如何在Python中生成电池SOC的右偏Weibull分布

原代码使用形状参数k=1.5的Weibull分布生成左偏SOC（荷电状态）分布——概率峰值偏向高SOC区间，长尾集中在低SOC区间。要改为右偏分布（峰值偏向低SOC，长尾延伸至高SOC），可通过以下两种方式实现：

方案一：反转原分布（保持SOC范围一致） #

通过反转原分布的计算逻辑，将高概率区间从高SOC转向低SOC，同时保证SOC不低于下限5：

def create_soc_distribution(self) -> np.array:
    multiplier = 25
    np.random.seed(4)

    # 向量化生成，替代逐元素循环
    weibull_vals = np.random.weibull(1.5, size=(1000, 1))
    socs = 30 - weibull_vals * multiplier
    # 限制SOC下限为5并取整
    socs = np.round(np.maximum(socs, 5))
    return socs

说明：原代码逻辑是5 + Weibull值*25（生成从5开始向上延伸的左偏分布），改为30 - Weibull值*25后，生成的数值会从30开始向下分布，天然形成右偏形态，np.maximum确保SOC不会低于5。

方案二：使用k<1的Weibull分布（原生右偏特性） #

Weibull分布的形状参数k<1时，本身具有右偏特性——大部分数值集中在左侧，少数数值延伸至右侧。调整参数后生成符合需求的SOC分布：

def create_soc_distribution(self) -> np.array:
    multiplier = 25
    np.random.seed(4)

    # 使用形状参数k=0.6（k<1时为右偏分布）
    weibull_vals = np.random.weibull(0.6, size=(1000, 1))
    socs = 5 + weibull_vals * multiplier
    # 限制SOC上限为30（可根据实际需求调整）
    socs = np.round(np.minimum(socs, 30))
    return socs

说明：k=0.6的Weibull分布会生成大量靠近0的数值，对应SOC集中在5附近，少数大数值对应高SOC，自然形成右偏分布。np.minimum用于限制SOC不超过30，和原代码的范围保持一致。

优化点：替代逐元素循环 #

原代码的双重循环效率较低，使用numpy的向量化操作（如np.random.weibull直接指定size参数）可以大幅提升代码运行效率，同时保持逻辑清晰。

内容的提问来源于stack exchange，提问作者monikers