多源动态最优潮流的分布式鲁棒优化：建模与分解求解实战

前阵子和一个做配电网调度的朋友聊天，他说现在做96点动态最优潮流（DOPF）越来越头疼：光伏预测曲线稍微偏一点，下午的电压约束就可能越限，机组爬坡甚至储能充放电计划全要重排。他问我，分布式鲁棒优化这个方向到底能不能落地。这正好也是我最近半年一直在琢磨的问题。

多源动态最优潮流分布式鲁棒优化，说穿了就是解决三件事：源网荷储多类资源怎么协同调度、动态过程怎么刻画、新能源不确定性怎么处理。这篇博文我想把这块的思路完整梳理一遍，包括动态最优潮流的难点到底在哪，分布式鲁棒优化和传统随机优化、经典鲁棒优化的区别，以及多源系统建模和ATC、ADMM两种分解求解路线的实际使用感受。内容更适合电力系统调度、优化算法岗的同学，或者正在做新能源并网研究的同行参考。

1. 动态最优潮流为什么在高比例新能源下越来越难解

1.1 从静态潮流到动态最优潮流的跨越

传统的最优潮流以单个时间断面为研究对象，给定负荷和发电机出力，求解满足潮流方程和运行约束的机组最优出力组合。国内调度实际中经常以15分钟为一个时段，一整天的调度计划就是96个断面，每个断面都不独立——火电机组有爬坡速率限制，储能要满足充放电能量平衡，联络线交换功率也有调整速率约束，这就把96个断面硬生生耦合成一个大规模优化问题，也就是我们常说的动态最优潮流。

问题的复杂度会随系统规模迅速增长。一个中等规模的区域电网，节点数两三百个，机组五六十台，再叠加储能、新能源场站和需求响应资源，变量规模能到几十万甚至上百万。我记得自己第一次在一台普通工作站上直接调用商业求解器求多时段、含安全约束的动态最优潮流，内存直接吃满，求解时间跑到二十分钟开外，这在调度实时性要求下根本不可接受。所以后面大家才想尽办法做分解、做近似、做分布式求解。

1.2 不确定性来源比想象中多

高比例新能源接入之后，动态最优潮流的难点不只是规模，更在于不确定性的多样化和耦合。很多人一说不确定性就只想到光伏和风电的预测误差，但实际调度里至少有四类不确定性交织在一起：

• 源侧不确定性：风电、光伏出力受天气影响大，短期预测误差依然有5%到20%，极端天气下更离谱。
• 荷侧不确定性：负荷预测在大工业用户错峰生产和电动汽车无序充电冲击下，波动特征和过去相比变化明显，传统预测方法的训练数据已经不太够用。
• 网络侧不确定性：分布式光伏和储能接入带来的双向潮流，加上拓扑重构、检修计划调整，会导节点阻抗参数和潮流分布模式变化。
• 市场价格不确定性：在电力现货市场环境下，节点电价本身就受供需影响，决策者做调度时还要考虑价格风险。

这些不确定性不是独立存在的。举个实际例子：早上光伏预测偏高，调度计划就倾向于让火电多降出力，一旦实际辐照不足，午高峰时段的爬坡压力会瞬间聚集到火电和储能上。这就是源侧不确定性向系统灵活性需求的传导。如果建模时只考虑单一不确定性而忽略这种耦合效应，优化结果在真实运行中就会很容易越限。

1.3 传统求解框架的三个短板

面对上述问题，传统动态最优潮流求解思路主要暴露出三个明显短板。

第一是确定性调度留下隐患。把预测值当作真值代入，虽然求解快、实现简单，但预测误差客观存在。为了保证安全，工程上往往要预留备用容量或加大安全裕度，结果是成本偏高，且这个裕度到底给多少缺乏量化依据。

第二是随机优化的分布假设容易失真。随机优化通过场景采样来刻画预测误差分布，理论上很漂亮，但实际中误差分布并非恒定，不同季节、不同天气类型分别对应不同的分布特征。一旦假设分布和真实分布有偏差，最优解就会偏离真实最优，严重时甚至得不到可靠的安全保障。

第三是传统鲁棒优化过度保守。经典鲁棒优化要求在给定的不确定集合内，任何可能出力都必须安全可行，本质上是“最坏情况优化”。实际中最大出力同时发生、所有风机都满发或都零出力的极端场景几乎不会出现，严格按照这种方法做出来的调度计划很可能在大多数常规运行日里都偏保守，新能源弃电率和运行成本都偏高。

这三个短板恰好构成了分布式鲁棒优化被关注的理由：它不要求精确知道分布，又不把所有极端场景都按同概率对待，而是通过部分分布信息和模糊集构造来实现风险控制。

2. 分布式鲁棒优化：介于随机优化和传统鲁棒之间的风险对冲思路

2.1 随机优化为何在实际调度中容易被“标定误差”拖累

随机优化在电力系统中的应用很成熟，典型做法是围绕预测值生成一批场景，把含不确定性的优化问题转化为带场景约束的确定性等价问题。每个场景有概率权重，目标函数变成期望目标，约束条件对每个场景都成立。这种做法在负荷预测误差波动平稳的年代还够用。

问题是高比例新能源场景下，预测误差的分布不再稳定。拿光伏预测来说，晴天和阴雨天的预测误差分布明显不同，早晨和中午的分布也有差异。如果用一个固定的正态分布或历史场景集去近似，很容易出现概率分布“张冠李戴”。你会发现优化出的机组组合在仿真中表现不好，甚至不如经验丰富的调度员手工调整后的计划，核心不是求解算法有问题，而是输入的概率分布标定偏了。

随机优化另一个麻烦在于尾部