微电网多阶段鲁棒调度模型MATLAB复现与CCG算法实践

做微电网调度的复现，我印象最深的一课是在MATLAB里把确定性经济调度跑通之后，信心满满地把风光预测误差从±5%改到±30%，结果同一套计划直接让储能越限、功率平衡失配。从那之后我就明白，只要系统里装了可再生能源和储能，调度模型里不考虑不确定性的"最优"，大概率只是某个理想场景下的最优。这篇内容围绕的就是一套含可再生能源和储能的区域微电网多阶段鲁棒调度模型，基于MATLAB完整复现，核心思路是建立"日前计划+日内调整"的两阶段鲁棒框架，用区间集合刻画风光和负荷的预测偏差，再通过列和约束生成算法（C&CG）迭代求解最坏场景下的最优运行方案。文章会从模型为什么这样设计、不确定性集合怎么构建、C&CG算法如何落地，到MATLAB+YALMIP+Gurobi的代码骨架和复现时容易踩的坑，完整过一遍，适合正在做微电网优化调度、储能配置或鲁棒优化应用研究的朋友参考。

1. 可再生渗透率攀升后，传统确定性调度为什么越来越不好用

1.1 确定性调度的假设与失效场景

传统的微电网经济调度模型，无论是目标函数还是约束条件，都默认风电、光伏和负荷在某个时段的出力是一个已知的确定值。模型看起来非常干净：

• 目标函数是最小化运行成本，包括向上级电网购电费用、微型燃气轮机的燃料费用、储能损耗成本；
• 约束包括功率平衡、储能SOC上下限、充放电功率限制、机组出力限制、联络线功率限制。

这种模型在可再生能源渗透率比较低、系统备用充足的时候还能凑合用。但一旦风机和光伏在微电网里的装机占比上来了，问题就暴露了。风电预测误差通常在15%到25%之间波动，光伏在天气骤变时误差可以超过30%，负荷预测虽然相对准，但在极端天气下也会出现明显偏离。确定性调度把所有预测值当成真实值来处理，等于把全部风险都压在了"预测完全准确"这个脆弱的假设上。

我做过一个对比测试：在一个24节点微电网测试系统里，用确定性模型求出一组日前计划，然后把实际风光出力设定为预测值的70%和130%两种偏差场景，重新跑功率平衡校验，结果有多组约束直接违反，储能SOC甚至越过了下限。这就是典型的"计划赶不上变化"。

1.2 随机优化、机会约束与鲁棒优化三条技术路线的实际取舍

面对不确定性，学术界和工程界常用的解决方案有三类，很多初学者一上来容易混在一起：

在微电网这种规模不大、但安全约束要求高的场景下，鲁棒优化是比较务实的选择。原因也很直接：你通常拿不到足够多的历史数据来精确拟合风电和光伏误差的分布函数，就算拟合出来，分布参数本身也有估计误差。与其在概率上赌一个精度，不如直接说"我知道误差不会超过某个范围，在这个范围内怎么折腾，我的调度方案都兜得住"。

1.3 标题里"鲁棒性"和"不确定性"到底指什么

标题里的"鲁棒性"英文对应Robustness，放在调度模型里指的就是：当实际的风电、光伏出力偏离预测值时，系统依然能通过储能充放电调整、机组出力再调度、与主网功率交换等手段，维持功率平衡并满足所有安全约束。衡量鲁棒性的标准不是平均工况下的成本，而是最坏工况下的约束满足能力。

"不确定性"在这个问题里主要来自三个方向：

1. 源端不确定性：风机出力和光伏出力受气象条件影响，预测模型再准也有偏差；
2. 荷端不确定性：区域负荷受生产生活规律、天气温度等因素影响，同样存在预测误差；
3. 设备状态不确定性：比如某台机组临时故障、某条线路检修，但在调度主问题里通常把这类视为N-1预想故障单独处理，不会混进源荷不确定性里。

在工程复现时，通常把源荷不确定性统一建模为一个不确定集合U，集合里的每一个元素代表一组可能的源荷出力偏差向量。鲁棒优化要求：对U里的任意一个偏差向量，系统都能通过第二阶段调整找到可行解。这就是后面整个模型的核心出发点。

2. 多阶段鲁棒调度模型的数学框架与不确定性集合设计

2.1 两阶段模型的前后配合：日前决策与日内调整

标题里写的是"多阶段鲁棒调度模型"，实际复现时最常见的落地形式是两阶段鲁棒优化模型，也就是经典的三层结构：min-max-min。之所以叫"多阶段"，是因为调度决策本身是分层分时段的：

• 第一阶段（日前决策阶段）：在获知次日风光和负荷预测值之后，提前决定机组的启停状态、储能充放电基准计划、向上级电网购电的日前计划。这些决策的特点是必须在看到实际偏差之前做出，所以也叫"here-and-now"决策。
• 第二阶段（日内调整阶段）：当实际风光出力、负荷与预测出现偏差后，在日前计划的基础上，通过调节储能出力、机组出力微调、可削减负荷等手段，消除功率不平衡。这个阶段的决策是在偏差揭晓之后才能做的，叫"wait-and-see"决策。

两阶段之间通过功率平衡约束和设备运行约束耦合在一起。模型的目标函数也相应地拆成两块：

min (第一阶段运行成本) + max_{u∈U} min_{y∈Ω(x,u)} (第二阶段调整成本)

外层min决定第一阶段决策x，内层max寻找使第二阶段成本最高的最坏偏差场景u，中间层min则是在给定x和u之后寻找最优的调整策略y。整个模型求的是：在所有可能出现在的偏差场景下，系统总成本的最坏情况最优值。

2.2 盒式、预算约束与椭球式不确定集合的适用场景

不确定集合怎么建，直接决定了模型的保守程度和求解难度。常见的有三种形式：

1. 盒式集合（Box）：直接把每个时段的不确定量限制在一个区间内，如u(t)∈[u_min(t), u_max(t)]。这种集合最简单，但要求所有时段同时达到最大偏差，结果是"最坏中的最坏"，过于保守。

2. 预算约束集合（Budget）：在盒式集合基础上，增加一个总偏差比例限制，形如Σ|u(t)-u_hat(t)|/δ(t) ≤ Γ。这里的Γ就是预算参数，表示在调度周期内，最多允许多少个时段的偏差同时达到上限。Γ越小，鲁棒约束越宽松，成本越低；Γ越大，方案越保守。这个设置非常贴合实际，因为真实的风光出力偏差不太可能24个小时每个小时都顶在最大值上。

3. 椭球式集合（Ellipsoidal）：用2-范数约束替代1-范数额外限制，形如‖W(u-u_hat)‖₂ ≤ Ω。椭球集合考虑了变量之间的相关性，数学上更精细，但会引入二次约束，计算复杂度明显上升。

在微电网调度里，我最推荐的是盒式+预算约束的组合。原因有三个：

• 物理意义清晰，Γ可以理解为"最坏情况下同时偏离预测的时间段数"，方便向工程人员解释；
• 模型保持线性结构，经过对偶变换后仍然是LP或MILP，可以用YALMIP+Gurobi稳定求解；
• 通过调节Γ的取值，可以画出从"激进"到"保守"的完整成本曲线，这是论文和报告里很有说服力的一张图。

2.3 目标函数与约束的完整数学表达

以含风电、光伏、储能和微型燃气轮机的区域微电网为例，完整的鲁棒调度模型可以写成：

决策变量：

• 第一阶段：燃气轮机开机状态z(t)、储能充电功率P_ess_c(t)、储能放电功率P_ess_d(t)、日前购电功率P_grid(t)、储能SOC(t)。
• 第二阶段：针对偏差场景u的储能调整量ΔP_ess(t)、机组调整量ΔP_g(t)、可削减负荷量ΔP_load(t)。

目标函数：

min Σ_t [ C_grid * P_grid(t) + C_g * P_g(t) + C_ess * (P_ess_c(t)+P_ess_d(t)) ] + max_{u∈U} min_Δ Σ_t [ C_penalty * (ΔP_load(t) + 弃风弃光惩罚项) ]

约束条件：

1. 功率平衡约束： P_grid(t) + P_wind(t) + P_pv(t) + P_g(t) + P_ess_d(t) = P_load(t) + P_ess_c(t) + ΔP_load(t)

   其中P_wind(t)和P_pv(t)在第二阶段表示为P_wind_hat(t) + u_w(t)、P_pv_hat(t) + u_pv(t)。

2. 储能约束： SOC(t+1) = SOC(t) + η_c * P_ess_c(t) * Δt - P_ess_d(t) * Δt / η_d SOC_min ≤ SOC(t) ≤ SOC_max 0 ≤ P_ess_c(t) ≤ P_ess_c_max * z_ess(t) 0 ≤ P_ess_d(t) ≤ P_ess_d_max * (1 - z_ess(t))

   这里需要注意的是充放电状态变量z_ess(t)的引入，它保证储能不会同时充电和放电，这在后面代码实现时是个关键细节。

3. 机组约束： z(t) * P_g_min ≤ P_g(t) ≤ z(t) * P_g_max 爬坡约束：|P_g(t) - P_g(t-1)| ≤ Ramp_g

4. 与主网交互约束： P_grid_min ≤ P_grid(t) ≤ P_grid_max

5. 可削减负荷约束： 0 ≤ ΔP_load(t) ≤ α * P_load(t)

2.4 为什么"多阶段"不等于"多周期"

很多初学者会把"多阶段鲁棒"理解成"把24小时的调度周期分成很多段，每段做一个鲁棒优化"，这是一个明显的误区。多周期优化只是把时间维度拉长，决策变量在整个周期内一次性规划，本质上仍是开环调度。

多阶段鲁棒优化的关键不在于时间段的多少，而在于决策的"可调整性"——第一阶段决策做出后，可以看到不确定性的实现，然后第二阶段再做出调整决策。这个特征对应的是闭环调度，也就是日前计划+日内实时调整的真实运行流程。用数学语言说，真正的多阶段鲁棒模型必须具有min-max-min的嵌套结构，而不是简单的min-max或者包含很多时段的一次性min。

在复现时，如果你的模型只是"每个时段都预留备用容量"然后用鲁棒约束包住所有时段，这虽然也算鲁棒，但不是多阶段鲁棒。要体现"多阶段"，就必须显式区分可调整变量（如储能的实时充放电调整量）和不可调整变量（如机组启停、日前购电计划），并在目标函数中体现第二阶段对最坏场景的应对成本。

3. 列和约束生成（C&CG）算法迭代框架的收敛逻辑

3.1 主问题的最小费用加最坏场景切割线

两阶段鲁棒模型直接求解极其困难，因为内层嵌套了max-min优化。工程上最常用的解法是列和约束生成算法，核心思路是把原问题拆成一个主问题（MP）和一个子问题（SP），通过迭代逐步逼近最优解。

主问题的形式如下：

min c' * x + η s.t. 第一阶段约束 η ≥ d' * y_l, 对于已知的场景u_l x、y_l之间的耦合约束

这里的关键是引入了辅助变量η，它表示第二阶段成本的上界估计。每轮迭代中，子问题会找到一个最坏场景u_l，主问题就把这个场景对应的第二阶段变量y_l和约束作为"切割"加入模型，让η不断收紧。主问题因为只考虑了已发现的最坏场景，所以实际上是原问题的松弛版本，它的最优值给出原问题的下界LB。

3.2 子问题的max-min对偶转化

子问题是在给定第一阶段解x_star之后，寻找使第二阶段成本最大的场景u以及对应的最优调整成本，形式是：

f(x_star) = max_{u∈U} min_{y∈Ω(x_star, u)} d' * y

这个max-min结构不能直接丢给求解器。标准做法是对内层的min问题取强对偶。由于内层是关于y的线性规划，只要可行域非空且有界，强对偶成立，就可以把min问题等价转化为其对偶max问题，然后和外层的max合并，变成一个单层max问题：

f(x_star) = max_{u∈U, λ∈Λ} λ' * (b - A * x_star - C * u)

其中λ是对偶变量，它的符号由原约束方向决定。如果原约束是"≤"型，λ非负；如果是等式约束，λ自由变量。合并之后，子问题变成带二次项的非线性问题，因为λ和u相乘。在实际求解中，这个双线性项通常可以用大M法或直接交给支持MIQP的非线性求解器处理，Gurobi可以直接求解这类带双线性项的小规模问题。

需要强调一点：内层min问题必须满足强对偶条件。因此第二阶段调整问题必须建模为线性规划，不能随意加入整数变量。如果第二阶段需要决策"是否切除某条线路"这类0-1变量，标准C&CG就不适用了，需要改成嵌套C&CG或者引入其他分解方法。

3.3 收敛判据与最大迭代次数

C&CG算法的主循环流程如下：

初始化：UB=+inf, LB=-inf, k=0，设置初始场景u_0（通常取预测均值） while k ≤ K_max 且 UB - LB > tol: 1. 求解主问题，得到x_k*和η_k*，更新LB = c'*x_k* + η_k* 2. 将x_k*代入子问题，求解最坏场景u_k*和最坏场景成本f(x_k*) 3. 更新UB = min(UB, c'*x_k* + f(x_k*)) 4. if UB - LB ≤ tol: 收敛退出 5. 否则将u_k*作为新场景加入主问题，添加对应的第二阶段变量y_k和割约束 k = k + 1

收敛判据一般取相对间隙或绝对间隙。我在复现时常用的组合是：绝对误差取1e-4，最大迭代次数取20轮。在24时段微电网模型里，通常3到8轮就能收敛到很紧的间隙，很少会真的跑到20轮。

3.4 C&CG与Benders分解的选择建议

很多文献会同时提到Benders分解和C&CG，两者都是求解两阶段问题和分解主-子问题的经典算法，但适用场景有明显差异：

在微电网鲁棒调度里，第一阶段通常包含机组启停这类整数变量，而C&CG的切割是把具体场景u_l下的约束完整塞进主问题，对整数变量天然友好，所以实际复现时我基本都用C&CG。只有当子问题规模特别大、每次求解SP耗时很高时，才会回头考虑Benders或者近似方法。

4. MATLAB+YALMIP+Gurobi的关键代码实现

4.1 环境准备与求解器适配

复现前先确认环境：

• MATLAB版本：R2020b及以上即可，建议R2022b以上，对sdpvar和optimizer的兼容性更好；
• YALMIP：直接从GitHub拉取最新release，不要用十年前的老版本；
• 求解器：Gurobi 10.x或11.x，学术许可免费申请；Mosek 10.x也可以，但Gurobi在MILP上的速度通常更优。

在MATLAB里先跑一句验证：

yalmiptest

能列出Gurobi的LP、QP、MILP、MIQP支持状态，就说明环境没问题。如果用了旧版MATLAB配新版Gurobi，经常会出现java相关报错，那是MATLAB版本太老、Java版本不匹配导致的，属于环境问题，先升级MATLAB再排查。

4.2 主问题的YALMIP建模代码

下面是主问题的核心建模骨架，采用24时段、1小时为步长的设定。

nT = 24; % 第一阶段变量 z_g = binvar(1, nT); % 燃气轮机启停 P_g = sdpvar(1, nT); % 燃气轮机出力 P_ess_c = sdpvar(1, nT); % 储能充电功率 P_ess_d = sdpvar(1, nT); % 储能放电功率 z_ess = binvar(1, nT); % 储能充放电状态，1充电0放电 SOC = sdpvar(1, nT+1); % 荷电状态 P_grid = sdpvar(1, nT); % 购电功率 eta = sdpvar(1); % 最坏场景成本上界 % 目标函数 objective_mp = sum(grid_price .* P_grid) + ... sum(g_fuel_cost * P_g) + ... sum(ess_cost * (P_ess_c + P_ess_d)) + ... eta; % 约束 constraints_mp = []; constraints_mp = [constraints_mp, SOC(1) == SOC_init]; for t = 1:nT constraints_mp = [constraints_mp, ... SOC(t+1) == SOC(t) + eta_charge * P_ess_c(t) - P_ess_d(t) / eta_discharge, ... SOC_min <= SOC(t+1) <= SOC_max, ... 0 <= P_ess_c(t) <= P_ess_c_max * z_ess(t), ... 0 <= P_ess_d(t) <= P_ess_d_max * (1 - z_ess(t)), ... z_g(t) * P_g_min <= P_g(t) <= z_g(t) * P_g_max, ... P_grid_min <= P_grid(t) <= P_grid_max, ... P_wind_forecast(t) + P_pv_forecast(t) + P_g(t) + P_grid(t) + P_ess_d(t) == ... P_load_forecast(t) + P_ess_c(t)]; end ops = sdpsettings('solver', 'gurobi', 'verbose', 0, 'gurobi.NumericFocus', 3); optimize(constraints_mp, objective_mp, ops);

这里有个细节：给Gurobi设置NumericFocus为3，可以明显降低大M约束带来的数值病态问题。如果模型里用到了大M，这个设置几乎是必加的。

4.3 子问题的对偶化与最坏场景求解代码

第二阶段的最坏场景求解是核心，代码分三步走：第一步固定第一阶段变量，第二步构造第二阶段LP并取对偶，第三步求解单层max问题。

% 固定第一阶段变量 x_star = value([P_g; P_grid; P_ess_c; P_ess_d; SOC]); % 不确定变量 u_w = sdpvar(1, nT); % 风电偏差 u_pv = sdpvar(1, nT); % 光伏偏差 u_l = sdpvar(1, nT); % 负荷偏差 % 第二阶段调整变量 delta_ess = sdpvar(1, nT); % 储能功率调整 delta_g = sdpvar(1, nT); % 机组出力调整 delta_load = sdpvar(1, nT); % 可削减负荷 % 不确定集合：盒式+预算 U_con = [-u_w_max <= u_w <= u_w_max, ... -u_pv_max <= u_pv <= u_pv_max, ... -u_l_max <= u_l <= u_l_max, ... sum(abs(u_w) ./ u_w_max) + sum(abs(u_pv) ./ u_pv_max) <= Gamma]; % 第二阶段约束（仅对应给定x_star） SP_con = [...]; SP_obj = sum(penalty_load * delta_load + penalty_curtail * (u_w + u_pv) ... + C_delta_g * abs(delta_g) + C_delta_ess * abs(delta_ess)); % 通过YALMIP取对偶或直接用求解器求解最大最小问题 % 更通用的做法是手动构造对偶变量，把max-min转为单层max dual_lambda = sdpvar(size(A_sp, 1), 1); dual_mu = sdpvar(size(A_eq, 1), 1); % 对偶目标函数（注意线性化双线性项） dual_obj = dual_lambda' * (b_sp - A_sp * x_star_vec - B_u * [u_w; u_pv; u_l]) + ... dual_mu' * (b_eq - A_eq * x_star_vec); % 合并后的最坏场景问题 SP_merged_con = [dual_lambda >= 0, dual_mu free, U_con]; result_sp = optimize(SP_merged_con, -dual_obj, ops_sp);

实际上，当双线性项存在时，Gurobi会以MIQP方式求解，变量数不大时速度可以接受。如果模型规模较大，建议用big-M法把双线性项线性化，把问题转成MILP。

4.4 迭代主循环与结果保存

主循环代码框架如下：

UB = inf; LB = -inf; k = 0; tol = 1e-4; Kmax = 20; cut_results = {}; while k < Kmax && (UB - LB) > tol k = k + 1; % 1. 求解主问题 optimize(constraints_mp, objective_mp, ops); LB = value(objective_mp); x_cur = value([P_g; P_grid; P_ess_c; P_ess_d; SOC]); % 2. 求解子问题 optimize(SP_merged_con, -dual_obj, ops_sp); sp_cost = value(dual_obj); u_cur = value([u_w; u_pv; u_l]); day_ahead_cost = value(sum(grid_price .* P_grid) + ... sum(g_fuel_cost * P_g) + ... sum(ess_cost * (P_ess_c + P_ess_d))); UB = min(UB, day_ahead_cost + sp_cost); fprintf('迭代%d: LB=%.4f, UB=%.4f, gap=%.6f\n', k, LB, UB, UB-LB); % 3. 添加新场景切割到主问题 y_new = sdpvar(size_y, 1); constraints_mp = [constraints_mp, ... y_new对应的第二阶段约束（把u_cur作为常数代入）, ... eta >= 第二阶段成本表达式(y_new)]; cut_results{k}.u = u_cur; cut_results{k}.cost = sp_cost; end

有几个实现上的细节值得说：

• 不要把主问题的sdpvar变量每轮重新创建。变量结构要保持不变，只是追加约束。否则MATLAB每轮都要重新解析整个符号表达式，速度直接掉一个数量级。
• 主问题的optimize结果如果返回problemsolver' 信息，先打印optimize`的第二个输出，看看是primal infeasible还是numerical issues，再决定调参数还是调模型。
• 保存每轮的最坏场景u_cur，最后画图时可以直接把最坏场景下的风电光伏曲线和基准预测曲线对比，很直观。

4.5 代码性能优化的几个细节

复现完跑第一版，10轮迭代可能要跑几分钟，如果觉得慢，按下面这几个方向优化，通常能把时间压到原来的三分之一：

1. 用矩阵约束代替for循环。上面为了可读性用了for循环，实际写代码时尽量把所有时段的约束拼接成大矩阵，一次性传给constraints。YALMIP在拼接大规模符号矩阵时效率一般，减少循环能明显提升解析速度。
2. 子问题求解时不要用默认的optimize，改用optimizer对象，把x_star作为参数传入，省去每轮重建约束的开销。
3. 子问题的对偶变量数量通常和约束数量一致，如果第二阶段约束很多，先做约束化简，把明显冗余的约束删掉。
4. Gurobi的线程数设为4到8，ops.gurobi.Threads默认是0（自动），在共享计算环境里可以显式设置。
5. 模型里大量使用abs()时，YALMIP会引入辅助变量和不等式，变量规模膨胀很快，尽量在建模阶段就用正负分解来避开abs。

5. 完全复现中的参数设定、结果校核与常见坑

5.1 推荐参考输入参数

参数设定直接影响收敛性和结果合理性，下面这组参数是我在多个复现案例里校准过的参考值，可以直接作为起点：

5.2 怎么判断你复现的模型确实"鲁棒"

跑通模型只是第一步，关键是要会验证。我复现完之后一般做三组校验，任何一组不过都说明模型有问题：

第一组，最坏场景重放。把C&CG最后一轮得到的最坏场景u_cur代入第二阶段模型，在固定第一阶段决策的情况下重新求解第二阶段调整问题。如果找不到可行解，说明子问题建模或者切割添加有问题。

第二组，蒙特卡洛模拟。从风电、光伏、负荷的预测误差分布中随机抽样生成1000个场景，对每个场景调用第二阶段模型检验是否可行。如果可行率低于98%，说明不确定性集合设计偏激进，需要调大Γ或扩大盒式范围。

第三组，Γ对比分析。分别取Γ=0、1、3、6、12，观察总成本和最坏场景成本的变化。Γ=0时，模型退化为确定性问题，总成本最低；随着Γ增大，总成本单调上升，这是符合预期的。如果曲线出现非单调或者剧烈跳变，大概率是不确定集合的约束写错了。

5.3 我实际踩过的几个大坑

第一个坑是储能的SOC约束没有处理好充放电同时性。模型里P_ess_c和P_ess_d是两个独立变量，如果不加z_ess互斥约束，求解器会出现一个时段既充电又放电的情况，利用效率"空转"降低成本，看起来成本很漂亮，实际上物理不可行。解决办法就是代码里用z_ess做互斥，或者加入一个很小的同时充放电惩罚项。

第二个坑是对偶变量符号搞错。子问题在对偶化时，如果原约束是Ax + Bu ≤ b，对偶变量必须是非负的；如果是等式约束，对偶变量自由。符号一错，对偶目标的值会偏离真实最坏场景成本，导致UB和LB无法收敛甚至发散。

第三个坑是无脑扩大M。在线性化双线性项时，M取值太小会剪掉有效解，M取值太大会导致数值病态。解决方法是尽量用不确定变量的区间上下界来推导M的理论值，而不是随便取一个1e6。Gurobi的NumericFocus开启后有一定缓解，但不解决根本问题。

第四个坑是YALMIP的符号展开。模型复杂时，YALMIP默认会把所有约束展开成完整系数矩阵，变量多的时候内存占用会爆炸。设置sdpsettings('expand', 0)可以减轻这个问题，但代价是求解器内部的presolve工作量增加，需要实测权衡。

5.4 复现后如何扩展这个模型

跑通基础版之后，有几个很自然的扩展方向，都能在不推翻框架的前提下增加价值：

1. 分布鲁棒优化：把固定盒式集合换成Wasserstein球，利用历史数据构建经验分布，再以球内最坏分布为目标。这个扩展只需要改不确定集合的建模和对偶约束，C&CG框架可以复用。
2. 多能互补：在电储能的基础上加入蓄热罐、燃气锅炉，把区域微电网扩展成综合能源系统。多能耦合会引入热功率平衡约束，但两阶段鲁棒的结构完全一致。
3. 碳约束：在目标函数中加入碳排放惩罚或碳配额约束，分析碳交易价格对鲁棒调度策略的影响。这类扩展对接"双碳"主题，在实际汇报中更有说服力。
4. 储能容量优化：把储能的额定容量和功率作为第一阶段决策变量，目标函数中加入储能投资年化成本，模型就变成了"容量规划+鲁棒调度"联合优化问题，C&CG依然适用。

我个人在多次复现这个模型后的体会是：两阶段鲁棒框架本身并不算特别难，难的是把每个环节的物理意义和数学细节对齐。比如Γ怎么解释给非优化背景的同事听，比如储能SOC方程里为什么充电效率在乘法位置、放电效率在除法位置，这些细节如果不理清楚，代码复制过来改了参数，结果不对劲都不知道去哪查。建议第一次复现的朋友，先用小系统（比如6节点、4时段）把C&CG迭代曲线画出来，确认LB和UB的收敛趋势没问题了，再放大到24时段完整系统。小系统里能一眼看出的逻辑错误，放大以后往往会被数值噪音掩盖，排查难度翻倍。这个模型跑通之后，你再去读其他鲁棒调度相关的论文，思路会清晰很多。