风电不确定性下的机组组合优化：分布鲁棒优化方法与实践

1. 项目概述：风电不确定性下的机组组合优化挑战

在电力系统调度领域，机组组合（Unit Commitment, UC）问题一直是个经典难题。简单来说，就像在策划一场大型音乐会——我们需要提前决定哪些发电机（"乐手"）该上场、什么时候上场，以及各自承担多少发电量（"演奏强度"），才能既满足全场观众的用电需求（"音乐效果"），又让主办方的总成本最低。

但随着风电这种"即兴表演艺术家"加入电力系统，问题变得复杂起来。风电出力就像爵士乐手的solo段落，受风速变化影响具有天然的随机性。我参与过的一个实际项目就曾遇到这种情况：某省级电网的风电预测误差有时能达到装机容量的30%，导致调度员不得不频繁启停备用机组，单这一项每年就增加近千万的运行成本。

传统应对方法主要有两种：一种是"精确乐谱派"（随机规划），假设已知风电出力的精确概率分布；另一种是"绝对保守派"（鲁棒优化），按最恶劣情况做准备。但前者需要上帝视角般的准确数据，后者则常因过度保守造成资源浪费。这就好比要么要求准确预测爵士乐手每个即兴音符（不现实），要么干脆让所有乐手全程满功率演奏（太浪费）。

2. 分布鲁棒优化：在不确定中寻找平衡点

2.1 核心思路解析

分布鲁棒优化（Distributionally Robust Optimization, DRO）就像个聪明的乐队经理：不追求预测每个即兴音符，但会划定一个合理的即兴范围。具体到我们的UC问题：

1. 不确定性建模：用Wasserstein距离构建一个"模糊集"，包含所有可能的风电概率分布。这相当于说："爵士乐手的即兴段落不会偏离主旋律超过3个八度"。

2. 优化目标：在最坏的分布情况下（即兴最狂野时），寻找成本最低的调度方案。就像确保即使乐手突然飙高音，演出也不会崩盘。

3. 决策架构：采用两阶段模式：

   • 第一阶段（事前）：决定机组启停（整数决策）
   • 第二阶段（事中）：根据实际风电出力调整发电量（连续决策）

2.2 数学建模细节

目标函数：

matlab复制min (启动成本) + max_[P∈Ω] E_P[发电成本 + 失负荷惩罚]

其中Ω是由Wasserstein距离定义的不确定性集合，P是可能的风电分布。

关键技术处理：

• **