周毛做微网调度优化，最让人头疼的不是建模本身，而是“不确定性”。光伏出力随着云层飘过就能掉一大截，风电更是时大时小，负荷预测也不可能做到百分之百准确。这些不确定性直接冲击的，是“优化调度”四个字的含金量——你辛辛苦苦算出来的机组出力计划，往往在第二天一早的功率波动面前变得一文不值。
我之前在做微网能量管理系统时，最开始用的是确定性优化，后来发现调度方案在真实运行中经常需要大幅修正，甚至出现切负荷。于是转向鲁棒优化，最终落地方案是“两阶段鲁棒微网优化调度”，其中用来加速求解的“关键场景辨别算法”起了大作用。这篇文章把整套思路、模型构造、Matlab实现细节和调试心得完整捋一遍，适合正在做微网优化、新能源并网调度研究的研究生，也适合需要把鲁棒调度落地到代码里的工程师。
1. 核心模型结构与两阶段鲁棒优化框架
1.1 为什么微网调度必须上“两阶段”
先想清楚一件事：调度决策里，并不是所有动作都发生在同一个时间尺度上。
有些决策需要提前定下来，比如燃气轮机的启停状态、是否从主网购电的合同量。这些决策一旦定下来，在当天是不能随便变的，属于“看到不确定量之前就做好的承诺”。而另一些决策，比如储能充放电功率、灵活负荷的调节、紧急情况下的切负荷量，是可以在不确定性暴露之后根据实际光伏出力、实际负荷水平再调整的。两阶段鲁棒优化的核心，就是把这两类决策拆开：第一阶段做“事前决策”，第二阶段做“事后调整”。
这种结构与微网实际运行逻辑完全吻合。举个例子：第一天下午要做第二天的日前调度计划，光伏出力预测值只是一个区间，比如100MW到140MW之间。第一阶段先决定燃气轮机开几台、主网购电上限是多少；第二天早上光伏实际出力出来了，再根据真实情况调整储能充电策略、决定要不要弃一部分光。这就是典型的两阶段决策结构。
单阶段鲁棒优化不是不能做，但它把所有决策都压在“最恶劣场景”上，结果就是悲观到极点：可能为了应对一个发生概率极低的极端场景，让整个系统全天都在高成本运行。两阶段的好处在于，只有“必须提前定”的决策才对最恶劣场景负责，而“可以事后调”的决策只需要保证在最恶劣场景下有可行解即可，整体经济性会好很多。用生活类比来说，这就像出差前只订好机票和酒店这类“不可轻易改”的大项，到了当地再根据天气决定是去爬山还是逛博物馆，而不是提前把所有行程精确到小时。
1.2 不确定性集合怎么建
鲁棒优化里，不确定性通常不是用概率分布描述的，而是用一个“集合”来框定。微网里最主要的不确定性来源就是光伏出力、风电出力和负荷水平。
最常用的构造方式是盒式集合加预算约束。以光伏为例，预测出力是P_pv，实际可能的波动范围是[P_pv - ΔP, P_pv + ΔP]，ΔP一般取预测值的15%~25%。同理，风电和负荷也各自有一个波动区间。但如果三个不确定性源都同时取最极端值，在很多情况下过于保守，所以引入预算参数Γ，用来限制“一个时间段内最多有几个不确定性同时取极端值”，或者“所有不确定源偏离预测值的总幅度上限”。
Γ这个参数特别关键。Γ越大，系统应对不确定性就越保守，运行成本通常也越高；Γ越小，模型越“乐观”，成本低但风险大。实际操作时可以把Γ当作一个旋钮，扫描几组值对比成本曲线，再结合历史数据的波动幅度来选。有些文献管这种方法叫“预算不确定集”，它最大的优势是保持模型线性结构不变，不会引入非线性求解器，这对Matlab加YALMIP这套工具链非常友好。
1.3 两阶段鲁棒模型的整体数学描述
用公式化的语言来描述整个问题，大概是下面这个结构：
第一层是min，目标是第一阶段成本（机组启停、购电合同量）加上第二阶段运行成本的最大值。第二阶段内部是一个max-min结构：max是在不确定性集合中找一个最恶劣场景，min是在这个场景下找最经济的调整策略，调整包括储能充放电、切负荷、弃光、燃气轮机出力变化等。
这个max-min结构，是两阶段鲁棒调度最大的难点，也是后面要讲的关键场景辨别算法的用武之地。直接用商业求解器是解不了这种嵌套结构的