1. 微电网优化调度为什么要考虑不确定性做园区级微电网调度的人应该都有过这种体会今天光伏预测曲线明明很漂亮上午十点突然飘来一片云出力直接砍半或者风电场那边预报微风结果下午风速爬升风机满发。这时候如果还按着早上做的计划走储能该充电的时候没充上该放电的时候又早早放空了最后只能靠向上级电网买高价电来兜底——一算账白白多花不少钱。这就引出了微电网最优运行里的一个核心问题可再生能源和负荷的不确定性到底该怎么处理传统做法是确定性优化把光伏出力、风速、负荷都当成已知参数求解一个单层线性规划或者混合整数规划得到一条最优调度曲线。这个方法简单、清晰、求解快但短板也很明显——它本质上是在赌预测值准。一旦实际和预测偏差稍大最优解就变成了“次优解”甚至“不可行解”。实际运行中微电网里往往有储能、柴油机、燃料电池这些可控资源它们的响应速度远快于日前调度的周期完全有能力在实时阶段做二次调整。所以理想的做法是在做日前计划时就给实时调整留出余量并且这个余量要能覆盖最坏情况下的不确定性。在这个背景下学界和工程界逐渐形成了两条技术路线。一条是随机优化Stochastic Optimization用蒙特卡洛采样生成大量场景用场景的期望值作为目标函数的一部分。随机优化的优点是经济性好缺点是你得知道不确定量的概率分布而且当场景数量多到一定程度时模型规模和求解时间会急剧膨胀。另一条就是我们今天要重点聊的鲁棒优化Robust Optimization。鲁棒优化的思路和随机优化完全不同。它不去猜测概率分布而是把所有可能的不确定性范围画一个集合——比如“光伏出力在预测值的±20%以内波动”然后把目标函数改成最小化“最坏情况下”的运行成本。换言之我不赌哪个场景会出现我只保证不管不确定性怎么变我都能扛住而且代价是可控的。我最初接触这个概念时也被“最坏情况”这个思路吸引住了。因为微电网调度本质上是一个保守的行业——供电可靠性永远排在经济性前面。与其把希望寄托在预测模型的精度上不如在制定计划时就让方案本身具备对抗不确定性的能力。这正是鲁棒优化在微电网领域越来越受重视的原因。本文要聊的这个项目——“具有可再生能源和储能的区域微电网的最优运行:针对不确定性的鲁棒性和非预测性解决方案”做的就是这么一件事用两阶段鲁棒优化Two-Stage Robust Optimization来求解微电网日前-实时两阶段调度问题兼顾了鲁棒性和非预测性Non-Anticipativity并且给出了完整的Matlab实现。下面我会从建模思路、数学推导、求解算法、代码实现到避坑经验一条线拉通讲清楚。2. 从确定性模型到两阶段鲁棒优化2.1 先回顾确定性调度模型的骨架要理解鲁棒优化得先把确定性调度模型装进脑子里。一个典型的含可再生能源和储能的微电网日前调度模型通常包含这么几个部分目标函数是最小化总运行成本一般包括向上级电网购电费用、柴油机或燃气轮机的燃料成本、储能充放电损耗成本如果允许切负荷还可以加上惩罚项。写成数学形式就是min sum( C_grid * P_grid C_fuel * P_engine ... )功率平衡约束是这个模型的心脏任意时刻光伏出力、风电出力、储能放电、购电功率、机组出力之和要等于负荷需求加上储能充电功率。这是等式约束也意味着鲁棒优化中最难啃的一块——等式约束包含不确定参数时怎么保证对任意实现都可行。储能约束包括荷电状态SOC递推式、充放电功率上下限、SOC上下限、以及“不能同时充放”的逻辑约束。这是微电网调度里最容易出数值问题的部分尤其是SOC递推式和充放电0/1变量放在一起时等价类很多稍不注意就出现死循环或无解。机组出力约束包括发电功率上下限和爬坡约束。如果考虑机组启停还要加启停逻辑约束这时候模型就从线性规划升级到混合整数线性规划MILP。2.2 不确定性该加在哪里确定性模型全部参数都是常量。一旦引入不确定性我们需要明确哪些参数是不确定的在微电网场景中不确定性主要来自三类光伏出力、风电出力、负荷需求。对于电价在电力现货市场背景下也可能存在不确定性但很多研究把它当作确定性参数处理因为电价属于市场出清结果微电网运营者大概率是价格接受者。这个项目的标题里直接点出了“可再生能源”和“储能”所以核心不确定性集中在光伏和风电出力上。把不确定性参数单独抽出来用符号ξ表示。那么约束条件大致可以写成两类不含ξ的约束对任何不确定性实现都必须满足含ξ的约束这类约束在鲁棒优化里又分两种处理方式要么要求在ξ的任意取值下都满足要么在ξ实际值观测后再做调整。这就是“两阶段”的由来。2.3 两阶段鲁棒优化的数学结构两阶段鲁棒优化的通用形式是min_x cx max_ξ∈U min_y dy s.t. Ax ≥ b Bx Cξ Dy ≥ h这里的x是第一阶段决策变量通常代表日前计划量比如储能各时段的充放电基准功率、机组启停状态、购电计划。这些决策必须在不确定性揭示之前确定下来也就是“非预测性”约束的核心含义——你不能在制定日前计划时就假设你已经知道了明天光伏出力的实际值。第二阶段决策变量y则是实时调整量比如实际运行时根据当前光伏出力偏差对储能出力的微调、对机组出力的修正、紧急购电量的变化等。y可以在看到ξ的实现后做出响应所以它是“预测性”的。整个模型的求解思路可以理解为在不确定性集合U中找到一个最坏的ξ实现外层max使得对应的最优调整成本内层min_y加上日前成本总和最大——我们要把这个最大的总成本最小化。注意这里的“非预测性”Non-Anticipativity在随机优化中更常用指决策只能基于当前已知信息不能预知未来场景。在鲁棒优化中对应的就是第一阶段决策不能依赖ξ的具体取值。3. 不确定性集合怎么构造3.1 盒式不确定集与预算约束鲁棒优化和随机优化最大的差别之一就是不确定性的描述方式。随机优化给每个场景分配一个概率鲁棒优化给每个不确定参数画一个取值范围。最基础的是盒式不确定集ξ ∈ [ξ_hat - Δξ, ξ_hat Δξ]这里的ξ_hat是预测值Δξ是最大偏差。盒式集的优点是简单直观缺点是过于保守——它允许所有不确定参数同时取到最坏值这在现实的微电网中几乎不可能发生。光伏出力偏低的同时风电出力也偏低负荷又飙到最大值这种“三重极端同时出现”的场景虽然理论上存在但概率极低。如果把所有不确定参数都设成盒式集最坏点最后得到的调度方案会非常保守储能整天处于“戒备状态”经济性损失巨大。为了解决这个问题工程上引入了预算参数Budget of Uncertainty。预算约束的思想是虽然在极端情况下所有参数都可能偏离预测值但同一时刻总共偏离的参数个数或总偏离量是有限的。数学上可以写成sum( |ξ_i - ξ_hat_i| / Δξ_i ) ≤ ΓΓ就是预算参数。当Γ0时模型退化为确定性模型当Γ等于不确定参数总数时等价于最保守的盒式集合。通过调节Γ我们可以在鲁棒性和经济性之间连续调节。这个参数在实际工程项目中非常好用——业主方如果问“你这方案太保守了吧多花这么多钱”你直接把Γ调小一点如果问“可靠性有没有保证”你就把Γ调大。3.2 我常用的不确定集设计方式在实践里我不建议把光伏和风电放在同一个预算约束里因为它们的预测误差特征差别很大。光伏出力误差有明显的时段性——中午高、早晚低而风电出力误差相对连续且带有相关性。我会把不确定集拆成多个子集例如光伏一组带预算约束风电单独一组带预算约束负荷如果也视为不确定量则单独一组。这样可以避免“光伏取最坏值的同时风电也取最坏值”这种不合理的组合。这种拆分在Matlab实现中也很方便。用YALMIP建模时只需要对每个不确定变量组单独定义约束CCG算法内部处理时分别投影就好。4. 求解算法CCG列约束生成实战4.1 核心思想两阶段鲁棒优化模型是一个min-max-min三层结构直接求解根本不可能。CCG算法Column-and-Constraint Generation是目前处理这类问题的主流方法之一核心思路是把原问题拆成一个主问题和一个子问题通过迭代让主问题不断加入子问题生成的新场景约束直到上下界收敛。**主问题MP**是原问题的一个松弛版本它只考虑一个有限的场景集合最开始通常是预测值场景min cx α s.t. Ax ≥ b Bx Cξ^k Dy^k ≥ h (k 0,1,...,K) α ≥ dy^k (k 0,1,...,K)这里的ξ^k是第k轮迭代时子问题找出来的最坏场景y^k是对应场景下的第二阶段决策变量。注意主问题每加入一个场景就会增加一组y变量和对应的约束。**子问题SP*的职责是给定第一阶段解x找到当前最坏的不确定性场景ξ。形式上就是max_ξ∈U min_y dy s.t. Cξ Dy ≥ h - Bx*这是一个max-min双层问题内层是线性规划外层是max问题。处理它的思路一般是先把内层取对偶将max-min转化为max-max形式也就是max_ξ∈U, λ≥0 λ(h - Bx* - Cξ) s.t. Dλ d这样内外层都是max了可以合并成一个单层优化问题。对偶变量λ是连续变量外层ξ在不确定集U内取值如果U是盒式集加预算约束这个单层问题本质上是一个带线性约束的连续优化问题可以用标准求解器CPLEX/Gurobi直接求解。4.2 子问题要小心的地方子问题求解是这个算法里最容易翻车的地方。我列几个常见坑**坑一内层问题的不可行性。**在CCG迭代早期主问题的约束还不全可能对某个ξ来说第二阶段y不存在可行解。这时候子问题的对偶问题可能是无界的模型直接报错“Unbounded”。解决办法是在主问题中加入人工松弛变量并给予足够大的惩罚系数保证任意ξ下第二阶段问题都有“软约束”可行解。**坑二对偶转换后求解器判性。**当内层包含0/1变量比如机组启停变量在第二阶段强对偶就不成立了。这种情况要么把0/1变量放到第一阶段要么用KKT条件把内层问题转成平衡约束要么引入大M法和辅助变量线性化。我建议在建模时就把0/1变量全部放到第一阶段第二阶段只保留连续变量对偶才干净。这不仅是代码方便的问题也是模型本身符合实际机组启停是日前决定好的实时运行中不可能突然启停机组。**坑三数值范围差异导致对偶变量尺度失衡。**储能容量的数值可能是几百kWh购电功率的数值是几十kW两者差了一个数量级对偶问题中λ的值分布会很畸形。建议在所有约束中用统一单位比如全部用kW和kWh并在必要时做归一化处理。4.3 Benders分解和CCG怎么选很多文章会把Benders分解和CCG放在一起比较。我的主观感受是针对微电网调度这类问题CCG通常比Benders收敛更快。原因是CCG每次迭代会往主问题里加一整套第二阶段变量和约束而Benders只加一条割平面一个不等式。CCG的割平面信息量更大虽然单次迭代的求解时间变长但总迭代次数明显减少。如果你发现你的CCG迭代了二三十轮还不收敛先别急着换算法多半是子问题的对偶写错了。4.4 收敛判据怎么定一般用主问题目标值下界LB和子问题目标值上界UB之间的gap来判断gap |UB - LB| / |LB| ≤ ε工程上我一般设定ε0.5%太小的ε比如0.01%会让迭代次数成倍增加而调度结果的经济性改善微乎其微。做工程要懂得在精度和效率之间找平衡0.5%-1%是非常合适的区间。基于CCG的整体流程可以梳理出如下完整步骤初始化设定当前场景集合只包含预测值场景ξξ_hatLB-∞UB∞迭代计数k0。求解主问题MILP得到最优解(x*, α*)更新LB cx* α*。固定xx*求解子问题SP得到最坏场景ξ和第二阶段目标值Q(ξ)。更新UB min(UB, cx* Q(ξ*))。计算gap |UB-LB|/|LB|。如果gap ε停止迭代输出当前主问题解。否则把ξ*作为新场景加入主问题场景集增加对应的y变量和约束kk1回到步骤2。5. Matlab代码实现要点5.1 代码总览与模块划分这个项目的完整代码我建议按下面这个结构组织逻辑清晰且方便后期扩展main.m % 主脚本参数设置、模型构建、CCG主循环 data_define.m % 所有输入数据负荷曲线、光伏预测、电价等 uncertainty_set.m % 不确定集参数设置偏差幅度、预算Γ build_mp.m % 构建主问题YALMIP模型 solve_sp.m % 求解子问题对偶转化 update_mp.m % 向主问题添加新场景约束 plot_results.m % 结果可视化5.2 YALMIP还是CVX建模工具怎么选在Matlab环境下做两阶段鲁棒优化我强烈推荐YALMIP。原因有三第一YALMIP对MILP/MIQCP的支持比CVX更成熟尤其在离散变量处理上更稳定第二YALMIP的constraint对象可以非常方便地在循环里增删约束这对CCG迭代来说太重要了第三YALMIP能直接调用CPLEX、Gurobi、MOSEK等求解器且与优化模型耦合度低方便切换。如果你只用Matlab自带的linprog/intlinprog能用但麻烦尤其是子问题对偶后的双线性项λCξ处理起来比较痛苦。预算约束本身是线性约束但某些不确定集设计如椭球不确定集会引入二次项自带求解器处理不了。Gurobi或CPLEX是必须的。5.3 一个关键细节不确定性变量的实现方式在主问题里ξ值固定为当前场景的已知值所以直接用常数数组即可。核心挑战在子问题。子问题对偶化之后ξ作为变量出现在目标函数中包含双线性项λCξ和约束中这时需要额外引入辅助变量来线性化双线性项。以盒式不确定集带预算约束为例假设单时段只有一个不确定参数比如光伏不确定集为U { ξ | ξ_hat - Δξ ≤ ξ ≤ ξ_hat Δξ, |ξ - ξ_hat|/Δξ ≤ Γ }由于只有一个不确定参数这里的预算约束其实是冗余的——单参数取到上下界的任何一个都“用完了”整个预算。这种情况直接向量化写约束子问题是一个简单的线性规划。真正的复杂度在于多时段、多类型不确定参数同时存在时预算约束需要引入0-1辅助变量来描述“哪些参数偏离了预测值”这时候子问题从LP变成了MILP求解时间会立刻上升。常见的线性化技巧是引入连续变量z_i和0-1变量u_i令z_i ≥ 0 表示不确定参数i的相对偏离幅度z_i ≤ u_iu_i1表示该参数偏离取0则为0预算约束 sum(z_i) ≤ Γξ_i ξ_hat_i Δξ_i * z_i如果允许正负偏离则再引入正负两部分变量这样处理之后子问题就是一个标准的MILPGurobi求解非常快。5.4 储能SOC约束的实现细节储能的约束是微电网调度模型里的“麻烦制造者”代码层面有几个点必须注意**SOC递推式的初始化。**SOC(1) SOC_init η_ch * P_ch(1) - P_dis(1)/η_dis其中η_ch、η_dis分别是充放电效率。很多初学者容易忘记考虑采样间隔Δt直接把功率当能量用了。kWh和kW之间差了Δt倍这个错误在数值上表现为SOC越界而且往往在鲁棒优化的某些极端场景中才会触发排查起来非常隐蔽。**充放电功率上限的耦合。**P_ch(t)和P_dis(t)之间不能同时为正除了用0/1变量外也可以用互补约束实现但在MILP框架里0/1变量是标准做法。我见过的很多简化模型直接把充放电两个变量合成为一个变量P_ess正为充、负为放然后在约束里对正负分别限制。这样虽然少了一个0/1变量的维度但损失了充放电效率不对称的建模能力——因为充电效率和放电效率不一样合成单变量时无法区分。实际项目中储能效率不对称的影响很大不建议贪图建模方便而牺牲这个精度。**SOC的鲁棒性处理。**在两阶段模型里SOC递推式可以放在第二阶段——因为SOC的变化取决于实际的充放电功率而这些功率在第二阶段才能完全确定。但这样会使得主问题无法预先知道SOC的可行域也就无法提前约束第一阶段的充放电计划。我的做法是把SOC递推式放在第二阶段但在第一阶段加入储能各时段的SOC上下限约束确保即使第二阶段在最坏场景下SOC仍有调整空间。5.5 子问题目标函数的“运输”问题第二阶段子问题的目标函数一般包含实时购电成本、储能调整惩罚、弃风弃光惩罚。这里要特别注意实时购电成本不能用日前电价直接乘因为实时市场电价和日前电价往往不同。如果项目里没有区分也要单独设一个系数标明这是实时能量市场购电的成本系数。另外子问题目标里要加一个对第一阶段决策偏离的惩罚项。这个惩罚项有两个作用一是避免第二阶段解决方案偏离第一阶段计划太远这样调度的可执行性更强二是它的存在削弱了子问题目标对第一阶段决策的敏感性让CCG迭代更平稳。惩罚系数不宜太大否则第二阶段失去了调整自由度也不宜太小否则子问题纯粹找最坏场景第一阶段调度曲线会显得毛躁。经验做法是惩罚系数取购电成本系数的0.1到0.3倍。6. 标准测试案例结果对鲁棒参数的敏感性6.1 测试场景设定我设计了一个典型日验证模型性能时间粒度为1小时、共24个时段。负荷预测曲线模拟了一个小型工业园区的典型日——白天两个峰、中午略微回落光伏预测曲线是一个冬季晴天——8点开始爬升12-14点达到峰值17点后归零。储能容量为2MWh最大充放电功率为0.5MW充放电效率均为0.9。上级电网购电价格按峰谷电价设置。作为对比基准我分别求解了确定性模型Γ0和鲁棒模型Γ取不同值。6.2 调度结果对比确定性模型的调度策略很“激进”它认为光伏预测完美无缺所以中午时段几乎满负荷给储能充电同时大量削减购电功率到了晚间负荷高峰储能放电支撑购电功率维持在低谷时段水平。整体成本最低但光伏出力一旦达不到预测值储能可能无法完成充电目标晚高峰就得高价购电。而鲁棒模型Γ4的调度策略明显更“留有余地”。它把储能充电时段拉长充电功率降低以保证即使光伏出力偏小储能也大概率能充到目标SOC同时购电功率的峰谷差缩小不再完全依赖中午的光伏高发来支撑储能充电。最终的日前成本比确定性模型高出不少但最坏情况下的总成本显著更低。从鲁棒优化的角度来说这就是典型的价格换取可靠性——多花一点日前购电成本避免最坏情况下的高额实时购电罚单。6.3 预算参数Γ的敏感性我扫了一遍Γ从0到6光伏和风电各3个不确定参数的变化趋势Γ0等价于确定性模型成本最低但最坏场景下成本剧增。Γ1到2成本缓步上升最坏场景成本快速下降——性价比最高的区间。Γ3到4成本继续上升但最坏场景成本下降趋势放缓。Γ5到6成本几乎不再变化因为此时不确定集已经接近盒式集合的最保守情况调度方案的“鲁棒边际”已经饱和。在设计项目方案时我一般会根据历史预测误差数据来标定Γ统计过去90天中实际光伏出力偏离预测值超过±15%的小时数占比如果这个比例低于5%就说明Γ取2-3足够覆盖绝大多数风险。通过历史数据来标定模型参数比拍脑袋选Γ要靠谱得多。6.4 为什么两阶段解优于单阶段鲁棒解单阶段鲁棒优化把所有决策都放在不确定性揭示之前所以对储能、机组、购电功率全部都要求“对所有可能的ξ都可行”。这相当于要求调度方案在每一种不确定性实现下都不能触碰任何约束边界自然非常保守。两阶段则不同日前只决定第一阶段的“基准计划”实时阶段可以根据实际ξ自由调整储能出力、机组出力和购电计划。这给了调度方案更大的可行域也意味着成本更低。举个直观的例子单阶段鲁棒优化里储能容量必须大得足以覆盖光伏最大偏差时的全部调整需求而两阶段模型里储能只需要覆盖光伏偏差中“实时调整后仍然需要储能额外承担”的部分这个量往往小很多。7. 常见问题排查与避坑指南7.1 子问题对偶不可行或目标无界CCG调试中最常见的问题。如果你看到子问题求解返回“Infeasible”或者“Unbounded”大概率是内层原始问题在某个ξ下无可行解。这时候可以先固定一个简单的ξ比如ξξ_hat去求解内层问题确认第二阶段模型本身是不是有缺陷约束冲突、边界条件错误。如果固定ξ下内层问题可行再检查对偶代码的维度匹配问题——对偶变量λ的维度必须与原始约束个数完全一致差一个都对不上。我自己习惯的做法是在CCG迭代循环外加一层“validator”——每轮子问题求解之前先固定ξ当前最优场景去跑一遍内层min_y确保内层问题有界可行再去跑max-min对偶版本。虽然多花一点时间但能快速定位问题出在“原始问题不可行”还是“对偶转换出错”。7.2 迭代收敛慢或震荡如果gap在某个值附近来回抖动不往下走最常见的原因是第一阶段的整数变量机组启停、储能充放电模式切换引起的子问题目标值非凸跳跃。解决方案有两个一是给第一阶段整数变量加上“小范围禁带”比如禁止机组在相邻时段反复启停最小启停时间约束二是在子问题目标中加入一个很小的正则化项比如对ξ的偏离量加一次项惩罚——正则项的系数要足够小小到不影响最坏场景的识别但足以平滑收敛曲线。7.3 YALMIP建模中的性能陷阱YALMIP建模时会自动做模型预处理但如果你把整个两阶段模型一次性堆给YALMIP让它处理max-min结构YALMIP支持bilevel优化在微电网规模的模型下性能会非常差。YALMIP的bilevel求解器内置的迭代算法远不如你自己实现的CCG遇到稍微大一点的模型就容易内存爆炸。我的经验是用YALMIP构建MP和SP的标准形式然后手动控制CCG循环YALMIP只负责每一轮里MP和SP的建模与求解不涉及其跨层级优化功能。这样既保留了YALMIP建模的便利性又掌控了算法核心逻辑。还有一个隐蔽但极其常见的问题在循环里不断往YALMIP的constraint对象里“追加”约束时如果直接写Constraints [Constraints; new_constraint]代码执行效率会随着约束数量增加而大幅下降。我自己在项目中被这个卡过不少次——到第15轮迭代时主问题的变量和约束数量上来了单轮求解时间翻了两三倍差点以为是模型本身的问题。后来改用元胞数组暂存所有约束最后一轮一次性用vertcat拼起来效果立竿见影。如果你的代码在迭代中越跑越慢先看看是不是这个问题。7.4 数值稳定性问题鲁棒优化的数值问题通常比确定性优化更严重因为对偶问题的系数矩阵包含了原问题的对偶乘子而乘子的量级差异很容易让求解器产生病态矩阵。一个有效的措施是统一模型中的单位体系不要同一个模型中同时出现MW和kW、MWh和kWh。再加上量级归一化把所有数值控制在0.01到100之间求解速度会好很多。Gurobi的参数设置也值得花时间调。我一般会把MIPGap设到0.01%、MIPFocus设为1偏重可行性搜索这两个参数在CCG迭代中能明显加速收敛。如果子问题是纯LP那直接调用linprog或Gurobi的连续求解器就好没必要让MILP的MIP初始化逻辑拖后腿。7.5 鲁棒解一定有经济性价值吗这是个好问题也是很多人在用过鲁棒优化后产生的疑惑。如果预测模型已经非常准不确定性范围很小那么鲁棒优化的价值就很有限——它只是把预测误差的尾部风险抹平了但为此付出的鲁棒代价Robust Price会显得不划算。反过来说如果预测误差大那么确定性模型的调度结果几乎天天偏离最优工况两阶段鲁棒优化的优势就会非常明显。所以在项目落地前先做一次预测误差统计看看历史数据里实际出力和预测出力的偏差到底有多大。如果偏差超过15%的时段占比不到3%那大概率不需要上鲁棒优化用滚动优化控制MPC更合适如果偏差超过15%的时段占比超过10%鲁棒优化几乎是必选项。8. 个人实操中的几点体会代码跑通只是第一步真正让鲁棒优化从论文走向工程还需要在模型细节上反复打磨。我在实际项目中体会最深的一点是不要盲目追求最坏情况下的绝对最优而是在鲁棒性和经济性之间找一个对运营者来说“心理可接受”的点。这并不是一个纯数学问题而是一个决策问题。我会把不同Γ取值下的调度结果和成本做成表格让业主方直观看到“多花多少钱、规避多少风险”让业务人员参与参数标定而不是自己在办公室里拍定。另外两阶段鲁棒优化的求解规模对模型细节非常敏感。储能SOC用线性递推式时24时段的问题非常轻松一旦加上最小启停时间约束、爬坡约束的完整表述MILP规模和求解时间会急剧上涨。这时候可以考虑缩减时间粒度从15分钟改成1小时或者采用滚动求解策略——先求解24小时模型然后只取前4小时的结果作为执行计划后续重新求解。虽然理论上是次优的但工程上完全够用。最后再分享一个小技巧CCG迭代收敛后把每一轮迭代的主问题下界和子问题上界画成迭代曲线不仅能在论文中展示算法的收敛性也能在调试时快速发现振荡和异常。我习惯在每个迭代循环中记录 LB、UB、Gap、迭代耗时、场景数量在调试和汇报时都很有用。比如某轮迭代gap一直卡在2%不下来那就去查是不是某个场景没有真正加入主问题如果子问题求解时长突然翻倍那就去查是不是新增的0-1辅助变量让子问题从LP变成了MILP——这些问题在迭代曲线上一眼就能锁定位置不需要逐行翻代码。两阶段鲁棒优化是一个“入门容易、精通难”的方向但一旦把CCG的主线逻辑和不确定性集合的设计理解透了后续延伸到多微网协同、参与电力市场的竞价策略、分布式鲁棒优化等场景都只是在这个骨架上做扩展。希望这篇文章能把你的第一道坎迈过去。
1. 微电网优化调度为什么要考虑不确定性做园区级微电网调度的人应该都有过这种体会今天光伏预测曲线明明很漂亮上午十点突然飘来一片云出力直接砍半或者风电场那边预报微风结果下午风速爬升风机满发。这时候如果还按着早上做的计划走储能该充电的时候没充上该放电的时候又早早放空了最后只能靠向上级电网买高价电来兜底——一算账白白多花不少钱。这就引出了微电网最优运行里的一个核心问题可再生能源和负荷的不确定性到底该怎么处理传统做法是确定性优化把光伏出力、风速、负荷都当成已知参数求解一个单层线性规划或者混合整数规划得到一条最优调度曲线。这个方法简单、清晰、求解快但短板也很明显——它本质上是在赌预测值准。一旦实际和预测偏差稍大最优解就变成了“次优解”甚至“不可行解”。实际运行中微电网里往往有储能、柴油机、燃料电池这些可控资源它们的响应速度远快于日前调度的周期完全有能力在实时阶段做二次调整。所以理想的做法是在做日前计划时就给实时调整留出余量并且这个余量要能覆盖最坏情况下的不确定性。在这个背景下学界和工程界逐渐形成了两条技术路线。一条是随机优化Stochastic Optimization用蒙特卡洛采样生成大量场景用场景的期望值作为目标函数的一部分。随机优化的优点是经济性好缺点是你得知道不确定量的概率分布而且当场景数量多到一定程度时模型规模和求解时间会急剧膨胀。另一条就是我们今天要重点聊的鲁棒优化Robust Optimization。鲁棒优化的思路和随机优化完全不同。它不去猜测概率分布而是把所有可能的不确定性范围画一个集合——比如“光伏出力在预测值的±20%以内波动”然后把目标函数改成最小化“最坏情况下”的运行成本。换言之我不赌哪个场景会出现我只保证不管不确定性怎么变我都能扛住而且代价是可控的。我最初接触这个概念时也被“最坏情况”这个思路吸引住了。因为微电网调度本质上是一个保守的行业——供电可靠性永远排在经济性前面。与其把希望寄托在预测模型的精度上不如在制定计划时就让方案本身具备对抗不确定性的能力。这正是鲁棒优化在微电网领域越来越受重视的原因。本文要聊的这个项目——“具有可再生能源和储能的区域微电网的最优运行:针对不确定性的鲁棒性和非预测性解决方案”做的就是这么一件事用两阶段鲁棒优化Two-Stage Robust Optimization来求解微电网日前-实时两阶段调度问题兼顾了鲁棒性和非预测性Non-Anticipativity并且给出了完整的Matlab实现。下面我会从建模思路、数学推导、求解算法、代码实现到避坑经验一条线拉通讲清楚。2. 从确定性模型到两阶段鲁棒优化2.1 先回顾确定性调度模型的骨架要理解鲁棒优化得先把确定性调度模型装进脑子里。一个典型的含可再生能源和储能的微电网日前调度模型通常包含这么几个部分目标函数是最小化总运行成本一般包括向上级电网购电费用、柴油机或燃气轮机的燃料成本、储能充放电损耗成本如果允许切负荷还可以加上惩罚项。写成数学形式就是min sum( C_grid * P_grid C_fuel * P_engine ... )功率平衡约束是这个模型的心脏任意时刻光伏出力、风电出力、储能放电、购电功率、机组出力之和要等于负荷需求加上储能充电功率。这是等式约束也意味着鲁棒优化中最难啃的一块——等式约束包含不确定参数时怎么保证对任意实现都可行。储能约束包括荷电状态SOC递推式、充放电功率上下限、SOC上下限、以及“不能同时充放”的逻辑约束。这是微电网调度里最容易出数值问题的部分尤其是SOC递推式和充放电0/1变量放在一起时等价类很多稍不注意就出现死循环或无解。机组出力约束包括发电功率上下限和爬坡约束。如果考虑机组启停还要加启停逻辑约束这时候模型就从线性规划升级到混合整数线性规划MILP。2.2 不确定性该加在哪里确定性模型全部参数都是常量。一旦引入不确定性我们需要明确哪些参数是不确定的在微电网场景中不确定性主要来自三类光伏出力、风电出力、负荷需求。对于电价在电力现货市场背景下也可能存在不确定性但很多研究把它当作确定性参数处理因为电价属于市场出清结果微电网运营者大概率是价格接受者。这个项目的标题里直接点出了“可再生能源”和“储能”所以核心不确定性集中在光伏和风电出力上。把不确定性参数单独抽出来用符号ξ表示。那么约束条件大致可以写成两类不含ξ的约束对任何不确定性实现都必须满足含ξ的约束这类约束在鲁棒优化里又分两种处理方式要么要求在ξ的任意取值下都满足要么在ξ实际值观测后再做调整。这就是“两阶段”的由来。2.3 两阶段鲁棒优化的数学结构两阶段鲁棒优化的通用形式是min_x cx max_ξ∈U min_y dy s.t. Ax ≥ b Bx Cξ Dy ≥ h这里的x是第一阶段决策变量通常代表日前计划量比如储能各时段的充放电基准功率、机组启停状态、购电计划。这些决策必须在不确定性揭示之前确定下来也就是“非预测性”约束的核心含义——你不能在制定日前计划时就假设你已经知道了明天光伏出力的实际值。第二阶段决策变量y则是实时调整量比如实际运行时根据当前光伏出力偏差对储能出力的微调、对机组出力的修正、紧急购电量的变化等。y可以在看到ξ的实现后做出响应所以它是“预测性”的。整个模型的求解思路可以理解为在不确定性集合U中找到一个最坏的ξ实现外层max使得对应的最优调整成本内层min_y加上日前成本总和最大——我们要把这个最大的总成本最小化。注意这里的“非预测性”Non-Anticipativity在随机优化中更常用指决策只能基于当前已知信息不能预知未来场景。在鲁棒优化中对应的就是第一阶段决策不能依赖ξ的具体取值。3. 不确定性集合怎么构造3.1 盒式不确定集与预算约束鲁棒优化和随机优化最大的差别之一就是不确定性的描述方式。随机优化给每个场景分配一个概率鲁棒优化给每个不确定参数画一个取值范围。最基础的是盒式不确定集ξ ∈ [ξ_hat - Δξ, ξ_hat Δξ]这里的ξ_hat是预测值Δξ是最大偏差。盒式集的优点是简单直观缺点是过于保守——它允许所有不确定参数同时取到最坏值这在现实的微电网中几乎不可能发生。光伏出力偏低的同时风电出力也偏低负荷又飙到最大值这种“三重极端同时出现”的场景虽然理论上存在但概率极低。如果把所有不确定参数都设成盒式集最坏点最后得到的调度方案会非常保守储能整天处于“戒备状态”经济性损失巨大。为了解决这个问题工程上引入了预算参数Budget of Uncertainty。预算约束的思想是虽然在极端情况下所有参数都可能偏离预测值但同一时刻总共偏离的参数个数或总偏离量是有限的。数学上可以写成sum( |ξ_i - ξ_hat_i| / Δξ_i ) ≤ ΓΓ就是预算参数。当Γ0时模型退化为确定性模型当Γ等于不确定参数总数时等价于最保守的盒式集合。通过调节Γ我们可以在鲁棒性和经济性之间连续调节。这个参数在实际工程项目中非常好用——业主方如果问“你这方案太保守了吧多花这么多钱”你直接把Γ调小一点如果问“可靠性有没有保证”你就把Γ调大。3.2 我常用的不确定集设计方式在实践里我不建议把光伏和风电放在同一个预算约束里因为它们的预测误差特征差别很大。光伏出力误差有明显的时段性——中午高、早晚低而风电出力误差相对连续且带有相关性。我会把不确定集拆成多个子集例如光伏一组带预算约束风电单独一组带预算约束负荷如果也视为不确定量则单独一组。这样可以避免“光伏取最坏值的同时风电也取最坏值”这种不合理的组合。这种拆分在Matlab实现中也很方便。用YALMIP建模时只需要对每个不确定变量组单独定义约束CCG算法内部处理时分别投影就好。4. 求解算法CCG列约束生成实战4.1 核心思想两阶段鲁棒优化模型是一个min-max-min三层结构直接求解根本不可能。CCG算法Column-and-Constraint Generation是目前处理这类问题的主流方法之一核心思路是把原问题拆成一个主问题和一个子问题通过迭代让主问题不断加入子问题生成的新场景约束直到上下界收敛。**主问题MP**是原问题的一个松弛版本它只考虑一个有限的场景集合最开始通常是预测值场景min cx α s.t. Ax ≥ b Bx Cξ^k Dy^k ≥ h (k 0,1,...,K) α ≥ dy^k (k 0,1,...,K)这里的ξ^k是第k轮迭代时子问题找出来的最坏场景y^k是对应场景下的第二阶段决策变量。注意主问题每加入一个场景就会增加一组y变量和对应的约束。**子问题SP*的职责是给定第一阶段解x找到当前最坏的不确定性场景ξ。形式上就是max_ξ∈U min_y dy s.t. Cξ Dy ≥ h - Bx*这是一个max-min双层问题内层是线性规划外层是max问题。处理它的思路一般是先把内层取对偶将max-min转化为max-max形式也就是max_ξ∈U, λ≥0 λ(h - Bx* - Cξ) s.t. Dλ d这样内外层都是max了可以合并成一个单层优化问题。对偶变量λ是连续变量外层ξ在不确定集U内取值如果U是盒式集加预算约束这个单层问题本质上是一个带线性约束的连续优化问题可以用标准求解器CPLEX/Gurobi直接求解。4.2 子问题要小心的地方子问题求解是这个算法里最容易翻车的地方。我列几个常见坑**坑一内层问题的不可行性。**在CCG迭代早期主问题的约束还不全可能对某个ξ来说第二阶段y不存在可行解。这时候子问题的对偶问题可能是无界的模型直接报错“Unbounded”。解决办法是在主问题中加入人工松弛变量并给予足够大的惩罚系数保证任意ξ下第二阶段问题都有“软约束”可行解。**坑二对偶转换后求解器判性。**当内层包含0/1变量比如机组启停变量在第二阶段强对偶就不成立了。这种情况要么把0/1变量放到第一阶段要么用KKT条件把内层问题转成平衡约束要么引入大M法和辅助变量线性化。我建议在建模时就把0/1变量全部放到第一阶段第二阶段只保留连续变量对偶才干净。这不仅是代码方便的问题也是模型本身符合实际机组启停是日前决定好的实时运行中不可能突然启停机组。**坑三数值范围差异导致对偶变量尺度失衡。**储能容量的数值可能是几百kWh购电功率的数值是几十kW两者差了一个数量级对偶问题中λ的值分布会很畸形。建议在所有约束中用统一单位比如全部用kW和kWh并在必要时做归一化处理。4.3 Benders分解和CCG怎么选很多文章会把Benders分解和CCG放在一起比较。我的主观感受是针对微电网调度这类问题CCG通常比Benders收敛更快。原因是CCG每次迭代会往主问题里加一整套第二阶段变量和约束而Benders只加一条割平面一个不等式。CCG的割平面信息量更大虽然单次迭代的求解时间变长但总迭代次数明显减少。如果你发现你的CCG迭代了二三十轮还不收敛先别急着换算法多半是子问题的对偶写错了。4.4 收敛判据怎么定一般用主问题目标值下界LB和子问题目标值上界UB之间的gap来判断gap |UB - LB| / |LB| ≤ ε工程上我一般设定ε0.5%太小的ε比如0.01%会让迭代次数成倍增加而调度结果的经济性改善微乎其微。做工程要懂得在精度和效率之间找平衡0.5%-1%是非常合适的区间。基于CCG的整体流程可以梳理出如下完整步骤初始化设定当前场景集合只包含预测值场景ξξ_hatLB-∞UB∞迭代计数k0。求解主问题MILP得到最优解(x*, α*)更新LB cx* α*。固定xx*求解子问题SP得到最坏场景ξ和第二阶段目标值Q(ξ)。更新UB min(UB, cx* Q(ξ*))。计算gap |UB-LB|/|LB|。如果gap ε停止迭代输出当前主问题解。否则把ξ*作为新场景加入主问题场景集增加对应的y变量和约束kk1回到步骤2。5. Matlab代码实现要点5.1 代码总览与模块划分这个项目的完整代码我建议按下面这个结构组织逻辑清晰且方便后期扩展main.m % 主脚本参数设置、模型构建、CCG主循环 data_define.m % 所有输入数据负荷曲线、光伏预测、电价等 uncertainty_set.m % 不确定集参数设置偏差幅度、预算Γ build_mp.m % 构建主问题YALMIP模型 solve_sp.m % 求解子问题对偶转化 update_mp.m % 向主问题添加新场景约束 plot_results.m % 结果可视化5.2 YALMIP还是CVX建模工具怎么选在Matlab环境下做两阶段鲁棒优化我强烈推荐YALMIP。原因有三第一YALMIP对MILP/MIQCP的支持比CVX更成熟尤其在离散变量处理上更稳定第二YALMIP的constraint对象可以非常方便地在循环里增删约束这对CCG迭代来说太重要了第三YALMIP能直接调用CPLEX、Gurobi、MOSEK等求解器且与优化模型耦合度低方便切换。如果你只用Matlab自带的linprog/intlinprog能用但麻烦尤其是子问题对偶后的双线性项λCξ处理起来比较痛苦。预算约束本身是线性约束但某些不确定集设计如椭球不确定集会引入二次项自带求解器处理不了。Gurobi或CPLEX是必须的。5.3 一个关键细节不确定性变量的实现方式在主问题里ξ值固定为当前场景的已知值所以直接用常数数组即可。核心挑战在子问题。子问题对偶化之后ξ作为变量出现在目标函数中包含双线性项λCξ和约束中这时需要额外引入辅助变量来线性化双线性项。以盒式不确定集带预算约束为例假设单时段只有一个不确定参数比如光伏不确定集为U { ξ | ξ_hat - Δξ ≤ ξ ≤ ξ_hat Δξ, |ξ - ξ_hat|/Δξ ≤ Γ }由于只有一个不确定参数这里的预算约束其实是冗余的——单参数取到上下界的任何一个都“用完了”整个预算。这种情况直接向量化写约束子问题是一个简单的线性规划。真正的复杂度在于多时段、多类型不确定参数同时存在时预算约束需要引入0-1辅助变量来描述“哪些参数偏离了预测值”这时候子问题从LP变成了MILP求解时间会立刻上升。常见的线性化技巧是引入连续变量z_i和0-1变量u_i令z_i ≥ 0 表示不确定参数i的相对偏离幅度z_i ≤ u_iu_i1表示该参数偏离取0则为0预算约束 sum(z_i) ≤ Γξ_i ξ_hat_i Δξ_i * z_i如果允许正负偏离则再引入正负两部分变量这样处理之后子问题就是一个标准的MILPGurobi求解非常快。5.4 储能SOC约束的实现细节储能的约束是微电网调度模型里的“麻烦制造者”代码层面有几个点必须注意**SOC递推式的初始化。**SOC(1) SOC_init η_ch * P_ch(1) - P_dis(1)/η_dis其中η_ch、η_dis分别是充放电效率。很多初学者容易忘记考虑采样间隔Δt直接把功率当能量用了。kWh和kW之间差了Δt倍这个错误在数值上表现为SOC越界而且往往在鲁棒优化的某些极端场景中才会触发排查起来非常隐蔽。**充放电功率上限的耦合。**P_ch(t)和P_dis(t)之间不能同时为正除了用0/1变量外也可以用互补约束实现但在MILP框架里0/1变量是标准做法。我见过的很多简化模型直接把充放电两个变量合成为一个变量P_ess正为充、负为放然后在约束里对正负分别限制。这样虽然少了一个0/1变量的维度但损失了充放电效率不对称的建模能力——因为充电效率和放电效率不一样合成单变量时无法区分。实际项目中储能效率不对称的影响很大不建议贪图建模方便而牺牲这个精度。**SOC的鲁棒性处理。**在两阶段模型里SOC递推式可以放在第二阶段——因为SOC的变化取决于实际的充放电功率而这些功率在第二阶段才能完全确定。但这样会使得主问题无法预先知道SOC的可行域也就无法提前约束第一阶段的充放电计划。我的做法是把SOC递推式放在第二阶段但在第一阶段加入储能各时段的SOC上下限约束确保即使第二阶段在最坏场景下SOC仍有调整空间。5.5 子问题目标函数的“运输”问题第二阶段子问题的目标函数一般包含实时购电成本、储能调整惩罚、弃风弃光惩罚。这里要特别注意实时购电成本不能用日前电价直接乘因为实时市场电价和日前电价往往不同。如果项目里没有区分也要单独设一个系数标明这是实时能量市场购电的成本系数。另外子问题目标里要加一个对第一阶段决策偏离的惩罚项。这个惩罚项有两个作用一是避免第二阶段解决方案偏离第一阶段计划太远这样调度的可执行性更强二是它的存在削弱了子问题目标对第一阶段决策的敏感性让CCG迭代更平稳。惩罚系数不宜太大否则第二阶段失去了调整自由度也不宜太小否则子问题纯粹找最坏场景第一阶段调度曲线会显得毛躁。经验做法是惩罚系数取购电成本系数的0.1到0.3倍。6. 标准测试案例结果对鲁棒参数的敏感性6.1 测试场景设定我设计了一个典型日验证模型性能时间粒度为1小时、共24个时段。负荷预测曲线模拟了一个小型工业园区的典型日——白天两个峰、中午略微回落光伏预测曲线是一个冬季晴天——8点开始爬升12-14点达到峰值17点后归零。储能容量为2MWh最大充放电功率为0.5MW充放电效率均为0.9。上级电网购电价格按峰谷电价设置。作为对比基准我分别求解了确定性模型Γ0和鲁棒模型Γ取不同值。6.2 调度结果对比确定性模型的调度策略很“激进”它认为光伏预测完美无缺所以中午时段几乎满负荷给储能充电同时大量削减购电功率到了晚间负荷高峰储能放电支撑购电功率维持在低谷时段水平。整体成本最低但光伏出力一旦达不到预测值储能可能无法完成充电目标晚高峰就得高价购电。而鲁棒模型Γ4的调度策略明显更“留有余地”。它把储能充电时段拉长充电功率降低以保证即使光伏出力偏小储能也大概率能充到目标SOC同时购电功率的峰谷差缩小不再完全依赖中午的光伏高发来支撑储能充电。最终的日前成本比确定性模型高出不少但最坏情况下的总成本显著更低。从鲁棒优化的角度来说这就是典型的价格换取可靠性——多花一点日前购电成本避免最坏情况下的高额实时购电罚单。6.3 预算参数Γ的敏感性我扫了一遍Γ从0到6光伏和风电各3个不确定参数的变化趋势Γ0等价于确定性模型成本最低但最坏场景下成本剧增。Γ1到2成本缓步上升最坏场景成本快速下降——性价比最高的区间。Γ3到4成本继续上升但最坏场景成本下降趋势放缓。Γ5到6成本几乎不再变化因为此时不确定集已经接近盒式集合的最保守情况调度方案的“鲁棒边际”已经饱和。在设计项目方案时我一般会根据历史预测误差数据来标定Γ统计过去90天中实际光伏出力偏离预测值超过±15%的小时数占比如果这个比例低于5%就说明Γ取2-3足够覆盖绝大多数风险。通过历史数据来标定模型参数比拍脑袋选Γ要靠谱得多。6.4 为什么两阶段解优于单阶段鲁棒解单阶段鲁棒优化把所有决策都放在不确定性揭示之前所以对储能、机组、购电功率全部都要求“对所有可能的ξ都可行”。这相当于要求调度方案在每一种不确定性实现下都不能触碰任何约束边界自然非常保守。两阶段则不同日前只决定第一阶段的“基准计划”实时阶段可以根据实际ξ自由调整储能出力、机组出力和购电计划。这给了调度方案更大的可行域也意味着成本更低。举个直观的例子单阶段鲁棒优化里储能容量必须大得足以覆盖光伏最大偏差时的全部调整需求而两阶段模型里储能只需要覆盖光伏偏差中“实时调整后仍然需要储能额外承担”的部分这个量往往小很多。7. 常见问题排查与避坑指南7.1 子问题对偶不可行或目标无界CCG调试中最常见的问题。如果你看到子问题求解返回“Infeasible”或者“Unbounded”大概率是内层原始问题在某个ξ下无可行解。这时候可以先固定一个简单的ξ比如ξξ_hat去求解内层问题确认第二阶段模型本身是不是有缺陷约束冲突、边界条件错误。如果固定ξ下内层问题可行再检查对偶代码的维度匹配问题——对偶变量λ的维度必须与原始约束个数完全一致差一个都对不上。我自己习惯的做法是在CCG迭代循环外加一层“validator”——每轮子问题求解之前先固定ξ当前最优场景去跑一遍内层min_y确保内层问题有界可行再去跑max-min对偶版本。虽然多花一点时间但能快速定位问题出在“原始问题不可行”还是“对偶转换出错”。7.2 迭代收敛慢或震荡如果gap在某个值附近来回抖动不往下走最常见的原因是第一阶段的整数变量机组启停、储能充放电模式切换引起的子问题目标值非凸跳跃。解决方案有两个一是给第一阶段整数变量加上“小范围禁带”比如禁止机组在相邻时段反复启停最小启停时间约束二是在子问题目标中加入一个很小的正则化项比如对ξ的偏离量加一次项惩罚——正则项的系数要足够小小到不影响最坏场景的识别但足以平滑收敛曲线。7.3 YALMIP建模中的性能陷阱YALMIP建模时会自动做模型预处理但如果你把整个两阶段模型一次性堆给YALMIP让它处理max-min结构YALMIP支持bilevel优化在微电网规模的模型下性能会非常差。YALMIP的bilevel求解器内置的迭代算法远不如你自己实现的CCG遇到稍微大一点的模型就容易内存爆炸。我的经验是用YALMIP构建MP和SP的标准形式然后手动控制CCG循环YALMIP只负责每一轮里MP和SP的建模与求解不涉及其跨层级优化功能。这样既保留了YALMIP建模的便利性又掌控了算法核心逻辑。还有一个隐蔽但极其常见的问题在循环里不断往YALMIP的constraint对象里“追加”约束时如果直接写Constraints [Constraints; new_constraint]代码执行效率会随着约束数量增加而大幅下降。我自己在项目中被这个卡过不少次——到第15轮迭代时主问题的变量和约束数量上来了单轮求解时间翻了两三倍差点以为是模型本身的问题。后来改用元胞数组暂存所有约束最后一轮一次性用vertcat拼起来效果立竿见影。如果你的代码在迭代中越跑越慢先看看是不是这个问题。7.4 数值稳定性问题鲁棒优化的数值问题通常比确定性优化更严重因为对偶问题的系数矩阵包含了原问题的对偶乘子而乘子的量级差异很容易让求解器产生病态矩阵。一个有效的措施是统一模型中的单位体系不要同一个模型中同时出现MW和kW、MWh和kWh。再加上量级归一化把所有数值控制在0.01到100之间求解速度会好很多。Gurobi的参数设置也值得花时间调。我一般会把MIPGap设到0.01%、MIPFocus设为1偏重可行性搜索这两个参数在CCG迭代中能明显加速收敛。如果子问题是纯LP那直接调用linprog或Gurobi的连续求解器就好没必要让MILP的MIP初始化逻辑拖后腿。7.5 鲁棒解一定有经济性价值吗这是个好问题也是很多人在用过鲁棒优化后产生的疑惑。如果预测模型已经非常准不确定性范围很小那么鲁棒优化的价值就很有限——它只是把预测误差的尾部风险抹平了但为此付出的鲁棒代价Robust Price会显得不划算。反过来说如果预测误差大那么确定性模型的调度结果几乎天天偏离最优工况两阶段鲁棒优化的优势就会非常明显。所以在项目落地前先做一次预测误差统计看看历史数据里实际出力和预测出力的偏差到底有多大。如果偏差超过15%的时段占比不到3%那大概率不需要上鲁棒优化用滚动优化控制MPC更合适如果偏差超过15%的时段占比超过10%鲁棒优化几乎是必选项。8. 个人实操中的几点体会代码跑通只是第一步真正让鲁棒优化从论文走向工程还需要在模型细节上反复打磨。我在实际项目中体会最深的一点是不要盲目追求最坏情况下的绝对最优而是在鲁棒性和经济性之间找一个对运营者来说“心理可接受”的点。这并不是一个纯数学问题而是一个决策问题。我会把不同Γ取值下的调度结果和成本做成表格让业主方直观看到“多花多少钱、规避多少风险”让业务人员参与参数标定而不是自己在办公室里拍定。另外两阶段鲁棒优化的求解规模对模型细节非常敏感。储能SOC用线性递推式时24时段的问题非常轻松一旦加上最小启停时间约束、爬坡约束的完整表述MILP规模和求解时间会急剧上涨。这时候可以考虑缩减时间粒度从15分钟改成1小时或者采用滚动求解策略——先求解24小时模型然后只取前4小时的结果作为执行计划后续重新求解。虽然理论上是次优的但工程上完全够用。最后再分享一个小技巧CCG迭代收敛后把每一轮迭代的主问题下界和子问题上界画成迭代曲线不仅能在论文中展示算法的收敛性也能在调试时快速发现振荡和异常。我习惯在每个迭代循环中记录 LB、UB、Gap、迭代耗时、场景数量在调试和汇报时都很有用。比如某轮迭代gap一直卡在2%不下来那就去查是不是某个场景没有真正加入主问题如果子问题求解时长突然翻倍那就去查是不是新增的0-1辅助变量让子问题从LP变成了MILP——这些问题在迭代曲线上一眼就能锁定位置不需要逐行翻代码。两阶段鲁棒优化是一个“入门容易、精通难”的方向但一旦把CCG的主线逻辑和不确定性集合的设计理解透了后续延伸到多微网协同、参与电力市场的竞价策略、分布式鲁棒优化等场景都只是在这个骨架上做扩展。希望这篇文章能把你的第一道坎迈过去。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
