微电网多阶段鲁棒调度MATLAB复现：C&CG算法与储能建模全解析

大家搜到这个题目，多半是正在复现那类“含可再生能源和储能的区域微电网最优运行（考虑鲁棒性和不确定性）”的论文，要么是课程项目，要么是准备发小论文。我前前后后把这类模型从数学推导到MATLAB代码完整跑通，中间踩了不少坑，这篇文章就把整个复现思路、关键公式、代码架构和排坑经验一次讲清楚，希望帮你少走弯路。

这套内容分为几个层次：先搞明白什么是多阶段鲁棒调度，为什么要用鲁棒优化而不是随机优化；再扎进模型里看目标函数、不确定集、储能约束怎么建；然后落到MATLAB实现上，重点讲列与约束生成（C&CG）的求解框架和YALMIP建模细节；最后给出一份常见问题速查表。适合做微电网优化、储能调度、电力系统鲁棒优化方向的研究生和工程师，也适合想快速上手鲁棒优化的初学者。

1. 整体设计思路：多阶段鲁棒调度到底在解决什么问题

1.1 微电网调度为什么不能只看预测值

微电网里最恼火的就是可再生能源出力没法精确预知。光伏看天吃饭，风机出力随风起伏，今天预测数据看着很好，明天实际出力可能直接掉一半。传统的确定性调度只用一个预测曲线去安排发电和储能，一旦实际偏差变大，就可能出现弃风弃光、切负荷，甚至频率越限。这种问题在并网型微电网里还能靠主网兜底，在孤岛型微电网里就是灾难。

所以我们需要一种调度方案，让决策在“最坏情况”下也安全可行，这就是鲁棒优化的出发点。它不对不确定参数的概率分布做精确假设，只要求知道不确定量的波动范围，比如“光伏预测误差不超过±15%”“风电预测误差不超过±20%”，然后在这个范围内寻找保证系统安全且运行成本尽可能低的策略。这种思想在电力系统里用得很成熟，从输电网络到微电网都有大量应用。

1.2 多阶段到底“多”在哪里

标题里的“多阶段鲁棒调度模型”，很多初次接触的人会以为是多阶段随机规划。其实在微电网调度里，更常见的理解是：把运行周期按时间顺序拆成多个决策阶段，比如日前预调度、日内滚动调度、实时调整，或者更细的每小时、每15分钟一个阶段。每个阶段都要做决策，但不确定参数是逐步显现的，所以后一阶段的决策可以参考前一阶段的实际实现值，从而降低不可行风险。

不过，为了求解方便，实际建模中通常把问题写成两阶段鲁棒优化形式：第一阶段是“在这里做决策”，比如机组启停、储能充放电计划、向上级电网购电计划，这些是在不确定参数实现之前必须定下来的“事前决策”；第二阶段是“看到实际出力后如何补救”，比如调整机组出力、储能出力、弃风弃光量、可削减负荷量，这些叫“事后调整”。所谓“多阶段”，则是把滚动窗口内一系列两阶段问题串起来，每次只实施第一阶段的第一个时段决策，然后滚动推进。我的复现代码里就是按照“日前-日内滚动”的方式实现多阶段效果，这样既贴近工程实际，也方便用成熟的鲁棒优化算法求解。

1.3 鲁棒优化 vs 随机优化：我为什么选鲁棒

做微电网优化，很多人第一反应是随机规划（stochastic program），搭场景树或者蒙特卡洛抽样。随机优化确实能给出期望成本最优的决策，而且能获取风险指标，但它有两个硬伤：一是需要知道不确定参数的真实概率分布，这个在微电网实际运行中很难拿到准确分布；二是场景数量一大，求解规模爆炸，对MATLAB来说内存和求解时间都吃不消。鲁棒优化恰好绕开了这些问题，它只需要不确定量的边界，哪怕是历史数据的经验区间都行，而且通过调节“不确定预算”（budget of uncertainty）可以控制保守程度，相当于在“鲁棒性”和“经济性”之间拧旋钮。我复现时直接采用了盒式/预算不确定集，既简单又能直观看出保守度对成本的影响，非常适合作对比实验。

2. 核心模型构建：目标函数、不确定集与储能约束

2.1 目标函数怎么写才不丢关键约束

很多论文里的目标函数都是“系统总运行成本最小”，这没错，但复现时一定要把它拆开看，别漏了惩罚项。典型的成本包括：

• 燃气轮机或柴油发电机的燃料成本（常用二次函数，可以分段线性化）
• 储能充放电退化成本（如果算寿命损耗）
• 向上级电网购电成本
• 弃风弃光惩罚成本
• 切负荷惩罚成本（或者叫失负荷价值）

我在复现时把目标函数写成了下面这种结构（用YALMIP语法示意）：

matlab复制objective = sum(fuel_cost) + sum(buy_cost) ...
          + sum(OM_cost) + sum(curtail_penalty) ...
          + sum(load_shed_penalty);

式中的二次燃料成本我采用了分段线性近似，因为在鲁棒优化的第二阶段中如果继续保留二次项，会让子问题变成非线性，求解麻烦。分段线性化精度足够，而且能保证LP或MILP可解。

注意：第二阶段决策里的弃风弃光和切负荷一定要加足够大的惩罚系数，但也不能大到失真。通常把切负荷惩罚设为购电成本的5-10倍，弃风弃光设为3-5倍，这样既能保证不轻易切负荷，又不会让模型为了“零切负荷”而做出极端决策。

2.2 可再生能源出力不确定集：盒式、预算式，怎么选

鲁棒优化的核心就是把不确定参数集合刻画出来。微电网里最常用的是盒式不确定集和预算不确定集。

盒式不确定集最简单，每个时段的出力波动都在一个区间内：

[
P_t^{ren} \in [\hat{P}_t^{ren} - \Delta P_t^{ren}, ; \hat{P}_t^{ren} + \Delta P_t^{ren}]
]

其中 (\hat{P}_t^{ren}) 是预测值，(\Delta P_t^{ren}) 是最大偏差。但这个集合把所有时段同时往最坏方向拉，结果会非常保守，实际运行中几乎不可能所有时段都偏差到极点。

所以更实用的是引入不确定预算 (\Gamma)，限制整个调度周期内总偏差不能超过某个阈值：

[
\sum_{t=1}^{T} \frac{|P_t^{ren} - \hat{P}_t^{ren}|}{\Delta P_t^{ren}} \le \Gamma
]

(\Gamma) 控制保守程度：(\Gamma=0) 等价于确定性模型，(\Gamma=T) 等价于盒式集合。复现时我一般取 (\Gamma) 为总时段数的30%-50%，这样既能保证一定的鲁棒性，又不至于成本高得离谱。

如果想让不确定集更精细，还可以用多面体集或椭球集，但求解难度会上升。微电网规模不大，用预算式集合配合C&CG算法已经非常够用，也是绝大多数论文采用的方案。

2.3 储能系统建模：SOC和功率约束最容易出错

储能是多阶段调度里最特殊的元件，因为它有跨时段耦合约束。很多初学者建储能模型只写功率和容量约束，一跑仿真却出现“SOC不连续”“储能一天充放电量对不上”的怪事，多半是时间索引和能量平衡写错了。

储能约束至少包括四类：

• 充放电功率上限：(0 \le P_{ch,t} \le P_{ch}^{max} \cdot u_{ch,t})，(0 \le P_{dis,t} \le P_{dis}^{max} \cdot u_{dis,t})
• 充放电互斥约束：(u_{ch,t} + u_{dis,t} \le 1)（避免同时充放电）
• 荷电状态（SOC）递推式：(SOC_{t+1} = SOC_t + \eta_{ch} P_{ch,t} \Delta t - P_{dis,t} \Delta t / \eta_{dis})
• SOC上下限：(SOC^{min} \le SOC_t \le SOC^{max})

这里有两个细节直接影响复现成败。第一，充电效率和放电效率不是一回事，别用一个值糊弄，否则储能的能量守恒会偏。第二，SOC递推式里的 (\Delta t) 要跟功率单位匹配，如果功率是kW，时段是1小时，那能量就是kWh，SOC是比值不需要乘容量，但要额外加一条 (SOC_t \le E_{rated})？不对，SOC已经归一化了，应该写成 (SOC_t) 在0到1之间，同时 (P_{ch,t} \cdot \Delta t) 的能量项要除以额定容量 (E_{rated})，才能得到SOC变化量。很多论文直接写 (SOC_{t+1} = SOC_t + P_{ch,t}\Delta t) 就错了，单位不对。

我自己的代码习惯是用如下格式：

matlab复制constraints = [constraints, SOC(:, t+1) == SOC(:, t) ...
    + (eta_ch * P_ch(:, t) - P_dis(:, t) / eta_dis) * dt / E_rated];
constraints = [constraints, SOC(:, t) <= SOC_max];
constraints = [constraints, SOC(:, t) >= SOC_min];
constraints = [constraints, SOC(:, 1) == SOC_init];

最后一条初值约束特别重要，很多复现结果出现SOC漂移，往往就是因为初始SOC没设或者没设成统一值。

3. MATLAB实现：从数学模型到可运行代码的关键细节

3.1 数据准备：别在单位换算上浪费时间

我在第一次复现时，卡了整整两天在单位上。算例给的负荷单位是MW，储能容量却是kWh，可再生能源预测是标幺值，结果模型怎么都不对。后来学乖了，统一所有数据到同一套单位（建议都用kW和kWh），并单独写一个数据加载脚本，把所有原始数据转换成内部计算格式，再进入优化模型。

数据准备阶段，我一般分四个结构体：

• 负荷数据：时段、有功负荷、可削减比例
• 光伏数据：预测出力、最大波动偏差
• 风电数据：预测出力、最大波动偏差
• 储能参数：额定容量、最大充放电功率、效率、初始SOC
• 能源价格：分时电价、燃料价格

对于“完全复现”，建议用公开的微电网算例数据，比如可以从某些论文附录或者Github上的微电网数据集里找，也可以自己根据典型日负荷曲线生成。关键是把不确定范围标注清楚，方便复现者调整。

3.2 求解框架：用C&CG把两阶段鲁棒问题拆开

数学模型光好看没用，得能求解。两阶段鲁棒优化的标准解法是列与约束生成算法（C&CG），比Benders分解更好理解，也不用像常规Benders那样在主问题里加一堆割平面。C&CG的大致流程是：

• 主问题（MP）：在第一阶段变量和第二阶段变量的“某几个固定场景”下求最优，目标是最小化总成本。
• 子问题（SP）：在给定第一阶段决策后，寻找使系统“最坏”的不确定参数取值，这个最坏场景会返回给主问题，作为新的一列加入模型。

不断迭代，直到上下界之差小于阈值。

但微电网鲁棒优化里有个坑：子问题里第二阶段决策是最小化成本，而外部不确定参数是最大化成本，所以子问题本身是双层结构（max-min），不能直接交给MILP求解器。解决的办法是取对偶（Dualize）或者使用KKT条件，我现在推荐用强对偶把内层最小问题转化成最大问题，从而变成单层max问题。困难在于内层问题必须满足线性对偶条件，所以前面提到的线性化、连续变量处理都是为这一步服务。

MATLAB里用YALMIP建模子问题时，有个简便方法：直接用dual函数把对偶变量表达出来，但如果对偶理论不熟，也可以利用YALMIP的鲁棒优化模块（uncertain），对盒式不确定集直接求解。不过这种黑盒方式只适合纯LP，一旦加了整数变量（比如充放电状态）就不太行了。我的建议是：先手推对偶，再写代码，这样最稳。

3.3 主问题和子问题的代码骨架

我把C&CG的主循环写得比较规范，方便复用：

matlab复制% 初始化
LB = -inf; UB = inf;
iter = 1;
worst_scenario_history = {};

% 初始场景：预测出力
scenarios = nominal_forecast;

while (UB - LB) / abs(UB) > tol && iter <= max_iter
    % 求解主问题：给定场景集合scenarios，求第一阶段决策和成本
    [x_first, obj_MP, y_second{iter}] = solve_MP(scenarios);
    LB = obj_MP;  % 主问题给下界

    % 求解子问题：给定x_first，寻找最坏场景
    [worst_scenario, obj_SP] = solve_SP(x_first);
    UB = min(UB, obj_SP);  % 子问题给上界

    if UB - LB > tol
        scenarios = [scenarios, worst_scenario]; % 把最坏场景加入主问题
        iter = iter + 1;
    end
end

注意：主问题中的第二阶段变量Y在每一轮迭代里是跟“对应场景”绑定的，要给每个场景单独构建一组Y变量，然后约束所有场景下的功率平衡，这样主问题的规模才会随迭代次数增长，这也是“列生成”的含义。

子问题里需要固定第一阶段变量，比如机组启停状态、储能充放电状态（如果有整数变量），然后再求解最坏场景下的最小调整成本。这里有个经验：如果储能充放电状态已经在第一阶段确定了，子问题里储能就变成纯连续变量，容易很多。而如果储能状态只给到SOC范围，不允许整数决策，那么整个模型可以保持为LP对偶，计算效率高很多。我看过很多论文采用的就是这种“简化版鲁棒模型”，不含储能整数变量，效果也不错。

3.4 YALMIP建模式板：别踩“变量名冲突”的坑

用YALMIP时，我强烈建议把主问题和子问题写成两个独立函数，内部使用局部变量，避免工作区变量互相覆盖。下面是个简化模板：

matlab复制function [x, obj, y] = solve_MP(scenarios)
    % 定义变量
    x = sdpvar(1, T);          % 购电功率
    y = sdpvar(1, T);          % 储能放电功率（示例）
    z = binvar(1, T);          % 机组启停示例
    % 约束
    C = [];
    C = [C, 0 <= x <= x_max];
    C = [C, sum(x) >= demand_total];
    % 目标
    obj = sum(cost_rate .* x) + penal * sum(z);
    ops = sdpsettings('solver','gurobi','verbose',1);
    optimize(C, obj, ops);
    x = value(x); y = value(y); obj = value(obj);
end

在子问题中要用assign和value来固定第一阶段变量，例如：

matlab复制assign(x_locked, x_first_value);
assign(y_locked, y_first_value);

如果直接用value替换变量会导致约束结构混乱。我最开始没有区分“变量句柄”和“数值”，导致子问题对偶结果完全错误，排查了好久。

4. 实操过程与结果分析：给一个可复现的算例

4.1 算例设置与参数选择

我自己搭了一个典型区域微电网，包含一台燃气轮机、一个光伏电站、一个风电场、一组储能电池、本地负荷，可以与主网交换功率。具体参数如下：

这个算例规模不大，用Gurobi求解一般迭代5-10轮就能收敛，耗时不到1分钟，非常适合快速验证。

4.2 结果展示：成本、出力与SOC曲线的解读

跑完C&CG后，我通常输出三类关键结果：

• 总成本以及成本构成（购电成本、燃料成本、惩罚成本）
• 各时段购电/机组出力/储能充放电功率
• 储能SOC曲线

比较典型的结果是：鲁棒模型比确定性模型的总成本高10%-25%，但在最坏场景下，鲁棒模型的切负荷量几乎为零，而确定性模型在同样场景下会出现明显失负荷。这就回答了“鲁棒优化到底带来什么价值”——花一点经济代价，换取可靠性保障。

我还会对比不同Γ值下的总成本。当Γ从0增大到24时，成本会逐渐上升，但上升速度放缓。一般画一张“Γ-Cost”曲线，就能直观看出保守度与成本的折中关系。这组图在写论文或报告时非常加分，也方便解释参数选择依据。

4.3 两阶段决策如何回代到多阶段滚动框架

“多阶段”不仅仅是一个数学概念，我按照滚动时域的思路实现了这样一套流程：

1. 设置总仿真时长为24小时，滚动窗口长度为6小时。
2. 在第一个窗口，用鲁棒模型计算未来6小时的调度决策，只实施第1小时决策。
3. 滚动到下一个窗口，更新预测值和不确定范围，加入实际观测值修正，再求解新的6小时窗口。
4. 直到全部24小时调度完成。

这样做的好处是，每个窗口内有多个决策阶段，但整体上又是多阶段滚动决策。实际仿真也验证了：滚动鲁棒调度比一次性24小时鲁棒调度更灵活，能够利用最新预测信息，成本也略有降低。如果你的研究方向偏应用，建议把这个滚动框架也实现出来，效果会更好。

5. 常见问题与排查技巧实录

5.1 求解速度慢，主问题规模爆炸怎么办

C&CG每迭代一轮，主问题都会增加一组阶段变量和约束，如果初始场景多、时段长，很快就能把内存吃光。解决办法：

• 将时段拆成多个窗口，不要一次性优化24小时（如果算例允许）。
• 减少整数变量。例如储能充放电互斥可以用连续变量 + 二进制变量，也可以尝试松弛成凸约束，省掉一部分整数变量。
• 为Gurobi设置合适的MIPGap，比如0.1%或1%，不要追求绝对最优。

我实际测试中，把Gurobi的MIPGap从默认的1e-4调到1e-2，速度能快3倍以上，而成本差异不到0.1%，完全可接受。

5.2 子问题对偶求导老出错，怎么办

很多人在手推对偶时分不清“最大最小问题”的符号，或者忘了对偶变量非负约束。我建议先不要直接写代码，先在纸上把内层最小化的标准形式和对偶式写出来，特别要注意等式约束对应的对偶变量是自由变量，不等式约束对应的对偶变量非负。另一个技巧是：用YALMIP的dual命令来验证对偶是否写对，或者先用一个极小的3时段算例，手算对比结果，再去跑24小时。

如果不想手推，也可以用YALMIP内置的uncertain加上robust命令求解简单的鲁棒LP。但要注意，uncertain只支持线性约束和线性目标，且要求不确定变量出现在约束系数中时处理能力有限。我的建议是主问题用手写C&CG，子问题如果规模小可以直接用枚举或暴力搜索不确定场景来验证对错，更稳妥。

5.3 储能SOC出现跳变或越界

这通常有三个原因：SOC递推的时间步长与功率单位不匹配；SOC上下限设置在充放电约束之后被覆盖；储能初值没有固定。解决办法很简单：统一时间单位，先写SOC递推约束，再写SOC上下限，最后加一条要求全天结束时SOC恢复到初始值（或者不低于某阈值）的约束，这样能避免储能把电量全部耗尽。

我经常加一个“SOC_final >= SOC_init”的约束，虽然没有强制相等，但已经能很好保证次日可继续调度。

5.4 Gurobi报错或YALMIP找不到求解器

YALMIP报错“No solver available”一般是没有安装或没有设置求解器路径。我通常在代码开头加：

matlab复制check = sdpsettings('solver','gurobi');

如果不行，就检查license。Gurobi的MATLAB接口要单独安装并添加路径。另外，用optimize时记得设置'solver','gurobi'，避免YALMIP自动选到数值不稳定的内置求解器。

5.5 结果数值奇怪，比如购电功率为负

购电功率为负通常意味着模型允许向主网售电，但没有设置售电价格，所以会得出“负购电”的荒谬结果。解决方法：要么限制购电功率非负，要么加上售电决策和售电价格模型。微电网如果允许余电上网，就单独建P_sell变量，并在目标里加上售电收益；如果不允许余电上网，直接约束购电功率≥0，可再生能源多出来的就只能弃掉。

6. 个人实操心得与后续扩展建议

6.1 复现这类论文的通用流程，我总结成四步

先读懂不确定集，明白论文里的不确定参数边界和预算是多少；再写数学公式，把所有约束列全；然后搭代码框架，用确定性模型先算通；最后才加入鲁棒循环。很多人一上来就写C&CG，结果主问题都没调通，后面排查困难。我建议先跑通确定性优化，再把不确定集加进去，这样每一步都能验证。

6.2 如何让模型更贴近实际、更适合发论文

只做基础的两阶段鲁棒已经不够有新意，可以从这几个方向扩展：

• 加入需求响应：把可平移负荷、可削减负荷建模进去，让调度更灵活。
• 多微电网互联：用分布式优化或者交替方向乘子法做多主体协同，这样研究更系统。
• 考虑电动汽车充放电：把EV作为移动储能，引入时空耦合约束。
• 结合强化学习：用鲁棒优化生成保守的基策略，再用RL做滚动修正，非常有亮点。
• 多目标扩展：在成本之外同时考虑碳排放或电压偏差，用帕累托前沿做多方案决策。

我在实际复现时，把需求响应和EV加入模型后，鲁棒优化的成本上升幅度显著减小，说明灵活性资源确实能对冲不确定性。如果你正在发论文，建议在算例分析里重点展示“灵活资源对鲁棒性的改善”，这部分审稿人通常很感兴趣。

6.3 给新手的几句话

别怕数学看不懂，更别怕代码调试。鲁棒优化的学习曲线确实比确定性优化陡，但只要把“两阶段、主问题、子问题、C&CG”这几个关键词吃透，再动手敲代码，一周内能跑通一个基础算例。MATLAB本身不慢，慢的是犹豫和反复推翻。代码先求能跑，再求最优；结果先求合理，再求漂亮。等你把完整的鲁棒调度代码跑通一次，再看其他论文的扩展模型，就会有种“原来都是套路”的感觉。

另外，最好把代码里的数据、模型、算法做成三个模块，方便自己后面换数据、改约束、换求解器。我的项目文件结构大概是：

text复制microgrid_robust/
├── data/          % 负荷、可再生、电价等数据
├── model/         % 主问题、子问题、不确定集
├── solver/        % C&CG迭代算法
├── result/        % 结果图表输出
└── main.m         % 主入口

这样写清晰整洁，回头看也知道哪里改什么。

这个项目我还在继续扩展，下一步打算把滚动时域和鲁棒优化真正耦合在一起，做成实时调度工具。如果你正在做类似方向，欢迎多交流。