最近整理了一套MATLAB源码项目标题是“计及源-荷双重不确定性的虚拟电厂日前鲁棒优化调度”这名字确实长得有点劝退但拆开看就一句话虚拟电厂做日前计划的时候把光伏、风电这类源侧预测误差和用户负荷预测误差同时装进模型用鲁棒优化守住最不利情况下的系统平衡最后输出24小时的机组出力和储能充放电计划。这套代码能解决什么问题说白了就是虚拟电厂运营商最头疼的事——明天光伏到底发多少、负荷到底涨多少谁也说不准但你今天必须把明天的机组启停、储能充电还是放电、要不要从主网购电全定下来。定少了最坏情况来了就切负荷、罚款定多了成本直接起飞。鲁棒优化就是在这种“看不准也得拍板”的场景下给你一个既不赌运气、又不会太浪费的调度方案。适合谁看正在做虚拟电厂、微电网、综合能源系统调度方向研究的同学或者刚接触鲁棒优化的工程师都可以拿这份代码当骨架改一改就能放到自己的算例里跑。代码本身不复杂难点在建模思路和遇到问题时的调试这两块我会在后文细讲。1. 项目概述与核心问题拆解1.1 虚拟电厂日前调度到底在干什么虚拟电厂听起来很玄实际就是把分散的分布式电源、储能、柔性负荷聚合起来像一个发电厂一样参与调度和交易。它没有物理边界却要像一个电厂那样对外输出稳定的出力计划。而“日前调度”是这个系统中非常基础、也非常关键的一环——在当天零点之前把第二天24个时段的计划全部定好。这套源码里的虚拟电厂聚合模型包含了几类典型单元若干台燃气轮机或者内燃机这类可调度分布式电源一组储能系统一批光伏和风电这样的不可控新能源再加上与主网的购售电交互。负荷侧则按典型日负荷曲线给定但这条曲线只能当作“预测值”真实值会在附近波动。日前调度的输出看起来很简单每个时段每台机组发多少电储能是充电还是放电、功率大小分别是多少从主网购电还是售电最多允许切多少负荷、弃多少新能源。但核心难点在“提前一天定计划”这件事上——所有决策必须在不确定性暴露之前完成。等第二天实际的光伏功率和负荷都清楚了再想去调很多约束已经来不及满足了。这正是调度问题与普通的潮流计算或经济分配最不一样的地方也是为什么要专门把不确定性写进模型。1.2 源-荷双重不确定性具体指什么源侧不确定性指的是光伏、风电出力与预测值的偏差。光伏受云层遮挡影响分钟级就能掉一半出力风电更不用说风速模型再精细预测误差能达到20%以上。你按预测值安排了备用实际出力突然偏低系统就得靠其他机组或者储能顶上。荷侧不确定性是用户负荷预测误差。工作日和休息日不同温度突变、商场促销、工厂临时加班都会让真实负荷偏离预测曲线。而且负荷和新能源还有一个关键区别新能源出力偏差往往是“你不想要什么它来什么”负荷偏差则是“该低的时候高、该高的时候更高”两者的极值方向经常叠加。真正的麻烦在于这两个不确定性是同时出现的。如果只考虑光伏波动你可以在预测负荷上加一个备用容量如果只考虑负荷波动你可以给新能源留一个置信区间。但当二者同时存在最坏情况是“光伏实际出力比预测低很多负荷实际又比预测高很多”这个叠加后的净偏差可能比任何一个单项误差都大得多。只按单一不确定性做调度极端场景下就会直接崩掉。源码里同时把两类不确定性建模进约束就是在源头堵住这个风险。2. 为什么选鲁棒优化方法选型的实际考量2.1 随机优化、鲁棒优化、分布鲁棒的血泪对比处理不确定性学术界和工程界基本是三套路数随机规划、机会约束、鲁棒优化。这三条路我都实际跑过说说感受。随机规划需要给定不确定量的概率分布然后用蒙特卡洛抽样或者场景缩减生成大量场景让所有场景都可行。它的优点是不那么保守能把概率信息用上缺点也很明显——你根本拿不到光伏出力精确的分布函数尤其历史数据不足的时候抽出来的场景很可能不代表真实情况。就算分布估计对大量场景会让模型规模急剧膨胀求解时间成倍增加。机会约束是给约束一个置信度比如“功率平衡满足的概率大于90%”。听起来很美好但机会约束一般很难直接处理要么转成近似的确定性约束要么用采样近似模型的数学结构会被破坏代码写起来也容易出诡异的问题。相比之下鲁棒优化走的是“最坏情况可行”路线——我不需要知道偏差的精确分布只要知道偏差落在某个集合范围内就能保证在这个范围内的所有情况下系统都安全。代价是解可能偏保守但这个保守度是可以调的。实际工程里数据不足、分布难估才是常态所以鲁棒优化反而最容易落地。这套代码选择鲁棒优化不是因为它理论最漂亮而是因为它在“数据有限、模型要可靠、结果要可复现”这三条现实约束下综合表现最稳。2.2 鲁棒优化的核心三要素不确定集、对等模型、保守度调节鲁棒优化的关键就藏在三个词里。第一个是不确定集。你得先把“最坏情况”的范围用数学形式圈出来。常用的有盒式集、椭球集、多面体集。盒式集简单粗暴偏差只给上下界但容易过度保守椭球集几何上更精细可处理概率约束但转出来的模型是非线性的求解难度大。这套代码用的是带1-范数鲁棒预算的盒式集也就是每个时段偏差不能超边界同时全天的累计偏差还要受限这比纯盒式灵活很多。第二个是对等模型。原始问题是min-max结构内层在不确定集中找最坏情况外层找最优调度。这类双层结构没法直接用求解器解必须通过强对偶理论或者线性规划的对偶变换把内层问题转化为外层问题的一部分整理成一个单层的混合整数线性规划。这个过程是整个代码里数学味道最重、也最容易写错的地方。第三个是保守度调节。鲁棒优化最被诟病的就是“把每一天都当成世界末日来调度”实际调度成本高得离谱。解决办法是引入鲁棒预算参数限制“允许同时发生的偏差总量”。可以只让一部分时段的偏差达到极端值其余时段按正常水平考虑。这样调度结果在成本和安全性之间就有了一个旋钮旋钮拧到什么位置取决于系统实际需求。![注意]这里必须提一个实操心得不要一上来就把鲁棒预算参数拉满。最好的做法是从0开始也就是确定性调度的结果然后逐步增大预算观察成本和系统安全裕度的变化曲线。这段曲线是写给项目报告和论文里最有力的图也是说服领导、评审“为什么必须用鲁棒优化”的最好证据。3. MATLAB代码架构与核心模块设计3.1 代码总体框架与数据结构整套代码我按“参数层—建模层—求解层—结果层”四个层次组织每个层次都能独立测试。用MATLAB自带的数据结构加YALMIP建模语言没有把数据和逻辑混在一起方便后面换算例、调参数。参数层主要定义四类数据系统拓扑与单元参数、预测曲线与不确定集参数、价格与成本参数、鲁棒预算控制参数。这四块参数我用结构体统一管理类似para.gen{1}.Pmax 500;这种写法。好处是不用记一堆分散的变量名改算例的时候只需要改一个脚本文件。建模层是核心。我先把所有决策变量定义为YALMIP的sdpvar或binvar然后逐条写目标函数和约束。这里有个重要的设计选择我不直接在循环里拼字符串来加约束而是先把约束写成约束对象数组最后统一合并交给求解器。这样做的好处是约束有问题时调试定位很快而且可以随时把任意一条约束注释掉做敏感性分析。数据层面光伏出力、风电出力、负荷预测值都是24维向量单位统一为kW。储能SOC定义为连续变量状态转移方程按小时递推。所有和功率相关的变量都带时间下标这样后处理画图的时候直接按维度切片非常方便。3.2 决策变量、预测曲线与不确定集参数化决策变量包括每台燃气轮机的有功出力Pg、储能充电功率Pch、放电功率Pdis、储能SOC状态、虚拟电厂与主网的购电Pbuy和售电Psell以及鲁棒优化中引入的对偶变量。其中储能充放电互斥逻辑需要引入二进制变量所以这个模型是MILP。不确定集参数化是这套代码里最容易理解错的地方。光伏出力的预测误差我定义成相对偏差形式每个时段光伏实际出力等于预测值减去一个不确定项不确定项绝对值不超过预测值的某一比例比如20%。负荷侧也是类似定义但偏差是加在负荷端方向是“实际更高”更危险。为了控制保守度我给每个不确定项引入了一个鲁棒预算参数。光伏侧的预算限制全天允许的累计偏差上限负荷侧同样如此。当预算取0不确定集退化为单点模型就是普通的确定性优化当预算取满每个时段都按最大偏差考虑就是全保守的盒式模型。中间取值就是所谓的“预算鲁棒优化”。3.3 目标函数与约束条件怎么建模目标函数是虚拟电厂日运行成本最小化包含分布式电源的燃料成本、储能运行维护成本、与主网交互的购电成本减去售电收益、弃风和弃光惩罚、失负荷惩罚。其中失负荷惩罚系数要取很高因为切负荷的代价远大于正常运行成本弃风弃光惩罚次之取一个高于电源边际成本的值让优化器尽量消纳新能源。约束条件分几组功率平衡约束、机组出力上下限与爬坡约束、储能充放电约束与SOC状态转移、购售电互斥约束、不确定集约束。功率平衡约束在最坏情况下必须保持成立这是整个鲁棒转化发生的地方。以纯盒式不确定集为例原来包含不确定参数的等式约束通过最坏情况分析会转成不等式形式——光伏取下限、负荷取上限时平衡等式退化为系统剩余电力必须不小于零。实际写代码的时候我没有直接把对偶问题手工推导后硬编码而是利用YALMIP的uncertain相关功能或者干脆把最小最大问题显式写出后借助线性对偶定理转化。这样代码的通用性高一些换一个不确定集形式也不用重写整个模型。以下片段是储能SOC约束和功率平衡约束在MATLAB中的典型写法%% 储能SOC状态转移约束 Constraints [Constraints, SOC(:, 2:T) SOC(:, 1:T-1) ... Pch(:, 1:T-1) * eta_ch * dt / cap_ess ... - Pdis(:, 1:T-1) / eta_dis * dt / cap_ess]; %% 鲁棒功率平衡约束线性化后 Constraints [Constraints, ... Pgen(t) Pdis(t) - Pch(t) Pbuy(t) - Psell(t) ... Load_forecast(t) - (1 - w_max_load(t)) * slack_opt ... inv_log_PV(t) ... ];这里的细节提醒SOC方程里的单位务必统一我遇到过好几次MW和MWh混用导致容量越界约束根本不起作用的尴尬问题。建议代码里所有功率用kW、能量用kWh、时间用h一个单位体系走到底别中途切换。4. 核心建模细节与鲁棒转化实现4.1 盒式不确定集与1-范数预算的等价变形套代码里的不确定集不是简单的大盒子而是用1-范数约束对累计偏差做了限制。假设24个时段的光伏出力偏差为ΔP_pv(t)每个时段的边界是±e_pv(t)叠加预算约束Σ |ΔP_pv(t)| / e_pv(t) ≤ Γ_pv负荷侧同理。这个带绝对值的不确定约束直接放进优化问题会破坏线性结构所以要做一个等价变形把每个时段的偏差写成非负部分和负值的差通过引入变量替换等价地表示成一组线性不等式。代价是决策变量数量增加但换来了模型仍然是线性这非常值得。对偶转化是这个项目的核心数学步骤。原问题是外层最小化成本、内层在不确定集中寻找最坏偏差来破坏功率平衡平衡。为了把内层问题消掉我对功率平衡约束对应的不确定项求其对偶问题得到一组合对偶变量和对应约束再把对偶问题的目标函数值作为限制式代回原模型。这一步从数学上保证了只要外层解满足这些对偶约束内层无论怎么取偏差原本的平衡约束一定不违规。本质上是把“防住所有情况”这个无限约束压缩成了有限个线性约束计算复杂度大大降低。4.2 储能充放电互斥与购售电互斥的处理储能和主网购售电这两个模块都有“方向互斥”需求——不能同时充电和放电不能同时购电和售电。直接写两个独立连续变量再限幅是不行的因为最优解会让两个变量同时非零来“套利”结果没有实际意义还会扭曲成本。处理方式有两种。一种是用二进制变量加大M约束充电时放电必须为0购电时售电必须为0另一种是使用YALMIP的转置共轭建模。前一种直观后一种省变量。我在代码里用的是二进制变量方式因为大M参数虽然要调但一旦跑通了是非常稳的。注意大M取值不要太大否则会增加MILP求解难度一般取该联络线或储能功率上限的1.1倍就够用。容量层面储能还要满足SOC上下限约束并且在调度周期结束时SOC要恢复到一个目标值比如等于初始值。这个约束看似苛刻但正是它保证了虚拟电厂可以按天为周期循环运行而不是把储能电池用到亏空。4.3 惩罚系数的工程取值经验惩罚系数设置直接影响调度结果合理性这是很多人忽略的。失负荷惩罚应该比最高电价还高至少一个数量级比如电价峰值算到1.2元/kWh失负荷惩罚取10元/kWh以上弃光弃风惩罚取在0.3到0.5元/kWh之间低于售电收益但高于零成本这样优化器能“弃”但有很强的消纳意愿。另一个容易被忽视的点是储能运维成本。很多人直接把储能成本设成0结果就是储能被疯狂充放SOC曲线来回打摆。实际上任何电池都有循环寿命成本哪怕只设一个非常小的单位损耗成本也能让SOC曲线平滑很多调度方案才像人做的决策。5. 实操过程与关键代码实现5.1 YALMIP建模与求解器衔接整套代码依赖于YALMIP工具箱来做建模然后调用求解器求解MILP问题。YALMIP的好处是建模语法接近数学表达式你写出目标函数和约束之后它负责把这些表达式转成求解器的标准输入格式。使用之前先把YALMIP放在MATLAB搜索路径下并确认求解器已经安装好。常见的开源求解器也可以跑商用求解器的求解速度更快、对MILP的数值稳定性也更好。我习惯在代码开头写一段环境检查assert(exist(sdpvar, file) 2, YALMIP未安装或未加入路径); opts sdpsettings(solver, gurobi, verbose, 2);求解前建议把verbose设成1或者2方便看求解过程正式批量跑算例的时候再改成0节省IO时间。求解器输出里重点关注MIP Gap如果交期时间很长可以顺手给一个mipgap上限比如1%——工程上1%以内的解偏差完全可接受但求解时间可能差出几倍。5.2 从确定性模型到鲁棒模型的改造步骤如果你想拿这套代码改成自己的算例最重要的不是改参数而是理解从确定性模型到鲁棒模型的三个改造步骤。第一步把功率平衡约束里的预测值拆成“预测值不确定项”。这一步只是形式上的先别急着转化。第二步把包含不确定参数的约束写成最小最大形式明确内层是在哪个不确定集上取最坏值。第三步对最小最大约束做对偶转化把内层优化替换成一组对偶约束和附加变量然后把对偶问题目标作为与原成本项并列的一项加入外层目标。第三步是最容易写错的地方。我建议每转化一个约束就加一行注释写清楚“这个对偶变量对应该原约束的哪一个不确定项”然后单独测试这项约束在Γ0时是否退化为原模型。如果Γ0的鲁棒模型结果和纯确定性模型完全一致说明转化基本正确如果不一致优先检查符号方向。5.3 后处理画图与结果指标分析后处理模块我做得比较细。至少需要输出三张图一是各机组与储能功率的堆叠图二是SOC曲线与购售电功率变化图三是鲁棒预算从0到最大值变化时总成本与失负荷概率指标的对比曲线。除了画图建议增加一段自动统计总运行成本、新能源实际消纳率、失负荷小时数、储能充放电循环次数。这些数字比图更能说明调度方案的优劣。尤其在论文或报告中一张参数敏感性表格能撑起三分之一的核心结论。6. 常见问题、排查思路与调试技巧6.1 鲁棒模型在Γ增大时突然无解这是我遇到过最多的情况。现象是确定性模型能解鲁棒预算一提高就提示不可行。原因通常不是转化错误而是系统调节能力不足——只要某个时段新能源极端低、负荷极端高同时发生所有机组加储能都顶不住这个净负荷。排查思路分三步。第一步把不确定预算拆开单独测试光伏和负荷分开调Γ看是哪个不确定性在制造瓶颈。第二步检查是不是失负荷约束设得太死或者惩罚不够高导致优化器宁愿不可行也不接受切负荷。第三步检查储能SOC初始值和期末值是否设得过于接近导致关键时段储能容量被“锁住”了一部分。如果确实调节能力不足合理的做法不是把Γ调回0而是允许在极端场景下切除部分负荷惩罚系数设得足够高就行。工程上这叫“适度失负荷”策略比一刀切保证绝对平衡更符合实际操作。6.2 求解时间爆炸与大M病态MILP问题在变量多、大M选得不合适的时候求解时间会指数级膨胀。排查思路是先看连续松驰问题的求解时间。如果连续问题都很慢问题大概率是模型规模太大或者约束过密如果连续问题很快、整数问题卡死重点看二进制变量的数量和大M取值。一个非常实用的小习惯把两个方向互斥性约束的大M系数做成脚本里的一个宏变量统一修改。我自己踩过这个坑——一开始把购售电互斥约束的大M设成10000结果求解器在分支定界里反复试探无意义的整数组合一度以为模型写错了后来改成对应最大功率的1.05倍求解时间缩到了原来的十分之一。6.3 鲁棒度参数从0到1过度保守的分寸鲁棒预算的范围需要依据历史数据统计来标定。比如统计过去90天光伏预测误差发现单时段最大相对误差在25%但全天平均误差很少超过8%。那么单时段的边界可以设成25%全天累计预算按平均误差乘以2到3倍来设这样既能包住单时段极端情况又不至于要求全天每一个时段都顶着最坏值跑。省时省力的做法是第一次跑一版Γ0的确定性解记录目标值第二版把Γ调到能覆盖历史95%偏差的水平再看成本增加量。如果成本只增加了5%却能把99%的风险包住这个方案就是划算的。这组数字讲给做决策的人听基本上都能接受。7. 进一步扩展与个人使用心得如果你想把这个算例往前再走一步代码扩展的方向其实很明确把不确定集换成椭球集或者数据驱动的分布鲁棒集可以在保守度和计算复杂度之间找到更好的平衡点加入需求响应负荷后原负荷预测误差会被需求响应部分对冲不确定性建模会更有意思再往上做就是多时段耦合的机组启停计划叠加鲁棒约束规模上来以后对求解器的考验才是真正开始。我自己的习惯是在每次算完一组调度后把Γ取不同值时的调度方案拿出来做一次事后模拟——拿历史真实数据回代看哪一天的调度方案在实际光伏和负荷下真的越限了。这个工作虽然不起眼但对模型的信任感提升是巨大的。代码能不能说服别人最终靠的就是这种回测数据而不是楼层的公式推导。最后再说一个小技巧无论你用哪台机器跑这套代码建议把随机数种子固定、把求解器的数值容差设置为统一值。鲁棒优化模型对数值容差比较敏感换一台机器结果可能略有不同。把版本和参数钉死复现和比较才能在同一个基准线上进行。