类上踩过的坑，按出现频率排序，对照排查基本能解决大部分问题。

6.2 几个容易忽略的细节

关于归一化的细节再啰嗦一句。不要用全局Min-Max归一化，比如把所有天的曲线除以整个数据集的最大值。这种全局归一化会保留“晴天比阴雨天数值大”的信息，但K-means会优先根据量级分组，而不是形状。光伏聚类的核心是挑形状模式，按天归一化才能把重点放在形态上。

关于聚类的“可解释性”。算法的评价指标再漂亮，如果业务方看不懂每个簇代表什么，项目就很难推进。我每次交付聚类的产出，都会配一张簇中心曲线图和一张典型样本图，用天气场景来解释每个簇的含义。用业务语言翻译算法结果，是这类项目落地的关键步骤。

关于DTW的使用时机。如果样本量不大，比如几百条，在K-means里换成DTW距离矩阵完全可行。MATLAB里可以先算一个DTW距离矩阵，再配合层次聚类或者谱聚类使用。实测在1000条以内数据量上，这种做法的精度提升还挺明显。数据量超过2000条就不建议了，耗时指数级上升，收益反而不明显。

6.3 一个我强烈推荐的小工具

最后分享一个自己一直在用的习惯：聚类跑完别急着走，再做一步“簇中心与真实样本的对比图”。把每个簇的中心曲线和簇内离中心最近、最远的三条样本曲线叠在一起。这张图能快速暴露聚类里的边界问题——如果最远的样本看起来已经非常不像该簇了，说明这个簇太松散了。

这一步不需要写多复杂的代码，就是在前面的叠影图基础上多画几条突出颜色的曲线。但是它对结果判断的帮助非常大，比任何聚类评价指标都直观。我在给电网客户汇报时，也经常直接贴这张图，对方看完基本不需要更多解释就能理解聚类结果。

写在最后的一些体会

这套K-means光伏曲线聚类流程，我在真实电站数据上跑过很多遍。最大的感受是，聚类这门课在学校里学的是算法推导，到了工程里难的是数据预处理和结果解释。同样的代码换个数据集，可能结果就完全不一样，关键还是你对自己手里数据的理解有多深。

如果你手头有真实的光伏数据，我建议拿到数据先做一个全年的日曲线堆叠图，肉眼看完再跑算法。你会发现K-means给你的答案，往往和你第一眼的直觉是吻合的——这个算法最擅长的就是把你能感觉到但说不清的模式，用一条簇中心曲线清晰地表达出来。