综合能源系统两阶段随机优化与Matlab实现

1. 项目背景与核心挑战

在能源系统转型的大背景下，综合能源生产单元（Integrated Energy Production Unit, IEPU）作为耦合电、热、气等多种能源形式的新型基础设施，其运行优化问题正面临源荷双重不确定性的严峻挑战。我去年参与的一个工业园区微网项目就深刻印证了这一点——光伏出力预测误差经常达到实际值的30%，而热负荷需求在极端天气下的波动幅度甚至超过50%。

这种不确定性直接导致传统确定性优化方法失效。项目初期我们采用固定预测值的调度方案，结果一个月内就出现了8次备用容量不足的紧急情况。最严重的一次发生在去年12月寒潮期间，由于同时出现光伏出力骤降和热负荷激增，系统不得不高价购买外部电力，单日运行成本增加了17万元。

2. 两阶段随机优化框架设计

2.1 基础模型架构

我们构建的优化框架包含两个决策层次：

matlab复制% 第一阶段决策变量定义
x = sdpvar(n_units, T, 'full'); % 设备容量配置
y = binvar(n_units, T, 'full'); % 启停状态

% 第二阶段决策变量
p = sdpvar(n_units, T, n_scenarios); % 实际出力
s_pos = sdpvar(T, n_scenarios); % 正备用不足量
s_neg = sdpvar(T, n_scenarios); % 负备用不足量

第一阶段解决"here-and-now"问题，确定设备容量配置和计划出力；第二阶段处理"wait-and-see"问题，针对不同风光出力和负荷场景进行运行调整。这个框架最大的优势在于：

• 配置阶段考虑所有可能场景的期望成本
• 运行阶段允许根据实际观测值进行再调度
• 通过备用不足量变量量化可靠性风险

2.2 场景生成与缩减技术

我们采用改进的拉丁超立方抽样结合WARD聚类算法生成典型场景。以某园区实际数据为例：

关键技巧：场景缩减时需保持前四阶矩统计特性，我们采用改进的Kantorovich距离作为聚类指标，相比欧式距离能更好保持分布特征。

3. 混合整数规划模型构建

3.1 目标函数分解

总成本包含三个部分：

matlab复制% 投资成本（折算到调度周期）
C_inv = sum(c_inv' * x); 

% 期望运行成本
C_op = sum(prob(s) * (sum(c_fuel' * p(:,:,s)) + ... 
       sum(c_start * y(:,:,s))));

% 风险成本（CVaR度量）
alpha = 0.95; % 置信水平
zeta = sdpvar(1);
C_risk = zeta + 1/(1-alpha) * sum(prob(s) * max(0, ...
        cost_scen(s) - zeta));

实际项目中我们发现，当风险权重系数超过0.3时，系统会过度配置储能设备。经过实测数据分析，建议将系数控制在0.15-0.25之间。

3.2 关键约束条件

1. 能量平衡约束：

matlab复制for t = 1:T
    for s = 1:n_scenarios
        Constraints = [Constraints, ...
            sum(p(:,t,s)) + s_pos(t,s) - s_neg(t,s) == load(t,s)];
    end
end

2. 机组爬坡约束：

matlab复制for u = 1:n_units
    for t = 2:T
        Constraints = [Constraints, ...
            -ramp_down(u) <= p(u,t,s) - p(u,t-1,s) <= ramp_up(u)];
    end
end

3. 备用容量约束：

matlab复制reserve_pos = sum(p_max .* y) - sum(p);
reserve_neg = sum(p) - sum(p_min .* y);

4. Matlab实现技巧

4.1 模型加速策略

1. 稀疏矩阵处理：

matlab复制% 将约束矩阵转换为稀疏格式
A = sparse(A_full);
b = sparse(b_full);

2. 并行场景计算：

matlab复制parfor s = 1:n_scenarios
    [p_opt(:,:,s), cost(s)] = solve_scenario(prob(s));
end

3. 热启动技巧：

matlab复制ops = sdpsettings('solver','gurobi','usex0',1);
optimize(Constraints,Objective,ops);

4.2 实用代码片段

1. 概率场景分析：

matlab复制function [scenarios, prob] = generate_scenarios(hist_data, n_scen)
    % 基于历史数据生成场景
    [N, ~] = size(hist_data);
    scenarios = zeros(n_scen, T);
    for i = 1:n_scen
        idx = randi([1 N],1,T);
        scenarios(i,:) = hist_data(idx);
    end
    % 计算概率权重
    prob = ones(n_scen,1)/n_scen;
end

2. 结果可视化：

matlab复制figure('Position',[100 100 900 400])
subplot(1,2,1)
plot(p_optimal')
title('机组最优出力计划')
xlabel('时段')
ylabel('功率(MW)')

subplot(1,2,2)
bar([s_pos_opt; s_neg_opt]')
title('备用不足量')
legend('正备用不足','负备用不足')

5. 典型问题排查指南

在华东某项目实测中发现，当场景数超过500时，采用Benders分解算法可将求解时间从6.2小时缩短至47分钟，内存占用减少68%。

6. 实际应用案例

某工业园区综合能源系统参数：

• 光伏装机：15MW
• 燃气轮机：4×3MW
• 电储能：2MW/8MWh
• 热储能：1.5MW/6MWh

优化前后对比：

具体到冬季典型日的运行策略：

1. 06:00-08:00：提前启动燃气轮机预热
2. 10:00-14:00：光伏满发，储能充电
3. 18:00-20:00：联合释放电热储能

我们在代码中特别加入了以下实用功能：

matlab复制function save_operational_log(decision, timestamp)
    % 记录运行决策日志
    fid = fopen('operation_log.csv','a');
    fprintf(fid,'%s,',timestamp);
    fprintf(fid,'%f,',decision);
    fclose(fid);
end

这个项目最终实现了调度指令自动生成、实时偏差校正和风险预警的三位一体功能。在调试过程中有个值得分享的经验：当发现优化结果中储能总是满充满放时，不要急于修改模型，应先检查电价曲线的峰谷时段设置是否正确——我们曾因此浪费了两周时间排查。