1. 为什么微电网调度绕不开不确定性1.1 确定性调度的理想世界先问一个问题如果你手里有一份完全准确的光伏出力曲线和负荷曲线调度问题会变成什么样答案很简单——一个线性规划问题。储能、柴油机、微燃机各自的出力只要在约束范围内满足功率平衡就行了求解器几秒钟就能给你最优解。但真实工程里这份完全准确的数据从来不存在。光伏出力受云层影响能瞬间掉一半负荷峰值可能比预测高15%甚至现货电价也会因为网络拥堵而剧烈波动。我早期做微电网能量管理系统EMS时就是按确定性模型来的结果极其惨痛某天的仿真结果里调度方案按照预测光伏出力90kW排产但实际光伏只有60kW系统频率直接掉出安全范围备用柴油机强行启动调度成本比预测值高出将近40%。这就是确定性调度最大的问题——它把预测当成现实但对预测错了怎么办完全没有兜底机制。1.2 不确定性从哪来风光、负荷、现货电价微电网里的不确定性大致来自三个方向第一是风光出力偏差。光伏和风机的出力取决于天气而天气预报做不到100%准确。风力发电的爬坡率极快可能十分钟内出力从80kW掉到20kW。这种波动对微电网的功率平衡影响非常大。第二是负荷的不确定性。用户侧用电行为本身无法精确建模尤其当微电网带商业综合体或工业园区时负荷突变是常见现象。负荷预测误差往往在5%到20%之间而且有一定的规律早晚高峰时段误差更大过渡时段相对稳定。第三是市场电价的不确定性。如果微电网有并网条件参与市场购售电时现货电价的波动也会影响调度决策。天然气价格、需求响应信号、甚至相邻区域的价格联动都会让电价预测模型失效。这三种不确定性的来源、量级和影响方式各不相同。如果你用一个固定的概率分布去描述它们工程上往往难以让人信服——你很难说清光伏出力的预测误差到底服从正态分布还是贝塔分布参数从哪来历史数据不够怎么办这正是鲁棒优化的切入点。1.3 鲁棒优化和随机优化的选择逻辑行业里处理不确定性的主流方法有两类随机优化和鲁棒优化。随机优化的思路是我预测了100个可能的场景每个场景有各自的概率求期望成本最小化。这个思路听起来很美但它有两个硬伤概率分布本身的准确性没法保证。你给的分布和真实世界不符优化出来的解自然也不靠谱。场景数量少了解不出效果多了计算爆炸。做两阶段随机规划时1000个场景的MILP问题求解时间经常以小时计而且很多场景浪费在极端低概率区间。鲁棒优化的思路完全相反——我不关心概率我只要保证你在最坏情况下也不至于崩盘。你告诉我光伏出力波动的区间是[60, 90]我就按照最不利于系统运行的情况来安排调度策略确保无论光伏实际出力是60还是90系统都能稳定运行且成本可控。你说鲁棒优化保守确实它比随机优化保守。但它的优势是不需要精确的概率分布、模型转换后是标准的MILP、计算时间在分钟级可以接受。对一个需要每天滚动优化、甚至日内实时调度的EMS来说鲁棒优化在工程落地上的友好度远超随机优化。2. 从物理模型到鲁棒优化模型2.1 微电网调度的数学描述先说清楚我们优化的对象是什么。一个典型微电网包含以下设备和约束设备模型部分柴油机或微燃机出力范围限制在[P_min, P_max]爬坡约束限制了相邻时段的出力变化量|P_t - P_{t-1}| ≤ Ramp。燃料成本是出力的二次函数但工程上常线性化处理为分段线性成本。储能系统SOC荷电状态随时间更新SOC_t SOC_{t-1} (P_ch·η_ch - P_dis/η_dis)·Δt/Capacity。充放电功率有限制SOC也在上下限之间。这里有个小坑充放电功率不能同时为正否则你的模型会白嫖能量。处理方法要么引入二进制变量要么用互补约束的线性逼近后面代码部分会细说。联络线如果微电网和主网并网购售电功率有上限且购电价和售电价通常不一样存在价差。功率平衡约束所有发电功率加上购电功率减去用电负荷必须始终等于零这是每条母线、每个时段都要满足的硬约束。目标函数最小化总运行成本包含燃料成本、购电成本、储能折旧成本有时可忽略可能还需要加上弃光、切负荷的惩罚项。2.2 盒式不确定集与两阶段鲁棒建模思路所谓鲁棒优化关键是不确定量的描述方式。最常用的不确定集是盒式box光伏出力 P_pv ∈ [P_pv_min, P_pv_max]负荷 P_load ∈ [P_load_min, P_load_max]。如果直接用这种全区间不确定集结果通常非常保守——因为它在极端情况下才会出现光伏同时取最小、负荷同时取最大。所以工程上会用预算约束budget of uncertainty来限制同时取坏值的变量个数上限。例如一个含24时段、每个时段光伏和负荷各一个不确定量的模型不确定性变量总数是48个。引入预算参数Γ要求所有时段内不确定量偏离预测值的归一化总和 ≤ Γ。Γ0时退化为确定性模型Γ48时是全盒式的最保守情形。你可以通过调节Γ在保守度和经济性之间做折中。建模方式我推荐两阶段形式第一阶段决定机组开停、储能充放电计划等现在定下来第二阶段等不确定量揭露后再做功率调整确保任何波动下都能通过调整各设备出力维持平衡。两阶段鲁棒问题的标准解法是列与约束生成算法CCG后面展开讲。2.3 对等转换如何把Robust变成可求解的MILP模型里的最坏情况是一个max-min或min-max结构不能直接喂给求解器需要转换。对于单阶段鲁棒问题可以通过对偶理论把内层的max问题转为对偶min问题然后把目标函数合并最终得到一个标准的MILP。这一路操作的关键是把约束条件里涉及不确定参数的部分拆出来写成名义值 偏差×扰动量的形式再融入不确定集的对偶表达。对于两阶段问题CCG的标准流程是初始化假设一个最坏场景一般是预测值的偏差方向。主问题在当前已知场景集合下求解调度方案得到目标值下界。子问题固定主问题的决策变量求解最坏情况下的最小调整成本或判别可行性得到目标值上界。收敛判断若上下界间隙小于阈值退出否则把子问题产生的场景加回主问题重复迭代。这套流程听起来复杂但MATLAB里用YALMIP加一个通用求解器如Gurobi或CPLEX实现下来核心代码量也就几百行。难的不是代码本身而是调试过程中那些边界情况和凸性条件问题。3. MATLAB里怎么把这套模型跑起来3.1 求解器选型YALMIP还是不YALMIP首先明确一个结论我不推荐直接在MATLAB里手写单纯形法或者对偶转换那是在重复造轮子。真正该做的是用建模工具把你脑子里的数学问题翻译成求解器能吃的语言。最常用的选择是YALMIP——一个MATLAB的建模工具箱本身不求解但能对接Gurobi、CPLEX、MOSEK等商业求解器。它的好处是把约束写出来特别直观和你在论文里写的公式几乎一一对应调试方便。缺点是多了一层抽象求解大模型时会有额外开销不过对微电网调度这种规模几百个变量、上千条约束来说完全不是问题。如果你不想装YALMIP也可以用MATLAB自带的Optimization Toolbox里的intlinprog。但缺点非常明显你得自己把所有约束写成矩阵形式变量数量一多稀疏矩阵的组装错误率极高。我试过一次之后果断放弃老老实实装了YALMIP加Gurobi。3.2 数据准备风光出力场景怎么构造建模前得先把数据准备好。这一步看起来琐碎实际上决定了你模型的成败。我一般按以下流程获取原始数据光伏出力归一化曲线、负荷实际曲线。如果没有实测数据可以用预测工具生成但要清楚标注数据来源和误差水平。计算预测误差对比历史预测值和实际值确定每个时段误差的上下界。如果数据不够工程上常用预测值的10%到20%作为波动范围并做敏感性分析。构造不确定集定义每个时段的波动区间和预算参数Γ。建议先用确定性模型跑一版再逐步增大Γ观察成本上升趋势。这里提个经验如果负荷的波动范围取的太宽比如±20%你会发现鲁棒解的成本比确定性解高30%以上这时候调度的储能往往会预先把SOC充得很高以便应对负荷高峰——这个行为是符合工程直觉的。3.3 核心代码骨架与关键函数的实现下面给一个简化版的两阶段鲁棒调度核心骨架用YALMIP建模注释尽量详细方便你在此基础上扩展。%% 两阶段鲁棒微电网调度 - CCG迭代骨架简化版 % 变量定义 % x: 第一阶段变量储能充放电、机组出力等 % y: 第二阶段变量应对不确定性后的调整量 % u: 不确定性变量光伏/负荷偏差 % 基本参数 P_load_pred ...; % 负荷预测值24x1 P_pv_pred ...; % 光伏预测值24x1 delta_load 0.15; % 负荷波动范围比例假设15% delta_pv 0.20; % 光伏波动范围比例假设20% Gamma 8; % 预算参数调节保守度 % 不确定集盒式预算约束 u_lb -[delta_load*P_load_pred; delta_pv*P_pv_pred]; u_ub [delta_load*P_load_pred; delta_pv*P_pv_pred]; % 预算约束的归一化累加形式在这里通过循环实现为简洁不展开 % 第一阶段模型主问题MILP x sdpvar(...); Constraints []; Cost 0; % ... 添加储能、机组、联络线的约束和成本 % CCG迭代 LB -inf; UB inf; worst_cases {}; % 收集子问题返回的最坏场景 for iter 1:50 % 1. 求解主问题含已有的最坏场景集合 optimize(Constraints_with_worst, Cost); LB value(Cost); % 2. 固定x求解子问题max-min结构 % 内层min是线性规划外层max通过枚举极点求解 [worst_u, sub_obj] solve_subproblem(value(x)); UB min(UB, sub_obj value(Cost)); if (UB - LB) / UB 0.01 % 间隙小于1%则收敛 break; end worst_cases{end1} worst_u; % 把最坏场景加入主问题 end子问题的SDP/线性LP求解在简化版里用双重循环即可实际工程中会用对偶变换加速。上面的骨架只是说明流程具体到约束组装需要大量细节每个人的模型又不一样这里给的是通用思路。4. 我踩过的那些坑4.1 对偶转换时的变量维度炸了第一次做两阶段鲁棒时我在子问题的对偶转换上卡了快一周。原因是子问题内层的min是对所有连续调整量求最小外层的max是对不确定参数求最大。做对偶时我先对内层做dual结果对偶变量个数和约束数量直接翻倍YALMIP里变量维度对不上老是报错。后来才搞清楚正确的做法是先分离出和不确定参数相关的项让它们只出现在目标函数系数里再对min部分取对偶把外层max变成内层min的对偶问题。这样整个问题变成单一MILP维度是可控的。用CCG替代强对偶转换可以有效绕开这类维度难题——你不必一次把对偶写对每次迭代只追加一个场景调试起来更安全。4.2 求解器永远在跑、内存爆掉有段时间我的模型一跑就是三四个小时不出结果仔细看发现是主问题的二进制变量太多了。储能、机组开停、购售电状态全用二进制变量表示24时段乘上几个设备二进制变量轻松上百。对于MILP来说二进制变量数量直接决定求解难度。解决办法有三招优先用内点法先求LP松弛解做良好初始解喂给分支定界算法。尽量消除多余的二进制变量。比如充放电互斥约束可以通过两个连续变量的线性组合加一个小量M构造而不必引入额外的状态变量。设置求解器的MIP间隙参数Gurobi的MIPGap可以设为1%甚至更高——工程上1%和0.1%的差距没有你想象的那么大但求解速度能差一个数量级。4.3 保守度调参预算参数到底怎么选Γ选多少合适这是每个用鲁棒优化的人都会问的问题。我翻了大量文献有的推荐Γ取总不确定量的1/3有的说2/5但都是经验法则没有普适答案。我自己的做法是画一张帕累托曲线横轴是Γ从小到大的取值纵轴是系统总成本。你会发现曲线呈现明显的三段初始段成本上升缓慢白赚了很多安全性中期段成本上升变快开始真正保守了末端段成本骤增过度保守。然后根据工程需求选择拐点位置——比如成本和可靠性之间权重差不多时选中期段中间点的Γ。还有一个技巧不要把预算约束一股脑全放在全局时段上可以按关键时段分组设置。比如早晚高峰时段给高预算深夜低谷时段给低预算。这样比统一Γ更符合实际运行规律。5. 结果分析鲁棒解到底值不值5.1 经济性与可靠性的权衡曲线做一个具体案例假设只有光伏和负荷两个不确定源24时段。确定性调度总成本约4200元。把Γ从0逐步增加到2448个不确定变量的半数成本变化大致如下Γ取值总成本元成本增幅对应的可靠性表现0确定性42000%光伏偏差10%即需要切负荷443804.3%偏差20%内无需切负荷845207.6%偏差30%内无需切负荷16498018.6%极端场景下仍可运行24全盒式545029.8%完全保守抗所有极端从这个表能清晰看到前段性价比最高。从Γ0到Γ4只多花了不到200元就扛住了20%的预测偏差非常划算但从Γ16到Γ24为了多扛一点极端场景却多花了470元性价比就很低了。实际项目我一般建议把Γ控制在总不确定量个数的1/4到1/3之间。分析结果时还有一个值得注意的点观察最优调度策略中的储能行为变化。随着Γ增大SOC曲线会呈现出明显的保底特征——在光伏出力最差、负荷最高的时段之前储能会预先充满。这说明鲁棒解确实在学习最坏场景的结构而不仅仅是无脑加安全裕度。5.2 如何验证鲁棒解的可行性鲁棒优化的结果不是算完就完一定要做事后验证否则你根本不知道模型有没有建模错误。标准做法是蒙特卡洛模拟根据历史数据拟合或直接设定真实的不确定性分布随机采样10000个场景把调度方案代入每个场景检查功率平衡约束、储能SOC约束、联络线功率上限是否全部满足。理论上只要场景在不确定集范围内鲁棒解都应该是可行的。如果发现大量场景违反约束多半是你的不确定集建模有bug比如预算约束写错了方向。我还做过一件比较笨但有效的事直接把最坏场景提取出来逐时段手动推演。选一个光伏最低、负荷最高的场景把每一时段的功率流手算一遍看是否满足平衡。这个过程虽然花时间但能帮你发现很多代码里隐蔽的问题——比如储能充放电同变量的边界处理是否正确。5.3 后续可以怎么扩展鲁棒优化的框架定型后扩展方向很多多时段耦合的储能容量规划把调度模型嵌入容量优化的外层迭代中可以用于微电网的长期规划计算。与需求响应结合把可平移负荷作为第二阶段的可调变量系统在面对不确定性时会更从容。市场决策的鲁棒化在购售电策略中考虑电价不确定集把买卖决策优化和系统调度放在同一个框架里做。分布式求解如果微电网节点变多可以考虑用交替方向乘子法ADMM把调度问题分解成各子网独立求解配合鲁棒化处理内部不确定性。这些扩展的共同点都是以鲁棒模型为内核外面套一层规划或市场决策的循环。所以你只要把内核对偶、迭代求解这套基本功打好后面做各种衍生模型都会顺畅很多。6. 给新手的几条实操建议如果这篇文章只能留下三句话我会留这三条。第一先跑通确定性模型再谈鲁棒。很多人一上来就想直接上最先进的方法结果模型有问题都排查不出来。确定性模型是对照组和调试基准先把这套基础做扎实你才有资格判断鲁棒优化带来的是真实收益还是模型的bug。第二不要迷信精确解。微电网调度本质上服务于工程决策鲁棒优化是帮你找到一个在不确定环境下依然可靠且成本可控的方案。求解器的最优性间隙设到1%就完全够用多出的算力不如拿去多做几轮蒙特卡洛验证。第三模型要能解释不能当盲盒。不要做完优化就输出一个数字。一定要分析为什么储能这样充、为什么这个时段买电、为什么Γ增大后成本上升来自哪个约束——这才是一个能写进报告、能过专家评审的成果也才是你真正理解了系统运行规律的表现。 
长河君 · 2026/10/10 4:54:51 · 阅读 1.2k 微电网鲁棒优化调度：应对风光不确定性的MATLAB实现
1. 为什么微电网调度绕不开不确定性1.1 确定性调度的理想世界先问一个问题如果你手里有一份完全准确的光伏出力曲线和负荷曲线调度问题会变成什么样答案很简单——一个线性规划问题。储能、柴油机、微燃机各自的出力只要在约束范围内满足功率平衡就行了求解器几秒钟就能给你最优解。但真实工程里这份完全准确的数据从来不存在。光伏出力受云层影响能瞬间掉一半负荷峰值可能比预测高15%甚至现货电价也会因为网络拥堵而剧烈波动。我早期做微电网能量管理系统EMS时就是按确定性模型来的结果极其惨痛某天的仿真结果里调度方案按照预测光伏出力90kW排产但实际光伏只有60kW系统频率直接掉出安全范围备用柴油机强行启动调度成本比预测值高出将近40%。这就是确定性调度最大的问题——它把预测当成现实但对预测错了怎么办完全没有兜底机制。1.2 不确定性从哪来风光、负荷、现货电价微电网里的不确定性大致来自三个方向第一是风光出力偏差。光伏和风机的出力取决于天气而天气预报做不到100%准确。风力发电的爬坡率极快可能十分钟内出力从80kW掉到20kW。这种波动对微电网的功率平衡影响非常大。第二是负荷的不确定性。用户侧用电行为本身无法精确建模尤其当微电网带商业综合体或工业园区时负荷突变是常见现象。负荷预测误差往往在5%到20%之间而且有一定的规律早晚高峰时段误差更大过渡时段相对稳定。第三是市场电价的不确定性。如果微电网有并网条件参与市场购售电时现货电价的波动也会影响调度决策。天然气价格、需求响应信号、甚至相邻区域的价格联动都会让电价预测模型失效。这三种不确定性的来源、量级和影响方式各不相同。如果你用一个固定的概率分布去描述它们工程上往往难以让人信服——你很难说清光伏出力的预测误差到底服从正态分布还是贝塔分布参数从哪来历史数据不够怎么办这正是鲁棒优化的切入点。1.3 鲁棒优化和随机优化的选择逻辑行业里处理不确定性的主流方法有两类随机优化和鲁棒优化。随机优化的思路是我预测了100个可能的场景每个场景有各自的概率求期望成本最小化。这个思路听起来很美但它有两个硬伤概率分布本身的准确性没法保证。你给的分布和真实世界不符优化出来的解自然也不靠谱。场景数量少了解不出效果多了计算爆炸。做两阶段随机规划时1000个场景的MILP问题求解时间经常以小时计而且很多场景浪费在极端低概率区间。鲁棒优化的思路完全相反——我不关心概率我只要保证你在最坏情况下也不至于崩盘。你告诉我光伏出力波动的区间是[60, 90]我就按照最不利于系统运行的情况来安排调度策略确保无论光伏实际出力是60还是90系统都能稳定运行且成本可控。你说鲁棒优化保守确实它比随机优化保守。但它的优势是不需要精确的概率分布、模型转换后是标准的MILP、计算时间在分钟级可以接受。对一个需要每天滚动优化、甚至日内实时调度的EMS来说鲁棒优化在工程落地上的友好度远超随机优化。2. 从物理模型到鲁棒优化模型2.1 微电网调度的数学描述先说清楚我们优化的对象是什么。一个典型微电网包含以下设备和约束设备模型部分柴油机或微燃机出力范围限制在[P_min, P_max]爬坡约束限制了相邻时段的出力变化量|P_t - P_{t-1}| ≤ Ramp。燃料成本是出力的二次函数但工程上常线性化处理为分段线性成本。储能系统SOC荷电状态随时间更新SOC_t SOC_{t-1} (P_ch·η_ch - P_dis/η_dis)·Δt/Capacity。充放电功率有限制SOC也在上下限之间。这里有个小坑充放电功率不能同时为正否则你的模型会白嫖能量。处理方法要么引入二进制变量要么用互补约束的线性逼近后面代码部分会细说。联络线如果微电网和主网并网购售电功率有上限且购电价和售电价通常不一样存在价差。功率平衡约束所有发电功率加上购电功率减去用电负荷必须始终等于零这是每条母线、每个时段都要满足的硬约束。目标函数最小化总运行成本包含燃料成本、购电成本、储能折旧成本有时可忽略可能还需要加上弃光、切负荷的惩罚项。2.2 盒式不确定集与两阶段鲁棒建模思路所谓鲁棒优化关键是不确定量的描述方式。最常用的不确定集是盒式box光伏出力 P_pv ∈ [P_pv_min, P_pv_max]负荷 P_load ∈ [P_load_min, P_load_max]。如果直接用这种全区间不确定集结果通常非常保守——因为它在极端情况下才会出现光伏同时取最小、负荷同时取最大。所以工程上会用预算约束budget of uncertainty来限制同时取坏值的变量个数上限。例如一个含24时段、每个时段光伏和负荷各一个不确定量的模型不确定性变量总数是48个。引入预算参数Γ要求所有时段内不确定量偏离预测值的归一化总和 ≤ Γ。Γ0时退化为确定性模型Γ48时是全盒式的最保守情形。你可以通过调节Γ在保守度和经济性之间做折中。建模方式我推荐两阶段形式第一阶段决定机组开停、储能充放电计划等现在定下来第二阶段等不确定量揭露后再做功率调整确保任何波动下都能通过调整各设备出力维持平衡。两阶段鲁棒问题的标准解法是列与约束生成算法CCG后面展开讲。2.3 对等转换如何把Robust变成可求解的MILP模型里的最坏情况是一个max-min或min-max结构不能直接喂给求解器需要转换。对于单阶段鲁棒问题可以通过对偶理论把内层的max问题转为对偶min问题然后把目标函数合并最终得到一个标准的MILP。这一路操作的关键是把约束条件里涉及不确定参数的部分拆出来写成名义值 偏差×扰动量的形式再融入不确定集的对偶表达。对于两阶段问题CCG的标准流程是初始化假设一个最坏场景一般是预测值的偏差方向。主问题在当前已知场景集合下求解调度方案得到目标值下界。子问题固定主问题的决策变量求解最坏情况下的最小调整成本或判别可行性得到目标值上界。收敛判断若上下界间隙小于阈值退出否则把子问题产生的场景加回主问题重复迭代。这套流程听起来复杂但MATLAB里用YALMIP加一个通用求解器如Gurobi或CPLEX实现下来核心代码量也就几百行。难的不是代码本身而是调试过程中那些边界情况和凸性条件问题。3. MATLAB里怎么把这套模型跑起来3.1 求解器选型YALMIP还是不YALMIP首先明确一个结论我不推荐直接在MATLAB里手写单纯形法或者对偶转换那是在重复造轮子。真正该做的是用建模工具把你脑子里的数学问题翻译成求解器能吃的语言。最常用的选择是YALMIP——一个MATLAB的建模工具箱本身不求解但能对接Gurobi、CPLEX、MOSEK等商业求解器。它的好处是把约束写出来特别直观和你在论文里写的公式几乎一一对应调试方便。缺点是多了一层抽象求解大模型时会有额外开销不过对微电网调度这种规模几百个变量、上千条约束来说完全不是问题。如果你不想装YALMIP也可以用MATLAB自带的Optimization Toolbox里的intlinprog。但缺点非常明显你得自己把所有约束写成矩阵形式变量数量一多稀疏矩阵的组装错误率极高。我试过一次之后果断放弃老老实实装了YALMIP加Gurobi。3.2 数据准备风光出力场景怎么构造建模前得先把数据准备好。这一步看起来琐碎实际上决定了你模型的成败。我一般按以下流程获取原始数据光伏出力归一化曲线、负荷实际曲线。如果没有实测数据可以用预测工具生成但要清楚标注数据来源和误差水平。计算预测误差对比历史预测值和实际值确定每个时段误差的上下界。如果数据不够工程上常用预测值的10%到20%作为波动范围并做敏感性分析。构造不确定集定义每个时段的波动区间和预算参数Γ。建议先用确定性模型跑一版再逐步增大Γ观察成本上升趋势。这里提个经验如果负荷的波动范围取的太宽比如±20%你会发现鲁棒解的成本比确定性解高30%以上这时候调度的储能往往会预先把SOC充得很高以便应对负荷高峰——这个行为是符合工程直觉的。3.3 核心代码骨架与关键函数的实现下面给一个简化版的两阶段鲁棒调度核心骨架用YALMIP建模注释尽量详细方便你在此基础上扩展。%% 两阶段鲁棒微电网调度 - CCG迭代骨架简化版 % 变量定义 % x: 第一阶段变量储能充放电、机组出力等 % y: 第二阶段变量应对不确定性后的调整量 % u: 不确定性变量光伏/负荷偏差 % 基本参数 P_load_pred ...; % 负荷预测值24x1 P_pv_pred ...; % 光伏预测值24x1 delta_load 0.15; % 负荷波动范围比例假设15% delta_pv 0.20; % 光伏波动范围比例假设20% Gamma 8; % 预算参数调节保守度 % 不确定集盒式预算约束 u_lb -[delta_load*P_load_pred; delta_pv*P_pv_pred]; u_ub [delta_load*P_load_pred; delta_pv*P_pv_pred]; % 预算约束的归一化累加形式在这里通过循环实现为简洁不展开 % 第一阶段模型主问题MILP x sdpvar(...); Constraints []; Cost 0; % ... 添加储能、机组、联络线的约束和成本 % CCG迭代 LB -inf; UB inf; worst_cases {}; % 收集子问题返回的最坏场景 for iter 1:50 % 1. 求解主问题含已有的最坏场景集合 optimize(Constraints_with_worst, Cost); LB value(Cost); % 2. 固定x求解子问题max-min结构 % 内层min是线性规划外层max通过枚举极点求解 [worst_u, sub_obj] solve_subproblem(value(x)); UB min(UB, sub_obj value(Cost)); if (UB - LB) / UB 0.01 % 间隙小于1%则收敛 break; end worst_cases{end1} worst_u; % 把最坏场景加入主问题 end子问题的SDP/线性LP求解在简化版里用双重循环即可实际工程中会用对偶变换加速。上面的骨架只是说明流程具体到约束组装需要大量细节每个人的模型又不一样这里给的是通用思路。4. 我踩过的那些坑4.1 对偶转换时的变量维度炸了第一次做两阶段鲁棒时我在子问题的对偶转换上卡了快一周。原因是子问题内层的min是对所有连续调整量求最小外层的max是对不确定参数求最大。做对偶时我先对内层做dual结果对偶变量个数和约束数量直接翻倍YALMIP里变量维度对不上老是报错。后来才搞清楚正确的做法是先分离出和不确定参数相关的项让它们只出现在目标函数系数里再对min部分取对偶把外层max变成内层min的对偶问题。这样整个问题变成单一MILP维度是可控的。用CCG替代强对偶转换可以有效绕开这类维度难题——你不必一次把对偶写对每次迭代只追加一个场景调试起来更安全。4.2 求解器永远在跑、内存爆掉有段时间我的模型一跑就是三四个小时不出结果仔细看发现是主问题的二进制变量太多了。储能、机组开停、购售电状态全用二进制变量表示24时段乘上几个设备二进制变量轻松上百。对于MILP来说二进制变量数量直接决定求解难度。解决办法有三招优先用内点法先求LP松弛解做良好初始解喂给分支定界算法。尽量消除多余的二进制变量。比如充放电互斥约束可以通过两个连续变量的线性组合加一个小量M构造而不必引入额外的状态变量。设置求解器的MIP间隙参数Gurobi的MIPGap可以设为1%甚至更高——工程上1%和0.1%的差距没有你想象的那么大但求解速度能差一个数量级。4.3 保守度调参预算参数到底怎么选Γ选多少合适这是每个用鲁棒优化的人都会问的问题。我翻了大量文献有的推荐Γ取总不确定量的1/3有的说2/5但都是经验法则没有普适答案。我自己的做法是画一张帕累托曲线横轴是Γ从小到大的取值纵轴是系统总成本。你会发现曲线呈现明显的三段初始段成本上升缓慢白赚了很多安全性中期段成本上升变快开始真正保守了末端段成本骤增过度保守。然后根据工程需求选择拐点位置——比如成本和可靠性之间权重差不多时选中期段中间点的Γ。还有一个技巧不要把预算约束一股脑全放在全局时段上可以按关键时段分组设置。比如早晚高峰时段给高预算深夜低谷时段给低预算。这样比统一Γ更符合实际运行规律。5. 结果分析鲁棒解到底值不值5.1 经济性与可靠性的权衡曲线做一个具体案例假设只有光伏和负荷两个不确定源24时段。确定性调度总成本约4200元。把Γ从0逐步增加到2448个不确定变量的半数成本变化大致如下Γ取值总成本元成本增幅对应的可靠性表现0确定性42000%光伏偏差10%即需要切负荷443804.3%偏差20%内无需切负荷845207.6%偏差30%内无需切负荷16498018.6%极端场景下仍可运行24全盒式545029.8%完全保守抗所有极端从这个表能清晰看到前段性价比最高。从Γ0到Γ4只多花了不到200元就扛住了20%的预测偏差非常划算但从Γ16到Γ24为了多扛一点极端场景却多花了470元性价比就很低了。实际项目我一般建议把Γ控制在总不确定量个数的1/4到1/3之间。分析结果时还有一个值得注意的点观察最优调度策略中的储能行为变化。随着Γ增大SOC曲线会呈现出明显的保底特征——在光伏出力最差、负荷最高的时段之前储能会预先充满。这说明鲁棒解确实在学习最坏场景的结构而不仅仅是无脑加安全裕度。5.2 如何验证鲁棒解的可行性鲁棒优化的结果不是算完就完一定要做事后验证否则你根本不知道模型有没有建模错误。标准做法是蒙特卡洛模拟根据历史数据拟合或直接设定真实的不确定性分布随机采样10000个场景把调度方案代入每个场景检查功率平衡约束、储能SOC约束、联络线功率上限是否全部满足。理论上只要场景在不确定集范围内鲁棒解都应该是可行的。如果发现大量场景违反约束多半是你的不确定集建模有bug比如预算约束写错了方向。我还做过一件比较笨但有效的事直接把最坏场景提取出来逐时段手动推演。选一个光伏最低、负荷最高的场景把每一时段的功率流手算一遍看是否满足平衡。这个过程虽然花时间但能帮你发现很多代码里隐蔽的问题——比如储能充放电同变量的边界处理是否正确。5.3 后续可以怎么扩展鲁棒优化的框架定型后扩展方向很多多时段耦合的储能容量规划把调度模型嵌入容量优化的外层迭代中可以用于微电网的长期规划计算。与需求响应结合把可平移负荷作为第二阶段的可调变量系统在面对不确定性时会更从容。市场决策的鲁棒化在购售电策略中考虑电价不确定集把买卖决策优化和系统调度放在同一个框架里做。分布式求解如果微电网节点变多可以考虑用交替方向乘子法ADMM把调度问题分解成各子网独立求解配合鲁棒化处理内部不确定性。这些扩展的共同点都是以鲁棒模型为内核外面套一层规划或市场决策的循环。所以你只要把内核对偶、迭代求解这套基本功打好后面做各种衍生模型都会顺畅很多。6. 给新手的几条实操建议如果这篇文章只能留下三句话我会留这三条。第一先跑通确定性模型再谈鲁棒。很多人一上来就想直接上最先进的方法结果模型有问题都排查不出来。确定性模型是对照组和调试基准先把这套基础做扎实你才有资格判断鲁棒优化带来的是真实收益还是模型的bug。第二不要迷信精确解。微电网调度本质上服务于工程决策鲁棒优化是帮你找到一个在不确定环境下依然可靠且成本可控的方案。求解器的最优性间隙设到1%就完全够用多出的算力不如拿去多做几轮蒙特卡洛验证。第三模型要能解释不能当盲盒。不要做完优化就输出一个数字。一定要分析为什么储能这样充、为什么这个时段买电、为什么Γ增大后成本上升来自哪个约束——这才是一个能写进报告、能过专家评审的成果也才是你真正理解了系统运行规律的表现。