微电网经济调度的两阶段鲁棒优化与Matlab实现

1. 项目概述：微电网经济调度的挑战与机遇

微电网作为分布式能源系统的核心单元，其经济调度问题一直是能源领域的研究热点。传统确定性优化方法在面对光伏出力波动、负荷变化等不确定性因素时，往往表现出"脆弱性"——即理论最优解在实际运行时可能因微小扰动而完全失效。这正是两阶段鲁棒优化方法的价值所在。

我在参与某海岛微电网项目时深有体会：当台风天气导致光伏发电骤降30%时，基于确定性优化的调度方案直接崩溃，而采用鲁棒优化方法的系统仍能保持稳定运行。这个案例让我意识到，鲁棒性不是可选项，而是微电网运行的生存底线。

Matlab作为算法验证的首选工具，其优化工具箱（Optimization Toolbox）和YALMIP建模语言为复杂优化问题提供了高效求解环境。特别是针对两阶段问题中常见的min-max-min结构，Matlab的鲁棒优化模块能实现问题的等价转化，大幅降低求解难度。

2. 核心原理：两阶段鲁棒优化的数学本质

2.1 基本问题框架

两阶段鲁棒优化的核心思想可以用"预决策-响应"的二分法来理解：

matlab复制% 第一阶段：预决策（here-and-now）
x = sdpvar(n,1); % 投资决策变量
% 第二阶段：响应决策（wait-and-see）
y = sdpvar(m,1); % 运行决策变量

第一阶段决策（如设备容量）必须在不确定性显现前确定，具有不可逆性；第二阶段决策（如发电计划）则可根据实际场景调整。这种时序差异正是问题复杂性的根源。

2.2 不确定性建模

采用多面体不确定性集（Polyhedral Uncertainty Set）是工程上的实用选择：

matlab复制% 定义光伏出力的不确定性集
P_pv = sdpvar(T,1);
Constraints = [P_pv >= 0.8*P_pv_forecast, P_pv <= 1.2*P_pv_forecast];

这种"盒式约束"既保留了物理意义，又能通过参数调节保守程度。实际项目中，我们常通过历史数据拟合得到更精确的椭球不确定性集。

2.3 对偶转化技巧

为处理内层max-min问题，需要对第二阶段问题进行对偶转化。以储能调度为例：

matlab复制% 原始问题
Obj = c'*y;
Constraints = [A*y <= b - D*x, y >= 0];
% 对偶问题
pi = sdpvar(size(A,1),1);
DualObj = (b - D*x)'*pi;
DualConstraints = [A'*pi <= c, pi >= 0];

这种转化将复杂的两阶段问题转为单层MILP，使商用求解器（如Gurobi）可直接处理。

3. Matlab实现关键步骤

3.1 模型搭建框架

建议采用模块化编程结构：

matlab复制%% 主函数框架
function [x_opt, fval] = microgrid_robust_optimization()
    % 参数初始化
    load_profile = xlsread('load_data.xlsx');
    pv_profile = xlsread('pv_data.csv');
    
    % 不确定性集定义
    uncertainty_set = define_uncertainty(pv_profile);
    
    % 两阶段问题建模
    [model, params] = build_model(load_profile);
    
    % 鲁棒优化求解
    [x_opt, fval] = solve_robust(model, params, uncertainty_set);
end

3.2 YALMIP建模技巧

利用YALMIP的自动化建模优势：

matlab复制% 定义决策变量
x = sdpvar(3,1,'full'); % 储能容量
y = sdpvar(24,1,'full'); % 24小时发电计划

% 构建目标函数
cost = 0.5*x'*Q*x + f'*x + max( c'*y ); % 两阶段目标

% 添加鲁棒约束
Constraints = [ A*x + B*y <= d + E*xi, 
               uncertainty_set(xi) ];
               
% 求解器配置
ops = sdpsettings('solver','gurobi','verbose',1);
optimize(Constraints, cost, ops);

3.3 求解加速策略

针对大规模问题，可采用以下加速技巧：

1. 场景削减：通过K-means聚类选取典型场景

matlab复制[idx, C] = kmeans(pv_scenarios, 10); % 聚类为10个典型场景

2. 并行计算：利用parfor并行求解不同不确定性场景

matlab复制parfor i = 1:num_scenarios
    res(i) = solve_scenario(scenario(i));
end

3. 热启动：用确定性解初始化鲁棒优化

matlab复制x_det = solve_deterministic(model);
assign(x, x_det); % 初始值设定

4. 实战案例：海岛微电网调度

4.1 系统配置

4.2 关键实现代码

matlab复制%% 两阶段鲁棒调度主循环
for t = 1:24
    % 当前时段不确定性建模
    P_pv_uncertain = pv_forecast(t) + xi(t)*pv_std(t);
    
    % 储能动态约束
    Constraints = [Constraints, 
                  SOC(t+1) == SOC(t) + (eta_ch*P_ch(t) - P_dis(t)/eta_dis)*dt];
    
    % 功率平衡鲁棒约束
    Constraints = [Constraints,
                  P_diesel(t) + P_pv_uncertain + P_dis(t) - P_ch(t) >= load(t)];
end

%% 保守性调节参数
Gamma = 6; % 调节预算参数
Constraints = [Constraints, sum(abs(xi)) <= Gamma];

4.3 结果分析

通过调节Gamma参数，得到不同保守度下的经济性对比：

5. 避坑指南与性能优化

5.1 常见报错处理

1. "Out of memory"错误：

   • 对策：使用sparse矩阵格式存储大型约束矩阵

   matlab复制A = sparse(10000,10000); % 稀疏矩阵初始化
   

2. 求解器无法收敛：

   • 检查约束可行性：先用feasibility函数验证模型

   matlab复制diagnostics = optimize(Constraints, [], ops);
   if diagnostics.problem == 1
       disp('模型不可行！');
   end
   

5.2 模型调试技巧

• 可视化中间结果：实时绘制决策变量变化

matlab复制figure;
plot(1:24, value(P_diesel), 'r-', 'LineWidth',2);
hold on;
plot(1:24, value(P_pv), 'g--');
legend('柴油机出力','光伏出力');

• 灵敏度分析：观察关键参数影响

matlab复制Gamma_range = 0:2:10;
for i = 1:length(Gamma_range)
    cost(i) = run_case(Gamma_range(i));
end
plot(Gamma_range, cost);

5.3 高级优化策略

1. 自适应鲁棒优化：在线更新不确定性集

matlab复制function update_uncertainty_set(new_data)
    % 基于新数据更新不确定性集参数
    global uncertainty_set;
    uncertainty_set.radius = kalman_filter(new_data);
end

2. 分布鲁棒优化：融合概率分布信息

matlab复制% 定义Wasserstein模糊集
ambiguity_set = @(P) distance(P,P0) <= epsilon;

6. 工程实践中的经验之谈

在实际微电网项目中，纯理论的最优解往往需要根据工程约束调整。以下是几个关键心得：

1. 柴油机最小运行时间：添加最小持续运行约束避免频繁启停

matlab复制% 最小运行4小时约束
for t = 1:21
    Constraints = [Constraints, 
                  sum(u_diesel(t:t+3)) >= 4*(u_diesel(t)-u_diesel(t-1))];
end

2. 储能寿命损耗建模：将循环次数计入成本函数

matlab复制cost = cost + 0.2*sum(P_dis + P_ch); % 充放电损耗成本

3. 预测误差时变特性：白天光伏误差大，夜间负荷误差大

matlab复制% 时变不确定性预算
Gamma_t = [3*ones(1,7), 5*ones(1,12), 2*ones(1,5)];
Constraints = [Constraints, sum(abs(xi)./Gamma_t') <= 1];

4. 求解时间控制：采用滚动时域策略

matlab复制for t = 1:24
    solve_horizon(t:min(t+6,24)); % 7小时滚动窗口
    implement_decision(t);
    update_states(t);
end