1.基于密度峰值-FCM的含气象数据的风光典型场景构造方法，其特征在于，所述风光典型场景构造方法包括以下步骤：S1：获取历史数值天气预报的数据以及风电场和光伏电站的历史年实测出力数据，构造原始的数据集矩阵；S2：采用主成分分析法，对S1中构造的原始数据集矩阵进行降维处理，分别选取对风电场出力影响最大的气候特性指标和对光伏电站出力影响最大的若干气候特性指标，并构建降维后的天气特征矩阵；S3：根据密度峰值优化的模糊C均值聚类算法，对S2中获得的降维后的天气特征矩阵进行聚类处理，具体如下：S3.1：首先，对于风电场和光伏电站降维后的天气特征矩阵，计算出各采样数据点之间的距离矩阵 ，然后计算每一个采样数据点 的局部密度和与高密度点之间的距离： （10） （11）式中， 为数据点的局部密度，其中 ， 为截距； 为数据点与密度较大点间的最小距离；S3.2：以局部密度 为横轴，与高密度点间的距离 为纵轴，构造决策图；根据决策图选择 和 都很大的点作为聚类中心，设DPCA算法所求得的聚类中心数目为 ，聚类中心为 ；S4：根据S3中天气模式识别的结果对历史风电场和光伏电站的日出力数据进行分类，然后再拟合得到不同天气模式下的风、光典型日出力场景。
2.根据权利要求1所述的基于密度峰值-FCM的含气象数据的风光典型场景构造方法，其特征在于，步骤S1中的获取历史数值天气预报的数据以及风电场和光伏电站的历史年实测出力数据，构成数据集矩阵；S1.1：假设共有 个采样点，选取风电场 个特性指标，风电场的数据集矩阵 为： （1）式中， 代表采样个数， 代表特征维数， 表示第 个采样点、第 种风电场特性指标对应的特征数值；S1.2：在同样的 个采样点，选取光伏电站 个特性指标，光伏电站的数据集矩阵 为： （2）式中， 代表采样个数， 代表特征维数， 表示第 个采样点、第 种光伏电站特性指标对应的特征数值。
3.根据权利要求2所述的基于密度峰值-FCM的含气象数据的风光典型场景构造方法，其特征在于，所述风电场和光伏电站的数据集矩阵中的特性指标单位都不同，因此对其进行标准化处理： （3）式中， 代表特征 的第 个采样数据， 代表变量的均值， 代表变量的方差。
4.根据权利要求3所述的基于密度峰值-FCM的含气象数据的风光典型场景构造方法，其特征在于，步骤S2中采用主成分分析法，对S1中风电场和光伏电站的数据集矩阵W和Q进行降维处理，分别选取出对风电场和光伏电站出力影响最为显著的天气特征指标，包括以下步骤；S2.1：计算协方差矩阵 ： （4）矩阵中， ， ， 反映了气象特征指标 与指标 的相关程度；S2.2：计算特征值和特征向量： （5）按照式（5）计算得出协方差矩阵 的特征值 ，对应的特征向量为 ， ，…， ，并得到降维后的数据集矩阵为： （6）式中， 为第1主成分， 为第2主成分， 为第 主成分；S2.3：特征值为 ， ，…， （ ）的累计贡献率为： （7）当累计贡献率 大于0.9时，即选取前 个特征向量 ， ，…， 作为 个主成分，代替原来的 个指标变量进行后续的计算。
5.根据权利要求4所述的基于密度峰值-FCM的含气象数据的风光典型场景构造方法，其特征在于，所述风电场和光伏电站的数据集矩阵W和Q通过主成分分析法处理后，得到的降维天气特征矩阵分别为： （8） （9）
6.根据权利要求5所述的基于密度峰值-FCM的含气象数据的风光典型场景构造方法，其特征在于，步骤S4根据步骤S3中密度峰值算法对数据进行预处理获得的聚类中心数量和聚类中心位置，再采用模糊C均值算法对历史风电场和光伏电站的日出力数据分别进行聚类，然后再排列组合得到不同天气模式下的风、光典型日出力场景；S4.1：初始化参数，根据步骤S3.2结果给定聚类中心初始个数为c，设定模糊权重指数 ，迭代次数 和迭代终止条件 ；S4.2：初始化隶属度矩阵，且隶属度满足归一化条件： （12）S4.3：计算新的聚类中心： （13）S4.4：更新隶属度矩阵： （14）S4.5：计算目标函数： （15）当目标函数 或迭代次数达到最大时，停止迭代，输出聚类结果。
7.根据权利要求6所述的基于密度峰值-FCM的含气象数据的风光典型场景构造方法，其特征在于，设风电场出力数据得到的聚类结果为 ，光伏电站出力数据得到的聚类结果为 ,依据此排列组合得到 种天气模式下电网风电、光伏出力的典型场景集合。
