微电网两阶段鲁棒优化容量配置：应对风光负荷不确定性

考虑风光负荷的不确定性，构建了微电网两阶段鲁棒优化容量配置模型，第一阶段目标函数为微电网投资成本，第二阶段目标函数为微电网的运行成本。 采用CCG算法求解。 包含非线性项的线性化处理。 程序代码matlab+yamilp+CPLEX

在微电网的规划与运行中，风光负荷的不确定性一直是个棘手的问题。不过，通过构建两阶段鲁棒优化容量配置模型，我们能较好地应对这一挑战。

两阶段鲁棒优化容量配置模型

第一阶段：投资成本目标函数

第一阶段的核心在于把控微电网的投资成本。这就好比我们要盖一栋房子，前期得规划好买多少材料、请多少工人，这都是实实在在的投入。在微电网中，投资成本涉及到诸如分布式电源（如风力发电机、太阳能光伏板）的购置成本、储能设备的采购成本以及相关线路铺设等基础设施成本。用数学式子来表示投资成本目标函数的话，假设$xi$表示第$i$种设备的安装容量，$C{inv,i}$表示第$i$种设备单位容量的投资成本，那么投资成本$C_{inv}$可以写成：

\[ C{inv} = \sum{i} C{inv,i} \cdot xi \]

在Matlab代码里，我们可以这样初步定义相关变量：

% 假设我们有三种设备，分别为风力发电机、光伏板、储能 num_devices = 3; C_inv = [C_wind, C_pv, C_storage]; % 每种设备单位容量投资成本 x = sdpvar(num_devices, 1, 'full'); % 每种设备的安装容量

这里使用了YALMIP工具来定义变量，sdpvar用于声明决策变量，方便后续构建优化模型。

第二阶段：运行成本目标函数

第二阶段聚焦于微电网的运行成本。房子盖好了，后续的水电费、维护费等就成了重点。对于微电网，运行成本涵盖了发电成本（如天然气发电成本）、与大电网交互的购售电成本以及储能系统的充放电成本等。假设$p{g,j}$是第$j$时段的发电量，$C{g,j}$是第$j$时段单位发电量成本，$p{buy,k}$是第$k$时段从大电网购电量，$C{buy,k}$是第$k$时段单位购电成本，$p{sell,l}$是第$l$时段向大电网售电量，$C{sell,l}$是第$l$时段单位售电价格，运行成本$C_{op}$可表示为：

\[ C{op} = \sum{j} C{g,j} \cdot p{g,j} + \sum{k} C{buy,k} \cdot p{buy,k} - \sum{l} C{sell,l} \cdot p{sell,l} \]

在Matlab代码中，我们可以进一步构建这个目标函数：

% 假设时段数为T T = 24; C_g = rand(T, 1); % 随机生成各时段发电成本 C_buy = rand(T, 1); % 随机生成各时段购电成本 C_sell = rand(T, 1); % 随机生成各时段售电价格 p_g = sdpvar(T, 1, 'full'); p_buy = sdpvar(T, 1, 'full'); p_sell = sdpvar(T, 1, 'full'); C_op = sum(C_g.* p_g) + sum(C_buy.* p_buy) - sum(C_sell.* p_sell);

这里随机生成了成本和价格数据，实际应用中需要根据具体情况获取准确数据。

非线性项的线性化处理

实际模型中，往往存在一些非线性项，比如储能系统的充放电功率与电量的关系等。以储能系统的充放电功率与电量关系为例，假设$Et$是$t$时刻储能的电量，$P{ch,t}$是$t$时刻的充电功率，$P{dis,t}$是$t$时刻的放电功率，$\eta{ch}$是充电效率，$\eta_{dis}$是放电效率，那么有：

\[ Et = E{t - 1} + \eta{ch} \cdot P{ch,t} - \frac{P{dis,t}}{\eta{dis}} \]

考虑风光负荷的不确定性，构建了微电网两阶段鲁棒优化容量配置模型，第一阶段目标函数为微电网投资成本，第二阶段目标函数为微电网的运行成本。 采用CCG算法求解。 包含非线性项的线性化处理。 程序代码matlab+yamilp+CPLEX

这是一个非线性关系，我们可以通过引入一些辅助变量和约束条件将其线性化。比如，定义$u{ch,t}$和$u{dis,t}$为0 - 1变量，表示$t$时刻储能是处于充电还是放电状态。那么可以得到以下线性化约束：

\[ Et = E{t - 1} + \eta{ch} \cdot P{ch,t} \cdot u{ch,t} - \frac{P{dis,t}}{\eta{dis}} \cdot u{dis,t} \]

\[ P{ch,t} \leq u{ch,t} \cdot P_{ch,max} \]

\[ P{dis,t} \leq u{dis,t} \cdot P_{dis,max} \]

在Matlab代码中，我们这样处理：

% 假设储能最大充电、放电功率 P_ch_max = 10; P_dis_max = 10; u_ch = binvar(T, 1); % 充电状态0 - 1变量 u_dis = binvar(T, 1); % 放电状态0 - 1变量 E = sdpvar(T, 1, 'full'); % 各时刻储能电量 % 添加线性化约束 Constraints = [E(1) == E0]; % E0为初始电量 for t = 2:T Constraints = [Constraints, E(t) == E(t - 1) + eta_ch * P_ch(t) * u_ch(t) - P_dis(t) / eta_dis * u_dis(t)]; Constraints = [Constraints, P_ch(t) <= u_ch(t) * P_ch_max]; Constraints = [Constraints, P_dis(t) <= u_dis(t) * P_dis_max]; end

这里binvar是YALMIP中定义0 - 1变量的函数，通过构建一系列约束，实现了非线性项的线性化。

CCG算法求解

CCG（Column - and - Constraint Generation）算法是求解这类两阶段鲁棒优化问题的有效方法。它的核心思路是通过迭代不断生成新的列（决策变量）和约束条件，逐步逼近最优解。在Matlab中结合YALMIP和CPLEX求解器，实现CCG算法的大致框架如下：

% 初始化 iter = 0; epsilon = 1e - 3; % 收敛精度 gap = Inf; while gap > epsilon iter = iter + 1; % 主问题求解 Problem = optimize(Constraints, C_inv + C_op, sdpsettings('solver', 'cplex')); x_sol = value(x); % 子问题求解 % 根据主问题解生成子问题并求解，这里省略具体子问题构建代码 sub_problem_sol =...; % 更新约束 new_constraint =...; % 根据子问题解生成新约束 Constraints = [Constraints, new_constraint]; % 计算间隙 new_op_cost = value(C_op); new_inv_cost = value(C_inv); new_total_cost = new_inv_cost + new_op_cost; old_total_cost =...; % 上一轮总费用 gap = abs(new_total_cost - old_total_cost) / new_total_cost; end

在每一次迭代中，先求解主问题得到一个临时解，然后基于这个解构建并求解子问题，根据子问题的结果生成新的约束添加到主问题中，不断重复这个过程，直到满足收敛精度。

通过以上的模型构建、非线性处理以及求解算法，我们能够有效地应对微电网中风光负荷的不确定性，实现更合理的容量配置和运行优化。这对于提升微电网的可靠性、经济性都具有重要意义。