计及风光不确定性的综合能源系统优化调度：IGDT方法与实践

做综合能源系统优化调度这几年，我最大的感受是：建模本身并不难，难的是怎么处理那些“说不准”的东西。风光出力就是典型的例子——你明明把设备约束、运行策略都写得明明白白，结果第二天一阵云飘过来，光伏出力直接掉一半，整个调度计划跟着乱套。今天想聊的，是我最近在工程里反复验证过的一套方案：计及风光不确定性的，基于IGDT（Info-Gap Decision Theory，信息间隙决策理论）的综合能源系统优化调度。

这套东西说白了，就是用IGDT给风光不确定性“留余地”——不追求一个最优解，而是在保证一定收益的前提下，找到最扛风险的那个调度方案。听上去很简单，但真要把模型搭起来、把约束写全、把参数调好，里面的门道不少。我打算从模型原理讲到算例实操，再聊几个我踩过的坑，尽量把它说透，给同样在搞IES优化调度的朋友一个能直接参考的版本。

1. 为什么综合能源系统调度绕不开风光不确定性

1.1 风光出力到底“不确定”在哪

很多刚入行的朋友容易把“不确定性”简单理解成“预测不准”，其实问题远不止这么简单。对风电来说，转速随风速变化，而风速受地形、气压、温度、乱流影响极大，哪怕同一座风电场，相距几百米的风机出力都可能差出两成以上。光伏更看天吃饭，云层遮挡能让出力曲线在几分钟内出现剧烈波动，夏季午后雷暴期间的爬坡速率尤其是噩梦。

这些不确定性体现在调度层面，会带来三层实际问题：

• 平衡层面：系统内的电、热、气实时平衡被打破，备用容量如果预留不足，就可能出现弃风弃光或者切负荷。我做过一个实测项目，某园区光伏渗透率到40%以后，中午时段出力的骤降速度，比传统机组爬坡速度快了将近一倍，光靠火电机组根本追不上。
• 经济性层面：如果调度方案为了包住最坏情况，把备用容量留得过大，正常运行日的运行成本会显著偏高。最极端的场景下，备用成本能占到总运行成本的15%到20%，这在商业项目里是很难接受的。
• 决策层面：确定性调度给出的是一个“点方案”——就一套出力曲线。但真实运行环境里，你可能面对的是几百种出力场景，点方案只能覆盖其中一种，到了运行日一旦天气变化，这套方案基本得推翻重来。

1.2 三种主流处理手段，IGDT赢在哪

行业内处理风光不确定性，主流有三种思路：随机规划、鲁棒优化，以及本文要重点讲的IGDT。它们的数学基础、适用场景和代价差异非常大。我自己把三者做了个对比：

随机规划的问题在于，你很难准确地给风光出力定义一个概率分布。光伏的出力特性受地区气候影响极大，很多项目现场的实测数据根本不够支撑一个可信的分布模型。我见过不少团队用历史数据强行拟合分布，结果生成的场景和实际差得很远，调度方案自然也就“失真”了。

鲁棒优化走的是另一条路：它把不确定性描述成一个“集合”，然后求解最坏情况下的最优解。思路没错，但它的结果通常偏保守——因为它默认所有不确定参数同时取到最坏值。而在真实运行中，风电和光伏、不同时间断面的出力误差是彼此抵消的，不太可能集体“崩盘”。这就导致鲁棒优化方案运行成本过高，在工程上很难说服投资方。

IGDT的优势恰恰在于它跳出了“概率”和“集合”这两个框架。它只要求有一个预测值，然后通过一个“信息间隙”参数来衡量预测值可能的偏离程度；决策者不必声称“误差服从什么分布”，只需要回答一个问题：我愿意承受多大的收益损失，去换取多大的不确定性耐受能力？这种决策逻辑和工程实际非常贴合——现场决策者关心的不是统计意义上的期望，而是“最差能差到哪去，我能不能扛得住”。

2. 信息间隙决策理论：一篇讲透IGDT

2.1 IGDT的核心思想与不确定性模型

IGDT是Ben-Haim在2001年前后提出的一套决策理论，它最核心的出发点就是承认不确定性太大、太复杂，以至于我们连一个包住所有情况的“集合”都难以准确构建。它用“信息间隙”这个更朴素的量来描述预测值与真实值之间的差距。

具体到综合能源系统调度，我们设风光出力的预测值为 (\tilde{P})，实际出力为 (P)，IGDT把不确定性建模成这样一个集合：

[
U(\alpha, \tilde{P}) = \left{ P : \left| \frac{P - \tilde{P}}{\tilde{P}} \right| \leq \alpha \right}
]

这里的 (\alpha) 就是信息间隙半径，也叫不确定性半径。它表示实际出力偏离预测值的最大相对比例。(\alpha = 0) 时没有任何不确定性，模型退化成确定性模型；(\alpha = 0.2) 意味着实际出力可能比预测值低或高20%。

这个建模方式有两个很实用的特点。一是不需要任何概率信息，只要你手里有一个预测值就能干活；二是 (\alpha) 本身是一个可调节参数，它把“不确定性有多大”变成了一个决策变量，而不是一个既定事实。这给了调度人员极大的灵活性：今天天气预报准，(\alpha) 就设小一点；明天强对流天气，(\alpha) 就调大一点。

2.2 鲁棒模型与机会模型

IGDT的决策模型有两副面孔：风险规避的鲁棒模型（Robustness Model）和风险偏好的机会模型（Opportunity Model）。大多数综合能源系统调度用前者，但我建议你把两个都搞清楚，因为它们本质上是同一个问题的两面。

鲁棒模型回答的问题是：在保证系统收益不低于某个可接受阈值的前提下，我能承受的最大不确定性是多少？写成数学语言：

[
\hat{\alpha}(r_c) = \max \alpha
]
[
s.t. \quad \min_{P \in U(\alpha, \tilde{P})} F(x, P) \leq r_c
]

这里的 (F(x, P)) 是系统运行成本，(r_c) 是决策者能接受的最高成本（也就是保底收益）。这个模型的物理含义非常直观：你要我保证成本不超过 (r_c)，那我反过来最大化 (\alpha)，看看系统最多能扛多大的出力偏差。(\alpha) 越大，方案越保守但越抗风险。

机会模型则反过来：假设实际出力往有利方向偏离，我能比预期多赚多少？它的数学形式是：

[
\hat{\beta}(r_w) = \max \beta
]
[
s.t. \quad \max_{P \in U(\beta, \tilde{P})} F(x, P) \leq r_w
]

实际工程中，调度方更关心的永远是“别亏钱”，所以我下面的实操主要以鲁棒模型为主线。但在成本允许的前提下，同时算一遍机会模型，可以帮你看清楚这个系统在乐观场景下有多少利润空间，这对于投资回收期测算、容量配置评估都有参考意义。

3. 计及风光不确定性的综合能源系统优化调度模型

3.1 系统结构与设备建模

在动手写公式之前，先把场景立起来。我这里使用的是典型的园区级综合能源系统，包含的设备有这么几类：

• 供电侧：风电机组（WT）、光伏阵列（PV）、燃气轮机（GT），以及向上级电网购电的联络线。
• 供热侧：燃气锅炉（GB）、余热回收系统、储热罐（HS）。
• 储能侧：蓄电池（ESS），用于平抑电力波动、实现削峰填谷。
• 负荷侧：电负荷、热负荷，两者通过热电联产机组耦合，这也是综合能源系统“综合”二字的体现。

设备建模的要点我逐个说：

燃气轮机是最核心的耦合设备，它的电出力 (P_{GT}(t)) 和热出力 (H_{GT}(t)) 满足热电比约束，同时还要考虑爬坡约束和最小启停时间。实际建模时，我会用线性化的热电可行域来处理，比简单的固定热电比要精确得多。燃气轮机的燃料成本可以近似为出力的二次函数，但在模型里为了线性求解，通常会分段线性化。

蓄电池的建模大家都熟悉，关键是处理好SOC（荷电状态）的递推关系和充放电效率。我习惯把充放电功率分开建模，引入两个0-1变量来避免同时充放电。SOC的初始值和终值一般设为相同，这样储能一天下来是“净零”的，不会把前一天的“老本”吃掉。

储热罐的建模和蓄电池类似，区别在于热损失率比自放电率更低，而且没有充放“功率因数”那么复杂的约束。但要注意，储热罐的容量单位是kWh，和储电的kWh在能量品位、转换效率上不一样，这两个量千万不要混在一起算。

3.2 基准确定性模型

确定性模型是整个IGDT框架的“底座”，IGDT的鲁棒模型就是在它上面做改造的。我们先看这个底座长什么样。

目标函数是系统总运行成本最小化，包括购电成本、燃气成本、设备运维成本和弃风弃光惩罚：

[
\min F = \sum_{t=1}^{T} \left[ c_{buy}(t)P_{buy}(t) + c_{gas}(t)(P_{GT}(t) + H_{GB}(t)) + \sum_{i} c_{OM,i}P_i(t) + c_{curtail}(P_{WT}^{avail}(t) - P_{WT}(t) + P_{PV}^{avail}(t) - P_{PV}(t)) \right]
]

其中 (P_{buy}(t)) 是时段 (t) 从上级电网购买的电功率，(c_{buy}(t)) 是分时电价；(c_{gas}) 是天然气单位热值成本；(c_{OM,i}) 是第 (i) 台设备的单位运维成本；最后一项是弃风弃光惩罚，如果实际消纳的风光出力 (P_{WT}(t) + P_{PV}(t)) 低于可用的 (P_{WT}^{avail}(t) + P_{PV}^{avail}(t))，就要付罚金。

约束条件分成四组。

功率平衡约束（把电、热分开写）：

[
P_{WT}(t) + P_{PV}(t) + P_{GT}(t) + P_{buy}(t) + P_{ESS}^{dis}(t) = P_{load}(t) + P_{ESS}^{ch}(t) + P_{EB}(t)
]

[
H_{GT}(t) + H_{GB}(t) + H_{HS}^{dis}(t) = H_{load}(t) + H_{HS}^{ch}(t)
]

这里的 (P_{EB}(t)) 是电锅炉的耗电功率，它把电转化成热，是电热耦合的另一个通道。

设备出力约束：每个设备的出力都有上下限，比如 (P_{GT}^{min} \leq P_{GT}(t) \leq P_{GT}^{max})，燃气轮机和燃气锅炉的爬坡约束也不能漏掉。

储能约束：包括SOC递推、充放电功率限制、充放电互斥约束。

风光出力约束：在确定性模型里，(P_{WT}(t)) 和 (P_{PV}(t)) 被限定为等于预测值，也就是没有不确定性。当然，允许弃风弃光的情况下，实际出力可以低于预测值。

这个模型是一个典型的混合整数线性规划（MILP），用Gurobi或者Cplex都能直接求解。一个24时段、5台设备的小规模系统，求解时间基本都在几十秒内。如果你的问题包含多场景、多区域，模型规模会指数级膨胀，那就要考虑分解算法了，但这个不是今天讨论的重点。

3.3 嵌入IGDT的鲁棒调度模型

现在到了核心部分：怎么把IGDT的鲁棒模型套到上面的确定性模型里去。

第一步，确定不确定参数。在这个系统里，风光出力 (\tilde{P}{WT}(t))、(\tilde{P}(t)) 是预测值，我们假设真实值会在预测值的 (\alpha) 相对偏差范围内波动：

[
P_{WT}(t) \in [(1-\alpha)\tilde{P}{WT}(t), (1+\alpha)\tilde{P}(t)]
]

[
P_{PV}(t) \in [(1-\alpha)\tilde{P}{PV}(t), (1+\alpha)\tilde{P}(t)]
]

注意，这里 (\alpha) 不是一个预先给死的常数，而是决策变量。这正是IGDT和鲁棒优化的关键区别。

第二步，定义保底成本 (r_c)。引入一个偏差系数 (\sigma)，它表示决策者相对于确定性最优成本 (F_0) 能接受的成本上升比例：

[
r_c = (1 + \sigma) F_0
]

比如 (F_0 = 10) 万元，(\sigma = 0.1)，那保底成本就是11万元。(\sigma) 的含义是“我最多多花10%的钱，去换取系统抗击不确定性的能力”。

第三步，把目标函数改写成最大化不确定性半径：

[
\max \alpha
]

同时把原来确定性模型的目标函数改成一个额外约束：

[
F \leq (1 + \sigma) F_0
]

除此之外，所有设备约束、平衡约束原封不动保留，只是把风光出力约束换成区间约束。

这个双层结构的含义是：外层决定 (\alpha) 取多大，内层在给定的 (\alpha) 下寻找使总成本最大的风光出力组合。如果这个最坏情况下的成本仍然不超过保底成本，那当前 (\alpha) 就是可行的；否则就需要调小 (\alpha)。(\alpha) 越大，系统的抗风险能力越强。

这样一来，模型就从“成本最小化”变成了“抗扰能力最大化”。运行成本不再是一个需要精确压到最低的目标，而是变成了一条“红线”——你只要不越过这条红线，系统越能扛不确定越好。

4. 实操环节：模型怎么搭、怎么解

4.1 双线性项的对偶转化求解

IGDT鲁棒模型是个双层优化，直接扔给求解器是解不了的。业内标准做法是用对偶理论把内层问题转成约束，把双层问题压成单层。我在论文和工程里都用的这一招，效果很稳。

具体来说，内层问题是在给定 (\alpha) 下找最大的总成本，但由于风光出力的区间端点就是最坏情况（成本是出力的单调减函数），内层极大值必然发生在风光出力取区间下限时。于是，最坏情况下的可用风光出力为：

[
P_{WT}^{w}(t) = (1-\alpha)\tilde{P}_{WT}(t)
]

[
P_{PV}^{w}(t) = (1-\alpha)\tilde{P}_{PV}(t)
]

这一步可以把整个双层结构大大简化——你根本不需要复杂的KKT条件推导，直接把预测值乘以 ((1-\alpha)) 放进约束里，就是最坏情况的刻画。前提是系统运行成本随风光出力增加而降低，这在绝大多数IES里都成立，因为风光边际成本接近零，多发风光必然降低购电和燃气成本。

但要注意，这个简化成立时，保底成本约束里会出现 (\alpha) 和 (P_{WT}^{w}) 的乘积项，也就是双线性项，模型又变成了非凸问题。我处理的办法是把风光可用出力表示成：

[
P_{WT}^{w}(t) = \tilde{P}{WT}(t) - \tilde{P}(t) \cdot \alpha
]

然后用0-1变量和分段线性化技术去逼近这个乘积项。比如把 (\alpha) 离散化成N个区间，对应N+1个端点，引入SOS2约束（Special Ordered Sets of Type 2），用相邻端点的插值来表示乘积。这样模型又可以回到MILP的框架里。实测下来，N取20就已经有足够精度，求解时间也只有几十秒到几分钟。

如果不想搞这么麻烦，还有一个更工程化的近似方案：把 (\alpha) 作为外层的参数做扫描。比如从0开始，以0.05为步长逐次增加，每次固定 (\alpha) 后求解一个标准MILP，直到成本超过保底成本为止。这样就不用做线性化，代价是要求解多次MILP，但胜在实现简单、逻辑直观，尤其适合做工程验证。

4.2 算例参数与计算结果

下面给一组我实际跑过的算例参数，你可以拿回去复现。

系统含一台500kW的燃气轮机，热电比1.5，爬坡速率150kW/10min；一台300kW燃气锅炉；储能容量500kWh，最大充放电功率200kW，充放电效率均为0.95；储热罐容量800kWh。风电装机600kW，光伏装机400kW。负荷侧，电负荷峰值约900kW，热负荷峰值约700kW，取自某园区典型冬季日数据。分时电价低谷0.3元/kWh、平段0.6元/kWh、高峰1.1元/kWh。

先求解确定性模型，得到最小运行成本 (F_0 = 4.86) 万元。然后取 (\sigma = 0.05、0.10、0.15、0.20) 几档，分别求解IGDT鲁棒模型，得到对应的最大不确定性半径：

结果有个很有意思的现象：(\sigma) 从0.05增加到0.10，(\alpha) 从0.08增加到0.17，几乎翻了一倍。这说明在低保守度区间，稍微多花一点保底成本，就能换到很可观的抗扰能力提升。但随着 (\sigma) 继续增大，(\alpha) 的增速明显放缓，边际效益在递减。在实际工程中，我一般建议选曲线上“肘部”的位置作为运行点——既不花冤枉钱，又能覆盖大部分天气风险。

5. 常见问题与调试排坑实录

5.1 模型不收敛，怎么办

IGDT模型最常见的坑是内层“最坏情况”搞错。我见过很多初学者把内层写成“同时把风光出力压到最低”，这在多数情况下是对的，但如果你在目标函数里有弃风弃光惩罚项，情况就要小心了。因为弃风弃光惩罚的存在，风光出力降低并不一定导致成本增加——反正我可以选择弃掉一部分，付出的罚金是固定的。这时候，最坏情况就可能出现在区间内部，而不是端点。

遇到这种情况，最稳妥的办法是老老实实走KKT条件或者强对偶转化，不要用端点替代的简化。只有在确定目标函数对风光出力是严格单调的时候，才可以直接用区间端点。

另一个常见问题是数值病态。风光出力的预测值可能有很大的数量级差距——比如风电装机600kW，而购电量可能到几千kW，两者的系数差可能导致约束矩阵条件数过大，求解器在数值上不稳。解决办法是先做归一化：把所有功率量纲统一标幺化，或者至少把单位统一成MW，避免kW和MW混用。

5.2 必踩的坑与对应调整

**坑一：(\alpha) 的搜索步长和上界设置不合理。**如果步长太粗，比如0.1起步，你可能会漏掉 (\alpha=0.15) 这个刚好满足约束的边界点，导致结果明显偏保守。建议第一遍用大步长（0.1）做全局扫描，确定大致区间后，再用小步长（0.01）在边界处细化。

**坑二：储能约束里忽略了充放电互斥。**很多模型里如果同时引入充电和放电两个变量，不加0-1互斥约束，求解器会“钻空子”同时充电和放电，利用效率损耗制造无意义的循环流。这在确定性模型里也可能发生，在IGDT模型里更隐蔽——因为 (\alpha) 的引入会让成本约束更紧，求解器更容易找这种“漏洞”来满足约束。务必加上 (u_{ch}(t) + u_{dis}(t) \leq 1) 这个约束。

**坑三：热储的初始SOC和最终SOC不平衡。**IGDT模型追求的是“抗扰能力”，如果没有对最终SOC做约束，模型会倾向于在末期把储热/储能全部放空，以此虚增 (\alpha)。这样一来，你算出来的抗扰裕度在一天内是好看的，但如果按日滚动运行，第二天一开始系统就处于亏空状态。必须在模型里强制 (SOC(T) = SOC(0))，必要时还要把日内分时段的SOC走廊限制加上。

5.3 从仿真到工程落地的几点提醒

IGDT模型在合成算例上跑得再好，到了工程现场也还要过几道坎。

• 预测基准要真实：IGDT模型里的 (\tilde{P}{WT}(t))、(\tilde{P}(t)) 是模型的基准值。如果预测本身系统性偏高，比如光伏预测模型总是高估，那IGDT算出来的 (\alpha) 再大也救不回来。建议在接入IGDT前，先对预测模型的偏差做一次正态性检验，把系统偏差修正掉。
• (\sigma) 的取值要和考核指标挂钩：我见过不少项目把 (\sigma) 当成纯学术参数随意设，这是不对的。(\sigma) 应该和运行指标绑定——比如考核的是月度成本超支率，那 (\sigma) 就是你能接受的最高超支比例；如果考核的是供电可靠率，(\sigma) 就要换算成备用容量的经济成本。
• 持续滚动修正：IGDT不是一个“算一次就完事”的离线工具。在实际运行中，预测数据每4小时就会更新一次，(\alpha) 也跟着变。我建议把整套模型做成滚动优化，每次更新预测后重新求解，这样抗扰能力才能跟着天气变化动态调整。

最后再分享一个我自己的体会：IGDT不是用来替代传统调度模型的，它更像是一个“压力测试”工具——在正式方案确定之前，先用IGDT看看现有配置在多大的不确定性下会破防，找到系统真正的瓶颈在哪。很多时候你会发现，让系统破防的不是风光本身，而是燃气轮机爬坡能力不够或者储热容量偏小。这时候再去调整设备配置，方向就明确多了。这套“先用IGDT做压力测试，再做确定性优化”的串联打法，我在多个项目里验证过，比单纯追求一个先进算法实用得多。