微电网动态经济调度中的不确定性建模与场景优化

1. 微网动态经济调度中的不确定性挑战

微电网作为分布式能源系统的重要组成部分，其经济调度问题一直备受关注。与传统电网不同，微网中风电、光伏等可再生能源占比高，这些能源的间歇性和波动性给调度决策带来了巨大挑战。以风电为例，风速的随机变化会导致功率输出在短时间内出现剧烈波动，这种不确定性如果处理不当，轻则影响经济性，重则威胁系统安全。

在实际工程中，我们通常采用随机优化方法来应对这种不确定性。其核心思路是通过概率分布描述不确定性因素（如风电出力、光伏出力、负荷需求），然后生成大量可能的场景，最后通过优化算法找到在这些场景下都表现良好的调度方案。这种方法的关键在于两点：一是如何准确描述不确定性因素的概率特性，二是如何高效生成和筛选代表性场景。

2. 概率分布建模：从理论到实践

2.1 正态分布在负荷建模中的应用

负荷需求的变化通常服从正态分布，这是由中心极限定理决定的。在Matlab中，我们可以方便地使用normpdf函数来建立负荷的概率模型：

matlab复制% 负荷正态分布建模示例
load_mu = 500; % 平均负荷(kW)
load_sigma = 50; % 标准差(kW)
x = 300:1:700;
pdf_load = normpdf(x, load_mu, load_sigma);

figure;
plot(x, pdf_load, 'LineWidth', 2);
xlabel('负荷功率 (kW)');
ylabel('概率密度');
title('负荷需求正态分布');
grid on;

在实际项目中，我们需要根据历史数据来估计μ和σ参数。通常做法是：

1. 收集至少一年的历史负荷数据
2. 按小时或15分钟间隔划分
3. 对每个时段的数据分别计算统计参数
4. 考虑工作日/周末、季节等因素的影响

注意：负荷的统计特性会随时间变化，建议每季度重新校准模型参数，特别是在商业区或工业区等负荷模式易变的场景。

2.2 韦布尔分布在风电建模中的优势

风速分布通常呈现右偏特性，韦布尔分布因其灵活性成为首选模型。其概率密度函数为：

f(x) = (k/c)(x/c)^(k-1)exp(-(x/c)^k)

其中k是形状参数，c是尺度参数。在Matlab中实现如下：

matlab复制% 风速韦布尔分布建模
k = 2.5; % 形状参数
c = 8; % 尺度参数(m/s)
v = 0:0.1:25;
pdf_wind = wblpdf(v, c, k);

figure;
plot(v, pdf_wind, 'LineWidth', 2);
xlabel('风速 (m/s)');
ylabel('概率密度');
title('风速韦布尔分布');
grid on;

风电功率与风速的关系通常用分段函数表示：

• 切入风速以下：0功率
• 额定风速区间：功率随风速增加
• 额定风速以上：恒定额定功率

在实际项目中，获取准确的参数需要：

1. 至少一年的风速实测数据
2. 考虑地形因素（山地、平原等）
3. 风机型号特性（切入/切出风速、功率曲线等）

3. 场景生成技术深度解析

3.1 拉丁超立方采样的实现原理

拉丁超立方采样(LHS)是一种分层抽样技术，其核心思想是将每个输入变量的范围划分为等概率区间，然后在每个区间内随机取样，确保所有变量组合空间都被均匀覆盖。

matlab复制% 改进的LHS实现
n = 1000; % 场景数量
d = 3; % 变量维度(风电、光伏、负荷)
samples = zeros(n,d);

for i = 1:d
    samples(:,i) = norminv((randperm(n)' - rand(n,1))/n, mu(i), sigma(i));
end

% 可视化前两个维度
figure;
scatter(samples(:,1), samples(:,2), 'filled');
xlabel('风电出力 (kW)');
ylabel('光伏出力 (kW)');
title('LHS生成场景分布');

相比简单随机抽样，LHS的优势在于：

1. 在相同样本量下，覆盖更均匀
2. 收敛速度更快
3. 特别适合高维问题

3.2 考虑相关性的采样改进

实际中风电、光伏和负荷之间存在相关性，简单独立采样会导致场景不真实。解决方案是采用Cholesky分解引入相关性：

matlab复制% 考虑相关性的LHS
R = [1.0 0.6 -0.3; 
     0.6 1.0 -0.2;
    -0.3 -0.2 1.0]; % 相关系数矩阵

L = chol(R, 'lower');
correlated_samples = samples * L';

% 对比相关性
subplot(1,2,1);
scatter(samples(:,1), samples(:,2));
title('独立采样');

subplot(1,2,2);
scatter(correlated_samples(:,1), correlated_samples(:,2));
title('考虑相关性');

实际工程中，相关系数需要通过历史数据分析获得，通常采用Pearson相关系数或Spearman秩相关系数。

4. 场景削减技术与工程实践

4.1 快速前代法实现细节

快速前代法(Fast Forward Selection)的核心思想是迭代选择最具代表性的场景，具体步骤：

1. 初始化空场景集
2. 计算每个候选场景与当前场景集的"距离"
3. 选择使目标函数改善最大的场景加入
4. 重复直到满足停止条件

matlab复制function [reduced_scenarios, weights] = fast_forward(original_scenarios, K)
    % 输入：original_scenarios - 原始场景矩阵(n×d)
    %       K - 要保留的场景数
    % 输出：reduced_scenarios - 削减后场景
    %        weights - 场景权重
    
    [n, d] = size(original_scenarios);
    reduced_scenarios = zeros(K, d);
    weights = zeros(K, 1);
    
    % 初始化：选择概率密度最大的场景
    [~, idx] = max(prod(normpdf(original_scenarios), 2));
    reduced_scenarios(1,:) = original_scenarios(idx,:);
    weights(1) = 1;
    original_scenarios(idx,:) = [];
    
    for k = 2:K
        distances = pdist2(original_scenarios, reduced_scenarios(1:k-1,:));
        min_distances = min(distances, [], 2);
        [~, idx] = max(min_distances);
        reduced_scenarios(k,:) = original_scenarios(idx,:);
        weights(k) = sum(exp(-min_distances/mean(min_distances)));
        original_scenarios(idx,:) = [];
    end
    
    weights = weights/sum(weights);
end

4.2 场景削减质量评估

削减后的场景集需要评估其代表性，常用指标：

1. 统计矩保持度：比较原始和削减场景集的均值、方差等
2. 概率距离：如Wasserstein距离、Kullback-Leibler散度
3. 优化结果一致性：比较使用完整和削减场景集得到的调度方案差异

matlab复制% 评估场景削减质量
full_mean = mean(full_scenarios);
reduced_mean = reduced_scenarios' * weights;

full_cov = cov(full_scenarios);
reduced_cov = zeros(size(full_cov));
for i = 1:size(reduced_scenarios,1)
    reduced_cov = reduced_cov + weights(i)*(reduced_scenarios(i,:)'-reduced_mean)*...
                  (reduced_scenarios(i,:)'-reduced_mean)';
end

disp(['均值误差：', num2str(norm(full_mean - reduced_mean))]);
disp(['协方差误差：', num2str(norm(full_cov - reduced_cov, 'fro'))]);

工程经验：通常保留50-100个场景即可在计算效率和精度间取得良好平衡。对于特别复杂的系统，可以考虑两阶段削减：先用快速方法粗削减，再用精确方法细调。

5. 随机优化在动态调度中的实现

5.1 两阶段随机优化框架

微网动态经济调度通常采用两阶段随机优化：

1. 第一阶段：做出"此时此地"的决策（如机组启停）
2. 第二阶段：针对每个场景做出调整决策（如功率分配）

数学模型简化为：
min Σ(cᵢxᵢ) + E[Q(x,ξ)]
s.t. Ax ≤ b
x ∈ X

其中Q(x,ξ)是第二阶段问题的值函数。

5.2 Matlab实现示例

matlab复制% 基于场景的随机优化示例
scenario_weights = weights; % 来自场景削减
n_scenarios = size(reduced_scenarios,1);

% 定义优化变量
x = optimvar('x', n_generators, 'LowerBound', 0);
y = optimvar('y', n_generators, n_scenarios, 'LowerBound', 0);

% 构建优化问题
prob = optimproblem;

% 目标函数
cost = sum(startup_cost.*u + gen_cost.*x);
for s = 1:n_scenarios
    cost = cost + scenario_weights(s)*sum(adjust_cost.*y(:,s));
end
prob.Objective = cost;

% 约束条件
prob.Constraints.power_balance = sum(x) == sum(reduced_scenarios(s,1:3));
for s = 1:n_scenarios
    prob.Constraints.(['adjust_' num2str(s)]) = ...
        sum(x + y(:,s)) == sum(reduced_scenarios(s,:));
end

% 求解
options = optimoptions('fmincon', 'Display', 'iter');
[sol, fval] = solve(prob, 'Options', options);

5.3 实际工程中的调参经验

1. 成本系数设置：

   • 火电机组：考虑燃料成本、维护成本
   • 可再生能源：边际成本接近零，但需考虑弃风弃光惩罚
   • 储能系统：循环寿命成本折算

2. 约束条件处理：

   • 机组爬坡率约束
   • 最小启停时间约束
   • 储能SOC限制

3. 求解器选择：

   • 中小规模：fmincon
   • 大规模：Gurobi、CPLEX等商业求解器
   • 特别复杂问题：Benders分解或 Progressive Hedging

6. 工程实践中的常见问题与解决方案

6.1 场景生成不具代表性

问题表现：

• 优化结果在不同运行时段差异大
• 实际运行与调度方案偏差大

解决方案：

1. 检查概率分布假设是否合理
2. 增加历史数据时间跨度
3. 引入季节、天气等外生变量
4. 采用混合分布（如高斯混合模型）

6.2 场景削减导致信息丢失

问题表现：

• 极端场景被过度削减
• 优化方案在极端情况下表现差

解决方案：

1. 在削减前识别并保留极端场景
2. 采用基于重要抽样的削减方法
3. 增加尾部场景的权重
4. 实施两阶段削减策略

6.3 优化问题求解困难

问题表现：

• 求解时间过长
• 经常得不到可行解

解决方案：

1. 采用问题分解技术
2. 使用warm-start策略
3. 放松部分非关键约束
4. 考虑近似算法（如启发式方法）

在实际项目中，我们通常会建立完整的测试验证流程：

1. 离线回测：使用历史数据验证方案效果
2. 实时仿真：在仿真环境中测试
3. 小规模试点：在实际系统中部分实施
4. 全面推广：经过充分验证后扩大应用

微网动态经济调度是一个复杂的系统工程问题，场景生成与削减只是其中的关键技术环节之一。根据我们在多个微网项目的实施经验，成功的调度系统需要将先进算法与工程实践紧密结合，同时考虑当地电网政策、用户需求等实际因素。建议在实际应用中采用迭代开发的方式，先建立基础模型，再逐步加入更多细节和优化。