做风光氢联合系统的仿真最烦的不是写方程而是怎么处理“随机性”。风电看天吃饭光伏白天有晚上没有氢负荷又跟电解槽启停、氢能交通需求强耦合三者叠在一起模型的输入根本没法用一个固定值包住。如果每个项目都从零开始搭场景处理模块光调参和验证就能耗掉大半时间。我最近把手里用的这套MATLAB代码重新整理了一遍核心就是“蒙特卡洛模拟生成候选场景 启发式同步回代缩减”一套流程走下来能把1000个随机场景干干净净地缩成10个或20个代表性场景每个场景还带精确概率直接丢给后续的优化调度或容量配置模型用。这篇就围绕这套代码把建模思路、缩减算法、MATLAB实现细节和踩过的坑一次讲透。适合正在做电氢耦合系统规划、微电网随机优化、或者被“场景爆炸”折磨的研究生和工程师参考。1. 项目概述场景生成与缩减到底解决了什么问题1.1 风光氢系统的随机性痛点风光氢综合能源系统的运行模拟本质上是一个“输入随机、决策分层、状态耦合”的问题。风速、光照强度、环境温度决定了风机和光伏阵列的出力氢负荷则取决于下游用氢需求——燃料电池车加氢站的调度策略、工业用氢的连续负荷、电解槽自身的爬坡约束等。这些变量在同一个时间断面里相互独立又彼此干扰如果把每个变量的典型值拿来做确定性模型就会面临两个尴尬一是最优解过于乐观忽略了极端天气和负荷尖峰二是结果对初始参数极其敏感换个季节就完全不可信。我在做园区级风光氢系统容量配置的时候最开始就是用典型日曲线结果发现配置出来的电解槽容量在冬季大风天严重浪费在夏季无风期又完全跟不上负荷。后来改到期望值规划法就是把风速、光照的期望代入计算仍然解决不了“尾部风险”。真正让优化结果稳定可用的是引入场景树——让每个可能的“天气负荷”组合都成为一个完整场景再给每个场景一个发生概率最后在这个概率空间上求解期望目标函数。1.2 场景生成与缩减的定位场景生成负责“模拟足够多的可能性”场景缩减负责“在保留概率分布特征的前提下压缩计算规模”。这两步是紧密咬合的不能只做一半。只生成不缩减优化模型的状态变量会随着场景数线性爆炸1000个场景意味着1000倍的运行变量和约束一个三层架构的规划模型直接就能把内存撑爆。只缩减不生成又不可能凭空变出高质量的场景集合。所以标准的做法是先用蒙特卡洛模拟生成一个巨大的候选场景库再做同步回代缩减留下少量“典型代表”。这套MATLAB代码就是完整实现这两步的。为了照顾不同数据条件的项目我做了三个独立模块风光出力模拟模块负责基于概率模型生成24小时出力曲线氢负荷模块负责生成带随机扰动的日负荷曲线场景缩减模块则接受任意维度、任意数量的候选场景统一压缩。模块之间通过标准化的二维矩阵接口通信换数据不需要改逻辑。1.3 代码适用范围的几点说明坦白讲这套代码不是“上传数据点个运行就出结果”的黑盒它更适合有一定建模基础、想控制仿真细节的情况。我的使用场景基本有三类一是做电氢耦合微电网的规划方案复现需要快速给优化模型提供典型场景集二是做算法对比比如要对比不同调度策略在相同随机条件下的表现场景集必须保持一致三是做教学演示用少量场景把随机规划的核心流程讲清楚。如果你只是想要一个确定性的仿真结果不建议花费精力在这套流程上。但如果你希望自己的论文或工程报告里有扎实的随机性分析而不是一句“取典型日”带过那么这篇里讲到的每一步都能直接搬用。2. 风光氢随机性的概率建模与蒙特卡洛采样2.1 风速与风电出力的建模细节风电出力建模的底层变量是风速风速在工程上普遍用两参数威布尔分布描述。它的概率密度函数是f(v) (k/c) * (v/c)^(k-1) * exp(-(v/c)^k)其中k是形状参数c是尺度参数。k在1.8到2.3之间时分布形态接近实际风况k越大说明风速越集中于均值附近c与平均风速近似成正比一般取c ≈ 平均风速 / Γ(11/k)。我习惯用极大似然法从历史风速序列里直接拟合而不是凭经验拍脑袋选参数因为不同风场数据差异非常大特别是沿海和内陆的k值能差出0.5以上。蒙特卡洛采样时用逆变换法% 逆变换采样风速 u rand(n_scenarios, n_hours, n_wt); v c * (-log(1 - u)).^(1/k);这一步的速度很快但要注意两个坑。第一个坑是风速不能为负当u接近0时v会接近0符合物理实际但u等于1时v会无穷大需要在采样前用eps做边界处理。第二个坑是风电功率与风速不一定线性风机存在切入风速、额定风速、切出风速三个拐点。在代码里我把功率曲线写成分段函数p_w zeros(size(v)); p_w(v v_in | v v_out) 0; p_w(v v_in v v_r) p_r .* (v(vv_in vv_r) - v_in) / (v_r - v_in); p_w(v v_r v v_out) p_r;这里v_in取3m/sv_r取12m/sv_out取25m/sp_r是风机额定功率。实测下来线性段会带来一定的出力低估如果手头有厂家实测功率曲线建议直接查表插值代替线性段误差能降一个量级。2.2 太阳辐照度与光伏出力的Beta分布建模光伏出力的随机性首先来自水平面总辐照度在某个固定时段内辐照度可以用Beta分布拟合。Beta分布的定义域是[0,1]正好对应光照强度的归一化范围密度函数由两个形状参数α、β控制。α/β的比值决定分布的均值αβ的大小决定分布的集中度。我在代码里根据历史辐照度数据用矩估计法快速求解α和βmu mean(g); sig2 var(g); alpha mu * (mu*(1-mu)/sig2 - 1); beta alpha * (1-mu) / mu;这里g是归一化到[0,1]的辐照度序列。直接用betarnd函数采样辐照度再乘上该时段的最大辐照度简单快捷。光伏阵列的实际出力还需要考虑两个工程因素。一是辐照度与功率的线性关系存在上限逆变器在最大功率点附近会限幅二是温度效应组件表面温度升高会导致输出电压下降功率衰减近似为负温度系数。我的光伏模型公式是p_pv p_stc * (G/G_stc) * (1 k_t * (T_cell - T_stc))其中p_stc是标准测试条件下的额定功率G_stc取1000 W/m2k_t一般取-0.004 /℃左右T_cell通过环境温度和辐照度联合估算。如果不考虑温度效应夏季午间的仿真出力会明显偏高进而导致电解槽容量配置偏小这个偏差在工程上不可忽视。2.3 氢负荷的随机性与时序耦合处理氢负荷建模比风光出力更麻烦因为它既受确定性调度逻辑驱动又带随机需求波动。我采用的方案是用一个典型日负荷曲线作为均值基线再加一个服从正态分布的随机扰动项。典型日负荷曲线可以从加氢站的历史加注记录、工业用氢计划里提取如果没有也可以按照电解槽满负荷运行小时数反推。随机扰动项的标准差我通常取均值的10%到20%太高会产生负负荷太低又体现不出波动性。处理负值的方式不是截断而是做一个简单校验——若某时段采样值小于0直接将该时段置为0并重新归一化整条日负荷曲线保证日总用氢量不出现明显漂移。更有意思的是氢负荷与风光出力的时序耦合。在实际电氢系统中电解槽往往在风电大发或光伏大发时增加出力从而把弃风弃光转化为氢能。如果完全独立采样氢负荷会丢掉这种天然的相关性。我在代码里预留了一个corr_mode参数置1时氢负荷的随机扰动项与风电出力偏差同向叠加模拟“大风天电解槽多出力”的调度逻辑置0时各序列独立采样。两种模式得到的最优配置结果差异很大这一点在后面应用部分还会展开。2.4 蒙特卡洛模拟的采样规模与随机数管理蒙特卡洛模拟不是采样越多越好采样规模直接与后期缩减计算量挂钩。我建议候选场景数取1000到2000再多收益很有限但缩减阶段的计算时间会成倍增加。主循环采样时注意保证三条序列的时间维度一致风电24个时段、光伏24个时段、氢负荷24个时段。每个场景都表示为一个72行的列向量前24行是风电中间24行是光伏最后24行是氢负荷。这样后面做距离计算时可以整体处理不需要分序列遍历。随机数管理也是工程上容易翻车的地方。MATLAB的rand和randn共享同一个全局随机数流如果不设置种子两次仿真结果完全不同不利于复现论文结果。我通常在代码开头固定随机流rng(2024, twister);这样整个场景生成过程完全可复现评审或合作方要求提供原始数据时也不会因为“随机数不一样”导致无法核对结果。3. 启发式同步回代缩减原理与MATLAB实现3.1 为什么不用K-means聚类做缩减很多人上手就会问场景缩减不就是聚类吗直接用K-means不行吗我尝试过但从结果上说K-means不太适合这个任务。K-means优化的是几何距离的平方和聚出来的中心是“平均场景”而不是从原始场景中挑出的“真实代表”。缩减后的场景直接从候选集中取样意味着每个场景必须保留原始时序特征比如某些时段的尖峰、多峰形态K-means中心会把这种特征平滑掉在后续优化中导致低估极端事件的影响。另一个问题在概率上。K-means聚类后每个簇的概率等于簇内样本数除以总样本数这个逻辑虽然成立但簇中心的样本在原始空间里可能并不真实存在而场景缩减的输出是要作为随机规划的场景树节点节点上的时序值必须是物理上可实现的。同步回代的方法则是每次迭代真正删除一个现有场景把被删场景的概率转移给距离最近的保留场景因此输出场景永远是候选集合里的真实样本。3.2 场景距离度量欧氏距离与Kantorovich距离的取舍同步回代缩减的核心依赖是“场景之间的距离”。距离定义不同缩减结果完全不同。最常用的是欧氏距离计算72维向量之间的二范数D(i,j) sqrt(sum((S_i - S_j).^2))实现简单物理意义直观适合作为默认方案。更严谨的做法是采用Kantorovich距离。Kantorovich距离本质上是最优传输问题的最小运输代价在概率分布对比中比欧氏距离更精确。定义如下两个场景的概率分布分别为P、Q则Kantorovich距离为DK(P,Q) inf { ∫∫ c(s,s) dπ(s,s) : π ∈ Π(P,Q) }其中c是场景状态间的代价函数Π是所有以P和Q为边缘分布的联合分布集合。在离散场景集合中这个距离计算复杂度很高。工程实践中的折中方案是删除场景i时用i到剩余场景的最小欧氏距离乘以该场景概率作为“删除代价”这其实是Kantorovich距离的启发式近似。我用MATLAB实现时直接利用pdist2函数快速计算两两距离核心代价向量计算如下D pdist2(scn, scn, euclidean); D(D 1e-10) inf; % 自身距离置为无穷 [minD, minIdx] min(D, [], 2); cost prob_vec .* minD;minD向量的第i个元素表示场景i到最近保留场景的距离minIdx记录了最近邻居的索引。cost向量就是“删除场景i的Kantorovich近似代价”每次选代价最小的场景删掉。3.3 同步回代的完整迭代流程同步回代的核心思想是贪心每一步只删除一个场景同时把被删场景的概率加到离它最近的保留场景上。整体流程可以拆成五步第一步输入候选场景矩阵scn维度为T×NT是时序长度N是场景数以及各场景初始概率prob_vec初始概率通常都取1/N。第二步计算场景两两距离矩阵D并得到每个场景的最近距离及最近邻索引。第三步计算每个场景的删除代价cost prob .* minD找到代价最小的场景i_star以及最邻近j_star。第四步将i_star的概率累加到j_star上然后从场景矩阵和概率向量中删除第i_star列。第五步重复第二到第四步直到剩余场景数达到目标值最后对概率做归一化。这里有一个很多人容易忽略的细节每删除一个场景后距离矩阵必须重新计算至少也要更新受影响的局部区域。因为最近邻关系在概率转移之后会发生变化上一次检查时代价第二小的场景在下次迭代时可能变成代价最大的候选。我第一版实现为了提速删除后只更新与j_star相关的距离行结果缩减后的场景集在某些极端风况下丢失了关键场景。后来干脆每次都全量重算距离矩阵虽然耗时多一些但结果稳定可靠。3.4 启发式同步回代与标准回代的差异标准同步回代每一步都会全量更新删除代价结果最优但复杂度高在小规模场景下问题不大但场景数达到2000时每步O(N^2)的距离计算加扫描会非常慢。启发式同步回代的主要改进是允许批量删除即每次迭代找出代价最小的若干场景一次性删除并同步做概率转移。这样迭代次数可以从N-k减少到对数级别。实际实现时我设置一个max_remove参数每次迭代最多删除候选场景数的10%。经过大量测试这样的批量策略与逐次删除相比最终场景集在Kantorovich距离上的偏差通常控制在5%以内但运行时间能节省60%以上。代码实现如下n_remove max(1, floor(N * 0.1)); for rr 1:n_remove [~, i_star] min(cost); j_star minIdx(i_star); prob_vec(j_star) prob_vec(j_star) prob_vec(i_star); removed_flag(i_star) true; 更新cost和minIdx; end % 一次迭代后统一删除所有标记场景这个启发式版本在2000个场景缩减到10个时总运行时间从约90秒降到约20秒在反复调整目标场景数做灵敏度分析时非常实用。但如果你的目标场景数与候选数差距不大或者对结果精度要求很高建议退回逐次删除模式核心逻辑是一致的只是把批量循环改成单步。4. 完整代码框架与工程化配置4.1 代码模块划分与主程序流程我把代码组织成四个主文件main_scenario.m负责统一调度gen_wind.m、gen_pv.m、gen_hydrogen.m分别生成三种场景序列hs_backward_reduction.m执行缩减plot_scenario_result.m做结果可视化。文件少接口明确大概500行以内的量级。主程序流程非常简单先设置全部基础参数再依次调用生成函数组合场景矩阵最后调用缩减函数输出结果。以24小时仿真为例目标中间存储格式是struct数组字段包括wind_seq、pv_seq、hydrogen_seq、scn_matrix、prob_original、prob_reduced。用struct的好处是后续接入优化模型时可以一次性传参避免在不同脚本之间传递零散变量的麻烦。对于需要批量做季度仿真的人可以再在外面套一层循环每次仿真把结果存下来我这里就不展开讲了。4.2 关键参数配置面板我把所有需要手动调整的参数集中到一个参数区块方便不同项目间切换。以下是我常用的默认配置候选场景数N_raw取1000目标场景数N_target取10到20。时段数T_horizon取24风机额定容量P_w_r取300MW切入风速v_in取3m/s额定风速v_r取12m/s切出风速v_out取25m/s。光伏额定容量P_pv_stc取200MW温度系数k_t取-0.004/℃标准辐照度G_stc取1000W/m2。氢负荷均值序列由外部文件load h2_load_profile.mat读入标准差系数取0.15。威布尔参数k、c和Beta参数α、β用历史数据拟合并写入config.mat。这些参数不是固定的任何项目都需要根据自己的对象系统重新标定。不要因为看到代码里有默认参数就直接套用尤其不要拿某个海域的风速参数去模拟内陆风电场。4.3 矩阵维度的约定与数据校验整个代码最容易出错的地方就是维度。我的规则是场景矩阵永远是 时序长度 × 场景数量三维场景用 (T × N) 的连续堆叠表示即风电占前24行光伏占24行氢负荷占24行。在缩减时pdist2函数的输入是scn也就是把每个场景看成列向量计算两个72维向量之间的欧氏距离。我加了一段数据校验在生成候选场景后自动检查每个场景的最大值和最小值范围。如果某场景的光伏出力在夜间时段出现负值直接报错提醒如果氢负荷出现负值则触发自动修正逻辑。工程里最怕的不是模型有误差而是数据偷偷出错导致后面所有优化结果都跟着失真所以第一道防线一定要放在数据入口处。4.4 可视化输出与结果导出缩减完没有可视化和导出代码价值会打对折。plot_scenario_result.m画出三类图第一类是缩减前后风电、光伏、氢负荷的期望曲线对比用蓝色实线画缩减前的均值红色虚线画缩减后的均值能直观看出12个典型场景是否保住了整体分布形态第二类是每个缩减场景的风光氢曲线堆叠图用透明度区分概率大小概率大的场景颜色深概率小的颜色浅第三类是缩减前后概率直方图对比。结果导出统一用saveas_scenario_output函数生成MAT格式和CSV格式。CSV格式有两种布局一种是长表布局每行包含场景编号、时段、风电、光伏、氢负荷、概率适合导入Excel或Python做进一步处理另一种是宽表布局方便直接粘贴进论文附录。我强烈建议在导出前先备份一份原始候选场景不要只保存缩减后的结果否则后续想换一种缩减目标场景数重新来还得重新跑一遍蒙特卡洛采样浪费时间。5. 场景缩减结果的评价与应用5.1 缩减前后结果对比的量化指标缩减好不好不能光看曲线重合度高要有量化指标。我常用的评价指标有三个。第一个是概率分布误差用缩减前后各时段出力的均值误差和标准差误差衡量。均值误差E_mean是缩减后场景概率加权均值与原始候选场景概率加权均值的绝对差除以原始均值这个值理想情况下控制在5%以内。标准差误差E_std类似但更敏感能反映极端场景的保留程度。第二个是Kantorovich距离变化对比缩减前后整个概率分布的距离计算公式用前面矩阵D的加权和。第三个是极值覆盖能力把原始候选场景集合中风电、光伏出力的最大值和5%分位数找出来再检查缩减后的场景集中是否仍然存在接近这些极值的样本。在我做过的一个算例中2000个候选场景缩减到15个后风电的均值误差0.8%标准差误差2.3%光伏的均值误差1.1%标准差误差1.7%氢负荷的均值误差3.5%标准差误差4.9%。氢负荷误差偏大的原因是它的随机扰动项方差较大缩减过程会优先丢弃一些低概率的极端负荷场景。如果用户特别关注氢负荷极端场景可以在距离矩阵计算时给氢负荷序列增加权重系数把这一项的影响放大。5.2 典型算例从1000个场景到15个场景我拿一个典型的300MW风电、200MW光伏、100MW电解槽电氢耦合系统做了一次完整测试。蒙特卡洛生成1000个候选场景后用启发式同步回代逐步缩减至15个。缩减过程中的概率分配呈现出明显的“马太效应”少数高概率场景累积了超过70%的概率质量剩下的大部分场景概率都很小。这完全符合预期因为正常情况下风速、辐照度的分布在均值附近集中高概率场景代表的是“普通天气”低概率场景代表的是“极端天气”。值得留意的是极端场景虽然概率低但绝不能删成0。它们的价值在于触发优化模型中的约束边界比如在电解槽最小技术出力约束下如果对应场景的氢负荷极低而光伏出力极高那么系统就必须配置足够的储氢容量来平衡。我在实际容量优化时发现忽略这些低概率场景的后果是储氢罐容量偏小15%左右一旦遇到连续阴雨大风天气氢能供应就会出现缺口。5.3 场景集如何接入后续优化模型缩减后的场景集和概率向量可以作为多场景随机规划的直接输入。以典型的两阶段随机优化为例场景集决定第二阶段运行变量的约束条件矩阵概率向量决定目标函数的加权系数。MATLAB中我使用YALMIP或MATLAB的linprog直接构建场景约束块。具体来说规划变量分成两类第一类不随场景变化例如机组容量、储氢容量第二类随场景变化例如各场景下的电解槽功率、储氢罐储氢量。所有第二类变量都要带场景索引代码结构大概是x_op sdpvar(T_horizon, N_target, full); % 遍历每个场景建立该场景的能量平衡约束 for s 1:N_target Constraints [Constraints, ...]; end Objective sum(prob_reduced .* sum(OPEX, 1));这种结构在YALMIP里非常自然代码写起来也清晰。如果你用的是Python对应的是Pyomo的ConcreteModel Scenario Set或者用Gurobi的Python接口搭建多场景约束逻辑完全一致。核心就是一点每个场景都有一套独立的运行变量所有场景共享全局规划变量场景间通过概率加权进入目标函数。5.4 计算效率实测与优化技巧我在一台配置为i7-12700H、16GB内存、MATLAB R2023b的机器上做了实测。生成1000个候选场景24时段风光氢全序列耗时约12秒主要瓶颈在风速采样、辐照度采样和功率曲线转换这三个操作都是逐点循环。优化方式是向量化一次性生成1000×24的采样矩阵再统一调用功率函数耗时可以压到6秒。缩减阶段标准逐次回代从1000缩减到15个场景耗时约90秒启发式批量版本约20秒。如果说20秒还嫌慢可以进一步简化距离矩阵计算只计算每个场景到当前前20个高概率场景的距离而不是全量计算。这样的近似在概率极化严重时几乎不损失精度但距离计算量直接减少一个数量级。我在处理3000个候选场景的大算例时用这个技巧总时间控制在15秒左右。6. 常见问题与排查技巧实录6.1 缩减后场景概率之和不为1这个是最容易碰到的问题根源在于浮点累加误差。场景缩减的每一步都会做概率转移1000次迭代下来double精度的浮点舍入误差会累积到10^-10量级虽然单个误差极小但在概率归一化后可能出现最后一个小数位不干净的问题。解决方式很简单在缩减结束做一次归一化prob_reduced prob_reduced / sum(prob_reduced);同时建议在后续优化模型输入概率前检查一下概率是否为严格正值有些求解器对零概率场景仍然会生成约束造成无效计算。如果某个场景概率被算成1e-16直接设为1e-6或删除都行不会对结果产生影响。6.2 采样出的功率出现负值或超过额定值风速采样出的值本身不会为负但光伏Beta分布采样在个别极端情况下可能得到接近0的辐照度乘以温度修正系数后如果环境温度远低于标准温度功率计算可能为负。这个问题的本质是线性温度修正模型在极端低温时不准确实际光伏组件的功率不会降到负值。我建议加上clip操作p_pv max(p_pv, 0)并且限制p_pv不能超过p_stc的1.1倍防止光照异常增大时模型给出超物理范围的出力。风电功率也有类似的超界风险特别是风速紧贴额定风速时功率曲线分段函数在拐点处可能产生跳变。解决方法是把分段边界改为等号判断并在v_r边界取min(p_r, 计算值)。这些细节看似不起眼但会直接导致优化问题无解。6.3 场景数太少导致缩减结果失真有的用户为了计算方便直接要求把1000个场景缩减到3个或者5个这样大概率会丢掉关键时序特征。我碰到的典型例子是缩减到3个场景后所有保留场景都落在“风光互补较好”的情形反而缺失了“夜间大风无光”这个对电解槽运行影响最大的场景。解决办法是确定目标场景数时考虑系统随机变量的维度组合。一般而言风电、光伏、氢负荷三者相关性较强时10个场景足够三者独立时建议不低于15到20个。如果你发现缩减后某个关键极端场景被删掉了一个变通做法是在缩减前人为添加几个“影子场景”——把历史极端日的出力曲线加进候选集然后保证保留概率下限这样模型能强制保留这些工程关心的极端情况。6.4 运行时间过长怎么定位瓶颈如果整体运行时间超出预期我建议在代码里加profile on跑一遍或者直接分阶段打印时间戳。通常瓶颈就三个位置蒙特卡洛循环内频繁调用功率计算函数、场景缩减时反复计算全量距离矩阵、可视化时一次性绘制上千条曲线。常见优化手段是功率曲线函数改用逻辑索引一次性计算避免循环内逐点调用距离矩阵用pdist2并让MATLAB自动多线程绘图时随机抽100条曲线画预演图最终图只画缩减后的场景。真实项目中我把一次2000场景的完整流程从5分钟优化到40秒靠的就是这三板斧。6.5 如何确认缩减后场景的物理一致性除了数值指标我还会人工抽查几个场景做物理合理性检查。例如风电场景第18时段的出力值是否与该时段采样风速对应的功率曲线值一致光伏场景夜间时段是否全为0氢负荷场景的日总量是否在合理波动范围。这类检查往往能发现建模阶段埋下的bug例如时序错位、数据文件导入顺序与代码假设不一致等。记住一条核心原则数值上合理不等于物理上正确物理检查是场景生成代码投入正式使用前绝对不能跳过的步骤。7. 写在最后的经验与建议这套代码前前后后用了两年多从最初的纯蒙特卡洛、无缩减版本到加入K-means版本再到最终的启发式同步回代版本中间推翻了不少方案。我个人最深的体会是场景缩减不是越“聪明”的算法越好而是要跟后续优化模型匹配。如果你的优化模型是做可行性分析希望找到满足所有场景的鲁棒解那么缩减时一定要刻意保留极端场景如果你的优化模型是期望成本最小化那么就按Kantorovich距离最小化来缩减即可不需要人为干预场景挑选。还有一个经验是不要忽视场景生成阶段的历史数据质量。威布尔和Beta分布的参数拟合效果直接取决于输入风速和辐照度序列的时间尺度和采样间隔。我遇到过用户拿月平均风速去拟合威布尔分布结果采样出来的风速全部落在3到6m/s之间风电场景完全失去波动性。正确做法是用10分钟或1小时分辨率的实测序列至少覆盖一整年拟合参数时剔除异常值和停机时段效果会完全不一样。关于扩展方向这套代码还有一个隐藏的“接口”价值。场景矩阵一旦标准化为T×N的格式你完全可以替换生成模块把氢负荷换成电动汽车充电负荷或者把光伏换成光热电站出力缩减算法部分完全不用动。我最近就在做“风光储充”系统的类似扩展只改了生成函数和参数配置缩减与评价部分直接复用开发周期缩短了七成。这也是当初坚持把生成和缩减解耦的最大回报。