分布式鲁棒优化求解多源动态最优潮流：应对风光不确定性的完整实践

干调度优化或者最优潮流这一块的朋友，应该都有过这种体验：白天风光预测曲线给得漂漂亮亮，等真到了运行时段，实际出力跟预测值差出一大截，调度计划被顶得满盘皆输。尤其在多源接入的送端电网里，火电、水电、风电、光伏、储能挤在同一个动态最优潮流问题里，任何一处预测偏差都可能被爬坡约束和网络约束逐级放大。这两年我在做48时段动态最优潮流时，被风光不确定性折磨得够呛，后来把思路从确定性模型转到分布式鲁棒优化（Distributionally Robust Optimization, DRO），才算是找到了一个兼顾经济性和可靠性的平衡点。这篇文章就把这个思路从问题拆解、模型搭建到求解落地的完整过程写下来，给同样被新能源不确定性困扰的朋友一个可参考的路线。

“分布式鲁棒优化”这个名字容易让人误以为它跟分布式计算有什么关系，其实中文里的“分布式”对应的是英文Distributionally，指的是对概率分布的鲁棒，核心思想是：我允许随机变量的真实分布在一个“模糊集”内漂移，优化结果对模糊集内的所有可能分布都有保障。它既不像随机规划那样要求一个精确的概率分布，也不像传统鲁棒优化那样把所有可能值都按最坏情况兜底，因此在风光出力这种“分布只能估计、不可能精确知道”的场景里，DRO几乎是天然适配的。

1. 风光不确定性把“最优潮流”逼成了什么样子

1.1 从静态最优潮流到48时段动态最优潮流

传统的最优潮流（Optimal Power Flow, OPF）解决的是“某一时刻，各机组出力怎么安排才最便宜且满足安全约束”的问题。它不考虑时间连续性，所以本质上是静态优化。但电力系统运行是有惯性、有爬坡、有储能充放电的，尤其当风光的渗透率上来以后，单时段最优解之间往往互相打架——这一时段火电压得最低，下一时段要顶上来时爬坡受限，结果整个调度区间内的方案根本不满足物理机组的运行约束。

所以我做的工作是把优化时段拉长到48个点，以半小时为步长覆盖一整天的运行窗口，这样做有两个直接好处：第一，爬坡约束、储能荷电状态（State of Charge, SOC）的时序递推关系能被显式建模；第二，风光出力的“跨时段互补”特性可以被利用，比如晚间的风电高峰正好对接负荷低谷，只要储能在白天蓄得住，夜间就可以少启停火电。动态化之后，问题的规模成倍上涨，决策变量从几十个变成上千个，计算负担也上来了。

1.2 “多源”到底多在哪里

“多源”这两个字在模型里不是摆设，它意味着电源侧的差异化特性全部要落到约束里。火电有最小启停时间、爬坡速率、上下限出力区间；水电有来水约束和库容限制，运行方式相对刚性；风电和光伏的出力受气象条件驱动，具有显著的随机波动性；储能系统则像一个“时空搬运工”，用损耗成本换取时段的转移。每种电源的模型细节都不相同，组合在一起后，优化问题的约束矩阵变得非常稠密。

但多源真正的麻烦在于，不同电源的不确定性响应方式不一样。同样是一个风电预测偏差，火电可以靠AGC调频顶上，水电靠快速调节也能帮忙，但光伏在午间的短时波动几乎只能靠储能平抑。这意味着不确定性模型不能只给一个总体的“净负荷预测误差”就完事，还需要按电源类型拆分误差来源，进而在目标函数和约束里分别刻画它们的影响。

1.3 确定性模型为什么会在实际运行中“翻车”

我刚把48时段确定性动态最优潮流跑通时，觉得大功告成，结果拿历史数据一回测，问题全暴露了。确定性模型的逻辑是：把风功率预测曲线当作已知给定值，直接求解机组组合和经济调度，得到一个“最优”计划。但真实运行中预测误差是客观存在的，计划值和实际值一旦出现偏差，系统就需要动用备用容量来重新平衡。

如果预测偏乐观，实际出力不足，火电被迫快速爬坡，局部的线路潮流可能越限；如果预测偏悲观，实际出力超出预期，弃风弃光又增加了不必要的经济损失。确定性模型完全没有给这两种情况留余地，因为它不知道风光的出力会“摆动”，也不量化“摆动”的后果。这就是所有确定性最优潮流在实际新能源并网场景下的通病：数学上漂亮，运行上不保底。

2. 分布鲁棒优化到底在优化什么：一个被误解的“鲁棒”

2.1 随机规划、传统鲁棒、分布鲁棒：三条完全不同的路线

面对风光不确定性，学术界有三条主流技术路线。随机规划（Stochastic Programming）的做法是：先给风功率的分布一个精确假设，比如正态分布或者基于历史场景的离散经验分布，然后生成大量场景，对场景做期望值优化。问题在于，真实的风功率预测误差分布往往是有偏的、厚尾的，而且随着季节、天气形势变化，分布本身也在漂移。你用一个固定的假设分布去逼近，做出来的解对于“假设之外”的场景几乎没有保证能力。

传统鲁棒优化（Robust Optimization）反过来走极端：它只给定一个不确定集合，比如风光出力变化的盒式区间或者椭球集合，要求最坏情况下的约束也必须满足。这种方法对分布没有任何假设，计算口径极其安全，但保守性也很明显——最坏情况在现实中几乎不发生，你为了那个极端场景付出的经济代价却是每天都要承担的。

分布鲁棒优化站在两条路线中间：它承认风光出力的概率分布存在不确定性，但不要求精确知道分布本身，而是用一个“模糊集”（Ambiguity Set）把可能的分布都装进去，然后在“模糊集内所有分布都成立”的意义上做优化。你可以把它理解成：随机规划是在赌分布说了实话，传统鲁棒是假设每个场景都可能是末日，DRO则是在“我不完全信任手里的分布数据，但也不想为所有荒诞场景买单”之间找平衡。

2.2 模糊集：用数据框住分布漂移的范围

模糊集的构造是DRO最核心的设计自由度。最经典的是矩模糊集：假定随机变量的均值和协方差估计不精确，只约束它们落在给定的区间内，然后优化最坏分布下的期望损失。这种方法的优点是数据需求小、建模直观，但缺点是它可能包含一些非常“非典型”的分布，导致解偏保守。

近年来更流行的是基于Wasserstein距离的数据驱动模糊集：以历史样本的经验分布为中心，用Wasserstein距离画一个半径确定的球，真实分布被假设落在这个球内。因为Wasserstein距离有清晰的概率意义，而且半径可以跟置信度建立理论联系，这类模糊集在风光预测误差这类“样本充足但分布未知”的场景里用起来非常顺手。数据越多，半径可以取得越小，解就越接近随机规划的结果；数据越少，半径就越大，解就越保守——这个性质让工程师可以按数据的质量主动调节鲁棒性水平，非常实用。

2.3 DRO对多源动态最优潮流的意义：不再为“唯一样本”买单

放在多源动态最优潮流的语境里，DRO的价值进一步放大。风光出力的时空相关性非常复杂，不同风电场的出力受同一天气系统驱动，预测误差之间往往有强相关性；光伏和风电之间又存在日内和季节性的互补。这些相关性如果不建模，按独立误差来处理，就会人为放大不确定性的范围；而精确联合分布又几乎无法获得。DRO的模糊集可以只约束到一阶矩和二阶矩，即均值向量和协方差矩阵，这恰好能捕捉误差之间的线性相关性，又不需要假设具体分布类型。

我在实际建模时深有体会：把预测误差的协方差矩阵纳入模糊集之后，解虽然比确定性模型保守了一些，但相比传统鲁棒的“全场景兜底”，经济性改善非常明显。这个特点让DRO在新能源渗透率越来越高的电网里，成了少数能兼顾工程可接受度和理论严谨性的优化范式。

3. 48时段动态最优潮流的数学模型怎么搭

3.1 决策变量和目标函数的分层设计

一个完整的动态最优潮流模型，决策变量至少包含三大部分：机组的启停状态和出力水平（0-1变量加连续变量）、储能系统的充放电功率和SOC递推、以及线路潮流的控制和节点相角。对于48时段模型，所有变量都要带上时间下标，因此变量规模直接乘以48。

目标函数我建议分三层来设计，不要只写一个发电成本。第一层是常规机组的发电成本，按二次函数描述，火电的煤耗曲线用 $a_g P_{g,t}^2 + b_g P_{g,t} + c_g$ 来表达；第二层是弃风弃光的惩罚项，这个惩罚系数要定得足够高，否则优化器会为了省煤耗而让大量清洁能源白扔；第三层是储能充放电的等效损耗成本，储能循环寿命跟充放电深度强相关，如果不计损耗，优化结果会倾向于频繁极限充放，实际运行中会加速电池衰减。把这三种成本加权求和，才是一个让人愿意信服的运行目标。

3.2 约束体系的构成：节点平衡、机组物理特性与网络安全

约束体系是整个模型最见功力的地方。最基础的是节点功率平衡，它要求每个节点在每个时段注入的总功率等于负荷和流出功率之和。接着是机组物理约束：出力上下限、爬坡速率、最小连续运行/停运时间，这些都是动态模型区别于静态模型的关键约束。储能约束里要特别注意SOC的时序递推关系，$SOC_{t+1} = SOC_t + (\eta_{ch}P_{ch,t} - P_{dis,t}/\eta_{dis}) \cdot \Delta t$，并且一天结束时的SOC要回到初始值，否则第二天没法继续用。网络安全约束可以是直流潮流的线路传输极限，也可以升级为交流潮流的电压和相角约束，具体看研究目标，工程上我建议从直流潮流开始做起，快速验证逻辑后再考虑交流化的复杂度。

3.3 风光预测误差的分布鲁棒约束：随机变量如何进入模型

随机变量不能凭空放进确定性约束里，它必须约束得“有依据”。做法是先收集历史风光预测误差样本，对样本做归一化、异常值剔除、季节性划分，然后估计均值向量和协方差矩阵，作为模糊集的中心。接下来，凡是涉及风光的功率平衡等式，都变成含随机参数的约束；凡是感到不安全的约束，都要求其在模糊集内的所有分布下以较大概率成立。

例如节点功率平衡里的风光出力 $ \tilde{P}_{w}$ 被写进等式，同时通过一个联合机会约束来描述“接入风光后的线路潮流不越限”的可靠性要求。这个机会约束虽然看起来复杂，但经过对偶变换之后可以转化为一组线性矩阵不等式或凸优化约束，最终纳入整体优化模型。需要注意的是，不要试图对每一个约束都加分布鲁棒保护，那样模型规模会失控。实际操作中，只对少数“高危险约束”——比如线路潮流限制和爬坡平衡约束——做分布鲁棒化，其他约束仍按确定性处理，效果和计算速度都能接受。

3.4 数据驱动模糊集的参数确定：半径不是拍脑袋

用Wasserstein模糊集时最常被问的问题是“半径怎么取”。严格的做法是用分布自由置信界公式：给定样本数 $N$、置信水平 $\beta$（通常取0.9~0.95）和Wasserstein距离定义域的直径，计算出一个理论半径。这个半径保证了真实分布以至少 $\beta$ 的概率落在经验分布球内。如果嫌理论公式偏保守，也可以用交叉验证的思路：把历史数据切成训练集和测试集，测试不同半径下的方案成本，选一个让“成本-越限率”构成Pareto前沿的折中值。

我个人在实践中发现，先按理论公式算一个基础半径，再乘以0.5~1之间的缩水系数，往往能得到可接受的鲁棒性和不激进的经济成本。但缩水系数必须在历史场景上做回测验证，盲目缩小半径会让方案的名义鲁棒性和实际鲁棒性脱节。

4. 求解路径：从min-max-min到可解凸优化的三步转换

4.1 问题结构里的“min-max-min”嵌套

DRO模型天然是一个三层的结构。最外层是在模糊集内寻找最坏分布，中间层是求解该分布下的最坏场景成本，最内层才是我们真正要决策的机组出力和储能充放电。这三个层次写成数学形式就是经典的min-max-min问题。求解器没法直接处理这种嵌套结构，必须先做模型重构。

这里有一个关键认知：三层结构并不是每一个都必须保留到底。最里层的min其实是要决策的优化主体，中间层的max是模糊集内的“最坏分布寻找”，外层的min是对决策变量的总优化。只要能把中间层的max通过强对偶定理化为一个有限维的凸约束子问题，整个问题就能变成一个大的单层优化模型。

4.2 强对偶变换：把最坏分布“显式化”

对偶变换的核心思想是，利用分布集的统计矩信息，把“在所有可能分布上取期望”的最坏情形，转化为“对一组对偶变量求最优值”的问题。因为模糊集本身是凸的，内部的期望算子关于分布是线性的，所以满足强对偶条件。把inf和sup交换位置后，得到的目标函数里会多出一组对偶变量，它们对应着模糊集中均值、协方差约束的拉格朗日乘子。

转换完成之后，原来的min-max-min问题就变成了一个单层的min问题，但新增了很多对偶变量和非线性对偶项。这些非线性项如果只是简单的二次型，可以直接用二阶锥松弛或半定规划来处理；如果更复杂，就需要外近似或线性化手段。我自己在实现时，把Wasserstein模糊集的对偶问题写成了带范数约束的凸优化形式，然后用MOSEK或Gurobi直接求解，收敛性和稳定性都还可以。

4.3 迭代式分解：大系统拆成“确定性调度 + 场景校验”两个模块

即使完成了对偶变换，48时段的DRO模型直接求解仍然是庞然大物。更高效的工程做法是使用类似列与约束生成（Column-and-Constraint Generation, CCG）的迭代框架。基本思路是：先求解一个不带任何鲁棒约束的确定性主问题，得到一个调度方案；然后在固定的方案下，去模糊集里寻找最坏分布对应的“最恶劣场景”；把这个最恶劣场景作为新的约束加回主问题；再求解、再找最坏场景，如此循环直到方案的鲁棒性指标满足要求。

这种做法的好处是主问题的规模始终可控，因为每次迭代只增加一个场景约束，而找最坏场景的子问题通常比原问题小得多。实际跑下来，一般迭代10~20次就能收敛，比一次性求解整个大模型快一个数量级。对于更大规模的系统，还可以把各个区域用ADMM分解成分布式求解模块，让每个区域只处理本地的约束，通过交换边界联络线功率来协调全局一致性。此时“分布式”这个词就真的名实相副了：既是分布鲁棒，又是分布式计算。

4.4 求解器选择和实现工具的经验

模型规模不同，适合的求解器也不一样。如果是小规模的验证性算例（十几个节点、几台机组），用Gurobi配YALMIP或CVXPY就够了；如果上到几百个节点的中大规模系统，建议用Gurobi配合MOSEK分别处理混合整数部分和二阶锥约束；如果想做高精度数值研究，Gurobi 11以上的版本对二阶锥约束的支持已经非常成熟，可以优先考虑。

Python生态里最顺手的组合是CVXPY做建模层、Gurobi做求解后端。要注意的一点是，动态模型里大量的0-1变量会让混合整数部分成为计算瓶颈，建议尽量把0-1变量数量压住，比如用状态压缩或聚合建模来减少启停变量。我踩过最深的坑是直接把所有机组都拆成0-1变量，结果48时段模型一跑就是一整夜，换了聚合建模之后，求解时间直接降到半小时以内。

5. 算例实测：模糊集半径怎么选，成本与鲁棒性如何权衡

5.1 测试系统的配置

我用一个含风光、火电、水电、储能的改进型6节点系统做验证，负荷曲线取自实际地区某典型日数据，风电光伏的预测误差样本按历史实际运行数据生成。全时段数48，步长半小时。为了对比，我跑了四个模型：确定性模型、传统盒式鲁棒模型、矩模糊集DRO、Wasserstein距离DRO。所有模型都包含相同的系统物理约束，只在不确定性处理方式上有差别。

配置参数方面，火电的最大爬坡速率取额定容量的2%，储能额定容量设定为风电装机容量的15%，SOC安全区间设为0.1~0.9。风光的预测误差均值按零处理，但协方差矩阵从历史样本中估计，保留场站之间的相关性。线路传输极限故意取得偏紧，这样才能看出鲁棒约束对方案的影响。

5.2 几组半径取值下的经济性与安全指标对比

我把Wasserstein半径从0.05逐步增加到3.0，对应从“几乎相信经验分布”到“高度怀疑分布”的过渡。看下面的结果对比：

从表里可以明显看出，确定性模型的成本最低，但回测中线路越限次数高达12次，说明它对风光波动的防御能力很弱。传统盒式鲁棒完全消除了越限，代价是运行成本高出31%，弃风弃光率也被抬到7.6%，这对高新能源渗透率的系统来说不可接受。DRO两个变体都大幅改善了经济性，其中Wasserstein取半径0.5时成本仅增加8%，回测只出现1次轻微越限，弃风弃光率控制在3.1%，是一个很好的折中点。

5.3 从数值结果背后读出的规律

半径从0.5加到2.0之后，成本从1.08涨到1.19，说明鲁棒性增强的经济代价是逐步上升的，但不是线性关系；当半径很小时，DRO的结果接近随机规划，风险暴露比较多；半径足够大时，它又趋近于传统鲁棒的保守。这个现象给了调参一个很重要的启发：你要的从来不是“越大越安全”，而是让越限概率落在可接受水平下最小的那个半径。

我后来用交叉验证法对这个系统重新选半径，结果最优值落在0.32附近，比理论半径的1.5倍还要小一些。这说明理论公式给出的半径在样本量充足时确实偏保守，实际使用中结合业务允许的越限概率去反向搜索半径，比死记公式更可取。

5.4 为什么矩模糊集和Wasserstein模糊集结果不一样

矩模糊集只约束均值和方差，它允许的分布范围其实很大，而且不包含任何“分布形状”的信息，所以最坏分布往往会在均值附近极端聚集，导致它比Wasserstein模糊集更保守。Wasserstein模糊集则对“分布之间的靠拢程度”做了约束，保留了更多样本里的局部结构信息，因此最坏分布更贴近经验分布，解也自然更经济。

这个差异放在电力系统里意义很大：风光预测误差的样本量大、数据质量相对高，你没必要用矩模糊集那种“只知道均值和方差”的粗糙信息来做决策；既然手里有几千个历史场景，用Wasserstein模糊集充分利用场景分布信息，才是数据驱动时代更合理的建模选择。

6. 工程上的几个“暗坑”和我的使用建议

6.1 预测误差样本的质量比数量更关键

DRO号称“数据驱动”，但数据本身的脏乱差会直接被模型放大。我在处理历史风光预测误差样本时遇到的第一个坑是：样本里有大量的离群点，比如极端天气下的功率突降，这些点如果不过滤，协方差矩阵就会被拉得面目全非，模糊集直接变成一个巨大的“悲观球”，最后算出的成本高得吓人。

我的处理方式分三步：第一步，按季节和时段把样本分层，避免把夏季午间的光伏误差和冬季晚间的风电误差混在一起；第二步，用稳健统计方法（比如剔除超出3σ的点）清洗样本；第三步，对清洗后的样本做核密度估计，肉眼确认一下分布形态有没有异常。这个清洗流程确实会花时间，但它对模型质量的影响比任何求解器调参都大。

6.2 储能SOC初值和终值约束不能省

很多人在动态最优潮流里把储能的SOC终值约束省略了，理由是“让优化器自己决定跑到哪算哪”。但这个做法在DRO框架下会出大问题：因为最坏分布场景可能把储能在最后一个时段压到极低或者抬到极高，而第二天重新优化时初始SOC又是一个固定值，两天的方案之间出现明显的断点，实际运行根本没法执行。

我的建议是，SOC终值设定在初始值的±10%范围内，并且给储能循环次数设一个全年上限。这个约束在模型里实现起来很便宜，但对于保证优化结果的连续性和储能寿命至关重要。另外，SOC的初始值不要拍脑袋，最好用前一天的优化结果回读，这样日滚动调度才能真正衔接上。

6.3 机会约束的置信度不是越高越好

分布鲁棒约束通常以机会约束的形式出现，即“线路不过载的概率不低于某个置信度”。很多人习惯性地把置信度取到0.99甚至0.999，觉得越安全越好。但从我跑的数据来看，当置信度从0.95提到0.99，运行成本会上涨5%~10%，而实际线路越限次数只减少了不到1次。这个性价比非常不划算。

工程上比较合理的做法是先把置信度放宽到0.90~0.95，跑一轮调度方案，拿到严格交流潮流下回测的越限结果；如果回测越限次数超标，再逐步收紧置信度。我一贯的观点是：模型里的置信度只是一个代理指标，真正的验收标准是回测场景下的越限率和弃风弃光率，两个口径最终要对应起来。

6.4 计算时间优化：把力气花在刀刃上

48时段DRO模型的规模注定不小，但计算资源是有限的，所以总得做取舍。我的经验是四个优先：优先用聚合机组替代逐台建模，优先用直流潮流替代交流潮流做第一轮筛选，优先把最耗时的机会约束限制在最容易越限的几条线路上，优先在CCG迭代开始时用一个宽松的收敛gap（比如5%）来快速逼近可行域，最后阶段再收紧到1%以内。

这套策略下来，我的模型从最初的4个小时硬生生压到了25分钟左右，但调度方案在回测里的表现没有明显恶化。记住一个原则：DRO的精度瓶颈往往在于模糊集参数的准确性，而不在于求解精度高那千分之一。与其让求解器多跑两个小时，不如把时间拿去多洗一轮预测误差样本。

6.5 如果要把这套方法推上线，还需要做什么

算例验证通过之后，从研究代码到线上调度程序之间还有一段距离。我建议至少做三件事：第一，把历史长期运行数据（至少一年）全部拿来做回测，统计不同季节、不同气候模式下的方案质量和越限率；第二，给模糊集半径和置信度做一套自动整定逻辑，让系统随着样本滚动更新自动调整鲁棒性水平，而不是人工定期去改参数；第三，把CCG迭代的最终场景保存下来，作为“典型高风险场景库”备用，等真实运行时遇到类似情况可以提前处置。

这三件事做完，基本就具备了试点运行的条件。新能源占比越高的系统，预测误差的尾部风险越不能忽视，DRO这种“数据驱动+对分布不确定”的建模思路，未来的价值只会越来越明显。

做了一整轮下来，我的体会是，分布式鲁棒优化确实是目前多源动态最优潮流里应对风光不确定性的一个很务实的选择。它比随机规划更能抵御分布估计偏差，又比传统鲁棒优化经济，关键是模糊集的参数可以直接跟历史数据挂钩，工程上解释得通。如果你刚从确定性模型切过来，别急着一步到位建大模型，先在小算例里把对偶变换和CCG迭代跑通，感受一下“最坏分布从哪冒出来的”，再往大系统推，会顺很多。