Two non-parametric models, namely the non-parametric kernel density (NP-KD) and non-parametric JW (NP-JW) models, are proposed for joint probabilistic modeling of wind speed and direction distributions. In the NP-KD model, a novel bivariate kernel density function, which could consider the characteristics of both wind direction (angular) and speed (linear) data, is firstly constructed and the optimal bandwidth is selected globally through two cross-validation (CV) methods. In the NP-JW model, the univariate Gaussian and von Mises kernel density functions are, respectively, utilized to fit the wind speed and direction data. The estimated wind speed and direction distributions are used to form the joint distribution according to the JW model. Several classical parametric models, including the AG, Weibull, Rayleigh, JW-TNW and JW-FMN models, are also introduced in order for comparisons with the proposed non-parametric models. By conducting various tests on the real hourly wind speed and direction data, the goodness of fit of both parametric and non-parametric models is compared and evaluated in detail. It is shown that the non-parametric models (NP-KD, NP-JW) generally outperform the parametric models (AG,Weibull, Rayleigh,JW-TNW,JW-FMN) and have more robust performance in fitting the joint speed and direction distributions. Among the two non-parametric models, the NP-KD model has better performance in fitting joint distribution, while the NP-JW model has higher accuracy in fitting the marginal speed (or direction) distributions.

针对风速和风向分布的联合概率模型，提出了两种非参数模型，即非参数核密度（NP-KD）和非参数JW（NP-JW）模型。在NP-KD模型中，首先构造了一个新的双变量核密度函数，该函数同时考虑了风向（角度）和速度（线性）数据的特征，并通过两次交叉验证（CV）全局选择了最佳带宽。 ） 方法。在NP-JW模型中，分别使用单变量高斯和冯·米塞斯核密度函数拟合风速和风向数据。根据JW模型，估计的风速和风向分布用于形成联合分布。几个经典的参数模型，包括AG，Weibull，Rayleigh，JW-TNW和JW-FMN模型，为了与所提出的非参数模型进行比较，还介绍了这些方法。通过对实际的每小时风速和风向数据进行各种测试，可以对参数模型和非参数模型的拟合优度进行比较和详细评估。结果表明，非参数模型（NP-KD，NP-JW）通常优于参数模型（AG，Weibull，Rayleigh，JW-TNW，JW-FMN），并且在拟合关节速度和方向方面具有更强大的性能。分布。在这两个非参数模型中，NP-KD模型在拟合关节分布方面具有更好的性能，而NP-JW模型在拟合边际速度（或方向）分布方面具有更高的精度。比较并评估了参数模型和非参数模型的拟合优度。结果表明，非参数模型（NP-KD，NP-JW）通常优于参数模型（AG，Weibull，Rayleigh，JW-TNW，JW-FMN），并且在拟合关节速度和方向方面具有更强大的性能。分布。在这两个非参数模型中，NP-KD模型在拟合关节分布方面具有更好的性能，而NP-JW模型在拟合边际速度（或方向）分布方面具有更高的精度。比较并评估了参数模型和非参数模型的拟合优度。结果表明，非参数模型（NP-KD，NP-JW）通常优于参数模型（AG，Weibull，Rayleigh，JW-TNW，JW-FMN），并且在拟合关节速度和方向方面具有更强大的性能。分布。在这两个非参数模型中，NP-KD模型在拟合关节分布方面具有更好的性能，而NP-JW模型在拟合边际速度（或方向）分布方面具有更高的精度。JW-FMN），并且在拟合关节速度和方向分布方面具有更强大的性能。在这两个非参数模型中，NP-KD模型在拟合关节分布方面具有更好的性能，而NP-JW模型在拟合边际速度（或方向）分布方面具有更高的精度。JW-FMN），并且在拟合关节速度和方向分布方面具有更强大的性能。在这两个非参数模型中，NP-KD模型在拟合关节分布方面具有更好的性能，而NP-JW模型在拟合边际速度（或方向）分布方面具有更高的精度。