两阶段鲁棒优化与C&CG算法：电力系统不确定性调度实战

1. 两阶段鲁棒优化：到底在解决什么问题

1.1 风电、光伏、负荷不确定性的本质

做电力系统优化的人都知道，风电出力和光伏出力从来就不是一个确定的数。风速的间歇性、云层遮挡、气温变化，都会让新能源实际出力与预测值之间产生偏差。负荷侧的波动就更不用说了，居民用电习惯、极端天气带来的空调负荷激增，这些因素叠加在一起，构成了一个典型的不确定环境。

传统的确定性优化做法是：拿到一组预测值，把风电、光伏、负荷都固定成一个数，然后求解一个单层优化问题。这个做法在新能源渗透率不高的时候问题不大，但一旦风电、光伏装机占比上来，确定性优化的方案往往在两个极端之间摇摆——要么过于乐观，实际运行中出力和负荷一偏差，调度方案直接不可行；要么过于保守，预留了太多备用，经济性差得没法看。

两阶段鲁棒优化解决的就是这个痛点：它在优化模型中显式地刻画“不确定性”，并采用“先决策、后调整”的思路，让调度方案在最恶劣的不确定性场景下仍然可行且经济。关键在于，这个“最恶劣”不是拍脑袋拍出来的，而是通过优化模型自动辨识出来的。

1.2 两阶段决策框架：这里与现在

“两阶段”这三个字，数学上叫“here-and-now”和“wait-and-see”。通俗点讲，第一阶段做的决策是在不确定性实现之前就必须敲定的，比如机组的启停状态、备用容量配置、与主网的交换功率计划；第二阶段做的决策是等实际的风、光、负荷数据出来之后，再根据真实情况进行的调整，比如机组出力微调、切负荷、弃风弃光等。

这个框架非常贴近电力系统的实际运行方式。日前调度阶段，你要提前确定机组的开关机计划，这时候不知道明天风到底刮多大、光到底有多强；日内实时调整阶段，出力预测更新了，你只能在已开机的机组范围内做经济再调度。两阶段鲁棒优化在数学上就是把这种时序逻辑翻译成了优化模型，让决策的“刚性部分”和“柔性部分”各归其位。

我从实际建模的角度说一句：很多人一上来就急着写目标函数，但其实最关键的步骤是先把“哪些变量属于第一阶段、哪些变量属于第二阶段”划分清楚。划分错了，后面整个模型都是错的。

1.3 为什么不用随机优化而用鲁棒优化

可能有人会问：不确定性建模不是还有随机优化（stochastic optimization）吗？为什么这里选鲁棒优化？

随机优化的思路是给不确定性变量赋予概率分布，目标函数写成期望值形式，最终得到一个大规模的场景树模型。它的问题有两个：一是概率分布本身很难准确获得，特别是风电、光伏这种强非线性、强时空相关性的变量，你很难用一个简单的分布去刻画；二是场景数量一大，计算量呈指数级增长，求解时间长到让调度员崩溃。

鲁棒优化不依赖精确的概率分布，只需要知道不确定变量的取值范围和预算约束。它求解的是“在一切可能的取值范围内，最坏情况下我都能保证系统安全经济运行”的方案。这个逻辑更契合电网调度中对安全性的执念——我宁可多花点钱，也不愿意看到方案在某个极端场景下直接崩溃。

当然，鲁棒优化不是没有代价。它的解通常偏保守，因为它在为最坏情况负责。这个问题可以通过调节不确定性预算参数（budget）来控制保守程度，后面我会专门讲。

2. 核心方法拆解：大M法与C&CG算法

2.1 大M法怎么把 max-min 问题变换成 MILP

两阶段鲁