MATLAB代码：风光氢的场景生成与缩减 关键词：风电；光伏；氢负荷；蒙特卡洛模拟；启发式同步回带削减。 仿真平台：MATLAB 代码实现功能:考虑到风光氢发电的波动性和不稳定性，代码根据风光发电服从weibull分布和beta分布，氢负荷服从正态分布，用蒙特卡洛模拟生成1000个随机场景并用启发式同步回带削减缩减为5个典型场景。 相较于常用的K-means聚类场景缩减，该缩减方法少见。
风光氢系统的随机性建模是能源规划里挺有意思的活儿。今天咱们直接上手MATLAB，试试用蒙特卡洛搞点刺激的场景生成，再玩个不常见的场景削减套路——这可比常规的K-means带劲多了。
先来看看数据怎么造。风电出力用weibull分布模拟，光伏出力走beta分布，氢负荷直接上正态分布。MATLAB内置的分布函数这时候就香了：
% 生成1000个场景 num_scenes = 1000; % 风电参数（形状参数2，尺度参数8） wind = wblrnd(8, 2, [num_scenes, 24]); % 光伏参数（alpha=2, beta=5） pv = betarnd(2, 5, [num_scenes, 24]) * 100; % 氢负荷参数（均值50，标准差10） load_h2 = normrnd(50, 10, [num_scenes, 24]);这里有个细节，beta分布生成的是0-1之间的值，咱们乘100把它拉到合理的光伏出力范围。画个风电出力分布直方图会发现，数据集中在0-15m/s区间，和实际风机的切入切出速度特征吻合。
接下来是重头戏——同步回带削减。这名字听着玄乎，其实核心思想是边合并场景边计算概率权重。先计算所有场景间的欧氏距离矩阵：
% 合并三个维度的数据 full_data = cat(3, wind, pv, load_h2); [ns, T, n_var] = size(full_data); dist_matrix = zeros(ns, ns); for i = 1:ns for j = i+1:ns % 计算24小时总距离 dist_matrix(i,j) = sum(vecnorm(squeeze(full_data(i,:,:)) - squeeze(full_data(j,:,:)))); end end dist_matrix = dist_matrix + dist_matrix'; % 补全对称矩阵这里用了三维张量存储多变量时间序列数据，vecnorm函数处理每小时的多维差异。注意距离计算是累加全天24小时的差异，这样能保留时序特征，比K-means单纯聚类瞬时值更科学。
削减过程采用贪心策略迭代合并最近场景：
target_num = 5; while ns > target_num [min_dist, idx] = min(dist_matrix(:)); [row, col] = ind2sub(size(dist_matrix), idx); % 合并概率权重 merged_prob = prob(row) + prob(col); % 用加权平均生成新场景 new_scene = (prob(row)*full_data(row,:,:) + prob(col)*full_data(col,:,:)) / merged_prob; % 更新数据集和距离矩阵 full_data([row col],:,:) = []; full_data = [full_data; new_scene]; % ... 此处更新prob和dist_matrix ... end这个循环里每次合并的是概率权重最大的两个场景，新场景用概率加权平均生成。相比K-means直接取质心，这种方法能保留更多极端场景特征——比如某天突然出现的大风天气不会被平均掉。
最后得到的5个典型场景，每个都带着不同的发生概率。拿光伏出力曲线来说，可能会保留晴天、多云、阴雨等典型模式，而不是简单按出力大小分簇。这种削减方式的时间连续性保持得更好，做后续的调度优化时不容易出现时序跳变的问题。
跑完程序可以可视化对比下削减前后的场景分布：
figure; subplot(1,2,1) histogram(wind(:),'Normalization','probability'); title('原始风电分布') subplot(1,2,2) histogram(reduced_wind(:),'Normalization','probability'); title('削减后分布')虽然场景数从1000砍到5，但关键特征的分布形状基本维持，说明这波操作没白给。这套方法在风光氢这种多时间尺度耦合的系统里特别实用，下次做微电网规划可以试试这招。
