风电和光电的出力特征完全是两回事风电机组的出力跟着风速走而光伏板的出力由太阳辐照度主导。以前我们做并网仿真的时候经常直接把风电和光伏的出力当作一条确定性的曲线送进去直到后来做了可靠性评估和储能容量配置才发现这种“确定性”处理会带来很大的偏差。风电可以看成服从Weibull分布而光电功率经归一化后可以用Beta分布来描述把这两个分布组合到一起就能在时序模拟中同时刻画风、光的概率特性这在实际项目中是特别有用的一个研究方向。这个题目我完整跑过一遍Matlab代码从实测风速数据拟合Weibull参数到光伏辐照度归一化后拟合Beta参数再到两种分布的联合采样和出力叠加整体链路是很清晰的。这篇整理了整套思路和实操细节适合做微电网规划、新能源消纳分析或者概率潮流的朋友参考尤其是想用Matlab快速实现又不确定参数估计怎么选、怎么组合最合理的人可以直接照着做。1. 项目整体设计与思路拆解1.1 为什么风电偏偏用Weibull分布实际的风速数据几乎都不是对称的多数情况下风速集中在某个区间但又存在明显的右偏长尾也就是偶尔会出现很高的风速极值。Weibull分布正好能刻画这样的统计特性它有两个参数一个形状参数k决定分布曲线的形态一个尺度参数λ决定风速的整体水平。只要这两个参数选得合适无论是沿海风电场那种相对稳定的风速特征还是内陆地区那种风速波动大的场景都能被很好地覆盖。从物理意义上看风速是一个非负的连续随机变量Weibull分布的定义域恰好是[0, ∞)这比正态分布更贴合物理事实。另一个关键点是风力发电的有功出力与风速的三次方相关也就是说风速的小幅变化会被放大成功率的大幅波动所以功率分布通常不直接用正态分布拟合而选择Weibull作为源头分布更稳妥。实测中我最早也试过用正态分布拟合风速拟合优度检验直接给P值大幅拒绝换成Weibull之后就顺利通过了。1.2 光电功率为什么落到Beta分布上光伏出力的物理过程与风电不同太阳辐照度本身存在白天、夜晚的强周期性而且受云层遮挡的影响出力波动频繁但在归一化之后有一个天然的上限即相对辐照度或相对出力落在[0,1]区间内。Beta分布正好定义在[0,1]之间它的形状由两个正参数α和β控制α大时分布偏向高频段β大时则偏向低频段二者配合还能呈现出偏态、单峰等形态非常灵活。Beta分布在这里的核心价值就是作为有界分布它能同时处理好光伏出力在夜间趋近于0和在晴天中午靠近满发这两种极端工况。相比之下正态分布理论上是无边界的把归一化辐照度硬套正态分布很容易在[0,1]区间外产生概率质量这在物理上是说不通的。实际项目里我们一般先把光伏功率除以装机容量换算成标幺值只保留白天有出力时刻的数据再做Beta拟合效果很稳定。1.3 组合研究最大的意义在哪把这两种分布组合起来目的并不仅仅是画两条拟合曲线而是要在同一套随机框架下描述风光联合出力。微网规划里我们关心的是系统总出力的概率分布不同置信水平下的出力区间以及极端情况出现的概率这些信息都可以用组合分布推算出来。独立性和Copula是两种常见路线独立性假设虽然简单但计算效率高适合作为初始基准如果后续需要刻画风光的负相关性或互补性再在模拟中引入相关系数或者Copula联结函数。我的整体代码结构分成了四块数据预处理、风能Weibull拟合、光电Beta拟合、组合蒙特卡洛模拟。每一步都单独封装成函数方便调试和替换数据。组合模拟也不是直接把两个拟合函数连乘就完事而是通过随机采样生成大量风速和辐照度样本再经过功率转换函数得到出力的联合分布最后用统计直方图和概率曲线输出结果。2. 风电Weibull分布建模的完整实操2.1 Weibull公式和参数含义风速v的Weibull概率密度函数写作f(v) (k/λ) * (v/λ)^(k-1) * exp[-(v/λ)^k]v ≥ 0累积分布函数是F(v) 1 - exp[-(v/λ)^k]形状参数k是无量纲的它决定了分布的形状。k接近1时分布退化成接近指数分布风速变化非常剧烈k在2到3之间时曲线呈典型的右偏单峰k大于4时分布收窄风速相对集中。尺度参数λ与风速数量级一致单位为m/s它大致对应分布达到峰值的风速水平但不等于平均风速平均风速与λ的关系是E(v) λ * Γ(1 1/k)Γ是Gamma函数。参数估计时如果只算平均风速或者只靠经验公式很容易在形状差异大的场景下失真所以我不太推荐直接手算矩估计优先用极大似然估计。2.2 MLE、最小二乘和矩估计怎么选Matlab里拟合Weibull参数至少有三种思路我逐个试过各有特点。极大似然估计是统计上最牢靠的它通过最大化样本的似然函数来求解k和λ不存在线性化带来的偏差样本量越大越稳健。Net工具箱里fitdist函数用的就是MLE直接调包非常省事。最小二乘法的思路是把累积分布函数线性化。对F(v)做两次变换可以得到ln[-ln(1-F)] kln(v) - kln(λ)这样就用ln(v)作为自变量ln[-ln(1-F)]作为因变量做线性回归斜率就是k截距可以反推λ。这个方法直观而且不需要迭代求解缺点是它对经验CDF值的计算方式很敏感尤其是排序端点附近会出现较大的误差。矩估计法则直接用样本一阶矩和二阶矩联立方程组求解计算速度最快但精度在样本呈现双峰特征时直线下降。我实际项目里一般先用MLE作为主流方案再用最小二乘法画概率图做交叉验证。如果两组参数画出来的密度曲线差异很大那就说明数据本身质量可能有问题或者样本中存在明显的离群点这时候需要回头检查数据而不是纠结于算法。2.3 Matlab拟合代码与拟合优度检验这里给一段我常用的完整代码风速数据放在本地CSV文件里第一列是时间第二列是风速clc; clear; close all; % 读取风速数据 data readmatrix(wind_speed.csv); v data(:, 2); v v(~isnan(v)); % 剔除缺失值 v v(v 0); % 剔除零风速或无效记录 % 极大似然拟合Weibull分布 pd_w fitdist(v, Weibull); k pd_w.B; % 形状参数 lambda pd_w.A; % 尺度参数 fprintf(Weibull 形状参数 k %.4f\n, k); fprintf(Weibull 尺度参数 lambda %.4f\n, lambda); % 概率图交叉验证 probplot(weibull, v); grid minor; % KS检验 [h, p] kstest(v, CDF, pd_w); fprintf(KS检验 h %d, p %.4f\n, h, p);运行结果里我遇到过几种情况最常见的坑是CSV里有表头readmatrix默认会把它当数据读进来导致前几行风速变成NaN或异常值所以读取后一定要加上类型检查和范围过滤。还有一次数据集里混入了几条测风仪结冰时的无效数据风速显示为-9999如果不做剔除拟合出来的λ直接偏小概率图严重偏离参考线。拟合优度这块我建议同时看KS检验的p值和概率图。p值大于0.05可以认为不拒绝Weibull假设但p值只是一个参考样本特别大时微小偏差也会导致p值变小所以更要靠概率图人工判断散点围绕参考直线分布越紧拟合质量越高。2.4 风电功率转换的环节拟合出风速分布只是第一步实际做组合出力的时候还需要风速-功率转换曲线。理想风功率曲线可以写成P_w(v) 0, v v_cut_in 或 v ≥ v_cut_out P_w(v) P_rated * (v - v_cut_in)^3 / (v_rated - v_cut_in)^3, v_cut_in ≤ v ≤ v_rated P_w(v) P_rated, v_rated ≤ v v_cut_out常用切入风速取3m/s额定风速取12m/s切出风速取25m/s。这段转换要在蒙特卡洛模拟中反复使用所以我一般单独写一个匿名函数放在主脚本里避免每次循环都重复写判断逻辑v_cut_in 3; v_rated 12; v_cut_out 25; P_rated 1000; % kW power_curve (vv) P_rated .* (vv v_cut_in vv v_rated) .* ... ((vv - v_cut_in).^3 ./ (v_rated - v_cut_in).^3) ... P_rated .* (vv v_rated vv v_cut_out);这个功率曲线公式是工程上常用的简化模型没有考虑空气密度修正和尾流损失但用于概率分布研究和容量配置已经足够。如果有厂家提供的实测功率曲线直接插值代替公式会更精确我建议拿到实测数据时优先用插值法。3. 光伏Beta分布建模的关键步骤3.1 Beta分布公式和归一化处理Beta分布的概率密度函数为f(x) [x^(α-1) * (1-x)^(β-1)] / B(α, β)0 ≤ x ≤ 1其中B(α, β)是Beta函数归一化后保证密度积分等于1。均值是α/(αβ)方差是αβ/[(αβ)^2*(αβ1)]。从公式可以看出当α和β都大于1时分布是单峰的当α小于1时会偏向0点聚集β小于1时会偏向1点聚集。光伏数据的处理和风电不同我用的卫星辐照度数据或者电站实测功率数据首先要换算成归一化值。一种做法是辐照度除以1000W/m²这对应标准测试条件下的辐照度基准另一种做法是直接取实测功率除以电站额定容量。这里有个容易踩的坑Beta分布要求数据严格落在[0,1]内但实际辐照度偶尔会因为传感器误差略超过1000W/m²或者光伏功率效率异常导致标幺值超过1直接丢给fitdist会报错或者拟合成畸形分布。我一般在归一化后加一行clamp操作x max(0, min(1, x));同时还要剔除夜间辐照度接近于0的大量样本。如果不剔除x序列里会有海量的0值Beta分布会在0点堆积一个尖峰拟合结果的概率密度在中段严重失真。我一般只保留辐照度大于10W/m²的有效白天时段这样刻画的是光伏实际可发出力时的随机波动。3.2 Matlab里用矩估计还是极大似然估计Matlab中最直接的是调用betafit函数内部采用极大似然估计返回α和β。数据量大时速度很快用法如下% x为归一化光伏出力取值[0,1] x x(~isnan(x)); x x(x 0.01 x 1); % 过滤无效低出力时段 alpha_beta betafit(x); alpha alpha_beta(1); beta_param alpha_beta(2); fprintf(Beta 参数 alpha %.4f, beta %.4f\n, alpha, beta_param);矩估计算起来更直观由样本均值m和样本方差s²反推alpha m * [m*(1-m)/s² - 1] beta (1-m) * [m*(1-m)/s² - 1]问题在于矩估计对样本均值、方差特别敏感尤其当数据接近均匀分布或者大量集中在边界上时求出来的参数甚至可能为负。所以我建议把矩估计只当作初值校验最终采用极大似然估计的结果。如果两种方法给出的参数差异巨大大概率是数据边界上有异常值。3.3 季节性对Beta参数的影响光伏Beta分布的参数不会全年稳定。夏季晴天多归一化出力概率密度往往集中在0.7到0.9的高位区间α大β小而冬季或者多云的季节出力可能双峰分布一部分在0.2以下一部分在0.6左右单峰Beta拟合效果就不太好。我在处理跨季节数据时会先按月份划分每个月单独估算一组α、β再放入全年时序模拟。这样做虽然增加了参数数量但模拟精度明显提升。如果只是为了看长期趋势也可以直接用全年数据拟合一组参数误差在可接受范围内但需要清楚这个做法会忽略季节变化组合模拟得到的极端出力概率会被平均化。如果你拿到的数据里同时存在晴空时段和阴雨时段还可以考虑混合Beta分布也就是两个Beta分布按权重叠加。但混合模型的参数估计会比较麻烦Matlab里没有现成函数通常要用EM算法自己迭代目前很多项目在基础研究阶段用单Beta就够了混合模型留到做精确时序仿真时再上。4. 组合建模与蒙特卡洛模拟实现4.1 独立性假设下的组合原理风能Weibull分布和光电Beta分布各自刻画了单一电源的随机性组合研究的第一步一般先假设风速与辐照度相互独立。这个假设在物理上当然不完全成立比如强风天气往往伴随云层快速移动会影响光伏出力但这种耦合关系在数据不足时很难准确建模独立性假设能提供一个简洁的基准版本。在独立性假设下风、光出力的联合概率密度等于二者概率密度的乘积。我们要做的不是解这个二维联合分布的解析解而是用蒙特卡洛方法从两个分布中分别采样再把采样值经过各自的功率转换函数得到一组总出力的模拟样本。这样做的优势在于不论两个分布形态多复杂也不论功率转换曲线多曲折只要采样规模够大结果都能逼近真实联合分布。4.2 蒙特卡洛采样的Matlab代码直接给出我调试好的核心代码包含联合采样和结果统计% 采样规模 N 100000; % 从Weibull分布随机采样风速 v_sample wblrnd(lambda, k, N, 1); % 从Beta分布随机采样归一化辐照度/出力 x_sample betarnd(alpha, beta_param, N, 1); % 风电功率转换P_rated_w为风电装机容量 P_wind power_curve(v_sample); % 单位kW % 光伏功率转换P_rated_pv为光伏装机容量 P_pv x_sample * P_rated_pv; % 单位kW % 总出力 P_total P_wind P_pv; % 统计结果 p_mean mean(P_total); p_std std(P_total); p_p90 quantile(P_total, 0.1); p_p10 quantile(P_total, 0.9); fprintf(总出力均值 %.2f kW\n, p_mean); fprintf(总出力标准差 %.2f kW\n, p_std); fprintf(P90 %.2f kW, P10 %.2f kW\n, p_p90, p_p10); % 绘制总出力频率直方图 figure; histogram(P_total, 100, Normalization, pdf); xlabel(风光总出力/kW); ylabel(概率密度); title(风光联合出力概率分布); grid on;这段代码里wblrnd和betarnd都是Matlab自带的随机采样函数用起来很方便。有一点要提醒wblrnd和betarnd接受的第一参数不是平均值而是分布参数本身形状参数顺序要分清wblrnd的调用形式是wblrnd(scale, shape)其中第一个是λ第二个是k不要写反。4.3 结果解读与工程应用模拟完成后我最常拿出的指标是P90和P10出力值它们分别对应置信水平10%和90%下的出力下限。简单说P90表示系统出力低于该值的可能性只有10%P10表示出力高于该值的可能性只有10%。这两个值在实际规划中直接决定备用容量和储能配置规模。另一个实用做法是画“持续时间曲线”把总出力样本从大到小排序横轴是超越概率纵轴是出力值。这个图在宏观规划里特别好用可以直观看出风光互补系统的保证出力区间。代码很简单sorted_p sort(P_total, descend); prob_axis (1:N) / N; figure; plot(prob_axis * 100, sorted_p, LineWidth, 1.5); xlabel(超越概率/%); ylabel(总出力/kW); title(风光伏联合出力持续时间曲线); grid on;从这张曲线能看出风电与光伏按一定容量配比组合后在高概率区间出力比较稳定而在极端低概率区间会快速下降。如果两条电源的分布参数选得合适组合结果的尾部比单一电源更平缓这就是“互补效应”在概率层面的直观体现。4.4 容量配比的影响我在研究里还会把风电装机与光伏装机的比例作为变量分别模拟1:1、2:1、1:2等场景观察联合出力均值和方差的变化。这个逻辑很简单风电和光伏的出力时间特征完全不同风电的Weibull分布全天都有概率产生出力而光伏Beta分布只在白天有效所以光伏占比越高系统出力的昼夜差异越大。想要更贴近真实系统可以在时序模拟框架里进一步处理比如按小时给Beta分布的均值乘上日照强度系数让白天的均值高、夜晚的均值低。这种扩展写法我推荐在你有实测辐照度数据时使用只靠分布参数做静态组合研究容量配比分析做到上面这一步已经足够。5. 常见问题与排查心得实录5.1 Weibull拟合的几个典型坑先列出我在实际拟合中反复踩过的坑。第一个是风寒数据源存在大量重复值比如测风仪分辨率只有0.1m/s数据排序后会出现平台状的经验分布MLE对这种现象没有直接纠错能力拟合出的k会偏大让分布看起来比实际更集中。我的处理方法是尽量选高分辨率仪器数据或者对数据进行适度平滑。第二个坑是风速数据里包含或者缺少零风速时段。物理上微风和静风时段确实存在但如果站点测量环境特殊零值占比过高拟合结果就特别依赖这些零值样本。我通常会把数据按月份或者气候周期切片每个切片单独拟合再看各切片参数是否稳定如果波动异常大就需要怀疑数据质量而不只是算法问题。第三个问题藏在场景有时候你只有一个区域的风电总出力数据没有直接的风速数据。此时如果用总功率直接拟合Weibull需要先把功率折算到等效风速再把转换曲线理解成反向映射。这个操作容易引入误差我不太建议在精度要求高的场景下使用。5.2 Beta分布拟合的边界问题Betafit遇到最突出的问题就是数据越界。光伏功率的标幺值理论上不可能超过1但电站自身耗电或传感器偏置可能让数据变成1.01甚至1.05betafit虽然不会直接报错但极大似然估计会把这些点当作界外点处理结果失真得很厉害而且非常难察觉。我在代码里固定加一段if any(x 0 | x 1) warning(发现越界数据已自动截断到[0,1]范围); x max(0, min(1, x)); end另一个问题是数据中的0值过多。如果你不剔除夜间时段的0出力拟合出的Beta分布会在0点聚集中间段的密度被压低导致上午和下午低出力时段的概率被高估。我在主流程里默认过滤掉小于0.01的样本之后拟合参数才有意义。第三个坑是极端天气日造成的离群数据Beta分布对离群点不像正态分布那么敏感但如果样本量本身只有几百个一整天大雾导致的低辐照度就会把β参数拉得特别大。建议先画箱线图检查归一化出力数据的分布范围再做拟合。5.3 Matlab代码层面的调试心得这段组合代码我在自己机器上跑了多个版本遇到最多的问题反而是矩阵维度和函数入参顺序上的小事。wblrnd(scale, shape)与fitdist返回的pd.A、pd.B顺序正好一致A是尺度λB是形状k但和有些教材里的(shape, scale)写法相反跨语言参考代码时非常容易搞混。另一个常见问题是随机数种子没有固定导致每次运行结果略有不同。蒙特卡洛模拟本身有随机性这是正常的但如果连续两次模拟的P90差异超过装机容量的3%我会检查采样次数是否太小或者分布参数是否有误。固定随机种子的写法很简单rng(2024);这样既能让研究可复现又不会影响随机采样的统计特性。初始种子取固定值还是随机值看场景正式论文建议固定方便审稿人复核。5.4 一点实操建议总结数据质量对拟合结果的影响远大于估计方法的选择。我见过很多同学花大量时间比较MLE和最小二乘的细节结果数据里有整天的风速缺失和辐照度越界这些前处理问题不解决后面用什么算法都是空中楼阁。拿到数据的第一件事永远是画时间序列图和散点图目视检查数据的物理合理性。另外在做组合模拟前建议先单独验证两个分布的拟合质量。一个比较快的做法是把原始数据的经验CDF和拟合分布的CDF画在同一张图中如果两条曲线贴合良好再进行组合模拟如果某一段明显分离先解决拟合问题再谈组合。磨刀不误砍柴工这话在概率统计建模里一条路走到底也适用。这套代码跑通以后扩展方向是很自然的例如把独立性假设升级成Copula函数引入风速与辐照度的负相关结构或者把静态Beta分布扩展成按时段变化的分段Beta模型。核心思路不变变化的只是连接两个分布的方式掌握了Weibull和Beta的建模方法后面的进阶研究就能顺畅衔接。