微电网多阶段鲁棒调度：MATLAB建模与CCG求解实战

这个标题一看就知道是那种“课程大作业”里的高分题，也是实验室里横向课题常碰到的正儿八经的优化问题。微电网的最优运行我复现过不止一次，每次都会在鲁棒性处理上卡一阵子。今天这篇我不讲通用介绍，直接拆解“含可再生能源和储能的区域微电网最优运行”这个项目要怎么建模、怎么用 MATLAB 完整跑通多阶段鲁棒调度模型，以及那些理论推导看着简单、实操时却反复折磨人的细节。无论你是刚接触鲁棒优化的初学者，还是已经会调求解器但想搞懂“子问题为什么总无界”的老手，这篇都能给你一些能直接上手的参考。

1. 微电网调度为什么要考虑“运气最差”的场景

1.1 光伏、风机和负荷，没一个是省心的

做微电网优化调度，第一步要认清一个现实：你永远拿不到“准确”的预测数据。光伏出力受云层遮挡、气溶胶、温度影响，功率曲线可能在半小时内从 80% 掉到 20%；风机出力更夸张，风速稍微越过切出速度，整台机组直接停机；负荷侧也没有办法精确到每家每户，尤其包含电动汽车充电桩时，晚高峰曲线经常像锯齿一样跳动。

如果调度模型把这些输入都当成确定值处理，那它在“预测准确的那一天”会得到一个非常漂亮的成本最低解，但真实运行当天只要光伏少发 10%、负荷多涨 5%，系统就可能面临功率缺口，严重情况下只能甩负荷。这个问题的本质不是求解器不行，而是模型把不确定性“假设没了”。

所以这类项目的核心价值并不是把成本降得多低，而是回答一个问题：在不确定变量的最坏组合下，调度方案还能保证系统安全运行，并且成本增幅在可接受范围内。这正是鲁棒优化擅长的领域。它不需要不确定变量的精确概率分布，只需要知道每个变量大概落在什么区间，就能给出一个带“安全边界”的决策方案。

1.2 确定性调度在实际运行中容易“翻车”

我拿一个简单算例说明。假设一个区域微电网里有燃气轮机、储能、光伏和上级电网交互接口，采用确定性日前调度，安排某时段向电网买电 500 kW，燃气轮机出 300 kW，光伏按预测值出 200 kW，刚好满足 1000 kW 负荷。结果当天实际光伏只有 120 kW，负荷却涨到 1050 kW，那么系统瞬间就有 230 kW 缺口。此时燃气轮机爬坡速率有限，储能要么荷电状态不够，要么已经按计划放电，上级电网联络线功率也有限额，调度员只能紧急切负荷。

这个场景做工程的人太熟悉了，几乎每个微电网项目都会在调试阶段遇到。确定性模型相当于把所有变量都锁死在预测值上，完全没有给“偏差”留下处理空间。而鲁棒优化在建模阶段就会把每一类不确定性放进约束里，让调度方案在偏差出现时可以通过调整储能出力、机组出力和购电量来弥补缺口。

1.3 鲁棒优化的核心逻辑：找最坏情况下的最优解

鲁棒优化的思想用一句话概括：先把不确定性“放大”到最不利的组合，再在这个最不利组合下做出成本最低的调度决策。数学上通常写成 min-max 结构：外层 min 是调度决策（机组出力、储能充放电、购售电），内层 max 是不确定变量在最坏集合内取值后导致的最大成本。

当然，真正把 min-max 问题求解出来并不容易，因为这是一个双层优化问题，外层最小化、内层最大化。好在绝大多数实际模型里，内层的最大化问题都是线性规划，于是可以通过强对偶理论把双层问题等价转换成单层 MILP（混合整数线性规划），再用商业求解器直接求解。这是整个项目最核心的理论基础，后面复现时的所有代码技巧都是围绕这个转换来的。

2. 多阶段鲁棒调度模型的建模思路

2.1 第一阶段做“慢决策”，第二阶段做“快调整”

多阶段鲁棒模型，从工程角度理解其实不复杂：有些决策必须提前定下来，而且定了之后短时间内改不了；有些决策可以等不确定性揭晓后再调整。

比如说，燃气轮机的启停状态、储能是否处于充电模式，这类属于“慢决策”，就是第一阶段的决策变量。它们往往有最小开停机时间约束，不能频繁切换，所以必须在不确定量实现之前就确定。而各台机组的实际出力、储能的实际充放电功率、与外网的交互功率，这些属于“快调整”，可以在每个时段根据实际光伏、风速、负荷偏差来修正。

两阶段模型的标准形式是：

• 第一阶段：决定机组启停，储能运行状态，以及一些基准功率；
• 第二阶段：不确定性实现后，决定各机组出力调整量、储能功率、与外网交换功率。

把两阶段结构在时间轴上滚动起来，就形成了多阶段鲁棒调度。比如日内按 1 小时或 15 分钟为一个阶段，每个阶段开始时更新预测信息，重新求解当前阶段的两阶段模型，并把前面阶段已经确定的决策作为约束固定下来。这种做法比一次性求解全天 96 个时段的完整鲁棒模型速度快很多，也更符合实际调度流程。

2.2 目标函数里，每一项成本都要能说清来源

目标函数一般写成系统总运行成本最小，包含以下几个方面：

• 燃料成本：燃气轮机的耗量特性通常用二次函数拟合，但在 MILP 模型里为了方便会分段线性化，或者直接采用线性形式a * P + b * u；
• 购电成本：从上级电网购电的电价乘以购电功率；
• 储能循环损耗成本：储能充放电不是免费的，每次循环都有容量衰减和效率损失，一般用一个与充放电功率线性相关的系数近似；
• 弃风弃光惩罚：当系统在极端场景下需要削减可再生能源出力时，要付出惩罚成本；
• 失负荷惩罚：这是所有约束里优先级最高的，代价设置得非常大，比如每 kWh 罚几千元，确保优化结果尽量避免切负荷。

一个典型的表达式可以写成：

min Σ_t Σ_g (fuel_cost_g(P_g,t) + startup_cost_g * u_g,t) + Σ_t (buy_price_t * P_buy,t - sell_price_t * P_sell,t) + Σ_t cycle_cost * (P_ch,t + P_dis,t) + Σ_t penalty_curtail * P_curt,t + Σ_t penalty_load * P_load_shed,t

注意，这个目标函数是外层 min 的视角。在内层 max 问题中，不确定性变量通过影响功率平衡约束来抬高成本，而最坏场景通常意味着光伏出力低、负荷高，系统被迫多买电、多开机组，甚至少量失负荷。

2.3 约束条件怎么取舍才能既精确又可解

工程模型不是约束越多越好，约束越多，求解时间越长，而且数值稳定性越差。这个项目里我建议保留如下几类约束。

功率平衡约束是核心。在含不确定性的模型里，它的标准写法要区分“基准场景”和“最坏场景偏差”：

Σ_g P_g,t + P_pv,t + P_wt,t + P_dis,t + P_buy,t = P_load,t + P_ch,t + P_sell,t + P_curt,t

这里的P_pv,t、P_wt,t、P_load,t在鲁棒模型中不是固定值，而是落在不确定集合里的变量。

储能约束包括 SOC 递推公式、容量上下限、充放电功率上下限、以及充放电互斥逻辑。SOC 递推建议写成：

SOC_t = SOC_t-1 + η_ch * P_ch,t / E_max - P_dis,t / (η_dis * E_max)

充放电互斥用一个二进制变量b_st表示：b_st=1为充电，b_st=0为放电。注意这里容易踩坑：如果允许同时充放电，模型会“作弊”，一边充电一边放电来满足约束，同时成本还不变，结果完全失真。

机组约束包括出力上下限、爬坡约束、最小开停机时间。爬坡约束在含不确定性的第二阶调整量中尤其重要，因为最坏场景下机组需要快速增出力，爬坡速率不够就会有出力缺口。

联络线约束限制与外网交换功率的上下限，这个在区域微电网里特别常见，因为配网容量就那么大的变压器，不能想买多少买多少。

实际建模时，我通常先跑一个确定性版本的模型，把以上约束都调试到不发散、结果合理，再引入不确定集合。直接一步到位写鲁棒模型，出错了很难判断是约束错误还是对偶转换的问题。

3. MATLAB 复现的关键步骤拆解

3.1 不确定集合怎么构造才合理

鲁棒优化的第一步是构造不确定集合。最常见的是盒式不确定集：

U_i = { u_i : |u_i - u_i^0| ≤ Δ_i }

其中u_i^0是预测值，Δ_i是最大偏差。但如果每个变量都取到最大偏差，最坏场景会非常保守，导致调度结果成本高到离谱。所以工程上会引入预算约束，让所有不确定变量同时偏离预测值的程度受限：

Σ_i |u_i - u_i^0| / Δ_i ≤ Γ

Γ称为鲁棒预算或不确定性预算。当Γ=0时，模型退化为确定性模型；当Γ=所有不确定变量个数时，就是最保守的情况。实际项目中Γ的取值一般通过历史数据统计得到，也可以作为一种保守性调节旋钮使用。

对这个项目来说，不确定变量一般是光伏出力、风机出力、负荷三个时间序列。光伏和风机可以用预测误差的经验区间做盒式上下界；负荷可以取预测值的 ±5%~±10%。注意构造不确定集合时要把不同时段的耦合关系考虑进去，比如某个时段光伏低，不代表所有时段光伏都低，预算约束就是用来表达这种“不可能所有坏情况同时发生”的直觉。

3.2 用列约束生成算法跑通两层优化

两阶段鲁棒模型直接求解非常困难，因为内层 max 和外层 min 耦合在一起。主流解法是列约束生成算法，也叫 CCG 算法。这个算法和 Benders 分解有相似之处，但收敛速度明显更快，在微电网领域的论文里已经成了标配。CCG 的迭代框架如下：

• 初始化：给定任意一个不确定场景，或者干脆用预测场景作为第一个场景；
• 求解主问题：在已知的有限个最坏场景集合下，求解包含一阶段决策和二阶段调整的最优解，得到目标函数下界；
• 求解子问题：固定一阶段决策，求解内层的 max-min 问题，找出最坏的不确定场景，并得到目标函数上界；
• 收敛判断：如果上下界间隙小于阈值（比如 0.1%），停止；否则把子问题找到的最坏场景返回主问题，新增一组约束和变量，继续迭代。

CCG 的收敛性在学术上已经被证明，实际代码里我通常迭代 5~10 次就能收敛到比较满意的精度，比 Benders 分解动辄几十次迭代舒服得多。

3.3 子问题里的 max-min 怎么转成可求解的形式

子问题形式是：固定一阶段决策后，内层是一个 max-min 结构 —— 外层最大化不确定变量带来的成本，内层最小化二阶段调整成本。直接的双层结构无法交给求解器处理，必须通过强对偶定理把内层 min 问题转换成对偶 max 问题，然后把两个 max 合并成一个最大化问题。

具体到代码实现，如果用的是 YALMIP 工具箱，可以直接用dualize或手工转换。手工转换时有一个常见陷阱：原始 LP 必须写成标准形式再取对偶，否则对偶问题符号会出错。我之前做过一个项目，子问题里目标函数的常数项放错了位置，导致对偶问题得出相反的符号，迭代过程上界一直比下界小，怎么调都调不回来。遇到这种情况，建议先把对偶问题单独抽出来，用一个固定场景验证目标函数值是否和原问题一致，再接入主迭代。

MATLAB 里子问题的求解框架大致是这样的：

% 固定一阶段决策 x_fixed 之后 % 内层 min 问题: min_y c'*y s.t. A(x_fixed,u)*y ≤ b_ineq % 转对偶得到: max_π b_ineq'*π s.t. A'*π = c, π ≥ 0 % 外层再对不确定变量 u 做 max，形成最终子问题

这类问题做完对偶替换后，通常会变成一个带双线性项的问题，因为b_ineq里含有不确定变量u，对偶乘子π和u相乘产生了双线性项。一般用大 M 法把双线性项线性化：不确定变量取到上下界的两个端点，配合二进制变量表示。原理就是线性函数的最值一定在顶点取到，所以最坏场景永远是某些变量取上界、某些变量取下界的组合，这大大简化了问题的搜索空间。

3.4 求解器选型与模型规模控制

MATLAB 环境里做 MILP，优先推荐用 YALMIP 建模，但不要忘了底层还是需要求解器。有条件的话用 CPLEX、Gurobi 这类商业求解器，求解速度快很多；没有授权的情况下，用 MATLAB 自带的intlinprog也能跑通，但只能用来验证小规模算例。

这个模型如果按 24 时段、3 台机组、1 个储能、1 个光伏场、1 个风电场、上级电网接口来配置，二进制变量数量大概在 200~400 个之间，连续变量 1000 个左右。intlinprog跑这个规模会非常吃力，CCG 迭代个三四次就可能要等很久。如果条件受限，可以尝试降低时间分辨率，用 1 小时一个时段代替 15 分钟一个时段；或者把 96 时段划分成 4 个 24 时段滚动求解，效果会比较明显。

4. 仿真算例设计与关键结果分析

4.1 算例配置和参数设置参考

我自己复现时用的是一套模拟数据，不涉及任何真实系统，但参数设置尽量贴近实际工程。下面给你一个可以直接当作起点的配置参考。

日前预测的日典型曲线可以按小时设置。光伏在中午时段预测出力 300~400 kW，晚间为零；风电在凌晨时段相对较好；负荷峰出现在晚上 18:00~22:00，约 750~800 kW。

这种规模的算例，CCG 初始求解大概几十秒，后面每次迭代要等一两分钟，整体在可接受范围内。如果加入 96 时段，则建议先把不合理的数据归并一下，比如把相邻的相似时段的负荷曲线平滑处理，减少数值震荡。

4.2 主问题与子问题迭代过程实录

代码跑通后，你会看到类似这样的输出节奏：

第 1 次迭代，主问题在预测场景下求出的成本较低，比如 8300 元；然后固定第一阶段的启停状态，交给子问题搜索最坏场景，子问题找到“光伏全部低谷且晚高峰负荷增加 8%”的场景，此时候选成本抬高到 9200 元，上界更新。

把最坏场景返回主问题后，第二次迭代主问题重新优化，在新的场景约束下重新决定储能充放电策略和机组启停，成本上升至 8900 元；子问题再次搜索，发现最坏场景变化不大，成本为 9000 元，上下界间隙缩小。

通常迭代到第 4~6 次左右，上下界间隙会收敛到 0.1% 以内。我之前比较过，CCG 比 Benders 分解少迭代约一半次数，但每次迭代要额外添加一整组场景变量和约束，整体内存开销略大。对微电网这种中等规模问题，完全不是问题。

4.3 三组对比实验，看清鲁棒模型的真实价值

复现之后我建议做三组对比，用来验证模型的正确性和鲁棒优化的实际效果。

第一组是确定性模型 vs 鲁棒模型。在预测场景下，确定性模型总成本一定更低，这是必然的，因为它假设预测 100% 准确。但你把这些解放到最坏场景下看，确定性模型会出现几十千瓦的失负荷，鲁棒模型的失负荷几乎为零。这说明鲁棒调度的“额外成本”其实买的是安全性。

第二组是不同鲁棒预算 Γ 的对比。Γ 从 0 逐渐增大到最大允许值，系统总成本呈现明显的上升趋势，但增幅会逐渐变缓。这个曲线可以直接用来和业主讨论“你愿意花多少成本来换取多少安全边界”。实际操作中，我一般会画出成本-Gamma 的阶梯曲线，给决策方看，工程上通常选择曲线拐点附近的 Γ 值。

第三组是两阶段一次性求解 vs 多阶段滚动求解。保持其他条件一致，滚动调度的优势在于每个阶段开始时能基于最新预测更新后续资源分配，成本会略低于一次性求解两阶段模型；劣势是实现复杂度高一些，如果预测更新频率不高，两者差异不大。

5. 常见问题与排查技巧实录

5.1 子问题报“无界”是最常见的故障

我调试这类模型时遇到最多的问题，就是 CSG 子问题提示目标函数无界。表面上看是因为二阶段变量缺少必要的松弛项，比如功率平衡约束里没有留失负荷变量，或者储能剩余容量约束没有加松弛，最坏场景下模型找不到可行的二阶段调整方案，子问题自然无界。

解决办法是在功率平衡约束中加入失负荷变量P_shed,t和弃电变量P_curt,t，并在目标函数里设置足够大的惩罚系数。这不是“作弊”，工程上本身就是你允许应急切负荷，只是代价极高。引入之后子问题永远有可行解，迭代过程就稳定了。

还有一种原因是对偶问题方向写反。遇到这种情况，先做一个简化测试：固定一个具体的场景，跳过外层 max 只求内层 min，再调用对偶问题的目标函数值对比，如果两者不一致，说明对偶推导有误。这个测试只要几分钟，能帮你省下好几个小时的排查时间。

5.2 CCG 迭代不收敛或收敛过慢

迭代不收敛大多数情况下不是因为算法有问题，而是因为设置了错误的收敛阈值。或者还有可能是主问题加了一组场景约束后，目标函数值不降反升，那是因为主问题中一阶段变量没有正确固定，导致每次迭代都在重新优化不同的启停方案，来回震荡。

一个实用的调试技巧是：每次迭代后把一阶段决策打印出来，对比相邻两次决策的差异。如果启停方案变化很大，多半是因为主问题没有把已经确定的整数变量锁定，或者是目标函数里缺少启停成本项，导致系统随意切换机组状态。在目标函数里加入足够大的启动成本后，这种情况基本消失。

如果迭代次数确实很多，还可以采用一个工程技巧：初始化时直接把几个典型的极端场景全部加入主问题，比如“光伏低谷 + 负荷高峰”“风电低谷 + 负荷高峰”“光伏低谷 + 风电低谷”。虽然这会稍微放大保守性，但能显著减少迭代次数。

5.3 求解时间过长，实际工程怎么优化

微电网调度场景中，如果要求日内每 15 分钟滚动一次，留给求解器的时间往往只有几十秒。对 24 时段的两阶段鲁棒模型，商业求解器通常能胜任；但如果把时段细分成 96 个，模型规模直接翻倍，求解时间可能从几十秒膨胀到十几分钟。

我的处理顺序是这样的：先把模型完整跑通，确认结果合理；然后逐项评估哪些约束可以松弛，哪些二进制变量可以去掉。比较有效的措施包括：

• 储能充放电状态变量如果能从 96 个二进制减少为 48 个甚至 24 个，求解速度会有明显提升；
• 燃气轮机的分段线性成本函数，如果段数太多，会导致大量连续变量，段数取 2~3 段就能保证精度；
• 考虑预求解器。Gurobi 和 CPLEX 的预求解能力很强，有时候不加任何手动优化，把参数调成mipgap=1e-3、timelimit=120，利润空间就会大很多。

5.4 鲁棒模型“太保守”该如何调整

很多第一次接触鲁棒优化的朋友会提出一个问题：最坏场景太极端了，成本比确定性模型高了 30%，调度员根本不接受。这不是模型的错，是你没有校准不确定集合和预算参数。需要做的工作包括：

• 检查不确定变量的偏差Δ是否取得过大。光伏预测偏差一般按天气类型分，晴天 5%，多云 10%，雨天 15%，不能统一取 15%；
• 检查预算Γ是否设置得过高。如果预算等于不确定变量总数，相当于每个时段都按最大偏差取值，过度保守；
• 考虑引入自适应鲁棒优化，比如三角模糊集合、根据预测时域远近动态调整 Δ，这会更贴近实际预测精度变化的规律。

还有一个小技巧：在目标函数里加入对极端场景不敏感的惩罚权重，适当降低最坏场景在整体目标中的影响。比如用的是可调节鲁棒优化形式，允许二阶段调整变量对每个场景都重新计算，比纯盒式鲁棒要灵活得多。

最后再分享一点个人经验

这个项目我重新复现过几轮，最深刻的体会是：模型本身不难，难的是把理论公式翻译成 MATLAB 代码时别把符号弄错。特别是对偶转换，多一个转置符号就可能导致整体错误，而错误的表现方式往往非常隐蔽——不是报错，而是结果看起来合理但迭代不收敛。

如果你现在刚开始复现这个题目，我的建议非常直接：先写一个不带不确定性的确定性 MILP，确认功率平衡、储能 SOC、机组爬坡这些约束的逻辑都对，把求解结果画出来，看看曲线是否符合直觉。确定性版本能跑通，再逐步引入不确定集合、预算参数，最后再套 CCG 迭代。这个路径看起来慢，实际上是最省时间的。

项目后续如果你想往深了做，可以考虑加需求响应负荷、考虑电池循环寿命的非线性模型、或者把模型扩展到多微电网互联。每次加一个要素，模型复杂度都是成倍增长的，但基本框架和这里讲的完全一致。把这次的经验打牢，后面的大坑都会好走很多。