1.一种基于高维数据聚类的概率最优潮流计算方法，其特征在于，包括以下步骤：步骤1：获得电力网络中有关风电出力、光伏出力、负荷的随机变量数据，组成n维样本数据集D＝{x1,x2,...,xm}；

步骤2：根据k近邻算法对数据集D进行处理，计算数据集中各数据点的近邻子集Ni(xi)，得到数据集中每个数据的强相关性近邻集合N＝{N1(x1),N2(x2),...,Nm(xm)}；

步骤3：计算协方差矩阵cov(Ni(xi))，并对其进行特征值分解，得到特征值向量集合αi＝{αi1,αi2,...,αin}；将各近邻子集Ni(xi)的特征值向量集合按大小排序；降维后的维度n′由主成份比重阈值ρ来决定，假设m个特征值为λ1≥λ2≥...≥λm，则n′由下式得到，ρ取值

0.8；

步骤4：将前n′个特征向量组成各近邻子集对应的特征向量矩阵Wi＝{α′i1,α′i2,...,α′in′}；通过zi＝WiTxi映射将样本数据集D转换为新的样本数据集D′＝{z1,z2,...,zm}；

步骤5：根据数据集D′的近邻集合所提供的信息，计算D′中任意两数据点zj、zk的非对称Rank-order距离，计算公式如下：式中， 代表zj的第i个最近的近邻点， 代表zk是在zj的邻接点列表中的位次；

l(zj,zk)的大小决定了zj、zk两点的最近邻接点的相似度；

利用式(3)得到对称且归一化的Rank-order距离rl(zj,zk)从而得到邻接矩阵R如式(4)所示：

步骤6：已知邻接矩阵R，应用谱聚类进行聚类分析，聚类结果对应原始风光、负荷数据集D中样本所属类簇；设聚类结果类簇个数为K，提取各类簇的中心点作为代表点，如式(5)所示：式中，k＝1,2,...,K；Gk代表聚类所得的第k个类簇，xs表示类簇s中的样本； 代表第k个类簇中数据的个数；

步骤7：将步骤6得到的风光、负荷数据代表点yi∈{y1,y2,...,yK}作为优化问题的状态变量，以电力网络中发电机运行成本最小为优化目标，建立概率最优潮流的数学模型；

步骤8：采用人工蜂群算法对概率优化问题求取最优解Fi，Fi中包含发电机运行成本、发电机出力、节点电压和变压器变比信息；得到与风光、负荷数据代表{y1,y2,...,yK}相对应的概率最优解集为{F1,F2,...,FK}；

步骤9：对概率最优潮流计算的最优解集{F1,F2,...,FK}，求取期望、方差等概率统计数据。