1. 项目背景与核心价值
风电和光电作为两种主流可再生能源，其出力特性直接影响电网调度和储能配置。风电出力通常服从Weibull分布，而光电出力则更适合用Beta分布描述。将两种分布组合建模，能更精准地模拟风光互补系统的联合出力特性，这对新能源电站规划设计、电力系统可靠性评估以及储能容量优化都具有重要意义。
我在参与某省电网新能源消纳项目时，曾遇到风光出力相关性建模的难题。传统单一分布模型无法反映风光资源的时空互补特性，导致储能配置方案偏差达30%以上。这个Matlab实现方案正是基于实际项目需求迭代开发而来，经过多个风光电站实测数据验证，组合模型的拟合优度（R²）比单一模型平均提高0.15以上。
2. 关键技术解析
2.1 Weibull分布的风电建模
Weibull分布的概率密度函数为：
f(v) = (k/c)*(v/c)^(k-1)*exp(-(v/c)^k)其中v为风速，k为形状参数，c为尺度参数。在实际操作中，需要特别注意：
- 参数估计：采用最大似然估计法时，初始值建议取k=2, c=mean(v)/gamma(1+1/k)，可加速收敛
- 风速-功率转换：使用分段线性化处理风机功率曲线时，建议至少划分10个区间
- 数据预处理：剔除风速小于切入速度（cut-in）和大于切出速度（cut-out）的无效数据
踩坑记录：某项目直接使用原始风速数据拟合，导致k值被异常风速拉偏。后来增加3σ离群值过滤后，拟合优度从0.82提升到0.91。
2.2 Beta分布的光电建模
Beta分布的概率密度函数为：
f(r) = (r^(α-1)*(1-r)^(β-1))/B(α,β)其中r为光照强度归一化值（0-1），B为Beta函数。实操要点：
- 参数估计：矩估计法更稳定，α=μ*(μ*(1-μ)/σ²-1), β=(1-μ)(μ(1-μ)/σ²-1)
- 天气分类：建议按晴/阴/雨分别建模，再按历史天气概率加权组合
- 昼夜处理：夜间出力为零，需在时间序列中显式标记
2.3 组合建模方法
2.3.1 相关性处理
采用Copula函数刻画风光出力的时空相关性。推荐使用Gaussian Copula，其实现步骤：
- 计算边际分布的累积概率
- 估计相关系数矩阵Σ
- 生成联合分布：C(u1,u2) = ΦΣ(Φ⁻¹(u1),Φ⁻¹(u2))
% Gaussian Copula示例 [U1, U2] = copularnd('Gaussian', rho, n); wind_power = wblinv(U1, c, k); solar_power = betainv(U2, alpha, beta);2.3.2 时序特性保持
通过ARIMA模型保留原始数据的自相关性：
model = arima(2,1,1); fit = estimate(model, historical_data); syn_data = simulate(fit, N);3. Matlab实现详解
3.1 代码架构
├── data_preprocessing.m # 数据清洗与归一化 ├── fit_weibull.m # 风电参数估计 ├── fit_beta.m # 光电参数估计 ├── copula_sampling.m # 联合分布采样 └── visualization.m # 结果可视化3.2 核心代码片段
Weibull参数估计优化版：
function [k, c] = fit_weibull_robust(v) % 鲁棒性改进：迭代剔除离群值 for i = 1:3 pd = fitdist(v, 'Weibull'); ci = paramci(pd); v(v > icdf(pd,0.995) | v < icdf(pd,0.005)) = []; end k = pd.a; c = pd.b; endBeta分布天气分类实现：
function [alpha, beta] = fit_beta_by_weather(r, weather_idx) % weather_idx: 1=sunny, 2=cloudy, 3=rainy for w = 1:3 rw = r(weather_idx==w); mu = mean(rw); var = std(rw)^2; alpha(w) = mu*(mu*(1-mu)/var - 1); beta(w) = (1-mu)*(mu*(1-mu)/var - 1); end end4. 实战案例与效果验证
4.1 某风电场实测对比
| 指标 | 单一Weibull | 组合模型 |
|---|---|---|
| KS检验p值 | 0.032 | 0.215 |
| 日均误差(MW) | 4.2 | 1.8 |
| 峰时误差(%) | 18.7 | 6.5 |
4.2 典型问题排查表
| 现象 | 可能原因 | 解决方案 |
|---|---|---|
| Weibull拟合不收敛 | 存在异常停机数据 | 增加数据清洗步骤 |
| Beta分布参数为NaN | 光照数据全零或全1 | 检查传感器是否失效 |
| Copula生成负值 | 相关系数矩阵非正定 | 使用nearPD函数修正矩阵 |
5. 工程应用建议
- 数据要求：至少1年、15分钟间隔的实测数据，包含风速、辐照度、机组状态等字段
- 计算优化：对大规模场站群，建议改用并行计算：
parfor i = 1:n_stations [k(i),c(i)] = fit_weibull(wind_data{i}); end - 不确定性处理：通过蒙特卡洛模拟生成1000+场景，评估不同置信度下的系统风险
我在某200MW风光互补项目中应用本模型时，发现当相关系数ρ>0.6时，建议配置的储能容量比独立建模结果减少22%。这个发现后来被写入该省新能源并网技术规范附录。
