Copula+K-means：风光出力场景生成与削减实战方案

风电和光伏出力的随机性，一直是电力系统规划、调度和储能配置里最让人头疼的部分。每次有刚入行的朋友问我“风光不确定性到底怎么建模”，我第一反应都是：别再用一个典型日代表一整年了，“看天吃饭”的东西用一个点根本扛不住后续分析。做新能源消纳、微电网调度、储能容量优化这类课题，几乎都绕不开“场景生成与削减”。这篇文章把我实际项目里用的框架整理出来——用 Copula 理论刻画风光出力之间的相关性，再通过 K-means 聚类把成千上万个场景压缩成几个典型场景，兼顾精度和计算效率。原理、代码骨架、参数设置、踩过的坑都会提到，给正在做相关方向的同行一个可以直接参考的完整思路。

1. 场景方法的基本逻辑

1.1 场景方法解决的是什么问题

电力系统里的风光出力，本质上是一个随机过程。今天测到风速 5m/s，明天可能是 2m/s 也可能是 9m/s；辐照度更是受云层、季节、昼夜影响，波动幅度比风速还大。这种不确定性让规划人员和调度人员很尴尬：不能把 8760 个小时的出力数据全部塞进优化模型里，那样问题规模会爆炸；也不能拍脑袋取一个“平均出力”，那会严重低估极端情况的风险。

场景方法就是把“不确定性”转成“一组离散的可能性”。假设明天有 1000 种可能的风光出力组合，每种都带一个出现概率，那后续的优化模型就可以把这些场景作为输入，去计算期望成本、风险指标或者最恶劣情况下的应对策略。这个过程分两步：先生成大量原始场景，充分覆盖可能的出力区间；再削减成少量代表性场景，让计算规模可控。

这里有个常见误区：很多人以为场景削减就是“取平均值”。其实不是。削减的目的是在保留原始场景集统计特征（均值、方差、相关性、尾部行为）的前提下，用尽量少的场景去近似它。K-means 聚类在这里扮演的角色，就是把相似的场景归为一类，用每个类的中心点替代这一类里的所有成员。

1.2 生成和削减为什么要配合使用

只生成不削减，数学上没问题，工程上不可行。1000 个场景意味着后续的随机优化模型变量数扩大 1000 倍，很多实际规模的问题根本解不动，尤其混合整数规划。只削减不生成也不行，因为历史数据数量有限，而且只代表过去已经发生的情况，可能漏掉很多“虽然没有发生过、但完全有可能出现”的场景。

Copula 生成和 K-means 削減是流水线关系：Copula 负责“扩样本”，把历史数据里隐含的相关结构提取出来，再生成大量新样本；K-means 负责“压规模”，把生成的大样本集压缩回可计算的规模。这两步各管一段，配合好了，得到的典型场景既保留了相关性特征，又能塞进优化模型里解。

在项目里我通常生成 1000~2000 个原始场景，再削减到 5~10 个典型场景。这个规模对随机规划、机会约束规划都算友好，而且典型场景带上概率后，目标函数的期望计算变得很直接。

1.3 典型应用方向

场景生成与削减的应用方向很广，常见的有：

• 风电场、光伏电站的出力场景预测，作为随机调度的输入。
• 储能容量配置中，用典型场景计算系统全年运行成本和弃风弃光率。
• 微电网日前调度，用场景集描述次日风光出力不确定性，再配合预测控制做滚动优化。
• 输电网概率潮流分析，用典型场景代替蒙特卡洛抽样的海量样本。
• 电力市场下新能源报价策略的风险评估。

这套方法在学术界和工程界都已经很成熟了，核心差别就在于“生成质量”和“削减效率”的平衡，后面的 Copula 和 K-means 正是解决这两个问题的关键。

2. Copula 理论的正确打开方式

2.1 Sklar 定理与“边缘-相关”解耦

Copula 的核心思想可以用 Sklar 定理一句话概括：任意一个多维联合分布，都可以分解成两部分——每个变量自己的边缘分布，以及一个描述变量之间关联结构的 Copula 函数。数学上写作：

F(x, y) = C(F_X(x), F_Y(y))

其中 F_X、F_Y 分别是风速和辐照度的边缘累积分布函数，C 是 Copula 函数。这个分解的精妙之处在于：把“单个变量的分布形态”和“变量之间的相关关系”完全解耦了。

换句话说，我们可以先分别给风速和辐照度建一个分布模型，比如风速用威布尔分布、辐照度用 Beta 分布，然后再单独回答一个问题：“风速高的时候，辐照度是偏高还是偏低？极端情况下呢？”这两个问题分开处理，比直接拟合一个二维联合分布简单得多。直接拟合二维分布的问题在于，现实中很难找到一种已知分布能同时拟合出“风速偏态 + 辐照度双峰 + 特殊尾部相关”这些特征，但 Copula 可以自由组合边缘分布和连接结构。

用一个生活类比：Copula 就像给两个独立零件配的“连接件”。你手里有一根按照满足特定分布的轴和一根满足另一个分布的孔，用什么形状的连接件去组合它们，决定了轴和孔在运动中是同步起伏还是反向错动。边缘分布是零件的形状，Copula 是连接件的行为模式。

2.2 常用 Copula 族怎么选

Copula 有好几个家族，选错了结果会差很多。我在项目里常用的有这么几类：

风光的场景里有个典型现象：无风或者低辐照度的情况下，出力区域容易“扎堆”。比如一片区域内多个风电场同时接近零出力，因为大风天气往往是天气系统整体扫过，要么都有风，要么都静风；光伏也类似，阴天的时候一片区域都低辐照。这种“低端同步”特征，用 Clayton Copula 来建模通常比 Gaussian 更贴切。

但具体的选型不能拍脑袋。我的做法是把几类 Copula 都拟合一遍，计算 AIC/BIC 指标，选最优的。BIC 更严格，对复杂模型有惩罚，在小样本下更稳妥。有时候数据量不够，AIC 和 BIC 会给出不同的排序，这时再看尾部相关是否符合物理直觉。

2.3 参数估计与采样流程

实际工程中，Copula 的参数估计用两步法（IFM，Inference Functions for Margins）就够了。第一步先估计每个变量的边缘分布参数；第二步把原始数据代入边缘累积分布函数，得到均匀分布空间里的序列 U，再基于 U 估计 Copula 的参数。

第二步里有个非常实用的技巧：对 Gaussian Copula，不需要做数值极大似然估计，直接用数据间的 Kendall 秩相关系数 τ 反算相关系数 ρ，公式是 ρ = sin(πτ/2)。Kendall τ 比皮尔逊相关系数稳健得多，不受边缘分布形态影响，也不要求线性相关，对 Copula 建模是更合适的相关性度量。

采样流程正好是拟合的逆过程：先从 Copula 中采样出 [0,1] 区间上的均匀分布样本 U1、U2，然后分别套上边缘分布的反函数，得到风速和辐照度的采样值。做法是：

1. 生成服从对应 Copula 的均匀分布样本 U = (U1, U2)。
2. 用逆变换法得到 X = F_X^{-1}(U1)，Y = F_Y^{-1}(U2)。

在 Python 里，Gaussian Copula 的采样很简单，先生成多元正态样本，再通过标准正态分布的累积分布函数 Φ 转换成均匀分布样本。后面代码部分会直接给出完整实现。

3. K-means 削减场景的做法与细节

3.1 削减的本质是聚类

场景削减从数学上看就是聚类。每个场景可以看成高维空间里的一个点，比如一个日场景由 24 个风电出力值和 24 个光伏出力值组成，那就是一个 48 维的点。K-means 的任务就是把这 1000 个点划分成 K 个簇，让同一个簇里的场景相似度高，不同簇之间的差异大。完成后，每个簇的中心（质心）就是典型场景。

K-means 做场景削减有这么几个优势：算法简单、收敛快、对大规模样本友好，而且聚类结果容易解释。相比于层次聚类，K-means 的内存和计算量都小很多，生成 2000 个场景、削减到 10 个，在普通电脑上几秒就能跑完。

但这里有个容易被忽略的细节：场景削减不只是要得到质心，还要给每个质心分配概率。概率的定义很直接：某个簇包含的场景数除以总场景数。这一步做完，典型场景集就变成了一个离散概率分布，可以直接接入随机规划的期望值目标函数。

3.2 K 值选择和聚类前处理

K 值怎么选是场景削减里最主观的一步。K 太小，典型场景太少，容易丢失原始场景集的多样性，极端情况（比如同时大风大光、双低出力）可能直接被平均掉；K 太大，削减失去意义，后续优化模型的计算负担又回来了。

工程上常用的方法有两个。第一个是肘部法则：画 SSE（簇内平方和）随 K 变化的曲线，找“肘部”位置，也就是增加 K 带来的 SSE 下降幅度变小的点。第二个是轮廓系数，数值越大代表聚类效果越好。我通常结合两个指标，再考虑后续优化模型的承受能力，在 K=5~10 之间选一个。

聚类之前还有一个必须做的操作：标准化。风速的量纲是 m/s，辐照度的量纲是 W/m²，如果直接放在一起算欧氏距离，辐照度会把风速的特征完全淹没。很多初学者在这里踩坑，我见过有人不做标准化就跑聚类，结果削减出来的典型场景里风速特征基本被忽略了。用 sklearn 的 StandardScaler 对每个维度做 z-score 标准化即可，聚类完成后把质心反变换回物理量纲。

3.3 代表场景概率怎么算

每个典型场景的权重计算看起来简单，但有一个隐藏问题：K-means 默认每个样本是等权的。如果原始场景是用拉丁超立方采样或重要性采样生成的，每个场景本身可能带有不同的权重，这时候直接数簇内样本数量就不对了。需要做加权聚类，或者把每个场景的权重累加到所属簇里，再归一化。

另一个实操细节是：要不要保留极端场景。K-means 的质心本质上是均值，天然会把极端场景“拉平”。我在实际项目中常用的做法是：先把极端场景单独挑出来（比如按全天发电量排序，前 5% 和后 5%），它们不参与聚类；对剩余场景做 K-means；最后把保留的极端场景作为一个或多个典型场景加入集合，并相应调整概率。这样既保证了计算效率，也没有丢掉尾部风险。

4. 实操流程全拆解（附 Python 骨架）

4.1 数据预处理与边缘分布拟合

整套流程从数据开始。假设我们有某个站点一整年的逐小时风速和辐照度数据。首先做数据清洗，剔除风速小于 0 或超过物理上限（比如 40m/s）的异常值，辐照度超出太阳常数（1361 W/m²）的数据也要检查。

python复制import numpy as np
import pandas as pd
from scipy import stats
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

df = pd.read_csv("site_data.csv")
df = df[(df["wind_speed"] >= 0) & (df["wind_speed"] < 40)]
df = df[(df["irradiance"] >= 0) & (df["irradiance"] <= 1361)]

接下来拟合边缘分布。风速一般用两参数威布尔分布拟合，辐照度由于有大量夜间 0 值，直接拟 Beta 分布会把分布形状带偏。一个比较实用的做法是：把辐照度大于 0 的样本单独拿出来拟 Beta 分布，同时单独统计“辐照度等于 0”的概率。这样就是零膨胀模型，比直接拟合更贴近真实分布。

python复制# 风速用 Weibull 分布拟合
shape_w, loc_w, scale_w = stats.weibull_min.fit(df["wind_speed"])

# 辐照度：分零值概率 + 正值的 Beta 分布
irr_pos = df.loc[df["irradiance"] > 0, "irradiance"]
p_zero = (df["irradiance"] == 0).mean()
irr_norm = irr_pos / 1361.0
a_irr, b_irr, loc_i, scale_i = stats.beta.fit(irr_norm, floc=0, fscale=1)

注意这里用 floc=0, fscale=1 固定 Beta 分布的位置和尺度参数，只让形状参数自由，这样能避免拟合过程中的数值不稳定。辐照度经过除以 1361 归一化到 [0,1]，后续逆变换时再乘回来。

4.2 Copula 拟合与场景采样

边缘分布拟合完成后，把原始数据代入各自的 CDF，得到 [0,1] 区间上的均匀分布序列：

python复制u_w = stats.weibull_min.cdf(df["wind_speed"], shape_w, loc_w, scale_w)
u_i = stats.beta.cdf(irr_norm, a_irr, b_irr, loc_i, scale_i)

# 防止数值边缘的 0 或 1 导致后续计算异常
u_w = np.clip(u_w, 1e-6, 1 - 1e-6)
u_i = np.clip(u_i, 1e-6, 1 - 1e-6)

用 Kendall 秩相关系数反算 Gaussian Copula 的相关矩阵：

python复制from scipy.stats import kendalltau

tau, _ = kendalltau(u_w, u_i)
rho = np.sin(np.pi * tau / 2.0)

然后从 Gaussian Copula 中采样：

python复制n_samples = 2000
rng = np.random.default_rng(42)

z = rng.multivariate_normal(
    mean=[0, 0],
    cov=[[1.0, rho], [rho, 1.0]],
    size=n_samples,
)
u_syn = stats.norm.cdf(z)

# 逆变换回原始物理量
w_syn = stats.weibull_min.ppf(u_syn[:, 0], shape_w, loc_w, scale_w)

# 辐照度：先合并零值概率，再逆变换正值部分
zero_flag = rng.random(n_samples) < p_zero
i_syn_pos = stats.beta.ppf(u_syn[:, 1], a_irr, b_irr, loc_i, scale_i) * 1361.0
i_syn = np.where(zero_flag, 0.0, i_syn_pos)

这段代码里采样过程分两步：多元正态采样 → 标准正态 CDF 变换，正是 Gaussian Copula 采样的标准流程。零值处理则对应了前面提到的零膨胀模型。这样采样出来的风速和辐照度，既保持了各自的分布形态，同时保留了数据中两者的关联关系。

4.3 功率转换与场景削减

有了风速和辐照度的样本，下一步是把它们转成风电功率和光伏功率。风电功率需要一条风机功率曲线，简化模型用切入风速、额定风速、切出风速三段式：

python复制v_in, v_r, v_out = 3.0, 12.0, 25.0
p_rated = 2.0  # MW

def wind_power(v):
    if v < v_in or v >= v_out:
        return 0.0
    if v >= v_r:
        return p_rated
    return p_rated * (v - v_in) / (v_r - v_in)

p_wind = np.array([wind_power(v) for v in w_syn])

光伏功率用简化的线性模型，考虑组件效率和面积：

python复制eta_pv = 0.18
area_pv = 10000  # m^2
p_solar = eta_pv * area_pv * i_syn / 1000.0  # 单位 kW

如果我们要生成一天 24 小时的场景，可以对每个小时分别执行上面的拟合和采样，然后把同一序号下 24 个风电值拼成一条风电日场景、24 个光伏值拼成一条光伏日场景。这样做的好处是保留了每个时刻的风光相关性，代价是忽略了不同小时之间的时间相关性。在工程上，这种“逐时解耦再拼接”的做法很常用，因为绝大多数规划问题对时间相关性不敏感，真正敏感的是同一时刻的风光互补性。

场景削减的代码：

python复制scenarios = np.column_stack([p_wind, p_solar])

scaler = StandardScaler()
X = scaler.fit_transform(scenarios)

k = 6
km = KMeans(n_clusters=k, n_init=10, random_state=42)
labels = km.fit_predict(X)

centers = scaler.inverse_transform(km.cluster_centers_)
probs = np.bincount(labels, minlength=k) / len(labels)

这里 n_init=10 是告诉 K-means 用 10 组不同的初始质心去跑，取最优结果，避免随机初始化带来的不稳定。minlength=k 是为了防止某种概率为 0 时 bincount 返回的数组长度不对。centers 是反标准化后的质心，也就是我们最终要用的典型风光出力场景。

4.4 削减效果评估

削减完不能直接拿去用，先要验证一下削减前后的统计特征是否一致。最简单的评估方式是对比原始场景集和削减后场景集的均值、标准差和分位数。计算削减后统计量时要记得用概率加权：

python复制orig_mean = scenarios.mean(axis=0)
reduced_mean = (centers * probs.reshape(-1, 1)).sum(axis=0)

rmse = np.sqrt(((orig_mean - reduced_mean) ** 2).mean())
print("均值 RMSE:", rmse)

orig_std = scenarios.std(axis=0)
reduced_std = (probs * (centers - reduced_mean) ** 2).sum(axis=0) ** 0.5
print("标准差偏差:", np.abs(orig_std - reduced_std).mean())

画图对比也很重要：把原始 2000 个场景的风电、光伏功率直方图叠加上削减后典型场景的概率棒状图，一眼就能看出削减是否保留了分布形状。如果只看误差数字，有时会被均值匹配良好的假象欺骗，因为均值相同而分布形态完全不同是可能的。有条件的话，可以在同一张图上画削减前后的经验 CDF 曲线，观察两者的拟合程度。

5. 常见问题排查列表与我的个人经验

5.1 高频问题复盘

整理一个排查列表，都是我实际跑项目时遇到过的：

5.2 一些在项目里验证过的小技巧

边缘分布的选择，我尝试过很多种组合，最后觉得核密度估计（KDE）在很多场景下比参数分布更稳。特别是辐照度分布，受天气类型影响常常呈现多峰形态，用 Beta 分布硬拟合多峰数据效果不好。如果项目里对可解释性要求不高，可以直接用 KDE 替代参数分布，代码上就是把 scipy.stats.weibull_min.fit 换成 scipy.stats.gaussian_kde，逆变换用数值积分加插值实现。计算量稍大，但对样本量在几千级别的场景生成来说可以接受。

还有一个工程技巧：如果数据量小，生成的场景质量会很不稳定。遇到这种情况，我会对原始数据做 Bootstrap 重采样，产生多个训练集，分别拟合 Copula 参数，再取平均。这样得到的 Copula 参数更稳健，生成的场景也不会因为某年的特殊气候而产生明显偏差。

5.3 后续可以怎么扩展

这套“Copula + K-means”的组合，只是场景生成的起点。如果项目时间序列特征很强，可以考虑用 D-vine Copula 把小时之间的时间相关性也建模进去；如果随机变量不止风、光两个，还有负荷、电价等，多维 Copula 的拟合会变得复杂，这时候 R-vine Copula 是更灵活的选择，它把高维相关结构分解成多个二元 Copula 的层级组合，可解释性和灵活性都很好。

场景削减方面，K-means 简单有效，但如果你想追求更精确的概率分布保持能力，可以试试同步回代削减法。它每次迭代都找到“被删除后概率损失最小”的场景，直到削减到目标数量。这种方法在概率距离意义上比 K-means 更精细，但计算复杂度高不少。K-means 适用于大规模初步削减，SBR 适用于最后几轮精细削减，两者结合是一种很实用的组合。

做场景生成这件事，我最大的体会是：方法都是工具，核心是理解数据背后的物理特性。风速和辐照度的边缘分布长什么样、相关结构在什么区间最明显、削減后的场景会不会漏掉极端风险，这些判断比套用哪个模型更重要。每次拿到新项目的数据，我都会先画一堆分布图和散点图，把数据的“脾气”摸透了，再决定用哪种 Copula、选什么 K 值。这套流程跑顺了，后续的优化模型、风险评估才有可靠输入。