企业官网建设流程全解析

做微电网调度的同行应该都有这种体会：预测曲线画得再漂亮，一到现场，风电和光伏的出力照样跟你玩心跳。这篇博文要讲的是一个我自己反复验证过的方案——用鲁棒优化做区域微电网的最优运行，把风光出力和负荷预测的不确定性直接框进模型里，配合储能进行可调整调度，同时保证方案是非预测性的，也就是不依赖未来随机信息的实现值。本文将给出完整的模型推导、CCG求解思路和Matlab实现框架，适合正在做微电网能量管理的研究生、工程师，以及刚接触鲁棒优化的同行参考。

我先说结论：这类问题本质上不是“怎么把代码写出来”，而是“怎么把你的保守度定下来”。鲁棒优化最怕的不是计算量大，而是你把不确定集框得太大，导致储能整天满充满放、柴发一直高负荷，运行成本吓人；框得太小，又等于没做。这个度的把握，是需要靠算例、靠对模型结构的理解一点点磨出来的。

1. 先搞清楚一个本质问题：微电网调度到底难在哪

1.1 确定性优化的标准套路和它的天花板

典型的区域微电网，一般包含风电、光伏、储能、柴油发电机，还可能和外网有购售电交互。传统的确定性优化是这样做的：先对风电、光伏、负荷做24小时预测，然后把预测值当成真实值，求解一个以运行成本最小为目标的线性规划或混合整数规划。

目标函数通常是火电/柴发燃料成本加启停成本，再加向电网购电的费用，减去售电收益；约束则是功率平衡、储能SOC递推、充放电功率上下限、柴发出力上下限和爬坡约束，以及线路或变压器容量限制。这种方式的好处是模型简单、求解快，一个24时段的MILP交给商业求解器几秒钟就出结果，所以现在大量工程系统还在用。

但它的天花板也很明显：方案质量完全取决于预测精度。你算出来的“最优”，是在假想场景下的最优，真实现场偏差一大，这个解可能根本不满足功率平衡。我见过一个实际案例，某微网项目中午光伏实际出力比预测低了23%，储能按原计划在充电，柴发又处于最低技术出力附近，结果系统只能紧急从电网高价购电，一个午间时段就把一天的备用裕度吃掉了大半。

1.2 预测误差怎么变成真金白银的损失

预测误差不是简单“多买一点电”就完事的事。它的传导链条是这样的：光伏/风电出力偏差 → 母线功率不平衡 → 储能被迫改变充放电 → SOC轨迹偏离计划 → 晚高峰可调容量不足 → 柴发出力上调或高价购电。如果偏差发生在极端天气下，还可能触发切负荷或弃风弃光，这部分损失是没法用成本模型衡量的。

我常打一个比方：确定性优化相当于你出门前看了一眼天气预报，觉得“今天不会下雨”，于是没带伞。而实际情况是，天气预报说20%概率下雨，你走到半路真的被淋了，全身湿透还耽误了正事。鲁棒优化的思路是：不管天气预报怎么说，我包里都放一把伞，但我不一定全程打着它——根据当时实际是否下雨，我可以决定要不要把伞撑开。这就是“可调整”的含义。

1.3 鲁棒优化要解决的三个核心问题

在进入建模之前，先把鲁棒优化要回答的三个问题摆出来，后面所有代码和公式都是围绕这三件事展开的：

第一，不确定性怎么描述。不能只给一个预测值，要给出一个“不确定集”，也就是风光和负荷可能出现的偏差范围。

第二，最坏情况下方案是否仍然可行。所谓鲁棒，就是不确定集里任何一个偏差场景出现，系统都能通过储能、柴发、购电等调节手段维持功率平衡，不切负荷、不出界。

第三，决策能否根据实际观测进行调整。这是标题里“非预测性”的核心含义：我不能依赖未来的随机信息，但我可以在看到当前偏差后做出响应。这个逻辑要在模型结构里体现出来。

2. 不确定性建模：选对“参数框子”等于成功一半

2.1 哪些参数该进不确定集

微电网模型里参数很多，但不是所有参数都要往不确定集里塞。我的经验是遵循一个原则：只有那些“在决策时点真的不知道、事后才能看到”的量，才需要建模为不确定参数。

通常需要进不确定集的有三类：风电出力预测值、光伏出力预测值、负荷预测值。如果微电网参与电力市场交易，现货电价波动很大，那购售电价也需要放进不确定集。而储能效率、柴发爬坡率、设备容量这类物理参数，基本由设备铭牌决定，实测数据不会出现数量级的跳变，直接用确定值就好。

这里有一个新手常犯的错误：把负荷和光伏同时放进不确定集，却忽略了两者之间可能存在的相关性。比如夏季午后，光伏出力高的时候空调负荷也高，这两个偏差方向在某些时段是相关的。如果不考虑，你的不确定集就会框入一些物理上根本不会同时出现的组合，结果就是白白增加保守度。

2.2 三种常用不确定集对比

不确定集的选择直接决定模型的计算复杂度和保守程度。工程上最常用的有三种，我放在一起对比一下：

我做实际项目时基本都用预算多面体集。原因很简单：它只在线性约束里加一个绝对值求和不等式，对偶之后仍然是线性规划，CCG算法迭代起来非常顺畅。椭球集虽然理论上更精致，但子问题对偶后会出现二阶锥约束，调试难度上一个台阶，而且对工程结果的实际提升往往不如你多花点功夫校正预测偏差。

2.3 预算参数Γ到底怎么定

预算参数Γ是整套模型里最需要“人味”的一个参数，它决定了你愿意为不确定性付出多少额外成本。Γ = 0时模型退化为确定性优化，Γ = T（T为时段数）是最保守情况，假设每个时段所有参数同时达到最大偏差。

我的做法是分两步走。第一步，把手头历史预测数据和实际出力数据拿出来，逐时段算绝对误差，取90%~98%分位数作为单个参数的偏差幅值Δ。这个值不能取最大误差，否则默认设备每个时刻都以最恶劣状态波动，没有任何经济性。第二步，Γ从较小的值开始试，比如5或8，观察成本和可行性怎么变化，一直加到不再显著改善最坏场景表现为止。

有一个小技巧：你可以用确定性模型的“备用容量缺口”来反推Γ。比如确定性方案在历史最坏场景下缺了40kW功率，而你储能和购电容量合计能补的范围是有限的，于是就可以估算这40kW对应的偏差组合大概需要多大的Γ才能覆盖。这比拍脑袋给Γ靠谱得多。

3. 两阶段鲁棒优化模型：min-max-min怎么理解和求解

3.1 第一阶段和第二阶段分别定什么

两阶段鲁棒优化的结构，用一句话概括就是“先决策、后实现、可调整”。第一阶段决策是“事前决策”，必须在不确定参数实现之前就定下来，对应于现场调度里的机组启停、柴发基准出力和储能基准充放电计划。第二阶段决策是“事后调整”，在不确定参数的实际值暴露之后，通过储能、柴发微调、购售电等手段去弥补功率不平衡。

换到生活场景里更好理解：你出差前决定带两套正式衣服和两套运动服（第一阶段决策），到了现场看到真实天气（不确定参数实现），再决定今天穿哪一件、明天穿哪一件（第二阶段决策）。但约束是你不管遇到降温还是下雨，都不能出现没衣服可穿的尴尬场面，这就是“在任何场景下可行”。

数学上，两阶段鲁棒优化的标准形式写成：

min_x cᵀx + max_{u∈U} min_{y∈Ω(x,u)} dᵀy

这个结构看起来吓人，其实拆开就清楚：外层min是在选第一阶段决策x，内层的max-min是在已知x的前提下，寻找最坏的不确定参数u，并计算该场景下最经济的事后调整成本y。这个“内层先求最坏场景”的设计，就是鲁棒优化和传统随机优化的根本区别——它不需要知道不确定参数的概率分布，只需要知道可能出现的范围。

3.2 目标函数与约束的建模细节

我在实际建模时，目标函数取三段成本之和：柴发的燃料和启停成本、向电网购电的峰谷费用、储能的退化成本。储能退化成本在国内不少项目里会被忽略，但如果你把储能当成主力调节手段，没有退化成本，模型会让储能一天内频繁充放，实际运行中电芯寿命下降非常快。我在自己项目里按放电电量线性计提，单位成本约0.05~0.1元/kWh，省心很多。

约束方面，功率平衡是最核心的等式约束，再加上各设备的容量限值、爬坡约束、储能SOC递推和购售电限制。储能SOC递推等式是一个跨时段耦合约束，这是两阶段模型里的一个坑：如果直接把它放进第二阶段，子问题会通过调整SOC“事后修正”整个日内的充放策略，这等于让模型作弊——真实运行中你不可能知道未来所有偏差后再重排全天计划。

我的处理办法是，把储能SOC拆成两部分：一部分是第一阶段确定的计划轨迹，另一部分是第二阶段看到偏差后的增量调整。增量调整的大小必须限制在较小范围内，比如不超过容量的10%，这样既保留了储能的调节能力，又不会让模型“预知未来”。这个细节很多论文里不讲，但工程落地时非常关键。

3.3 为什么max-min不能直接求解

内层max-min结构之所以麻烦，是因为外层在找最坏场景，内层在找最经济调整，两者对抗，本质是个非凸问题，没法直接交给线性规划求解器。处理它的办法主要有两条路。

第一条是强对偶转换。由于第二阶段是线性规划，决策变量连续，满足强对偶条件，可以把内层的min问题转成对偶max问题，从而把内层变成一个纯max问题，这样整个子问题就变成“先对偶、再求max”，可以直接求解。这条路径是CCG算法的理论基础。

第二条是仿射决策规则。它的思路更直接：假设第二阶段调整量y是偏差u的线性函数，即y = a + Bu，把内层min消掉，把问题变成只关于a和B的规划问题。好处是可以处理带有整数变量的场景，坏处是线性策略可能丢失最优性。我在储能参与调节的场景里经常用仿射规则做快速初步分析，精度已经够用。

3.4 CCG算法迭代逻辑

CCG（列与约束生成）是目前求解两阶段鲁棒优化最主流的算法，思路简单说就是“不断把最坏场景拉出来，让主问题被场景逼着改进”。主问题（MP）在已知一批最坏场景的前提下，求最优的第一阶段决策和目标下界；子问题（SP）在给定第一阶段决策后，搜索新的最坏场景，返回目标上界。上下界之差收敛到阈值，迭代结束。

初始化：场景集合S = {一个初始场景（通常取预测值场景）}，UB = +inf，LB = -inf 循环 while (UB - LB) / LB > 0.01: 求解MP：给定S，得到x*和目标值LB' 更新LB = max(LB, LB') 求解SP：固定x*，通过强对偶或仿射规则求最坏场景u*和目标值f* 更新UB = min(UB, cᵀx* + f*) 把u*加入场景集合S 结束循环

我实际调试的经验是，CCG一般迭代10~20步左右就会收敛到1%的间隙，但如果子问题的对偶转换写错，可能出现“上界永远小于下界”的荒诞情况。遇到这种问题，先拿一个单场景回代验证，别急着调求解器参数。

4. “非预测性”到底指什么：与MPC滚动时域的组合

4.1 非预测性决策的真实含义

“非预测性”这个词翻译自Non-anticipativity，意思是第一阶段决策不能使用未来随机参数的实现值。换句话说，决定早上8点柴发该出多少功率的时候，你不能等到下午2点看清光照情况再拍板。这个性质在数学上体现为第一阶段决策变量与不确定参数无关，它是两阶段鲁棒优化的隐含假设。

这个性质为什么值得单独讲？因为很多从随机规划转过来的同学，习惯用场景法或者蒙特卡洛模拟，把大量未来场景当作已知信息来优化。这在单阶段随机优化里没问题，但在实时调度里是站不住脚的——真正的控制器每一时刻只掌握当前和过去的信息，未来是未知的。鲁棒优化天然满足非预测性，分布式控制、能量管理系统才能放心地把方案执行下去。

4.2 开环鲁棒和滚动时域的差别

如果你把两阶段鲁棒模型一次求解24小时，然后把这24小时的指令全盘执行，这套方案是开环的。开环的优点是全局最优性有保证，缺点是如果实际偏差超出了你预设的不确定集，比如突然来了一场大风导致光伏骤降，那么后续时段的最优性就无从谈起了。

把MPC滚动时域的思想加进来以后，情况就不一样了。每个控制周期t，只用当前实测状态做初值，预测未来N个时段，求解一个未来有限时域的两阶段鲁棒模型，但只执行第一个时段的指令。等下一时段到来，用新的实测状态重新求解。这就让不确定集每步都在“收缩”，因为离当前时刻越近，预测偏差越小，你框出来的U就越紧凑，运行经济性也会更好。

4.3 鲁棒MPC实操框架

具体操作上，我一般把滚动窗口设为6~12个小时，太长计算量大、太短会失去前瞻性。Γ在滚动窗口内取2~4，意思是在未来6小时里，允许最多2~4个时段的参数同时达到最大偏差。储能初值用当前实测SOC，第一个时段的指令下发执行，第二时段重新更新。

组合滚动时域之后，“非预测性”依然是满足的：每个时刻的决策只依赖当前实测状态、预设不确定集和窗内预测曲线，不依赖未来随机变量的实现值。这就是标题里“鲁棒性和非预测性解决方案”的落地含义——方案既有对抗不确定性的鲁棒自卫能力，又能在时间轴上一步一个脚印地滚动修正，非常适合部署在实际的能量管理系统中。

5. Matlab实现框架与核心代码逻辑

5.1 程序整体构架

我写这类程序一般分六个模块：数据模块、参数模块、不确定集模块、主问题模块、子问题模块、CCG迭代与结果输出模块。数据模块读入预测曲线和历史误差统计数据，参数模块配置成本系数、储能容量、柴发爬坡等常数，不确定集模块按2.3节的方法生成偏差幅值和预算Γ。

主问题模块用Yalmip建模，调用商业求解器CPLEX或Gurobi；子问题模块先对第二阶段LP做对偶转换，再用Yalmip建模求解对偶后的max问题。CCG迭代模块负责维护场景集合、更新上下界、控制循环终止条件。整个程序结构清晰之后，后续换数据、换参数、加约束都很方便。

5.2 不确定集的Matlab构建

在Matlab中用Yalmip构建预算多面体不确定集，代码非常简洁：

% 预测值和偏差幅值 P_W_forecast = ...; % 风电预测 delta_W = 0.2 * P_W_forecast; % 偏差，取历史误差分位数 Gamma = 5; % 预算参数 % 不确定变量 P_W = sdpvar(1, T); % 盒式约束 Constraints = [P_W >= P_W_forecast - delta_W, ... P_W <= P_W_forecast + delta_W]; % 预算约束：偏差归一化和 <= Gamma Constraints = [Constraints, norm(P_W - P_W_forecast, 1) / norm(delta_W, 1) <= Gamma];

注意最后一行的写法，直接把归一化后的偏差求和放进一个范数约束里，Yalmip会自动把它展开成绝对值不等式，比手写循环加绝对值变量要干净很多，也更容易排错。

5.3 子问题对偶与CCG迭代框架

子问题的核心是把“max-min”变成“max”。以简单的功率平衡场景为例，内层min是一个只含连续变量的线性规划，对偶后目标函数变成对偶变量与右端项的乘积，右端项里就带有不确定变量u。此时目标里出现u和λ的双线性项，需要通过强对偶定理或枚举顶点法处理。

CCG迭代框架在Matlab里的大致结构如下：

% 场景集合初始 Scenarios = {forecast_scenario}; LB = -inf; UB = inf; for iter = 1:30 % 主问题 [x_star, LB_new] = solve_MP(Scenarios); LB = max(LB, LB_new); % 子问题 [u_star, obj_second] = solve_SP(x_star); UB = min(UB, obj_second); if (UB - LB) / abs(LB) < 1e-3 break; end % 将新场景加入集合 Scenarios{end+1} = u_star; end

需要注意，每个场景不只是把u放进主问题就行，主问题要为每个场景单独复制一套第二阶段变量和约束，这就是“列与约束生成”里“列”的由来。

5.4 求解器配置与数值技巧

主问题和子问题都建议用Yalmip建模后调用商业求解器，Gurobi对线性规划和大规模MILP的支持比开源求解器好一个量级。求解容差设置上，主问题MILP用默认1e-4到1e-6即可，子问题线性规划直接求到默认精度。

有一个数值问题是必须警惕的：Big-M法处理双线性项时，M值不能给太大。我见过有人图省事设成1e6，结果子问题求解器直接数值病态，返回一些莫名其妙的解。经验值M不超过1e4，能覆盖变量量级就够，如果需要更大的M，建议考虑把相关约束分段线性化或引入指示变量，别硬刚。

6. 算例验证与常见问题

6.1 模拟项目X算例设计

为了说清楚对比效果，我设计了一个中等规模的模拟微电网算例，参数如下：

全天24时段，步长1小时。对比四种方案：确定性优化、鲁棒优化（Γ=0、5、10、24）。统计指标取总运行成本、最坏场景下的功率不平衡余量、储能SOC越界次数。

结果规律非常明显：确定性方案的名义成本最低，但在最坏场景下缺电风险最大；Γ从0增加到10的过程中，最坏场景成本下降明显，而名义成本上升平缓；Γ从10增加到24，最坏场景成本几乎不再改善，名义成本却仍在上涨。这说明对于该算例，Γ=10附近是一个经济性和鲁棒性都比较合理的平衡点。

6.2 调试CCG过程中踩过的坑

我把自己调试这段代码时遇到最多的问题整理成一个速查表，给各位参考：

6.3 实操心得与参数建议

跑CCG之前，我强烈建议先把整个两阶段模型简化成单时段、两变量的玩具算例，手工验一遍对偶推导和CCG迭代。这个准备工作做扎实了，放大到24小时就是顺水推舟的事。

参数上，Γ从0开始逐步往上加，每次记录成本增量和最坏场景改善幅度，两者交叉点附近通常就是工程上可接受的保守水平。不确定集偏差幅值用历史数据的90%分位数起步，如果计算量允许再考虑95%乃至更高。储能的退化成本一定要计，否则模型会给出一个储能疯狂充放的最优解，现场根本执行不下去。

最后再分享一个小习惯：我把每次CCG迭代的上下界日志都存下来，跑完一版自动画一条收敛曲线。这个曲线不仅能帮你判断迭代是否收敛，还能在论文或项目汇报里直观呈现算法的有效性。调试过程里看这根曲线，比盯着命令行数字输出高效得多。