1. 风光发电场景生成与优化概述
在风光互补发电系统设计和运行中，准确预测未来可能出现的天气情况至关重要。不同于传统确定性方法，基于概率的场景生成技术能够更好地捕捉风速和光照强度的随机性特征。这种方法的核心在于：通过蒙特卡罗模拟生成大量可能的风光场景，再通过场景约减技术提取代表性场景，最终用于系统优化决策。
我在实际项目中发现，采用韦伯分布(Weibull)模拟风速、Beta分布模拟光照强度，配合启发式同步回代法(SBR)进行场景约减，可以在计算效率和结果准确性之间取得良好平衡。这种方法特别适合解决以下典型问题：
- 风光互补系统的容量配置优化
- 微电网运行策略制定
- 电力市场投标决策支持
- 储能系统调度方案评估
关键经验：场景生成的质量直接影响优化结果。曾因未校准分布参数导致风机容量高估15%，后引入K-S检验确保分布假设合理性。
2. 风光场景生成技术实现
2.1 概率分布建模原理
风速通常服从韦伯分布，其概率密度函数为：
f(x;λ,k) = (k/λ)(x/λ)^(k-1)e^(-(x/λ)^k)
其中关键参数：
- 形状参数k：决定分布形态（k=2时为瑞利分布）
- 尺度参数λ：与平均风速正相关
光照强度则适合用Beta分布建模：
f(x;α,β) = x^(α-1)(1-x)^(β-1)/B(α,β)
参数选择建议：
- 海边风场：λ通常取6-8，k取1.8-2.3
- 光伏系统：晴天α=0.9, β=0.8；阴天α=β=0.5
2.2 蒙特卡罗实现细节
python复制import numpy as np
import matplotlib.pyplot as plt
def generate_wind_speed(n_scenarios, hours=24, k=2, λ=5):
"""生成风速场景矩阵"""
return λ * np.random.weibull(k, (n_scenarios, hours))
def generate_solar(n_scenarios, hours=24, α=0.9, β=0.8):
"""生成光照场景矩阵"""
return 100 * np.random.beta(α, β, (n_scenarios, hours))
# 生成1000个场景示例
scenarios = {
'wind': generate_wind_speed(1000),
'solar': generate_solar(1000)
}
# 可视化首个场景
plt.figure(figsize=(12,5))
plt.subplot(121)
plt.plot(scenarios['wind'][0], 'b-')
plt.title('风速场景示例 (m/s)')
plt.subplot(122)
plt.plot(scenarios['solar'][0], 'r-')
plt.title('光照强度示例 (W/m²)')
plt.tight_layout()
实际应用时需要特别注意：
- 时间分辨率选择：24小时点对点模拟可能过于粗糙，建议至少每小时4个点
- 空间相关性处理：多站点场景需引入Copula函数保持空间关联性
- 季节模式嵌入：通过参数分段模拟不同季节特征
3. 场景约减技术深度解析
3.1 同步回代法(SBR)实现
原始场景数量庞大（通常>1000），直接用于优化会导致"维度灾难"。SBR算法通过迭代合并最相似场景对来实现约减：
python复制def sbr_reduction(scenarios, probs, target_num, metric='euclidean'):
"""
同步回代场景约减算法
:param scenarios: 场景矩阵(n_scenarios, n_features)
:param probs: 初始概率向量
:param target_num: 目标场景数
:param metric: 距离度量方式
"""
while len(scenarios) > target_num:
# 计算距离矩阵（优化版避免重复计算）
dist_matrix = np.zeros((len(scenarios), len(scenarios)))
for i in range(len(scenarios)):
for j in range(i+1, len(scenarios)):
dist_matrix[i,j] = np.sqrt(np.sum((scenarios[i]-scenarios[j])**2))
# 找到最小距离对
min_idx = np.argmin(dist_matrix)
i, j = np.unravel_index(min_idx, dist_matrix.shape)
# 合并场景（概率加权平均）
new_prob = probs[i] + probs[j]
new_scenario = (probs[i]*scenarios[i] + probs[j]*scenarios[j]) / new_prob
# 更新集合
scenarios = np.delete(scenarios, [i,j], axis=0)
probs = np.delete(probs, [i,j])
scenarios = np.vstack([scenarios, new_scenario])
probs = np.append(probs, new_prob)
return scenarios, probs
3.2 距离度量选择对比
不同距离度量对约减效果的影响显著：
| 度量方式 | 公式 | 适用场景 | 计算复杂度 |
|---|---|---|---|
| 欧氏距离 | √∑(x_i-y_i)² | 常规场景 | O(n²) |
| 马氏距离 | √(x-y)ᵀΣ⁻¹(x-y) | 考虑特征相关性 | O(n³) |
| Wasserstein | inf E[‖X-Y‖] | 保持统计特性 | O(n²logn) |
| DTW距离 | 动态时间规整 | 时间序列对齐 | O(n²) |
实际项目中推荐：
- 初步分析使用欧氏距离快速验证
- 最终部署采用Wasserstein距离保证统计特性
- 考虑时间动态性时使用DTW距离
4. 优化问题应用实例
4.1 风光互补系统容量配置
python复制from scipy.optimize import minimize
def system_cost(x, scenarios, probs):
"""混合系统总成本计算"""
capex = 1500*x[0] + 1200*x[1] # 投资成本（风机+光伏）
opex = 0
for i, (wind, solar) in enumerate(scenarios):
# 计算各时刻出力
power = np.minimum(x[0], wind) + np.minimum(x[1], solar)
shortage = np.maximum(LOAD - power, 0)
opex += 10 * np.sum(shortage) * probs[i] # 缺电惩罚
return capex + opex
# 优化求解
LOAD = np.full(24, 50) # 50kW恒定负载
initial_guess = [30, 40] # 初始猜测值(kW)
bounds = [(0, 100), (0, 100)] # 变量边界
result = minimize(
system_cost,
initial_guess,
args=(reduced_scenarios, reduced_probs),
bounds=bounds,
method='SLSQP'
)
print(f'最优配置: 风机={result.x[0]:.1f}kW, 光伏={result.x[1]:.1f}kW')
4.2 结果验证方法
为确保约减场景的可靠性，必须进行以下验证：
- 统计特性保持检验：
python复制original_mean = np.mean(original_scenarios, axis=0)
reduced_mean = np.sum(reduced_scenarios * reduced_probs[:,None], axis=0)
print(f"均值误差：{np.max(np.abs(original_mean - reduced_mean)):.2%}")
original_std = np.std(original_scenarios, axis=0)
reduced_std = np.sqrt(np.sum(reduced_probs * (reduced_scenarios - reduced_mean)**2, axis=0))
print(f"标准差误差：{np.max(np.abs(original_std - reduced_std)):.2%}")
- 优化结果对比：
- 使用原始1000场景的优化结果作为基准
- 比较不同约减规模（50/20/10场景）的结果偏差
- 通常20个代表性场景即可将误差控制在5%以内
5. 工程实践中的关键要点
5.1 参数校准流程
- 数据预处理：
- 剔除异常值（3σ原则）
- 处理缺失数据（线性插值或同类替换）
- 按季节/时段分组统计
- 分布拟合：
python复制from scipy.stats import weibull_min, beta
# 风速参数估计
params_wind = weibull_min.fit(observed_wind, floc=0)
print(f"韦伯分布参数: k={params_wind[0]:.2f}, λ={params_wind[2]:.2f}")
# 光照参数估计
params_solar = beta.fit(observed_solar, floc=0, fscale=1)
print(f"Beta分布参数: α={params_solar[0]:.2f}, β={params_solar[1]:.2f}")
- 拟合优度检验：
python复制ks_stat, p_value = kstest(observed_wind, 'weibull_min', args=params_wind)
if p_value < 0.05:
print("警告：韦伯分布假设可能不成立！建议尝试：\n"
"1. 混合威布尔分布\n"
"2. 核密度估计\n"
"3. 非参数方法")
5.2 常见问题排查
- 场景多样性不足：
- 现象：约减后场景过于集中
- 解决方案：增加初始场景数量（至少5000+）
- 改进措施：采用拉丁超立方抽样替代简单随机抽样
- 优化结果不稳定：
- 现象：多次运行结果差异大
- 检查点：场景概率是否归一化（∑p_i=1）
- 验证方法：增加约减场景数至收敛
- 时间特性丢失：
- 现象：约减后场景失去时序特征
- 改进方案：使用时域聚类算法
- 替代方法：采用马尔可夫链建模时序依赖
6. 高级技巧与扩展方向
6.1 考虑天气类型分类
python复制from sklearn.cluster import KMeans
# 基于历史数据聚类
weather_types = KMeans(n_clusters=5).fit(historical_data)
scenarios_by_type = []
for i in range(5):
# 对每类天气单独建模
subset = original_scenarios[weather_types.labels_ == i]
params = weibull_min.fit(subset)
scenarios_by_type.append(generate_wind_speed(1000, *params))
6.2 耦合预测误差模型
python复制def add_prediction_error(scenarios):
"""添加预测误差成分"""
n_scenarios, n_hours = scenarios.shape
# 自相关误差结构
error = np.zeros((n_scenarios, n_hours))
for t in range(1, n_hours):
error[:,t] = 0.8*error[:,t-1] + np.random.normal(0, 0.1, n_scenarios)
return scenarios * (1 + error)
实际项目中，这套方法经过调优后，相比传统确定性规划可提升系统经济性12-18%，同时将缺电风险控制在可接受范围内。特别是在处理极端天气事件时，概率场景方法展现出明显优势。