企业官网建设流程全解析

简介：面向电力系统规划、调度与运营人员的蒙特卡洛仿真模拟负荷出力预测资料包，以概率统计视角讲解负荷场景建模思路，覆盖历史数据收集、模型构建、随机抽样、结果分析与优化验证等完整流程。压缩包共7个文件，大小仅23KB，以4个Matlab脚本（.m）为核心，另有自动保存文件（.asv）和一张负荷曲线图（.fig）；脚本包含负荷曲线生成、参数提取等关键函数，结构清晰，便于直接运行、二次改造或嵌入教学演示。已有550人学习，适合需要掌握蒙特卡洛模拟预测方法、快速搭建负荷出力仿真模型的电力研究者与工程师。借助配套图形与代码，可直观理解负荷出力的概率分布与不确定性范围，减少重复编程，辅助完成负荷预测、风险评估及调度决策中的定量分析。

1. 蒙特卡洛仿真模拟电力负荷出力，到底在解决什么问题

调度评审会上最常见的争论是「预测曲线之外，该留多少余量」。确定性负荷预测只给一条最可能的曲线，但实际出力受气温预报偏差、用户侧随机行为、分布式电源波动影响，一条线回答不了「最坏到多少」。过去靠预测值加固定安全系数，系数拍小了出风险，拍大了被质疑浪费。

蒙特卡洛仿真模拟电力负荷出力，就是把负荷当成服从概率分布的随机过程，用上千次抽样生成同样多的可能出力曲线，再对场景集求 P50、P95、最大缺口，把「不确定性」变成可计算、可回测的定量输入，直接支撑容量规划、储能配置和调度策略评估。适合做负荷预测、微网和储能设计的人，也适合要向业务方解释余量依据的技术人员。

2. 负荷出力随机模型怎么定：分布选取、误差尺度与时序相关

2.1 预测误差不是白噪声，先分清来源再建模

确定性负荷预测的误差来源大致三类：气象预报偏差，空调负荷占比高的地区尤其明显；用户侧行为，电动车充电、商业排产、节假日安排都在其列；系统事件，比如设备检修和临时限电。这三类来源有一个共同特征：连续时段同向偏差，不是独立的高斯白噪声。把预测误差当白噪声直接叠加在曲线上，生成的场景集每个时段都在高频抖动，相邻时段的出力变化量远超真实系统。这个「假爬坡」会污染所有与时序相关的评估指标，后面算储能切换次数、机组爬坡校验时会一起失真。

我一般在建模前先把误差按来源分类统计，用过去 6-12 个月的实际负荷与同期预测值做残差分析：先看残差均值是否显著非零，判断有无系统偏差；再看标准差随负荷水平怎么变，决定用比例误差还是绝对误差；最后算一阶自相关系数，决定要不要上时序模型。残差均值明显非零时，问题出在预测模型本身，先修预测，不要让一个带偏置的随机模型去掩盖它。

2.2 正态、t 分布还是 GEV：按评估对象选尾部

最常见的设定是正态误差：

P(t) = P_fc(t) + ε(t), ε(t) ~ N(0, (σ% · P_fc(t))²)

σ% 是相对误差标准差，日前预测一般取 3%-5%，日内滚动预测取 1.5%-3%。误差强度取成与负荷水平成正比，是因为峰荷时段空调和生产负荷占比高，绝对预测偏差天然更大；用固定绝对误差会低估峰荷时段的波动、高估谷荷时段的波动，包络形状整体失真。

正态分布在均值附近表现好，短板在尾部偏薄。评估对象是 P95 以内的常规容量与电价风险时，正态加合理 σ% 足够；一旦涉及保供、限电这类极端场景评估，我会换 t 分布（自由度 5 左右），或在历史数据超过 3 年时对每时段极端负荷直接拟合广义极值分布（GEV）。注意厚尾是双刃剑：t(ν=4) 的 99% 分位比正态高出不少，规划结果明显偏保守，容量成本上升，这个取舍要让决策者知道。另外要区分本主题与材料、化学领域的动力学蒙特卡洛——KMC 按事件速率推进系统状态，属于动态演化；电力负荷出力仿真用的是静态统计蒙特卡洛，每轮抽样产生一个独立场景，场景之间不共享演化轨道。

2.3 用 AR(1) 把相邻时段的误差相关性装进去

独立抽样下各时段 ε(t) 互不相关，场景曲线爬坡率被系统性夸大，储能充放电切换次数、机组爬坡校验这类指标的结论会跟着失真。简单且有效的做法是 AR(1)：

ε(t) = φ·ε(t-1) + η(t), η(t) ~ N(0, (σ%·P_fc(t))²·(1-φ²))

φ 是一阶自相关系数，取 0.6-0.9：日前预测误差持续性强取高值，日内滚动预测取低值。η 的方差乘 (1-φ²)，是为了让 ε(t) 的边际方差保持在 (σ%·P_fc(t))²——φ 只改变误差的时间结构，不改变整体波动幅度。参数起步值参考下表，落地前用你自己的残差统计复核：

σ% 的标定窗口不要太短：一个月数据标出来的 σ% 波动很大，换个月份结论就变。我一般用 60-90 天滚动窗口，每天重算一次；φ 用残差的一阶自相关直接估计，不用手调。

import numpy as np rng = np.random.default_rng(7) T = 96 # 15 分钟一个点，一天 96 点 phi = 0.8 # AR(1) 自相关系数 sigma_ratio = 0.04 # 相对误差标准差 4% def base_load(t): # 典型双峰负荷曲线，单位 MW，t 为 0..95 morning = 220 * np.exp(-((t - 34) / 5.0) ** 2) evening = 260 * np.exp(-((t - 76) / 4.5) ** 2) return 180 + morning + evening P_fc = base_load(np.arange(T)) eta_scale = sigma_ratio * P_fc * np.sqrt(1.0 - phi * phi) e = np.zeros(T) e[0] = rng.normal(0, sigma_ratio * P_fc[0]) for t in range(1, T): e[t] = phi * e[t-1] + rng.normal(0, eta_scale[t])

eta_scale 每个时段都不同，因为误差尺度跟着预测负荷走；e[0] 直接用当前负荷的 σ% 抽，AR 过程在前几个点完成预热，对 96 点曲线影响可忽略。φ=0 时退化为独立抽样，相当于一个开关参数，方便你做对照实验验证相关性到底影响了哪些指标。

3. 用 Python 跑通蒙特卡洛负荷出力仿真的最小脚本

3.1 生成 N 条负荷出力场景的完整代码

下面的脚本可以直接存成 .py 文件运行。P_fc 是确定性预测曲线，先用双峰负荷形状示意，实际项目里换成你系统的负荷预测输出即可，其余逻辑不用动。

import numpy as np def generate_scenarios(n_scen, P_fc, sigma_ratio, phi, seed=42): rng = np.random.default_rng(seed) # 固定 seed，保证可复现 T = len(P_fc) eta_scale = sigma_ratio * P_fc * np.sqrt(1.0 - phi * phi) scenarios = np.zeros((n_scen, T)) for i in range(n_scen): e = np.zeros(T) e[0] = rng.normal(0, sigma_ratio * P_fc[0]) for t in range(1, T): e[t] = phi * e[t-1] + rng.normal(0, eta_scale[t]) scenarios[i] = P_fc + e # 预测曲线 + 相关误差 return scenarios P_fc = base_load(np.arange(96)) S = generate_scenarios(5000, P_fc, sigma_ratio=0.04, phi=0.8, seed=42) print(S.shape) # (5000, 96)

参数说明：n_scen 是场景数，5000 是起步值，做 P95 评估建议提到 10000 以上；sigma_ratio 对应上一章的相对误差标准差；phi 是 AR(1) 系数，控制相邻时段误差的平滑程度；seed 固定后同事能复现出同一个结果集，排错和评审都靠它。逐时段循环是 Python 里最直接的写法，5000 个场景 × 96 点在一台普通笔记本上毫秒级跑完，没有性能压力。

提示：场景集生成后先另存为 .npy 文件，后续所有分位数计算、回测脚本都从同一个文件读数据，避免每次运行重新抽样的随机差异干扰对比。

3.2 从场景集提取 P50 / P05 / P95 包络

p50 = np.percentile(S, 50, axis=0) p05 = np.percentile(S, 5, axis=0) p95 = np.percentile(S, 95, axis=0) import matplotlib.pyplot as plt t = np.arange(96) plt.figure(figsize=(10, 5)) plt.plot(t, P_fc, "k-", lw=2, label="deterministic forecast") plt.fill_between(t, p05, p95, alpha=0.3, label="5%-95% envelope") plt.legend() plt.xlabel("period index (15 min)") plt.ylabel("load (MW)")

关键在 axis=0：它表示对 5000 个场景在「同一时段」上求分位数，输出 96 个时段各自的分布分位点。容易犯的错是把 axis 省掉，对整个场景矩阵求一个全局分位数，得到的是一条没有时间意义的直线。P05 到 P95 之间是 90% 置信带宽，含义是：若模型假设成立，真实负荷每个时段约有 90% 概率落在区间内。峰荷时段带宽明显大于谷荷时段，这正是比例误差的效果；如果你画出来的包络上下等宽，说明误差尺度设成了固定值，要检查模型。

3.3 输出里最容易读错的两个口径

第一个是「逐时段 P95」与「日峰值 P95」。逐时段 P95 是每个 15 分钟点各自的 95% 分位值；日峰值 P95 要先取每条场景一天的最大负荷、再对这 N 个最大值求 P95，两者数值通常差几个 MW。容量规划用的是后者，包络图展示的是前者，报告里写混了会被审计质疑。

第二个是 P95 不是「最大负荷」。P95 的含义是：在模型假设下，该时段有 5% 的概率被超过。设计容量若直接取逐时段 P95 再叠加，通常偏保守；更合理的做法是跑完优化模型后，统计违反约束的场景占比是否在可接受范围。第 5 章的覆盖率回测就是用来检验这个占比与假设是否一致的。

4. 仿真次数怎么定：标准误、拉丁超立方与三个常见坑

4.1 用分块法估计 P95 的标准误

蒙特卡洛算法的基础结论是估计量的标准误与 1/√N 成正比：N 从 1 万提到 4 万，标准误只缩一半。均值类指标收敛快，分位数（尤其 P95、P99）收敛慢，因为尾部样本密度低。工程上不靠感觉定 N，用分块法做收敛判断：

def quantile_block_se(S, q=95, block_size=1000): n_blocks = S.shape[0] // block_size est = np.array([ np.percentile(S[b*block_size:(b+1)*block_size], q, axis=0) for b in range(n_blocks) ]) return est.std(axis=0, ddof=1) / np.sqrt(n_blocks) se = quantile_block_se(S, q=95) print(f"P95 分块标准误最大 {se.max():.2f} MW")

做法是把 N 个场景切成 M 块，每块独立算 P95，再对 M 个结果求标准误。判断准则：如果标准误最大值小于你的精度要求（比如 1 MW），N 够用；否则成倍增加 N 重跑。分块的前提是块间独立，生成时用固定 seed 且每次取不同的随机序列即可满足。这个方法对 P50 同样适用，只是 P50 的标准误通常远小于 P95，两者分别评估，别用一个 N 糊弄所有分位数。

注意：分块标准误反映的是「抽样噪声」，不是模型误差。模型选错分布导致的风险，分块法看不出来，要靠第 5 章的覆盖率回测发现。

4.2 拉丁超立方抽样：同样的 N 换更稳的尾部

朴素蒙特卡洛的随机数大量堆在分布中部，P95 附近的样本偏少；拉丁超立方（LHS）把每时段的分布轴等分成 N 层，每层恰好抽一个样本，尾部覆盖更均匀。对带 AR(1) 的负荷出力仿真，我用轻量版 LHS：对每时段的驱动噪声做独立分层，再逐场景过滤波器：

from scipy.stats import norm def generate_scenarios_lhs(n_scen, P_fc, sigma_ratio, phi, seed=1): rng = np.random.default_rng(seed) T = len(P_fc) eta_scale = sigma_ratio * P_fc * np.sqrt(1.0 - phi * phi) # 每时段做 N 层分层抽样，再随机打乱行序，避免时段间出现假相关 U = (np.arange(n_scen).reshape(-1, 1) + rng.random((n_scen, T))) / n_scen for t in range(T): U[:, t] = U[rng.permutation(n_scen), t] eta = norm.ppf(U) * eta_scale scenarios = np.zeros((n_scen, T)) for i in range(n_scen): e = np.empty(T) e[0] = eta[i, 0] / np.sqrt(1.0 - phi * phi) # 稳态起点 for t in range(1, T): e[t] = phi * e[t-1] + eta[i, t] scenarios[i] = P_fc + e return scenarios S_lhs = generate_scenarios_lhs(5000, P_fc, sigma_ratio=0.04, phi=0.8, seed=1)

U 的构造保证每个时段、每一层恰好被抽一次，norm.ppf 把均匀分层映射到正态分位点；逐列随机打乱是为了避免各时段层序完全一致带来的虚假相关性。与朴素蒙特卡洛同 N 相比，LHS 的 P95 标准误一般能降 20%-40%，计算时间几乎不变。需要严格保持时段间秩相关结构的场景，再上 Iman-Conover 方法做相关校正，普通项目不必引入。

4.3 三个常见坑：seed、N 太小、独立抽样丢相关性

第一个坑是生成时没固定 seed。蒙特卡洛结果自带随机性，不固定 seed 意味着同事复现不出你的 P95，评审时没法核对。所有生产脚本我都会把 seed 作为显式参数传入并记录在结果文件名里。

第二个坑是 N 太小却报 P99。N=1000 时 P99 只有约 10 个样本落在尾部区间，估计量的标准误可能大到你不敢相信。报 P95 起步 N=10000，报 P99 建议 N=50000 以上，并配合 4.1 的分块标准误一起给出。

第三个坑是把独立抽样当通用解法。φ 从 0.8 改成 0，相邻时段误差符号随机翻转，场景集爬坡率分布完全失真；用于储能评估时，充放电切换次数会比相关模型高出数倍。判断标准很简单：评估指标里只要含「变化量」「切换次数」「连续持续时间」这类时间结构量，就必须用带 φ 的模型。

5. 场景集怎么用：容量校验、储能评估与覆盖率回测

5.1 日峰值口径与逐时段口径的差别

做容量规划时，先用日峰值口径看总缺口：

peak_demand = S.max(axis=1) # 每条场景的日最大负荷 cap_needed = np.percentile(peak_demand, 95) print(f"95% 场景覆盖所需容量: {cap_needed:.1f} MW")

axis=1 表示沿时间轴取每条场景一天的最大值，得到 N 个日峰值，再对这 N 个值求 P95。这条结果回答的是「配多大容量能覆盖 95% 的模拟日」，与逐时段 P95 包络语义不同。储能评估则要保留时间结构：把场景集喂给充放电策略模拟器，统计充放电深度、切换次数、未满足电量，再用分位数汇总。此时 4.3 强调的时序相关性直接影响结论，不能省。

5.2 覆盖率回测：验证模型假设的唯一靠谱办法

模型能不能进决策，最终看历史回测。对过去 K 天，每天用当日可得的历史信息滚动生成当日 P05/P95 包络，检查实际负荷落进包络的天数占比，与理论值 90% 对比：

我一般至少回测 60 天，把每天重跑的成本压到毫秒级后，整套「标定-仿真-回测-再标定」闭环可以在批处理脚本里自动化，每次发布预测模型前跑一遍覆盖率报告。当实测覆盖率系统性偏低时，优先修 σ% 而不是直接换厚尾分布——多数情况是误差尺度标小了，而不是形状选错；只有确认残差本身的峰度明显大于 3 时，才值得迁移到 t 分布。

本文还有配套的精品资源，点击获取