微电网两阶段鲁棒优化：Matlab实现与工程实践

1. 微电网经济调度与鲁棒优化的核心挑战

微电网作为分布式能源系统的重要形态，其经济调度问题一直是能源管理领域的核心课题。传统确定性优化方法在面对可再生能源出力波动、负荷需求不确定性时往往表现不佳，这正是两阶段鲁棒优化方法的价值所在。

我曾在多个微电网项目中亲历过这样的场景：光伏发电预测与实际出力相差30%时，基于确定性优化的调度方案会导致柴油发电机频繁启停，不仅增加运维成本，甚至引发设备保护动作。而鲁棒优化方法通过构建不确定性集合，能够在最恶劣场景下仍保证系统可行，这种"免疫性"正是工程实践中最看重的特性。

2. 两阶段鲁棒优化的数学本质

2.1 基本问题框架

两阶段鲁棒优化的核心在于将决策变量分为两类：

• 第一阶段（here-and-now）：在不确定性揭示前必须确定的决策
• 第二阶段（wait-and-see）：观察到不确定性实现后的适应性决策

对于微电网调度而言：

% 典型决策变量划分示例 first_stage_vars = [PG_diesel, ESS_setpoint]; % 柴油机计划出力、储能设定点 second_stage_vars = [PG_pv_curtailment, load_shedding]; % 光伏弃光量、负荷削减量

2.2 不确定性建模技巧

在实际项目中，我推荐采用多面体不确定性集合（Polyhedral Uncertainty Set）而非简单的区间描述。例如光伏出力预测误差δ可表示为：

|δ1| + |δ2| + ... + |δT| ≤ Γ

其中Γ为预算参数，控制保守程度。通过调整Γ，可以在经济性和鲁棒性间取得平衡——这个技巧在工业项目中非常实用。

3. Matlab实现关键技术点

3.1 求解器选择对比

根据实测经验，不同求解器表现差异显著：

提示：对于教学演示，建议使用CVX；实际工程推荐CPLEX+Gurobi组合

3.2 代码结构设计

一个健壮的实现应包含以下模块：

function [optimal_cost, solution] = microgrid_robust_optimization() % 1. 参数初始化 [load_profile, pv_capacity, diesel_params] = load_system_parameters(); % 2. 不确定性集合定义 uncertainty_set = define_uncertainty_set('type', 'polyhedral', 'budget', 3); % 3. 主问题与子问题构建 [master_problem, subproblem] = build_optimization_models(uncertainty_set); % 4. 列约束生成算法(C&CG)实现 [optimal_cost, solution] = solve_by_ccg(master_problem, subproblem); end

4. 工程实践中的关键改进

4.1 动态预算参数调整

传统固定Γ的方法可能导致过度保守，我们改进为：

function Gamma = dynamic_budget(time) % 根据预测精度动态调整 if time >= 18 || time <= 6 % 夜间时段 Gamma = 2.5; % 预测误差大，保守些 else Gamma = 1.8; % 白天预测较准 end end

4.2 储能系统的鲁棒充放电策略

通过引入辅助变量处理储能SOC的时序耦合：

% 储能约束的鲁棒化处理 for t = 1:T-1 constraints = [constraints, soc(t+1) == soc(t) + eta_ch*p_ch(t) - p_dis(t)/eta_dis]; % 鲁棒版本 constraints = [constraints, soc(t+1) >= soc_min + max_uncertainty(t), soc(t+1) <= soc_max - max_uncertainty(t)]; end

5. 典型问题排查指南

5.1 求解不收敛问题

常见原因及解决方案：

1. 对偶间隙过大：

   • 检查不确定性集合是否过于宽松
   • 尝试添加有效不等式（如McCormick Envelope）

2. 数值不稳定：

   % 在YALMIP中设置 ops = sdpsettings('solver','cplex','cplex.emphasis.numerical',1);

3. 内存不足：

   • 采用场景削减技术
   • 启用稀疏矩阵存储

5.2 结果验证方法

建议采用蒙特卡洛仿真验证：

N_samples = 1000; violation_count = 0; for i = 1:N_samples % 生成随机场景 scenario = generate_scenario(uncertainty_set); % 检查约束满足情况 if ~check_feasibility(solution, scenario) violation_count = violation_count + 1; end end fprintf('约束违反概率: %.2f%%\n', 100*violation_count/N_samples);

6. 性能优化实战技巧

6.1 并行计算加速

利用Matlab并行计算工具箱加速最恶劣场景搜索：

parfor (i = 1:N_scenarios, num_workers) [worst_case(i), scenario(i)] = find_worst_case(subproblem, i); end

6.2 热启动策略

保存中间结果实现快速重启：

if exist('previous_solution.mat', 'file') load('previous_solution.mat'); options.warmstart = true; options.init_solution = previous_solution; end

7. 扩展应用方向

7.1 与MPC结合

将鲁棒优化作为MPC的上层框架：

while ~simulation_end [opt_plan, uncertainty_set] = robust_optimization(current_state); apply_first_step(opt_plan); update_uncertainty_set(measurements); shift_time_horizon(); end

7.2 多微电网协同

通过分布式算法实现微电网群优化：

function [global_opt] = distributed_robust_optimization(microgrids) % ADMM框架实现 while ~converged % 本地问题求解 parfor mg = 1:length(microgrids) local_solutions{mg} = solve_local(microgrids(mg), global_vars); end % 全局变量更新 global_vars = update_consensus(local_solutions); end end

在实际项目中，我发现将光伏预测误差分布划分为"基值+波动项"能显著提升模型精度。具体实现时，建议用历史数据训练误差分布的copula函数，这比简单假设正态分布更符合实际情况。另外，储能系统的寿命模型一定要纳入优化目标，忽略这点会导致看似经济实则损耗严重的调度方案——这是新手常犯的错误。