电力系统鲁棒经济调度：风光不确定性、备用容量与成本权衡

风光和负荷的不确定性怎么量化，鲁棒性参数调到多少才是经济性最优的平衡点，上下备用容量又是如何跟着鲁棒性需求一起变动的——这几个问题做电力系统优化调度的朋友应该都不陌生。这篇博文我基于一个Matlab仿真项目来展开，完整梳理从数学模型搭建、代码实现到结果分析的全流程，重点讲清楚风光负荷不同鲁棒性水平如何影响系统总成本，以及备用容量在这个模型里到底扮演什么角色。

这套思路适合正在做电力系统经济调度、鲁棒优化、风光消纳方向研究的学生和工程师，也适合刚接触区间鲁棒优化、想找一个能直接跑通的Matlab参考框架的入门者。文章里的代码结构、建模细节和调试经验，都是从实际仿真项目中沉淀下来的，可以直接抄作业。

1. 项目定位与核心问题拆解

1.1 不确定性从哪来，为什么不能只看期望值

风电和光伏出力本质上是强随机变量，受天气影响波动大，预测精度再高也免不了误差。负荷侧同样存在预测偏差，尤其现在电动汽车、分布式电源接入后，负荷曲线的尖峰和平段变得更难捉摸。传统的确定性调度模型把风光出力当作已知量处理，只按预测值安排机组出力和备用，一旦实际出力偏离预测值，就可能出现两种情况：实际出力偏低导致系统需要上调出力，或者实际出力偏高导致消纳困难需要下调出力。这两种场景分别对应系统需要的上调备用和下调备用，也就是项目标题里说的上下备用容量。

如果只用确定性模型，决策结果的鲁棒性完全依赖预测精度。预测偏差大的时候，系统要么牺牲经济性强行调用高价机组，要么面临切负荷或者弃风弃光风险。鲁棒优化思路则是把不确定性显式建模进约束里：不追求预测值处的精确解，而是保证在最坏场景下系统仍然安全运行。代价就是决策更保守，成本往往更高。这个“安全性和经济性的权衡”，就是这个项目的核心研究对象，也是鲁棒参数取不同值时总成本变化的本质原因。

1.2 上下备用容量在鲁棒模型里的作用

备用容量是系统应对不确定性的物理手段。常规机组在安排发电计划时，还要预留一部分向上调节空间和向下调节空间：向上备用应对风光出力低于预测值或者负荷高于预测值的情况，向下备用应对风光出力高于预测值或者负荷低于预测值的情况。鲁棒性要求越高，系统需要应对的不确定性范围越大，上下备用容量的需求也随之增加。

在Matlab实现中，上备用和下备用通常以约束形式写入调度模型：机组输出功率加向上备用不能超过出力上限，输出功率减向下备用不能低于出力下限；同时备用容量需求本身要与风光出力的预测误差区间挂钩。这样就形成了一个闭环：鲁棒性参数定义不确定集大小，不确定集大小决定备用需求，备用需求约束机组出力计划，进而影响总成本。

2. 数学模型与成本构成解析

2.1 目标函数：总成本由哪几块组成

这个项目里，系统总成本不只是火电煤耗成本，需要细分成四部分：常规机组发电成本、开停机成本、备用容量成本，以及可能出现的失负荷或弃风弃光惩罚成本。前两种成本在确定性优化里已经很常见，第三和第四种则是在鲁棒模型里被显式加进去的。

发电成本一般用二次函数拟合，常用简化形式是：

(C_i(P_i)=a_iP_i^2+b_iP_i+c_i)

这里 (P_i) 是机组 i 的有功出力，(a_i)、(b_i)、(c_i) 是成本系数。备用容量成本通常按容量定价，比如上备用报价 (r_{i}^{up})、下备用报价 (r_{i}^{dn})，乘以预留的备用容量 (R_{i}^{up}) 和 (R_{i}^{dn})。

惩罚成本的设计比较讲究，一般设定为：实际切负荷代价按单位电价乘以预测误差超出备用能力的部分计算，弃风弃光同理。惩罚系数取高值时，模型会倾向于预留更多备用来避免惩罚，经济性向安全性倾斜；取低值时，模型更省钱，但风险暴露增加。这个参数对结果影响很大，后续仿真中可以做敏感性分析。

2.2 约束条件：把鲁棒性参数嵌入调度模型

确定性调度的核心约束是功率平衡和机组出力上下限。鲁棒模型需要额外引入不确定性描述。常见做法是盒式不确定集（box uncertainty set），以预测值为中心，按比例系数定义波动范围。

以风电为例，设预测出力为 (P_{w,t}^{fore})，鲁棒性参数为 (\alpha_w\