CN108376262A - 一种风电出力典型特性的分析模型构建方法 - Google Patents

Abstract

本发明公开一种风电出力典型特性的分析模型构建方法，获取原始数据并对数据预处理，采用表征多时空尺度的风电波动性、同时率评价指标对数据进行归一化处理，分段聚合降低维度；基于改进的自适应模糊聚类算法，计算自适应函数α(c)，确定最佳聚类数c，对风电出力特性分类；引入变异离散度系数β_i，剔除风电出力畸变数据；提出分区加权中位值概率估计法，辨识并提取风电出力日典型特性曲线/区间带。本发明对多空间尺度的大规模风电出力特性，月、季度或年多时间尺度的风电出力特性进行分析计算，提取风电出力日典型特性曲线/区间带，使电力运行人员能更好地把握风电出力规律，为电力系统实时调度、调度计划安排、风电场规划及系统备用配置提供技术参考。

Description

一种风电出力典型特性的分析模型构建方法

技术领域

本发明涉及电力系统控制技术领域，尤其涉及一种风电场出力日典型特性曲线/区间带分析模型构建方法。

背景技术

随着风力发电技术的发展，风力发电是目前世界上发展最快的可再生能源，装机容量在电网中所占比逐日俱增,风电出力具有间歇性和随机性，与负荷需求不同步、反调峰的特点，风电大规模并网对电网产生的影响也越来越明显，例如对电网安全稳定、风电送出、调频调峰、电能质量、备用安排、运行单位众多、协调困难等问题的影响,不仅影响到电网的安全运行,也限制了电网接纳风电的能力，导致弃风量进一步增大，造成能源浪费。

由于风电出力的间歇性不确定性，风电出力特性与负荷需求不一样，采用常规出力指标(日最大值/最小值、日平均值、日峰谷差、日峰谷差率等)难以直观得到风电出力特性曲线的大概轮廓。而风电出力特性的评价指标体系是风电并网研究的基础，目前风电出力特性的研究大多为定性分析，缺乏系统性的风电出力特性指标体系，从而导致难以深入掌握大规模风电出力的规律和典型特性，缺少对风电场出力典型特性模型构建方法,导致电力工作者无法更好地把握风电出力规律，电力系统实时调度、调度计划安排、风电场规划及系统备用配置缺失依据标准。

发明内容

本发明的目的在于提供一种风电出力典型特性的分析模型构建方法，综合考虑了风电出力的不确定性，波动性及随机性等不同表现形式，更益于识别风电出力日典型特性，保留了风电出力波动过程的完整性与连续性，协助电力工作者更好地把握风电出力规律，为电力系统实时调度、调度计划安排、风电场规划及系统备用配置提供技术参考。

为实现上述目的，本发明的技术方案为：一种风电出力典型特性的分析模型构建方法，所述构建方法包括以下步骤：

1)获取风电出力的样本数据，计算风电出力特性评价指标及空间特性指标并对其进行归一化处理；

2)依据电价表的峰平谷时段，对风电出力的样本数据分段聚合降维处理；

3)对分段后的数据集，初始化模糊聚类算法的参数，获得初始聚类中心和模糊矩阵；

4)根据聚类数的自适应函数α(c)，迭代计算，找出最大的α(c)，获得最佳模糊聚类数c；

5)根据最佳模糊聚类数，获得样本数据的模糊离散度及变异系数倒数，并计算出样本数据的变异离散度系数β_i；

6)根据变异离散度系数β_i，设选出当|β_i|＞ε时的样本，得到畸变样本数据i，删除畸变样本数据；

7)对删除畸变样本数据后的风电出力数据，采用分区加权中位值概率估计法，获取各采样点的典型特性点，获得风电出力日典型特性曲线；

8)计算j采样点的风电出力值p_w,j与典型特性点值p_c,j的差值，记为差值p_w-c,j，再计算j采样点风电出力日典型特性区间带的上界p_up,j和下界p_down,j，获得j采样点的典型特性区间带，然后获得风电出力日典型特性区间带。

如上所述的一种风电出力典型特性的分析模型构建方法，所述步骤1)中，特性评价指标为波动性指标，波动性指标获取的方法为，获取风电出力变化率：风电出力变化即相隔某一时段的两个点出力之差占风电总装机容量的百分比：

其中：P(t+T)、P(t)为t+T、t时刻的风电出力；P_total为风电的总装机容量；

一段时间内风电的波动率为：

其中，n表示采样点的个数。风电出力波动性按时间尺度划分，有秒级、分钟级、小时级波动；按空间尺度划分有单台风电机组、风电场/群、区域波动等。风电波动率反映了风功率变化的不平稳程度，数值越大，则其平稳性越差，数值越小，则其平稳性越好，当E(t)为0时风功率最为平稳，此时风电出力大小保持不变。

如上所述的一种风电出力典型特性的分析模型构建方法，所述步骤1)中，空间特性指标为同时率，同时率为统计时段内多个风电场有功功率和总额定容量之比，用于确定区域电网的风电接纳能力，同时率的确定公式为：

其中：P_imax为第i个风电场或第i日风电出力最大值；P_iN为风电并网装机容量；

风电出力同时率反映各风电场间或同一风电场各天间出力是否同步增加或减小，同时率越高，风电系统对电网的影响越大。

所述步骤1)中，归一化处理方式为样本数据原值减去均值除以标准差，表示为

如上所述的一种风电出力典型特性的分析模型构建方法，所述步骤2)中，风电出力的样本数据分段聚合降维处理方式为采用低维度数据近似表示高维度数据的基本形态，对于一个长度为n的风电数据，将其划分为若干段长度为m的风电数据，通过将长度为n的风电数据转变为长度为m的风电数据，实现数据降维。

如上所述的一种风电出力典型特性的分析模型构建方法，所述步骤3)中，模糊聚类算法是将给定的有限数据对象集合X＝{x₁,x₂,...,x_n}，x_i∈R^s，数据集合中每个样本是s维向量，把数据对象聚合成c类，各聚类中心向量矩阵为V＝{v₁,v₂,...,v_c}，v_j∈R^s，引入一个模糊划分隶属度矩阵(u_ij)_c×n，采用模糊划分表示各样本属于各聚类中心(v_ij)_s×c的程度，经过迭代计算使目标函数最小，隶属度U^(k)和聚类中心矩阵V^(k+1)确定公式分别为：

其中，q∈{1,+∞}为模糊权重因子，控制分类隶属度矩阵的模糊度，q越大分类的模糊度越高。

如上所述的一种风电出力典型特性的分析模型构建方法，所述步骤4)中，自适应函数α(c)确定公式为：

对分段后的数据集，初始化模糊聚类算法的参数，c＝2,求出初始聚类中心和模糊矩阵。计算自适应函数α(c)，通过返回c，如果c＜c_max，则c＝c+1返回所述步骤3，若干次迭代计算，找出最大的α(c)，与之对应有聚类数即为最佳模糊聚类数c。应用模糊聚类算法对给定的数据集进行聚类分析时，关键是样本集的最佳聚类数c的选取和模糊权重因子q的确定。

基于“聚类的目的是将数据分类，并尽量使类间距离d₁尽可能的大，而类内数据点距离d₂尽可能的小”的基本思想，引入聚类数的自适应函数α(c)，根据迭代计算结果，找到最大的α(c)，返回最佳聚类数c，且当样本数为n时则最佳聚类数的选择范围为模糊权重因子值的选取直接决定分类结果的模糊性，数据集的划分尽可能分明，且聚类结果不能太模糊，即划分模糊度不能太高，优选的，取模糊权重因子值q＝2。

如上所述的一种风电出力典型特性的分析模型构建方法，所述步骤5)中，模糊离散度系数β_i确定公式为：

β_i＝QF(a_i)QP(a_i)

其中，QF(a_i)为变异系数倒数，QP(a_i)为模糊离散度，分别表示为：

其中：u_i,j是第j类中第i个元素的隶属度，d_i,j是第j类中第i个元素到该聚类中心的距离，σ为模糊距离的标准差，D_i,k为样本i与其它样本k的模糊距离：D_i,k＝|(u_i,j)²(d_i,j)²-(u_k,j)²(d_k,j)²|。为了检测不良数据，剔除异常数据，变异离散度系数β_i较大的样本数据说明是与数据特性具有弱相关性或者无相关的数据，将此数据样本删除。与聚类中心的远近用模糊离散度QP(a_i)表征，不稳定性用变异系数倒数QF(a_i)表征。畸变数据存在会导致模糊距离和模糊离散度增大，在各类中，所有异常点都是到聚类中心最远和相对不稳定的点，从而根据计算的β_i值可以检测出畸变样本数据。

如上所述的一种风电出力典型特性的分析模型构建方法，所述步骤7)中，采用分区加权中位值的概率统计法，计算出采样点的典型特性点，分区加权中位值的概率统计法表达式为：

其中，N为区间数；Median(p_w,i,max,p_w,i,min)为第i区间采样点的中位值；p_w,i,max为i区间采样点的最大值；p_w,i,min为i区间采样点的最小值；pr_i,j为采样点分布在i区间内的概率。

如上所述的一种风电出力典型特性的分析模型构建方法，所述步骤8)中，j采样点差值p_w-c,j为：

p_w-c,j＝p_w,j-p_c,j

j采样点风电出力日典型特性区间带上界p_up,j和下界p_down,j为：

其中：N⁺、N^-分别为差值大于零、小于零的区间数，且存在N⁺+N^-＝N；分别为i区间差值大于零、小于零的中位值；分别为差值在i区间大于零、小于零的概率，依次计算各采样点的区间带，获得风电出力日典型特性区间带。

本发明具有如下优点：与现有技术相比，综合考虑了风电出力的不确定性，波动性及随机性等不同表现形式，更益于识别风电出力日典型特性，保留了风电出力波动过程的完整性与连续性；提取风电出力日典型特性区间带来近似表征一定时间段的风电场/群出力特性，与单根风电出力日典型特性曲线对比，可以更好地表征多时空尺度的风电出力日典型特性，能够协助电力工作者更好地把握风电出力规律，为电力系统实时调度、调度计划安排、风电场规划及系统备用配置提供技术参考。

附图说明

图1为风电出力典型特性的分析模型构建方法流程示意图；

图2为本发明实施例中负荷峰段时风电出力的聚类分布及各天的变异离散度系数示意图；

图3为本发明实施例中负荷谷段时风电出力的聚类分布及各天的变异离散度系数示意图；

图4为本发明实施例中负荷平段时风电出力的聚类分布及各天的变异离散度系数示意图；

图5为本发明实施例中峰段(19:30-00:30)风电出力分类结果示意图；

图6为本发明实施例中1月份风电出力日典型特性曲线图；

图7为本发明实施例中风电出力日典型特性区间带示意图；

图8为本发明实施例中风电出力曲线比较图。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

一种风电出力典型特性的分析模型构建方法，所述构建方法包括以下步骤：

1)获取风电出力的样本数据，计算风电出力特性评价指标及空间特性指标并对其进行归一化处理；

2)依据电价表的峰平谷时段，对风电出力的样本数据分段聚合降维处理；

3)对分段后的数据集，初始化模糊聚类算法的参数，获得初始聚类中心和模糊矩阵；

4)根据聚类数的自适应函数α(c)，迭代计算，找出最大的α(c)，获得最佳模糊聚类数c；

5)根据最佳模糊聚类数，获得样本数据的模糊离散度及变异系数倒数，并计算出样本数据的变异离散度系数β_i；

6)根据变异离散度系数β_i，设选出当|β_i|＞ε时的样本，得到畸变样本数据i，删除畸变样本数据；

7)对删除畸变样本数据后的风电出力数据，采用分区加权中位值概率估计法，获取各采样点的典型特性点，获得风电出力日典型特性曲线；

8)计算j采样点的风电出力值p_w,j与典型特性点值p_c,j的差值，记为差值p_w-c,j，再计算j采样点风电出力日典型特性区间带的上界p_up,j和下界p_down,j，获得j采样点的典型特性区间带，然后获得风电出力日典型特性区间带。

风电出力典型特性的分析模型构建方法的一个实施例中，所述步骤1)中，特性评价指标为波动性指标，波动性指标获取的方法为，获取风电出力变化率：风电出力变化即相隔某一时段的两个点出力之差占风电总装机容量的百分比：

其中：P(t+T)、P(t)为t+T、t时刻的风电出力；P_total为风电的总装机容量；

一段时间内风电的波动率为：

其中，n表示采样点的个数。风电出力波动性按时间尺度划分，有秒级、分钟级、小时级波动；按空间尺度划分有单台风电机组、风电场/群、区域波动等。风电波动率反映了风功率变化的不平稳程度，数值越大，则其平稳性越差，数值越小，则其平稳性越好，当E(t)为0时风功率最为平稳，此时风电出力大小保持不变。

风电出力典型特性的分析模型构建方法的一个实施例中，所述步骤1)中，空间特性指标为同时率，同时率为统计时段内多个风电场有功功率和总额定容量之比，用于确定区域电网的风电接纳能力，同时率的确定公式为：

其中：P_imax为第i个风电场或第i日风电出力最大值；P_iN为风电并网装机容量；风电出力同时率反映各风电场间或同一风电场各天间出力是否同步增加或减小，同时率越高，风电系统对电网的影响越大。

所述步骤1)中，归一化处理方式为样本数据原值减去均值除以标准差，表示为

风电出力典型特性的分析模型构建方法的一个实施例中，所述步骤2)中，风电出力的样本数据分段聚合降维处理方式为采用低维度数据近似表示高维度数据的基本形态，对于一个长度为n的风电数据，将其划分为若干段长度为m的风电数据，通过将长度为n的风电数据转变为长度为m的风电数据，实现数据降维。

风电出力典型特性的分析模型构建方法的一个实施例中，所述步骤3)中，模糊聚类算法是将给定的有限数据对象集合X＝{x₁,x₂,...,x_n}，x_i∈R^s，数据集合中每个样本是s维向量，把数据对象聚合成c类，各聚类中心向量矩阵为V＝{v₁,v₂,...,v_c}，v_j∈R^s，引入一个模糊划分隶属度矩阵(u_ij)_c×n，采用模糊划分表示各样本属于各聚类中心(v_ij)_s×c的程度，经过迭代计算使目标函数最小，隶属度U^(k)和聚类中心矩阵V^(k+1)确定公式分别为：

其中，q∈{1,+∞}为模糊权重因子，控制分类隶属度矩阵的模糊度，q越大分类的模糊度越高。

风电出力典型特性的分析模型构建方法的一个实施例中，所述步骤4)中，自适应函数α(c)确定公式为：

对分段后的数据集，初始化模糊聚类算法的参数，c＝2,求出初始聚类中心和模糊矩阵。计算自适应函数α(c)，通过返回c，如果c＜c_max，则c＝c+1返回所述步骤3，若干次迭代计算，找出最大的α(c)，与之对应有聚类数即为最佳模糊聚类数c。应用模糊聚类算法对给定的数据集进行聚类分析时，关键是样本集的最佳聚类数c的选取和模糊权重因子q的确定。

基于“聚类的目的是将数据分类，并尽量使类间距离d1尽可能的大，而类内数据点距离d₂尽可能的小”的基本思想，引入聚类数的自适应函数α(c)，根据迭代计算结果，找到最大的α(c)，返回最佳聚类数c，且当样本数为n时则最佳聚类数的选择范围为模糊权重因子值的选取直接决定分类结果的模糊性，数据集的划分尽可能分明，且聚类结果不能太模糊，即划分模糊度不能太高，本实施例中模糊权重因子q＝2。

风电出力典型特性的分析模型构建方法的一个实施例中，所述步骤5)中，模糊离散度系数β_i确定公式为：

β_i＝QF(a_i)QP(a_i)

其中，QF(a_i)为变异系数倒数，QP(a_i)为模糊离散度，分别表示为：

其中：u_i,j是第j类中第i个元素的隶属度，d_i,j是第j类中第i个元素到该聚类中心的距离，σ为模糊距离的标准差，D_i,k为样本i与其它样本k的模糊距离：D_i,k＝|(u_i,j)²(d_i,j)²-(u_k,j)²(d_k,j)²|。为了检测不良数据，剔除异常数据，变异离散度系数β_i较大的样本数据说明是与数据特性具有弱相关性或者无相关的数据，将此数据样本删除。与聚类中心的远近用模糊离散度QP(a_i)表征，不稳定性用变异系数倒数QF(a_i)表征。畸变数据存在会导致模糊距离和模糊离散度增大，在各类中，所有异常点都是到聚类中心最远和相对不稳定的点，从而根据计算的β_i值可以检测出畸变样本数据。

风电出力典型特性的分析模型构建方法的一个实施例中，所述步骤7)中，采用分区加权中位值的概率统计法，计算出采样点的典型特性点，分区加权中位值的概率统计法表达式为：

其中，N为区间数；Median(p_w,i,max,p_w,i,min)为第i区间采样点的中位值；p_w,i,max为i区间采样点的最大值；p_w,i,min为i区间采样点的最小值；pr_i,j为采样点分布在i区间内的概率。

风电出力典型特性的分析模型构建方法的一个实施例中，所述步骤8)中，j采样点差值p_w-c,j为：

p_w-c,j＝p_w,j-p_c,j

j采样点风电出力日典型特性区间带上界p_up,j和下界p_down,j为：

其中：N⁺、N^-分别为差值大于零、小于零的区间数，且存在N⁺+N^-＝N；分别为i区间差值大于零、小于零的中位值；分别为差值在i区间大于零、小于零的概率，依次计算各采样点的区间带，获得风电出力日典型特性区间带。

以下结合新疆地区2015年冬季1月份的风电出力数据通过本发明方法构建风电出力典型特性的分析模型为例对本发明进一步说明。

新疆地区冬季时间长，冬季供热负荷大、供热机组多，调峰灵活性差，冬季新疆风电出力又较大，导致新疆电网消纳不了全部风电，需要弃风处理。本实施例针对新疆乌鲁木齐电网2015年冬季1月份的风电出力数据，以5分钟为一个采样点，每天采样点数为288个，共计8928个数据样本，应用MATLAB软件编写程序计算分析风电出力典型特性。

风电出力随机强，规律性不强，不好对风电出力区间划分，但负荷波动性具有较强的峰平谷规律性，根据国家电网公司新疆电力公司公布的乌鲁木齐最新电价表中的峰平谷时段，如表1所示，将风电出力区间按五个时间段划分，分别称为峰段、谷段及平段。

表1乌鲁木齐负荷峰平谷时段表

依据2015年1月份31天达坂城地区风电出力数据，按风电的同时率及波动率对风电出力进行归一化处理，再进行分段聚合降维近似，对各段的聚类数c初值选为2，模糊权重因子值q取2，计算自适应函数α(c)，返回各时段的最优聚类数：峰段最优聚类数为5、谷段最优聚类数为4、平段最优聚类数为2和5。风电出力在各峰段、谷段及平段的聚类分布及变异离散度系数如图2、3、4所示，依据变异离散度系数可确定畸变数据。

根据计算的变异离散度系数β_i如图2、3、4右侧，图中的直线为ε，当的数据为畸变数据，将其剔除。从各天的变异离散度系数可知：风电出力在峰段10:00-13:00畸变数据为第2、8、13、14、23五天，在峰段19:30-00:30畸变数据为7、8两天；风电出力在谷段00:35-8:30畸变数据为8、10、11、21、24、27六天；风电出力在平段08:35-09:55畸变数据为15号一天，在平段13:05-19:25畸变数据为7、9、12、19、24五天。

风电出力在峰段19:30-00:30的最优聚类数为5，畸变数据为7、8两天，将其剔除，将此时间段内29天风电出力分类，结果如图5所示(其余各时段的分类结果略)。可见按本方法分类的各类别风电出力形态具有较明显的特征。

计算出剔除畸变数据后各采样点的典型特性点，得到风电出力日典型特性曲线如图6所示。基于风电出力日典型特性曲线，计算每天的各采样点风电出力与风电出力日典型特性点的差值，计算各采样点风电出力日典型特性区间带的上界p_up,j和下界p_down,j，获得表征月风电出力日典型特性区间带如图7所示。将1月份31天风电出力及表征该月风电出力日典型特性区间带的对比如图8所示，可见本发明的方法计算分析典型特性区间带可以较好地表征风电出力特性。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (9)

1.一种风电出力典型特性的分析模型构建方法，其特征在于，所述构建方法包括以下步骤：

1)获取风电出力的样本数据，计算风电出力特性评价指标及空间特性指标并对其进行归一化处理；

2)依据电价表的峰平谷时段，对风电出力的样本数据分段聚合降维处理；

3)对分段后的数据集，初始化模糊聚类算法的参数，获得初始聚类中心和模糊矩阵；

4)根据聚类数的自适应函数α(c)，迭代计算，找出最大的α(c)，获得最佳模糊聚类数c；

5)根据最佳模糊聚类数，获得样本数据的模糊离散度及变异系数倒数，并计算出样本数据的变异离散度系数β_i；

6)根据变异离散度系数β_i，设选出当|β_i|＞ε时的样本，得到畸变样本数据i，删除畸变样本数据；

7)对删除畸变样本数据后的风电出力数据，采用分区加权中位值概率估计法，获取各采样点的典型特性点，获得风电出力日典型特性曲线；

8)计算j采样点的风电出力值p_w,j与典型特性点值p_c,j的差值，记为差值p_w-c,j，再计算j采样点风电出力日典型特性区间带的上界p_up,j和下界p_down,j，获得j采样点的典型特性区间带，然后获得风电出力日典型特性区间带。

2.根据权利要求1所述的一种风电出力典型特性的分析模型构建方法，其特征在于，所述步骤1)中，特性评价指标为波动性指标，波动性指标获取的方法为，获取风电出力变化率：风电出力变化即相隔某一时段的两个点出力之差占风电总装机容量的百分比：

其中：P(t+T)、P(t)为t+T、t时刻的风电出力；P_total为风电的总装机容量；

一段时间内风电的波动率为：

其中，n表示采样点的个数。

3.根据权利要求1所述的一种风电出力典型特性的分析模型构建方法，其特征在于，所述步骤1)中，空间特性指标为同时率，同时率为统计时段内多个风电场有功功率和总额定容量之比，用于确定区域电网的风电接纳能力，同时率的确定公式为：

其中：P_imax为第i个风电场或第i日风电出力最大值；P_iN为风电并网装机容量；

所述步骤1)中，归一化处理方式为样本数据原值减去均值除以标准差，表示为

4.根据权利要求1所述的一种风电出力典型特性的分析模型构建方法，其特征在于，所述步骤2)中，风电出力的样本数据分段聚合降维处理方式为采用低维度数据近似表示高维度数据的基本形态，对于一个长度为n的风电数据，将其划分为若干段长度为m的风电数据，通过将长度为n的风电数据转变为长度为m的风电数据，实现数据降维。

5.根据权利要求1所述的一种风电出力典型特性的分析模型构建方法，其特征在于，所述步骤3)中，模糊聚类算法是将给定的有限数据对象集合X＝{x₁,x₂,...,x_n}，x_i∈R^s，数据集合中每个样本是s维向量，把数据对象聚合成c类，各聚类中心向量矩阵为V＝{v₁,v₂,...,v_c}，v_j∈R^s，引入一个模糊划分隶属度矩阵(u_ij)_c×n，采用模糊划分表示各样本属于各聚类中心(v_ij)_s×c的程度，经过迭代计算使目标函数最小，隶属度U^(k)和聚类中心矩阵V^(k+1)确定公式分别为：

其中，q∈{1,+∞}为模糊权重因子，控制分类隶属度矩阵的模糊度，q越大分类的模糊度越高。

6.根据权利要求1所述的一种风电出力典型特性的分析模型构建方法，其特征在于，所述步骤4)中，自适应函数α(c)确定公式为：

计算自适应函数α(c)，通过返回c，如果c＜c_max，则c＝c+1返回所述步骤3，若干次迭代计算，找出最大的α(c)，与之对应有聚类数即为最佳模糊聚类数c。

7.根据权利要求1所述的一种风电出力典型特性的分析模型构建方法，其特征在于，所述步骤5)中，模糊离散度系数β_i确定公式为：

β_i＝QF(a_i)QP(a_i)

其中，QF(a_i)为变异系数倒数，QP(a_i)为模糊离散度，分别表示为：

其中：u_i,j是第j类中第i个元素的隶属度，d_i,j是第j类中第i个元素到该聚类中心的距离，σ为模糊距离的标准差，D_i,k为样本i与其它样本k的模糊距离：D_i,k＝|(u_i,j)²(d_i,j)²-(u_k,j)²(d_k,j)²|。

8.根据权利要求1所述的一种风电出力典型特性的分析模型构建方法，其特征在于，所述步骤7)中，采用分区加权中位值的概率统计法，计算出采样点的典型特性点，分区加权中位值的概率统计法表达式为：

其中，N为区间数；Median(p_w,i,max,p_w,i,min)为第i区间采样点的中位值；p_w,i,max为i区间采样点的最大值；p_w,i,min为i区间采样点的最小值；pr_i,j为采样点分布在i区间内的概率。

9.根据权利要求1所述的一种风电出力典型特性的分析模型构建方法，其特征在于，所述步骤8)中，j采样点差值p_w-c,j为：

p_w-c,j＝p_w,j-p_c,j

j采样点风电出力日典型特性区间带上界p_up,j和下界p_down,j为：

其中：N⁺、N^-分别为差值大于零、小于零的区间数，且存在N⁺+N^-＝N；分别为i区间差值大于零、小于零的中位值；分别为差值在i区间大于零、小于零的概率，依次计算各采样点的区间带，获得风电出力日典型特性区间带。