1. 为什么电力系统规划需要“场景”？

如果你玩过模拟经营类游戏，比如规划一座城市的电力供应，你很快就会发现一个头疼的问题：明天会刮多大的风？太阳有多晒？工厂和居民会用多少电？这些都不是板上钉钉的数字，而是充满了“也许”、“可能”和“大概”。

在真实的电力系统规划中，工程师们面临的正是这样一个充满不确定性的世界。传统的确定性规划，比如“假设明天风速是5米/秒，光照强度是0.7，负荷是1000兆瓦”，然后去设计电网，结果往往是一到实际运行就“翻车”。因为现实是，风速可能在2到10米/秒之间跳变，光照可能被一片云挡住，负荷更是随着人们的作息和工厂的订单起伏不定。用单一、固定的数据去做长期规划，无异于刻舟求剑。

所以，现代电力系统规划引入了一个非常关键的概念：场景。你可以把“场景”理解为一套完整的、可能发生的“未来天气+用电情况”剧本。我们不再只规划一种未来，而是生成成千上万个可能的未来剧本（场景），然后分析我们的电网方案在所有这些剧本下的表现。这样规划出来的系统，鲁棒性会强得多，能够应对各种可能的波动。

那么问题来了，怎么生成这些成千上万的、合理的“未来剧本”呢？总不能靠拍脑袋或者随机乱写吧。这就需要请出概率统计领域的几位“老演员”：Weibull分布、Beta分布和Normal分布。它们分别擅长刻画风速、光照和负荷的随机性。而生成的海量场景数据量太大，直接用于规划计算会“算到天荒地老”，所以还需要一位“剪辑师”——K-means聚类算法，来把几千个相似场景浓缩成几十个最具代表性的“典型场景”。

这个过程，就是风光负荷场景生成与削减。它不是什么空中楼阁的理论，而是实实在在能提升规划精度、降低投资风险、保障电网稳定运行的实用技术。接下来，我就带你一步步拆解，看看这几位“演员”和“剪辑师”是如何配合，为电力系统规划打造出一套高效工具的。

2. 三位“概率演员”：为不确定性画像

2.1 Weibull分布：捕捉“风”的脾气

风速是出了名的“善变”。为什么偏偏是Weibull分布来刻画它呢？我在处理风电场数据时深有体会。Weibull分布有两个关键参数：形状参数k和尺度参数λ。这两个参数就像调节旋钮，能让分布曲线呈现出各种形态。

• 形状参数k：它决定了风速分布的“胖瘦”和“偏态”。当k=1时，Weibull分布退化为指数分布，表示风速较小的情况居多；当k=2时，它就变成了瑞利分布，这在很多中等风况地区很常见；当k>3时，分布曲线开始越来越像我们熟悉的正态分布，意味着风速比较集中在一个范围内。在实际中，我们通过分析历史风速数据，用最大似然估计等方法就能把k和λ给“算”出来。
• 尺度参数λ：你可以把它理解为平均风速的一个“缩放器”，λ越大，整体风速水平就越高。

用Weibull分布生成风速场景，在Matlab里其实非常直观。假设我们已经从某个风场的历史数据中，拟合出k=2.1， λ=7.5。那么生成10000个可能风速场景的代码核心就是调用wblrnd函数：

% 定义Weibull分布参数
k = 2.1; % 形状参数
lambda = 7.5; % 尺度参数
num_scenarios = 10000; % 要生成的场景数

% 生成服从Weibull分布的随机风速（米/秒）
wind_speed_scenarios = wblrnd(lambda, k, [num_scenarios, 1]);

% 可视化：看看生成的风速分布长啥样
figure;
histogram(wind_speed_scenarios, 50, 'Normalization', 'pdf');
hold on;
x = linspace(0, max(wind_speed_scenarios)*1.2, 1000);
pdf_theoretical = (k/lambda) .* (x/lambda).^(k-1) .* exp(-(x/lambda).^k);
plot(x, pdf_theoretical, 'r-', 'LineWidth', 2);
xlabel('风速 (m/s)');
ylabel('概率密度');
title('基于Weibull分布的风速场景生成');
legend('生成场景的直方图', '理论Weibull分布曲线');
grid on;

运行这段代码，你会得到一张图，直方图（生成的数据）和红色的理论曲线会贴合得相当好。这证明我们生成的数据确实抓住了当地风的“脾气”。有了风速，再通过风机的功率曲线（风速与输出功率的对应关系），就能转换成风电功率场景，这才是规划中真正需要的数据。

2.2 Beta分布：描绘“光”的明暗

光伏发电看天吃饭，核心是太阳辐照度。辐照度通常被归一化到0到1之间（0代表黑夜，1代表理想的最大光照强度）。这个在[0,1]区间内波动的特性，正好撞到了Beta分布的“枪口”上。

Beta分布就像一位专门刻画比例和概率的画家。它有两个形状参数α和β。我常这么跟新手解释：

• α (alpha)：可以粗略理解为“成功”的次数或积极因素。α越大，分布曲线越往1的方向挤。
• β (beta)：可以粗略理解为“失败”的次数或消极因素。β越大，分布曲线越往0的方向靠。

当α和β都大于1时，分布是单峰的；当α=β=1时，它就变成了[0,1]上的均匀分布；当两者都小于1时，分布呈U型，意味着极端情况（极强光或极弱光）概率更高。通过分析历史光照数据，我们可以拟合出最适合的α和β。

在Matlab中，使用betarnd函数生成光照场景易如反掌：

% 定义Beta分布参数（示例值，需根据实际数据拟合）
alpha = 2.5;
beta = 1.8;
num_scenarios = 10000;

% 生成服从Beta分布的随机辐照度（范围0~1）
solar_irradiance_scenarios = betarnd(alpha, beta, [num_scenarios, 1]);

% 可视化
figure;
histogram(solar_irradiance_scenarios, 50, 'Normalization', 'pdf');
hold on;
x = linspace(0, 1, 1000);
pdf_theoretical = (x.^(alpha-1) .* (1-x).^(beta-1)) ./ beta(alpha, beta);
plot(x, pdf_theoretical, 'r-', 'LineWidth', 2);
xlabel('归一化辐照度');
ylabel('概率密度');
title('基于Beta分布的光伏辐照度场景生成');
legend('生成场景直方图', '理论Beta分布曲线');
grid on;

生成辐照度后，结合光伏板的面积、效率等参数，就能得到光伏出力场景。Beta分布的优势在于，它能很好地刻画阴天、多云、晴空等多种天气下光照的连续变化，比简单假设一个正态分布要准确得多。

2.3 Normal分布：把握“电”的脉搏

电负荷，也就是用户的用电需求，看起来最“杂乱无章”，但宏观上却最有“规矩”。这得益于统计学中伟大的中心极限定理。简单说，一个用户的用电行为是随机的，一个社区、一个城市、乃至一个区域，成千上万用户和设备的用电行为叠加在一起，其总和的波动就会趋向于一种稳定的、钟形的分布——这就是正态分布（Normal Distribution）。

正态分布只有两个参数：均值μ和标准差σ。μ代表了负荷的平均水平（比如一个城市的日常平均负荷），σ则代表了负荷的波动程度（σ越大，负荷起伏越剧烈）。在电力系统规划中，我们通常会对不同时段（如峰、平、谷）分别建立负荷模型，每个时段都有各自的μ和σ。

用Matlab生成负荷场景是最简单的：

% 定义负荷正态分布参数（示例：高峰时段）
mu_load = 1500; % 平均负荷，单位：MW
sigma_load = 120; % 负荷标准差，单位：MW
num_scenarios = 10000;

% 生成服从正态分布的随机负荷
load_scenarios = normrnd(mu_load, sigma_load, [num_scenarios, 1]);

% 可视化
figure;
histogram(load_scenarios, 50, 'Normalization', 'pdf');
hold on;
x = linspace(mu_load-4*sigma_load, mu_load+4*sigma_load, 1000);
pdf_theoretical = (1/(sigma_load*sqrt(2*pi))) * exp(-0.5*((x-mu_load)/sigma_load).^2);
plot(x, pdf_theoretical, 'r-', 'LineWidth', 2);
xlabel('电负荷 (MW)');
ylabel('概率密度');
title('基于正态分布的电负荷场景生成');
legend('生成场景直方图', '理论正态分布曲线');
grid on;

这里有个小坑我踩过：生成的负荷场景理论上可能出现负值（虽然概率极低），这在物理上是不可能的。在实际应用中，我们通常会对结果做一个截断处理，将负值设为0或者一个很小的正数。

3. 从“海量剧本”到“精选典型”：K-means场景削减实战

现在，我们有了分别代表风、光、负荷的成千上万个随机场景。如果把三者组合起来，一个完整的“风光负荷联合场景”就是这三个数的组合。比如[风速, 辐照度, 负荷]。生成10000个风速、10000个辐照度、10000个负荷，随机组合一下，理论上能产生海量的联合场景。但实际操作中，我们通常采用蒙特卡洛模拟，同步生成三者关联的序列（有时还需考虑它们之间的相关性），最终得到一个N行 x 3列的巨大矩阵，每一行代表一个未来可能的“状态”。

这个矩阵就是我们的“海量剧本库”。直接用它去做电力系统优化规划（比如机组组合、输电网扩展），计算量是灾难性的。想象一下，你要为十万个不同的“明天”都做一遍未来20年的电网投资决策计算，这根本不现实。

这时，就需要场景削减（Scenario Reduction）。它的目标是用少数几十个“典型场景”及其对应的发生概率，来近似代表原先成千上万个场景所蕴含的随机性信息。而K-means聚类算法，正是完成这项任务的利器。

3.1 K-means算法：如何找到“群演代表”？

你可以把K-means想象成一场“选秀”。我们有N个选手（原始场景），目标是选出K个C位出道（典型场景），并让其他选手归入最像的C位旗下。

它的工作流程非常清晰：

1. 初始化：随机从N个原始场景中挑选K个，作为初始的“簇中心”（C位）。
2. 分配：计算每一个原始场景到所有K个簇中心的距离（通常是欧氏距离），把它分配给距离最近的那个簇中心。这样，所有场景就被分成了K个组。
3. 更新：对于每一个组，重新计算它的“簇中心”。这个新的中心就是这个组内所有场景点的平均值（质心）。原来的C位可能不够“中心”了，换一个更中心的。
4. 迭代：重复第2步和第3步，直到簇中心的位置不再发生变化，或者变化非常小为止。此时，算法收敛。

最终，我们得到了K个最终的簇中心，它们就是削减后的典型场景。同时，每个簇里包含了多少原始场景，这个数量除以总场景数N，就是这个典型场景的发生概率。比如，一个典型场景代表了500个原始场景，那么它的概率就是500/10000 = 0.05。

3.2 Matlab实现：一行代码的威力与背后的陷阱

在Matlab中，实现K-means聚类简单到令人发指：

% 假设我们的联合场景数据是一个10000行，3列的矩阵scenario_data
% 列依次是：风速， 辐照度， 负荷
scenario_data = [wind_speed_scenarios, solar_irradiance_scenarios, load_scenarios];

% 设定要削减到的典型场景数量，比如K=10
K = 10;

% 使用kmeans函数进行聚类
% idx: 每个原始场景属于哪个簇的标签（1到K）
% C: K个簇中心的坐标，即我们想要的10个典型场景
% sumd: 每个簇内所有点到其中心的距离之和
% D: 每个点到所有簇中心的距离
[idx, C, sumd, D] = kmeans(scenario_data, K, 'MaxIter', 1000, 'Replicates', 10);

% 计算每个典型场景的概率
probabilities = zeros(K, 1);
for i = 1:K
    probabilities(i) = sum(idx == i) / num_scenarios;
end

% 输出结果
disp('削减后的典型场景（簇中心）:');
disp(C);
disp('对应的概率:');
disp(probabilities);

看起来很美，对吧？但这里有几个我踩过的“坑”，你必须注意：

1. K值怎么选？ 这是最核心的问题。K选大了，削减效果不好，计算量依然大；K选小了，代表性不够，会丢失关键信息。我常用的方法是画一个肘部法则（Elbow Method）图。计算不同K值下的簇内误差平方和（就是上面代码里的sum(sumd)），这个值会随着K增大而减小。当减小趋势出现一个明显的“拐点”（像手肘一样）时，那个K值往往是一个好的选择。
2. 量纲与权重：风速（m/s）、辐照度（0-1）、负荷（MW）这三个量纲和数值范围天差地别。如果不做处理直接聚类，负荷的微小波动（比如几十MW）就会完全“淹没”风速和辐照度的变化，聚类结果会严重偏向负荷。必须进行标准化（Standardization）或归一化（Normalization）。我习惯用zscore进行标准化，让每个特征均值为0，标准差为1，站在同一起跑线上。

   scenario_data_normalized = zscore(scenario_data); % 标准化
   [idx, C_normalized] = kmeans(scenario_data_normalized, K, 'MaxIter', 1000, 'Replicates', 10);
   % 注意：得到的C_normalized是标准化后的中心，如需原始量纲，需反变换
   C_original = C_normalized .* std(scenario_data) + mean(scenario_data);
   

3. 初始化的随机性：K-means对初始簇中心很敏感，可能每次运行结果略有不同。Matlab的kmeans函数提供了'Replicates'参数（如上例设为10），让它重复运行多次并选择结果最好的那次，这能有效提升稳定性。
4. 结果评估：削减完了，怎么知道这K个场景好不好？除了看概率，还要看它们能否“还原”原始数据的统计特性。我会把原始数据和削减后场景（带概率）的均值、方差、相关系数矩阵拿出来对比，如果关键统计量匹配得很好，说明削减是成功的。

4. 在电力系统规划中如何应用这些“典型场景”？

生成了典型场景及其概率，我们的“弹药”就准备好了。在电力系统规划中，它们主要用在随机优化模型中。传统的确定性规划模型长这样： 最小化 总投资成本 约束：满足**某一个**特定场景下的电力平衡、线路安全等。

而引入场景后的随机规划模型则变成了： 最小化 总投资成本 + 期望运行成本 约束：满足**所有**典型场景（s=1,2,...,K）下的电力平衡、线路安全等。 其中，每个场景的约束都以其概率 weighted。

这就好比，以前你只为“晴天”这一种情况设计房子，现在你要设计一个房子，要能同时以不同概率应对“晴天”、“雨天”、“台风天”等多种情况，并且使得长期期望下的总成本（建造成本+维修成本）最低。

一个具体的应用例子是配电网中分布式光伏和储能的选址定容。规划者需要决定在哪些节点装多大容量的光伏和电池。使用我们的方法：

1. 生成该地区全年的风光负荷典型场景（比如24个时段 * 10个典型日 = 240个场景）。
2. 将这些场景及其概率输入到随机规划模型中。
3. 模型会求解出最优的安装方案。这个方案不是在某个“平均日”最优，而是在所有可能出现的波动情况下，长期期望成本最低、可靠性最高的方案。

实测下来，这种方法比用单一“典型日”做规划，结果要“稳”得多。它能有效避免因低估可再生能源波动性而导致的投资不足，或因高估而导致的投资浪费，真正实现了在不确定性中寻找最优决策。

5. 进阶思考与避坑指南

走通了基本流程，我们还可以思考一些更深入的问题，这也是项目能否从“能用”到“好用”的关键。

如何考虑风、光、负荷之间的相关性？ 现实中，大风天可能光照也强（晴天刮风），负荷也可能有日变化和季节变化规律。我们之前是独立生成三列数据，这忽略了它们之间的时空关联。更高级的做法是使用Copula函数或自回归移动平均（ARMA）模型等来生成具有相关性的时间序列场景。在Matlab中，可以先用历史数据拟合出它们的联合分布或相关系数矩阵，再进行抽样。

除了K-means，还有别的削减方法吗？ 当然有。K-means属于“聚类类”方法，它追求整体代表性。还有一类“概率距离类”方法，如快速前代消除法（Fast Forward Selection） 和同步回代消除法（Backward Reduction）。它们的思路是直接衡量场景之间的“概率距离”，迭代地合并或删除那些“相似”的场景，直到剩下指定数量的场景。这类方法有时在保留概率分布特性上更有优势。在实际项目中，我通常会两种方法都试试，对比一下削减后场景的统计保真度。

计算效率的权衡。场景生成和削减本身也需要计算时间。对于超大规模系统，可能需要采用并行计算（Matlab的parfor）来加速蒙特卡洛模拟。在K-means聚类时，对于海量数据（比如百万级场景），可以考虑先用小样本跑一遍肘部法则确定K值，或者使用Mini-Batch K-means等更快的变种算法。

最后，分享一个我的个人经验：永远不要迷信模型输出，要回头做验证。生成削减后的典型场景，一定要把它们放回到一个简化版的规划或运行模型里跑一遍，看看关键指标（如失负荷概率、线路阻塞小时数、总成本）和用大量原始场景跑出来的结果是否接近。如果偏差较大，就要回头检查分布参数拟合是否准确、K值选择是否合理、标准化处理是否得当。数据和模型是工具，工程师的判断和验证才是灵魂。这个过程虽然繁琐，但能帮你避开很多潜在的坑，确保你的规划方案既先进又可靠。