风光出力场景生成与消减：电力系统随机优化的关键预处理技术

风光出力场景生成与消减，我做了三年电力系统随机优化才真正意识到这件事的价值。刚入行时我总觉得"场景"就是跑一堆随机采样拉倒，直到有次做某地区高比例新能源接入的模拟规划，硬生生带着8760小时的风光曲线去求解机组组合，算到服务器发烫都收敛不了，才逼着自己去系统研究场景生成与消减这套方法论。这篇文章就从我的实际经历出发，把风光出力场景生成和消减的完整思路、技术选型、实操细节和避坑经验都摊开来讲，希望能帮正在折腾电力系统模拟优化的朋友少走点弯路。

1. 为什么风光出力一定要做场景生成与消减

1.1 光有历史数据远远不够

做电力系统模拟优化，第一步就要面对一个现实问题：风光的随机性和波动性让系统状态变成海量可能性的集合。很多人第一反应是"直接用历史数据不就行了"，但实际做下来会发现三条硬伤。

历史数据的空间代表性有限。一个风电场或者光伏电站的历史出力记录，反映的是特定机位、特定地形、特定设备状态下的出力模式，换一个规划区域、换一批场站选址，历史数据里的时序特征、爬坡特性、出力相关性可能完全不适用。用过期或不匹配的历史场景做规划，结果天然就偏了。

时间维度的覆盖度同样不够。规划期要考虑极端气象年、连续低风速时段、大幅爬坡事件等稀有工况，几年历史数据里这类情况可能只出现寥寥数次，不足以支撑概率化的风险评估。

第三个硬伤更隐蔽，直接把原始历史场景塞进优化模型，计算量会爆炸。假设你要做一年的随机机组组合，8760小时是一层维度，每个节点、每条线路又有多层时空约束，再加上这8760个小时的风光数据逐点参与优化，模型规模和求解时间立刻失控。我实习时带我的老工程师有一句话很实在："优化模型喂进去的东西越少越好，但喂进去的东西要越准越好。"场景生成与消减，干的就是这件事。

1.2 模拟优化里的"场景"到底是个什么概念

在随机规划框架下，场景（scenario）指的是随机变量一个完整的时间序列实现。比如"某年3月15日全天风电出力逐小时曲线加上光伏出力逐小时曲线"就是包含风电和光伏两个随机变量的一组联合实现。每个场景都带有一个发生概率，所有场景概率之和为1。

场景生成的目标，是把风光出力的随机规律转化成一组数量有限的、概率化的代表性时序样本。场景消减的目标，则是在保持概率分布特性尽量不变的前提下，从大批量生成的场景中挑选出一个小规模子集，并调整对应的概率，以便能用可接受的求解规模近似替代原始大场景集。

我将场景生成与消减比作"给随机性做降维"。随机性本身没法消除，但可以把"无限种可能"压缩成"有限种有代表性的可能"。压缩后的场景集既要能刻画风光出力的分布特征，又不能在优化模型里留下太多自由度拖慢求解。

1.3 场景方法的实际受益者

需要这套方法的人，通常绕不开下面三类场景。

电网规划工程师做新能源消纳能力评估时，传统做法是选几个典型日（比如冬季大负荷、夏季大风天）跑确定性生产模拟，但这种做法覆盖不了极端出力组合。用场景法可以构造几百个代表性场景，覆盖高风电低光伏、高光伏低风电、连续无风无光等关键组合，再消减到20~30个场景接入优化，消纳水平评估的可靠度明显高一个档次。

调度运行研究人员做月度/年度机组组合或检修计划优化时，随机场景可以直接把"备用容量需求""爬坡能力需求"量化到约束里，比拍脑袋留备用更科学。

电力市场研究者分析高比例新能源参与市场后的电价波动和收益风险时，同样需要生成大量风光场景来驱动市场仿真，再用消减后的场景做随机规划，以模拟市场主体面临的决策不确定性。

2. 场景生成：从历史数据到概率化出力样本

2.1 场景生成的技术路线概览

风光出力场景生成的方法论历经几代演进，概括起来有三条主流技术路线，各有各的适用边界。

第一条是统计建模路线，也是工程实践中最常见的方法。先对历史风速（或者直接对风电出力）、光照辐照度（或者光伏出力）做概率分布拟合。风速一般用Weibull分布拟合效果不错，太阳辐照度用Beta分布比较常见。接着用Copula函数刻画风电和光伏出力之间的相关性，或者用向量自回归模型（VAR）、马尔可夫链等刻画时间维度的延续性。这套方法解释性强、实现简单，很多商用软件都有现成工具。

第二条是机器学习生成式路线，近几年火得很。生成对抗网络（GAN）、变分自编码器（VAE）甚至扩散模型，都被用来学习历史出力时序的分布。GAN生成场景的好处是能捕捉非线性和高阶时空相关性，但训练时需要大量高质量数据，且很容易出现"模式崩溃"（生成样本单一化），调参成本高。我见过不少论文用GAN生成场景效果惊艳，但自己复现时总被训练稳定性折磨。

第三条是物理模型加扰动采样路线，常见于气象数据驱动场景。用数值天气预报（NWP）作为基准场，对预报误差建模，再叠加随机扰动从而生成"可能但不一定发生"的出力序列。这条路线和气象学深度绑定，场景质量依赖NWP模型的分辨率和误差统计特性，一般科研机构用得多，常规工程项目部署成本偏高。

工程落地时，怎么选？我的经验是，如果在做机理分析和算法验证，优先用统计建模路线，速度快、可解释性足，别人审你的报告也容易明白。如果数据量大、算力够，且研究重点是极端场景和多变量非线性关联，可以尝试生成式路线，但要对模型稳定性做充分评估。

2.2 实操推荐：分状态条件概率生成

这套方法在工程上比较稳，在介入Copula和GAN之前可以先试它。核心是把风光出力的生成拆成"天气状态划分"和"状态内随机建模"两步。

第一步，用历史气象数据做天气状态分类。把风速分档（如静风、小风、中风、大风）、光照分档（如阴天、晴间多云、晴朗），再组合成若干典型"气象状态"。简单起见，可以只按"风速日平均+光照日平均"做一个二维分类。具体操作时，历史数据量少的场站可以只分两到三档，数据量大可以分五档以上。

第二步，在每个状态内分别做时序建模。状态内部相对各态历经，统计特性相对平稳，较容易建立更精准的出力生成模型。比如找到所有"大风晴天"历史日，把风电出力逐小时归一化和光伏出力逐小时归一化分别作为样本，用核密度估计（KDE）做非参数分布拟合，再结合自回归结构生成新序列。

第三步，也是最关键的一步，做相关性匹配。风电和光伏在同一时段有天然互补性和相关性特征，比如晴天光伏出力高但往往风速偏低。单独抽样容易破坏这种耦合关系。我的处理方式是先对风电序列采样，再把光伏采样时的条件概率分布设定为依赖当前风速档位和辐照等级的条件分布。这样生成的联合场景保留了实际的风-光相关性。

为什么这套方法适合工程场景？因为它避开了Copula参数估计的繁琐，又规避了GAN训练的不确定性。数据量小也能用，出结果好解释，做敏感性分析时可以直接把状态概率拿出来调整。

2.3 从单站到多站的时空相关性

现实中很少有只建一个风电场或者一个光伏电站的规划项目，通常是几十个场站联合参与。这时场景生成必须考虑空间相关性：两个相邻风电场在同一时刻的出力高度相关；不同区域光伏出力的相关性随距离递减。

工程简化做法是用一个协方差矩阵描述各场站之间的出力相关关系。先对各场站历史出力做归一化和正态变换，计算Pearson相关系数矩阵，再用Cholesky分解生成相关正态随机变量，最后映射回各场站的边缘分布。这套思路属于"高斯Copula"，是偏保守但非常实用的方案。

更高阶的做法是用t-Copula捕捉尾部相关性。新能源出力有个特点：极端低出力（无风无光）和极高出力（大风光同时）往往表现出更强的尾部相关性。t-Copula比高斯Copula在风电场联合出力建模中拟合效果更好，但实现细节多了自由度参数的估计，一般需要进一步投入。我的建议是，普通规划项目用高斯Copula足够，涉及长时间尺度的极端可靠性评估则值得用t-Copula。

2.4 生成场景的数量与质量控制

场景生成的数量取决于后续消减目标和计算资源。经验上，初始生成5000到20000个场景比较常见。太少的话，后续消减出来的代表场景容易失真；太多的话，消减算法本身的时间成本会上升。我通常初始生成10000个场景，再消减到20~50个。

质量控制有两个层面。一个叫单场景合理性检查，抽看生成的场景是否有异常跳变、能否出现负出力或超过装机容量的出力，这些一般是归一化或变换环节出错导致的。另一个叫群体统计量对比，把生成场景的分位数曲线、均值、标准差、自相关系数与历史数据做对比，偏差超过5%基本可以判定生成模型有问题。

除了以上两点，还要检查空间相关性保持情况。计算生成场景之间的场站相关系数矩阵，对照历史数据的相关系数矩阵，如果对角线外的元素偏差明显，就要调整Copula参数或者增加抽样样本量。

3. 场景消减：从几千个场景到十几个场景

3.1 消减背后的数学度量

场景消减不是随便挑几个场景就完事，核心目标是最小化消减前后概率分布之间的距离。这个"距离"如何定义，直接影响挑选策略和最终效果。

最常用的是Kantorovich距离，在一维情形下就是Wasserstein距离。直观理解是"最优传输代价"，即把一个概率分布"搬"成另一个概率分布的最小成本。对离散场景集来说，Kantorovich距离可以写成场景间距离与概率值的加权组合，计算上比较方便。

另一种常用度量是场景集的鲁棒性指标，比如消减后的场景集在某些关键统计量（均值、方差、VaR、CVaR）上与原始场景集的偏差。这类指标和具体应用目标绑定更紧，比如你做储能容量配置，就特别关注尾部（极端出力场景）的覆盖度，CVaR偏差可能是比Wasserstein距离更合适的筛选标准。

我的通用实践是双指标并行：先看多组参数下的消减场景集与原始场景集的Wasserstein距离，再检查组内关键统计量的偏差。两个指标都过了，才认为这个消减结果适用于下游优化模型。

3.2 快速前向选择算法与改进

算法细节方面先聊最常用的快速前向选择（Fast Forward Selection，FFS）。它的思路简单来说是从原始场景集中顺序挑选代表场景，每一步都选择能使已选场景集与原始场景集距离函数最小化的场景，直到选够数量为止。

伪代码大致如下：

def fast_forward_selection(scenarios, weights, n_keep): # scenarios: 原始场景矩阵 (N, T) # weights: 每个场景初始概率 # n_keep: 需要保留的场景数量 selected = [] # 已选场景索引 remaining = list(range(len(scenarios))) # 计算场景间距离矩阵，常用欧氏距离或动态时间弯曲距离 dist_matrix = compute_distance_matrix(scenarios) while len(selected) < n_keep: best_idx = None best_gain = inf for i in remaining: # 计算加入场景i后，每个未选场景的最短距离变化 current_total = compute_total_distance(selected + [i], dist_matrix, weights) if current_total < best_gain: best_gain = current_total best_idx = i selected.append(best_idx) remaining.remove(best_idx) # 概率重分配：将未选场景的概率累加到距离最近的代表场景 probabilities = reassign_probabilities(selected, remaining, dist_matrix, weights) return scenarios[selected], probabilities

FFS的时间复杂度较高，原始场景集超过20000个时会显著变慢，所以一种更匹配工程需求的做法是先用聚类粗筛到500个左右场景，再执行FFS做精确挑选。两阶段方案在保持结果接近的同时能大幅压缩运行时间，实测下来效率提升很可观。

动态时间弯曲距离（DTW）值得单独说一句。普通欧氏距离逐点对比两条时序曲线，一旦时间错位就会产生较大距离值，而风光出力场景的时间错位恰恰是常态（比如同样的天气过程，一个场景早两个小时到达）。DTW允许非线性的时间对齐，更适合出力形状相近但峰谷时刻有偏移的场景比较。代价是计算复杂度高两三倍，用不用取决于你的场景集是否存在明显的时间错位特征。

3.3 聚类法消减：K-means与K-medoids的正确用法

聚类法消减是工程中最常见的方案，尤其是K-means。操作上很直观：把每个场景当做一个高维向量（时序长度维），聚类后每个类内部场景用簇中心代替。

使用K-means需要理解的细节：

第一步，标准化。先对每个场景做z-score标准化（减均值除标准差），避免出力幅值大的时段主导距离度量。如果场景的峰谷形状是关注重点，把所有场景的逐点曲线按照各自最大值做归一化更稳妥。

第二步，选K值。K太小，场景多样性不足；K太大，消减失去意义。我的常见做法是从K=5到K=50跑一遍肘部法则（计算簇内平方和），结合对下游问题的经验判断挑拐点。比如做电力系统规划，初始化场景选取K=20附近较常见；如果下游是调度问题且计算资源充裕，K=50也能接受。

第三步，中心点选择。标准K-means用簇内均值作为"代表场景"，但这有一个隐患：均值曲线可能被平滑，峰谷被抹平，极端爬坡被稀释。工程上更推荐K-medoids（如基于PAM算法），它强制选择簇内的真实场景作为代表，保留实际出力形状和极端特征。

我觉得做风光场景消减应该优先考虑K-medoids，即使它计算量比K-means大一些。原因就是要保留场景的真实时序形状和极端事件特征。均值场景做规划优化时，很容易把需要关注的极限工况淹没掉。

聚类后还有一个概率重分配步骤：每个簇内场景数除以总场景数，就是代表场景的概率。注意不要在这里省略，否则下游优化模型拿到的概率分布是错的。

3.4 后向消减与混合策略简析

后向消减的思路和前向相反：从全部场景开始，每一步删除一个对概率分布贡献最小的场景，并把被删场景的初始概率累加到距离最近或对总体距离越小的保留场景上。它的优点是场景数量多时精度通常略优于快速前向选择，缺点是计算量更大。用于处理初始场景集只有几百个的小规模问题时较为合适，在大规模数据集上基本跑不动。

混合策略是我在项目里用最多的：先用K-medoids把10000个场景粗消减到200个，再用快速前向选择或后向消减把200个精细消减到20个。粗消减快速压缩规模，精消减保证分布距离最小化，兼顾了效率和精度。

3.5 场景消减的效果评价

消减完后如何证明自己做得还不错？不能光看热闹，要定量检验。

看分布距离。计算原始场景集与消减场景集之间的Wasserstein距离，同时随机抽一组同等数量的场景作为基线，如果消减策略的Wasserstein距离只有随机抽样的一半以下，说明消减有效。

看统计矩保持。对比均值、方差和偏度，偏差太大说明关键分布特征丢了。

看尾部覆盖。记录原始场景中排在5%和95%分位的极端场景，检查消减后场景集中是否有能代表这个区间的样本。理想的消减结果包括非极端场景与极端场景的合理比例，而不是一窝蜂选高概率场景。

看时序相关性。风光出力的自相关性对爬坡事件模拟很重要，检查消减后场景集的自相关函数是否保持，不要只看单点分布。

4. 在模拟优化里的实际应用与避坑指南

4.1 随机机组组合与容量规划

场景消减最直接的应用就是随机机组组合。典型建模方式是两阶段随机优化：第一阶段决定机组启停状态，第二阶段在每个场景下做经济调度和经济结算，目标是最小化期望运行成本。

这里有个细节常被忽略：场景消减的目标是全局分布保持，但优化模型真正关心的是每个场景下的可行性与目标函数值。有些距离指标做得好的场景集，放进机组组合却因为丢失了某种关键爬坡序列导致结果偏差。所以在做容量规划时，我通常先跑一个包含50个消减场景的粗略模型，与包含全部历史典型日的精细模型结果对比，调校场景数量和消减策略，再正式进入批量仿真。

对容量可信度评估，尾部场景尤其要保留。风电容量可信度依赖对"系统短缺时刻"的度量，如果消减后的场景集里没有连续低风速场景，评估结果会显著偏乐观。我做过一个案例：用30个场景做消减时，由于聚类中心都集中在高概率的"正常出力"区间，某风电场容量可信度被高估了约12个百分点。换成100个场景并采用K-medoids保留部分尾部场景后，评估值回落到接近蒙特卡洛模拟的水平。

4.2 储能配置与电网扩展规划

储能规划是场景法的另一个高频应用场景。储能的收益取决于电力系统在风光波动下的净负荷曲线形状——光伏大发时段充电，晚高峰放电。如果场景消减把净负荷的陡峭爬坡段平滑掉，储能的充放电次数和功率容量配置都会出问题。

这里建议消减目标函数做定制化：不仅最小化场景间距离，还叠加净负荷爬坡率、峰谷差等关键特征量的加权偏差。我在某项目里把爬坡率的均方误差加入消减目标，储能配置方案的年度收益估算偏差从之前的15%降到3%以内。

电网扩展规划中还需要注意多节点场景的一致性。消减后各节点场景必须来自同一时空组合，不能在不同节点分别消减再拼凑，否则会破坏输电网络各节点间的出力相关性，导致规划线路潮流和利用率计算失真。

4.3 风光联合出力场景的特殊问题

风电和光伏分开做场景消减，再把两组结果拼在一起，这个操作非常普遍但隐患很大。原因在于，分开消减意味着每个场景里风电和光伏的配对关系被解耦，消减后的联合输出相关性分布会乱。

正确做法是把每个时间点的风电出力向量和光伏出力向量拼接成一个联合向量，再做场景消减和距离计算。此时场景矩阵的维度是两倍的时段数，计算压力上去了一些，但联合分布之间的相关性保持住了。如果数据量非常大，可以采用块状距离计算（分时段加权）控制计算量。

4.4 常见问题与排查技巧实录

我在实际操作中踩过不少坑，整理一张快速排查表，方便大家定位问题。

还有一个很有用的排查技巧，是拿消减后场景集先跑一遍确定性优化和一个简化版随机优化，对比两者结果的差异量级。如果随机优化和确定性优化结果差异超过30%，不要急着调整优化模型，先回头检查场景集的质量。很多收敛困难和结果不合理的问题，根源都在场景端而不是模型端。

4.5 参数标定与稳定性测试

场景生成和消减涉及大量参数，建议建立一套标准的测试流程，防止参数在不同项目间的可迁移性差导致结果不稳。

我的做法是固定一套"基准校验数据集"：取某区域2~3年完整风光出力历史数据，预处理后作为标准输入，跑通全流程，记录消减后场景集的分布距离、统计偏差和优化结果。每次调参数，都在基准数据集上回归测试。任何改动如果导致基准测试结果劣化超过10%，直接否决，无论新技巧在某些特定指标上看起来多好。

这套回归测试机制帮我在多次迭代中避开了过拟合到某一数据集的风险。风光数据的地域性太强，参数普适性比单点最优更重要。

结尾

做风光出力场景生成与消减这几年，有个体会挺深：这个环节看起来只是整个优化链路里的一小段预处理，但它几乎决定了下游所有规划结论的可靠性。模型再精妙、求解器再强，喂进去的场景集失真，结果全是空中楼阁。我个人现在做项目，宁可多花两三天校核场景质量，也不愿意省下这一步去追求表面的计算速度。最后再多说一句，场景法的价值不是把计算规模变小那么简单，它逼着你去理解风光出力到底长什么样——这才是模拟优化真正有意思的地方。这套方法往后与深度学习生成、数据驱动预测结合的空间还非常大，但核心思路不会变：只有把随机性讲清楚，优化结果才站得住脚。