做综合能源系统优化调度的人,十有八九都要跟风光不确定性打交道。我复现IGDT(信息间隙决策理论)版本的调度模型时,最大的感触是:这个方法看着绕,用起来其实很直接——它不赌分布,只回答一个问题:“风光预测偏差大到什么程度,我的调度策略依然扛得住?”这篇内容适合正在做综合能源优化调度、尤其是想复现含光热电站IGDT代码的同学。我会把IGDT原理、系统建模、不确定集嵌入、求解技巧和踩过的坑一次说清,尽量让论文里的公式能真正落到代码上。
1. 为什么最终选了IGDT而不是随机规划和鲁棒优化
1.1 确定性优化的天花板
综合能源系统的优化调度,第一步往往是做确定性模型:风电、光伏取预测值,负荷取预测值,然后最小化系统总运行成本,得到一组设备出力计划。这个模型不难,CHP机组、燃气锅炉、储能、光热电站一一建好,加上电热冷功率平衡约束,用Gurobi或CPLEX几分钟就能出结果。
问题在于,确定性调度方案在真实运行中未必可靠。风电预测误差一上来,原来的“最优出力计划”可能直接导致功率不平衡,或者需要临时高价购电,成本远超预期。这时候就需要在调度模型里显式考虑不确定性。
1.2 随机优化需要概率分布,但风光预测误差太难给准
传统做法里,最常见的是随机优化和鲁棒优化。
随机优化需要给不确定参数一个精确的概率分布,比如假设风电预测误差服从正态分布,然后用蒙特卡洛抽样或场景削减技术生成大量场景,把期望成本作为目标。这个方法理论成熟,但有两个在实际复现中很头疼的问题:第一,风光预测误差的真实分布常常是偏态、厚尾的,正态假设本身就有风险;第二,场景数量一多,模型规模暴涨,求解时间指数级上升,尤其是加了整数变量(机组启停)之后,一个场景集就能把求解器卡死。
1.3 IGDT的核心主张:不赌分布,只赌偏差幅度
IGDT走的是另一条路:我不去猜测预测误差服从什么分布,只需要假设实际值会在预测值附近一个区间内波动,区间的半径用α表示。然后问一个关键问题:在给定成本预算上限的前提下,系统能容忍多大的α?
这个方法的好处非常实际:它只需要预测值本身,不需要历史误差数据做分布拟合,建模量小;模型规模也不随场景数量爆炸。而且IGDT天然给出两种风格的决策选项——保守型和机会型,灵活度高。我把随机规划、鲁棒优化和IGDT放在一起对比过,差别很直观:
| 对比维度 | 随机优化 | 鲁棒优化 | IGDT |
|---|---|---|---|
| 不确定性刻画方式 | 概率分布+场景 | 不确定集合(盒式/椭球式) | 信息间隙模型(偏差幅度) |
| 是否需要误差分布数据 | 需要 | 不需要 | 不需要 |
| 决策风格 | 期望成本最优 | 最坏情况下可行 | 保证成本上界/追求成本下界 |
| 模型规模增长 | 随场景数快速增长 | 规模适中 | 规模增长很小 |
| 结果表达 | 一组决策变量 | 一组决策变量 | 决策变量+最大可容忍偏差α* |
对于一篇典型的综合能源系统调度论文来说,IGDT的建模量最轻,又能把“不确定性”这条线讲透,这也正是很多论文选它的原因。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 把IGDT翻译成人话:不确定度半径与两种决策风格
2.1 信息间隙模型的数学形式与直观理解
IGDT的基本不确定集是这样写的:
U(α, ū) =
其中ū是不确定参数的预测值(比如风电预测出力100 MW),α是不确定度半径。这个式子就是说:实际值u落在预测值上下α倍的范围里。
第一次看这个定义,很多人会觉得抽象。我用一个生活化的例子解释:你每天开车上班,导航告诉你需要30分钟。但是路况有波动,实际用时可能是25分钟到35分钟之间。这里的“30分钟”就是预测值,“±5分钟”就是偏差范围。IGDT的
