Matlab实现电力系统两阶段鲁棒优化调度-代码聚汇网

Matlab实现电力系统两阶段鲁棒优化调度

黄泓毅

1. 项目概述：两阶段鲁棒优化问题背景

电力系统调度中，风光出力和负荷需求的不确定性一直是影响决策可靠性的关键因素。传统随机规划方法需要精确的概率分布假设，而实际场景中往往难以获取足够数据支撑这种假设。这正是鲁棒优化（Robust Optimization）的用武之地——它只需要定义不确定参数的波动范围（即不确定集），就能在最坏情况下保证系统可行性。

我最近在Matlab中实现了一个典型的两阶段鲁棒优化模型，用于解决含风光负荷不确定性的电力调度问题。第一阶段确定机组启停、储能配置等"here-and-now"决策；第二阶段根据实时风光出力和负荷波动调整发电计划，属于"wait-and-see"决策。这种分离设计既保证了事前决策的稳健性，又保留了事中调整的灵活性。

2. 核心算法原理拆解

2.1 鲁棒优化建模要点

鲁棒优化的核心在于不确定集的构造。对于风光出力不确定性，通常采用多面体集合（Polyhedral Set）描述：

code复制U = {u | u = u0 + ξ, ||ξ||_∞ ≤ Γ}

其中u0为预测值，Γ为不确定性预算参数。Γ=0时退化为确定性优化，Γ越大系统越保守。

2.2 大M法实现线性化

当模型中存在非线性约束（如if-then逻辑）时，需要引入大M法进行线性化处理。例如对于约束：

code复制如果x>0，则y≤a

可转化为：

code复制y - a ≤ M(1-z)
x ≤ Mz
z ∈ {0,1}

其中M是足够大的常数，z为辅助二元变量。选择M值时需注意：

过小会导致约束失效
过大会引发数值不稳定
建议取比问题规模大2-3个数量级的数值

2.3 C&CG算法流程

列与约束生成（Column and Constraint Generation, C&CG）算法是求解两阶段问题的有效方法。其实施步骤为：

初始化：求解不考虑不确定性的主问题（MP），获得第一阶段决策x0
子问题（SP）：固定x0，寻找使系统最恶劣的场景u*
判断：若SP目标值超过阈值，将u*对应的约束加入MP
迭代：重复求解MP和SP直至收敛

matlab复制while gap > tolerance
    % 求解主问题
    [x, obj_MP] = solve_MP(); 
    
    % 求解子问题
    [u, obj_SP] = solve_SP(x);
    
    % 计算对偶间隙
    gap = obj_SP - obj_MP;
    
    % 添加恶劣场景约束
    if gap > tolerance
        add_constraint_to_MP(u);
    end
end

3. Matlab实现关键代码解析

3.1 不确定集建模

matlab复制% 定义风光负荷波动范围
P_wind_uncertainty = 0.2; % 风电波动20%
P_pv_uncertainty = 0.15;  % 光伏波动15%
Load_uncertainty = 0.1;   % 负荷波动10%

% 构建多面体不确定集
Gamma = 3; % 不确定性预算
uncertainty_set = Polyhedron('lb', -[P_wind_uncertainty; P_pv_uncertainty; Load_uncertainty], ...
                             'ub', [P_wind_uncertainty; P_pv_uncertainty; Load_uncertainty]);

3.2 主问题建模（YALMIP）

matlab复制function [x, obj] = solve_MP(prev_extreme_scenarios)
    % 定义决策变量
    x = sdpvar(n_units, T, 'full'); % 机组启停状态
    y = sdpvar(n_units, T, 'full'); % 机组出力
    
    % 目标函数：最小化总成本
    obj = sum(sum(C_fixed.*x + C_var.*y));
    
    % 添加基本约束
    constraints = [x >= 0, x <= 1, y >= 0];
    
    % 添加历史恶劣场景约束
    for i = 1:length(prev_extreme_scenarios)
        u = prev_extreme_scenarios{i};
        constraints = [constraints, feasibility_constraint(x, y, u)];
    end
    
    % 求解优化问题
    ops = sdpsettings('solver','gurobi','verbose',0);
    optimize(constraints, obj, ops);
end

3.3 子问题求解（对抗性场景生成）

matlab复制function [u_star, worst_cost] = solve_SP(x_fixed)
    % 定义不确定变量
    u = sdpvar(3, T, 'full'); % [风电波动, 光伏波动, 负荷波动]
    
    % 定义第二阶段决策变量
    y = sdpvar(n_units, T, 'full');
    
    % 构建最恶劣场景目标
    obj = sum(sum(C_var.*y)); % 最大化运行成本
    
    % 不确定性集约束
    constraints = [uncertainty_set.A * u(:) <= uncertainty_set.b];
    
    % 系统可行性约束
    constraints = [constraints, balance_constraint(x_fixed, y, u)];
    
    % 求解双线性问题（可线性化处理）
    ops = sdpsettings('solver','gurobi','verbose',0);
    optimize(constraints, -obj, ops); % 注意目标取负
    
    u_star = value(u);
    worst_cost = value(obj);
end

4. 实战经验与调优技巧

4.1 算法加速策略

热启动（Warm Start）：每次MP迭代使用前次解作为初始点
```
matlab复制ops.gurobi.WarmStart = 1;
```

并行计算：利用Matlab并行工具箱加速多场景计算

matlab复制parfor i = 1:n_scenarios
    % 并行处理场景
end

有效不等式：添加冗余约束缩小可行域

matlab复制constraints = [constraints, sum(x,2) >= min_up_time];

4.2 数值稳定性处理

大M值选择：通过问题规模自适应确定
```
matlab复制M = 1e3 * max(C_fixed(:));
```
正则化项：避免目标函数尺度差异过大
```
matlab复制obj = obj + 1e-6*norm(y,2);
```

容差设置：适当放宽收敛条件

matlab复制ops.gurobi.OptimalityTol = 1e-4;

4.3 典型问题排查表

问题现象	可能原因	解决方案
算法不收敛	不确定集过大	调整Γ参数
求解时间过长	整数变量过多	松弛部分整数约束
结果过于保守	大M值过大	重新校准M值
内存溢出	场景约束累积	定期清理非活跃约束

5. 扩展应用与进阶方向

5.1 数据驱动不确定集

利用历史数据构建更精确的不确定集：

matlab复制% 基于KDE估计概率密度
[pd_wind, xi] = ksdensity(wind_hist);
uncertainty_set = fit_confidence_region(xi, pd_wind, 0.95);

5.2 分布式鲁棒优化

结合分布信息的部分知识：

matlab复制% 定义Wasserstein模糊集
DRO_model = dropt(hist_data, 'Wasserstein', 0.1);

5.3 硬件加速实现

利用GPU加速矩阵运算：

matlab复制y = gpuArray(y);
constraints = gpuArray(constraints);

在实际项目中，我发现鲁棒优化对参数设置非常敏感。建议先用小规模测试案例校准Γ和M值，再扩展到全系统。对于100节点以上的电网，可以考虑采用Benders分解等分布式算法降低计算复杂度。