胖厨胡学斌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。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
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