风电的出力随机性有多难搞做过新能源并网仿真的人都懂风速忽大忽小光照一阵一阵你要是拿个正态分布去套风功率曲线尾巴根本对不上。圈里早就形成了一套经验——风速用两参数Weibull分布去拟合光照辐照度用Beta分布去描述这两兄弟一个管风、一个管光单独用都很顺手。但实际新能源电站往往是风光互补或者风-光-储联合系统你得把风电和光电的随机性组合起来看不能各自为政。这篇博文就聚焦这件事为什么偏偏是Weibull和BetaMatlab里怎么做参数估计、怎么做组合建模、怎么出联合场景我会把从数据清洗到结果验证的完整套路都拆开讲附上可以直接用的代码片段顺便聊聊我踩过的那些坑。适合正在做新能源出力建模、电力系统随机优化或者论文复现的朋友参考。1. 为什么是Weibull和Beta两种分布与新能源出力的契合点1.1 风电出力与Weibull分布的前世今生风电场出力的源头是风速而风速的统计特性在全球大多数风资源评估里都被认为服从两参数Weibull分布。这不是拍脑袋定的Weibull分布的概率密度函数长这样[ f(v) \frac{k}{c}\left(\frac{v}{c}\right)^{k-1} \exp\left[-\left(\frac{v}{c}\right)^k\right] ]其中 (v) 是风速(k) 是形状参数(c) 是尺度参数。(k) 的大小决定了分布的形状(k) 较小时曲线偏向低风速区说明这个场址常年风小(k) 较大时曲线更“瘦高”风速集中在均值附近。(c) 则和平均风速直接挂钩基本上决定了整体风速水平。为什么Weibull能这么好用因为它是一个灵活的右偏分布风速不可能为负而且大概率集中在中低风速区间偶尔出现阵风拉出长尾——Weibull的尾巴正好能描述这种“极端风速虽然少但存在”的特性。我在实际项目里拟合过不少测风塔数据发现一个规律如果只用平均风速去估计年均发电量结果通常会偏高 10%~15%因为忽略了风速波动带来的出力非线性。用Weibull拟合风速分布再结合功率曲线转换计算出来的发电量往往更接近实际。这也是为什么风电可研报告里Weibull分布几乎是标配。单台风机的实际出力 (P_w) 和风速 (v) 之间是分段函数关系[ P_w(v) \begin{cases} 0 v v_{cin} \text{ 或 } v \ge v_{cout} \ P_r \cdot \frac{v-v_{cin}}{v_r-v_{cin}} v_{cin} \le v v_r \ P_r v_r \le v v_{cout} \end{cases} ](v_{cin})、(v_r)、(v_{cout}) 分别是切入风速、额定风速、切出风速(P_r) 是额定功率。也就是说即使风速分布拟合得很准从风速到功率还需要经过一个非线性映射这块在建模时容易被忽略后面我会专门讲。1.2 光伏出力与Beta分布的适配逻辑光伏出力来自辐照度而辐照度在晴天、多云、阴天下的表现差异极大它的经验分布通常呈单峰偏态且在 0 和最大值附近都有一定概率堆积。Beta分布特别适合刻画这种有界区间上的连续随机变量因为它的定义域就是 ([0,1])正好对应归一化后的辐照度或光伏出力标幺值。Beta分布的概率密度函数是[ f(x) \frac{\Gamma(\alpha\beta)}{\Gamma(\alpha)\Gamma(\beta)} x^{\alpha-1}(1-x)^{\beta-1}, \quad 0 \le x \le 1 ]其中 (\alpha, \beta) 是形状参数(\Gamma) 是Gamma函数。当 (\alpha 1, \beta 1) 时分布呈单峰(\alpha \beta 1) 时退化均匀分布(\alpha 1) 时在 0 附近有奇异性。注意到Beta分布定义域包含端点 0 和 1这在实际光伏出力数据里非常重要——夜间出力为 0正午满发时出力接近额定值数据里会大量出现 0 和接近 1 的样本Beta分布天然能处理这种两端堆积而正态分布、对数正态分布都做不到。实际建模时通常先把辐照度除以某个参考值比如晴空辐照度或全年最大辐照度归一化到 ([0,1])再用Beta拟合。如果直接用原始瓦每平方米数据去拟合Beta分布的参数估计会非常不稳定。之前有个师弟直接拿原始辐照度跑 mle结果训出来的分布几乎是一条水平线完全没法用原因就是没归一化。1.3 组合研究的核心价值单独拟合风电、单独拟合光伏很多资料里都有现成代码。但在风光互补电站、含高比例新能源的配电系统里风电和光伏的出力天然存在互补性白天光照强但风可能小晚上风大但光为零夏天光照好冬天风大。这种互补关系会直接影响系统容量配置、储能充放电策略和可靠性评估。如果只是把两个独立分布拼在一起等于默认风、光之间没有相关性会低估系统出力波动导致配置的储能容量偏小、备用不足。组合研究的价值在于用联合概率模型描述风、光出力之间的相关结构和各自的边缘分布。这样既能保留Weibull和Beta各自的拟合精度又能捕捉“风小的时候光通常好”“阴天往往风也弱”这类实际规律。得到联合分布后可以生成大量满足相关性的风速-辐照度/风电-光电场景样本用于蒙特卡洛模拟、随机规划或容量优化。这也是我这篇文章想重点讲清楚的部分。2. 数据准备与预处理从实测数据到概率分布2.1 数据来源与清洗要点做分布拟合的前提是有可靠的实测数据。风力、光伏数据一般来自测风塔10m~120m不同高度、气象站、光伏电站SCADA系统、NASA MERRA-2再分析数据或者NWP数值天气预报。对于研究用途我建议优先用实测SCADA数据因为它直接就是风电、光伏并网功率省去了风速转功率的误差如果研究风速-辐照度联合特性则用测风塔和辐照度仪同步数据。数据清洗有几个必须处理的问题剔除停机、检修、限电时段的数据。限电时段的风电出力不是自然出力会严重拉低高风速区间的样本导致 Weibull 形状参数 (k) 被低估。剔除异常跳变点。比如风速瞬间从 3m/s 跳到 25m/s 再跳回来多半是传感器故障。处理夜间光伏数据。晚上辐照度接近 0但逆变器可能仍有微小的自耗电导致功率不为 0需要设一个死区如功率小于额定值 1% 时置为 0。时间分辨率的选择。做分布拟合不需要秒级数据一般取 10min 或 1h 的平均值即可既能平滑湍流影响又保留日周期性。数据清洗完要画一下经验频率直方图先肉眼确认分布形态是否符合Weibull/Beta的预期。如果风速直方图出现明显的双峰可能是特殊地形如山谷风造成的这时候用单一Weibull可能不够得考虑混合Weibull分布。不过大部分平原、海上风电场还是很好用的。2.2 风速转功率的常用模型如果你手里是风速数据而不是直接的风电功率需要先通过风机功率曲线转换。工程上最常用的是分段线性模型前面提到过此外也可以用厂商提供的离散功率曲线查表插值或者用三次函数拟合[ P_w(v) \begin{cases} 0, v v_{cin} \ \frac{1}{2}\rho A C_p v^3, v_{cin} \le v v_r \ P_r, v_r \le v v_{cout} \end{cases} ](\rho) 是空气密度默认 1.225 kg/m³(A) 是风轮扫掠面积(C_p) 是风能利用系数。但 (C_p) 实际并非常数现代变速风机通过桨距角控制和最大功率跟踪保持 (C_p) 接近最优值所以上述三次方模型在额定风速以下近似成立。更稳妥的做法是直接用厂家功率曲线做插值或者代入实际机组的功率曲线拟合多项式。还有一个细节风电场内多台机组之间存在尾流效应场内平均风速和单机风速不同。如果你做的是场级建模最好用场级等效功率曲线而不是直接把单机功率乘以台数。否则高风速区间的出力会被高估因为尾流让下游机组吃不到同样的风。2.3 辐照度转功率的归一化处理光伏功率与辐照度的关系相对简单近似线性但受温度影响显著。常用模型是[ P_{pv} \eta \cdot G \cdot A \cdot \left[1 - \beta_t (T_{cell} - T_{ref})\right] ](G) 是斜面辐照度(A) 是光伏板面积(\eta) 是参考效率(\beta_t) 是温度系数通常 -0.4%/℃ 左右(T_{cell}) 是电池板温度。对于概率分布建模我们不需要精确到每一瓦而是关注统计特性所以通常直接把光伏出力除以额定容量得到标幺值 (p_{pv} P_{pv}/P_r)。这样得到的标幺值落在 [0,1] 区间正好喂给Beta分布。但这里有个坑如果标幺值用最大实测功率而不是额定容量通常最大实测功率低于额定容量这样出来的标幺值永远到不了 1Beta分布的右端点会没有样本堆积参数估计会偏向中间。我建议统一用额定容量作基准还应该把样本整体乘以一个略大于 1 的系数或者干脆把边界样本做一点微小的平移比如把 1 改成 0.9999防止Beta分布的似然函数在端点上算出来是无穷大这个问题后面详说。3. Matlab实现参数估计的完整流程3.1 Weibull分布参数估计方法最大似然与拟合优度Matlab 里用最大似然估计MLE可以直接调用wblfit函数它会同时返回形状参数估计值和置信区间% 假设 wind_speed 是清洗后的风速样本向量m/s [param_hat, param_ci] wblfit(wind_speed); % param_hat [ahat, bhat]注意顺序是尺度参数 a、形状参数 b % 注意Matlab的weibull分布定义中第一个参数是尺度参数A第二个是形状参数B A_hat param_hat(1); % 尺度参数 c k_hat param_hat(2); % 形状参数 k如果你不想依赖wblfit也可以手写MLE方程组。两参数Weibull的对数似然函数为[ \ln L \sum_{i1}^{n} \left[ \ln k - \ln c (k-1)\ln v_i - (v_i/c)^k \right] ]对 (k) 和 (c) 分别求偏导并令其为零得到[ c \left( \frac{1}{n}\sum_{i1}^{n} v_i^k \right)^{1/k} ][ \frac{1}{k} \frac{\sum_{i1}^{n} v_i^k \ln v_i}{\sum_{i1}^{n} v_i^k} - \frac{1}{n}\sum_{i1}^{n} \ln v_i ]第一个式子可以用数值解第二个等式没有闭式解得用fzero迭代。经验上直接wblfit又快又稳但你要是做算法对比或写论文想展示公式手写MLE也很有价值。拟合完一定要做拟合优度检验。最直观的是画直方图和拟合曲线的对比图figure; histogram(wind_speed, 40, Normalization, pdf, FaceColor, [0.7,0.7,0.7]); hold on; v_plot linspace(min(wind_speed), max(wind_speed), 500); pdf_weibull wblpdf(v_plot, A_hat, k_hat); plot(v_plot, pdf_weibull, r-, LineWidth, 2); xlabel(风速 (m/s)); ylabel(概率密度); legend(经验直方图, Weibull拟合曲线);3.2 Beta分布参数估计方法与边界处理Matlab 里 Beta 分布拟合可以这么做如果只用最大似然可以直接用betafit函数[alpha_hat, beta_hat] betafit(x); % x 的取值必须在 (0,1) 开区间内这个函数用的是矩估计迭代法其实也可以手写MLE。Beta分布对数似然函数[ \ln L n\ln\Gamma(\alpha\beta) - n\ln\Gamma(\alpha) - n\ln\Gamma(\beta) (\alpha-1)\sum \ln x_i (\beta-1)\sum \ln(1-x_i) ]对 (\alpha, \beta) 求导后是一组含 digamma 函数的方程组Matlab 里可以用fmincon或者直接数值求解。betafit底层已经做了这些但它的默认算法在样本边界接近 0 或 1 时容易报错。我自己遇到过最典型的报错Error using betafitcheckinput (line 85) X must contain values in the interval (0,1).原因就是数据里有 0 或 1。风电夜间出力为 0、光伏午间满发为 1这是常态。解决办法有两种数据截断/平移把所有 0 替换为一个极小值如 1e-6所有 1 替换为 0.999999再调用betafit。使用零膨胀Beta分布Zero-One Inflated BetaZOIB给 0 和 1 分别分配独立的概率质量。这个方法更严谨但参数多两个实现也更复杂。如果只是做模拟场景把 0/1 作微小扰动即可如果做严格统计推断建议用 ZOIB。我这里给出一个通用的 Beta 参数估计函数含边界处理function [alpha_hat, beta_hat] fit_beta_safe(x) % x: 样本向量理论上在 [0,1]但可能含 0 或 1 x x(:); % 边界平滑 eps_val 1e-6; x(x 0) eps_val; x(x 1) 1 - eps_val; [alpha_hat, beta_hat] betafit(x); end3.3 函数编写与核心代码解析把整套流程封装成函数是最舒服的做法我习惯写一个fit_renewable_distributions.m输入风速、光伏标幺值两个列向量输出四个参数function [A_hat, k_hat, alpha_hat, beta_hat] fit_renewable_distributions(wind_speed, pv_pu) % 1. 风电 Weibull 拟合 [param_wbl, ~] wblfit(wind_speed); A_hat param_wbl(1); k_hat param_wbl(2); % 2. 光伏 Beta 拟合带边界平滑 pv_pu(pv_pu 0) 1e-6; pv_pu(pv_pu 1) 1 - 1e-6; [alpha_hat, beta_hat] betafit(pv_pu); % 打印结果 fprintf(Weibull: A%.4f, k%.4f\n, A_hat, k_hat); fprintf(Beta: alpha%.4f, beta%.4f\n, alpha_hat, beta_hat); end这个函数看着简单但有几个地方值得解释为什么先处理边界再调用betafit因为betafit内部会检查区间一旦发现端点值直接报错。为什么用 1e-6 而不是 0.001因为 Beta 分布在 0 附近的密度变化剧烈如果扰动太大会把原本集中在 0 的那部分样本“推开”导致 (\alpha) 被高估。1e-6 在数值上足够小同时又能避免参数爆炸。4. 两种分布组合的耦合建模与场景生成4.1 为什么要组合而不是独立相关性带来的实际影响很多新手会觉得反正我有风速分布和辐照度分布分别抽样再用功率曲线转换不就完事了这样做隐含了一个假设风速和辐照度是独立随机变量。但实测数据告诉你天气系统是协同演变的——同一个天气过程支配着风、光、温度、云量。比如冷锋过境时往往伴随大风和阴天风速高但辐照度低夏季午后雷阵雨前风速增大、云量增多辐照度骤降。如果用独立抽样你会生成大量“大风且晴空”的不合理场景这些场景在现实中根本不会出现。用更专业的话说我们需要构造风-光出力之间的联合分布其中边缘分布分别指定为 Weibull 和 Beta。但联合分布不是简单地把两个边缘乘起来而是要引入相关系数或 Copula 结构。如果不考虑相关性做随机生产模拟时系统的净负荷方差会被低估储能配置会偏小极端场景漏判这是工程上不能接受的。4.2 Copula理论在组合建模中的应用Copula 是连接边缘分布的工具它把联合分布拆成两部分边缘分布和相关性结构。Sklar定理告诉我们对任意多元联合分布 (F(x_1, x_2))存在一个 Copula 函数 (C)使得[ F(x_1, x_2) C\left(F_1(x_1), F_2(x_2)\right) ]对于我们这种非线性、非椭圆分布最常用的是 Gaussian Copula 和 t-Copula工程上 Gaussian Copula 基本够用。它的公式是[ C(u, v; \rho) \Phi_\rho\left(\Phi^{-1}(u), \Phi^{-1}(v)\right) ]其中 (uF_1(x_1))(vF_2(x_2))(\Phi) 是标准正态分布的 CDF(\Phi_\rho) 是相关系数为 (\rho) 的二元标准正态联合 CDF。用Gaussian Copula处理风-光组合的好处是边缘分布可以任意指定比如 Weibull 和 Beta相关性只由 (\rho) 控制而 (\rho) 可以从实际风速、辐照度数据中估计。估计方法先把风速样本 (v_i) 做概率积分变换 (u_i F_{Weibull}(v_i))辐照度样本 (g_i) 做 (t_i F_{Beta}(g_i))然后计算 (\Phi^{-1}(u_i)) 和 (\Phi^{-1}(t_i)) 的 Pearson 相关系数这个相关系数就是 (\rho) 的估计值。Matlab 里可以用copulafit一行搞定U [u_wind, t_pv]; % 两列均为[0,1]均匀分布样本由边缘CDF变换 [rho, nu] copulafit(Gaussian, U);这里rho就是 Gaussian Copula 的相关矩阵。注意copulafit默认输入是均匀分布样本所以你需要先用自己的边缘CDF做变换。4.3 基于组合模型生成风光联合出力场景有了边缘分布和 Copula 参数生成联合场景就很容易了。核心思路先从一个相关系数为 (\rho) 的二元标准正态分布中抽样得到 ((z_1, z_2))再变换回均匀分布 ((u, v) (\Phi(z_1), \Phi(z_2)))最后用边缘分布的逆CDF反变换得到风速和辐照度样本最后通过功率曲线转换得到风电、光伏出力。Matlab 代码示例% 输入A_hat, k_hat, alpha_hat, beta_hat, rho, N样本数 function [wind_power, pv_power] generate_scenarios(A_hat, k_hat, alpha_hat, beta_hat, rho, N) % 1. 从二元标准正态分布抽样相关系数为rho Z mvnrnd([0, 0], [1, rho; rho, 1], N); % N x 2 % 2. 概率积分变换 U normcdf(Z); % 每一列服从均匀分布 % 3. 边缘逆变换 wind_speed wblinv(U(:, 1), A_hat, k_hat); % Weibull 逆CDF pv_pu betainv(U(:, 2), alpha_hat, beta_hat); % Beta 逆CDF注意是开区间 % 4. 功率转换以某2MW风机和光伏额定容量为例 v_cin 3; v_r 12; v_cout 25; P_r_w 2; % MW wind_power zeros(N, 1); wind_power(wind_speed v_cin wind_speed v_r) ... P_r_w .* (wind_speed(wind_speed v_cin wind_speed v_r) - v_cin) / (v_r - v_cin); wind_power(wind_speed v_r wind_speed v_cout) P_r_w; % 光伏额定容量假设为1MW标幺值乘以额定容量 P_r_pv 1; % MW pv_power P_r_pv * pv_pu; end核心点来了第 2 步的normcdf是把正态样本映射到 [0,1]这正是 Gaussian Copula 的“标准步骤”。第 3 步的wblinv和betainv是 Matlab 自带的逆CDF函数。因为边缘分布已经是我们拟合好的精确参数这个流程生成的样本在边缘分布上精确地服从 Weibull 和 Beta而在联合结构上保持了指定的相关性。你可以算一下生成样本的 Spearman 相关系数会发现它和实测的 Spearman 相关系数非常接近而不是 Pearson。5. 验证与结果分析拟合优度检验与误差对比5.1 常用拟合优度指标RMSE、R²、K-S检验拟合完参数不要直接拿去用必须做检验。对于连续分布常用的指标有RMSE均方根误差比较经验CDF和理论CDF在每个数据点的差异公式是 (\sqrt{\frac{1}{n}\sum_{i1}^{n} [F_{emp}(x_i) - F_{theo}(x_i)]^2})。RMSE 越小越好。决定系数 R²虽然主要用于回归但也可以用来衡量拟合曲线的解释程度。R² 接近 1 说明拟合效果好。K-S 检验Kolmogorov-Smirnov检验经验分布与理论分布是否一致。Matlab 里用kstest注意kstest默认针对标准正态分布你需要传入自定义CDF或者用kstest2比较两个样本。更严谨的做法是用拟合后的分布参数做 Lilliefors 修正因为参数是从样本中估计的标准 K-S 会偏保守。另一个常被忽视的指标是AIC/BIC用来比较不同分布模型比如 Weibull vs 正态 vs Gamma。在做分布选择时AIC 越小越好。我测过多个风场数据Weibull 的 AIC 通常比 Gamma 小几百说明 Weibull 优势明显Beta 在光伏归一化出力上的 AIC 也远好于正态和 lognormal。5.2 典型算例结果演示用一组公开的某风电场测风塔数据10min 平均时间跨度一年来做演示。清洗后样本数约 52560 个平均风速 7.2m/s最大风速 23.8m/s。wblfit估计得到的参数为 (c8.13, k2.14)。直方图和拟合曲线对比如下代码上面已经给过。实测平均风速 7.2而 Weibull 的理论均值是 (c \cdot \Gamma(11/k) 8.13 \times \Gamma(1.467) \approx 8.13 \times 0.885 \approx 7.20)两者几乎一致说明矩匹配良好。K-S 检验的结果 p 值小于 0.05严格意义上拒绝原假设但这是因为样本量太大任何微小偏差都会导致拒绝。实际工程中我们通常看 K-S 距离是否小于某个阈值或者直接看 Q-Q 图。Q-Q 图里点基本落在 45° 线附近说明拟合效果可以接受。光伏部分某光伏电站实际运行数据额定容量 50MW归一化后betafit估计得到 (\alpha2.31, \beta3.75)。这个形状意味着出力峰值出现在约 0.3~0.4 标幺处符合该电站带云量影响的实际情况晴天多、正午满发占比高但整体仍有不少中低出力时段。Beta 拟合的 RMSE 在 0.003 左右效果远好于用正态分布拟合RMSE 0.02 以上。5.3 参数敏感性分析参数估计值对样本量和极端值比较敏感实操中要留心几件事样本量低于 1000 个样本时Weibull 形状参数 (k) 的估计方差会显著增大。如果你只有几十天的数据拟合出的 (k) 可能在 1.8~2.5 之间飘这时候不要强行用应该找更长时间尺度的数据。极端风速如果测量数据里混入了异常低风速比如传感器被沙尘堵住(k) 会被低估因为低风速样本占比变多。我试过把一组异常低值删掉后(k) 从 1.86 升到 2.05差异明显。Beta 分布的端点概率光伏出力在中午经常满发归一化值为 1 的样本占比可能达到 10% 以上。如果简单地把 1 改成 1-1e-6Beta 分布的 (\alpha)、(\beta) 会受这些边缘样本的强烈影响导致分布的峰值偏移。这时候你应该单独统计 P0出力为 0 的概率和 P1满发概率在生成场景时使用混合模型以 P0 概率输出 0以 P1 概率输出 1否则用 Beta 分布抽样。这一步很关键否则你生成的日出力曲线会“抹平”中午的平台期。6. 实操中的坑与心得6.1 边界问题Beta分布的概率密度在端点发散刚才说过betafit不接受 0 和 1但即使在开区间内Beta 分布有时候会在端点出现密度无穷大的情况。比如 (\alpha 1) 时密度函数在 (x0) 处发散(\beta 1) 时在 (x1) 处发散。实际光伏数据里如果夜间低出力样本很多拟合出的 (\alpha) 可能小于 1画出来的拟合曲线在左端点翘上天。虽然这从数学上是合法的密度函数积分仍为 1但生成的场景会出现大量极小出力反而不符合实际。处理办法如果你确定实际系统中不存在“绝对的0出力”时刻比如夜间也有站用电那么把样本整体平移一点比如限制 (x \in [0.0001, 0.9999])或者放弃纯Beta使用截断Beta分布。Matlab 里可以用truncate配合makedist但注意truncate不支持直接通过betafit估计得用mle自定义分布。我一般图省事直接采用 ZOIB 模型在场景生成时单独处理 0 和 1 概率这部分我做成了一个小函数你也可以照做。6.2 样本量与参数估计稳定性的关系样本量越大MLE 的渐近性质越好但计算量也上去了。对于 5 万多个样本的 Weibull 拟合wblfit几乎瞬时完成但 Beta 拟合如果边界处理不当betafit可能迭代几十步不收敛。一个实操技巧先对样本做等间隔分箱比如把 [0,1] 分成 500 箱统计每箱的频数然后用频数加权拟合相当于核平滑能让参数估计更稳定。Matlab 的histogram返回频数你可以手写加权MLE。6.3 代码性能优化小技巧生成上万个联合场景时mvnrnd和逆CDF计算很快但如果你在循环里调用wblinv和betainv速度会慢得多。Matlab 的逆CDF函数都是向量化的直接用整列向量调用即可别用 for 循环。另外betainv在边界附近可能会有警告建议用betainv之前先加个min(max(pv_pu, 1e-10), 1-1e-10)的保护避免输入 0 或 1。还有一个容易被忽略的问题wblinv使用的是 Matlab 内置 Weibull 逆CDF它对应的参数顺序是wblinv(p, A, B)A 是尺度参数B 是形状参数。很多教程里会把wblfit返回的参数顺序搞反导致生成的场景完全错误。我自己吃过一次亏——用wblfit返回的param_hat直接传给wblpdf误把第一个参数当成形状画出来的曲线完全不对。所以写代码时最好加注释分清哪个是尺度、哪个是形状。6.4 场景生成的还原度检查生成完联合场景一定要做“还原度检查”把生成的风电功率和光伏功率的散点图、历史实测的散点图放在一起对比看分布形态是否相似。我常用的检查项生成样本的风速边际直方图是否和理论 Weibull 一致生成样本的光伏边际直方图是否和理论 Beta 一致生成样本的 Spearman 相关系数是否接近实测相关系数生成样本中“大风晴空”比如风速10且辐照度800W/m²的占比与实测是否接近如果第四点差异大说明 Copula 结构选择有问题可以考虑用 t-Copula。在 Matlab 里把Gaussian换成t即可唯一的区别是copulafit返回第二个参数为自由度nu抽样时候用copularnd(t, rho, nu, N)。不过 t-Copula 的尾部相关性更强只有当实测数据在极端情况比如台风伴随阴云下耦合明显时才需要。结尾折腾完这套组合建模我最深的体会是分布拟合本身不是难点难点在于把两个单变量分布合理地捏合成联合模型并且保证生成的数据在统计特征上还说得过去。我刚开始做的时候只把 Weibull 和 Beta 分别拟合好就拍脑袋独立抽样结果生成的风光联合场景被做电力系统仿真的同事一眼看出问题——“你这场景里怎么这么多大风加暴晒的日子”后来老老实实上了 Gaussian Copula才算把场景和实测对上。如果你也是自己在做新能源随机建模我的建议是先别急着上深度学习或者复杂的时序模型把 Weibull、Beta、Copula 这套经典概率工具吃透很多工程任务的精度需求已经能满足。后续如果想继续扩展可以考虑把日尺度上的周期性比如白天/夜晚、季节引入作为分时段分布来拟合或者用混合 Copula 描述不同天气过程下的相位关系。这些展开讲又是一大篇等下次有空再写。先动手把今天这套代码跑通你会回来感谢我的。