场景生成和削减，采用拉丁超立方抽样生成场景，然后进行削减。

%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。
 

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