风光储微电网容量规划：两阶段鲁棒协同优化与CCG求解

1. 先确定一个前提容量规划解决的是“建多少、怎么建”的源头问题风光储微电网容量规划简单说就是在知道当地风光资源、负荷曲线、电网交互条件之后把风机装多少、光伏铺多少、储能配多少功率和容量、以及微电网与上级电网的交换功率上限定下来。这个决策发生在项目建设之前一旦装机方案落地后面十年的运行方式、经济性、供电可靠性都已经被框住了。所以容量规划从来不是“算一个数”的数学题而是把投资成本和运行风险压到同一套决策框架里。这就是标题里“鲁棒协同优化”的核心含义它不是先定负荷预测再倒推装机容量而是把“风光出力不确定、负荷不确定、设备运行约束、储能充放电策略”放进同一个优化问题里一起求解。这篇文章会按下面的顺序展开先说清楚混合不确定性到底指什么以及为什么不能只靠“多加备用容量”解决。再摆出两阶段鲁棒协同优化的模型结构解释投资决策和运行决策怎么协同。然后给出求解流程重点讲列约束生成算法CCG的步骤与判断标准。接着用一个典型算例展示结果怎么读从装机规模、运行成本、弃风弃光率三个维度验证。最后补充工程落地时要盯住的坑以及从规划模型到运行调度的衔接方式。如果你正在做微电网预可研、园区能源规划方案或者刚接触鲁棒优化想找一条能落地的建模路线这篇文章可以直接作为第一版技术框架。2. 混合不确定性的本质光有随机分布还不够还得防“分布不准”2.1 先把不确定性分成两类微电网规划阶段面对的不确定性主要来自三个方面风电出力、光伏出力、负荷波动。但很多人一开始容易混淆以为“有了历史数据拟合出概率分布再用场景法或期望值法处理”就够了。问题恰恰出在“拟合概率分布”这个环节。现实中风光的出力受气象条件影响很大不同年份、不同季节的统计特征会变负荷也会因为政策、产业结构、用户行为变化而偏移。也就是说历史数据能给出一个大致范围但这个范围本身还有误差。如果只把不确定性建模成“已知概率分布的随机变量”那一旦实际分布偏离假设优化出来的容量方案就可能偏保守或偏冒险。混合不确定性的定义在这个问题里通常包含两层意思第一层负荷和风光出力有很强的随机性可以用历史场景描述这部分是随机优化擅长处理的。第二层这些随机变量的概率分布信息可能不完整或者分布参数本身在一个集合里波动这部分需要鲁棒优化来兜底。换句话说混合不确定性 随机性 分布参数模糊性。两者不是二选一而是同时存在。2.2 为什么确定性方法不够用如果直接用典型日的负荷曲线和风光出力曲线做容量规划得到的结果通常是“在预测最准的情况下最优”。但现实里连续阴天、极端高温导致负荷尖峰、风电反调峰等场景一旦出现确定性方案就暴露问题。举例来说光伏按春秋季典型日配置到了连续阴雨天光伏出力只有典型日的 20%储能又不够系统只能切负荷或从电网买高价电。风电按平均风速配置遇到大风电季节风机满发但负荷没跟上电送不出去被迫弃风。储能容量如果只按“当日充当日放”配置遇到连续两天负荷偏差可能第二天能量就不够用了。这些问题不是“多加一组备用机组”就能解决的因为投资成本会急剧上升。鲁棒优化的价值是在给定不确定范围下找到一个“最坏情况下也能满足运行约束”的容量方案同时不过度牺牲经济性。2.3 混合不确定性建模时的常用形式在模型层面混合不确定性通常写成“盒式不确定集 概率场景”的组合。盒式不确定集处理分布参数不精确的部分概率场景处理随机性的部分。这类模型在文献里常被称为“分布鲁棒优化”或“混合鲁棒随机优化”。需要提前说明不同论文对“混合不确定性”的数学定义不完全一样。有的是风电预测误差 负荷预测误差都是盒式集合有的是风光场景离散概率不确定属于分布鲁棒有的则是随机场景 鲁棒边界。你落地的时候先确认自己手上的数据形态再选不确定集形式不要直接套公式。3. 两阶段鲁棒协同优化的模型结构投资决策和运行策略必须在同一框架里解3.1 第一阶段投资决策容量规划中第一阶段变量是风机安装台数或装机容量光伏安装容量储能额定功率储能额定容量微电网与上级电网的联络线功率上限如果允许并网这些变量一旦确定就是固定的投资规模。目标函数里对应的是投资成本包括设备购置、安装、土地、接入等费用。投资决策的特点是“现在就要拍板结果持续很多年”。3.2 第二阶段运行决策第二阶段变量是每个时段内的运行量风机各时段实际出力光伏各时段实际出力储能充放电功率和 SOC 变化联络线交换功率切负荷量或弃风弃光量作为惩罚变量运行决策的目标是让典型场景下的运行成本最小同时保证功率平衡、储能 SOC 约束、线路容量约束、出力上下限约束。第二阶段可以看作一个线性规划或混合整数线性规划的子问题。3.3 协同体现在哪里所谓“协同”不是说投资模型算一遍运行模型再算一遍然后把结果拼起来。而是投资决策必须考虑运行层面的可行性。哪怕一个风电容量方案年发电量很高但如果它导致系统在部分场景下必须大量切负荷那这个方案在鲁棒优化里就会被淘汰。两阶段模型的标准形式可以这样理解min 投资成本 max_{不确定性} min 运行成本外层做投资决策中间层找最坏不确定性场景内层在该场景下做最优运行决策。这种结构和确定性优化最大的区别是一个可行方案不仅要“平均表现好”还要“最坏情况下能扛住”。注意写这段的时候不要把“max-min”理解成纯粹的数学游戏。它对应的是工程上最真实的决策过程设备型号先定天气后出现运行策略只能在那之后调整。“先决策、再观测、再运行”的顺序决定了模型必须用三层的 min-max-min 结构。4. 求解思路不是堆几个智能算法就完事关键是主问题和子问题的配合4.1 为什么常规启发式算法不好用风光储容量规划模型第一阶段有整数变量第二阶段约束规模也不小。直接用遗传算法、粒子群算法做外层寻优内层再调线性规划会出现两个问题计算量大。一个种群几百个个体每个个体都要解几十个场景下的运行优化总耗时非常夸张。收敛没有保证。启发式算法给出的是近似解很难说明这个解离全局最优有多远。更关键的是启发式算法通常把“不确定性场景”固定成一组离散场景它只能在这些场景里找最优无法主动找到“最坏那组不确定性参数”。而鲁棒优化恰恰要求解在最坏场景下可行这本质上需要列约束生成类算法或者 Benders 分解、对偶重构这类精确求解思路。4.2 CCG 算法的流程列约束生成算法是求解两阶段鲁棒优化最常用的方法之一。它的基本思路是把原来的 min-max-min 拆成一个主问题和一个子问题通过迭代让主问题不断添加新的不确定场景约束。流程如下初始化给定一组不确定参数初值构成初始场景。求解主问题主问题在当前已知的场景集合下求解投资决策 运行决策得到目标函数下界。固定主问题得到的投资决策求解子问题子问题内部寻找最坏不确定性场景并计算该场景下的最优运行成本得到目标函数上界。判断上下界间隙是否小于收敛阈值。如果满足停止不满足把最坏场景对应的约束添加到主问题继续迭代。这里有个细节容易被忽略子问题内部是 max-min 结构它不是直接求解一个普通线性规划就能得到结果的。常见处理方法是把内层 min 问题取对偶转换成 max-max 结构也就是一个单层最大化问题。如果对偶后出现双线性项比如不确定变量和拉格朗日乘子相乘就需要用大 M 法、强对偶重构或线性化技巧处理。4.3 求解时最容易出问题的点我把自己在复现这类模型时踩过的坑列在下面按照排查顺序排列先看主问题是否可行。主问题如果因为约束写错或者变量范围不对而无解后面所有迭代都没有意义。先在主问题里把确定性场景跑通再开鲁棒迭代。再查子问题的对偶形式。对偶问题需要满足强对偶条件原问题必须是线性规划且可行。如果原问题里有整数变量不能直接对偶需要先固定整数变量或重新建模。接着看双线性项处理。不确定集如果是盒式区间最坏情况通常取上界或下界这时候双线性项可以通过取极端值简化。如果不确定集是椭球或数据驱动集合线性化会很麻烦。最后看收敛阈值。阈值设得太小迭代次数会爆炸设置太大方案可能不够鲁棒。一般初学者可以先设 0.5% 到 1% 的间隙跑通后再收紧。CCG 主流程伪代码 初始化设置不确定参数初值 u^0 while 上下界间隙 收敛阈值: 求解主问题 min 投资成本 运行成本 s.t. 投资约束 所有已添加场景的运行约束 得到下界 LB以及最优投资决策 x* 固定 x*求解子问题 max_u min_y 运行成本(x*, u, y) 得到上界 UB以及最坏场景 u* if UB - LB 阈值: break else: 将 u* 对应的运行变量和约束加入主问题 k k 1这个流程不是银弹但它是目前从模型到代码最直接的一条路。很多开源优化库和商业求解器都支持在这个框架之上做二次开发。5. 一个典型算例先跑确定性再加不确定集对比结果5.1 算例边界条件我用一个常见的工业园区微电网做演示性说明。具体参数可以按实际项目替换但算例结构值得参考。典型日选取春夏秋冬四个典型日每日常规负荷曲线按小时离散共 24 个时段。风电装机候选范围 0 到 10 MW单位投资成本约 5000 元/kW。光伏装机候选范围 0 到 8 MW单位投资成本约 3500 元/kW。储能额定功率候选范围 0 到 4 MW额定容量候选范围 0 到 16 MWh单位成本按功率和容量分别计算。联络线功率上限3 MW。不确定性光伏出力预测误差 ±20%负荷预测误差 ±10%风电预测误差 ±15%。这里要提醒一点当我说“单位投资成本约”时是从近年的常规工程估算范围里取的示例值不是某个项目合同价。你实际落地时必须用当地造价部门或设备厂商的报价重新标定。成本参数一变最优容量组合会变这是很正常的事。5.2 三组实验设计第一组确定性优化。直接用四个典型日的预测曲线求解不设置任何不确定集。结果作为基准。第二组仅考虑随机场景。把四个典型日扩展成多个概率场景用期望成本作为目标。这更接近情景随机规划。第三组混合不确定性鲁棒优化。在随机场景的基础上给每个场景的光伏、风电、负荷加上盒式不确定集用两阶段鲁棒优化求解。三组实验在同一个求解环境里跑用同一个求解器。对比维度包括风机装机容量、光伏装机容量、储能功率、储能容量、总投资成本、最坏场景下的运行成本和弃风弃光水平。5.3 结果怎么读从常见结果模式来看三组实验通常会有下面几种差异确定性方案的风机和光伏容量往往比较激进因为模型相信预测曲线是准确的。一旦遭遇出力偏差运行阶段会出现较高的切负荷惩罚。随机场景方案会比确定性方案增加一部分储能容量用来平抑不同场景之间的波动。但由于场景是有限的它无法覆盖“场景之外的极端天气”。混合鲁棒方案通常会在确定性方案基础上增加风机或光伏容量同时提升储能容量。因为它要保证在最坏出力组合下仍然满足负荷而最坏场景往往意味着“光伏低了、风电也低了、负荷还高了”。最值得关注的指标不是单个成本而是“最坏场景下的切负荷量”。如果某个方案虽然投资成本低但在最坏场景下切负荷率达到很高的百分比那在工程上基本不能用。注意不一定鲁棒方案的投资成本最高因为模型允许通过增加储能来降低运行惩罚有可能整体总成本反而优于一个投资低、惩罚高的确定性方案。这个结果读起来有点反直觉但恰恰说明把投资和运行放进同一个模型里的价值。5.4 三组结果的对比表对比维度确定性规划随机场景规划混合鲁棒优化风机装机容量较低中等略低或相近光伏装机容量较高中等可能略降储能功率/容量低中等更高总投资成本最低中等最高最坏场景运行成本明显偏高中等最低切负荷风险高中低求解时间秒级分钟级分钟到小时级需要注意这个表是“常见趋势”不是数学定理。如果风光资源、负荷特性和成本参数不同趋势可能翻转。你的任务是在相同条件下做对比实验然后根据实际数值做决策而不是背这个表。6. 实际工程落地时必须盯住的坑别让优化结果变成一个漂亮的摆设6.1 不确定集参数不能拍脑袋鲁棒优化的保守程度几乎完全由不确定集大小决定。如果光伏出力不确定范围定成 ±5%模型可能和确定性方案没差别定成 ±30%储能容量又会飙升投资成本让人无法接受。这里建议的做法是用历史数据做统计分位数。比如收集过去三年的光伏出力预测值和实际值计算不同置信水平下的误差区间用 90% 或 95% 分位数作为盒式边界。这样做的好处是鲁棒边界有数据支撑汇报时能说清楚依据。6.2 场景削减和概率信息要结合如果数据量很大比如全年 8760 小时数据直接放进模型规模会太大。常规做法是先做场景削减比如用 K-means 聚类或者用快速前向选择法把上千个时段削减成几十个典型场景。但要注意场景削减不能只看负荷曲线形状还得保留风光出力的相关性。如果负荷最高的时候恰好也是光伏出力最低的时候这个相关关系一旦被聚类丢掉鲁棒方案就会失准。我的做法是削减完之后检查削减场景中是否还存在“低光高负荷”“小风高负荷”这类关键风险组合。如果丢掉了就手动保留一两个风险场景或者把不确定集边界加大一点。6.3 求解时间和模型规模之间的权衡两阶段鲁棒优化最大的问题是主问题每迭代一次就会增加一个场景下的完整运行变量和约束。迭代几十次之后主问题可能变成一个大规模线性规划或混合整数规划求解速度会明显下降。如果求解时间不可接受有几个方向可以尝试把时间尺度从 24 时段改成关键时段比如只保留负荷高峰和光伏低谷时段。把风机、光伏的连续出力变量离散化降低子问题复杂度。使用商业求解器的高级回调让 CCG 在求解过程中实时裁剪冗余约束。如果模型允许把部分运行约束用聚合形式表达减少变量数。我之前遇到过一个问题主问题规模不大但子问题每次求解要遍历几百个约束总耗时全耗在子问题上。后来检查发现是子问题里写了很多冗余大 M 约束线性规划求解时没有被自动预处理的清理掉。把大 M 系数缩小到合适的数量级之后单次子问题求解时间从几秒降到了零点几秒。这说明性能瓶颈不一定是算法问题很多时候是建模细节问题。6.4 输出结果必须做可行性校验优化结果出来之后不要直接拿着装机容量方案就去做设备采购。一定要把最优容量方案代回到原始约束里重新检查每个典型场景下的功率平衡、SOC 上下限、联络线功率约束。有几个常见但隐蔽的问题储能 SOC 在某个时段的连续变化超出范围但目标函数里没有足够的惩罚项求解器可能把 SOC 推到边界外一点点而你又没注意到。切负荷变量存在但因为惩罚成本设置过低模型“主动选择切负荷”而不是买电或放电。联络线功率上限只约束了有功没考虑无功、功率因数等实际并网要求。这类问题在规划模型里经常出现原因不是模型不对而是约束和目标函数的权重设计没有经过充分校验。建议把每个场景下的关键约束越限量输出到日志统一检查一遍。6.5 从规划模型到运行调度的衔接容量规划完成后下一步是把规划结果交给运行层比如微电网能量管理系统EMS。这个衔接不能只给一个装机容量表要同时交付各场景下的储能充放电策略参考联络线功率计划范围切负荷优先级清单不确定性边界的设定依据规划阶段的鲁棒优化模型在运行阶段会退化成确定性预测控制或滚动优化。到时候不确定性集合可以缩小因为运行阶段有实时数据修正不需要像规划阶段那样对抗全年最坏天气。这里要注意模型的阶段性差异不要试图把规划模型直接搬到实时调度里。7. 什么时候应该用鲁棒协同优化什么时候不建议用7.1 适合用的场景项目处于预可研或可研阶段容量方案还没定需要从系统角度评估不同装机组合。历史气象和负荷数据质量一般概率分布拟合不理想不希望模型对分布假设过于敏感。项目要求高可靠性比如重要负荷、数据中心、医院、生产连续性要求高的园区。没有足够的运行经验去精确制定调度规则需要在规划阶段为运行留出保守余量。7.2 不建议用的场景只是做初步方案比选几个咨询单位各自按经验估一个装机量这时候不需要上鲁棒优化先用确定性计算拉平基准。数据基础非常差连典型日的负荷曲线和风光出力曲线都没有那建模意义不大。项目本身已有明确的容量上限比如土地和并网条件已经卡死只能做固定容量下的运行策略优化不需要两阶段规划。团队缺乏优化求解经验同时对线性规划对偶、大 M 法、迭代收敛这些概念不熟悉。这种情况下强行复制文献模型很可能跑不出可信结果。一句话鲁棒协同优化解决的是“容量方案在不确定环境下是否还可靠”的问题它不能解决“数据都没有”的问题。8. 可以直接落地的建议清单最后整理一份我在做这类项目时反复使用的检查清单。顺序就是执行顺序每步都有明确的输出结果。收集数据风光出力、负荷、电价、设备造价、并网约束。先画几组典型日曲线确认是否有明显缺失或异常。做场景削减把全年数据聚类成典型场景保留高风险组合。构建确定性模型先跑通单场景下的容量优化确认约束、变量、目标函数都正确。加入不确定集用历史误差分位数设定盒式边界至少设置三档保守、适中、激进。实现 CCG 或等价算法先在小规模算例上验证收敛性。跑多组对比实验固定负荷、变化风光不确定边界或固定不确定边界、变化成本参数。做结果检查不仅看最优目标值还要检查各场景的可行性、SOC 轨迹、切负荷量。交付文档写清楚模型假设、不确定集参数依据、最优容量方案、运行策略边界、敏感性分析结论。这套流程做完之后得到的不仅是一组装机容量而是一套“为什么选这组容量”的完整逻辑链条。在项目评审、可研审查、投资决策阶段这比单一的最优数值更有说服力。