Python实现微电网两阶段鲁棒优化经济调度方法-代码聚汇网

Python实现微电网两阶段鲁棒优化经济调度方法

小红姐产房故事

1. 微电网两阶段鲁棒优化经济调度方法概述

微电网作为分布式能源系统的重要实现形式，其经济调度问题一直是能源领域的研究热点。传统确定性优化方法在面对可再生能源出力不确定性和负荷波动时，往往表现出较差的鲁棒性。两阶段鲁棒优化方法通过将决策过程分为"预调度"和"实时调整"两个阶段，有效平衡了经济性和鲁棒性之间的矛盾。

我在实际微电网项目中发现，采用Python实现这类算法具有独特优势：一方面可以利用Pyomo、CVXPY等成熟的数学建模工具快速构建优化模型；另一方面能够无缝对接各类开源能源数据分析工具（如Pandas、NumPy），实现从数据处理到优化求解的全流程开发。

2. 核心问题建模与数学基础

2.1 不确定性集合构建

鲁棒优化的核心在于合理描述不确定性。对于微电网场景，我们通常采用多面体集合（Polyhedral Set）来描述光伏出力和负荷波动：

python复制# 光伏出力不确定性建模示例
class PVUncertainty:
    def __init__(self, forecast, deviation):
        self.forecast = forecast  # 预测值
        self.deviation = deviation  # 最大偏差
        self.uncertainty_set = self._build_polyhedral_set()
    
    def _build_polyhedral_set(self):
        # 构建多面体不确定性集合
        return {"type": "polyhedral",
                "constraints": [
                    {"coefficients": [1], "rhs": self.forecast + self.deviation},
                    {"coefficients": [-1], "rhs": -(self.forecast - self.deviation)}
                ]}

2.2 两阶段优化模型架构

典型的两阶段模型结构如下：

第一阶段（预调度）：
- 决策变量：机组启停状态、基准出力计划
- 目标：最小化固定成本+预期运行成本
- 约束：机组物理限制、网络拓扑约束
第二阶段（实时调整）：
- 决策变量：机组出力调整、储能充放电、切负荷量
- 目标：最小化最坏情况下的调整成本
- 约束：功率平衡、爬坡率限制、不确定性集合约束

python复制# 使用Pyomo构建两阶段模型框架
def build_two_stage_model():
    model = ConcreteModel()
    
    # 第一阶段变量
    model.unit_commitment = Var(units, within=Binary)
    model.base_generation = Var(units, within=NonNegativeReals)
    
    # 第二阶段变量（应对不确定性的调整）
    model.generation_adjustment = Var(units, scenarios, within=Reals)
    model.load_shedding = Var(buses, scenarios, within=NonNegativeReals)
    
    # 目标函数
    def objective_rule(model):
        return sum(fixed_cost[u] * model.unit_commitment[u] for u in units) + \
               max_scenario_cost(model)  # 最坏场景成本
    
    model.obj = Objective(rule=objective_rule, sense=minimize)
    
    return model

3. Python实现关键技术点

3.1 求解器接口设计

针对鲁棒优化的双层结构，我们采用列约束生成法（C&CG）进行求解。以下是核心求解流程的实现：

python复制def solve_robust_optimization(model):
    # 初始化主问题和子问题
    master_problem = initialize_master_problem()
    sub_problem = initialize_sub_problem()
    
    # C&CG算法迭代
    for iteration in range(MAX_ITERATIONS):
        # 求解主问题
        master_solution = solve_master(master_problem)
        
        # 固定主问题解，求解最坏场景子问题
        worst_scenario = find_worst_scenario(sub_problem, master_solution)
        
        # 收敛判断
        if check_convergence(master_solution, worst_scenario):
            break
            
        # 添加最优割平面
        add_optimality_cut(master_problem, worst_scenario)
    
    return master_solution

3.2 性能优化技巧

稀疏矩阵处理：

python复制from scipy.sparse import csr_matrix

# 构建稀疏的节点-支路关联矩阵
def build_incidence_matrix(branches, buses):
    row = []
    col = []
    data = []
    for i, branch in enumerate(branches):
        row.extend([i, i])
        col.extend([branch.from_bus, branch.to_bus])
        data.extend([1, -1])
    return csr_matrix((data, (row, col)), shape=(len(branches), len(buses)))

并行场景计算：

python复制from concurrent.futures import ThreadPoolExecutor

def evaluate_scenarios_parallel(scenarios, solution):
    with ThreadPoolExecutor() as executor:
        futures = [executor.submit(evaluate_single_scenario, s, solution) 
                  for s in scenarios]
        return [f.result() for f in futures]

4. 完整实现案例

4.1 系统参数配置

建议采用YAML格式管理微电网参数：

yaml复制# microgrid_config.yaml
generators:
  diesel1:
    p_min: 50   # kW
    p_max: 500
    ramp_up: 100  # kW/h
    ramp_down: 150
    cost_coeff: [0.5, 2, 0.01]  # 成本系数

storage:
  battery1:
    capacity: 1000  # kWh
    charge_max: 200  # kW
    discharge_max: 250
    efficiency: 0.95

4.2 主程序架构

python复制def main():
    # 1. 加载配置和数据
    config = load_config("microgrid_config.yaml")
    pv_forecast = load_pv_forecast()
    load_profile = load_demand()
    
    # 2. 构建不确定性集合
    uncertainty = {
        "pv": PVUncertainty(pv_forecast, deviation=0.2),
        "load": LoadUncertainty(load_profile, deviation=0.15)
    }
    
    # 3. 初始化优化模型
    model = build_two_stage_model(config)
    
    # 4. 求解鲁棒优化问题
    solution = solve_robust_optimization(model)
    
    # 5. 结果分析与可视化
    analyze_results(solution)
    plot_dispatch_schedule(solution)

5. 实际应用中的挑战与解决方案

5.1 计算效率问题

问题现象：

系统规模增大时求解时间呈指数增长
内存消耗随场景数增加快速上升

优化方案：

采用场景缩减技术（前向选择法）：

python复制def scenario_reduction(scenarios, target_num):
    selected = [scenarios[0]]
    while len(selected) < target_num:
        max_dist = -1
        next_scen = None
        for s in scenarios:
            if s in selected:
                continue
            min_dist = min(distance(s, x) for x in selected)
            if min_dist > max_dist:
                max_dist = min_dist
                next_scen = s
        selected.append(next_scen)
    return selected

使用Wasserstein距离构建紧凑不确定性集：

python复制def wasserstein_ambiguity_set(historical_data, radius):
    # 基于历史数据构建分布鲁棒集合
    pass

5.2 模型保守性调节

通过调节鲁棒预算参数Γ控制保守程度：

python复制class RobustnessController:
    def __init__(self, base_gamma=1.0):
        self.base_gamma = base_gamma
        
    def adaptive_gamma(self, forecast_accuracy):
        """根据预测精度动态调整鲁棒性水平"""
        return self.base_gamma * (1 - forecast_accuracy)

6. 工程实践建议

数据预处理要点：
- 对光伏出力数据应用移动平均滤波消除异常值
- 负荷数据需按工作日/周末分类处理
- 采用Min-Max标准化使不同量纲的参数可比
代码组织规范：

code复制/microgrid_robust_opt
│── /core
│   ├── optimization_model.py  # 模型定义
│   ├── solver_interface.py    # 求解器接口
│── /data
│   ├── load_forecast.csv
│   ├── pv_generation.csv
│── /utils
│   ├── data_processor.py
│   ├── visualization.py
│── config.yaml                # 参数配置
│── main.py                    # 主程序入口

调试技巧：

先在小规模确定性问题上验证模型正确性
使用assert语句验证约束条件
保存中间结果用于问题诊断：

python复制def save_debug_info(iteration, model):
    with open(f"debug_iter_{iteration}.pkl", "wb") as f:
        pickle.dump({
            "variables": extract_variables(model),
            "constraints": extract_constraints(model),
            "objective": model.obj()
        }, f)

7. 扩展应用方向

与机器学习结合：

python复制class ForecastEnhancedRO:
    def __init__(self, forecast_model):
        self.forecast_model = forecast_model  # 预训练的LSTM等预测模型
        
    def update_uncertainty_set(self, current_conditions):
        # 使用预测模型动态更新不确定性范围
        predicted, uncertainty = self.forecast_model.predict(current_conditions)
        self.uncertainty_set = build_adaptive_set(predicted, uncertainty)

多时间尺度扩展：
- 将两阶段模型扩展为三阶段：
  1. 日前计划（24小时前）
  2. 日内滚动（4小时前）
  3. 实时调整（15分钟前）

分布式计算架构：

python复制# 使用Dask进行分布式计算
import dask.distributed as dd

def distributed_scenario_evaluation(scenarios):
    client = dd.Client()
    futures = client.map(evaluate_scenario, scenarios)
    return client.gather(futures)

在实现过程中，我发现以下几个参数对结果影响显著，需要特别注意：

鲁棒预算参数Γ的选取（建议通过历史数据回溯测试确定）
不确定性集合的几何形状（多面体/椭球/区间）
成本系数的量纲一致性（需统一为$/kWh或￥/kWh）

对于希望快速上手的开发者，建议先从修改开源的IEEE 33节点测试案例开始，逐步增加复杂功能。实际部署时，需要考虑将Python核心算法封装为微服务，通过REST API与SCADA系统集成。