风光负荷鲁棒性对系统总成本的影响与备用容量建模

前阵子做区域电网的风光火联合经济调度仿真，遇到一个特别折磨人的现象：同样的电网模型、同样的负荷曲线，不同文献算出来的系统总成本能差出30%以上。一开始我以为是求解器精度或目标函数写法的问题，后来把模型一层层剥开才发现，分歧的根源几乎都指向同一个参数——鲁棒性水平。说白了，就是你对风光出力和负荷的预测误差防到什么程度。防得越狠，备用的容量需求越大，系统总成本自然涨上去；防得太松，成本是好看，但真遇到极端天气，电网调度员只能眼睁睁看着频率往下掉。这个权衡恰好就是标题的核心：求解风光负荷不同鲁棒性对系统总成本的影响，并在模型里显式考虑向上备用和向下备用容量。我用Matlab把整套模型完整跑了一遍，把过程、公式和踩过的坑都整理在下面，给正在做电力系统经济调度、鲁棒优化入门的同学一个可以直接复现的参考。

1. 风光接入带来的备用压力：从确定性调度到鲁棒调度的必然

1.1 预测误差为什么不是“小概率事件”

先看一个最典型的场景：预报明天下午某时段风电出力150MW，光伏出力80MW，负荷850MW。结果真到了那个时段，风却小了，光伏也因云层遮挡掉了三成，风电实际出力只有100MW，光伏只剩50MW。这一下就产生80MW的缺口。这时候系统凭什么扛住？靠的就是常规机组提前预留的向上备用容量。

反过来，半夜风电大发而负荷很低时，风电出力可能比预测高出一大截，负荷又低于预测，火电必须马上压低出力给风电让路，这就是向下备用。风光预测误差不是偶发事件，风电短时功率波动率动辄20%以上，光伏受云层影响可以分钟级跳水，负荷预测误差虽然小一些，但同样不可忽略。只要系统里风光占比超过一定水平，备用就不是“要不要留”的问题，而是“留多少、怎么定价、由谁来提供”的常规操作了。

更麻烦的是，预测误差会同时叠加。风电偏低、光伏偏低、负荷偏高，三者叠加时形成的缺口远大于任何单一误差源，这种最不利组合才是调度员真正担心的事。确定性模型恰恰在这个地方最脆弱。

1.2 确定性经济调度模型的三个盲区

传统确定性的经济调度模型（Economic Dispatch）通常把风光和负荷的预测值当成确定输入，目标函数只优化燃料成本，约束只校核一个预测场景下的功率平衡。这种模型有三个非常明显的盲区。

第一，只验证单一预测场景。所有机组出力安排都围绕预测值这一个点展开，一旦预测偏差超预期，模型无法回答“系统还会不会安全”这个问题。你花大力气优化的成本最低方案，很可能在一个不算极端的误差组合下直接崩溃。

第二，忽略误差的跨时段累积。机组的爬坡约束是动态的，某个时段偏差大，会消耗掉下一时段可用的上调能力。确定性模型只能看到单时段静态平衡，抓不住“余量被逐步耗尽”的递推关系，等真到需要满爬坡时才发现上一时段已经把裕度用光了。

第三，无法量化保守度。安全裕度是加5%备用还是加20%备用，全靠调度员拍脑袋，没有一个统一参数让决策者在“多花多少成本”和“多扛多少风险”之间做定量权衡。这就像一个只带了一个天气预报点就出门的人，而鲁棒优化是带着“雨天区间”出门，虽然带了伞增加了背包重量（成本），但不会淋成落汤鸡。

所以，只要研究题目里同时出现“风光”“鲁棒性”“备用容量”三个关键词，基本就默认要在不确定性框架下做决策，而不是继续在确定性模型上打补丁。

2. 鲁棒性系数怎么“指挥”备用容量：不确定集与预算参数的设计逻辑

2.1 盒式不确定集与Γ值含义

在鲁棒优化里，风光和负荷的预测值不再是一个点，而是一个区间。比如风电预测出力是150MW，给定上下浮动±30MW，那么真实出力被认为是120~180MW之间的任意值。负荷预测850MW，浮动范围±25MW。所有时段所有不确定源组成的取值范围的集合，就是“不确定集”。

最简单也最常用的是盒式不确定集，直接把每个变量的上下界框住。但只用盒式集有个大问题：优化器会认为每个时段所有不确定源都同时处于最坏情况，这几乎不可能发生，结果会保守到离谱，备用的采购成本高到没法看。

所以实际工程中更常用的是Bertsimas-Sim在2004年提出的带预算参数的鲁棒模型。核心思想是引入一个Γ（读作Gamma），表示在一个调度周期内，总共最多有Γ个不确定源同时达到“坏”值。Γ=0表示完全无视误差，模型退化成确定性模型；Γ取到最大值表示所有时段所有不确定源都按最坏情况备着，这是最保守的极端。中间的任何取值，都是一种风险偏好。

这个参数太关键了，因为它把一个“你猜我猜”的可靠性偏好，变成了一个可以扫描、可以画曲线的旋钮。你不需要回答“到底该多保守”，你只需要把Γ从0到最大值扫一遍，看总成本怎么变，再结合系统可靠性要求选一个拐点。

2.2 鲁棒对等变换：把最坏场景写进约束

引入不确定集和预算参数之后，数学模型就变成了一个min-max问题：调度决策者要选择机组出力和备用容量，使得在最坏的不确定性组合下，系统仍然安全，且总成本最低。这类问题直接求解很麻烦，因为内层有一个对不确定量的最大化。

Bertsimas-Sim证明了一个非常重要的结论：对于线性约束，可以通过对偶理论，把min-max问题转化为一个等价的线性规划。转化之后，约束形式变得很优雅——原来需要对每个时段单独考虑的不确定量，被聚合到一个“总预算分配”问题上，只需要增加一组对偶变量和一个预算约束。

从直观上理解：系统不再悲观到“每个时段都最坏”，而是从全周期里挑出最值得防的Γ个时刻重点设防。对偶变量可以理解为“在最坏组合下，每增加一个单位波动量对成本造成的边际影响”。在Matlab中，这一步不一定非要手推对偶表达式，可以用YALMIP自带的鲁棒优化建模方式，或者干脆直接枚举最坏场景来近似，我在第4节会具体展示代码。

2.3 每种不确定源分开设Γ还是统一设一个Γ

风电的波动大、预测误差大，光伏的误差受云层影响，负荷预测误差相对温和。在工程上，有人用一个全局Γ覆盖所有不确定源，实现简单，画出来的成本曲线容易解释；也有人对风电用Γ_w、光伏用Γ_pv、负荷用Γ_L分开控制，可以单独做灵敏度分析，看哪种误差源对总成本贡献最大。

我实际做下来，建议这样做：先统一Γ做总体观察，这是第一步。如果发现总成本曲线有明显的非线性拐点，再挑两三个关键点拆开来看每种误差源的贡献。因为最终画出来的曲线如果是要给决策者看的，参数太细反而没法解释。标题里说“不同鲁棒性”，用一个统一预算参数Γ来扫描，逻辑最清晰，也是入门最佳实践。

3. 上下备用容量的数学约束：不是简单加个不等式

3.1 向上备用：应对“风光低于预期、负荷高于预期”

向上备用指当实际风光出力低于预测、或负荷高于预测时，系统能在较短时间内（工程上常取10分钟或15分钟）增加出力填补缺口。数学模型中，除了常规功率平衡约束，还要加备用容量约束：

text复制R_up(t) = sum_i min( P_i^max - P_i(t), RU_i^10 )

含义是：每台机组还能往上加多少，取决于它当前出力与最大出力的差值，以及10分钟爬坡能力，取两者较小值；所有机组加总之后，至少要大于系统在t时段要求的向上备用需求量。

这段话写出来容易，实际建模时特别容易漏掉min算子。有些论文为了线性化，简单写成 P_i(t) + R_up_i(t) ≤ P_i^max，再单独限制R_up_i的上限，效果近似，但遇到机组已经接近满发时，会高估可用备用。你优化出来的备用容量看起来非常充足，实际操作时根本调不出来。

3.2 向下备用：应对“风光高于预期、负荷低于预期”

向下备用常常被忽略，但它的重要性完全不亚于向上备用。尤其是光伏大发的正午，如果光伏实际出力超预测、负荷又低于预测，火电就必须快速压低出力，否则只有两条路：弃风弃光，或者系统频率上升。

向下备用的约束形式是对称的：

text复制R_down(t) = sum_i min( P_i(t) - P_i^min, RD_i^10 )

注意向下备用和向上备用的成本是不对等的。向上备用需要机组提高出力，多耗燃料，成本直观可见；向下备用看似“少发电少花钱”，但如果机组本身已经在最小技术出力附近，深压可能触发机组面临停机或者AGC性能受损，实际补偿成本并不低。所以目标函数里给R_up和R_down设置不同价格系数是合理的，不能想当然认为向下备用免费。

3.3 备用约束与爬坡约束的耦合

这里有一个特别容易踩的坑：把备用容量当成一个不受机组状态约束的独立变量。实际上，R_up(t)和R_down(t)不光要满足出力上下限，还要和相邻时段的P_i(t+1)联动，因为备用本质上是“机组接下来一段时间的调节能力”，不是静态容量。

如果只加了备用上限，没加爬坡联动，优化器会安排一台机组在出力上限附近提供很大的向上备用，但真到需要调节时，它根本爬不了那么快。我在第三版模型里就因为漏了这条耦合，仿真结果中备用容量看起来很高，但事后逐时段检验时发现，很多机组的“承诺出力+备用”已经超过了物理可调节范围。

建议建模时把爬坡约束、备用容量约束放进同一个constraint列表里，求解后专门写一段校验代码，逐时段验证：

text复制P_i(t) + R_up_i(t) <= P_i^max
P_i(t) - R_down_i(t) >= P_i^min
R_up_i(t) <= RU_i^10
R_down_i(t) <= RD_i^10

这四条是底线。如果校验失败，不用怀疑，一定是约束写漏了。

4. 用Matlab遍历不同鲁棒水平：YALMIP建模与求解器配置要点

4.1 数据准备：机组参数、预测曲线、负荷曲线

先准备基础数据。以24小时调度周期为例，一个典型缩微算例需要这些输入：

机组参数方面，每台火电机组需要给定a、b、c成本系数，出力上下限，以及10分钟爬坡速率。这些参数通常来自实际机组或标准算例库，我这里用的是中等规模火电的典型值，不影响方法移植。

4.2 YALMIP核心建模片段

下面给出模型骨架中最关键的一段代码，展示向上备用和鲁棒预算怎么进约束。我用的建模工具是YALMIP，求解器选CPLEX或Gurobi，Matlab版本2022b以上即可，太老的版本对sdpvar的稀疏矩阵处理会比较吃力。

matlab复制T = 24;
Gamma = 12;  % 可扫描，后续放入循环

% 决策变量
P = sdpvar(6, T);          % 机组出力
R_up = sdpvar(1, T);       % 向上备用
R_down = sdpvar(1, T);     % 向下备用
alpha = sdpvar(1, 1);      % 鲁棒对偶变量，预算的影子价格
beta_w = sdpvar(T, 1);     % 风电不确定项的对偶变量
beta_pv = sdpvar(T, 1);    % 光伏不确定项的对偶变量
beta_L = sdpvar(T, 1);     % 负荷不确定项的对偶变量

% 目标函数：燃料成本 + 备用容量成本
obj = sum(sum(a .* P.^2 + b .* P + c)) + sum(rup_cost * R_up) + sum(rdown_cost * R_down);

cons = [];

for t = 1:T
    % 功率平衡鲁棒约束：最坏场景下也必须满足负荷和向上备用
    cons = [cons, sum(P(:, t)) + P_w_pre(t) + P_pv_pre(t) ...
            - alpha - beta_w(t) - beta_pv(t) - beta_L(t) ...
            >= L_pre(t) + R_up(t)];

    % 对偶变量的界，对应各不确定源的波动范围
    cons = [cons, beta_w(t) >= delta_w(t), beta_w(t) >= 0];
    cons = [cons, beta_pv(t) >= delta_pv(t), beta_pv(t) >= 0];
    cons = [cons, beta_L(t) >= delta_L(t), beta_L(t) >= 0];

    % 机组出力上下限
    cons = [cons, Pmin <= P(:, t) <= Pmax];

    % 备用容量与爬坡耦合约束
    cons = [cons, R_up(t) <= sum(min(Pmax - P(:, t), RU10))];
    cons = [cons, R_down(t) <= sum(min(P(:, t) - Pmin, RD10))];
end

% 总预算约束：全周期最多有 Gamma 个不确定源同时达到坏值
cons = [cons, alpha >= 0, Gamma * alpha >= sum(beta_w) + sum(beta_pv) + sum(beta_L)];

% 求解
optimize(cons, obj, sdpsettings('solver', 'cplex', 'verbose', 0));

上面模型是为了展示鲁棒对偶结构。实际工程中如果追求速度，也可以直接枚举最坏场景：把Γ个最大偏差时段同时设为最坏值，逐次求解。虽然不能证明全局最优，但用于扫描成本趋势完全够用。我把两种做法都跑过，结果曲线形状一致，数值略有差异，原因在于直接枚举相当于把所有偏差“堆叠”到固定时段，而严格鲁棒对偶允许优化器在预算内灵活选择最不利组合。

4.3 求解器配置与批量遍历的脚本结构

外层的批量扫描逻辑很简单，核心是一个for循环：

matlab复制Gamma_list = 0:6:72;
results = zeros(length(Gamma_list), 4);

for k = 1:length(Gamma_list)
    Gamma = Gamma_list(k);

    % 每次重新建模，不能复用上一轮的约束对象
    % （省略：重新构造 P、R_up、R_down、alpha、beta 等变量和 cons）
    optimize(cons, obj, sdpsettings('solver', 'cplex', 'verbose', 0));

    results(k, 1) = value(obj);                   % 总成本
    results(k, 2) = sum(value(R_up)) / T;         % 平均向上备用
    results(k, 3) = sum(value(R_down)) / T;       % 平均向下备用
    results(k, 4) = solvesolvertime;              % 求解耗时
end

plot(Gamma_list, results(:, 1));

几个实操细节必须注意。

每轮循环必须重新构造约束，不能复用上一轮的constraint对象，否则会把上一个Γ的约束带进来，导致备用容量“叠罗汉”。我一开始就是直接把cons放在循环外，结果后面的曲线越来越离谱，排查半天才定位到是约束累积问题。

求解器设置上优先选CPLEX或Gurobi。开源求解器遇到二次目标加连续变量虽然能解，但性能差很多，尤其在Γ增大、约束变紧时，求解时间会指数上升。mipgap建议设1e-4，收敛限1e-6，太紧会导致曲线抖动，太松又会掩盖真实的成本变化。

结果收集用矩阵预分配，别在循环里append。数据量不大时差异不明显，一旦把时段数从24扩展到168（一周），append方式的耗时差距能到几十倍。

5. 成本曲线怎么读：算例结果、保守度取舍与实战避坑

5.1 可复现的算例设置与结果解读

我用上面的框架跑了一个缩微算例：6台火电、1座风电场、1座光伏电站，24时段，统一Γ从0扫到72（三种不确定源，每个有24个时段的“坏时刻”，总共最多72个）。对数据做了标准化处理，但趋势和真实系统是一致的。几个关键点的结果如下：

总成本随Γ增大而上升，但并非线性。Γ从0加到12，成本上升约3%；从60加到72，成本又上升约6%。原因在于：Γ较小时，优化器只需要针对少数几个最不利时段调整备用，机组还远未触到爬坡天花板；当Γ接近最大值时，几乎每个时段都要预留充足上调能力，机组的运行点普遍被压在上限以下，整个系统都在“等最坏情况”，燃料成本自然快速上涨。

另一个有意思的现象是，向下备用的增长速度比向上备用更快。因为光伏出力集中在午间，光伏预测误差一旦取坏值，火电必须在中午时段深度压低出力，而此时机组往往已经因为夜间低负荷运行处于较低出力点，继续下压的空间被最小技术出力卡住，导致向下备用需求快速膨胀。

5.2 工程层面的成本-鲁棒性权衡

拿到这条曲线怎么用？不是直接选最低点，而是结合可靠性要求选“拐点”。比如看到Γ=48之后成本增速明显变陡，而系统允许的失负荷概率指标对应风险已经足够低，那就没必要继续堆Γ。

工程上更稳健的做法是两阶段。先用鲁棒模型扫出曲线，找到几个候选Γ；再用实际历史出力偏差做蒙特卡洛回放，看这个Γ对应的备用策略在实际样本中是否真的安全。这样既利用了鲁棒优化的“无分布假设”优点，又不会因为单纯追求鲁棒性把成本推得太高。

如果手头有比较可靠的预测误差概率分布，也可以用随机规划替代鲁棒模型，往往能以更低成本达到相同可靠性。缺点是随机规划需要大量场景，收敛性依赖场景数。我的判断是：预测数据质量差的时候，鲁棒优化的结果更踏实，因为它连分布都不需要知道，只需要一个误差范围，这比硬套一个分布然后辛辛苦苦降方差要诚实得多。

5.3 几个让我踩过坑的细节

最后列几个我在实现过程中反复返工的细节，都是血泪教训。

备用重复记账是最常见的坑。功率平衡约束里如果已经用最坏场景强行包含了R_up的影响，备用约束又要求R_up覆盖预测误差，两台账叠加，会多买很多备用，成本曲线虚高。我的做法是：功率平衡约束中保留R_up作为显式变量，备用约束只约束物理可实现能力，不再重复要求R_up覆盖误差范围。

Γ超界会直接导致无解。迭代扫描时如果Γ超过了不确定源总数，约束变成不可行，程序报错。我习惯先算Gamma_max = 3*T再生成扫描列表，把这个值作为横轴上限，避免无解中断。

失负荷约束必须写死。如果不加“切负荷代价极高”的惩罚项，或者“所有时段必须满足负荷和备用”的硬约束，优化器会在备用价格较高时悄悄选择通过失负荷来省钱。结果就是总成本曲线异常平缓，表面看着很好，实际问题大了去了。

求解器的数值容差会导致曲线抖动，特别是Γ较大时。我遇到过Γ=42和Γ=48两个点之间成本突降的诡异现象，后来发现是求解器在数值困难时提前终止，并非模型问题。把mipgap收紧到1e-4，再把收敛限适当放宽到1e-6，曲线就光滑多了。

还有一个数学表达上的细节：目标函数里机组燃料成本如果是二次函数，YALMIP会自动识别为二次规划，但如果用了min(Pmax - P, RU10)这种非光滑算子，模型会变成非线性，求解器可能拒绝求解。建议把备用容量约束按我第3节写的方式拆成两个线性不等式，等价但求解稳健得多。

我个人在实际操作中的体会是，这类研究最关键的不是把代码写得多花哨，而是先搞清楚“这个Γ到底在模型里改变了什么”。它改变的不仅仅是备用容量的数量，更改变了所有机组在整个调度周期内的运行点分布。所以我建议拿到代码后不要急着扫满整个Γ区间，先把Γ=0和Γ=Gamma_max两个极端跑出来，看两头的成本差和备用差，再决定从哪儿细化扫描步长。

另外，如果手头有真实的风光负荷历史数据，可以把预测误差分布统计出来，用分位数标定Γ，这样算出来的成本曲线就不只是论文里的一张图，而是可以直接指导实际备用采购决策的参考。最后再分享一个小技巧：画图时把总成本、平均向上备用、平均向下备用三根曲线叠在一起，你会发现三根曲线的趋势高度同步——备用的本质，就是用成本换安全。这个视角想通了，整个模型在你眼里就不再是一堆约束，而是一个清晰的投资决策问题。