1. 项目概述微网电源容量优化配置的核心挑战微网作为分布式能源系统的重要载体其电源容量配置直接关系到系统经济性和可靠性。传统确定性优化方法往往假设光伏出力、负荷需求等参数完全已知但实际运行中这些参数存在显著不确定性。两阶段鲁棒优化算法通过构建不确定集来描述这些波动能够在最恶劣场景下保证系统可行性这正是我们采用该方法的核心原因。我曾在某海岛微网项目中亲历过配置不当导致的运行问题光伏容量设计时未考虑连续阴雨天气导致柴油发电机长时间超负荷运行。这种教训促使我深入研究鲁棒优化方法其核心优势在于第一阶段决策电源容量投资决策第二阶段应对不确定性运行决策通过鲁棒优化模型确保任何不确定参数波动下系统都能可靠运行2. 两阶段鲁棒优化算法原理拆解2.1 基本数学模型框架该算法的核心是min-max-min三层优化结构用数学表达如下min_x c^T x max_u min_y d^T y s.t. Ax ≥ b By ≥ h - Ex - Fu u ∈ U其中x第一阶段投资决策变量电源容量y第二阶段运行决策变量机组出力u不确定性参数光伏出力、负荷等U不确定集盒式/多面体/椭球集合2.2 不确定集建模关键不确定集的选取直接影响方案保守程度。常见的有盒式不确定集参数独立波动U {u | u^L ≤ u ≤ u^U}多面体不确定集考虑参数相关性U {u | ||u-u0||_1 ≤ Γ}椭球不确定集概率保证型U {u | (u-u0)^TΣ^{-1}(u-u0) ≤ Ω^2}实际项目中推荐使用多面体集合通过Γ参数调节保守度。Γ0退化为确定性模型Γ增大则方案更保守但成本更高。2.3 列与约束生成算法(CCG)这是求解两阶段问题的核心算法其迭代过程为求解主问题松弛问题获得x*针对x求解最恶劣场景u添加可行性割平面或最优性割平面重复直到收敛3. MATLAB实现关键技术与YALMIPCPLEX配置3.1 YALMIP建模要点% 定义决策变量 x sdpvar(nGen,1); % 电源容量 y sdpvar(nGen,nTime); % 机组出力 u sdpvar(nUncer,nTime); % 不确定性参数 % 构建目标函数 investmentCost c*x; operationCost sum(d*y,2); objective investmentCost operationCost; % 约束条件 constraints [x 0, y 0]; constraints [constraints, sum(y,1) demand - u]; % 功率平衡3.2 CPLEX求解器配置技巧options sdpsettings(solver,cplex,... cplex.timelimit,3600,... cplex.mip.tolerances.mipgap,0.01,... cplex.parallel,1,... verbose,1);关键参数说明mipgap0.01 表示允许1%的优化间隙parallel1 启用多线程加速对于大规模问题建议设置timelimit避免长时间运行3.3 不确定集实现示例% 多面体不确定集实现 Gamma 3; % 保守度参数 uncertaintySet []; for t 1:nTime uncertaintySet [uncertaintySet, ... norm(u(:,t)-u0(:,t),1) Gamma]; end4. 完整实现流程与核心代码4.1 主问题建模function [masterProblem, x] buildMasterProblem(c, A, b) x sdpvar(size(A,2),1); masterProblem.Objective c*x; masterProblem.Constraints A*x b; end4.2 子问题求解function [worstCase, u_opt] solveSubProblem(x_opt, d, B, h, E, F, U) u sdpvar(size(F,2),1); y sdpvar(size(B,2),1); subObjective d*y; subConstraints [B*y h - E*x_opt - F*u, u ∈ U]; optimize(subConstraints, -subObjective); % 最大化问题 worstCase value(subObjective); u_opt value(u); end4.3 CCG主循环while true % 求解主问题 optimize(masterProblem.Constraints, masterProblem.Objective); x_opt value(x); % 求解子问题 [wc, u_opt] solveSubProblem(x_opt, d, B, h, E, F, U); % 收敛判断 if abs(upperBound - lowerBound) tolerance break; end % 添加割平面 newConstraint theta d*y λ*(h - E*x - F*u_opt); masterProblem.Constraints [masterProblem.Constraints, newConstraint]; end5. 实际项目中的经验技巧5.1 计算效率优化并行计算加速% 启用MATLAB并行池 if isempty(gcp(nocreate)) parpool(local,4); % 使用4个核心 end spmd % 并行化不确定场景计算 end热启动技巧% 保存上次求解的基解 options.cplex.advance 2; options.cplex.start struct(x,x_prev,basis,basis_prev);5.2 典型问题排查指南问题现象可能原因解决方案迭代不收敛割平面添加方式不当检查对偶变量计算是否正确求解时间过长不确定集过大调整Γ参数或改用椭球集合结果过于保守不确定集形式不合适尝试多面体替代盒式集合内存不足变量维度太高采用场景削减或时段聚合5.3 结果可视化关键代码% 电源容量配置结果 figure; bar(x_opt); xticklabels({PV,Wind,Diesel,Battery}); ylabel(Capacity (kW/kWh)); title(Optimal Capacity Allocation); % 最恶劣场景下的运行调度 figure; stackplot(time, [y_pv; y_wind; y_diesel]); hold on; plot(time, demand - u_opt, k--); legend(PV,Wind,Diesel,Net Load); xlabel(Hour); ylabel(Power (kW));6. 扩展应用与进阶方向多时间尺度优化% 将时间维度分为投资期和运行期 investmentYears 20; operationalHours 8760;考虑设备老化成本% 在目标函数中添加老化项 agingCost ∑(α_i * x_i^(β_i)); objective objective agingCost;与机器学习结合% 使用LSTM预测不确定集参数 net trainLSTM(historicalData); [u_pred, uncertainty] predict(net,newData);我在实际项目中验证过当Γ取2.5时能在经济性和鲁棒性间取得较好平衡。建议首次实施时先用小规模测试案例验证算法流程典型6节点系统求解时间应控制在10分钟内i7-11800H CPU。微网容量配置结果对光伏预测误差最敏感这部分不确定性建模需要格外注意。