风电不确定性下的机组组合优化与分布鲁棒优化实践

1. 项目概述：风电不确定性下的机组组合优化挑战

在电力系统调度领域，机组组合（Unit Commitment, UC）问题一直是个经典难题。简单来说，就像在规划一场大型音乐会——我们需要提前决定哪些乐器（发电机组）应该准备就绪，哪些可以暂时休息，既要确保演出时每个音符（电力需求）都能被准确演奏，又要尽量降低排练和演出的总成本。而当这场音乐会加入了即兴演奏家（风力发电）后，情况就变得复杂多了。

风电的不可预测性主要表现在三个方面：首先是短时波动性，每分钟的出力都可能发生显著变化；其次是预测误差，即使最先进的天气预报模型也难以准确预测72小时后的风速；最后是地域相关性，相邻风场之间的出力往往存在时空耦合特性。这些特性使得传统的确定性优化方法就像用尺子测量海浪——看似精确却完全不符合实际。

2. 核心方法论：分布鲁棒优化框架解析

2.1 传统方法的局限性对比

随机规划方法就像个过度理想化的学生，它假设我们完全掌握风电出力的"考试答案"（精确概率分布）。但实际上，我们手里的"复习资料"（历史数据）可能既不完整也不准确。2012年德州风电预测失误导致的大停电就是典型案例——基于历史数据的概率模型完全没能预测到极端天气事件。

鲁棒优化则走向另一个极端，它像 paranoid（偏执狂）一样假设最坏情况一定会发生。在2018年的一项研究中，某电网采用传统鲁棒优化得出的调度方案，运行成本比实际需要高出23%，这就是所谓的"保守性惩罚"。

2.2 分布鲁棒优化的创新架构

我们的模型核心是构建一个"合理怀疑区间"——Wasserstein球。这个球的半径ε控制着我们的保守程度：ε=0时退化为随机规划，ε→∞时就变成鲁棒优化。数学上表述为：

P =

其中P̂是经验分布，W_p是p阶Wasserstein距离。这个看似抽象的概念，实际意义是：我们允许真实分布与历史数据分布存在有限偏差，但不接受任意极端的分布情况。

2.3 线性决策规则的精妙之处

为解决两阶段问题中的"维度灾难"，我们采用线性决策规则（LDR）：
y(ξ) = y₀ + Yξ

这里的精妙之处在于：

1. 将无限维的观望决策转化为有限维的系数矩阵Y
2. 保持对不确定性的线性响应特性
3. 通过对偶理论可