微电网经济调度：两阶段鲁棒优化实践与案例分析

1. 微电网经济调度问题本质解析

微电网作为分布式能源系统的重要形态，其经济调度问题本质上是一个多时间尺度、多约束条件的资源优化配置问题。与传统电网不同，微电网需要同时协调光伏、风电等可再生能源的波动性，柴油发电机组的运行成本，以及储能系统的充放电策略。我在参与某海岛微电网项目时深刻体会到，这种调度问题具有三个典型特征：

首先是不确定性。光伏出力受云层变化影响，风电功率随风速波动，这些可再生能源的预测误差可能高达20-30%。去年夏季我们在广东某岛屿微电网项目中，就遇到过光伏出力在10分钟内骤降40%的极端情况。

其次是多时间尺度耦合。蓄电池的充放电决策会影响后续数小时的运行成本，而柴油机的启停决策会产生持续数小时的惯性约束。这要求调度模型必须考虑时间维度上的耦合效应。

最后是经济性约束。柴油发电的燃料成本通常占运营总成本的60%以上，而频繁启停不仅增加维护费用，还会缩短设备寿命。我们通过历史数据分析发现，柴油机组每天启停超过3次时，年均维护成本会上升15-20%。

2. 两阶段鲁棒优化框架设计

2.1 基础模型构建

针对上述挑战，我们采用两阶段鲁棒优化方法构建经济调度模型。第一阶段决策包括柴油机组启停状态、预调度功率等"here-and-now"变量；第二阶段则处理可再生能源波动后的功率平衡调整，属于"wait-and-see"决策。

具体建模时，目标函数表示为：
min (C_gen + max_{ω∈Ω} min_{y∈Y} C_bal)
其中C_gen为第一阶段发电成本，C_bal为第二阶段的平衡成本，Ω表示不确定性集合，Y为可行域。

在浙江某工业园区微电网项目中，我们通过这种架构将运行成本降低了12%，同时将可再生能源消纳率提升至92%。

2.2 不确定性集合建模

可再生能源出力的不确定性集合设计是关键。我们采用基于历史数据的多面体集合：
Ω = {ω | ω = ω̂ + Δω, |Δω| ≤ Γ}
其中ω̂为预测值，Γ为不确定性预算参数。通过调节Γ可以控制模型的保守程度。

实际操作中发现，将Γ设为预测误差的90%分位数时，能在经济性和鲁棒性间取得较好平衡。过大的Γ会导致调度方案过于保守，我们在福建某项目测试中发现，当Γ取最大值时，运行成本会增加8-10%。

3. 求解算法实现细节

3.1 列与约束生成算法(C&CG)

传统Benders分解在处理微电网问题时收敛较慢。我们改进的C&CG算法实现流程如下：

1. 初始化：求解主问题(MP)获得第一阶段决策x
2. 识别最恶劣场景：固定x，求解子问题(SP)得到ω*
3. 生成可行性/最优性割平面
4. 将割平面加入MP，重复迭代直到收敛

在30节点测试系统中，C&CG的平均求解时间为传统方法的1/5。关键技巧在于：

• 对主问题添加有效不等式加速收敛
• 采用warm-start策略初始化对偶变量
• 对子问题采用并行求解

3.2 线性化处理技巧

柴油机组的最小运行时间约束是非线性的，我们采用大M法进行线性化：
u_t - u_{t-1} ≤ u_τ, ∀τ ∈ [t,t+T_min-1]
其中u为启停状态变量，T_min为最小运行时间。

需要注意的是，M值选取不当会导致求解困难。经验表明，M取机组额定容量的1.2倍时效果最佳。某次调试中，当M值设为2倍额定容量时，求解时间增加了3倍。

4. 实际工程应用案例

4.1 某海岛微电网实施效果

在海南某1.2MW微电网项目中，我们部署了两阶段鲁棒调度系统，配置参数如下：

运行半年后数据显示：

• 柴油消耗量降低28%
• 运行成本节省19%
• 可再生能源渗透率达到76%

4.2 典型问题解决方案

问题1：求解时间随场景增加而剧增
解决方案：采用场景聚类技术，将相似场景合并。我们使用k-means算法将1000个场景缩减为50个代表场景，精度损失仅2%，但求解速度提升20倍。

问题2：储能SOC频繁越限
解决方案：在目标函数中添加SOC平滑项：
λ∑(SOC_t - SOC_{t-1})²
参数λ经测试取0.1时，SOC波动减少40%而不显著影响经济性。

5. 关键参数调试经验

5.1 鲁棒性调节参数

不确定性预算Γ的选取需要结合实际预测精度。我们开发的调试流程：

1. 统计历史预测误差分布
2. 计算不同Γ值对应的成本变化
3. 选择成本变化拐点对应的Γ值

在某商业园区项目中，最终选定Γ=0.85，此时成本比确定性模型高6%，但可应对95%的波动场景。

5.2 储能参数设置

蓄电池的充放电效率η对结果影响显著。实测数据显示：

• 当η从0.9降至0.85时，循环寿命可延长30%
• 但调度成本会增加5-8%

建议采用分段线性化处理效率曲线，比固定值建模更准确。我们在某个项目中通过这种方式将储能利用率提高了12%。

6. 未来改进方向

基于现有工程经验，我认为下一步可重点优化三个方向：

1. 数据驱动的鲁棒集合构建：利用机器学习技术从历史数据中自动提取不确定性集合形状，替代传统的多面体集合
2. 多时间尺度嵌套优化：将日前调度与实时控制有机结合，目前正在某示范基地测试分钟级滚动优化
3. 设备健康状态建模：将柴油机磨损、电池衰减等长期因素纳入短期调度考量

在实际部署中，建议先进行1-2周的试运行调试参数。我们总结的参数调试清单包括：

• 鲁棒性参数Γ的阶梯测试
• 储能惩罚系数λ的敏感性分析
• 求解器最优性gap的合理设置（通常取0.5-1%）