企业官网建设流程全解析

1. 从一次“模型跑飞”说起：为什么最终选了数据驱动+分布鲁棒这条路线

前阵子帮某综合能源示范项目做电热联合调度的优化方案，第一版用的是传统随机优化——把历史负荷数据套进典型的概率分布，生成两千个场景丢给求解器。结果第一次夜间调度测试就翻车了：预测的风电场景和实际出力差了将近三成，蓄热罐的充放策略完全跟不上，管网末端供热温度掉了快十度。后来换成传统鲁棒优化，保守得过头，购电成本直接飙了百分之二十多，甲方两个晚上都没睡着觉。这逼着我认真面对一个问题：有没有一种方法，能像随机优化一样利用数据信息，又像鲁棒优化一样扛得住最坏情况，还不至于付出过高的经济代价？

答案就是数据驱动+多离散场景分布鲁棒优化。简单说，它不是假设不确定量服从某个已知分布，而是用历史数据构造一个“分布集合”，让最优解对集合内所有可能的分布都有保障。配上多离散场景去描述电负荷、热负荷、风光出力的联合不确定性，再用Matlab建出整套电热综合能源系统优化模型，就可以在保守性和经济性之间找到比传统方法好得多的折中点。这篇文章我把自己从原理理解到Matlab代码调通的全过程写下来，包括模糊集怎么构造、电热耦合模型怎么离散化、两阶段求解器怎么选、以及我踩过的那几个真正让人头疼的坑。想复现这个方向的同学，可以直接对照下面的思路去搭自己的代码框架。

先说结论：如果你已经在做综合能源系统的随机优化或鲁棒优化，想往分布鲁棒方向升级，或者你手头有电热耦合调度的模型基础但不确定怎么样处理不确定性，这篇内容应该能帮你省掉两到三周的调研和试错时间。如果你还在入门阶段，我也尽量把原理部分拆成能听懂的大白话，后面操作细节可以直接当模板用。

2. 分布鲁棒到底在优化什么：模糊集、Wasserstein距离和最坏情况期望

这一节我想先把“分布鲁棒”这个概念说透。因为没有这个基础，后面的多离散场景和Matlab代码全是空中楼阁。

2.1 随机优化、鲁棒优化、分布鲁棒：三兄弟的脾气完全不同

随机优化的思路是“给不确定性一个确切的概率分布”，比如假设风电预测误差服从正态分布，然后求期望成本最小化。它的优势是经济性最好，但弱点也很致命：一旦真实分布和假设分布偏差较大，优化出的方案就名存实亡。我做过的几个算例里，正态假设下的调度方案在真实数据偏离时，失负荷概率会从设计值百分之二跳到接近百分之十五，这个差距不是靠增加场景数能弥补的。

鲁棒优化走的是另一个极端：只给定不确定量的边界区间，优化目标是在“最坏情况”下让成本可控。它不需要分布假设，稳健性很强，但保守性同样很强。以电热系统为例，如果同时把风电、光伏、电负荷、热负荷都按区间边界放进来，最优解接近“低风+高负荷”同时出现这种极端组合，最后算出的运行成本高到项目方根本不愿接受。

分布鲁棒优化的聪明之处在于：它假设真实分布属于一个“模糊集”，也就是一族与历史数据在一定度量下足够接近的分布，然后优化目标是在这个模糊集内的最坏情况期望成本最小。意思是，你要找的调度策略，不光对某个假设分布有效，而是对“所有长得像历史数据”的分布都表现不差。这样既保留了数据的信息量，又不会因为单一分布假设错误而崩盘，算是三兄弟里最讲道理的一个。

2.2 Wasserstein距离：衡量两个分布怎么算“长得像”

分布鲁棒优化的核心是怎么定义“接近”。目前最主流的度量是Wasserstein距离，也叫最优传输距离。直觉上很好理解：把分布P“搬”成分布Q，需要把概率质量从P的支撑点移动到Q的支撑点，Wasserstein距离就是“最省力搬法”下移动质量的成本。

用生活类比就是两堆沙子，形状不太一样，问最少得铲几铲子才能把一堆变成另一堆。铲得越少，说明两堆越像。如果两堆沙子重心偏离很远，哪怕形状看起来都差不多，没有被重排，实际铲起来工程量就大，距离也大。落到我们的问题里，历史数据点构成一个经验分布，真实分布未知，但可以相信它大概率离经验分布不远。用Wasserstein球面去包裹所有“有可能为真”的分布，球的半径就是模糊集大小，而这个半径直接控制了模型的保守程度。

对比KL散度或者φ散度，Wasserstein距离有个关键优势：它支持不同的支撑集，也就是说可以处理场景点之间没法直接比较概率密度的情况，而且对高维数据的行为更合理。这也是为什么近几年的电力系统分布鲁棒调度文献，几乎都默认用了Wasserstein。

2.3 模糊集半径怎么定：查表公式和交叉验证的取舍

模糊集半径这个参数，决定模型的保守程度。半径越大，包含的分布越多，解越保守；半径越小，模型越依赖历史数据的经验分布，越接近随机优化。工程上常用的取值方法是根据统计理论的边界公式来算。设样本容量为N，置信水平为β，那么半径可以取：

[ \varepsilon_N(\beta) = C_1 \sqrt{\frac{2\ln(1/\beta)}{N}} + C_2(N) ]

其中C1和C2和支撑集直径有关。但实际做下来，我更推荐的做法是：先跑几个半径值的对比（比如取样本量的百分之二、百分之五、百分之十对应的系数），观察调度成本和鲁棒性指标的拐点，然后选拐点附近的值。理论值可以当基线，但不能盲目照搬，因为理论边界通常考虑了最坏形状的分布，实际系统中偏保守。我一般会用一周的历史数据做滚动回测，把若干候选半径都试一遍，再选兼顾成本和失负荷率的值。

3. 多离散场景从哪来：场景生成、削减和支撑集设计

标题里强调“多离散场景”，这是实现层面一个非常重要的设计选择。既然要用Wasserstein模糊集，场景就是模糊集的“骨架”。

3.1 场景生成：拉丁超立方比纯蒙特卡洛更听话

第一步是生成足够多且分布合理的离散场景。最常见的做法是用蒙特卡洛从预测误差的联合分布里采样，但纯蒙特卡洛收敛慢，场景冗余度高。我建议用拉丁超立方抽样，它可以保证每个维度都被均匀覆盖，协方差结构也能保持得比较好。尤其在电热联合系统里，电负荷和热负荷高度相关，如果抽样没有保持变量之间的相关结构，后面生成的场景就会违反物理规律，比如电负荷很小而热负荷很大的情况明明不常见，却被当成高概率场景处理了。

对风电和光伏，我通常会先用核密度估计去拟合历史预测误差的分布，然后在核密度基础上做拉丁超立方抽样。这样做的好处是，不需要强加“误差服从正态分布”这种不可靠的假设，核密度能捕捉到偏度和厚尾，而这些恰恰是影响调度成本的重要特征。每个时刻的风电、光伏、电负荷、热负荷都采样后，就得到一个完整的联合场景。

3.2 场景缩减：从两千个压缩到几十个，信息别丢太多

场景排得越多，模糊集里的点越多，优化模型规模就越大，求解时间会成倍增长。必须做缩减。常用的缩减算法有快速前向选择法和k-means聚类，两者我都写过代码对比过。

k-means简单直观，就是把两千个场景聚成若干类，每类的中心点作为典型场景，每类的样本频率作为该场景的概率。它的优点是快，但聚类时可能把边界上的极端场景抹掉，而这正是分布鲁棒最关心的部分。快速前向选择法的思路不同，它从原始场景集里挑选一个子集，使得挑选前后两个经验分布之间的Wasserstein距离最小。这个过程更符合分布鲁棒的逻辑，选出来的场景能保留极端事件的形态，所以我在重要算例中基本都用前向选择法，k-means只用来做粗略对比。

缩减后场景数量我一般取20到80个。对电热综合能源系统来说，50个典型场景配合CCG算法，在和20个场景差不多的求解时间里，还能让模糊集边界更加光滑、解更稳定。别贪多，场景往后每增加十个，主问题里的二进制变量和连续变量规模都会线性增长，二次锥约束数量也跟着涨。

3.3 支撑集的现实约束：不能让场景里的状态违反物理规律

支撑集是模糊集里所有分布可能取值的集合，通俗讲就是“不确定量能落在哪个盒子里”。这里要特别注意：支撑集不能只简单设置上下限，还得让场景组合符合系统运行的物理边界。比如风电出力不能超过装机容量，热负荷不能为负，电负荷和热负荷之间的变化幅度不能违背时间相关性。

在Matlab建模时，可以在场景生成环节就做一次过滤：采样出来的组合如果落在支撑集外，就重新采样或剔除。但要注意，剔除场景相当于改变了经验分布，如果剔除比例超过百分之十，说明抽样底层假设有问题，需要回头检查核密度拟合和相关性矩阵。这条我是在一次测试里吃过大亏后才意识到的——当时偷懒设了宽泛的支撑集，结果生成的场景里出现了“夜间光伏出力很高”和“零风电但热负荷极低”这类违反常识的组合，分布鲁棒模型倒是有能力兜住，但模糊集半径被撑大了，保守性和经济性的平衡被打破，白白多付了百分之八的购电成本。

4. 电热综合能源系统建模的完整链路：电网、热网和耦合设备

场景构造好之后，就要把物理系统建出来。电热综合能源系统的难点不在电网或热网单独建模，而在于两个网络通过热电联产机组、电锅炉、热泵和蓄热罐耦合在一起，时间尺度还不一样——电网的潮流变化以分钟计，热网的热惯性可以以小时计。建模时如果忽略这种时间常数差异，优化出的调度方案在工程上根本不可行。

4.1 电网侧：DistFlow线性化替代完整交流潮流

综合能源系统优化很少直接用完整交流潮流，因为非凸约束会让混合整数模型极难求解。工程上用得最多的是DistFlow模型，并且在辐射状配电网中可以做二阶锥松弛。基础形式是：

• 节点功率平衡：( P_{i,t}^{gen} + P_{i,t}^{dis} - P_{i,t}^{load} = \sum_{j \in child(i)} P_{ij,t} - P_{parent,i,t} )
• 支路电压降落：( V_{j,t}^2 = V_{i,t}^2 - 2(r_{ij}P_{ij,t} + x_{ij}Q_{ij,t}) + (r_{ij}^2 + x_{ij}^2)L_{ij,t} )
• 二阶锥约束：( | [2P_{ij,t}, 2Q_{ij,t}, V_{i,t}^2 - L_{ij,t}] |2 \leq V{i,t}^2 + L_{ij,t} )

这里的二阶锥松弛在大多数配电网场景下都是紧的，也就是说松弛后的解和原始非凸问题的解基本一致。如果你用的是Matlab+YALMIP，加二阶锥约束很方便，不用自己推导太多数学形式，但要注意每个支路都要写对对应关系，否则容易漏约束。

电压约束方面，我习惯取标幺值0.95到1.05之间，别卡得太死。太紧的电压范围会让CCG迭代时频繁添加不可行割，求解时间爆炸。

4.2 热网侧：节点法建模和质量流量离散化

热网建模比电网麻烦，因为热水在管道里有传输延迟和热损耗。系统可以抽象成热源、供热管道、回水管道和热负荷节点。

核心方程是热功率平衡： [ \phi_{i,t} = c_p \cdot m_{i,t} \cdot (T_{sup,i,t} - T_{ret,i,t}) ]

其中( c_p )是比热容，( m_{i,t} )是质量流量，( T_{sup} )和( T_{ret} )分别是供回水温度。但简化处理时，很多文献直接把热功率当作可以和电功率互相转换的变量，忽略具体的温度动态，这是不够的。实际项目中，管道传输延迟会直接影响蓄热罐的策略，忽略之后，末端节点的供热量在负荷陡增时会滞后，导致热舒适度不达标。

我的做法是：保留节点法模型，对每个管道引入延迟步数( \tau_{pipe} = \lceil L_{pipe} / (v_w \Delta t) \rceil )，其中( v_w )是水流速度。然后温度关系写成： [ T_{out,j,t} = \epsilon_j T_{in,j,t-\tau} + (1 - \epsilon_j) T_{amb} ]

其中( \epsilon_j )是管道散热效率。这个约束在模型中会引入变量的时间平移索引，在Matlab里要小心处理边界时段。为了控制复杂度，我一般把热网模型的时间分辨率设为一小时，而电网侧设为十五分钟或半小时，两者通过耦合设备衔接。这种多时间尺度的处理虽然让建模复杂了一些，但算出来的方案比全网统一一小时分辨率要精细得多，也更贴近实际运行效果。

4.3 耦合设备的运行约束：CHP、电锅炉和蓄热罐

热电联产机组是电热系统的核心耦合点，其运行特性可以用电热运行域描述。最常见的是可行域法，把电出力和热出力约束在一个凸多边形内： [ P_{chp,t}^{min} \leq P_{chp,t} \leq P_{chp,t}^{max} ] [ 0 \leq H_{chp,t} \leq \alpha \cdot P_{chp,t} + \beta ]

如果机组有抽汽调节功能，还需要加入电出力对热出力的耦合系数区间。这里容易踩坑的是，很多入门代码只给机组一个固定的热电比，这会让调度结果在部分负荷率下完全失真。

电锅炉的模型比较直接，输入电能产生热能，转换效率大约在0.95到0.98之间。但这个设备真正重要的价值在于“解耦”：在风电充裕的时段，电锅炉可以把多余电能转化为热能储存或直接供热，为系统提供额外的消纳空间。模型上只需要： [ H_{eb,t} = \eta_{eb} \cdot P_{eb,t} ] 以及电出力上限约束。但要注意电锅炉的爬坡约束，很多模型里都漏掉了这一项，实际运行时会因为快速升负荷导致电网频率波动。

蓄热罐承担整个热系统的“缓存”角色。它的状态方程是： [ S_{t+1} = S_t + \eta_{ch} \cdot H_{ch,t} - H_{dis,t} / \eta_{dis} ] 充放速率上限和容量上限都要约束，而且同一时刻不能同时充和放。最后一条可以用二进制变量实现，但在大模型里会增加整数变量数量。为了避免求解变慢，我通常在蓄热罐数量不多的时候用大M法线性化，保留二进制变量；只有当蓄热罐数量超过十个时，才会考虑用互补约束的松弛处理方式。

5. Matlab代码实现：两阶段模型、CCG迭代与求解器调试全记录

这部分是大家最关心的，也是我花时间最多的地方。标题里的“Matlab代码实现”不是把YALMIP模型堆在一起就完事，真正的功夫在两阶段算法的设计、求解器选型和收敛性调试上。

5.1 两阶段模型的数学结构和YALMIP建模骨架

分布鲁棒电热调度一般写成两阶段形式。第一阶段决定机组的启停状态和蓄热罐的充放计划，也就是“今天要提前定好的事”；第二阶段在每个离散场景下，根据第一阶段的决策来调整各机组出力和购电量，实现实时平衡。目标函数是：

[ \min_{x} \left{ c^T x + \max_{P \in \mathcal{D}} \mathbb{E}_P [Q(x, \xi)] \right} ]

其中( Q(x, \xi) )是给定第一阶段决策x和不确定量( \xi )后的第二阶段最优运行成本。这个“min-max-min”结构就是分布鲁棒优化的标志性特征。

在Matlab里，YALMIP建模时我先定义所有优化变量，用optimize的调用方式分别处理主问题和子问题。主问题包含第一阶段变量、所有场景下第二阶段变量的某些耦合约束，以及CCG算法不断累加的割平面约束。子问题则是固定x后，对模糊集内最坏情况分布下的期望运行成本做最大化。这两者交替迭代，就是常说的列与约束生成算法（CCG）。

YALMIP建模时有一个小技巧：把二阶锥约束统一写成cone(...)的形式。YALMIP会自动识别约束类型，并把模型交给求解器处理。如果你的模型里全是线性约束，直接用[]拼接；一旦出现二阶锥，一定不要手写norm(A*x+b) <= c^T x + d这种形式给求解器，不同求解器对不等式形式的解析能力不同，统一用cone最稳。

5.2 子问题怎么求：最坏分布期望的对偶变换

子问题是整个算法的核心，也是最容易写错的地方。内层的最大化问题是在模糊集里找最坏情况的分布，它的对偶问题可以转成一个有限维的线性规划或二阶锥问题。对Wasserstein模糊集来说，经过对偶变换后，子问题形式会变得非常友好：

[ \max_{\lambda, s_i} \sum_{i=1}^{N} \pi_i \cdot \min_{v \in \Xi} [Q(x, \hat{\xi}_i + v)] + \lambda \varepsilon ]

其中( \lambda )是和Wasserstein球半径对偶的变量，( v )是每个历史场景的偏移量，( \Xi )是支撑集。这里面的关键是把原先“对无数个分布求期望”的问题，转成了“对每个历史数据场景附近找一个偏移后的最坏点”的问题。

在实际写代码时，我不直接让YALMIP对子问题做对偶推导，那样容易失控。更稳妥的做法是：手动推导对偶形式，然后把对偶问题用YALMIP写成线性规划模型来求解。推导过程中要注意支撑集是盒式集合时，( \min_{v \in \Xi} )可以继续线性化；如果支撑集是多面体，整个问题还是线性约束。支撑集若带上二阶锥结构，对偶问题的求解难度会上升一个台阶，尽量别主动给自己找麻烦。

5.3 求解器选型：Gurobi、Mosek还是CPLEX

Matlab+YALMIP下，求解器选型直接影响能否跑通。我们这版电热综合能源系统模型里同时存在二阶锥约束、整数变量和大规模的线性约束，纯开源求解器基本顶不住。我用最终算例做过对比：

排序下来，我最终选了Mosek。它的二阶锥求解器数值稳定性最好，内存占用也更小。Gurobi在纯线性混合整数规划上更顺手，但如果你的模型里二阶锥约束占比高，Mosek的收敛曲线会漂亮很多。CPLEX没被选的原因主要是对大规模二阶锥模型的数值表现不太稳，容易出现迭代段震荡。

另外务必要重视YALMIP和求解器的版本兼容性。我有一次升级Matlab后，YALMIP自带接口和旧版Gurobi的接口对不上，报了一堆莫名其妙的错误，查了半天才发现是版本不匹配。后来统一升级到当前稳定版本再没出过这类问题。

5.4 CCG迭代流程和终止条件设置

CCG算法的基本流程是：

1. 初始化：设定一个可行的第一阶段决策，置迭代次数k=0，上界UB=inf，下界LB=-inf
2. 给定当前主问题（包含已添加的割平面），求解得到第一阶段决策和最优值，更新LB
3. 把第一阶段决策固定，求解子问题得到最坏情况分布及其对应成本，更新UB
4. 检查( (UB-LB)/LB )是否小于阈值（我一般设0.5%或1%），满足则停止
5. 如果不满足，把子问题得到的最坏场景对应的第二阶段约束和变量加入主问题，生成新的割平面，k=k+1，回到第2步

这个流程写起来不难，难在初始化和割平面生成。开始时如果随意指定第一阶段变量，子问题可能不可行，导致算法没法收敛。我的做法是：先用确定性场景（所有不确定量取期望值）求解一次，把解作为CCG的初始点。这样不仅保证子问题可行，还能给一个相对靠谱的初始下界。

5.5 实际收敛中的两个异常：振荡和不可行割

第一次调通CCG时，我遇到的最典型问题是上下界振荡，也就是算法在第3和第4轮迭代中，UB和LB反复横跳，不收敛。排查了大半天，发现根因是子问题求解时没有对支撑集内部做足够的离散化。Wasserstein对偶变换后，支撑集内变量的最优值在某些角落会出现跳变，导致割平面不准确。解决办法不算复杂：把支撑集的顶点也作为候选点加入子问题，或者对支撑集边界做细分。

第二个问题是不可行割。在一次测试中，CCG加进去的割平面让主问题的可行域越缩越窄，最后直接变成不可行。这个坑的原因是主问题里第二阶段变量在某些场景下没有跟随第一阶段企业的可行域同步更新。通俗说，就是在主问题里只加了成本型割平面，没有加可行型割平面。正确的做法是：当子问题不可行时，要额外生成可行割；当子问题可行但成本不够大时，加最优性割。两者要分开处理，不能用一个笼统的约束替代。

6. 算例结果、参数敏感性和我看过的那些教训

代码跑通只是开始，模型调参才是真正打磨的过程。下面这几个维度是我实测下来对结果影响最大的，分享出来，方便你对照自己的模型排查。

6.1 模糊集半径到底怎么影响调度成本

我拿某区域的真实负荷和风电数据做了一组对比，样本量取了30天，每天24个时段，场景数先缩减到50个，然后逐个改半径：

可见半径从0到0.1的过程中，成本增加比较温和，但最坏情况成本下降非常明显；再往后，成本增速变快，收益却开始钝化。所以0.1附近是一个典型的拐点。工程上我建议在0.1到0.15之间取值，同时结合调度人员对系统风险偏好的要求做调整。如果你算出的曲线没有这种“先陡后缓”的形态，回头查模糊集半径定义的时候单位是不是搞错了，我犯过这个错。

6.2 场景数量、缩减方式与求解速度的折中

场景数量的影响我曾经专门跑过一组对比：20、50、80、120个场景下，CCG的迭代次数和总耗时差别非常明显。20个场景下模型跑得快，但UB和LB收敛后的间隙偏大，最终解往往稍微偏离真实最坏情况；80个场景下精度不错，但每次主问题规模变大，一次迭代就要多花两到三分钟。50个场景是最合适的点，精度和耗时都在合理范围内。

缩减方式上，我之前提到快速前向选择法比k-means更贴合分布鲁棒的需求。有一个实测结果让我印象很深：同一组500个原始场景，k-means缩减到50个以后，极端场景概率被压缩得很低，导致CCG子问题找最坏分布时不能涵盖真实的极端运行点，最终方案的风电削减率比前向选择法高了将近三个百分点。所以重要算例里千万别图省事直接用k-means。

6.3 水电热现货价格场景的引入：不确定量不只有风光

不少人做电热综合能源优化，不确定量只考虑风电、光伏和负荷，但我强烈建议把购电价格也纳入场景集合。现货市场的电价波动幅度经常超过负荷波动，而且电价和风光出力天然相关——风电大时电价往往低，这直接影响储热罐“什么时候充、什么时候放”的决策逻辑。如果不建模这种相关性，电锅炉的充热策略对价格信号的响应就会失真。

做法也很简单：在场景生成环节，把历史节点电价和风光的预测误差一起采样，用同样的相关性矩阵生成联合场景。这样分布鲁棒模型自动会学到“高价时段少购电、低价时段储热”的隐式规律，比把电价当作确定性参数做出来的结果在实际成本上能改善百分之四到六。

6.4 收敛间隙设多紧：别为了完美牺牲时间

CCG的终止阈值是我会刻意放宽松的一项。理论上阈值越小越精确，但实际跑到0.1%以下，每轮能改善的幅度微乎其微，求解时间却成倍增加。我通常先设1%跑一版，得到近似方案后，再用0.5%做二次校准。如果两次结果的目标值差距在千分之二以内，就说明1%的阈值已经完全够用。最怕的是项目里有人对“精确”有执念，硬要把阈值压到0.01%，第二天早上代码还没收敛完，调度计划倒是先流产了。

7. 最后分享两个值得验证的扩展方向

代码框架稳定之后，我在这个模型上还试过两个扩展，效果都还不错，供你参考。

第一个是数据驱动场景树与时序相关的结合。目前的模型假设各时段场景是独立的，但电负荷和热负荷其实有很强的时间连续性。我试过把场景改成“时段序列轨迹”的形式，也就是每个场景对应一整天的联合曲线，而不是每个时刻单独采样再组合。解法上仍然用CCG，但模糊集构造变成了对整条轨迹空间定义Wasserstein距离。模型规模变大不少，但解出来的蓄热罐策略更加平滑，日成本比独立场景模型低了百分之三左右，非常值得研究。

第二个是把分布鲁棒框架和低碳约束结合。在碳交易机制下，给系统加一个阶梯式碳排放约束，分布鲁棒模型依然能保持结构和求解流程不变，只需要在目标函数中加入碳成本项，并在约束里增加碳排放上限的模糊集对应条件。我实测的结果是，当碳价高到一定程度时，电锅炉和蓄热电锅炉的利用小时数明显上升，系统购电量下降，而总成本上升幅度可控。这种“绿色属性”对项目申报和评职称也有实际用处，做课题的话很容易直接扩展成一篇论文。

如果你准备在这个方向上深入，我建议先把文里的两阶段模型、CCG算法和模糊集半径这三件事彻底跑通，再决定要不要碰时序轨迹和碳约束这些扩展功能。先能复现，再谈创新，这个顺序不会错。