风光场景模拟与削减：蒙特卡洛采样与概率距离快速削减法详解

1. 场景模拟与削减要解决什么问题

1.1 为什么要做风光场景模拟与削减

做新能源并网规划或者电力系统随机优化时，很多人第一版代码都习惯直接拿历史出力曲线去跑。风速、光照强度是强随机变量，直接搬一整年的历史数据进来，计算量非常吓人，而且很多优化问题压根不是线性的，一条条时序曲线往里扔，求解器直接卡死。

我自己的经历特别典型：刚开始做含风电的机组组合优化，拿了一年8760小时的风速数据做成出力序列，丢进混合整数规划模型里，求解时间从几分钟一路飙到几个小时，有时候甚至内存不足直接崩掉。后来才想明白，盲目追求数据粒度不仅不能提升优化精度，反而让求解器把大量时间浪费在处理细节波动上。

我们需要一种方法，在不丢失关键统计特征的前提下，用尽量少的典型场景代替原始的海量数据。这也是风光场景模拟与削减技术的核心价值。

1.2 项目整体解决思路

这个项目解决的核心问题可以拆成两块。第一块是“场景生成”：用蒙特卡洛法基于风速、光照的概率分布去随机抽样，模拟出大量可能出现的风光出力场景；第二块是“场景削减”：用概率距离快速削减法去掉那些概率上高度相似的场景，保留下少数有代表性的场景，并调整对应概率权重。

打个比方你就懂了：蒙特卡洛采样像是在生产线上造出几百个细节略有差异的零件，而削减算法干的活是质检筛选，最后只留几个最能代表整批零件特征的样品。电力系统随机优化中，只需要把这几个“代表样品”喂给优化模型，计算负担大幅降低，结果精度也不会出现明显下滑。

1.3 这篇博文适合谁

如果你正在做新能源消纳、微电网容量配置、电力市场出清或者储能优化调度这类课题，尤其卡在“风电/光伏出力场景怎么建模”这一步，那这篇内容正好对口。我会把蒙特卡洛法的抽样细节、快速削减法的数学原理、MATLAB代码怎么一步步写出来，以及我实际调试过程中踩过的一些坑，一并讲清楚。

2. 蒙特卡洛法生成风光出力场景的核心逻辑

2.1 风速与光照的概率分布建模

蒙特卡洛法并不是什么高深莫测的技术，简单说就是通过大量随机抽样的方式，让随机变量的统计规律自然浮现。但要抽得好，前提是数据分布建模要符合物理规律。

风速一般用两参数威布尔分布描述，这是风能资源评估和风电出力模拟中应用最广泛的经验模型。概率密度函数长这样：

matlab复制f(v) = (k/c) * (v/c)^(k-1) * exp(-(v/c)^k)

其中，k是形状参数，控制分布曲线的陡峭程度；c是尺度参数，反映平均风速水平。实际算的时候，这两个参数可以从历史风速数据里用极大似然估计直接拟合出来，MATLAB自带的wblfit函数一行代码搞定。

光辐照度则通常用贝塔分布来拟合，因为它在[0,1]区间上有很好的灵活性。不过在工程实践里，我发现直接用历史辐照度数据的经验分布做采样，效果往往比强行套贝塔分布更稳。原因很直观：真实光照数据受云层、温湿度、天气类型影响，呈现多峰特性，纯理论分布很难完整刻画这些细节。

matlab复制% 用历史数据拟合威布尔分布参数
[parmhat, parmci] = wblfit(hist_wind_speed);
k = parmhat(1);
c = parmhat(2);

% 或者直接从经验累积分布生成样本
% 这样避免了分布假设不准确带来的偏差

2.2 风光出力转换模型

得到风速、光照的随机样本之后，下一步要把它转成对应的电功率输出。这一步很多人容易忽略，直接拿样本值当功率用，这样做误差会很大。

风速-功率转换不是线性的。风机存在切入风速v_in、额定风速v_rated和切出风速v_out这三个关键参数。风速低于切入风速或者高于切出风速时，输出功率为0；风速在切入和额定之间时，输出大致跟风速的三次方成正比；达到额定风速后输出恒定。

光伏出力则与光照强度、环境温度、组件效率、安装倾角密切相关。简化模型里通常假设输出功率与光照强度成正比，再乘上一个温度修正系数。我在实际建模时还加了一层效率衰减系数，用来近似表示组件老化、灰尘遮挡等综合性影响，这样模拟出来的出力曲线更贴近电厂的真实外特性。

matlab复制function P_wt = windPower(v, P_rated)
    v_in = 3;      % 切入风速 m/s
    v_rated = 12;  % 额定风速 m/s
    v_out = 25;    % 切出风速 m/s
    if v <= v_in || v >= v_out
        P_wt = 0;
    elseif v <= v_rated
        P_wt = P_rated * (v - v_in) / (v_rated - v_in);
    else
        P_wt = P_rated;
    end
end

上面这段代码用的是一次函数的简化模型，便于理解。如果做更精细的仿真，可以换成三次方关系式，或者直接从风机厂商提供的功率特性曲线插值。

2.3 蒙特卡洛抽样的实现细节

蒙特卡洛生成场景的标准做法分两步。先随机生成一批风速、光照的基础数据样本，再按风光机组容量和功率转换模型算出对应的出力。采样样本量通常取几百到几千组，具体看后续场景削减的预算和优化问题的计算承受能力。

抽样方法上，我强烈建议用拉丁超立方采样而不是普通随机采样。普通随机采样在样本量不特别大的时候，容易出现局部聚堆的问题，导致数据在某些区间过密、某些区间过疏。拉丁超立方采样先把整个分布区间均匀分层，再从每一层里各取一个样本，可以保证覆盖的均匀性。MATLAB里用lhsdesign函数就可以生成，但需要先通过均匀分布的样本再变换到目标分布。

我实际跑下来，同样的场景数，拉丁超立方采样的分布均匀程度明显好于朴素蒙特卡洛采样，后续削减出来的典型场景质量也更高。如果用普通的rand函数去抽样，场景数量少于500个时，结果方差偏大，多次仿真出来的削减效果不稳定。

matlab复制% 生成拉丁超立方均匀样本
nSamples = 1000;
nVars = 2;  % 风速、光照两个变量
X = lhsdesign(nSamples, nVars);

% 转成威布尔分布的风速样本（用逆变换法）
wind_samples = wblinv(X(:,1), k, c);

% 光照样本转成实际辐照度
solar_samples = X(:,2) .* solar_max;

这里有个细节，lhsdesign默认生成的是[0,1]区间的均匀分布样本，要得到你想要的概率分布样本，还需要调用对应分布的逆累积分布函数，比如威布尔分布对应wblinv。理解了这层“均匀到任意分布”的变换逻辑，无论换什么分布模型你都能轻松上手。

2.4 不同季节典型日的区别处理

风资源和光照资源在春夏秋冬四季的特点差异极大。冬春季风大，夏秋季光照强。如果全年用同一套分布参数，模拟出来的场景会把季节性差异都抹平了，这会导致后续削峰填谷或容量配置的优化方案明显失真。

我在做项目时习惯按季节拆分数据。比如风速数据分成春、夏、秋、冬四个子集，每个子集单独拟合威布尔分布参数，然后分别做蒙特卡洛采样。光照数据则还要叠加时间维度，通常按白天时段分段处理。

实际上做得更精细一点，还可以考虑不同天气类型下各自的光照分布特性。晴天、多云、阴雨天这几种天气，光伏出力曲线形态差别巨大。按天气类型打标签、分组建模，比单纯用一个贝塔分布覆盖面更完整。代价是建模工作量会大不少，但对结果精度要求高的场景，这个投入完全值得。

3. 概率距离快速削减法的原理与实现步骤

3.1 场景削减的目标定义

场景削减本质上是一个组合优化问题。假设初始生成了1000个场景，每个场景对应一个随机向量（风速/光照/出力），每个场景有一个出现概率。削减的目标就是选出N个代表性场景，同时调整这N个场景的概率权重，使得保留场景集合与原始场景集合之间的某种概率距离最小。

这里的关键点在于“概率距离”的定义。常用的有两种思路。一种是基于场景向量之间的几何距离，用“削减前后概率分布的差异”来衡量；另一种是直接用范数距离，比如Kantorovich距离或Wasserstein距离。后者从最优运输理论的角度理解更顺畅：你可以把原始场景的概率质量“搬运”到保留的场景上，搬运的最小成本就是分布之间的距离。

3.2 快速削减法的核心思路

场景削减最笨的方法是全组合搜索，比如从1000个场景里挑50个，组合数量是天文数字，直接穷举不现实。基于概率距离的快速削减法本质上是贪心思想：每一步剔除一个“最不重要”的场景，并把这个场景的概率累积到离它最近的保留场景上，不断重复直到场景数满足预设要求。

“最不重要”怎么度量？看两个维度：一个是被剔除场景本身的概率权重，另一个是它到最近保留场景的距离。这两个量乘在一起，就构成了剔除某个场景所引入的分布误差。贪心策略每次都挑这个误差最小的场景剔除，反复迭代，最后剩下的场景集合就是“足够代表性”的结果。

这种思路通俗地讲，就像你要从1000张照片里挑出10张代表整本相册的内容，你不会随机抽，而是先把内容最相似的照片合并掉，每合并一张就把权重转移给最像它的那张照片，直到只剩10张为止。

3.3 MATLAB实现代码框架

快速削减法实现起来其实并不复杂，关键是要维护好两个数组：场景数组和概率数组。每次迭代，对当前所有场景两两计算距离矩阵，找出距离最小的那对场景，合并它们的概率，重复直到场景数达标。

matlab复制function [reduced_scen, reduced_prob] = fastForwardSelection(scen, prob, targetNum)
    % scen: 初始场景矩阵 (nScenarios x nDim)
    % prob: 初始场景概率向量 (nScenarios x 1)
    % targetNum: 目标保留场景数
    
    nScen = size(scen, 1);
    
    while nScen > targetNum
        % 计算所有场景两两之间的距离
        % 距离度量可以选欧氏距离、马氏距离等
        D = pdist2(scen, scen, 'euclidean');
        D(1:nScen+1:end) = Inf;  % 自身距离置为无穷
        
        % 找到距离最小的两个场景
        [minVal, idxLin] = min(D(:));
        [idxDel, idxKeep] = ind2sub([nScen, nScen], idxLin);
        
        % 将被删场景的概率加到保留场景上
        prob(idxKeep) = prob(idxKeep) + prob(idxDel);
        
        % 删除场景
        scen(idxDel, :) = [];
        prob(idxDel) = [];
        nScen = nScen - 1;
    end
    
    reduced_scen = scen;
    reduced_prob = prob;
end

上面这份代码是“快速前向选择”的完整思路。实际跑的时候要特别注意一点：每轮迭代都要重新计算距离矩阵，如果初始场景数是几千、目标保留数是几十，整体计算量不小。但MATLAB的矩阵运算效率高，扛住几千级别的循环还是没问题的。

3.4 前向选择与后向消减的取舍

基于概率距离的场景削减方法大致分成两类：前向选择和后向消减。前向选择是从空集开始，逐步把最有代表性的场景加进来；后向消减是像我上面写的那样，从全集中逐步删掉最不重要的场景。直观上后向消减更符合直觉，实现起来也简单。

但从数值稳定性角度考量，前向选择往往更可靠。原因是后向消减一旦某个场景被误删，后续迭代无法恢复；而前向选择每次加入的场景都是根据当前已选集合重新评估的，相当于每一步都在做全局优化，容错性更强。

我在实际项目中做对比测试时发现，在同样的目标场景数下，前向选择得到的场景集合对应的概率距离（相对原始全集）比后向消减小10%到20%。所以如果你对精度要求高，建议实现前向选择版本。两者的核心逻辑可以复用，只是一个做“加”一个做“减”。

3.5 每步计算量优化的小技巧

全距离矩阵每次迭代都重算一遍确实浪费。优化思路是利用三角形不等式做剪枝，或者只在初始阶段计算一次距离矩阵，后续迭代时只更新与被删除场景相关的行和列。这种增量更新的方式可以把O(N^3)的总复杂度降到接近O(N^2)，在大规模场景削减时能明显缩短运行时间。

另一个实用技巧是用pdist2的分块计算来避免一次性占用大量内存。比如初始场景有5000个，距离矩阵就有2500万个元素，double类型存储需要约200MB内存，虽然能跑但已经有点吃力了。分块计算可以降低内存峰值，代价是运行时间略增。对于1万到2万的场景规模，我建议优先考虑增量更新法，减少重复计算的浪费。

matlab复制% 分块计算距离，避免内存溢出
blkSize = 500;
distMatrix = zeros(nScen, nScen);
for i = 1:blkSize:nScen
    idxRange = i:min(i+blkSize-1, nScen);
    distMatrix(idxRange, :) = pdist2(scen(idxRange, :), scen);
end

4. 完整仿真平台的分模块实现

4.1 仿真平台的架构设计

整个仿真平台我按模块划分结构，入口脚本负责控制整体流程，各功能模块独立封装，方便你以后替换参数、改算法、换数据。

平台的完整结构从数据输入开始，经过分布拟合、蒙特卡洛采样、场景削减、验证评估几个阶段，最后把削减出的场景和对比图输出。这么做的好处是各环节松耦合，你在实际做课题时，可以只替换其中某一个模块，不需要把整套流程推倒重来。

以我的项目为例，模块划分大致包括下面几个部分：

matlab复制% 主程序入口
% 1. 读取历史风速与光照数据
% 2. 分季节拟合概率分布参数
% 3. 生成初始蒙特卡洛场景集
% 4. 调用概率距离快速削减法
% 5. 输出削减前后场景对比图

每个模块对应一个独立的function文件，主文件里只做参数初始化和模块串联，逻辑很清爽，不容易出错。

4.2 初始场景生成模块的关键配置

场景生成模块需要配置的参数包括：采样数量、季节划分、风机和光伏的容量配置、切入/额定/切出风速、光电转换效率、温度系数等等。这些参数直接决定了生成场景的物理合理性。

比如风速采样数量，我的经验值是每个季节1500到2500组。太少的话，削减后的场景容易出现过拟合，把一些边界情况丢掉；太多的话，后续削减的计算时间会显著上升。一个折中的做法是先做小批量的快速实验，对比不同采样数的削减结果，选定一个结果不再明显变化的最小样本量。

抽样维度的设计也不能忽视。如果研究对象是单个风电场加单个光伏电站，场景样本就是一个二维向量（风速、光照）；如果研究对象是多个风电场，就要把不同地理位置的风速相关性考虑进去。相关性的处理方法可以用Copula函数，或者简单一点用Cholesky分解相关矩阵，对独立样本做线性变换生成相关的正态分布样本，再映射到目标分布。

这些操作听着复杂，但代码层面只是几步矩阵运算，难度没有想象中大。

4.3 概率距离计算中范数的选择

在权衡场景间相似度时，经常用L1或L2范数来计算。很多刚接触这个领域的同学会默认选L2欧氏距离，理由是它与常见的几何直觉相符。但在工程实践和理论推导里，它并不总是最优选项。

我之前对比测试下来，对风电出力场景而言，L1曼哈顿距离的削减结果往往更贴近原始时序的均值-方差包络。原因是L2距离会对异常场景（比如极端的低风速、低光照组合）赋予过高权重，导致削减后保留的场景偏向于“极端代表”，而不是“普通代表”。L1距离则对离群点不那么敏感，保留的场景能更好反映整体分布。

不过这里没有绝对的正确答案。如果你的优化目标本身对极端场景更敏感，比如要评估系统可靠性或失负荷风险，那就反而应该用L2距离，让削减后的场景保留更多尾部信息。建议你把距离范数做成参数，跑几次对比实验再定。

4.4 削减后概率重分配的细节

概率重分配是削减算法中很容易出bug的一个环节。标准的做法是把被删除场景的概率全部分配给离它最近的保留场景。这里“最近的保留场景”要在所有保留场景中找，不只是在当前步骤中刚刚标记保留的那个。

一个典型的错误实现是在迭代过程中直接把被删场景的概率加给距离矩阵中配对的那个场景，忽略了配对场景可能也在后续迭代中被删除的情况。如果配对场景后来被删了，原本转移给它的概率就会跟着被删掉，造成总概率不守恒，保留场景概率之和不为1，最终优化结果必然出错。

正确的做法简单且可靠：先把目标保留场景集合确定下来，再遍历所有待删除场景，计算它们与每个保留场景的距离，寻找最近的一个，累加概率。这样保证概率只从被删场景向最终保留的场景单向转移，不会有级联追回的问题。总概率恒为1，逻辑严谨无歧义。

4.5 场景数削减多少才合适

很多初学者会问：目标场景数设多少合适？这个问题的答案不是固定的，关键取决于你要用场景做什么。

如果你做的是两阶段随机规划，场景数本质上反映了你对不确定性的离散化水平，通常建议保留10到30个场景。这个规模一般能让优化问题在可接受的时间内求到不错的结果。如果你做的是安全约束经济调度或者可靠性评估，可能希望保留50到100个场景以覆盖足够的极端工况。

在实际工程中，我处理这类问题时倾向于用“相对概率距离”曲线来辅助判断。把场景数从1逐渐增加到200，画出削减后场景集与原始场景集之间的概率距离变化曲线。曲线通常在前期快速下降，到某个点后趋于平缓，这个拐点对应的场景数就是精度与计算量的平衡点。网上很多文章连这个判断过程都没提，只给一个经验数值，实际上不可靠。

5. 验证评估与可视化输出

5.1 削减质量怎么量化评价

削减算法不是跑完就算完事，必须用量化指标来验证削减后的场景有没有保留原始分布的统计特性。

最常用的评价指标有三个：概率距离、均值偏差、标准差偏差。概率距离反映两个分布整体上的差异；均值偏差衡量削减前后的平均出力是否保持一致；标准差偏差则反映波动特性的保留程度。一个好的削减结果，后两个指标都应该压缩到极小范围。

matlab复制originalMean = mean(original_scen, 1);
reducedMean = sum(reduced_scen .* reduced_prob, 1);
meanBias = abs(originalMean - reducedMean) ./ originalMean;

originalStd = std(original_scen, 0, 1);
% 加权标准差计算
reducedVar = sum(((reduced_scen - reducedMean).^2) .* reduced_prob, 1);
reducedStd = sqrt(reducedVar);
stdBias = abs(originalStd - reducedStd) ./ originalStd;

我在实际项目里的经验判断标准是：削减前后出力均值偏差控制在1%以内，标准差偏差控制在3%以内，就可以认为削减效果很好。如果偏差太大，首先要怀疑的是初始采样数量不足，或者目标分布参数没有拟合好，而不是急着去调整削减算法本身。

5.2 风-光二维散点图与概率热力图的对照

视觉验证也很重要，不光是为了在论文里放图。散点图能直观地暴露削减算法的潜在问题。

通常我会画出削减前的二维散点图（横轴是风速或风电出力，纵轴是光照或光伏出力，点的颜色深浅代表概率密度）和削减后的散点图放在一起做对比。如果削减后的散点分布能大致复现削减前的聚集特征，既没有出现大片空洞，又没有在某个局部过密，说明削减是成功的。

散点图里最容易发现的问题是削减后场景扎堆在高概率区域，却把边界上的低概率场景全部丢掉。这种情况虽然削减后的概率距离不一定会很大，但从工程角度来说未必是好事，因为电力系统随机优化恰恰需要边界场景来检验系统鲁棒性和供电可靠性。

如果遇到这种问题，合理的处理方式是调整距离度量的权重，给不同维度加上缩放系数，突出小概率场景的影响；或者把概率距离度量换成能体现尾部差异的变体，给极端场景拉大权重。

5.3 时序出力曲线对比图的画法

把削减后的离散场景还原成一条条连续的出力时序曲线，这也是一种常规的可视化输出。做法是先对每个代表性场景，把对应的风速、光照序列通过出力模型转换成时间序列，再按概率权重叠加重构生成一条“期望出力曲线”。

在MATLAB里画这种图时有个小技巧：用stairs画阶梯图比用plot画平滑曲线更合适，因为场景化的时序本质上是一段时间内出力恒定不变的阶梯过程，阶梯图能诚实反映数据本身的离散属性。

matlab复制figure;
stairs(t, expected_wind_output, 'LineWidth', 1.5); hold on;
stairs(t, expected_solar_output, 'LineWidth', 1.5);
stairs(t, expected_total_output, 'LineWidth', 2);
legend('风电期望出力', '光伏期望出力', '风光总出力');
xlabel('时间/h');
ylabel('出力/MW');
grid on;

这条期望出力曲线可以直接用于后续的容量配置评估，也可以作为随机优化中确定性的基准方案参与对比。另外可以把削减前后的期望曲线画在一起，如果两条曲线几乎重合，说明削减对系统总出力的期望影响微乎其微，这种可视化结论放在论文里非常有说服力。

5.4 仿真平台的工程级打磨

从能跑通到好用，中间还有不少打磨工作要做。这里分享几个我在完善平台过程中觉得很有价值的改进方向。

第一个是参数配置的界面化与集中管理。把所有关键参数集中在最上方的配置文件里，不散落在代码各处。用MATLAB的脚本定义一个包含全部参数的struct，后续改参数时只需集中修改配置。遇到迭代几十次调参的场景，效率差距很大。

第二个是调试信息的标准化打印。每一步循环都输出当前场景数、累计耗时、概率距离变化趋势等状态信息。做长时间仿真时，看着进度条滚动总比干等强得多。场景削减循环中间如果报错，也能快速定位到具体迭代步骤。

第三个是加入健壮性判断，例如在削减前检查概率向量之和是否为1，检查是否出现NaN、Inf这类异常数据。很多很细的数据问题，正是从现象看起来像是算法出了错，但根源其实在数据或概率设置上。

matlab复制% 数据校验
assert(abs(sum(prob) - 1) < 1e-6, '概率之和必须为1');
assert(all(isfinite(scen(:))), '场景数据包含非有限值');

6. 减时间段测试与工程化性能优化

6.1 加速运行：矩阵化改写与并行化

当场景规模放大到一万个以上、目标场景数又是几十个时，循环反复调用pdist2的整体耗时确实不可忽略。即使每次迭代只是几千乘几千的距离矩阵计算，但迭代次数一旦超过九千次，累计运行时间照样让人等到怀疑人生。

一个有效的优化方向是减少迭代过程中的重复计算。很多时候，被删除的场景只是局部影响了距离矩阵中某些行列，大部分场景间的距离并没有发生变化。维护一张布尔掩码表，记录哪些场景依然有效，哪些已删，在计算距离时直接把已被删除的行列屏蔽掉，能省大量时间。

MATLAB的parfor并行循环也可以直接套用进去。因为前向选择中每一轮选择都依赖上一轮的结果，整个循环串行的依赖性强，直接改parfor不可行。但距离子块的计算彼此独立，可以并行处理子块后合拢，再把最小距离对应的场景淘汰。用这种方式，可以把每轮迭代中距离矩阵的构建时间压缩到原来的一部分。

在我自己的项目实测中，四核处理器下采用分块并行距离计算的版本，比朴素逐次全量重算快了大约三到四倍，这对动辄迭代几千轮的大规模场景削减来说，几乎是从“不可用”跨到了“可以跑完”的质变。

6.2 简化验证：先跑通小规模再放大规模

写算法时一条很实用的大原则：先小规模验证逻辑，再放开全规模跑结果。不必一上来就弄两千个场景做测试，先选取100个场景起步，目标保留10个，肉眼把每步的结果盯一遍，确认逻辑没跑偏后再扩展到完整规模。

一旦在小规模下发现缩减后概率和不为1，或者概率距离反而增加的异常情况，定位问题所在也会从容许多。保持冷静逐步排查，找出问题源远比盲目调参更重要。

7. 常见问题与调试经验速查

这一节整理一下实际仿真过程中最常遇到的几个问题以及对应的处理方法，这些都是我看过的不少初学者甚至有一定经验的研究者处理这类问题时容易踩的坑。

表格里总结的内容算是我自己的经验沉淀，对于跑场景削减的人来说直接按表排查通常可节省不少时间：

7.1 概率不守恒问题的根因复盘

概率不守恒大概是所有人在实现场景削减时最先遇到的坑，它的根因往往不是算法写错，而是对迭代过程中“已被赋予概率的场景”和“最终保留的场景”之间的关系没有拎清。

在迭代过程中概率被反复转移，如果中途某次转移的目标场景在后续迭代中被剔除，原来叠加的概率就丢失了。因此这里给一条硬性建议：无论你实现的是什么版本，一定要在最终输出前做一次校验，sum(prob_reduced)与1的偏差应当明显小于1e-6级别。如果校验不过，就要检查代码中概率分配的逻辑是不是等价于“先确定保留集再做分配”。

7.2 采样数据分布与实际出力不匹配的问题

仿真中出现“采样了很多风速样本，但转换成功率以后大量功率取0”的现象，多半是因为威布尔拟合的形状参数或者尺度参数不够理想，或者是切入风速设得太高。这里建议先用MATLAB画一下分布拟合图和经验概率密度图做对比，直观确认拟合质量。如果拟合质量不理想，干脆用经验分布函数做采样。

7.3 距离度量对削减结果的显著影响

在不同的应用场景下，合适的距离度量并不是同一个。欧氏距离、曼哈顿距离这些不同定义对削减结果影响很大。以包含极端风速场景的风电规划为例，如果只关心期望收益的最大化，那么曼哈顿或者欧氏度量带来的差别并不大；可一旦目标函数中包含可靠性约束，需要保证少量极端场景也进入保留范围，标准距离法的结果就可能无法满足要求。

一个可行的处理办法是在目标函数里显式加入“最小保留场景数”或者“极端场景惩罚项”，又或者在削减前用分位数法锁定一部分边界场景，把它们设为强制保留集合，只对剩余场景执行削减。这类硬约束在工程上体现出的鲁棒性，远比单纯依赖算法自然选择更可靠。

8. 扩展应用与后续优化方向

8.1 考虑时空相关性的多风电场场景削减

前面讨论的基本是独立风电场和光伏电站的场景模拟，但实际电网中通常同时接入多个风电场，不同场址之间由于地理位置相近或气象系统共同驱动，风速往往存在明显的空间相关性。忽略这个相关性会低估系统出力的同时波动风险，优化结果偏乐观。

处理空间相关性的通用做法是引入Copula，从历史出力数据中提取变量之间的秩相关系数矩阵，再把相关的随机风速变量耦合在同一个场景内生成。这样得到的初始场景集是相关系数一致的多维向量，之后的削减流程不受影响。

8.2 与随机优化模型的接口打通

场景削减不是终点，它产出的典型场景集一般要服务于后续的随机优化模型。常见做法是把场景对应的概率作为权重嵌入目标函数，形成机会约束或者期望值模型。

接口打通时有一个细节值得注意：场景削减的输出维度务必和优化模型中的随机参数维度一致。如果优化模型需要的是24小时前瞻出力序列，那削减前后的场景都应该把全天的出力曲线作为一个整体向量来处理，而不是对每个时段单独做削减。分段削峰会直接破坏时序上的耦合关系，优化结果没有实用意义。这一点一定要在算法设计前提早确认清楚。

8.3 自适应场景数需求的研究趋势

近年来的学术研究和工程应用里，场景削减已经不满足于固定场景规模。实际上决策者并不清楚多少场景数才能在不牺牲精度的前提下获得最佳的计算效率，不同时段对所要求的精度也不应该完全一致。

因此有了自适应场景数的思想：先用少量场景求解优化问题，得到当前解的各时段稀缺性指标；对稀缺性较高的时段，临时在局部时段细化场景密度，其他地方则保持原样。类似的做法会让优化模型的精度明显提升，也能显著节约计算资源。这个方向值得后续扩展到更复杂的工程场景：例如储能配置或日前市场出清的参数化场景削减应用。

我自己在这个项目上的体会是：场景生成与削减的过程看似是纯概率统计问题，但影响它的关键因素往往来自应用端的具体需求。不考虑运行约束的削减只是纸上谈兵，总是要落到一次次的弃风弃光率计算、备用容量配置这些具体问题上，场景方法才真正显出它的价值。从一开始的成百上千个原始场景，到最后精简到十几个高代表性场景，整个数据流的缩小幅度对项目求解效率的提升是肉眼可见的。希望这篇内容对正在做类似课题的朋友有所启发。