陈小严给微电网做日前调度，最难的不是把约束写全，而是让模型知道“明天到底会发生什么”。我去年接手一个含光伏、风电、燃气轮机和电储能的小型园区微电网项目，日前计划算得漂漂亮亮，一到当天执行就开始“打补丁”：光伏被云层遮了20分钟，整条联络线功率就超额；风功率短时爬坡，热电联产被迫跟着来回升降负荷。事后把账算完，发现实时调整产生的额外成本几乎吃掉了日内售电利润。这个问题单靠把预测模型调精准解决不了，因为预测误差本身就有难以估计的分布。后来我把调度框架改写成Min-Max-Max-Min四层优化，把Wasserstein分布鲁棒优化和CVaR风险度量一起塞进日前-实时两阶段模型里，才勉强压住了这种“事前看着合理、事中疯狂补救”的局面。
本文所讲的这套模型，就是围绕“含高比例可再生能源微电网的最优调度”场景展开的。适合正在做微电网能量管理、虚拟电厂调度、综合能源系统优化的朋友，也适合刚接触分布鲁棒优化但被论文公式劝退的初学者。我会先讲清楚为什么要用四层结构，再拆开每个数学算子，最后给出求解思路和算例复盘，尽量讲成人话。
1. 为什么单层鲁棒优化在微电网日前调度里总是“两头不讨好”
1.1 确定性模型和随机规划的差距不只是精度
早几年做微电网调度，大家习惯用确定性优化：给定预测曲线，求解一个混合整数线性规划，得到机组启停、储能充放电和联络线功率。这种方法快，但本质上是在用一个“点预测”代替随机过程。光伏预测误差在晴天可以控制在5%以内，阴天却可能飙升到25%以上；风电更夸张，短时的多次爬坡同样能把计划彻底打乱。出现偏差之后，实时阶段只能靠自动发电控制和储能快速响应来补救，而储能一旦越限，就要切负荷或弃风弃光。
随机规划看起来是更合理的替代：把光伏、风电、负荷的误差生成几百个场景，用场景期望值替代点预测。但随机规划的问题在于，它假设我们能够准确描述误差的概率分布。现实中微电网运行数据的样本量有限，分布本身每年都会随着装机结构、用户用能习惯变化，想“精确建模”往往只是给模型增加复杂度，并不代表真正把握了风险。论文里常说的“in-sample优化好、out-of-sample崩盘”，就是指这种情况。
1.2 盒式鲁棒优化把“最坏情况”放大到了不可用的程度
纯鲁棒优化的思路更直接：不知道分布，就直接给不确定参数一个取值范围，比如光伏出力可能在预测值的30%到120%之间波动，风电出力在0到额定功率之间波动。优化目标变成“在最坏组合下最小化运行成本”。这在数学上很干净，但工程上很容易过度保守。因为区间鲁棒把每个时段都按极端情况考虑，并未区分“小幅波动”和“短时极端事件”。如果你把所有不确定参数都推向边界，那么最终的调度方案会大量调用燃气轮机和储能，甚至出现“不敢