风电并网调度中的分布鲁棒优化方法与应用

1. 风电并网调度中的不确定性挑战

现代电力系统正经历着从传统化石能源向可再生能源的转型，其中风电作为清洁能源的代表，其装机容量在全球范围内快速增长。然而，与常规火电机组不同，风电机组的出力具有显著的波动性和不可控性，这给电力系统的调度运行带来了新的挑战。

在传统的机组组合（Unit Commitment, UC）问题中，调度人员需要提前一天确定各发电机组的启停计划和出力分配，以满足第二天的负荷需求。这个决策过程需要考虑机组的最小启停时间、爬坡率限制、网络约束等各种物理限制，本质上是一个大规模混合整数规划问题。当系统中接入大量风电时，由于风电出力预测存在误差，基于确定性预测做出的机组组合决策可能在实际运行时面临功率不平衡、备用不足等问题。

2. 鲁棒优化方法的基本原理

鲁棒优化（Robust Optimization）是处理不确定性决策问题的有效数学工具，其核心思想是在考虑参数不确定性的情况下，寻找对最坏情况也具有可行性的解。与传统随机规划方法不同，鲁棒优化不需要知道不确定参数的概率分布，只需要确定其可能的波动范围（uncertainty set），这使其特别适合处理风电出力这类难以精确建模的不确定性。

在数学形式上，考虑如下一般性的鲁棒优化问题：

code复制min c^T x
s.t. A(ζ)x ≤ b, ∀ζ∈U

其中x为决策变量，ζ为不确定参数，U为不确定集合。该问题的解对所有ζ∈U都满足约束条件。

3. 分布鲁棒优化的进阶方法

分布鲁棒优化（Distributionally Robust Optimization, DRO）是鲁棒优化的扩展方法，它假设不确定参数的概率分布本身也存在不确定性，属于某个分布集合（ambiguity set）。这种方法既不像随机规划那样完全信任单一概率分布，也不像传统鲁棒优化那样过于保守，而是在两者之间取得平衡。

对于风电出力预测误差，我们可以构建基于矩信息的模糊集：

code复制P = {P: E_P[ξ] = μ, E_P[(ξ-μ)(ξ-μ)^T] ⪯ Σ}

其中μ和Σ分别为预测值和协方差矩阵的估计。这种表示方法只需要知道预测误差的一、二阶矩信息，而不需要完整的概率分布。

4. 风电机组组合的DRO模型构建

将分布鲁棒优化应用于风电机组组合问题，我们需要建立以下关键组件：

4.1 决策变量设计

• 机组启停状态变量：u_it ∈ {0,1}，表示机组i在时段t的开关状态
• 机组出力变量：p_it，表示机组i在时段t的有功出力
• 备用容量变量：r_it^up, r_it^dn，分别表示上、下备用容量

4.2 目标函数

最小化总运行成本，包括：

• 燃料成本：通常为二次函数 ∑(a_i p_it^2 + b_i p_it + c_i u_it)
• 启停成本：∑(SU_i v_it + SD_i w_it)，其中v_it,w_it表示启停动作
• 弃风惩罚：γ∑(w_jt - w_jt^avail)，w_jt为实际风电出力

4.3 不确定性建模

风电出力预测误差Δw_jt = w_jt - ŵ_jt属于模糊集：

code复制Δw_jt ∈ [ -Δw_jt^max, Δw_jt^max ]

同时考虑时空相关性，构建基于矩的模糊分布集。

5. 约束条件的鲁棒化处理

5.1 功率平衡约束

考虑最坏情况下的功率平衡：

code复制∑ p_it + ∑ w_jt ≥ D_t + max_{Δw∈U} ∑ Δw_jt

这保证了即使风电出力出现最不利波动，系统也能满足负荷需求。

5.2 旋转备用约束

上备用容量需满足：

code复制∑ r_it^up ≥ R_t^up + max_{Δw∈U} ∑ Δw_jt

其中R_t^up为常规备用要求。

5.3 机组运行约束

包括：

• 最小启停时间：u_it必须满足连续开/停机时长要求
• 爬坡率限制：|p_it - p_i(t-1)| ≤ Δp_i^max
• 出力上下限：u_it p_i^min ≤ p_it ≤ u_it p_i^max

6. 模型求解算法

分布鲁棒机组组合模型本质上是一个两阶段鲁棒优化问题，可以采用以下求解策略：

6.1 列与约束生成法

1. 初始化：求解不考虑不确定性的主问题，得到初始解
2. 子问题：寻找最恶劣场景使当前解违反约束
3. 主问题更新：添加针对该恶劣场景的约束
4. 迭代直至收敛

6.2 对偶转化法

将内层max问题通过强对偶理论转化为min问题，从而将整个问题转化为单层优化。对于线性约束和凸不确定集，这种方法能保证精确转化。

6.3 求解加速技巧

• 有效不等式添加：识别并添加关键约束，减少迭代次数
• 并行计算：利用问题的时间解耦特性并行求解各时段子问题
• 启发式初始化：基于历史数据提供好的初始解

7. 实际应用中的工程考量

7.1 不确定集合的校准

不确定集合的大小直接影响方案的保守性：

• 过小：可能无法覆盖实际波动，导致方案不可行
• 过大：方案过于保守，经济性差
  建议采用历史预测误差数据进行统计校准，或采用自适应调整策略。

7.2 多时间尺度协调

建议采用滚动优化框架：

1. 日前阶段：求解DRO-UC问题，确定机组启停计划
2. 日内阶段：基于更新预测进行经济调度调整
3. 实时阶段：AGC自动调节应对分钟级波动

7.3 与其他灵活性资源的协调

考虑与以下资源的协同优化：

• 储能系统：提供快速调节能力
• 需求响应：柔性负荷参与平衡
• 跨区互联：利用大电网的互补性

8. 实施案例与效果分析

某省级电网（装机容量50GW，风电占比30%）实施DRO-UC后的效果对比：

结果显示，虽然DRO-UC的平均成本略高，但显著改善了系统鲁棒性，在最恶劣场景下的表现尤为突出。

9. 模型扩展方向

9.1 考虑网络约束

引入直流潮流方程，形成分布鲁棒最优潮流（DRO-OPF）模型：

code复制Bθ = p + w - d
|Hθ| ≤ f^max

需处理由此带来的非凸性挑战。

9.2 数据驱动模糊集

利用机器学习方法从历史数据中直接学习模糊集形状，超越传统的盒型或椭球型集合。

9.3 分布式求解算法

针对大规模系统，开发基于ADMM等分布式优化算法，提高计算效率。

10. 工程实施建议

1. 预测系统升级：投资改进风电功率预测系统，提供更精确的基准值和不确定度估计
2. 硬件配置：建议采用高性能计算服务器（如64核CPU+256GB内存），满足实时求解需求
3. 人员培训：重点培养调度员的风险意识和对优化结果的分析能力
4. 渐进式应用：初期可作为决策支持工具运行，待验证可靠性后再接入控制系统

在电力系统低碳转型的背景下，分布鲁棒优化为高比例可再生能源并网提供了重要的理论工具。实际应用中需要根据系统特点调整模型参数和求解策略，在安全性和经济性之间找到最佳平衡点。我们在某区域电网的实施经验表明，与传统方法相比，DRO-UC能将极端场景下的负荷削减量降低60%以上，虽然增加约3-5%的平均运行成本，但显著提高了系统运行的可靠性。