做虚拟电厂调度项目的人都知道预测曲线永远是骗人的。光伏出力今天预报是晴天满发下午一片云飘过来功率直接砍半负荷侧更离谱午高峰和晚高峰的波动经常跟预测差出20%以上。只拿点预测值去做日前调度实际运行时储能充放电计划基本是废纸。所以我把目光放到了鲁棒优化上——与其赌预测准不如让调度方案在“最坏情况”下也扛得住。这篇就把模型推导、核心代码和踩过的坑完整整理出来给正在搞虚拟电厂调度、源荷不确定性优化的朋友做个参考。这个项目里我做的是一套面向园区级虚拟电厂的日前鲁棒调度模型资源包括光伏、储能和一部分可平移负荷优化目标是最小化运行成本。你不需要有很深的数学背景我会把鲁棒对等转换的思路用最直白的话讲清楚代码也是基于Python和Gurobi的一份可运行原型可以直接抄作业再改参数。1. 这个项目到底在优化什么虚拟电厂调度的底层困境先说清楚虚拟电厂调度和普通微电网调度有什么区别。传统微电网调度管的是“自己家的一亩三分地”负荷基本固定分布式电源出力靠天吃饭调度员更多是做功率平衡。虚拟电厂的玩法是把分散的光伏、储能、可调负荷聚合起来作为一个整体参与电网互动既要满足内部负荷又要考虑向外部卖电或者购电的收益。这就在优化里多了一层“对外交互”的决策目标函数里除了运行成本还得算上购售电收益。听起来不复杂但实际建模时最难受的就是光伏和负荷的双重不确定性。光伏出力受辐照度、温度、云层遮挡影响分钟级就能波动好几十千瓦负荷侧每个用户的行为习惯不一样空调、电动汽车充电桩一叠加午高峰的毛刺特别多。更麻烦的是光伏和负荷的不确定性往往是耦合的——比如夏天午后突然来一阵雷雨光伏出力跳水空调负荷反而飙升两个不利因素撞在一起功率平衡就会被打破。这个项目的核心矛盾就在这里如果调度方案只按预测曲线走鲁棒性为零实际执行必然偏差如果把所有不确定区间的最极端情况都考虑进去调度方案会保守到储能不敢充、可调负荷不敢动经济性全毁。所以设计模型时我给自己定了三个要求第一必须显式建模光伏和负荷的不确定性而不是简单乘个安全系数第二鲁棒优化带来的保守度要可调节不能一杆子打死第三模型规模要控制在Gurobi能快速求解的范围内毕竟调度模型最终是要跑在线的。1.1 光伏出力看得见但猜不透的“免费电源”光伏出力建模看起来是最简单的一块——直接拿历史辐照度数据乘上装机容量和效率系数就行。但真做进去就会发现预测误差的结构比想象中复杂。晴天的时候光伏预测曲线很漂亮误差主要来自中午前后的小幅波动多云天就惨了出力曲线像锯齿一样预测值和实际值可能差出30%。所以我做不确定性建模时没有用对称区间而是按照不同天气类型统计了预测误差的分布晴天用±10%的偏差区间多云天放宽到±25%。还有一个容易踩的坑是光伏的爬坡约束。光伏逆变器确实有功率变化率限制但在鲁棒模型里如果给光伏加上爬坡约束最坏情况搜索空间会变得很拧巴——光伏出力从1000kW瞬间掉到200kW这种场景爬坡约束根本拦不住因为本质上不是逆变器爬坡限制而是云层遮挡导致的物理突变。我后来干脆不在鲁棒模型里给光伏加爬坡约束改为在结果校核阶段单独做一次分钟级仿真看储能不能兜住骤降。1.2 负荷波动用户侧随机性怎么变成调度约束负荷不确定性比光伏更难处理因为光伏至少还有辐照度这个物理量做预测基准负荷纯粹是人的行为叠加。我这边园区负荷构成大概是照明空调占一半、产线设备占三成、充电桩占两成充电桩那部分随机性最强经常有车突然插上来充大功率。历史数据统计下来负荷预测误差的标准差在早上低谷时段很小晚高峰能到15%以上。负荷侧的鲁棒建模我建议分两类处理。一类是固定负荷直接放进不确定性集合里做区间波动另一类是可平移负荷比如充电桩、部分产线设备它们本身就是调度变量可以在时间轴上平移。可平移负荷如果也扔进不确定性集合里模型会变得特别混乱因为“不确定性”和“可调度性”本质上是对同一个变量的两种描述。我最后的处理方式是固定负荷走鲁棒区间可平移负荷走确定性约束让优化器自己决定什么时候开启。1.3 为什么确定性优化在这里不够用要是只做确定性优化代码写起来会轻松很多目标函数最小化总成本功率平衡约束用预测值再加储能和可调负荷的边界条件三五个小时就能跑通。但投运之后基本会天天被调度员骂——实际运行时光伏偏差一出现储能的SOC轨迹就偏离计划到傍晚可能提前放空或者没充满外部购电又要临时加量。这就是确定性优化的死穴所有决策都是基于一个“不会发生的场景”做出来的。鲁棒优化换个思路不追求某个特定场景下的最优而是追求“最坏情况下的可行性”。通俗地说确定性优化是“天气预报说明天晴那我就按晴天安排所有计划”鲁棒优化是“明天有可能阴天、多云、暴雨我得保证在哪种天气下储能和可调负荷都能兜住功率平衡”。代价就是目标函数值会稍微差一点这一段多出来的成本就是“买保险”的钱。2. 鲁棒优化模型把“最坏情况”写进约束里鲁棒优化入门最难理解的是不确定集合和对等转换。我尽量用大白话拆开讲这段看懂了代码就是体力活。2.1 核心思路一句话用区间代替点预测经典鲁棒优化把不确定参数表示成区间光伏出力在[预测值-偏差下限, 预测值偏差上限]里浮动负荷同样处理。如果你让所有时段的不确定参数同时取到最恶劣值这就是最保守的盒式不确定集合。这种集合的好处是建模简单对偶转换也友好但过于极端——现实中不可能24个时段的光伏全部低于预测下限同时负荷全部高于预测上限。工程上更常用的是带预算的鲁棒集合budgeted uncertainty set引入一个参数Γ来控制“同时取坏”的时段个数上限。Γ0时退化为确定性模型Γ24时就是最坏盒式场景中间取值可以在鲁棒性和经济性之间滑动。我项目里最终取Γ6意思是“一天24个时段里最多允许6个时段同时出现最不利偏差”。这个参数直接影响调度方案的保守程度也是后面调优最需要花时间试的地方。2.2 盒式不确定集合与鲁棒对等模型对等转换是整个鲁棒优化里最“劝退”的环节。我当初啃论文的时候也是被一堆对偶变量绕晕了。其实逻辑链条很清晰功率平衡约束里含有不确定参数为了让它对所有可能的不确定场景都成立就要求“最坏情况”下约束也成立。这个“最坏情况”本身是个max问题把它和对偶问题交换一下max就变成min了再合并进原模型求解这就是鲁棒对等。具体到代码实现我建议不要手工去推导复杂的线性规划对偶又慢又容易错直接在Gurobi里用分段线性约束和辅助变量来处理。Gurobi支持非线性表达式的自动线性化把max-min结构交给求解器内部处理代码反而更直观。如果你的求解器不支持这类自动转换再回头按经典论文里的辅助变量法手写对偶步骤其实也就是“引入对偶变量—写互补松弛—替换max项”三件事网上有大量可参考的模板。2.3 模型完整数学表达准公式版我做的模型是一个两阶段结构但因为项目规模不大直接摊平成单层混合整数线性规划求解。决策变量包括储能每个时段的充放电功率和SOC、可平移负荷的启停状态、向外部电网的购售电功率。目标函数总成本包含储能损耗成本、可平移负荷的调度补偿成本、购电成本减去售电收益。功率平衡约束是核心光伏出力含不确定性加上储能放电功率、购电功率等于固定负荷含不确定性加储能充电功率、可平移负荷功率、售电功率。这个等式两边都有不确定项我把它整理成“名义项偏差项”的结构光伏和负荷的偏差项各自带符号就转换成了一个受不确定参数影响的线性约束。储能约束就是常规的SOC递推、充放电功率上限、SOC上下限、以及同一时段不能同时充放电的耦合约束。可平移负荷约束稍微复杂一点——每台设备的额定功率、允许运行的时段窗口、总运行时长要求都得写进模型不然优化器会把所有负荷都搬到电价最低的深夜去完全忽略用户的实际使用需求。我在这个项目里用的是固定功率、固定时长、时间窗可平移的简化模型。3. 核心代码实现PythonGurobi搭建能跑的调度原型模型讲清楚之后代码部分我直接给一份精简但完整的原型实现。这份代码基于Python 3.10 Gurobi 10.x求解器版本不同接口基本兼容。数据部分我用了模拟数据你替换成自己的历史预测数据就能跑。3.1 数据准备与参数初始化import numpy as np import gurobipy as gp from gurobipy import GRB # 时间参数 T 24 dt 1 # 时段间隔小时 # 光伏预测出力与波动区间 (MW) pv_forecast np.array([ 0, 0, 0, 0, 0.5, 1.2, 2.5, 3.8, 4.5, 5.2, 6.0, 6.3, 6.1, 5.5, 4.8, 3.5, 2.2, 1.0, 0.2, 0, 0, 0, 0, 0 ]) pv_dev 0.2 * pv_forecast 0.1 # 偏差绝对值包含基础误差和比例误差 # 负荷预测出力与波动区间 (MW) load_forecast np.array([ 2.0, 1.8, 1.7, 1.6, 1.9, 2.4, 3.0, 3.6, 4.0, 4.2, 4.1, 3.9, 3.8, 4.0, 4.4, 4.8, 5.0, 5.2, 5.4, 5.0, 4.4, 3.8, 3.0, 2.4 ]) load_dev 0.15 * load_forecast 0.2 # 储能参数 battery_capacity 8.0 # MWh battery_power 2.0 # MW battery_eff 0.92 # 充放电效率 soc_min 0.15 soc_max 0.95 soc_init 0.5 soc_final 0.5 # 电价 (元/MWh) price_buy np.array([ 0.45, 0.42, 0.40, 0.40, 0.42, 0.50, 0.65, 0.80, 0.85, 0.90, 0.95, 0.85, 0.75, 0.70, 0.72, 0.78, 0.82, 0.88, 0.92, 0.95, 0.88, 0.78, 0.60, 0.50 ]) price_sell 0.8 * price_buy # 售电价格按购电8折 # 可平移负荷 flex_power 0.6 # MW flex_min_duration 2 # 连续运行小时数 flex_window_start 8 # 允许启动的时段起点 flex_window_end 18 # 允许启动的时段终点 # 鲁棒预算 Gamma 6参数里有个细节值得说明pv_dev我用了“比例常数”的写法原因是光伏预测误差在日出日落附近绝对误差很小但相对误差反而大单纯用一个比例系数会导致凌晨时段的鲁棒区间几乎没有意义加一个常数项才符合实际情况。负荷误差也同理固定负荷里永远有一部分随机开关的电器这个底噪是躲不掉的。3.2 不确定性集合与对等约束的代码写法在Gurobi里实现鲁棒约束的关键是不要让光伏和负荷的不确定偏差分开处理而是先把功率平衡约束移项整理让左边是“所有变量项的代数和”右边是“包含不确定参数的项”。这样在写约束时只需要对右侧的max-min做处理。# 创建模型 m gp.Model(vpp_robust_schedule) # 决策变量 p_buy m.addVars(T, lb0, ub8, namep_buy) # 购电功率 p_sell m.addVars(T, lb0, ub5, namep_sell) # 售电功率 p_ch m.addVars(T, lb0, ubbattery_power, namep_ch) # 储能充电 p_dis m.addVars(T, lb0, ubbattery_power, namep_dis) # 储能放电 x_ch m.addVars(T, vtypeGRB.BINARY, namex_ch) # 充电状态 x_dis m.addVars(T, vtypeGRB.BINARY, namex_dis) # 放电状态 soc m.addVars(T 1, lbsoc_min, ubsoc_max, namesoc) # 储能SOC p_flex m.addVars(T, lb0, ubflex_power, namep_flex) # 可平移负荷功率 z_flex m.addVars(T, vtypeGRB.BINARY, namez_flex) # 可平移负荷状态 # 辅助变量鲁棒对等用 alpha m.addVars(T, lb0, namealpha) # 光伏不确定对偶变量 beta m.addVars(T, lb0, namebeta) # 负荷不确定对偶变量 xi m.addVar(lb0, namexi) # 鲁棒预算对偶变量这种“把每个时段的偏差和对偶变量一一对应”的写法来源于鲁棒对等转换的标准形式。你可能发现光伏和负荷分别加了一组对偶变量因为它们在功率平衡里符号相反——光伏出力的偏差是让等式左边减少不利方向负荷偏差是让需要消纳的功率增多不利方向。分开处理才不会把方向搞混。核心的功率平衡鲁棒约束这样写# 功率平衡约束含鲁棒对等转换 for t in range(T): # 名义平衡所有可控量之和等于光伏名义值 - 负荷名义值 m.addConstr( p_buy[t] p_dis[t] pv_forecast[t] load_forecast[t] p_ch[t] p_flex[t] p_sell[t], namefpower_balance_nominal_{t} ) # 鲁棒保护约束最坏波动下的功率平衡 m.addConstr( p_buy[t] p_dis[t] pv_forecast[t] - alpha[t] * pv_dev[t] load_forecast[t] beta[t] * load_dev[t] p_ch[t] p_flex[t] p_sell[t], namefpower_balance_robust_{t} )等等上面的对偶变量用错了。准确的说在盒式集合带预算约束的鲁棒对等转换里每个时段的偏差项前面不是直接乘对偶变量而是要在不确定集合上做对偶之后把对偶变量和偏差绝对值组合起来求和并且还要让对偶变量受Γ约束限制。我上面这段代码是“看起来像鲁棒、实际是手工放大了偏差”的半成品跑出来的结果会过于保守。完整的写法我也踩过这个坑重构如下# 正确写法引入ritz对偶变量用辅助变量构建鲁棒项 w_pv m.addVars(T, vtypeGRB.BINARY, namew_pv) # 光伏最坏场景指示 w_load m.addVars(T, vtypeGRB.BINARY, namew_load) # 负荷最坏场景指示 # 光伏偏差对功率平衡的影响负方向 pv_robust_term m.addVars(T, lb0, namepv_robust) load_robust_term m.addVars(T, lb0, nameload_robust) for t in range(T): # 光伏实际出力 预测值 - 偏差(仅当选中最坏场景时) m.addConstr(pv_robust_term[t] pv_dev[t] * w_pv[t]) m.addConstr(pv_robust_term[t] 0) # 负荷实际值 预测值 偏差(仅当选中最坏场景时) m.addConstr(load_robust_term[t] load_dev[t] * w_load[t]) m.addConstr(load_robust_term[t] 0) # 功率平衡在任意场景下成立 m.addConstr( p_buy[t] p_dis[t] pv_forecast[t] - pv_robust_term[t] load_forecast[t] load_robust_term[t] p_ch[t] p_flex[t] p_sell[t] ) # 预算约束最多Gamma个时段同时出现最坏情况 m.addConstr(gp.quicksum(w_pv[t] w_load[t] for t in range(T)) 2 * Gamma)这个写法的关键在“预算约束”上w_pv和w_load两个二进制变量相乘后求和限定了同时取坏的数量。注意系数是2*Gamma因为Gamma定义是“最坏场景总时段数”而每个时段光伏和负荷可以同时坏所以最坏场景总量摊到两个维度上就是2Gamma。3.3 求解与结果分析完整约束加完之后目标函数和求解部分如下# 储能SOC递推与充放电互斥约束 for t in range(T): m.addConstr(soc[t1] - soc[t] (battery_eff * p_ch[t] - p_dis[t] / battery_eff) * dt) m.addConstr(x_ch[t] x_dis[t] 1) m.addConstr(p_ch[t] battery_power * x_ch[t]) m.addConstr(p_dis[t] battery_power * x_dis[t]) # 可平移负荷约束只能连续运行且只能在窗口内启动 for t in range(T): if t flex_window_start or t flex_window_end 1: m.addConstr(z_flex[t] 0) if t T - flex_min_duration: m.addConstr(gp.quicksum(z_flex[t2] for t2 in range(t, t flex_min_duration)) flex_min_duration * (z_flex[t] - z_flex[t-1])) m.addConstr(p_flex[t] flex_power * z_flex[t]) # SOC终值约束 m.addConstr(soc[T] soc_final) # 目标函数购电成本 储能损耗 可平移负荷补偿 - 售电收益 cost gp.quicksum(price_buy[t] * p_buy[t] for t in range(T)) cost - gp.quicksum(price_sell[t] * p_sell[t] for t in range(T)) cost gp.quicksum(0.02 * (p_ch[t] p_dis[t]) for t in range(T)) # 储能折损 cost gp.quicksum(0.05 * p_flex[t] for t in range(T)) # 可平移负荷补偿 m.setObjective(cost, GRB.MINIMIZE) # 求解 m.params.TimeLimit 60 m.params.MIPGap 0.01 m.optimize() # 结果输出 if m.status GRB.OPTIMAL or m.status GRB.TIME_LIMIT: print(f总成本{m.objVal:.2f} 元) for t in range(T): print(f时段{t1}: 购电{p_buy[t].x:.2f}MW 放电{p_dis[t].x:.2f}MW f充电{p_ch[t].x:.2f}MW 可平移负荷{p_flex[t].x:.2f}MW SOC{soc[t1].x:.2f})输出结果里最值得关注的是储能的充放电策略是否避开了电价尖峰时段、可平移负荷是否集中在了午间光伏大发时段。如果Gamma从0慢慢调到24你会看到总成本单调上升、储能的动作空间越来越小这个过程就是鲁棒优化的“价格标签”。4. 踩坑实录从“能跑”到“算得准”的四个坎这部分是我调试过程中最耗时间的环节很多坑在教科书和论文里根本不会提。4.1 坑一鲁棒对等转换后模型不可行第一次写完鲁棒约束满怀期待地运行Gurobi直接报“模型不可行”。排查了半天发现是功率平衡约束方向写反了。光伏偏差在最坏情况下是“出力变小”所以它对平衡的贡献是负的需要从左边减掉而负荷偏差在最坏情况下是“需求变大”需要加在右边。两个方向一混每一时刻都要求系统满足一个不可能达到的功率下限直接整段白给。排查方法很简单先把Gamma设成0如果模型可解说明确定性部分是好的。再把Gamma调到1看是哪条约束在作怪。Gurobi里可以用m.computeIIS()找不可行约束子集这个功能在调鲁棒模型时简直神器。4.2 坑二鲁棒预算对“光伏和负荷同时坏”的表述错误我在2.3里给的正确写法是w_pv w_load的耦合预算。一开始没想清楚给光伏和负荷各自加了一个Gamma约束结果是光伏和负荷可以同时取坏24个时段保守度失控目标成本比确定性模型高了近40%。后来改成联合预算同时取坏的时段总数被约束住成本增幅才落到5%-15%的合理区间。这里建议你根据自己的场景好好斟酌如果光伏和负荷的历史预测误差正相关性很强比如恶劣天气同时影响光伏和用电联合预算合理如果两者偏差来源独立光伏看天气、负荷看行为耦合约束反而会限制对“灾难场景”的抵抗能力。我这边园区实测下来两者相关性0.3左右所以联合预算更合适。4.3 坑三大规模场景下求解速度慢模型加入鲁棒对偶变量后规模比确定性模型大了将近一倍再加上可平移负荷的二进制变量20个时段以内没问题扩展到96时段15分钟粒度时Gurobi默认参数可能几分钟都算不到1%的MIPGap。我实测有效的方法有三个。第一把可平移负荷的连续时长约束用addGenConstrIndicator改写减少big-M引入的松弛第二给w_pv和w_load设置合理的优先分支顺序先让求解器决定哪些时段会出现最坏场景再优化连续变量第三用m.params.Threads把并行线程拉满。如果还要再快可以考虑Benders分解把储能SOC和鲁棒预算相关的整数变量做成主问题、连续运行策略做成子问题但代码量会大不少项目周期紧不建议一上来就上。4.4 坑四鲁棒解“算出来”但“用不了”最后这个坑最隐蔽。模型跑出来总成本很漂亮但把调度计划放到分钟级仿真里一跑储能动作还是太频繁。原因在于日前调度的时段粒度是1小时但光伏跳变是分钟级的储能按小时计划动作根本追不上实际波动。这里不是鲁棒模型的错而是时间粒度问题。我给项目加的解决方案是“日前鲁棒计划日内滚动修正”两层结构日前用1小时粒度做鲁棒调度确定基准日内每15分钟用MPC滚动修正一次储能功率只调整充放电功率和可平移负荷的微小偏移量不改变已确定的启停计划。这样既保住了鲁棒优化的全局经济性又在控制层留出了处理分钟级波动的空间。如果你搞的是单层调度模型至少要在结果分析里加一档分钟级仿真的校核环节别看到优化结果就急着上线。最后再分享一个我自己调参的心得鲁棒预算Gamma别只在一个典型日上试要拿一周甚至一个月的历史数据做回测。你可能会发现针对晴天调好的Gamma在阴雨天表现很差不妨按天气类型分组设置Gamma——比如晴天取4、多云天取8、雨天取10这样比全年统一参数效果提升明显得多。调度模型的工程价值不在于多完美的数学推导而是在不确定性面前给运行人员留出了足够从容的操作空间。希望这份实践整理能让你少走几步弯路。
虚拟电厂日前调度中的鲁棒优化建模与Python+Gurobi实践
做虚拟电厂调度项目的人都知道预测曲线永远是骗人的。光伏出力今天预报是晴天满发下午一片云飘过来功率直接砍半负荷侧更离谱午高峰和晚高峰的波动经常跟预测差出20%以上。只拿点预测值去做日前调度实际运行时储能充放电计划基本是废纸。所以我把目光放到了鲁棒优化上——与其赌预测准不如让调度方案在“最坏情况”下也扛得住。这篇就把模型推导、核心代码和踩过的坑完整整理出来给正在搞虚拟电厂调度、源荷不确定性优化的朋友做个参考。这个项目里我做的是一套面向园区级虚拟电厂的日前鲁棒调度模型资源包括光伏、储能和一部分可平移负荷优化目标是最小化运行成本。你不需要有很深的数学背景我会把鲁棒对等转换的思路用最直白的话讲清楚代码也是基于Python和Gurobi的一份可运行原型可以直接抄作业再改参数。1. 这个项目到底在优化什么虚拟电厂调度的底层困境先说清楚虚拟电厂调度和普通微电网调度有什么区别。传统微电网调度管的是“自己家的一亩三分地”负荷基本固定分布式电源出力靠天吃饭调度员更多是做功率平衡。虚拟电厂的玩法是把分散的光伏、储能、可调负荷聚合起来作为一个整体参与电网互动既要满足内部负荷又要考虑向外部卖电或者购电的收益。这就在优化里多了一层“对外交互”的决策目标函数里除了运行成本还得算上购售电收益。听起来不复杂但实际建模时最难受的就是光伏和负荷的双重不确定性。光伏出力受辐照度、温度、云层遮挡影响分钟级就能波动好几十千瓦负荷侧每个用户的行为习惯不一样空调、电动汽车充电桩一叠加午高峰的毛刺特别多。更麻烦的是光伏和负荷的不确定性往往是耦合的——比如夏天午后突然来一阵雷雨光伏出力跳水空调负荷反而飙升两个不利因素撞在一起功率平衡就会被打破。这个项目的核心矛盾就在这里如果调度方案只按预测曲线走鲁棒性为零实际执行必然偏差如果把所有不确定区间的最极端情况都考虑进去调度方案会保守到储能不敢充、可调负荷不敢动经济性全毁。所以设计模型时我给自己定了三个要求第一必须显式建模光伏和负荷的不确定性而不是简单乘个安全系数第二鲁棒优化带来的保守度要可调节不能一杆子打死第三模型规模要控制在Gurobi能快速求解的范围内毕竟调度模型最终是要跑在线的。1.1 光伏出力看得见但猜不透的“免费电源”光伏出力建模看起来是最简单的一块——直接拿历史辐照度数据乘上装机容量和效率系数就行。但真做进去就会发现预测误差的结构比想象中复杂。晴天的时候光伏预测曲线很漂亮误差主要来自中午前后的小幅波动多云天就惨了出力曲线像锯齿一样预测值和实际值可能差出30%。所以我做不确定性建模时没有用对称区间而是按照不同天气类型统计了预测误差的分布晴天用±10%的偏差区间多云天放宽到±25%。还有一个容易踩的坑是光伏的爬坡约束。光伏逆变器确实有功率变化率限制但在鲁棒模型里如果给光伏加上爬坡约束最坏情况搜索空间会变得很拧巴——光伏出力从1000kW瞬间掉到200kW这种场景爬坡约束根本拦不住因为本质上不是逆变器爬坡限制而是云层遮挡导致的物理突变。我后来干脆不在鲁棒模型里给光伏加爬坡约束改为在结果校核阶段单独做一次分钟级仿真看储能不能兜住骤降。1.2 负荷波动用户侧随机性怎么变成调度约束负荷不确定性比光伏更难处理因为光伏至少还有辐照度这个物理量做预测基准负荷纯粹是人的行为叠加。我这边园区负荷构成大概是照明空调占一半、产线设备占三成、充电桩占两成充电桩那部分随机性最强经常有车突然插上来充大功率。历史数据统计下来负荷预测误差的标准差在早上低谷时段很小晚高峰能到15%以上。负荷侧的鲁棒建模我建议分两类处理。一类是固定负荷直接放进不确定性集合里做区间波动另一类是可平移负荷比如充电桩、部分产线设备它们本身就是调度变量可以在时间轴上平移。可平移负荷如果也扔进不确定性集合里模型会变得特别混乱因为“不确定性”和“可调度性”本质上是对同一个变量的两种描述。我最后的处理方式是固定负荷走鲁棒区间可平移负荷走确定性约束让优化器自己决定什么时候开启。1.3 为什么确定性优化在这里不够用要是只做确定性优化代码写起来会轻松很多目标函数最小化总成本功率平衡约束用预测值再加储能和可调负荷的边界条件三五个小时就能跑通。但投运之后基本会天天被调度员骂——实际运行时光伏偏差一出现储能的SOC轨迹就偏离计划到傍晚可能提前放空或者没充满外部购电又要临时加量。这就是确定性优化的死穴所有决策都是基于一个“不会发生的场景”做出来的。鲁棒优化换个思路不追求某个特定场景下的最优而是追求“最坏情况下的可行性”。通俗地说确定性优化是“天气预报说明天晴那我就按晴天安排所有计划”鲁棒优化是“明天有可能阴天、多云、暴雨我得保证在哪种天气下储能和可调负荷都能兜住功率平衡”。代价就是目标函数值会稍微差一点这一段多出来的成本就是“买保险”的钱。2. 鲁棒优化模型把“最坏情况”写进约束里鲁棒优化入门最难理解的是不确定集合和对等转换。我尽量用大白话拆开讲这段看懂了代码就是体力活。2.1 核心思路一句话用区间代替点预测经典鲁棒优化把不确定参数表示成区间光伏出力在[预测值-偏差下限, 预测值偏差上限]里浮动负荷同样处理。如果你让所有时段的不确定参数同时取到最恶劣值这就是最保守的盒式不确定集合。这种集合的好处是建模简单对偶转换也友好但过于极端——现实中不可能24个时段的光伏全部低于预测下限同时负荷全部高于预测上限。工程上更常用的是带预算的鲁棒集合budgeted uncertainty set引入一个参数Γ来控制“同时取坏”的时段个数上限。Γ0时退化为确定性模型Γ24时就是最坏盒式场景中间取值可以在鲁棒性和经济性之间滑动。我项目里最终取Γ6意思是“一天24个时段里最多允许6个时段同时出现最不利偏差”。这个参数直接影响调度方案的保守程度也是后面调优最需要花时间试的地方。2.2 盒式不确定集合与鲁棒对等模型对等转换是整个鲁棒优化里最“劝退”的环节。我当初啃论文的时候也是被一堆对偶变量绕晕了。其实逻辑链条很清晰功率平衡约束里含有不确定参数为了让它对所有可能的不确定场景都成立就要求“最坏情况”下约束也成立。这个“最坏情况”本身是个max问题把它和对偶问题交换一下max就变成min了再合并进原模型求解这就是鲁棒对等。具体到代码实现我建议不要手工去推导复杂的线性规划对偶又慢又容易错直接在Gurobi里用分段线性约束和辅助变量来处理。Gurobi支持非线性表达式的自动线性化把max-min结构交给求解器内部处理代码反而更直观。如果你的求解器不支持这类自动转换再回头按经典论文里的辅助变量法手写对偶步骤其实也就是“引入对偶变量—写互补松弛—替换max项”三件事网上有大量可参考的模板。2.3 模型完整数学表达准公式版我做的模型是一个两阶段结构但因为项目规模不大直接摊平成单层混合整数线性规划求解。决策变量包括储能每个时段的充放电功率和SOC、可平移负荷的启停状态、向外部电网的购售电功率。目标函数总成本包含储能损耗成本、可平移负荷的调度补偿成本、购电成本减去售电收益。功率平衡约束是核心光伏出力含不确定性加上储能放电功率、购电功率等于固定负荷含不确定性加储能充电功率、可平移负荷功率、售电功率。这个等式两边都有不确定项我把它整理成“名义项偏差项”的结构光伏和负荷的偏差项各自带符号就转换成了一个受不确定参数影响的线性约束。储能约束就是常规的SOC递推、充放电功率上限、SOC上下限、以及同一时段不能同时充放电的耦合约束。可平移负荷约束稍微复杂一点——每台设备的额定功率、允许运行的时段窗口、总运行时长要求都得写进模型不然优化器会把所有负荷都搬到电价最低的深夜去完全忽略用户的实际使用需求。我在这个项目里用的是固定功率、固定时长、时间窗可平移的简化模型。3. 核心代码实现PythonGurobi搭建能跑的调度原型模型讲清楚之后代码部分我直接给一份精简但完整的原型实现。这份代码基于Python 3.10 Gurobi 10.x求解器版本不同接口基本兼容。数据部分我用了模拟数据你替换成自己的历史预测数据就能跑。3.1 数据准备与参数初始化import numpy as np import gurobipy as gp from gurobipy import GRB # 时间参数 T 24 dt 1 # 时段间隔小时 # 光伏预测出力与波动区间 (MW) pv_forecast np.array([ 0, 0, 0, 0, 0.5, 1.2, 2.5, 3.8, 4.5, 5.2, 6.0, 6.3, 6.1, 5.5, 4.8, 3.5, 2.2, 1.0, 0.2, 0, 0, 0, 0, 0 ]) pv_dev 0.2 * pv_forecast 0.1 # 偏差绝对值包含基础误差和比例误差 # 负荷预测出力与波动区间 (MW) load_forecast np.array([ 2.0, 1.8, 1.7, 1.6, 1.9, 2.4, 3.0, 3.6, 4.0, 4.2, 4.1, 3.9, 3.8, 4.0, 4.4, 4.8, 5.0, 5.2, 5.4, 5.0, 4.4, 3.8, 3.0, 2.4 ]) load_dev 0.15 * load_forecast 0.2 # 储能参数 battery_capacity 8.0 # MWh battery_power 2.0 # MW battery_eff 0.92 # 充放电效率 soc_min 0.15 soc_max 0.95 soc_init 0.5 soc_final 0.5 # 电价 (元/MWh) price_buy np.array([ 0.45, 0.42, 0.40, 0.40, 0.42, 0.50, 0.65, 0.80, 0.85, 0.90, 0.95, 0.85, 0.75, 0.70, 0.72, 0.78, 0.82, 0.88, 0.92, 0.95, 0.88, 0.78, 0.60, 0.50 ]) price_sell 0.8 * price_buy # 售电价格按购电8折 # 可平移负荷 flex_power 0.6 # MW flex_min_duration 2 # 连续运行小时数 flex_window_start 8 # 允许启动的时段起点 flex_window_end 18 # 允许启动的时段终点 # 鲁棒预算 Gamma 6参数里有个细节值得说明pv_dev我用了“比例常数”的写法原因是光伏预测误差在日出日落附近绝对误差很小但相对误差反而大单纯用一个比例系数会导致凌晨时段的鲁棒区间几乎没有意义加一个常数项才符合实际情况。负荷误差也同理固定负荷里永远有一部分随机开关的电器这个底噪是躲不掉的。3.2 不确定性集合与对等约束的代码写法在Gurobi里实现鲁棒约束的关键是不要让光伏和负荷的不确定偏差分开处理而是先把功率平衡约束移项整理让左边是“所有变量项的代数和”右边是“包含不确定参数的项”。这样在写约束时只需要对右侧的max-min做处理。# 创建模型 m gp.Model(vpp_robust_schedule) # 决策变量 p_buy m.addVars(T, lb0, ub8, namep_buy) # 购电功率 p_sell m.addVars(T, lb0, ub5, namep_sell) # 售电功率 p_ch m.addVars(T, lb0, ubbattery_power, namep_ch) # 储能充电 p_dis m.addVars(T, lb0, ubbattery_power, namep_dis) # 储能放电 x_ch m.addVars(T, vtypeGRB.BINARY, namex_ch) # 充电状态 x_dis m.addVars(T, vtypeGRB.BINARY, namex_dis) # 放电状态 soc m.addVars(T 1, lbsoc_min, ubsoc_max, namesoc) # 储能SOC p_flex m.addVars(T, lb0, ubflex_power, namep_flex) # 可平移负荷功率 z_flex m.addVars(T, vtypeGRB.BINARY, namez_flex) # 可平移负荷状态 # 辅助变量鲁棒对等用 alpha m.addVars(T, lb0, namealpha) # 光伏不确定对偶变量 beta m.addVars(T, lb0, namebeta) # 负荷不确定对偶变量 xi m.addVar(lb0, namexi) # 鲁棒预算对偶变量这种“把每个时段的偏差和对偶变量一一对应”的写法来源于鲁棒对等转换的标准形式。你可能发现光伏和负荷分别加了一组对偶变量因为它们在功率平衡里符号相反——光伏出力的偏差是让等式左边减少不利方向负荷偏差是让需要消纳的功率增多不利方向。分开处理才不会把方向搞混。核心的功率平衡鲁棒约束这样写# 功率平衡约束含鲁棒对等转换 for t in range(T): # 名义平衡所有可控量之和等于光伏名义值 - 负荷名义值 m.addConstr( p_buy[t] p_dis[t] pv_forecast[t] load_forecast[t] p_ch[t] p_flex[t] p_sell[t], namefpower_balance_nominal_{t} ) # 鲁棒保护约束最坏波动下的功率平衡 m.addConstr( p_buy[t] p_dis[t] pv_forecast[t] - alpha[t] * pv_dev[t] load_forecast[t] beta[t] * load_dev[t] p_ch[t] p_flex[t] p_sell[t], namefpower_balance_robust_{t} )等等上面的对偶变量用错了。准确的说在盒式集合带预算约束的鲁棒对等转换里每个时段的偏差项前面不是直接乘对偶变量而是要在不确定集合上做对偶之后把对偶变量和偏差绝对值组合起来求和并且还要让对偶变量受Γ约束限制。我上面这段代码是“看起来像鲁棒、实际是手工放大了偏差”的半成品跑出来的结果会过于保守。完整的写法我也踩过这个坑重构如下# 正确写法引入ritz对偶变量用辅助变量构建鲁棒项 w_pv m.addVars(T, vtypeGRB.BINARY, namew_pv) # 光伏最坏场景指示 w_load m.addVars(T, vtypeGRB.BINARY, namew_load) # 负荷最坏场景指示 # 光伏偏差对功率平衡的影响负方向 pv_robust_term m.addVars(T, lb0, namepv_robust) load_robust_term m.addVars(T, lb0, nameload_robust) for t in range(T): # 光伏实际出力 预测值 - 偏差(仅当选中最坏场景时) m.addConstr(pv_robust_term[t] pv_dev[t] * w_pv[t]) m.addConstr(pv_robust_term[t] 0) # 负荷实际值 预测值 偏差(仅当选中最坏场景时) m.addConstr(load_robust_term[t] load_dev[t] * w_load[t]) m.addConstr(load_robust_term[t] 0) # 功率平衡在任意场景下成立 m.addConstr( p_buy[t] p_dis[t] pv_forecast[t] - pv_robust_term[t] load_forecast[t] load_robust_term[t] p_ch[t] p_flex[t] p_sell[t] ) # 预算约束最多Gamma个时段同时出现最坏情况 m.addConstr(gp.quicksum(w_pv[t] w_load[t] for t in range(T)) 2 * Gamma)这个写法的关键在“预算约束”上w_pv和w_load两个二进制变量相乘后求和限定了同时取坏的数量。注意系数是2*Gamma因为Gamma定义是“最坏场景总时段数”而每个时段光伏和负荷可以同时坏所以最坏场景总量摊到两个维度上就是2Gamma。3.3 求解与结果分析完整约束加完之后目标函数和求解部分如下# 储能SOC递推与充放电互斥约束 for t in range(T): m.addConstr(soc[t1] - soc[t] (battery_eff * p_ch[t] - p_dis[t] / battery_eff) * dt) m.addConstr(x_ch[t] x_dis[t] 1) m.addConstr(p_ch[t] battery_power * x_ch[t]) m.addConstr(p_dis[t] battery_power * x_dis[t]) # 可平移负荷约束只能连续运行且只能在窗口内启动 for t in range(T): if t flex_window_start or t flex_window_end 1: m.addConstr(z_flex[t] 0) if t T - flex_min_duration: m.addConstr(gp.quicksum(z_flex[t2] for t2 in range(t, t flex_min_duration)) flex_min_duration * (z_flex[t] - z_flex[t-1])) m.addConstr(p_flex[t] flex_power * z_flex[t]) # SOC终值约束 m.addConstr(soc[T] soc_final) # 目标函数购电成本 储能损耗 可平移负荷补偿 - 售电收益 cost gp.quicksum(price_buy[t] * p_buy[t] for t in range(T)) cost - gp.quicksum(price_sell[t] * p_sell[t] for t in range(T)) cost gp.quicksum(0.02 * (p_ch[t] p_dis[t]) for t in range(T)) # 储能折损 cost gp.quicksum(0.05 * p_flex[t] for t in range(T)) # 可平移负荷补偿 m.setObjective(cost, GRB.MINIMIZE) # 求解 m.params.TimeLimit 60 m.params.MIPGap 0.01 m.optimize() # 结果输出 if m.status GRB.OPTIMAL or m.status GRB.TIME_LIMIT: print(f总成本{m.objVal:.2f} 元) for t in range(T): print(f时段{t1}: 购电{p_buy[t].x:.2f}MW 放电{p_dis[t].x:.2f}MW f充电{p_ch[t].x:.2f}MW 可平移负荷{p_flex[t].x:.2f}MW SOC{soc[t1].x:.2f})输出结果里最值得关注的是储能的充放电策略是否避开了电价尖峰时段、可平移负荷是否集中在了午间光伏大发时段。如果Gamma从0慢慢调到24你会看到总成本单调上升、储能的动作空间越来越小这个过程就是鲁棒优化的“价格标签”。4. 踩坑实录从“能跑”到“算得准”的四个坎这部分是我调试过程中最耗时间的环节很多坑在教科书和论文里根本不会提。4.1 坑一鲁棒对等转换后模型不可行第一次写完鲁棒约束满怀期待地运行Gurobi直接报“模型不可行”。排查了半天发现是功率平衡约束方向写反了。光伏偏差在最坏情况下是“出力变小”所以它对平衡的贡献是负的需要从左边减掉而负荷偏差在最坏情况下是“需求变大”需要加在右边。两个方向一混每一时刻都要求系统满足一个不可能达到的功率下限直接整段白给。排查方法很简单先把Gamma设成0如果模型可解说明确定性部分是好的。再把Gamma调到1看是哪条约束在作怪。Gurobi里可以用m.computeIIS()找不可行约束子集这个功能在调鲁棒模型时简直神器。4.2 坑二鲁棒预算对“光伏和负荷同时坏”的表述错误我在2.3里给的正确写法是w_pv w_load的耦合预算。一开始没想清楚给光伏和负荷各自加了一个Gamma约束结果是光伏和负荷可以同时取坏24个时段保守度失控目标成本比确定性模型高了近40%。后来改成联合预算同时取坏的时段总数被约束住成本增幅才落到5%-15%的合理区间。这里建议你根据自己的场景好好斟酌如果光伏和负荷的历史预测误差正相关性很强比如恶劣天气同时影响光伏和用电联合预算合理如果两者偏差来源独立光伏看天气、负荷看行为耦合约束反而会限制对“灾难场景”的抵抗能力。我这边园区实测下来两者相关性0.3左右所以联合预算更合适。4.3 坑三大规模场景下求解速度慢模型加入鲁棒对偶变量后规模比确定性模型大了将近一倍再加上可平移负荷的二进制变量20个时段以内没问题扩展到96时段15分钟粒度时Gurobi默认参数可能几分钟都算不到1%的MIPGap。我实测有效的方法有三个。第一把可平移负荷的连续时长约束用addGenConstrIndicator改写减少big-M引入的松弛第二给w_pv和w_load设置合理的优先分支顺序先让求解器决定哪些时段会出现最坏场景再优化连续变量第三用m.params.Threads把并行线程拉满。如果还要再快可以考虑Benders分解把储能SOC和鲁棒预算相关的整数变量做成主问题、连续运行策略做成子问题但代码量会大不少项目周期紧不建议一上来就上。4.4 坑四鲁棒解“算出来”但“用不了”最后这个坑最隐蔽。模型跑出来总成本很漂亮但把调度计划放到分钟级仿真里一跑储能动作还是太频繁。原因在于日前调度的时段粒度是1小时但光伏跳变是分钟级的储能按小时计划动作根本追不上实际波动。这里不是鲁棒模型的错而是时间粒度问题。我给项目加的解决方案是“日前鲁棒计划日内滚动修正”两层结构日前用1小时粒度做鲁棒调度确定基准日内每15分钟用MPC滚动修正一次储能功率只调整充放电功率和可平移负荷的微小偏移量不改变已确定的启停计划。这样既保住了鲁棒优化的全局经济性又在控制层留出了处理分钟级波动的空间。如果你搞的是单层调度模型至少要在结果分析里加一档分钟级仿真的校核环节别看到优化结果就急着上线。最后再分享一个我自己调参的心得鲁棒预算Gamma别只在一个典型日上试要拿一周甚至一个月的历史数据做回测。你可能会发现针对晴天调好的Gamma在阴雨天表现很差不妨按天气类型分组设置Gamma——比如晴天取4、多云天取8、雨天取10这样比全年统一参数效果提升明显得多。调度模型的工程价值不在于多完美的数学推导而是在不确定性面前给运行人员留出了足够从容的操作空间。希望这份实践整理能让你少走几步弯路。
