两阶段鲁棒优化在微电网容量配置中的应用与实践

1. 两阶段鲁棒优化算法在微网容量配置中的应用解析

微电网作为分布式能源系统的重要实现形式，其电源容量配置直接影响系统经济性和可靠性。传统确定性优化方法难以应对风光出力波动和负荷变化带来的不确定性，而两阶段鲁棒优化（Two-Stage Robust Optimization, TSRO）通过分离投资决策与运行策略，为这一问题提供了创新解决方案。

在实际项目中，我们常遇到这样的矛盾：过度保守的配置会导致投资浪费，而过于乐观的设计又可能引发供电风险。两阶段鲁棒优化的核心价值在于，它能在数学上保证：无论不确定性如何变化，系统始终能找到可行运行方案，且总成本控制在最优范围内。

2. 算法原理与数学模型构建

2.1 两阶段决策框架设计

两阶段模型将决策过程划分为两个逻辑层次：

• 第一阶段决策变量（y）：

  • 光伏安装容量（p_pv_int）
  • 储能额定容量（ee_bat_int）
  • 微型燃气轮机额定功率（p_g_int）
  • 风机安装容量（p_wt_int）

• 第二阶段决策变量（x）：

  • 储能充放电功率（p_ch/p_dis）
  • 燃气轮机实时出力（p_g）
  • 配电网交互功率（p_buy/p_sell）

数学模型表述为：

min_y { C_invest(y) + max_u min_x C_operate(x,y,u) } s.t. A_1y ≤ b_1 A_2(u)x + B_2(u)y ≤ b_2 ∀u∈U

其中U表示不确定性集合，包含风光出力和负荷波动等场景。

2.2 不确定性建模方法

实际应用中我们采用多面体集合描述不确定性：

% 风光出力不确定性建模示例 u_PV = sdpvar(24,1); % 光伏出力偏差 u_WT = sdpvar(24,1); % 风机出力偏差 U_PV = [u_PV >= 0.7*forecast_PV, u_PV <= 1.3*forecast_PV]; % ±30%波动 U_WT = [u_WT >= 0.6*forecast_WT, u_WT <= 1.2*forecast_WT]; U = [U_PV, U_WT];

提示：不确定性范围的设定需要结合历史数据统计分析，过大的集合会导致方案过于保守，过小则失去鲁棒性保护。

3. 求解算法实现细节

3.1 C&CG算法流程解析

列与约束生成（C&CG）算法通过主-子问题迭代求解：

1. 主问题（MP）：

MP = optimizer([Constraints, Investment_cons], ... C_invest + eta, ... ops, {'y'}, {'C_total'});

2. 子问题（SP）：

SP = optimizer([Operation_cons, Uncertainty_cons], ... -C_operate, ... ops, {'u'}, {'C_worst'});

3. 迭代过程：

while gap > 1e-4 [y_opt, LB] = MP(eta_prev); [u_worst, UB] = SP(y_opt); MP = [MP, C_operate >= UB]; % 添加新约束 gap = abs(UB - LB); end

3.2 MATLAB实现关键技巧

• 模型加速技巧：

  • 使用YALMIP的optimizer函数预编译模型
  • 对稀疏约束矩阵采用sparse存储
  • 并行计算子问题的最恶劣场景

• 求解器配置：

ops = sdpsettings('solver','cplex', ... 'cplex.timelimit',3600, ... 'cplex.mip.tolerances.mipgap',1e-4);

4. 微网配置实例分析

4.1 典型参数设置

4.2 约束条件实现

核心约束的MATLAB表达：

% 储能动态约束 C = [C, SOC(2:24) == SOC(1:23) + ... (p_ch(1:23)*eta_ch - p_dis(1:23)/eta_dis)*deltaT/ee_bat_int]; C = [C, 0.2 <= SOC <= 0.9]; % SOC安全范围 % 功率平衡约束 C = [C, p_pv + p_wt + p_g + p_buy - p_sell + p_dis - p_ch == Load];

4.3 结果对比分析

某工业园区微网优化结果：

5. 工程实践中的挑战与对策

5.1 计算效率优化

• 问题：33节点系统求解时间超过6小时
• 解决方案：
  1. 采用场景削减技术（前向选择法）
  2. 实施Benders并行分解
  3. 使用warm-start初始化迭代

5.2 保守性控制

通过引入概率约束平衡鲁棒性：

% 概率鲁棒约束示例 prob_cons = [P(C_operate <= 1.2*C_nominal) >= 0.95];

6. 扩展应用与进阶方向

6.1 多时间尺度耦合

将日前调度与实时控制统一建模：

min_{y} { C_invest + E[min_{x1} C_day-ahead + E[min_{x2} C_real-time]] }

6.2 数据驱动鲁棒优化

利用机器学习构建不确定性集合：

% 基于LSTM的风光出力区间预测 net = trainLSTM(historical_data); [pv_low, pv_high] = predictInterval(net, weather_forecast);

在实际项目中，我们发现储能配置对结果最为敏感。通过参数扫描分析显示：当储能成本低于1800元/kWh时，系统倾向于增加储能容量替代燃气轮机；而当光伏预测误差超过25%时，鲁棒方案的经济性优势可提升30%以上。

对于希望复现研究的同行，建议先从简化系统（如单母线微网）入手，逐步增加复杂度。特别注意CPLEX求解器的许可证问题，可先用开源 solver 如GLPK进行算法验证，待模型稳定后再切换商业求解器。