基于两阶段鲁棒优化的微网多电源容量配置与CCG实现

刚拿到这篇《基于两阶段鲁棒优化算法的微网多电源容量配置》的论文解读和配套程序资源时，我第一反应是：终于有人把微电网规划的硬骨头啃下来还愿意分享源码了。搞过微电网规划的人都知道，容量配置这事儿看似简单——光伏、风电、储能、柴油机各装多少容量能让投资最省、运行最稳——但一旦把风光出力的不确定性考虑进去，问题性质立刻从“一个优化问题”变成“一堆优化问题”。

这篇论文能发到EI、CSCD、北大核心三检索，核心卖点就是用两阶段鲁棒优化（Two-Stage Robust Optimization）框架处理风光出力的最恶劣场景，同时通过C&CG（列与约束生成）算法把“min-max-min”这个没法直接求解的三层结构拆成主问题-子问题迭代求解。我在复现程序的过程中踩了不少坑，也摸清了不少门道。这篇文章就围绕这套方法本身和程序实现细节，把我的理解和实操经验完整写出来。

1. 这篇论文到底解决了什么问题：项目背景与核心思路拆解

1.1 微网容量配置的行业痛点

微电网多电源容量配置，简单说就是回答一个问题：在一个包含光伏、风电、储能、柴油发电机（或者燃气轮机）的微电网里，每种电源该装多少容量，才能在满足负荷需求的前提下，让全生命周期的总成本最低。

这问题的难度不在“算一个最优解”，而在“不确定性”上。光伏出力看天吃饭，风电出力看风吃饭，负荷曲线本身也有波动。传统的确定性优化方法，把风光出力当成一个固定值来算，比如“取全年平均出力”，算出来的容量配置在实际运行中很容易出现两种情况：要么容量装少了，遇到连续阴天或无风天，微网供不上电导致切负荷；要么容量装多了，大部分时间设备闲置，投资浪费严重。

而传统的随机规划方法，需要假设风光出力服从某种概率分布，然后用蒙特卡洛抽样生成大量场景。但问题在于：真实的天气过程很难用精确的概率分布去刻画，而且抽样场景再多，也可能漏掉那种“十年一遇”的极端连续恶劣天气。一旦这种没被抽样到的恶劣场景发生，配置方案就可能直接崩掉。

这就是鲁棒优化的用武之地。它的核心思想是：我不预测你具体什么时候出多少力，我直接假设一个“出力最恶劣的取值范围”，只要能扛住这个范围内最恶劣的组合，那实际运行一定稳。代价是配置结果会偏保守，但换来了极高的可靠性。

1.2 为什么是“两阶段”鲁棒，而不是单阶段

单阶段鲁棒优化（Single-Stage Robust Optimization）的思路是：在所有不确定参数最恶劣的情况下，同时做出“建多大容量”和“怎么运行”的决策。相当于你在买设备之前，就必须把所有可能发生的运行情况全部考虑进去，而且所有决策都是“事前”拍板的。

这样做的麻烦在于：现实中的决策是有先后顺序的。你建设光伏电站、买储能电池，是“今天”就要拍板的事，属于长期投资决策。但微网建成以后，具体某台柴油机今天发多少电、储能今天充还是放，那是“明天”根据实际天气和负荷情况才能定的，属于短期运行决策。这两层决策的性质完全不同。

两阶段鲁棒优化精准对应了这种决策结构。第一阶段（Here-and-Now）做容量投资决策——装多少光伏、多少风电、多少储能、多少柴油机，这个决策一旦做了就改不了。第二阶段（Wait-and-See）做运行调度决策——在第一阶段决定的装机容量下，针对每一种可能出现的风光出力场景，找到最经济的运行方式。而鲁棒优化的“恶意”之处在于：第二阶段的外部环境（风光出力）不会乖乖按你的预测来，它会“故意”往最让你的运行成本变高的方向去变。

所以整个问题变成了一个三层结构：外层是投资决策（min），中层是找一个让运行成本最大的恶劣出力场景（max），内层是在这个恶劣场景下最小化运行成本（min）。即经典的“min-max-min”形式。这个结构不是随便选的，它精准刻画了“先投资决策，再面对恶劣环境做最优应对”的现实逻辑，同时也让模型保有了数学上的可解性。

1.3 程序包里到底有什么：资源概览

我拿到的这套配套程序，核心就是两阶段鲁棒优化的求解实现。程序主体用MATLAB编写，求解器采用Yalmip工具箱+Gurobi（或CPLEX）的组合。这种搭配在电力系统优化领域非常主流，Yalmip负责把数学模型“翻译”成求解器能识别的格式，Gurobi/CPLEX负责真正把优化问题算出来。

程序包的结构大概分为几个模块：主程序（负责搭建两阶段鲁棒模型、调用C&CG迭代框架）、不确定性参数生成模块（负责生成风光出力的不确定集合）、以及数据文件（包含典型日负荷曲线、风光出力预测值、各类电源的经济性参数等）。

这套资源最值钱的地方在于：它完整走通了“论文公式→可运行代码”的链路。论文里那些密密麻麻的约束条件，每一步在代码里都有对应实现，C&CG算法的迭代主循环、子问题的对偶转换，全部是能直接跑起来看效果的。这是很多论文做不到的——不少论文公式写得漂亮，但代码复现起来各种细节缺失。

2. 核心模型架构：目标函数、约束与不确定性建模的精髓

2.1 目标函数怎么构建：投资成本与运行成本的双层博弈

两阶段鲁棒优化模型的目标函数，是第一阶段投资成本和第二阶段运行成本的总和。第一阶段的投资成本包括光伏、风电、储能（按容量和单位投资成本折算）、柴油机的建设成本；这里面储能比较特殊，除了功率成本，还有容量成本（电池本身的价格按kWh算）。

第二阶段运行成本主要包括柴油发电机的燃料成本和运维成本、储能的充放电损耗成本，以及与主网交互的购售电成本。如果微网是并网型的，那么向主网购电要花钱，向主网售电有收入；如果系统允许切负荷（即无法满足全部负荷），还要加上切负荷惩罚成本。

目标函数的表达式可以写成：

min_x { C_invest(x) + max_u min_y C_operate(y, u, x) }

其中，x代表第一阶段的容量配置决策，u代表第二阶段的不确定参数（风光出力、负荷），y代表运行调度决策（各机组出力、储能充放电功率、与主网交互功率）。

一个关键细节是：投资成本前通常需要乘一个“资金回收系数”来把一次性投资分摊到规划年限的每一年，或者把运行成本按年份折现到投资时点。论文里采用的是等年值法，就是把总投资额乘以一个系数，折算成每年等额支付的金额，然后和年运行成本相加。这个系数CRF的计算公式为：

CRF = r * (1+r)^T / ((1+r)^T - 1)

其中r为贴现率，T为规划年限。程序里默认T取20年，贴现率r取0.08（8%），这个参数可以根据实际项目调整。这个小细节非常影响最终结果——贴现率取5%和取8%，光伏容量的最优配置可能差出20%以上。

2.2 两阶段模型的数学表达式与约束拆解

第一阶段模型的约束比较简单直接——各类电源的配置容量不能超过上限（比如场地限制、电网接纳能力限制）。写成标准形式就是：

min a^T x + Q(x) s.t. x_min <= x <= x_max（各电源容量上下限） x为整数或连续变量

其中Q(x)是第二阶段价值的函数，表示在给定第一阶段决策x的情况下，最恶劣场景下的最小运行成本。这个Q(x)没法直接求出来，只能通过C&CG算法迭代逼近。

第二阶段的运行约束就复杂多了，包括功率平衡约束、各机组出力上下限约束、爬坡约束、储能充放电约束、储能SOC状态约束，以及与主网交互功率约束等。用标准形式表达为：

对任意u ∈ U: min b^T y s.t. D y >= d - E x - F u（功率平衡与运行约束） y >= 0

这里D、E、F是系数矩阵，体现了运行约束中决策变量y、第一阶段变量x、不确定参数u之间的耦合关系。

功率平衡约束是最核心的：任意时刻，光伏出力+风电出力+柴油机出力+储能放电功率+购电功率 = 负荷功率+储能充电功率+售电功率。这是在程序里最容易出错的地方——因为储能既可以充电（相当于负荷）也可以放电（相当于电源），它的变量方向会改变。程序里通常用“储能SOC”作为状态变量，把充放电功率统一处理成：SOC(k+1) = SOC(k) + η_c * P_ch(k) * Δt - P_dis(k) * Δt / η_d，这样处理能避免同一时刻既充电又放电的逻辑矛盾。

2.3 不确定性集合：鲁棒优化的灵魂所在

鲁棒优化相对随机规划的核心差别，在于不确定性集合U的建模方式。常见的类型有三种：

论文采用的是预算不确定集（也叫Γ-鲁棒）。它的思想是：虽然每个时段的光伏/风电出力都可能偏离预测值，但不能指望它每个时段都同时达到最大偏差——现实里不会有这么坏的天气。引入一个“不确定预算”Γ，限制所有时段里允许出现最大偏差的总时段数上限。

数学上，预算不确定集可以写成：

U = { u | u_t = u_t^f + δ_t * Δu_t, Σ|δ_t| <= Γ, 0 <= |δ_t| <= 1 }

其中u_t^f是预测出力，Δu_t是最大偏差幅度，δ_t是偏差比例变量，Γ是预算参数。Γ=0时退化为确定性模型，Γ=24时表示24个小时都可以达到最大偏差，即盒式集合，保守度拉满。

我从程序调试中得到的经验是：Γ的取值不是越大越好。Γ取值增大，系统配置的容量会趋向保守，容量变大，投资成本上升；但Γ太小，又会低估风险。论文里通常取Γ为预测点数的50%~75%作为一个合理区间。具体工程上，还需要根据项目所在地的历史天气数据做敏感性分析来最终标定。

2.4 为什么选择C&CG算法而不是Benders分解

两阶段鲁棒优化的经典求解方法有两种：Benders分解和列与约束生成（C&CG）。程序选择C&CG是有道理的。

Benders分解的思路是把第二阶段问题对偶后，把“最恶劣场景”和“运行成本”的信息通过割平面（Cut）一层层反馈给主问题。它的特点是需要不断往主问题里加割，但加了割的约束只是原来的线性对偶关系，不需要新增变量。

C&CG的思路不同：它在迭代过程中，每轮找到一个最恶劣的场景后，不是仅仅加一条割，而是直接把（x, y）联合变量和这个场景下的运行约束整块塞进主问题。也就是说，每迭代一轮，主问题就长胖一圈——多一组运行决策变量和多一组约束。

从收敛速度来看，C&CG比Benders快得多。原因是Benders用对偶信息“间接”逼近最恶劣场景，而C&CG直接生成对应最恶劣场景的变量和约束，相当于把第二阶段的实际运行情况“原样”建模进了主问题。大量数值实验表明，C&CG在有限次迭代内就能达到很高的精度，特别适合微电网这种规模适中、但约束关系复杂的规划问题。

3. 程序复现全流程：从数学模型到可执行代码

3.1 环境配置与求解器选择

建议的环境配置是MATLAB R2020a及以上版本，Yalmip工具箱用R20210331版本，求解器用Gurobi 9.x（如果你有学术许可）或CPLEX 12.x。Gurobi和CPLEX对线性规划和混合整数线性规划的支持都极其稳定，这两个随便选一个都可以。

需要注意的一个坑是：Yalmip版本过旧，对新版MATLAB的兼容性会很差；而Gurobi版本过新，Yalmip可能无法识别。我踩过的组合是MATLAB R2022b+Yalmip（旧版）+Gurobi 10.x，直接报“No suitable solver found”——Yalmip不认识Gurobi 10的接口。解决办法是升级Yalmip到最新版，或者干脆把Gurobi降到9.5版本。

安装好之后，在MATLAB里运行yalmiptest命令可以测试求解器是否配置成功。看到Gurobi/CPLEX后面显示“Found”状态，就说明环境没问题了。这一关不过，后面的所有步骤都白搭。

3.2 主程序架构：C&CG迭代怎么实现

整个程序实现的C&CG算法主逻辑如下（这是伪代码，理解流程用）：

初始化：LB = -inf，UB = +inf，迭代次数k = 1 设初始恶劣场景 u^(0) 为预测场景（即δ_t = 0） 循环迭代： 1. 求解主问题MP： min a^T x + θ s.t. x的容量约束 θ >= b^T y^(k)（对每个已生成的场景k） D y^(k) >= d - E x - F u^(k)（对每个已生成的场景k） 得到最优解(x^(k), θ^(k))，更新LB = max{LB, a^T x^(k) + θ^(k)} 2. 将x^(k)代入第二阶段子问题SP： 求解 max_{u ∈ U} min_{y} { b^T y | D y >= d - E x^(k) - F u } 得到最恶劣场景u^(k+1)和最优目标值f(x^(k)) 更新UB = min{UB, a^T x^(k) + f(x^(k))} 3. 如果 (UB - LB) / UB <= ε（ε取0.01或0.001），则收敛，退出循环 4. 否则，把新场景u^(k+1)对应的运行变量y^(k+1)和约束加入主问题，k = k+1，回到步骤1

这里最核心也最费力的一步是步骤2——子问题是两层结构（max-min），无法直接求解，需要对内层的min进行对偶转换，把“max-min”变成“max-max”，也就是一个单层的max问题。对偶转换处理得当，子问题就变成了一个普通的最大化线性规划问题，可以直接用Gurobi求解。

具体来说，第二阶段子问题的对偶形式可以写成：

max_{u, λ} λ^T (d - E x^(k) - F u) s.t. D^T λ <= b λ >= 0 u ∈ U

其中λ是第二阶段原问题的对偶变量。注意这个对偶问题里，λ和u都是变量，目标里有一个λ^T F u的双线性项，这导致它不是线性规划。论文中通常假设不确定性集合U是盒式/预算式，也就是u_t是线性约束，此时利用u_t的取值范围上下界约束，可进一步消去双线性项，把它转化成一个可解的线性规划或混合整数规划（MILP）问题。

如果子问题中存在二进制变量（比如储能充放电状态），对偶的处理会更加复杂：要么用大M法把互补约束线性化，要么用KKT条件替换后做线性化处理。这套程序里针对储能模型做的是连续变量处理，也就是忽略充放电状态的整数特性，但用SOC约束和充放电功率的上下限天然限制了储能不能同时充放。如果非要精确处理储能的二进制变量，则需要引入大M法，程序规模会膨胀不少。

3.3 不确定性建模的代码实现细节

程序里对不确定性的建模，重点在两个模块：预测场景的生成，以及不确定集合的参数设置。

预测场景数据通常由典型日曲线给定。程序里默认给出了夏季、冬季两个典型日，每个典型日24个小时，包含光伏出力标幺值序列、风电出力标幺值序列和负荷标幺值序列。光伏出力的预测偏差系数默认设为±20%（阴雨天偏差更大，晴朗天偏差小），风电出力的预测偏差系数设为±15%（风的大小波动剧烈），负荷的预测偏差设为±5%（负荷相对稳定，变化有规律）。这个偏差系数就是Δu_t的数值基础。

不确定集合构建的核心代码如下（简化描述逻辑）：

% 不确定参数的标称值与偏差 u_nominal = PV_forecast; % 光伏预测出力 u_dev = 0.2 * PV_rated; % 最大偏差，20%的额定容量 Gamma_PV = 12; % 光伏不确定预算，默认12个时段可以同时达到最大偏差 % 用Yalmip构造不确定变量 u_PV = sdpvar(24, 1); for t = 1:24 F = [F, u_nominal(t) - u_dev(t) <= u_PV(t) <= u_nominal(t) + u_dev(t)]; end F = [F, sum(abs(u_PV - u_nominal) ./ u_dev) <= Gamma_PV];

这段代码的意思是：光伏每个时段的出力可以在预测值±20%内浮动，但所有时段浮动总量加起来不能超过Γ对应的总预算。注意这里的Σ|δ_t|是一个绝对值约束，实际建模通常引入辅助变量将绝对值线性化，Yalmip里可以直接写norm或者写两对不等式来完成。

我实际调试时发现，Γ的取值对迭代次数影响很大。Γ=12左右时，C&CG通常在5~8轮内收敛；但如果Γ设到24（盒式集合），子问题每次都会找到“所有时段全部最大偏差”的极端场景，主问题反复加重约束，迭代次数会明显增加，而且最终配置的容量会显著偏大——这是鲁棒优化“保守性”的代价。论文里用了不同Γ下的对比实验来展示这种权衡，程序里也保留了参数调节的接口，方便做敏感性分析。

3.4 储能模型的建模要点

储能是微网容量配置里最容易建模出错的环节。程序采用的方式是简化储能模型：SOC作为连续变量，充放电功率均为连续变量，且通过以下约束限制在同一时刻只能充电或放电：

SOC(t+1) = SOC(t) + η_ch * P_ch(t) * Δt - P_dis(t) * Δt / η_dis 0 <= P_ch(t) <= P_ch_max 0 <= P_dis(t) <= P_dis_max SOC_min <= SOC(t) <= SOC_max SOC(1) = SOC(25)（调度周期始末SOC一致）

注意到这里没有用二进制变量来强制“P_ch × P_dis = 0”，而是依靠充电效率η_ch和放电效率η_dis低于1这一损耗特性，让优化问题自动倾向于不同时充放（因为同时充放会产生能量损耗，增加成本）。这是个很聪明的建模技巧，避免了二进制变量带来的计算复杂度爆炸，代价是最优性会有极微小的影响。

储能容量配置的另一个关键参数是“储能时长”：即储能电池容量（kWh）对应多少小时的额定功率。程序里默认取2小时，也就是一个100kW/200kWh的储能系统。这个参数直接影响储能的单位投资成本：功率成本（kW）和容量成本（kWh）是分开算的，程序里用两个变量分别表达。

3.5 Yalmip代码骨架展示

Yalmip的建模方式非常直观，几乎和数学公式一一对应。我把第一阶段的容量投资问题的核心代码逻辑写出来（简化版，完整程序以资源包为准）：

% 决策变量 x_PV = sdpvar(1, 1); % 光伏配置容量（kW） x_WT = sdpvar(1, 1); % 风电配置容量（kW） x_ES = sdpvar(1, 1); % 储能功率配置（kW） x_ES_cap = sdpvar(1, 1); % 储能容量配置（kWh） x_DE = sdpvar(1, 1); % 柴油机配置容量（kW） % 目标函数：投资成本（等年值）+ 第二阶段期望 CRF = 0.08 * (1+0.08)^20 / ((1+0.08)^20 - 1); InvestCost = CRF * (c_PV * x_PV + c_WT * x_WT + ... c_ES_p * x_ES + c_ES_c * x_ES_cap + c_DE * x_DE); % 约束：容量上下限 Constraints = [x_PV_min <= x_PV <= x_PV_max, x_WT_min <= x_WT <= x_WT_max, ...]; % 两阶段鲁棒目标 Objective = InvestCost + theta; % theta是第二阶段成本的替代变量，在C&CG迭代中动态更新 % 求解（第一步，先求解主问题） optimize(Constraints, Objective, sdpsettings('solver', 'gurobi'));

这段代码的逻辑就是：先确定第一阶段的容量决策x和第二阶段成本代理变量θ，然后在C&CG迭代中不断往Constraints里添加新场景对应的运行变量和约束，同时更新θ的取值约束，直到上下界收敛。

我建议拿到程序后，先在原始参数下跑一遍，确认结果能复现论文里的Case 1数据；然后再手动修改Γ参数、贴现率和单位投资成本，观察结果变化趋势。这套验证流程能帮你确认自己对模型的理解是否准确。

4. 程序调试心得与微网规划实操经验

4.1 影响C&CG收敛速度的几个因素

实际跑程序时，最关心的就是迭代多少次能收敛。我实验发现，除了Γ参数外，以下几个因素也显著影响收敛表现：

• 松弛变量的引入：如果在第二阶段加入了松弛变量（比如切负荷量），子问题会更容易找到“让切负荷最严重”的场景，从而快速提升下界，加速收敛。但如果松弛变量的惩罚系数设得太小，子问题会优先选择切负荷，导致配置结果不真实；设得太大，又可能引发数值病态问题。我建议惩罚系数至少设置为最高运行成本的10倍以上。

• 求解器数值容差：Gurobi默认的MIP gap是1e-4，但对于C&CG这种嵌套求解结构，内层求解的微小误差会通过主问题累积放大。如果发现上下界长期无法收敛或出现LB>UB这种违背理论的情况，把求解器的MIPGap适当地放宽到1e-3，或者把FeasibilityTol放宽到1e-6，往往能解决问题。

• 初始场景的选择：C&CG算法需要一个初始的恶劣场景。程序默认用预测场景（即不确定参数全取标称值）作为第一轮的主问题输入。事实上，用极端场景（光伏出力全零、负荷最大）作为初始场景，可以明显减少迭代次数——因为主问题在一开始就能生成一个相对接近最优的容量配置。这点小技巧值得一试。

4.2 常见报错与排查速查表

整理这份速查表，都是我实际调试中遇到过的问题，相信很多复现程序的同行也遇到过类似情况：

4.3 从论文到工程：这套程序能怎么扩展

论文和程序自带的是标准测试算例，但真实工程项目比这复杂得多。我自己做过的扩展方向包括以下几个：

第一，把单目标扩展为多目标。容量配置往往是成本与可靠性的博弈，可以在目标函数中同时考虑年化总成本和供电可靠性（如电量不足期望值EENS），然后用ε-约束法或加权法生成Pareto前沿。程序中的第二阶段子问题已有切负荷惩罚项，稍微改造惩罚系数，就能把EENS作为第二优化目标输出。

第二，把独立微网扩展为并网微网。独立微网没有主网支撑，必须满足严格的功率平衡和备用容量约束；并网微网可以买卖电，不确定性场景下甚至可以依靠主网购电兜底。程序里的并网模型核心只需要加两个变量（购电功率、售电功率）和一条联络线功率约束，改造量不大但实用价值很高。

第三，考虑季节性差异和长期退化。光伏组件会老化、储能电池会衰减、柴油机效率会下降，这些影响在20年规划期内不容忽视。可以把一个规划年细分为多个典型季，分别建立不确定性集合，并在储能容量约束中增加年衰减系数。这会显著增加计算量，但工程结果更真实。

第四，接入实测数据。把典型日曲线替换成项目地实测的风光资源与负荷数据，再用统计方法标定不确定集合参数。实测数据往往比预测曲线更“不光滑”，对C&CG子问题的求解会带来新的数值挑战，但这是让程序从论文走向和项目落地的必由之路。

4.4 审稿人视角的加分项

如果你准备沿着这个方向发论文，有几个细节能明显提升审稿人的观感。一是画出C&CG的收敛曲线（上下界随迭代次数的变化），并解释为什么在第几轮之后收敛加速——这比单纯给最终结果更有说服力。二是做不确定性预算参数的敏感性分析，说明不同鲁棒水平下容量配置的结构性变化：风向、光伏、储能、柴油机的装机比例如何随Γ改变。三是增加算法对比，用Benders分解、采样平均近似方法与C&CG做对比，给出收敛速度与解质量的定量结论。

结语：一些务实建议

整套程序跑通、结果复现以后，我最大的感受是：两阶段鲁棒优化并不神秘，它本质上是把“决策时间轴”和“不确定性对抗性”写进了数学模型里。主问题-子问题迭代求解的C&CG框架，就像一个经验丰富的谈判专家——主问题先报一个投资方案，子问题立刻抬出最恶劣场景反驳，主问题被反驳后修订方案、增加底线约束，直到双方达成一致。这个过程看似繁琐，但每一步都有明确的经济学含义。

如果你刚拿到这套程序，我的建议是：先别急着改代码，把第2章的数学模型用纸笔画一遍，搞懂每个变量和每个约束在说什么，再对照代码一行行看。第一次跑通之后，故意改错几个参数（比如把Γ设成0、把储能效率设成1），看看结果如何反常——这比任何教程都能加深你对模型的理解。

运行资源里给出的算例数据、输出结果和主程序、子程序都整合在一起了。如果你在复现过程中卡在某个报错上，或者对某个约束的建模有疑问，欢迎交流。代码能跑通只是起点，真正把它用到你自己的微网规划项目里，你会发现问题背后的工程判断力，远比算法本身更有价值。