两阶段鲁棒优化做微电网经济调度，是这些年学术界和工程界都绕不开的方向。原因很简单，光伏和负荷的预测误差躲不掉，而传统确定性调度一遇到实际偏差就得重新算，甚至会出现切负荷或者弃光这种被迫操作。我这次分享的是一个升级优化版本，也就是在经典两阶段鲁棒框架上，把微网与外部电网的电力调控策略、储能退化成本约束、以及滚动时域修正思路都整合进去了，代码用Matlab实现，求解侧走YALMIP+CPLEX或Gurobi。如果你正在做微电网日前调度、或者准备参加类似的数学建模竞赛，这篇内容应该能帮你省掉不少搭框架的时间。
1. 项目背景与核心问题拆解
先把问题说清楚：微电网经济调度，本质上是一个“在不确定性环境下，如何制定发用电计划使得总成本最低”的优化问题。它和普通的电力系统经济调度最大的区别在于，微电网的规模小、惯性小、调节手段有限，光伏出力和负荷需求的预测误差对系统的影响会被放大。你今天早上预测中午光伏能发500千瓦，结果到了中午一片云飘过来，实际出力掉到250千瓦，这时候如果调度方案没有预留足够的上调能力，就容易出问题。
行业内解决这个问题的思路有这么几条：确定性优化、随机规划、鲁棒优化、以及模型预测控制。其中确定性优化最简单，但缺点是抗扰动能力差；随机规划需要提前知道预测误差的概率分布，而且计算量很大；鲁棒优化则是在“最坏情况”下做决策，保证方案在预定义的误差范围内都可行。两阶段鲁棒优化是鲁棒优化的一种进阶形式，它把决策拆成两个阶段：第一阶段做“现在必须拍板”的决定，比如机组启停、与外部电网的购售电计划；第二阶段则等到不确定参数的实际值部分暴露后，再做“调整性”决策，比如储能充放电功率、柴油机出力、弃光弃风量等。
标题里提到的[3]，我理解指的是参考了某一类典型文献的处理方式，通常是采用了盒式不确定集加预算约束的经典建模思路。升级优化版本则是在这基础上做了几个关键改动，我会在后面的章节逐个展开。这套方法能解决什么问题？简单说，就是让你在不知道光伏实际出力、负荷实际大小的情况下，依然能拿出一个“不管怎么变都不会翻车”的调度计划，而且这个计划的成本不会比确定性方案高太多。
2. 两阶段鲁棒优化的原理与模型构建
2.1 为什么“两阶段”比“单阶段”更贴合实际调度
很多刚接触鲁棒优化的同学会问一个问题：既然鲁棒优化是考虑最坏情况，为什么还要分两个阶段？直接一个阶段把所有变量都优化了不就行了吗？这里的关键在于，有些决策是必须在不确定性发生之前就做出的，而有些决策是可以等不确定性稍微明朗以后再调整的。单阶段鲁棒优化把所有决策都按“事前决策”来处理，结果往往过于保守——为了应对最坏情况，把储能充满、把柴油机开到最大出力，成本高得离谱。
两阶段结构的核心思想是“先承诺，后调整”。以微电网调度为例，日前阶段（第一阶段）需要确定的是：明天每个时段是否启动柴油机、与外部电网的购售电功率基准值、储能的目标荷电状态等。这些决策的特点是响应慢、约束强、一旦定了就很难改。而日内阶段（第二阶段）需要确定的是：在给定第一阶段的决策后，面对实际的光伏出力和负荷需求，储能的实际充放电功率、柴油机出力的修正量、弃光弃风量的切分等。这些决策可以在短时间内灵活调整，用来吸收不确定性带来的偏差。
这种“主问题+子问题”的结构，在数学表达上对应的是一个min-max-min三层优化问题。外层min是第一阶段成本，中间max是找最坏情况下的不确定参数，内层min是在最坏情况下的运行调整成本。这个结构和现实中的调度流程非常吻合，也因此成为近年来的主流建模方式。
2.2 不确定集的设计：从“无限可能”到“有限对抗”
两阶段鲁棒优化的核心之一是不确定集的构建。所谓不确定集，就是把光伏出力和负荷需求的可能取值限制在一个合理的范围内。最常见的做法是盒式不确定集，也就是给每个时段的预测值加上一个上下波动区间，比如光伏预测为300千瓦，波动幅度为正负20%，那不确定集内的取值范围就是[240, 360]千瓦。但这种盒式集合假设所有时段的不确定参数同时达到最大值或最小值，结果依然偏保守——实际中不可能一整天24个时段的光伏误差全都在边界上。
所以升级版本里，我采用了带预算约束的盒式不确定集。预算值用来限制“最坏情况出现的时段总数”，比如说24个时段里最多有6个时段会同时达到波动边界，其他时段的不确定程度相对温和。这种处理方式在文献中非常成熟，它能够在不牺牲太多鲁棒性的前提下，显著降低调度方案的保守性。预算值的取值通常可以取总时段数的15%到30%，具体数值可以通过历史数据的误差统计来确定。
在实际Matlab代码中，不确定集的定义方式会直接影响后面子问题的对偶转化。我建议你在建模时就明确区分哪些变量属于不确定参数，哪些属于决策变量，这样后续对偶或者使用C&G（列与约束生成）算法时会顺畅很多。
2.3 目标函数与约束条件的升级点
升级优化版本的模型目标函数，在我的项目中分为三个主要部分：第一阶段固定成本、第二阶段运行成本、以及与外部电网交互的惩罚项。第一部分包括柴油机的启动成本和最小运行时间带来的附加成本；第二部分包括燃料成本、储能充放电损耗成本、以及弃光弃风成本；第三部分则是和外部电网购售电的功率费用。
储能退化成本是我在这版升级中特意加入的。传统调度模型往往只考虑储能充放电的效率损耗，忽略了实际循环次数增加会缩短电池寿命这一事实。升级版本中，我引入了一个以吞吐量为基础的退化惩罚项，当储能在某一天的充放电吞吐量超过预设阈值时，超出部分会按照一个更高的成本系数计入目标函数。这样在优化结果中，储能不能被无节制地充放，整体调度策略会更加贴近工程实际。
3. 系统架构与升级优化点解析
3.1 微电网物理架构与调度层级
在展开代码之前，先把系统架构梳理一遍。这个升级版本面向的是一个典型的交流微电网，包含以下组成部分：光伏发电单元、储能系统（磷酸铁锂电池进行能量存储）、柴油发电机作为可调电源、本地负荷，以及与外部配电网的连接点。调度层级分为日前调度层和日内调整层，日前调度层基于预测数据生成基准计划，日内调整层则根据实际运行数据进行修正。
标题相关热词里频繁提到“微网与外部电网电力调控策略”，这部分在模型中的体现就是购售电功率变量。需要注意的是，与外部电网交互的功率通常有上限约束，而且分时电价下购售电价格不同。在升级版本中，我添加了买卖功率不能同时大于零的约束，避免模型在结算时通过“低价买高价卖”套利，这在物理上是不允许的。
3.2 从确定性模型到鲁棒模型的升级路径
如果你手头已经有一个确定性的微电网调度代码，怎么把它升级成两阶段鲁棒版本？我总结下来有这么几个步骤：
第一步，识别哪些约束中包含不确定参数。通常是光伏出力平衡等式和负荷平衡等式。第二步，把包含不确定参数的约束和确定性约束分离，确定哪些变量进第一阶段、哪些进第二阶段。第三步，构建不确定集，并确定预算约束。第四步，把原问题改写为主问题-子问题结构。第五步，编程实现C&G迭代算法，利用对偶或KKT条件处理内层的min问题。
升级过程中最容易被忽略的是“非预期约束”。两阶段模型中，第一阶段决策不能依赖于未来不确定参数的实现值，这个隐含约束必须通过模型结构来保证。在C&G算法中，每次迭代生成的极端场景对应的子问题解，会被作为新约束加入主问题，这个过程天然保证了第一阶段决策的鲁棒性——但前提是你不能把第二阶段子问题的解直接“泄漏”到主问题的约束里，否则求解结果就会失真。
3.3 本版本相比常规两阶段鲁棒的3个改进点
第一，引入了滚动时域修正模块。这不是在线MPC那种秒级滚动，而是以小时为周期的“慢滚动”——每运行完一个调度时段，就把最新的实测数据代回未完成的计划中重新优化剩余时段。这样做的好处是能实时修正预测偏差的累积效应。
第二，增加了储能退化成本的非线性分段线性化处理。电池退化成本本质上是一个非线性函数，但为了能用MILP求解，我采用分段线性逼近的方式把它转化为线性约束，这样整个模型还能保持混合整数线性规划形式，可以直接用CPLEX或Gurobi求解。
第三，设置了面向求解器友好性的约束聚合。微电网模型最怕出现大量Big-M约束导致的松弛问题，我把部分取值范围约束转化为等价的逻辑约束，减少了Big-M变量的数量，迭代求解速度能提升不少。
4. Matlab代码实现完整流程
4.1 代码结构总览
整个项目的Matlab代码文件组织结构大概是这样：主文件、数据文件、模型构建函数、求解函数、结果可视化脚本。主文件负责设置参数、调用函数、输出结果。数据文件以结构体形式存放所有输入参数，包括各时段预测值、波动范围、电价值、储能参数等。模型构建函数基于YALMIP建模语言实现，把主问题和子问题的约束写清楚，求解函数负责调用CPLEX或Gurobi求解器。
我用的是YALMIP+R2023b+CPLEX的搭配。YALMIP是一个Matlab下的免费建模工具，安装起来很方便，它能把优化问题翻译成求解器能理解的格式。如果你手头没有CPLEX，也可以用Gurobi，甚至在部分场景下直接用Matlab内置的intlinprog也能跑，只是规模大的时候求解速度会明显变慢。
4.2 主问题建模代码要点
主问题是原问题的松弛版本，包含第一阶段决策变量和所有确定性约束。在YALMIP中，这个部分通常用类似的代码结构搭建。第一阶段决策变量中，机组启停状态是二进制变量，其余如购售电功率和储能基准功率是连续变量。约束包括功率平衡、机组出力上下限、储能容量约束、与外部电网交互功率限制、线路潮流约束等。
主问题每次迭代后都会新增一组与极端场景相关的约束，这些约束的系数来自子问题返回的极端场景中的不确定性参数。代码实现时，我建议用一个循环来动态拼接这些新增约束，并在每次迭代结束后清空旧约束，重新构建主问题。这个操作在YALMIP中并不复杂，时间复杂度也很低。
4.3 子问题建模与对偶处理
子问题的本质是给定第一阶段决策和不确定参数后，求解最坏情况下的运行成本最小值。这个内层是一个min问题，外层对不确定参数取max。常见的处理方式是先对min部分取其拉格朗日对偶，把内层min转化为对偶问题的max，这样整个子问题就变成一个纯最大化问题，直接把目标函数中的max-min嵌套处理掉了。
在实际代码中，子问题的求解步骤可以拆成：首先固定第一阶段决策变量，其次把内层优化问题的约束写成标准形式，然后利用对偶理论写出其对偶问题，最后整体求解时的目标函数就是对外层max变量的优化结果。需要特别提醒的是，如果模型中含有二进制变量，那么对偶转化会比较麻烦，因为对偶理论在线性规划中成立的前提是原问题本身是连续的线性规划。因此，在设计子问题时，尽量避免在其中放置二进制变量，如果确有需要，通常的做法是把二进制变量连同第一阶段决策一起放到主问题中。
4.4 C&G迭代算法核心逻辑
C&G列与约束生成算法是求解两阶段鲁棒优化问题的主流方法。它的核心思路是：不断在主问题中加入与极端场景相关的变量和约束，逐步逼近最优解。具体迭代流程是，初始化阶段先给定一个任意可行解，然后求解子问题得到最坏场景下的运行成本和对应场景变量；如果新增的约束和变量改变了主问题的最优解，则把该子问题的场景变量和约束加入主问题，重新求解；如此反复，直到上下界差满足收敛阈值。
我在迭代循环中设定了两个终止条件：一是上下界的相对误差小于0.01%，二是最大迭代次数不超过15次。从实测数据来看，大多数算例在5到8次迭代内就能收敛，效率还是令人满意的。整个循环过程的Matlab实现并不复杂，关键在于把场景索引和变量维度的对应关系处理好。
5. 核心参数配置与调试经验
5.1 不确定集与预算值的设定
预算值的选择对调度结果的保守性影响很大。我做过一个简单的敏感性分析：当预算值从0增加到12时，第一阶段的总成本上升了约8%，但第二阶段的最坏情况成本下降了约15%。这说明适当增加预算值能显著提升鲁棒性，但代价是预安排成本升高。如何选预算值？我建议从历史预测误差数据中统计出“实际误差超过预测值20%的时段比例”，以此来标定预算值的取值范围。
5.2 求解器参数与性能调优
在求解器的参数设置上，我建议开启CPLEX或Gurobi的MIP gap控制。对于微电网调度这类规模适中的模型，设定MIP gap为0.1%，以及开启并行求解，是一个稳健的选择。另外要防止出现数值问题，尤其是约束间的数量级差异较大时功率量级可能到几百千瓦，电价却只有零点几元。这种情况下，可以给所有功率相关的变量乘一个统一的缩放因子，比如全部转换为以兆瓦为单位，否则求解器在计算对偶问题时容易出现数值病态。
5.3 结果可视化与调度曲线展示
调度结果的输出，我一般会画四张图：第一张是光伏预测值与实际值的对比曲线；第二张是储能SOC随时间的演变曲线；第三张是柴油机出力和购售电功率的堆叠柱状图；第四张是总运行成本的累积曲线。这些图对验证模型行为很有帮助。比如，如果你发现储能的SOC曲线在一天之内频繁触顶或触及下限，这通常说明储能容量约束设置得不合理，或者退化的惩罚系数太小，导致储能被过度利用。
6. 常见问题与排查技巧实录
6.1 求解时间过长或无法收敛
这个问题的出现频率最高。原因通常有三类：第一类是不确定集的规模太大，导致子问题的变量和约束数量过多。修复的方法是，通过预算约束的松紧来控制不确定参数的组合数量，或者把24个时段的不确定参数按4个时段为一组进行聚合，减少子问题的计算规模。第二类是Big-M参数选取不合理，导致求解器在线性松弛阶段浪费太多时间。第三类是MIP gap设置过严，适当放宽至0.5%可以显著加速求解。
6.2 子问题对偶转换出错
子问题对偶转换是最容易写错的地方，尤其是当模型中有等式约束时，对偶变量没有符号限制，容易在处理时搞混。一个实用的排查方法是将对偶问题的目标函数值与原问题的目标函数值进行对比，如果两者不一致，检查原问题是否有冗余约束或不可行约束。另外，强烈建议在编写子问题代码前，先在一个简化模型上手工验证一次KKT条件的正确性，而不是直接在大模型上调试。
6.3 鲁棒解过于保守
如果你发现鲁棒优化得到的调度方案成本比确定性方案高出50%以上，大概率是不确定集设计得太“宽”了。可以把盒式区间的波动幅度从正负30%缩小到正负15%，同时适度降低预算值。还有一种情况是储能容量配置不足，导致系统缺乏足够的调节能力来应对不确定性，这时在目标函数中增加对储能退化成本的惩罚反而有助于让储能留有更多应对不确定性的空间。
6.4 YALMIP报“无法识别运算符”错误
这类错误在升级版本中经常出现，原因是使用了一些求解器不支持的运算操作，比如非线性函数的直接调用。YALMIP本身支持很多非线性表达式，但CPLEX和Gurobi作为MILP求解器并不支持非线性约束。如果出现这种提示，检查是否存在指数函数、绝对值函数或变量相乘的表达式。我的做法是用分段线性化工具或引入辅助变量来重构这些约束。
7. 从鲁棒优化到滚动时域调度的扩展思考
最后再聊聊扩展性。两阶段鲁棒优化虽然解决了不少问题，但它本质上仍然是一种“开环”的调度方式，也就是说日前制定完计划后，日内不会根据实测数据对后续时段进行修正。解决这个问题的方法是引入模型预测控制的思路，在日内的每个采样周期内，用最新实测数据更新预测值，并基于当前状态重新求解一个短时域的两阶段鲁棒模型，只执行第一个时段的决策。这正是相关热词中“滚动时域”的含义。
我目前的做法是在鲁棒优化的最外层套一个滚动时域循环，每个循环求解一个时间窗口为6小时的鲁棒模型，执行第一个小时的调度指令后进入下一个循环。实测效果非常明显：原本开环模式下，下午时段储能容量被耗尽的情况明显减少，系统应对光伏波动性的灵活度更高。代价是计算时间增加了，但配合高效的求解器配置，完全可以在可接受的范围内运行。
这个方向后续还可以继续扩展，比如把电动汽车充放电、冷热电联供都纳入模型，对应的问题规模会更大，但也更有工程价值。如果你是自己做毕业设计或者科研实验，我建议先跑通这个两阶段鲁棒版本，掌握C&G迭代的核心逻辑，再往滚动时域或MPC方向延伸，会顺很多。
