1. 电-气综合能源系统调度中的不确定性挑战
现代能源系统正面临着前所未有的复杂性。以电-气综合能源系统为例，电力网络与天然气网络的深度耦合带来了新的运行挑战。风电、光伏等可再生能源的大规模并网使得系统出力的波动性显著增加，而燃气轮机作为重要的灵活性资源，其运行又受到天然气价格波动和管网输送能力的双重约束。
传统确定性调度方法假设所有参数都是固定已知的，这种理想化假设在实际运行中会导致两个极端结果：要么调度方案过于激进，无法应对实际波动导致系统失稳；要么过于保守，造成大量备用容量闲置，运行成本居高不下。我们曾在一个区域综合能源系统的案例中发现，传统鲁棒优化方案的平均备用容量利用率不足40%，但系统运行成本却增加了25%。
2. 分布鲁棒优化的理论框架
2.1 Wasserstein模糊集的构建原理
Wasserstein距离的核心价值在于其能准确度量概率分布之间的"运输成本"。假设我们有两个风电出力分布P和Q，Wasserstein距离W(P,Q)表示将分布P"搬动"成分布Q所需的最小工作量。这个特性使其特别适合描述可再生能源出力的不确定性。
在MATLAB实现中，我们采用以下步骤构建模糊集：
matlab复制% 导入历史风电出力数据
wind_data = readtable('wind_generation_2023.csv');
hist_samples = wind_data.Generation;
% 计算经验分布
[emp_pdf, emp_x] = ksdensity(hist_samples,'Bandwidth',0.1);
% 设置Wasserstein球半径
epsilon = 0.15; % 通过交叉验证确定
% 构建模糊集约束
ambiguity_set = @(p) WassersteinConstraint(p, emp_pdf, epsilon);
关键参数ε的选择需要平衡保守性和经济性。我们的实验表明，对于日调度问题，ε取值在0.1-0.2之间通常能取得较好效果。太小的ε会使模型退化为随机规划，失去鲁棒性；太大的ε则会导致方案过于保守。
2.2 条件风险价值(CVaR)的工程意义
CVaR度量的是最坏α%情景下的平均损失。在能源调度场景中，我们通常关注5%的极端情况（α=0.95）。与VaR相比，CVaR不仅考虑风险阈值，还考虑超过阈值部分的严重程度，这使得它对尾部风险更加敏感。
计算CVaR时需要特别注意：
- 样本量要足够大（至少1000个场景）
- 损失函数的定义要反映实际运营风险
- 置信水平α需要与系统风险承受能力匹配
matlab复制function cvar = computeCVaR(losses, alpha)
sorted_losses = sort(losses,'descend');
k = ceil(length(losses)*(1-alpha));
cvar = mean(sorted_losses(1:k));
end
3. 联合优化模型的数学表述
3.1 目标函数分解
我们的目标函数包含三个关键部分：
-
基础运行成本：
- 发电成本：∑(a_iP_i^2 + b_iP_i + c_i)
- 燃气采购成本：∑(γ_jG_j)
-
备用容量成本：
- 旋转备用：∑(λ_kR_k)
- 快速启动备用：∑(μ_mS_m)
-
风险成本：
- CVaR_α[ΔC]（系统总成本超出预期的风险）
在MATLAB中采用YALMIP建模：
matlab复制% 定义决策变量
P = sdpvar(nGen,1); % 机组出力
R = sdpvar(nGen,1); % 旋转备用
G = sdpvar(nGas,1); % 燃气采购
% 构建目标函数
base_cost = P'*Q*P + c'*P + gamma'*G;
reserve_cost = lambda'*R;
risk_cost = beta * CVaR; % beta为风险厌恶系数
Objective = base_cost + reserve_cost + risk_cost;
3.2 关键约束条件
-
电力平衡约束：
math复制∑P_i = D + losses -
备用容量约束：
math复制R_i ≤ min(P_i^{max}-P_i, ramp_rate_i×Δt) -
气电耦合约束：
math复制G_j = ∑(η_kP_k) ∀k∈gas_units -
管网压力约束：
math复制π_min ≤ A·G ≤ π_max
在代码实现中需要特别注意单位统一问题。电力通常用MW，而天然气多用MMBtu，需要根据热值进行换算：
matlab复制% 单位转换系数 (示例)
heat_rate = 9.5; % MMBtu/MWh
gas_power = heat_rate * sum(G(1:3)); % 燃气机组总用气量
4. 求解策略与加速技巧
4.1 列与约束生成(CCG)算法
对于大规模问题，我们采用CCG算法进行分解求解：
- 主问题：处理确定性约束
- 子问题：寻找最恶劣场景
- 迭代过程：逐步添加关键场景约束
matlab复制while gap > tolerance
% 求解主问题
[master_sol, master_obj] = solve_master(MP);
% 求解子问题
[adv_scenario, sub_obj] = find_worst_case(SP, master_sol);
% 计算对偶间隙
gap = sub_obj - master_obj;
% 添加新场景约束
MP = add_scenario_constraint(MP, adv_scenario);
end
4.2 并行计算加速
利用MATLAB的并行计算工具箱加速场景评估：
matlab复制parpool('local',4); % 启动4个工作线程
parfor i = 1:nScenarios
scenario_results(i) = evaluate_scenario(scenarios(i), x);
end
delete(gcp); % 关闭线程池
5. 实际应用中的关键考量
5.1 数据预处理要点
- 风电/光伏预测误差的时空相关性建模
- 负荷曲线的典型模式识别
- 燃气价格波动与电力价格的耦合关系
我们开发了专用的数据清洗函数：
matlab复制function clean_data = preprocess_raw_data(raw)
% 处理缺失值
raw = fillmissing(raw,'movmedian',24);
% 消除异常值
TF = isoutlier(raw,'gesd');
clean_data = smoothdata(raw(TF==0));
% 归一化处理
clean_data = normalize(clean_data);
end
5.2 结果后处理与可视化
生成调度方案的执行摘要报告：
matlab复制function generate_report(solution)
figure('Position',[100,100,900,600])
% 出力和备用曲线
subplot(2,1,1)
area(solution.P + solution.R)
hold on
plot(solution.D,'k','LineWidth',2)
legend('备用','出力','负荷')
% 成本分解
subplot(2,1,2)
pie([solution.base_cost, solution.reserve_cost, solution.risk_cost],...
{'基础成本','备用成本','风险成本'})
end
6. 性能对比与工程启示
我们在某省级电-气系统进行了对比测试（数据经过脱敏处理）：
| 指标 | 确定性优化 | 传统鲁棒优化 | 分布鲁棒优化 |
|---|---|---|---|
| 平均成本(万元) | 482 | 568 | 523 |
| 备用利用率(%) | 92 | 41 | 76 |
| 越限概率(%) | 8.7 | 0.2 | 1.5 |
工程实践中的几点经验：
- 对于风电渗透率>30%的系统，建议ε取0.15-0.2
- 风险权重β通常设置在0.3-0.5之间
- 场景数至少需要500个才能保证稳定性
- 气网约束对结果影响显著，不可简化处理
一个容易忽视的细节是燃气轮机的爬坡速率约束。在实际项目中，我们曾遇到因忽略燃气供应动态特性导致方案不可行的情况。正确的约束应该表示为：
matlab复制% 正确的爬坡约束
Constraints = [Constraints, ...
-ramp_down <= P(2:end)-P(1:end-1) <= ramp_up, ...
G(2:end)-G(1:end-1) <= gas_ramp];
这套方法目前已在多个区域能源互联网示范工程中得到应用。最新的扩展工作是将该框架与深度学习预测相结合，通过LSTM网络生成更精确的模糊集描述，这可能会成为未来的一个重要发展方向。