MATLAB实战用fitdist函数搞定风光数据Weibull和Beta分布拟合附完整代码在可再生能源领域风速和太阳辐照度的概率分布建模是电力系统规划、风机性能评估和光伏发电预测的基础工作。对于工程师和研究人员来说掌握快速准确的数据拟合方法意味着能够更高效地完成不确定性分析、场景生成和系统优化等任务。本文将深入探讨MATLAB中fitdist函数在Weibull和Beta分布拟合中的实战应用提供可直接运行的代码示例并分享处理实际工程数据时的实用技巧。1. 理解Weibull和Beta分布在风光数据中的应用1.1 Weibull分布与风速特性Weibull分布因其形状灵活而被广泛用于描述风速分布。它的概率密度函数(PDF)为f(v) (k/c) * (v/c)^(k-1) * exp(-(v/c)^k)其中v表示风速k是形状参数(决定分布形状)c是尺度参数(影响分布范围)实际应用中发现当形状参数k≈2时Weibull分布特别适合描述中等风速区域的风况这也是为什么它成为风电行业的标准模型。1.2 Beta分布与光伏特性Beta分布则常用于描述归一化后的太阳辐照度其PDF为f(x) (x^(a-1) * (1-x)^(b-1)) / beta(a,b)其中x是归一化的辐照度(0到1之间)a, b是形状参数beta(a,b)是Beta函数注意Beta分布要求输入数据必须在(0,1)区间因此实际应用中需要先对原始辐照度数据进行归一化处理。2. fitdist函数基础与参数拟合方法对比2.1 fitdist函数的基本用法MATLAB的fitdist函数提供了最大似然估计(MLE)方法来拟合分布参数基本语法为pd fitdist(data, distribution_name)对于Weibull和Beta分布分别使用% Weibull分布拟合 weibull_pd fitdist(wind_data, weibull); % Beta分布拟合 beta_pd fitdist(solar_data, beta);2.2 不同拟合方法的对比方法优点缺点适用场景fitdist(MLE)统计性质最优结果精确计算量较大可能不收敛数据质量好样本量大矩估计法计算简单快速对小样本不稳健初步分析快速估算标准差法实现简单精度较低需要快速结果时工程经验建议对于正式分析报告推荐使用fitdist的MLE方法而在迭代开发或快速验证阶段可以考虑矩估计法。3. 实战案例完整的风光数据拟合流程3.1 风速数据Weibull拟合假设我们有一个月的风速数据采样间隔为10分钟数据存储在变量wind_speed中(维度N×24N为天数)% 初始化参数存储 k_values zeros(1, 24); c_values zeros(1, 24); % 逐小时拟合 for hour 1:24 % 提取当前小时的所有风速数据 current_hour_data wind_speed(:, hour); % 移除无效数据(如NaN) valid_data current_hour_data(~isnan(current_hour_data)); % 拟合Weibull分布 if ~isempty(valid_data) pd fitdist(valid_data, weibull); k_values(hour) pd.B; % 形状参数 c_values(hour) pd.A; % 尺度参数 else k_values(hour) NaN; c_values(hour) NaN; end end3.2 光伏数据Beta拟合对于光伏数据需要特别注意夜间零值处理% 假设solar_irradiance是原始辐照度数据(维度N×24) max_irradiance max(solar_irradiance(:)); % 获取最大辐照度用于归一化 solar_normalized solar_irradiance / max_irradiance; a_values zeros(1, 24); b_values zeros(1, 24); for hour 1:24 hour_data solar_normalized(:, hour); % 移除零值和无效数据 non_zero_data hour_data(hour_data 0 ~isnan(hour_data)); if length(non_zero_data) 10 % 确保有足够样本 try pd fitdist(non_zero_data, beta); a_values(hour) pd.a; b_values(hour) pd.b; catch % 处理拟合失败情况 a_values(hour) NaN; b_values(hour) NaN; end else a_values(hour) NaN; b_values(hour) NaN; end end4. 常见问题与解决方案4.1 数据全相同导致的拟合错误当输入数据所有值都相同时(如夜间光伏数据全为0)fitdist会报错。解决方法数据预处理过滤掉全相同的数据段异常处理使用try-catch块捕获错误try pd fitdist(data, beta); catch ME if strcmp(ME.identifier, stats:probdist:fitdist:AllSameData) disp(所有数据值相同跳过拟合); pd []; else rethrow(ME); end end4.2 拟合结果可视化验证良好的实践是总是可视化拟合结果% Weibull拟合可视化示例 figure; histogram(wind_data, Normalization, pdf); hold on; x linspace(min(wind_data), max(wind_data), 100); pdf_values pdf(pd, x); plot(x, pdf_values, LineWidth, 2); title(Weibull分布拟合验证); xlabel(风速(m/s)); ylabel(概率密度); legend(实际数据, 拟合曲线);4.3 提高拟合稳定性的技巧数据量不足时考虑使用移动窗口增加样本量参数初始值对于复杂数据可以指定初始参数值拟合选项调整最大迭代次数等优化参数% 指定初始参数示例(Weibull) options statset(MaxIter, 1000, Robust, on); pd fitdist(data, weibull, Options, options, StartPoint, [2, 5]);5. 高级应用与性能优化5.1 并行计算加速大规模数据拟合对于多年的高频采样数据可以使用并行计算parfor hour 1:24 % 并行化的拟合代码 pd fitdist(wind_data(:, hour), weibull); % 存储结果... end5.2 分布参数的时间序列分析将拟合得到的参数按时间序列分析可发现潜在模式% 分析形状参数k的日变化规律 figure; plot(1:24, k_values, -o); title(Weibull形状参数k的日变化); xlabel(小时); ylabel(k值); grid on;5.3 生成符合拟合分布的随机数据基于拟合结果生成场景数据% 生成1000个随机样本 simulated_wind random(pd, [1000, 1]); % 或者使用更专业的场景生成函数 wind_scenarios mvnrnd(mean_wind, cov_wind, 1000);