微电网两阶段鲁棒优化算法与Matlab实现-育师

1. 微网多电源容量配置的挑战与两阶段鲁棒优化算法概述

微电网作为分布式能源系统的重要形态，其电源容量配置直接影响着系统经济性和可靠性。传统确定性优化方法在面对风光出力不确定性、负荷波动等现实因素时，往往表现出配置方案保守或抗风险能力不足的缺陷。这正是两阶段鲁棒优化算法（Two-Stage Robust Optimization）大显身手的领域。

我在参与某海岛微电网项目时，曾对比过随机规划和鲁棒优化的实际效果。当台风季风光出力出现剧烈波动时，基于概率模型的随机规划方案出现了多次供电缺口，而采用鲁棒优化设计的配置方案始终保持着98%以上的供电可靠性。这个案例让我深刻认识到：在微网规划中，对不确定性的建模方式直接决定了系统的实战表现。

两阶段算法的核心思想非常符合工程决策逻辑：

第一阶段：在规划阶段确定电源容量等"这里和现在"的决策变量（Here-and-now Decisions）
第二阶段：在运行阶段根据实时场景调整功率分配等"等待和观望"变量（Wait-and-see Decisions）

这种分阶段决策结构，通过Matlab的矩阵运算和优化工具箱可以高效实现。特别是在处理风光出力区间不确定集时，Matlab的YALMIP建模工具配合CPLEX/Gurobi求解器，能够将复杂的鲁棒优化问题转化为可求解的混合整数规划模型。

2. 算法数学建模与Matlab实现要点

2.1 不确定集的数学描述

在微网场景中，光伏出力P_pv和风机出力P_wt的不确定性是核心矛盾。我们采用箱型不确定集（Box Uncertainty Set）进行建模：

% 定义不确定参数范围 P_pv = sdpvar(T,1); % 光伏出力 P_wt = sdpvar(T,1); % 风机出力 U_pv = [0.8*P_pv_nom, 1.2*P_pv_nom]; % 光伏出力不确定集 U_wt = [0.7*P_wt_nom, 1.3*P_wt_nom]; % 风机出力不确定集

这种建模方式的优势在于：

不需要精确的概率分布信息
通过调节区间范围控制保守程度
数学处理相对简单，适合工程应用

2.2 两阶段模型构建

第一阶段模型（容量配置）：

% 决策变量：电源容量 x_diesel = sdpvar(1,1); % 柴油机组容量 x_batt = sdpvar(1,1); % 储能容量 % 目标函数：投资成本 cost_invest = c_diesel*x_diesel + c_batt*x_batt; % 约束条件：容量上下限 Constraints = [x_diesel >= 0, x_batt >= 0, ... x_diesel <= x_diesel_max, x_batt <= x_batt_max];

第二阶段模型（运行优化）：

% 决策变量：运行功率 P_diesel = sdpvar(T,1); % 柴油发电功率 P_ch = sdpvar(T,1); % 储能充电功率 P_dis = sdpvar(T,1); % 储能放电功率 % 目标函数：运行成本 cost_operate = sum(c_fuel*P_diesel + c_main*P_diesel); % 功率平衡约束 for t = 1:T Constraints = [Constraints, ... P_diesel(t) + P_pv(t) + P_wt(t) + P_dis(t) - P_ch(t) >= Load(t)]; end

关键技巧：使用YALMIP的uncertain函数声明不确定变量，并通过robustopt函数建立鲁棒对应关系，这是实现两阶段优化的核心步骤。

3. Matlab实现中的工程细节

3.1 求解器配置与加速技巧

在大型微网项目中，直接求解鲁棒优化可能导致"维数灾难"。我们采用以下策略提升求解效率：

列与约束生成法(C&CG)：

ops = sdpsettings('solver','cplex','robust.lplp','duality'); ops.cplex.mip.tolerances.mipgap = 0.01; % 设置MIP间隙

并行计算加速：

if license('test','Distrib_Computing_Toolbox') parpool('local',4); % 启用4核并行 ops.savesolveroutput = 1; end

场景削减技术：

% 基于K-means聚类选取典型场景 [idx,C] = kmeans([P_pv_hist, P_wt_hist], 5); weights = histcounts(idx,5)/length(idx);

3.2 数据处理管道设计

可靠的输入数据预处理是算法成功的前提：

% 数据清洗流程 raw_data = readtable('microgrid_data.csv'); clean_data = rmmissing(raw_data); % 删除缺失值 norm_data = normalize(clean_data,'range'); % 归一化 % 负荷特征提取 [load_pca,~] = pca(norm_data.LoadProfile); load_features = load_pca(:,1:3); % 取前3主成分

4. 典型问题排查与实战经验

4.1 求解失败常见原因

问题现象	可能原因	解决方案
求解器无可行解	不确定集范围过大	调整不确定集参数Γ
运行时间过长	整数变量过多	使用线性松弛或启发式算法
结果振荡严重	目标函数非凸	添加正则化项

4.2 参数调试心得

保守度系数Γ的选择：

gamma_range = 0.1:0.1:1; % 测试不同保守度 results = arrayfun(@(g) solve_robust_model(g), gamma_range); plot(gamma_range, [results.total_cost]);

通过这种参数扫描，我们发现在Γ=0.6时出现明显的"拐点效应"，这是性价比最优的保守度选择。

储能配置的黄金法则：在实际项目中，储能容量与最大负荷的比值存在经验公式：

E_batt = 0.2 * max(Load) * autonomy_hours

其中autonomy_hours通常取4-6小时，具体取决于供电可靠性要求。

5. 算法扩展与工程应用

5.1 多时间尺度优化

将日前计划与实时调度结合，形成三级优化架构：

% 日前阶段 [plan,~] = solve_day_ahead(forecast); % 日内滚动 for k = 1:num_intervals [adjust,~] = solve_intra_day(real_time_data); end % 实时平衡 dispatch = solve_real_time(measurements);