根据365天的二维风电出力数据，该数据就是一年8760小时个小时对应的风电出力，拟合出风电出力的高斯混合分布模型，给我他的MATLAB程序

以下是使用MATLAB拟合风电出力的高斯混合分布模型的程序示例：

% 导入数据
data = xlsread('wind_data.xlsx'); % 从Excel文件中读取数据

% 设置模型参数
k = 3; % 高斯分布个数
max_iter = 100; % 最大迭代次数
tol = 1e-6; % 收敛精度

% 初始化模型参数
mu = randn(k, 1); % 高斯分布均值
sigma = randn(k, 1); % 高斯分布标准差
alpha = ones(k, 1) / k; % 高斯分布权重

% EM算法迭代
for iter = 1:max_iter
% E步骤：计算后验概率
p = zeros(size(data, 1), k);
for j = 1:k
p(:, j) = alpha(j) * normpdf(data, mu(j), sigma(j));
end
p = p ./ sum(p, 2);

% M步骤：更新模型参数
alpha = mean(p, 1)';
mu = sum(p .* data, 1)' ./ sum(p, 1)';
sigma = sqrt(sum(p .* (data - mu').^2, 1)' ./ sum(p, 1)');

% 计算对数似然函数值
log_likelihood = sum(log(sum(p .* alpha', 2)));

% 判断是否收敛
if iter > 1 && abs(log_likelihood - prev_log_likelihood) < tol
break;
end
prev_log_likelihood = log_likelihood;
end

% 绘制拟合结果
x = linspace(min(data), max(data), 1000);
y = zeros(size(x));
for j = 1:k
y = y + alpha(j) * normpdf(x, mu(j), sigma(j));
end
figure;
histogram(data, 'Normalization', 'pdf');
hold on;
plot(x, y, 'LineWidth', 2);
xlabel('Wind Power Output (MW)');
ylabel('Probability Density');
legend('Histogram', 'Gaussian Mixture Model');
hold off;

% 输出模型参数
fprintf('Gaussian Mixture Model Parameters:\n');
for j = 1:k
fprintf(' Component %d: mu=%.2f, sigma=%.2f, alpha=%.2f\n', j, mu(j), sigma(j), alpha(j));
end