基于核密度估计与分量数缩减的多变量风电高斯混合模型

高斯混合模型（GMM）是电力系统分析中建立随机变量概率分布的有力工具。GMM可以通过增加其高斯分量数量来对任意概率分布进行建模，但常用的期望最大化（EM）算法在分量数较多时无法获得精确的GMM，这限制了GMM在多变量风电建模中的应用。在本文中，提出了一种基于核密度估计（KDE）和改进的保密度层次EM算法的大分量数GMM参数估计方法。随后，基于分段线性化和GMM推导了概率潮流（PPF）计算的闭式解，验证了大分量数的重要性。最后，在实际风速数据上将所提出的不确定性建模方法与基于EM的GMM、Copula函数、KDE、k近邻以及块神经自回归流进行了对比，以验证其在描述风电概率密度细节方面的优越性。进行了PPF计算，以展示所提出的不确定性分析方法的效率和准确性。