1. 问题背景与研究意义在电力系统规划与运行中风光等可再生能源的大规模并网给系统带来了显著的不确定性。这种不确定性主要体现在两个方面一是风光出力的随机波动性二是负荷预测的误差。传统电力系统主要依靠火电、水电等可控电源来平衡负荷需求而风光发电的不可控特性使得系统需要更多的灵活性资源来应对这种不确定性。鲁棒性优化正是为了解决这类不确定性问题而发展起来的方法。与随机规划不同鲁棒优化不需要知道不确定量的精确概率分布而是通过设定不确定集合来描述可能的波动范围从而得到在最坏情况下仍然可行的解决方案。这种方法特别适合处理风光出力这类难以准确建模的不确定性问题。系统备用容量是保障电力系统可靠运行的关键资源。向上备用Upward Reserve指系统可以快速增加的发电能力用于应对负荷突增或发电突降向下备用Downward Reserve则是可以快速减少的发电能力用于应对负荷突降或发电突增。在含高比例可再生能源的系统中合理的备用容量配置对控制系统总成本至关重要。2. 数学模型构建2.1 目标函数我们的目标是最小化系统总成本包括以下几个部分发电成本传统发电机组的运行成本备用成本为应对不确定性而预留的备用容量成本弃风弃光成本由于系统调节能力不足而不得不弃掉的可再生能源负荷削减成本在最坏情况下无法满足的负荷需求数学表达式为min Σ(c_g*p_g c_r^u*r_u c_r^d*r_d c_w*curt_w c_l*shed_l)其中各变量含义如下p_g: 常规机组发电量r_u: 向上备用容量r_d: 向下备用容量curt_w: 弃风弃光量shed_l: 负荷削减量c_*: 各项对应的成本系数2.2 约束条件功率平衡约束Σp_g Σw_actual Σload - Σshed_l其中w_actual为实际风光出力等于预测值减去弃风弃光量。备用容量约束p_g r_u ≤ p_g_max p_g - r_d ≥ p_g_min线路潮流约束- f_max ≤ H*(p_g w_actual - load) ≤ f_maxH为转移分布因子矩阵。鲁棒性约束w_actual w_nom Δw, Δw ∈ W load_actual load_nom Δload, Δload ∈ L其中W和L分别为风光出力和负荷的不确定集合。3. 不确定集合建模3.1 盒式不确定集合最简单的形式是盒式不确定集合W {Δw | -δ_w ≤ Δw ≤ δ_w} L {Δload | -δ_l ≤ Δload ≤ δ_l}其中δ_w和δ_l表示最大可能偏差。这种集合的优点是模型简单计算方便但缺点是可能过于保守因为它允许所有不确定量同时取最坏值。3.2 多面体不确定集合更精细的建模方式是采用多面体不确定集合W {Δw | ||Δw||_1 ≤ Γ_w} L {Δload | ||Δload||_1 ≤ Γ_l}其中Γ_w和Γ_l是预算参数控制不确定性的保守程度。当Γ0时退化为确定性模型当Γ取最大值时等同于盒式集合。通过调节Γ值可以在保守性和经济性之间取得平衡。4. Matlab实现步骤4.1 输入数据准备首先需要准备以下数据发电机参数成本系数、出力上下限、爬坡速率等网络参数线路容量、转移分布因子等风光出力预测曲线负荷预测曲线不确定参数δ或Γ值% 示例数据准备 generators struct(... cost, [50; 60; 80], ... % $/MWh pmin, [20; 30; 10], ... % MW pmax, [100; 120; 80], ... % MW rup, [30; 40; 20], ... % MW/h 向上爬坡速率 rdn, [30; 40; 20]); % MW/h 向下爬坡速率 load_profile [80 90 100 110 120 130 140 150 140 130 120 110]; % MW wind_forecast [30 35 40 45 50 55 60 65 60 55 50 45]; % MW4.2 鲁棒优化模型构建使用YALMIP工具箱建立优化模型% 定义决策变量 p sdpvar(nGen, nTime, full); % 机组出力 ru sdpvar(nGen, nTime, full); % 向上备用 rd sdpvar(nGen, nTime, full); % 向下备用 curt sdpvar(nTime, 1); % 弃风量 shed sdpvar(nTime, 1); % 切负荷量 % 目标函数 cost sum(generators.cost*p, all) ... % 发电成本 sum(10*ru 5*rd, all) ... % 备用成本 (假设向上备用更贵) 1000*sum(shed) ... % 切负荷惩罚(设很高值) 50*sum(curt); % 弃风惩罚 % 确定性约束 constraints []; for t 1:nTime % 功率平衡 constraints [constraints, sum(p(:,t)) wind_forecast(t) - curt(t) load_profile(t) - shed(t)]; % 机组出力限制 constraints [constraints, p(:,t) generators.pmin, p(:,t) generators.pmax]; % 备用容量限制 constraints [constraints, p(:,t) ru(:,t) generators.pmax]; constraints [constraints, p(:,t) - rd(:,t) generators.pmin]; % 爬坡约束 if t 1 constraints [constraints, -generators.rdn p(:,t)-p(:,t-1) generators.rup]; end end % 鲁棒约束处理 if strcmp(robust_type, box) % 盒式不确定集合处理 delta_w 0.2; % 风光出力最大偏差20% delta_l 0.1; % 负荷最大偏差10% for t 1:nTime % 最坏情况下风光出力减少负荷增加 worst_wind wind_forecast(t)*(1 - delta_w); worst_load load_profile(t)*(1 delta_l); constraints [constraints, sum(p(:,t)) worst_wind - curt(t) worst_load - shed(t)]; end elseif strcmp(robust_type, polyhedral) % 多面体不确定集合处理 Gamma_w 3; % 风光不确定性预算 Gamma_l 2; % 负荷不确定性预算 % 需要引入辅助变量和对偶变换 % 此处简化处理实际实现更复杂 % 详见Ben-Tal的鲁棒优化教材 end4.3 模型求解与结果分析% 求解器设置 ops sdpsettings(solver, gurobi, verbose, 1); % 求解优化问题 diagnostics optimize(constraints, cost, ops); if diagnostics.problem 0 % 提取结果 p_opt value(p); ru_opt value(ru); rd_opt value(rd); curt_opt value(curt); shed_opt value(shed); % 计算总成本 total_cost value(cost); % 可视化结果 figure; subplot(2,1,1); plot(load_profile, b-, LineWidth, 2); hold on; plot(wind_forecast, g-, LineWidth, 2); plot(sum(p_opt), r-, LineWidth, 2); legend(负荷,风光预测,常规机组出力); subplot(2,1,2); bar([sum(ru_opt,1), sum(rd_opt,1)], stacked); legend(向上备用,向下备用); else error(求解失败: %s, diagnostics.info); end5. 不同鲁棒性水平的影响分析5.1 保守程度参数设置我们通过改变不确定集合的参数来模拟不同的鲁棒性水平盒式集合改变δ值0-30%多面体集合改变Γ值0-最大可能值delta_range 0:0.05:0.3; % 0%到30% Gamma_range 0:1:6; % 多面体预算参数 cost_box zeros(length(delta_range), 1); cost_poly zeros(length(Gamma_range), 1); for i 1:length(delta_range) delta_w delta_range(i); delta_l delta_range(i)/2; % 假设负荷不确定性是风光的一半 % 重新构建并求解模型 % ... (省略重复代码) cost_box(i) value(cost); end for j 1:length(Gamma_range) Gamma_w Gamma_range(j); Gamma_l Gamma_range(j)/2; % 重新构建并求解模型 % ... (省略重复代码) cost_poly(j) value(cost); end % 绘制成本变化曲线 figure; subplot(1,2,1); plot(delta_range*100, cost_box, o-); xlabel(不确定度(%)); ylabel(总成本); title(盒式集合); subplot(1,2,2); plot(Gamma_range, cost_poly, s-); xlabel(Γ值); ylabel(总成本); title(多面体集合);5.2 结果分析与讨论从仿真结果通常可以观察到以下规律随着鲁棒性要求提高δ或Γ增大系统总成本呈现单调递增趋势。这是因为需要预留更多备用容量来应对不确定性。盒式集合的成本增长曲线通常比多面体集合更陡峭说明盒式集合更为保守。当δ30%时成本可能比确定性情况δ0高出40-50%而多面体集合在Γ6时成本可能只增加20-30%。备用容量的配置也随鲁棒性水平变化。高鲁棒性时向上备用需求显著增加因为系统需要应对风光出力骤降和负荷突增的最坏情况。在中等鲁棒性水平如δ15%或Γ3时通常能找到成本与可靠性之间的较好平衡点。超过这个点后每增加一点鲁棒性都会带来不成比例的成本增加。6. 实际应用中的注意事项6.1 不确定参数的合理估计不确定集合的参数δ或Γ需要基于历史数据进行合理估计计算风光出力和负荷的历史预测误差统计量分析误差的分布特性正态分布、均匀分布等根据系统风险偏好确定适当的覆盖范围如95%分位数% 示例基于历史数据估计δ值 historical_error (actual_wind - forecast_wind) ./ forecast_wind; delta_w prctile(abs(historical_error), 95); % 取95%分位数 % 对于多面体Γ值可参考 Gamma_w round(sqrt(size(historical_error,1))); % 经验法则6.2 计算效率优化技巧鲁棒优化问题可能计算量较大特别是多时段问题。以下方法可提高求解效率使用紧凑形式Compact Formulation减少变量数量对问题进行适当简化如忽略次要约束采用分解算法如Benders分解使用商业求解器如Gurobi、CPLEX的并行计算功能% 在YALMIP中启用求解器的高级选项 ops sdpsettings(solver, gurobi, ... gurobi.Threads, 4, ... % 使用4线程 gurobi.MIPGap, 0.01); % 设置最优间隙6.3 与其他方法的对比选择鲁棒优化并非唯一处理不确定性的方法实际应用中可能需要与其他方法结合随机规划当有可靠的概率分布信息时机会约束规划对可靠性有明确概率要求时自适应鲁棒优化考虑多阶段决策时数据驱动鲁棒优化当历史数据丰富但难以参数化时选择方法时应考虑数据可用性和质量计算资源限制决策者的风险偏好问题的时间尺度日前调度、实时调度等7. 扩展与改进方向7.1 考虑网络约束的影响基础模型假设网络容量无限实际中需要加入直流潮流约束电压安全约束N-1安全准则这会增加问题的复杂度但能更真实反映系统运行状况。7.2 多时间尺度协调将问题扩展为多阶段决策日前阶段确定机组启停和基本计划日内阶段调整发电计划实时阶段提供备用容量这需要采用自适应鲁棒优化或随机动态规划方法。7.3 需求响应参与引入可调节负荷作为灵活性资源价格型需求响应激励型需求响应可中断负荷这可以降低系统对传统备用的依赖减少总成本。7.4 储能系统集成考虑电池储能的充放电策略能量时移快速响应备用容量提供储能可以同时提供向上和向下备用提高系统灵活性。