风光联合场景生成入门：从Weibull/Beta分布参数拟合到Copula相关性建模

风光联合场景建模实战：从单变量拟合到Copula相关性分析

引言

在可再生能源系统规划和运行中，准确建模风光出力的不确定性至关重要。传统方法往往单独处理风速和光照数据，忽略了它们之间复杂的时空相关性。这种简化可能导致系统容量配置失准、调度策略失效等实际问题。

本文将带您从基础的单变量分布拟合出发，逐步构建考虑相关性的联合概率模型。不同于简单的参数估计教程，我们更关注如何将统计学方法转化为工程实践工具，特别适合需要在微电网设计、随机优化调度等场景中处理风光互补问题的研究人员。

1. 单变量分布拟合基础

1.1 Weibull分布在风速建模中的应用

风速的随机特性通常采用Weibull分布描述，其概率密度函数为：

% Weibull分布PDF公式 f(v) = (k/c) * (v/c)^(k-1) * exp(-(v/c)^k)

其中k为形状参数，c为尺度参数。实际工程中，我们常用三种参数估计方法：

实战建议：对于历史数据充足的情况，推荐使用MATLAB的fitdist函数：

wind_data = xlsread('wind_historical.xlsx'); for i = 1:24 pd = fitdist(wind_data(:,i), 'Weibull'); k(i) = pd.B; % 形状参数 c(i) = pd.A; % 尺度参数 end

注意：实际风速数据可能存在零值截断问题，此时可考虑混合分布模型

1.2 Beta分布处理光照数据

光伏出力建模的关键是处理辐照度的(0,1)区间特性，Beta分布的概率密度函数为：

% Beta分布PDF公式 f(x) = (x^(a-1)*(1-x)^(b-1)) / beta(a,b)

处理实际数据时需特别注意：

1. 数据归一化：确保所有值落在(0,1)区间
2. 零值处理：夜间数据需要特殊处理
3. 参数稳定性检查：避免出现极端参数值

MATLAB实现技巧：

solar_data = solar_data / max(solar_data(:)); % 归一化 daylight_hours = find(mean(solar_data)>0); % 仅处理白天数据 for h = daylight_hours pd = fitdist(solar_data(:,h), 'Beta'); alpha(h) = pd.a; beta(h) = pd.b; end

2. 相关性建模与Copula理论

2.1 风光出力相关性分析

传统单变量建模的局限性在于忽略了：

• 天气系统对风光资源的共同影响
• 日内出力模式的时空关联
• 极端事件下的协同变化

典型相关性模式：

• 正相关：晴朗天气下白天光伏高、风电可能同时高
• 负相关：夜间风电可能高而光伏为零
• 非线性依赖：中等风速时相关性可能更强

2.2 Copula函数核心概念

Copula理论将联合分布分解为边缘分布和依赖结构：

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

常用Copula类型对比：

2.3 基于Kendall秩相关的选择方法

实际应用中推荐以下选择流程：

1. 计算经验Kendall's tau
2. 绘制散点图观察尾部特征
3. 进行拟合优度检验(Q-Q图)
4. 考虑物理意义解释性

Python实现示例：

from copulae import EmpiricalCopula, GumbelCopula import numpy as np # 准备边缘分布数据 u = stats.weibull_min.cdf(wind_data, c=2.5, scale=6) v = stats.beta.cdf(solar_data, a=0.8, b=1.2) # 拟合Gumbel Copula cop = GumbelCopula(dim=2) cop.fit(np.column_stack([u,v]), method='mle') # 生成相关样本 samples = cop.random(1000)

3. 联合场景生成实战

3.1 完整建模流程

1. 数据预处理阶段：

   • 质量检查（缺失值、异常值）
   • 归一化处理
   • 时序特性分析

2. 边缘分布建模：

   • 参数估计
   • 拟合优度检验(KS检验)
   • 选择最优分布

3. Copula建模：

   • 相关性度量
   • Copula类型选择
   • 参数估计

4. 场景生成：

   • 随机数生成
   • 逆变换采样
   • 场景缩减

3.2 MATLAB完整案例

% 步骤1：加载并预处理数据 load('renewable_data.mat'); wind_norm = wind_data / max(wind_data); solar_norm = solar_data / max(solar_data); % 步骤2：拟合边缘分布 for h = 1:24 pd_wind(h) = fitdist(wind_norm(:,h), 'Weibull'); pd_solar(h) = fitdist(solar_norm(solar_norm(:,h)>0,h), 'Beta'); end % 步骤3：计算经验Copula U = zeros(size(wind_norm)); V = zeros(size(solar_norm)); for h = 1:24 U(:,h) = cdf(pd_wind(h), wind_norm(:,h)); V(:,h) = cdf(pd_solar(h), solar_norm(:,h)); end % 步骤4：拟合t-Copula [Rho, nu] = copulafit('t', [U(:), V(:)]); % 步骤5：生成场景 n_scenarios = 1000; U_new = copularnd('t', Rho, nu, n_scenarios); % 逆变换获取物理量 wind_scenarios = zeros(n_scenarios,24); solar_scenarios = zeros(n_scenarios,24); for h = 1:24 wind_scenarios(:,h) = icdf(pd_wind(h), U_new(:,1)); solar_scenarios(:,h) = icdf(pd_solar(h), U_new(:,2)); end

3.3 结果验证技巧

为确保生成场景的质量，建议进行以下验证：

• 边缘分布检验：

  • 比较历史与生成数据的分位数
  • KS检验统计显著性

• 相关性验证：

  • 对比Kendall's tau系数
  • 可视化散点图矩阵

• 时序特性检查：

  • 自相关函数比较
  • 波动聚集效应分析

常见问题解决方案：

1. 若相关性被低估，尝试混合Copula
2. 出现边缘失真时，检查分布选择
3. 对于极端值不足，考虑极值理论补充

4. 工程应用进阶技巧

4.1 考虑时空相关性

实际系统中需处理：

• 多风电场间空间相关
• 风光电站的地理分布
• 日内出力模式的时间依赖

高维Copula实现：

from copulae import GaussianCopula import scipy.stats as stats # 构建3维相关性模型(风电、光伏、负荷) data = np.column_stack([wind, solar, load]) rank_data = stats.rankdata(data, axis=0) / (len(data)+1) cop = GaussianCopula(dim=3) cop.fit(rank_data) # 生成综合场景 scenarios = cop.random(1000)

4.2 场景缩减技术

大规模场景需缩减计算负担，常用方法：

1. 快速前向选择法
2. 聚类分析法(k-means)
3. 矩匹配优化法

k-means实现示例：

% 初始生成1000个场景 full_scenarios = [wind_scenarios, solar_scenarios]; % 执行场景缩减 [cluster_idx, centroids] = kmeans(full_scenarios, 50); % 计算场景概率 prob = histcounts(cluster_idx, 1:51)/1000; reduced_scenarios = [centroids, prob'];

4.3 不确定性量化指标

为评估模型质量，建议计算：

• 期望缺供能量(EENS)
• 备用容量不足概率(LOLP)
• 风光互补效益指数

互补效益计算公式：

CBI = 1 - (σ_combined^2)/(σ_wind^2 + σ_solar^2)

其中σ²表示出力方差，CBI越接近1表示互补性越好。

在实际项目中，我们通常需要反复调整Copula参数和类型，直到生成的场景能够通过所有验证测试。一个经验法则是先用简单的高斯Copula建立基线，再根据尾部特性尝试更复杂的模型。记得保存每次运行的验证结果，方便比较不同设置的优劣。