[发明专利]一种间歇性能源出力不确定性的数学建模方法

权利要求书

1.一种间歇性能源出力不确定性的数学建模方法，其特征在于：包括间歇性能源出力概率分布参数自学习，所述间歇性能源出力概率分布参数自学习包括如下步骤：

步骤1：最大期望算法初始化：采用硬聚类算法求解模型参量初值，初值设定为间歇性能源出力先验分布参数；

步骤2：计算期望：采用间歇性能源出力先验分布参数计算概率；

步骤3：最大化：依据间歇性能源实时数据计算高斯混合模型参量；

步骤4：重复所述步骤2～3直至收敛，更新高斯混合模型参数，得到间歇式能源后验概率分布；所述步骤2中所述概率为p(k|x_i；θ)，所述概率计算公式为：

其中，x为多维随机向量，ω_i为观测数据x_i的权重参量，π_k为第k个高斯分量的权重，μ_k为第k个高斯分量的期望向量，∑_k为第k个高斯分量的协方差矩阵，L为高斯模型维数，GMM参数集为θ＝{π_k,μ_k,∑_k；k＝1,...K}；所述步骤3包括以下计算：

其中，x为多维随机向量，ω_i为观测数据x_i的权重参量，π_k为第k个高斯分量的权重，μ_k为第k个高斯分量的期望向量，∑_k为第k个高斯分量的协方差矩阵，L为高斯模型维数，GMM参数集为θ＝{π_k,μ_k,∑_k；k＝1,...K}；

所述步骤4根据下式进行更新：

其中，α_k为适应系数，γ为归一化系数，为第k个高斯分量的后验权重向量，为第k个高斯分量的后验期望向量，为第k个高斯分量的后验协方差矩阵，为第k个高斯分量的先验期望向量，第k个高斯分量的先验协方差矩阵；所述α_k用于新的估计值与原参数之间的权衡取舍量值，当α_k接近0时，代表实时数据较少，间歇性能源出力概率分布参数主要取决于历史数据；当α_k接近1时，代表实时数据较多，间歇性能源出力概率分布参数主要取决于实时数据。

2.如权利要求1所述的间歇性能源出力不确定性的数学建模方法，其特征在于：所述α_k满足下式：

α_k＝n_k/(n_k+r) (1-15)

其中，r为关联因子，一般取常数，可根据实际应用情况确定到最佳值。