微电网两阶段鲁棒优化算法原理与Matlab实现

1. 项目背景与核心价值

微电网作为分布式能源系统的重要实现形式，其电源容量配置直接关系到系统经济性和可靠性。传统确定性优化方法在面对可再生能源出力波动、负荷变化等不确定因素时，往往表现出配置保守或风险过高的问题。两阶段鲁棒优化算法通过构建不确定集来描述这些波动，能够在最恶劣场景下保证系统可行性，同时实现经济性最优。

我在参与某海岛微电网项目时深有体会：当柴油发电机容量按典型日负荷配置后，遇到连续阴雨天导致光伏出力骤降时，系统不得不高价调用应急电源。而采用鲁棒优化方法后，虽然初始投资增加约15%，但运行阶段再未出现供电短缺情况，全生命周期成本反而降低8.7%。

2. 算法原理与数学模型

2.1 两阶段优化框架

该算法的核心思想是将决策变量分为两类：

• 第一阶段决策：电源容量等"here-and-now"变量
• 第二阶段决策：运行调度等"wait-and-see"变量

数学模型可表述为：

matlab复制min_x c^T x + max_u min_y d^T y
s.t. Ax ≥ b
      By ≥ h - Ex - Fu
      y ∈ Y, u ∈ U

其中x为容量配置变量，y为运行变量，u为不确定参数。

2.2 鲁棒对等转换

通过对偶变换将内层max-min问题转换为单层优化：

matlab复制max_u min_y d^T y → min_λ ρ(λ)

其中ρ(λ)为对偶问题目标函数，需引入辅助变量和约束。

3. Matlab实现关键步骤

3.1 不确定集建模

matlab复制% 光伏出力不确定集（箱型集合）
P_pv_uncertainty = 0.3; % 波动幅度30%
U.pv = [P_pv_nominal*(1-P_pv_uncertainty), P_pv_nominal*(1+P_pv_uncertainty)];

% 负荷不确定集（多面体集合）
Gamma = 3; % 不确定预算参数
U.load = struct('Gamma', Gamma, 'delta', 0.2);

3.2 主问题求解

采用YALMIP工具箱构建模型：

matlab复制ops = sdpsettings('solver','gurobi','verbose',1);
% 第一阶段变量
x = sdpvar(n_gen,1); % 发电机容量
% 第二阶段变量
y = sdpvar(n_time, n_gen, 'full'); % 出力调度

% 目标函数
objective = c'*x + max_regret;
% 约束条件
constraints = [x >= 0, sum(y,2) >= demand];
optimize(constraints, objective, ops);

3.3 子问题处理

采用列约束生成(C&CG)算法：

matlab复制while gap > tolerance
    % 求解主问题
    [x_opt, obj_main] = solve_master();
    
    % 求解最恶劣场景子问题
    [u_worst, obj_sub] = solve_subproblem(x_opt);
    
    % 收敛判断
    gap = abs(obj_main - obj_sub)/obj_main;
    
    % 添加新约束
    master_constraints = [master_constraints, 
        new_constraint(x, u_worst)];
end

4. 典型问题与调优策略

4.1 计算效率提升

• 场景削减：通过K-means聚类将8760小时场景压缩到100个典型场景
• 并行计算：使用parfor并行求解不同不确定预算下的子问题

matlab复制Gamma_list = 1:5;
parfor i = 1:length(Gamma_list)
    results(i) = solve_case(Gamma_list(i));
end

4.2 保守性控制

通过调节不确定预算参数Γ实现风险-成本权衡：

• Γ=0：退化为确定性优化
• Γ=∞：最保守的鲁棒优化
  实际建议采用自适应调整策略：

matlab复制if load_variation > threshold
    Gamma = min(Gamma + 1, Gamma_max);
else
    Gamma = max(Gamma - 1, 1);
end

5. 实际应用案例

某工业园区微网配置参数：

matlab复制cost = [1500 2000 800]; % 光伏/风电/储能元/kW
load_profile = csvread('load_data.csv');
renewable_profile = csvread('pv_wind_data.csv');

优化结果对比：

6. 工程实践建议

1. 数据预处理要点：

   • 采用移动平均法平滑负荷异常值
   • 光伏出力数据需进行辐照度-功率转换

   matlab复制P_pv = P_rated * G/G_std * (1 - 0.005*(T_amb - 25));
   

2. 模型扩展方向：

   • 考虑设备故障率的不确定性
   • 加入碳排放约束
   • 结合机器学习预测不确定集

3. 代码优化技巧：

   • 使用稀疏矩阵存储大规模约束
   • 对重复计算部分进行函数封装
   • 采用warm-start加速迭代过程

关键提醒：鲁棒优化结果对不确定集定义非常敏感，建议通过历史数据统计确定合理的波动范围，避免过度保守配置。在实际项目中，我们通常先进行概率优化得到基准值，再以±20%作为初始不确定集范围。