[1]关键词：场景生成；场景削减；概率分布；随机优化 [2]参考文献：《一种在微网动态经济调度中考虑风电随机性的方法》 [3]主要内容：Matlab 采用正态分布和韦布尔分布描述风电，光伏和负荷概率分布，采用拉丁超立方采样抽样生成大量场景。 采用快速前代法实现场景削减。

在微电网的动态经济调度中，风电、光伏这些“看天吃饭”的能源总是让人头疼。它们的出力曲线就像过山车，直接把确定性优化模型干懵了。这时候就需要概率分布和场景生成技术来帮忙——把不确定性转化为可计算的随机场景，再通过优化找到最稳的调度方案。

当概率分布遇上可再生能源

处理风电和光伏的不确定性，首先要给它们的波动规律建立数学模型。风电出力一般用韦布尔分布描述，光伏出力更习惯Beta分布，而负荷波动常用正态分布建模。Matlab里生成这些分布只需要几行代码：

% 风速韦布尔分布参数
shape = 2.5;  % 形状参数，决定分布陡峭程度
scale = 6;    % 尺度参数，控制数据范围
wind_samples = wblrnd(scale, shape, 1000, 1);

% 光照强度Beta分布
alpha = 0.9; beta = 0.8;
pv_samples = betarnd(alpha, beta, 1000, 1);

% 负荷正态分布
mu = 500; sigma = 50;
load_samples = normrnd(mu, sigma, 1000, 1);

这三个分布生成的随机数构成了最基本的场景元素。不过直接这么用会有个坑——各变量之间的相关性没考虑。比如大中午光伏出力猛涨时，空调负荷也会跟着飙升，这时候就需要用Copula函数来绑定它们的关系。

拉丁超立方采样：比蒙特卡洛更聪明的姿势

传统蒙特卡洛采样就像撒豆子，完全随机可能导致分布不均。拉丁超立方采样（LHS）则是强迫症患者的福音——把概率区间等分后再采样，确保每个子区间都有代表。用Matlab的lhsdesign函数实现超方便：

num_samples = 200;  % 总场景数
num_vars = 3;       % 风电、光伏、负荷三个变量
samples = lhsdesign(num_samples, num_vars); 

% 转换到实际分布
wind_scenes = wblinv(samples(:,1), scale, shape);
pv_scenes = betainv(samples(:,2), alpha, beta); 
load_scenes = norminv(samples(:,3), mu, sigma);

这个采样方法有个隐藏技能：当我们需要生成数千个场景时，LHS比普通随机采样快3倍以上，而且覆盖概率空间更均匀。试过用10万级场景做优化的同学都知道，这点速度提升简直就是救命稻草。

场景削减：去掉重复的"废话场景"

生成5000个场景后直接优化？服务器会教你做人。这时候需要快速前代法来瘦身——把相似的场景合并，保留最具代表性的。核心思想是计算场景间的“距离”，逐步淘汰近邻：

function [kept_idx] = fast_forward_reduction(scenes, target_num)
    D = pdist2(scenes, scenes);  % 计算欧氏距离矩阵
    remaining_idx = 1:size(scenes,1);
    
    while length(remaining_idx) > target_num
        [~, idx] = max(sum(D));  % 找与其他场景最相似的那个
        remaining_idx(idx) = [];
        D(idx,:) = []; D(:,idx) = [];
    end
    kept_idx = remaining_idx;
end

这个算法相当于给每个场景建立人际关系图，把存在“替身”的场景踢出群聊。实际操作中要注意，距离度量可以换成更适合概率分布的KL散度或者Wasserstein距离。

实战中的骚操作

某微网项目用这套方法把2000个初始场景削减到50个关键场景，调度方案计算时间从8小时压缩到15分钟。秘密在于给不同时段设置权重——负荷高峰时段的场景宁可多保留几个，也不能轻易合并。这里有个动态加权的代码片段：

time_weights = [ones(1,8), 1.5*ones(1,8), 2*ones(1,8)]; % 晚高峰权重加倍
weighted_scenes = scenes .* time_weights;  % 时间维度加权

经过这么一折腾，削减后的场景在负荷高峰时段保留了更多细节，而平段和谷段则做了较大幅度合并。这种非对称处理让优化结果更贴近实际需求。

玩转场景生成与削减就像在给不确定性画像，既要抓住主要特征，又不能被细节淹没。下次遇到风光出力预测不准的问题，不妨先泡杯咖啡，打开Matlab整两轮场景操作——毕竟，把混沌变成数据的过程本身就很治愈。