Matlab实现电力系统两阶段鲁棒优化调度

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：

1. 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
2. 子问题（SP）：固定x0，寻找使系统最恶劣的场景u*
3. 判断：若SP目标值超过阈值，将u*对应的约束加入MP
4. 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] = sol