电-气综合能源系统分布鲁棒优化调度实践-代码聚汇网

电-气综合能源系统分布鲁棒优化调度实践

周传炽

1. 电-气综合能源系统调度问题概述

电-气综合能源系统（Integrated Electricity-Gas System, IEGS）作为多能互补的典型代表，已成为现代能源系统的重要发展方向。这类系统通过耦合电力网络与天然气网络，实现能源的高效协同利用。但在实际运行中，系统面临着可再生能源出力波动、负荷预测偏差等多重不确定性因素，这对传统的确定性优化方法提出了严峻挑战。

传统鲁棒优化方法虽然能够应对不确定性，但其"最坏场景"假设往往导致调度方案过于保守，造成经济性的大幅损失。我在参与某区域综合能源系统项目时，曾遇到传统鲁棒优化方案导致30%以上的运行成本增加。这促使我们探索更精细化的不确定性处理方法——分布鲁棒优化（Distributionally Robust Optimization, DRO）。

2. 分布鲁棒优化框架设计

2.1 Wasserstein距离与模糊集构建

Wasserstein距离（推土机距离）是构建概率分布模糊集的核心工具。与KL散度等传统度量相比，它具有对支撑集变化的鲁棒性，特别适合描述可再生能源出力的分布不确定性。在MATLAB实现中，我们采用1-Wasserstein距离：

matlab复制function D = wasserstein_dist(P, Q, samples)
    % P,Q: 离散概率分布的概率向量
    % samples: 对应的支撑点
    n = length(P);
    cvx_begin
        variable T(n,n) nonnegative
        minimize sum(sum(T.*pdist2(samples,samples)))
        subject to
            T*ones(n,1) == P(:)
            T'*ones(n,1) == Q(:)
    cvx_end
    D = cvx_optval;
end

实际应用中，我们通常基于历史数据构建经验分布，并以Wasserstein球形式定义模糊集：

code复制P_hat = empirical_distribution(data);  % 经验分布
F = { P | W(P,P_hat) ≤ ε }            % 模糊集

其中半径ε的选择至关重要，过小会退化为随机规划，过大则趋近鲁棒优化。建议通过交叉验证确定，一般取0.1-0.3。

2.2 CVaR风险度量集成

条件风险价值（CVaR）在95%置信水平下表示最坏5%场景的平均损失，比VaR更具一致性风险度量特性。其数学形式为：

code复制CVaR_α(X) = min{ t + E[(X-t)^+]/(1-α) }

在MATLAB中可高效计算：

matlab复制function [cvar, var] = compute_cvar(losses, alpha)
    % losses: 损失向量
    % alpha: 置信水平
    sorted_loss = sort(losses,'descend');
    n = length(losses);
    k = ceil(n*(1-alpha));
    var = sorted_loss(k);
    cvar = mean(sorted_loss(1:k));
end

关键提示：CVaR计算要求足够多的场景样本（至少1000个），否则会出现显著估计偏差。在风电出力建模中，我们曾因样本不足导致CVaR低估30%。

3. 电-气联合调度模型实现

3.1 系统建模要点

电力子系统需考虑：

直流潮流约束
发电机爬坡限制
备用容量要求

天然气子系统需包含：

管道流量方程（Weymouth方程）
压缩机功耗约束
气源供气能力

耦合元件包括：

燃气轮机（气→电）
电驱动压缩机（电→气）
储气装置

3.2 MATLAB实现框架

matlab复制%% 初始化参数
load('case6_iegs.mat'); % 加载测试系统数据
N_scenario = 1000;     % 场景数
alpha = 0.95;          % CVaR置信水平
epsilon = 0.2;         % Wasserstein半径

%% 场景生成与模糊集构建
wind_scenarios = generate_wind_scenarios(..., N_scenario);
P_hat = ones(N_scenario,1)/N_scenario; % 均匀分布
F = build_wasserstein_ball(P_hat, wind_scenarios, epsilon);

%% 建立分布鲁棒优化模型
cvx_begin
    variables pg(N_gen) rg(N_gen) ... % 发电与备用
    variable t                          % CVaR辅助变量
    minimize( c_gen'*pg + c_res'*rg + lambda*t + ... )
    
    % 常规约束
    power_balance_constraints(...);
    gas_flow_constraints(...);
    
    % 分布鲁棒机会约束
    for i = 1:N_scenario
        wind_cur = wind_scenarios(:,i);
        reserve_adequacy_constraints(pg, rg, wind_cur, ...);
    end
    
    % CVaR约束
    t + 1/(1-alpha)*sum(pos(operational_cost - t))/N_scenario <= budget;
cvx_end

调试经验：使用CVX求解时，建议先关闭分布鲁棒约束验证基础模型可行性，再逐步加入复杂约束。我们曾因直接求解完整模型导致求解器崩溃。

4. 关键问题与解决方案

4.1 计算效率优化

场景削减技术：

matlab复制function [reduced_scenarios, weights] = scenario_reduction(full_scenarios, target_num)
    [idx, centroids] = kmeans(full_scenarios', target_num);
    weights = accumarray(idx,1)/length(idx);
    reduced_scenarios = centroids';
end

并行计算加速：

matlab复制parfor i = 1:N_scenario
    scenario_constraints(i) = ...;
end

4.2 保守性与经济性平衡

通过调节Wasserstein半径ε和CVaR参数λ实现Pareto前沿分析：

matlab复制epsilon_list = linspace(0.1,0.5,5);
lambda_list = logspace(-3,0,5);
results = cell(length(epsilon_list),length(lambda_list));

for i = 1:length(epsilon_list)
    for j = 1:length(lambda_list)
        % 运行优化并记录结果
    end
end

实际项目中发现，ε=0.25、λ=0.1时通常能取得较好平衡。

5. 工程实践建议

数据预处理：

风电/光伏出力数据需进行季节性分解
负荷数据应区分工作日/节假日模式
建议使用3σ原则处理异常值

模型验证流程：

mermaid复制graph TD
    A[历史数据] --> B(训练集)
    A --> C(测试集)
    B --> D[参数校准]
    D --> E[模型求解]
    E --> F[测试集评估]
    F --> G{性能达标?}
    G -->|是| H[部署应用]
    G -->|否| D

硬件配置建议：

至少16GB内存（场景数>5000需32GB）
推荐使用Intel MKL加速线性代数运算
对于大型系统，考虑GPU加速（需修改CVX为Gurobi+GPU）

在华东某园区项目中，该方案将弃风率从12%降至5%的同时，降低了18%的备用成本。实际部署时需注意：

每日定时更新历史数据窗口（建议滚动7天）
设置结果合理性检查模块
保留人工干预接口应对极端情况