微电网两阶段鲁棒优化：原理、建模与工程实践

1. 项目背景与核心价值

去年参与某工业园区微电网规划项目时，我遇到了一个典型难题：光伏出力预测偏差达到30%时，原优化方案直接崩溃。这个经历让我意识到传统确定性优化在能源系统中的局限性，也促使我深入研究两阶段鲁棒优化（Two-Stage Robust Optimization）这套方法论。

两阶段鲁棒优化的核心思想是将决策过程分为"这里-现在"（here-and-now）和"等待-观望"（wait-and-see）两个阶段。第一阶段在不确定性发生前做出基础设施投资等刚性决策，第二阶段根据实际发生的不确定性场景进行运行策略调整。这种"预决策+自适应"的架构，特别适合微电网这种需要同时考虑长期投资和短期调度的场景。

2. 微电网模型的关键特征解析

2.1 典型微电网组成结构

我们构建的微电网模型包含以下核心组件：

• 光伏发电系统（150kWp，实际出力受天气影响）
• 风力发电机（100kW，湍流效应导致波动）
• 柴油发电机（200kW，作为备用电源）
• 锂电池储能系统（300kWh，充放电效率92%）
• 关键负荷（医院、数据中心等必须保障负荷）
• 可中断负荷（一般商业用电）

2.2 不确定性建模方法

针对主要的不确定性源，我们采用不同的数学描述：

# 光伏出力不确定性模型 def pv_uncertainty(base_prediction): return base_prediction * (1 + 0.3 * ξ) # ξ∈[-1,1] # 负荷波动模型 def load_uncertainty(nominal_load): return nominal_load * (1 + 0.15 * ζ) # ζ∈[-1,1]

这种多面体不确定集（Polyhedral Uncertainty Set）的建模方式，既能覆盖最恶劣场景，又避免了过度保守。

3. 两阶段鲁棒优化建模详解

3.1 第一阶段模型：投资决策

第一阶段决策变量包括：

• 光伏安装容量 x_pv ∈ [0,200] kW
• 储能配置容量 x_bess ∈ [0,500] kWh
• 柴油发电机台数 x_dg ∈ {0,1,2}

目标函数为最小化总投资成本：

min 8000*x_pv + 1200*x_bess + 50000*x_dg

3.2 第二阶段模型：运行优化

在给定投资决策和实际不确定性实现后，第二阶段解决以下问题：

min \sum_{t=1}^{24} [c_{dg}P_{dg}(t) + c_{curt}L_{curt}(t)] s.t. P_{pv}(t) + P_{wind}(t) + P_{dg}(t) + P_{dis}(t) = L(t) + P_{ch}(t) + L_{curt}(t) P_{dg}^{min} ≤ P_{dg}(t) ≤ P_{dg}^{max} SOC(t+1) = SOC(t) + (η_{ch}P_{ch}(t) - P_{dis}(t)/η_{dis})/E_{bess}

3.3 鲁棒对等转换技巧

通过对偶理论将max-min问题转换为单层优化：

原问题：max_{ξ∈Ξ} min_{y∈Y(x,ξ)} c^T y 转换后：min_{x,y,λ} c^T x + λ^T b s.t. A^T λ ≥ d Bx + Cy ≥ h

这个转换是算法实现的关键，将复杂度从NP-hard降低到可求解范围。

4. 求解算法实现与优化

4.1 列与约束生成算法（C&CG）

我们采用以下迭代流程：

1. 初始化：求解不考虑不确定性的nominal问题
2. 主问题：基于现有场景求解放宽的投资决策
3. 子问题：寻找使运行成本最恶劣的不确定性场景
4. 收敛判断：如果新场景带来的成本增量<ε，停止

4.2 加速技巧实测

通过实际测试发现：

• 添加有效不等式可将迭代次数从28次降到15次
• 采用warm start策略使求解时间减少40%
• 对光伏出力和负荷波动进行解耦处理，问题规模降低60%

5. 实际应用效果对比

5.1 与传统优化方法对比

在某工业园区微网案例中：

5.2 不同保守度的影响

调节不确定集大小Γ时的表现：

Γ=0 (确定性): 投资成本最低但16%场景会停电 Γ=5: 成本增加12%但保障所有场景 Γ=10: 成本增加25%但抗风险能力无进一步提升

6. 工程实践中的经验总结

6.1 参数校准要点

• 光伏预测误差应基于历史数据统计，我们测得夏季误差可达35%而冬季仅15%
• 柴油发电机爬坡速率常被忽视，实测发现从冷启动到满负荷需要8-15分钟
• 储能循环寿命成本需要折算到每日成本中，按8000次循环计算约0.12元/kWh/天

6.2 常见问题排查

遇到求解不收敛时检查：

1. 不确定集是否过大致使问题不可行
2. 对偶转换时是否漏掉某些约束
3. 数值精度是否足够（特别是混合整数问题）

关键提示：在代码实现时务必对功率平衡等式添加松弛变量，否则实际运行中微小的数值误差会导致无解。

7. 扩展应用方向

这套方法经适当调整后还可用于：

• 综合能源系统规划（含冷热电耦合）
• 电动汽车充电站容量配置
• 区域配电网升级改造决策

最近我们正在尝试将机器学习预测嵌入不确定集构建，通过历史误差分布学习更精确的不确定集边界。初步结果显示，在保持相同鲁棒性水平下，可降低投资成本约7-9%。