目前基于相似度的聚类方法对风电出力场景进行聚类划分, 而相似度又大多采用欧式距离长短作为衡量依据, 其结果反映时间序列曲线的幅度大小差异, 未能反映出曲线的形态特征及变化趋势的不同. 本文提出一种基于高斯混合聚类的风电出力场景划分的方法, 即通过属于某一类的概率大小来判断最终的归属类别. 首先根据BIC准则, 肘部法则和轮廓系数分别确定GMM聚类和K-means聚类的最佳数量, 然后以某地区实际风电为研究对象, 提取该地区3年春季风电出力典型场景, 并对这两种聚类结果进行对比分析, 验证本文方法的有效性. 最后通过GMM聚类模型提取该地区各个季节风电出力典型场景.

简单实用的高斯混合聚类算法，适合初学者，方便好用！

高斯混合模型聚类(Gaussian Mixture Mode，GMM)是一种概率式的聚类方法，它假定所有的数据样本x由k个混合多元高斯分布组合成的混合分布生成。 使用场景:用于平坦的结合结构，对密度估计很合适

对西瓜书高斯混合聚类算法的实现，最终实现效果与西瓜书所展示的效果一致(ps:对混合模型的初始化完全按照西瓜书的来，读者可以稍加修改)

包括K-Means，二分K-Means算法，谱聚类算法，高斯混合聚类算法等常用聚类算法实现，并且有注释解释代码、