1.一种基于K-means聚类的区域风光发电资源评估方法，其特征是包括如下步骤：步骤1)利用虚拟发电系统模型预处理原始的风光数据序列，将原始的风速和光照强度数据转换为容量系数；步骤2)构建区域资源协同系数指标，量化不同位置、种类的发电资源间的互补性，并构成新的数据集合；步骤3)利用PCA方法处理新的数据集合，降低新数据集合维度；步骤4)利用K-means聚类方法提取区域风光发电资源的互补性模式，并将结果可视化；步骤2)中，区域资源协同系数指标具体为：其中，C A,B,j,k 为观测点j处资源A与观测点k处资源B间的协同系数；F A,n,j,i 和u A,n,j 为观测点j处资源A的第i个容量系数和平均容量系数；F B,n,k,i 和u B,n,k 为观测点k处资源B的第i个容量系数和平均容量系数；区域资源协同系数指标C A,B,j,k 的取值范围为[0,1]，其量化了观测点j处资源A与观测点k处资源B间的反相关性，即量化了资源的互补性，其值越大，表示资源间的互补性越强；平均容量系数u A,n,j 和u B,n,k 具体为：其中，N为容量系数序列的长度；步骤3)中，PCA方法用于处理由区域资源协同系数指标组成的新数据集合，其具体步骤为：步骤3.1)初始化新数据集合，形成数据集合矩阵D∈R m×m ；步骤3.2)将数据集合矩阵D标准化，形成标准化矩阵F∈R m×m ；步骤3.3)求解标准化矩阵F的相关系数矩阵G∈R m×m ；步骤3.4)求解相关系数矩阵G的m个特征根，确定主成分个数p；步骤3.5)利用主成分矩阵P∈R m×p 表示数据集合，用于K-means聚类分析；步骤3.1)中，针对研究资源种类不同，形成四种数据集合矩阵，分别对应步骤2)中计算区域资源协同系数指标时A和B为风电-光伏、风电-风电、光伏-风电和光伏-光伏，表示不同资源组合间的互补性；步骤3.1)中，m为监测点个数；步骤3.2)中，标准化方法具体为：其中，f ij 为矩阵F中第i行j列的元素，d ij 为矩阵D中第i行j列的元素，u j 表示矩阵D中第j列元素的均值，s j 表示矩阵D中第j列元素的标准差，且i＝1,2,……,mj＝1,2,……,m所述步骤3.3)中，相关系数矩阵求解方法具体为：其中，g ij 为矩阵G中第i行j列的元素，f ik 为矩阵F中第i行k列的元素，f jk 为矩阵F中第i行k列的元素，u i 表示矩阵D中第i列元素的均值，且步骤3.4)中，特征根求解根据特征方程：|G-λE|＝0其中，E为m维单位矩阵，且主成分个数p确定原则为：步骤3.5)中，主成分矩阵求解方法具体为：对每个λ i ，i＝1,2,...,p,解方程组Rb＝λ j b得单位特征向量y j ，则对应的主成分为 其中，p ij 为矩阵P中第i行j列的元素，F i 为矩阵F第i行向量；λ i 为矩阵R的第i个特征值，λ j 为矩阵R的第j个特征值，b为矩阵R的特征向量，b j 为矩阵R的第j个特征向量。
2.如权利要求1所述的基于K-means聚类的区域风光发电资源评估方法，其特征是步骤1)中：风光数据序列为实测或气象再分析风速和光照强度数据；虚拟风光发电系统模型具体为：其中，v w 为风机轮毂高度为风机轮毂高度处的风速，m/s；v m 为测量位置处的风速，m/s；h w 和h m 分别为风机轮毂高度和测量位置高度，m；α为指数系数；P w 为风机输出功率，kW；η w 为风机能量转化效率；P wr 为风机额定功率，kW；v in ，v out 和v r 为风机的切入、切出和额定风速，m/s；G w 为风机的容量系数；H f 为日照强度，W/m 2 ；H STC 为标准测试环境下的日照强度，1000W/m 2 ；P fr 为光伏电池板的额定运行功率，W；P f 为光伏电池板输出功率，W；c 1 为衰减系数；c 2 为温度系数；T f 为光伏电池板温度，℃；T STC 标准测试环境下光伏电池板温度，25℃；T a 为环境温度，℃；H TETC 为温度估计测试状态下的光照强度，800W/m 2 ；T f,TETC 温度估计测试状态下的光伏电池板温度，47℃；T a,TETC 温度估计测试状态下的环境温度，20℃；G f 光伏电池板的容量系数。
3.如权利要求1所述的基于K-means聚类的区域风光发电资源评估方法，其特征是步骤4)中，利用K-means聚类方法处理得到的主成分矩阵P，针对研究资源种类的不同，需处理风电-光伏、风电-风电、光伏-风电和光伏-光伏四种组合的主成分矩阵。
4.如权利要求1所述的基于K-means聚类的区域风光发电资源评估方法，其特征是步骤4)中，K-means聚类方法具体为：步骤4.1)从数据对象中选择k个对象作为初始聚类中心；步骤4.2)计算每个聚类对象到聚类中心的距离来划分；步骤4.3)再次计算每个聚类中心；步骤4.4)达到最大迭代次数或簇中心不再发生变化，则停止，否则，返回并执行步骤4.2)。
5.如权利要求4所述的基于K-means聚类的区域风光发电资源评估方法，其特征是步骤4.1)中，数据对象为m个监测点，数据特征为步骤3)中得到的主成分元素，即将K-means聚类应用于主成分矩阵P；聚类中心个数由用户直接指定，取值范围3-6；步骤4.2)中，距离度量采用l 2 -范数，具体为：dis ij ＝||P i -P j || 2其中，dis ij 为数据对象i和数据对象j间的距离度量，P i 和P j 为主成分矩阵P的第i行和第j行的行向量；每个聚类对象应归属于距离度量最小的聚类中心所表示的类；步骤4.3)中，更新聚类中心时应计算每个类簇的均值，并将得到的均值作为该类簇的中心，具体为：其中,C qj 表示类簇q属性j的集合，cen qj 表示类簇q的中心的第j个属性值，r为类簇q中数据对象的个数。
6.如权利要求1所述的基于K-means聚类的区域风光发电资源评估方法，其特征是步骤4)中，聚类分析结果可视化在经纬度坐标图上进行。
