IGDT优化调度实战：综合能源系统光热电站不确定性建模与代码复现

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。

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α就好比这个偏差范围的缩放系数——α=1时偏差是5分钟，α=2时偏差是10分钟。我们不知道真实路况会差多少，只想知道：如果我还想保证不迟到（成本不超标），最多能扛住多大的偏差？

2.2 鲁棒模型：风险规避者的逻辑

鲁棒模型（也叫风险规避模型）的数学表达是：

max α
s.t. max f(x, u) ≤ (1 + δ) · C_det
u ∈ U(α, ū)

这里的C_det是确定性模型的最优成本，δ是成本偏差系数，代表决策者愿意额外付出的成本比例。比如确定性调度成本是100万元，δ=0.15就表示愿意最多花115万元来换取对不确定性更强的抵抗能力。

在这个模型里，α是决策目标：我们希望找到一个调度计划，使得即使在最恶劣的风光出力情况下，系统总成本也不超过(1+δ)C_det，同时α尽量大。α越大，说明系统对不确定性的容忍度越高，方案越“皮实”。

2.3 机会模型：机会追逐者的逻辑

机会模型走的是另一个方向：

min β
s.t. min f(x, u) ≤ (1 - ε) · C_det
u ∈ U(β, ū)

这里ε是期望收益系数。机会模型问的是：如果风光出力比预测值更给力（偏差方向是“有利”的），系统成本能降到什么程度？β越小，说明只需要很小的有利偏差就能实现目标成本；β越大，说明需要比较显著的有利偏差才能触达收益。

实际项目中，这两种模型往往成对出现。论文里一般会用前者做主结果，后者做补充。我复现的时候也是先跑鲁棒模型，把α*-δ曲线画出来，再跑机会模型对比，这样整篇的叙事逻辑就完整了。

2.4 关键参数选择的直觉

IGDT模型里有两个调节旋钮：δ和ε。它们决定决策者愿意付出多少成本去换“抗偏差能力”（鲁棒），或者期望在“运气好”时获得多少收益（机会）。

实际调试时，δ从0.05开始，每次增加0.05，一直算到α曲线趋于平缓为止。注意δ=0时，鲁棒模型退化为确定性模型，α必然是0，这个结果可以用来验证代码正确性。

3. 系统建模：从光热电站开始的能量枢纽拓扑

3.1 光热电站为什么是这套模型的核心特色

光热电站（CSP）和光伏电站完全不同。光伏直接把太阳能变成电，而光热电站是先把太阳能收集成热能，存在储热系统里，再按需释放热能去驱动汽轮机发电。这个“先集热、再储热、后发电”的结构，让光热电站在调度里拥有独特的灵活性：白天太阳辐照强的时候，可以把多余的热能储起来，留到晚上或者风光出力低谷时再发电。

在综合能源系统里，这个特性太值钱了。风电、光伏出力是“看天吃饭”的，而光热电站相当于一个带大型储能的“可调度电源”，它可以在一定程度上弥补风光出力的波动。

建模型的时候，光热电站至少需要三个模块：

• 集热场：收集太阳能，产出的热功率直接与太阳辐照强度相关，有时需要加一个集热效率系数。
• 储热系统：用熔盐或者其他储热介质，有充热、放热功率上限，有储热量上下限。
• 发电岛：把高温热能转化为电能，有发电效率、最低出力约束和爬坡约束。

光热电站的建模细节我要提醒一点：储热系统的状态递推方程是整个模块最容易出错的地方。储热量的动态变化是：

E_TES(t) = E_TES(t-1) + η_ch · Q_ch(t) - Q_dch(t) / η_dch - Q_loss(t)

其中η_ch是充热效率，η_dch是放热效率。很多人在复现的时候漏掉了效率项，或者把充放热效率放反了，导致能量不平衡。这个我在第六章会再展开讲。

3.2 能量枢纽拓扑与设备单元建模

除了光热电站，我搭的模型还是一个典型的冷热电联供综合能源系统。设备包括：

• 风力发电（WT）：出力上限由预测值和不透度半径决定。
• 光伏发电（PV）：同样是可变动出力电源。
• CHP机组（热电联产）：同时产电和产热，热电比是固定的或在一定范围可调。
• 燃气锅炉（GB）：补足热负荷。
• 电锅炉（EB）：在电价低谷或者风电大发时，用电制热。
• 电制冷机（EC）和吸收式制冷机（AC）：共同满足冷负荷。
• 蓄电池（BESS）和储热罐（TST）：作为跨时间尺度的调节资源。

电平衡约束：

P_wt(t) + P_pv(t) + P_csp(t) + P_chp(t) + P_buy(t) + P_bess_dis(t) = P_load(t) + P_eb(t) + P_ec(t) + P_bess_ch(t)

热平衡约束：

Q_csp_heat(t) + Q_chp_heat(t) + Q_gb(t) + Q_tst_dis(t) = Q_load(t) + Q_tst_ch(t)

冷平衡约束由电制冷和吸收式制冷共同承担。每个设备还要加上出力上下限、爬坡约束（CHP和光热发电岛尤其要注意）。

3.3 储能类设备的递推方程与日循环约束

蓄电池和储热罐都是“跨时段”设备，它们的状态量会继承上一时刻的值。蓄电池建模时，除了SOC递推，通常还需要加上首末SOC一致的约束，避免模型“吃老本”——比如第一天把电放光，第二天再把电充满，这种结果没有实际意义。

光热电站的储热系统也是一样，最好在日调度周期结束时，让储热量回到初始状态。实际操作里，我一般写成：

E_TES(0) = E_TES(24)

如果论文里没有硬性要求，可以把初值设定为一个固定值，然后再加末端不低于某个阈值的软约束。这两种方式我都试过，固定初值+末端一致性的方案调起来最省心，不会出现因为初末不一致导致的“储热凭空消失”类bug。

4. 风光不确定性嵌入调度的完整推导

4.1 确定性基准模型的建立

先把风光出力取预测值，代入系统模型，求解得到确定性最优成本C_det。这一步是所有IGDT分析的基础，代码上可以直接复用前面搭好的模型，只把目标函数和不确定参数改成确定值。

注意：C_det必须是对同一个系统模型下的“完美预测”最优解。很多人在后面算IGDT时会回头改目标函数，或者改约束条件，导致基准不一致。这是一个隐蔽的坑——如果确定性基准本身就错了，后面所有δ对应α*的曲线都是无根之木。

4.2 不确定参数集合的IGDT等价形式

在综合能源系统里，主要的不可控参数是风电出力、光伏出力。对每个时刻t，不确定集是：

P_wt_real(t) ∈ [(1-α)·P_wt_pre(t), (1+α)·P_wt_pre(t)]
P_pv_real(t) ∈ [(1-α)·P_pv_pre(t), (1+α)·P_pv_pre(t)]

这里的α就是IGDT的不确定度半径，对所有时刻统一取值。也就是说，风光出力在预测值附近一个“带形”区间内波动。

4.3 max-min双层模型与单层化处理

引入不确定集后，鲁棒IGDT模型变成了一个max-min问题：外层最大化α，内层在给定α下寻找导致成本最高的风光出力组合。这个双层结构没法直接用求解器处理，必须化简。

化简的核心思想是：对于线性规划模型，内层最大化的最优解一定出现在不确定集的“最极端点”。对风电和光伏来说，出力减少会迫使系统更多购电、购气，成本上升，因此最恶劣场景是：

P_wt_real(t) = (1-α)·P_wt_pre(t)
P_pv_real(t) = (1-α)·P_pv_pre(t)

把这两个式子代入功率平衡约束，内层max问题就变成了关于决策变量的常规约束，双层模型随之退化为单层模型：

max α
s.t. C(x, (1-α)P_pre) ≤ (1+δ)·C_det
运行约束（所有t）

这个单层模型可以直接用Gurobi求解。α是连续变量，目标函数线性，约束里α与决策变量相乘会出现双线性项，需要进一步处理。

4.4 为什么最恶劣场景通常在边界取到

上面提到一个关键判断：最恶劣场景在边界。这在数学上是线性目标函数在凸多面体上求最大值，最优点一定在顶点。但如果你是第一次做IGDT，我建议先不要依赖这个结论，而是用一个小规模测试来验证：对单时刻系统，枚举几个不同α值，分别求解内层max问题，看最优场景是不是风电和光伏都取下限。

我最初做的时候，就遇到过反直觉的情况：当弃风惩罚设置得过高时，风电出力上限（而不是下限）会成为最恶劣场景，因为大量风电导致必须弃风，而惩罚成本吃掉了收益。所以“最恶劣方向”不是想当然的，而是由目标函数和惩罚系数共同决定的。稳妥的做法是在代码里把风向参数化，用枚举法确认最恶劣端点。

5. 代码实现：求解器选型、线性化与迭代流程

5.1 求解环境与接口选择

我复现这类模型用的是MATLAB+Yalmip+Gurobi的组合。Yalmip的建模语言接近数学表达，写IGDT这种带不确定集的模型很顺手，Gurobi的MILP求解性能在同类里属于第一梯队。

如果你更熟悉Python，用Pyomo+Gurobi也完全可以，差别不大。真正需要花心思的是建模结构，而不是语言本身。

5.2 变量定义与矩阵化思路

先把所有决策变量定义成24维向量，这样后续约束可以矢量化书写：

code复制% 决策变量
P_buy = sdpvar(24, 1);      % 购电功率
P_chp = sdpvar(24, 1);      % CHP电出力
Q_chp = sdpvar(24, 1);      % CHP热出力
P_gb = sdpvar(24, 1);       % 燃气锅炉出力
P_csp = sdpvar(24, 1);      % 光热电站发电功率
Q_ch = sdpvar(24, 1);       % 光热储热充热功率
Q_dch = sdpvar(24, 1);      % 光热储热放热功率
E_tes = sdpvar(24, 1);      % 储热容量状态
alpha = sdpvar(1, 1);       % IGDT不确定度半径

使用sdpvar定义变量时，注意E_tes这类状态变量一般要加非负约束或者设定上下限。

5.3 二分搜索求α*的实现逻辑

先讲一个最容易上手的实现方案：二分法。对于给定的δ，求解最大α*可以转化为一系列可行性判断问题。

具体做法是：在(0, α_max)区间内二分。每次取一个中点α_mid，把α固定为这个值，然后求解一个可行性问题——在这个α下，系统是否存在一个调度计划，使得所有约束满足且总成本不超过(1+δ)C_det。

这个可行性问题是一个标准的LP或MILP，Gurobi可以直接处理。找到可行解，说明α还可以往上走；找不到，说明α太大了，往下缩。

二分法的优势是调试方便。初期可以用它验证单层化模型的正确性，确认无误后再切换成直接求解max α的等价模型，速度会快很多。

5.4 直接求解双层模型的等价单层化方案

单层化的关键是把不确定参数替换为最恶劣方向后的表达式。把所有出现P_wt_real(t)的地方都换成(1-α)·P_wt_pre(t)，所有出现P_pv_real(t)的地方都换成(1-α)·P_pv_pre(t)。这样模型里就只剩下α一个额外变量。

但这里会出现一个双线性项：α和调度变量x相乘。比如功率平衡约束里，风电项是(1-α)·P_wt_pre(t)，P_wt_pre是常数，所以α会和其他变量出现在同一条约束里，如果没有两个变量相乘，就不会产生双线性。实际上，在这个模型里α本身是全局变量，而调度变量是各时刻的出力，约束中的(1-α)·P_wt_pre(t)是α的线性项，P_buy等变量是线性项，它们之间没有乘积，所以没有双线性问题。

只有当约束里出现“α乘以决策变量”这种结构时才需要处理。我见过的做法是对α进行分段线性化，或者在优化循环内固定α逐步搜索。我的建议是优先检查模型里是否真的有α与决策变量的乘积项，很多时候并没有，直接用线性模型求解即可。

5.5 验证和结果输出

每次求解完成后，至少检查三件事：

• 最优值α*是否在0到合理范围之间。
• 各功率平衡约束的残差是否接近0。
• 储热、储电的初末值是否满足设定的日循环约束。

输出结果时，我会保存每个时刻的各设备出力、储能量和系统总成本，后续画图做敏感性分析都要用。

6. 复现中容易翻车的细节和参数调试经验

6.1 最恶劣方向不是想当然的那一个

如前面所说，最恶劣方向需要验证。我复现时最开始默认风电下限是最恶劣方向，结果在求解机会模型时发现结果完全不合理，后来排查才发现是弃风惩罚系数设的关系。建议在代码里把每个不确定参数的“方向”单独参数化，而不是写死：

code复制P_wt_real = P_wt_pre - alpha * P_wt_amp * direction_wt;
P_pv_real = P_pv_pre - alpha * P_pv_amp * direction_pv;

direction_wt、direction_pv取1表示下限方向，取-1表示上限方向。先跑小规模枚举，确定真正的极端方向，再投入到全模型计算。

6.2 δ参数怎么选：算例标定思路

δ太小，α可能只有零点几，最后画出来的曲线太平，论文里不好看；δ太大，α虽然很高，但对应的调度计划过于保守，成本上涨过多，物理意义就不合理了。

我一般这样标定：从δ=0开始，步长0.05，算到δ=0.6左右。记录每个δ下的α*。理想状态下，α*随δ增加呈单调递增，曲线先陡后缓。如果曲线出现“平台”或者下降，就要检查模型有没有数值问题。

6.3 光热电站储热SOC初末约束的坑

光热电站储热SOC初末约束一定要加，否则模型会通过“晚上把储热全部放空，早上白嫖太阳能重新充满”来降低成本，得到一个虚假的α*。

但初末一致性加得太死也会有副作用：如果系统在调度周期末本来就预期有一笔未完成的储能，强制的E(0)=E(24)可能会导致无解。我的做法是E(0)固定为E_max的50%，E(24)允许在E(0)±10%范围内波动，这样既防止白嫖，又保留调度灵活性。

6.4 结果分析：怎么从调度方案反推IGDT的价值

跑完α*曲线后，不要只盯着数值看，要会看调度方案的变化。对比确定性调度和鲁棒调度，你会看到几个典型差异：鲁棒调度下，CHP机组出力更稳，储能设备的可用容量预留更多，光热电站倾向于把储热留到晚间负荷高峰，购电策略变得更保守。

这些差异其实就是IGDT带来的“决策价值”：系统牺牲了一部分经济性，换来了面对不确定性的鲁棒性。把这些差异具体地写出来，比单纯贴公式更有说服力，这也是论文复现里最能体现思考深度的部分。

6.5 一个可以快速上手的调试路径

最后分享一下我复现这类模型时的调试顺序，照着做能少走很多弯路：

1. 先跑确定性模型，验证所有约束的物理正确性，确保成本C_det合理。
2. 固定一个小α（比如0.1），求解可行性问题，看系统能否适应这个偏差。
3. 用二分法跑几个δ值，画出α*-δ曲线的雏形。
4. 将二分法结果和直接max α的单层模型结果对比，验证单层化是否正确。
5. 全部无误后，跑完整参数扫描，整理结果图表。

我在实际做的时候，第2步就能过滤掉大半的建模错误。建议你也别急着直接跑大面积参数扫描，先把一个点跑透。

如果你正卡在IGDT的公式推导和代码实现之间，希望这篇内容能帮你把那条路走通。特别是光热电站+储热+IGDT的组合，网上现成的完整案例不多，调试时要有耐心，先把模型拆到最小可验证的单元，再一步一步加回来。