clc
clear all
%%
%场景法
%%% wf1 wf2 为平均值
wf1=[339,287,449,471,512,530,527,641,634,519,401,634,589,530,512,505,206,85,81,80,83,110,353,523];
wf2=[0,0,0,0,0,0,99,137,150,178,189,191,176,171,138,104,77,0,0,0,0,0,0,0];
m1=ones(24,1000);%风生成
m2=ones(24,1000);%光生成
m=ones(24,1000);%可再生生成
%%
%生成1000个场景
%%
%拉丁差立方抽样方法
%%%拉丁超级方抽样=====属于分层抽样技术（从多元参数分布中近似随机抽样的方法）------分层抽样：将抽样区间(本程序为正态分布区间)
%按某种特性或某种规划分为不同的层，然后从不同的层中独立、随机（打乱排序，无规律抽取）
%地抽取样本（如取10个苹果样本，按照特性把苹果树分为5类，每类随机取2个），从而保证样本的结构与总体的结构比较相近，提高估计的精度。
%拉丁超立方相较蒙卡，改进了采样策略能够做到较小采样规模中获得较高的采样精度。
%%lhsnorm(mu,sigma,n); mu平均值(数量a)； 求解公式：u=(1/N)*(sum(样本))；N为样本数目
% sigma协方差矩阵(数量a*a); 求解公式: =((1/N)^3)*(sum(样本i-u)^2); i=1至N
% n抽样次数
% 表示方式1
c=1;%c 表示基础数据的数量
u1=lhsdesign(1,24);
u2=lhsdesign(1,24);
for t=1:24
m1(t,:)=lhsnorm(sum(wf1(:,t))/c,u1(t)*sum(wf1(:,t))/c,1000); %拉丁超立方抽样(lhsnorm函数)方法
%(基于风电和光伏出力遵从正态分布normrnd（均值，标准差，n,m） n*m阶正态矩阵 )，
%因此lhsnorm函数的均值和标准差采用正态分布的均值，标准差
% 依据文献，可以假定标准差与均值之间存在一定比例关系。
if t>=7&&t<=17
m2(t,:)=lhsnorm(sum(wf2(:,t))/c,u2(t)*sum(wf2(:,t))/c,1000);
else
m2(t,:)=0;
end
m(t,:)=m1(t,:)+m2(t,:);
end
% %%
% % 表示方式2
% for t=1:24
% m1(t,:)=normrnd(wf1(t),0.12*wf1(t),1,1000); %正态分布 normrnd（均值，标准差，n,m） n*m阶正态矩阵
% m2(t,:)=normrnd(wf2(t),0.1*wf2(t),1,1000);
% m(t,:)=m1(t,:)+m2(t,:);
% end
%% 场景生成图
figure()
plot(m1,'--')
hold on
plot(m2,'-')
hold on
l2=xlabel('t/h');
set(l2,'Fontname', 'Times New Roman','FontSize',20)
l3=ylabel('P/kW');
set(l3,'Fontname', 'Times New Roman','FontSize',20)
set(gca,'FontName','Times New Roman','FontSize',20)
%%
%场景削减（快速后向削减）
%原理：确定初始场景集合的一个子集，并给其重新分配场景概率，使保留场景的概率分布Q与初始场景集合的概率P之间的某种概率距离最短（即，P与Q相近），
%从而削减概率小的概率，将其加到与其场景的概率距离最近的场景上。
%%
%计算各个场景之间的概率距离
k=zeros(1000,1000);
for i=1:1000
for j=1:1000
if i==j
k(i,j)=0;%K距离
else
k(i,j)=sqrt(sum((m(:,i)-m(:,j)).^2));
end
end
end
p=ones(1000,1)*0.001;%各场景初始概率
%%
%%寻找最小概率距离场景
k1=k;b2=[];k1(k1==0)=inf;
for n=1:990%削减990次，保留10个概率最高场景
[mink,index]=min(k1,[],2);%index每行最小坐标列 %mink 每行最小数值 % min(k1,[],2) 求取每行的最小值； min(k1,[],1)求取每列的最小值
%%
%删去index2 行 %%min(mink.*p) 概率最低。。。被淘汰
[mink11,index2]=min(mink.*p);
b=index2;
%减少一个场景
k1(b,:)=[];
k1(:,b)=[];
%%
b2=[b2;b];
%%
%新概率生成
a=index(index2);%与被削减场景的概率距离最近的场景a
%新场景概率a=原来对应场景概率a+概率重新分配系数*与此情景概率距离最近场景index2
p(a)=p(index2)+p(a);
%%
%一次循环后新的概率和场景
p(b)=[];
m(:,b)=[];
m1(:,b)=[];
m2(:,b)=[];
%%
end%%%%一轮循环结束，场景削减1个。
%%
%%削减后的场景
figure()
plot(wf1,'*')
hold on
plot(wf2,'-')
hold on
for n1=1:10
plot(m1(:,n1));
hold on
plot(m2(:,n1));
grid on
end
l2=xlabel('t/h');
set(l2,'Fontname', 'Times New Roman','FontSize',20)
l3=ylabel('P/kW');
set(l3,'Fontname', 'Times New Roman','FontSize',20)
set(gca,'FontName','Times New Roman','FontSize',20)
