微网电源容量配置：两阶段鲁棒优化模型与MATLAB实现

做微网规划咨询这几年，被问得最多的一个问题就是：手头有历史负荷和风光数据，怎么确定风机、光伏、储能该装多少容量才最稳妥？常规做法是拿典型日做确定性优化，但现实里风光出力一个波动，算出来的方案立刻就不够了。这篇分享的是一套在MATLAB环境下用两阶段鲁棒优化算法做微网电源容量优化配置的完整方案，包含模型推导、C&CG求解流程、代码骨架和算例分析，适合正在做微网规划、储能配置或者鲁棒优化方向研究的朋友参考。

1. 微网电源容量配置为什么要做成两阶段鲁棒优化

1.1 确定性优化的问题：算出来的方案一遇波动就崩

先说我见过最多的一种翻车场景。不少工程师做容量配置时用的是确定性优化：把光伏、负荷取一个"典型日"的曲线，建立目标函数规划电源容量，然后用求解器一跑，得到一组"最优解"。

这组解在数据上很漂亮，但问题在于——典型日只是历史数据的一个平均切片。光伏午间的出力峰值、晚高峰的负荷叠加、阴雨天连续多日的出力低落，这些"非典型"的情况一旦出现，配置方案就原形毕露。典型日的风光出力假设偏高，储能配置就会偏小；负荷假设偏低，柴油机的容量就会不足。结果就是系统实际运行时频繁切负荷、靠外部电网支撑，甚至直接失稳。

确定性优化的本质是用一个确定的场景替代所有可能的未来，这在不确定性环境里是站不住脚的。做微网规划必须回答的问题是：未来可能出现的最恶劣情况是什么，我的配置方案在这种最恶劣情况下花多少钱能撑住。两阶段鲁棒优化解决的就是这个问题。

1.2 鲁棒优化的核心思想：按最坏情况做决定

鲁棒优化的思路其实很朴素：与其赌一个最可能的场景，不如在"最坏情况"下找到一个成本可控且兼顾经济性的方案。最坏情况不是凭空想象，而是靠不确定集约束出来的——风光出力、负荷在某个波动范围内变化，所有可能的取值组合构成一个集合，鲁棒优化的目标是在这个集合里找到一个最不想面对的场景，针对这个场景做决策。

这个思路放在微网规划里非常合适，因为微网的不确定性来源是结构性的：光伏出力受云层遮挡和辐照影响，风电出力受风速随机性影响，负荷预测存在偏差。这些不确定因素很难全部精确建模，但它们的波动范围是可以用历史数据框定出来的。用鲁棒优化帮你把"未来可能有多差"想清楚，再去决定现在怎么配置。

1.3 "两阶段"到底分的是什么阶段

两阶段鲁棒优化里的"两阶段"，指的是决策变量的时序分工。第一阶段做容量配置决策（装多少风机、光伏、储能，容量多大），这一阶段在不确定性还没揭开时就要完成；第二阶段做运行调度决策（各电源出力多少、储能充放电多少），这一阶段是在不确定参数已经呈现之后，针对某个具体的风光出力场景做出的适应性调整。

这里有个关键逻辑：容量一旦确定，在规划期内是固定不变的，这是"现在就必须拍板"的决策；而运行推理是随场景变化的，面对不同的实时出力情况可以灵活调整。两阶段鲁棒模型就是把这两个不同性质的决策放进同一个优化框架里，让第一阶段决策在考虑所有未来可能场景时达到全局最优。

2. 两阶段鲁棒优化模型：目标函数、不确定集与约束体系

2.1 第一阶段决策：容量变量与投资成本模型

第一阶段是投资决策层，决策变量是各类分布式电源的配置容量。一个典型的微网系统里通常包括风机（WT）、光伏（PV）、储能（ESS）和柴油发电机（DG），容量优化配置就是要决定这四类电源各装多少容量。

第一阶段的目标函数是投资成本叠加运行成本的最坏情况期望，也就是最小化：

[ \min_{x} \left( C_{inv}^T x + \max_{u \in U} \min_{y} , C_{op}^T y \right) ]

其中投资成本 ( C_{inv} = [c_{WT}, c_{PV}, c_{ESS_P}, c_{ESS_E}, c_{DG}] )，对应的容量变量 ( x = [P_{WT}, P_{PV}, P_{ESS}, E_{ESS}, P_{DG}] )。注意储能要区分功率容量和能量容量，两个维度的成本不同，这个在第一阶段建模中必须拆开处理。

第一阶段还需要满足约束：各电源配置容量不超过站址可开发上限，储能能量与功率比例在合理范围内。这些约束形式简单，但直接影响第二阶段的可行域大小，建模时别忽略。

2.2 第二阶段决策：运行调度变量与运行成本模型

第二阶段是运行层，给定第一阶段确定的容量，在具体的风光出力场景下安排运行策略。第二阶段的决策变量包括各时刻的电源出力、储能充放电功率、柴油机出力、向外部电网购售电功率、切负荷功率等。运行成本包含柴油机燃料成本、购电成本、售电收益，以及切负荷惩罚成本。

第二阶段问题要用"最坏场景下的最小运行成本"来描述，逻辑是：先看不确定性参数取哪个值时运行最困难，再在这个最困难场景下做最优调度。风光出力差、负荷高的场景，运行成本必然高；第二阶段优化的目标是在不确定集里找到那个让运行成本最高的场景，然后把这个场景下的成本做到最小。

运行约束包括功率平衡约束、各电源出力上下限约束、储能SOC递推约束、购售电功率限制、切负荷上限等。需要留意的是储能SOC约束是跨时段耦合的，这会给子问题的对偶推导带来不小的复杂度，后面第三节细说。

2.3 不确定参数与盒式不确定集的构造

两阶段鲁棒优化的核心之一是构造不确定集 ( U )。微网里最常见的不确定参数是风机出力、光伏出力和负荷。工程上做容量配置，最实用的不确定集就是盒式（Box）不确定集加预算约束（Budget Constraint）：

[ U = \left{ u \mid u_t^{min} \le u_t \le u_t^{max},\ \sum_t |u_t - \bar{u}_t| / \Delta u_t \le \Gamma \right} ]

盒式约束把每个时段的波动限制在上下界内，预算约束则限制了整个调度周期内总偏离程度。预算参数 ( \Gamma ) 直接控制鲁棒保守程度：( \Gamma ) 越大，允许偏离均值的时段越多，方案越保守、抗风险能力越强，但经济性越差；( \Gamma = 0 ) 时退化为确定性优化。

实测下来，微网容量配置里不确定集参数设置的原则是：( \Gamma ) 取总时段数的20%-40%比较稳，既能覆盖大部分实际波动，又不至于让结果保守到无法接受。波动幅度上下界可以用历史数据的百分之十分位数和九十分位数来标定，比拍脑袋强得多。

2.4 完整模型与矩阵形式的统一写法

上面各项合起来，两阶段鲁棒优化模型的完整结构就是min-max-min三层：

• 外层min是第一阶段投资决策；
• 中层max是不确定集里最坏场景选择；
• 内层min是第二阶段运行调度决策。

写成统一的矩阵形式就是：

[ \min_{x} \left( c^T x + \max_{u \in U} \min_{y \in \Omega(x,u)} d^T y \right) ] [ s.t.\ Ax \ge b,\ x \in X ]

其中 ( \Omega(x, u) = { y \mid Ey \le f + Fx + Gu } ) 是给定容量 ( x ) 和不确定参数 ( u ) 后的运行可行域。矩阵形式的优点是方便写代码时用YALMIP批量构建约束，整个模型水到渠成。

3. C&CG求解流程：把min-max-min拆成可迭代的两个问题

3.1 主问题（MP）：带割平面约束的容量优化

C&CG（Column and Constraint Generation，列与约束生成）算法是目前求解两阶段鲁棒优化问题最主流的算法。核心思想是迭代逼近：用一个主问题和一个子问题交替求解，主问题逐步把最坏场景对应的约束（割平面）加进来，子问题则负责寻找最坏场景。

主问题形式如下：

[ \min_{x, y, \eta} \ c^T x + \eta ] [ s.t.\ Ax \ge b,\ x \in X ] [ \eta \ge d^T y_k, \quad Ey_k \le f + Fx + Gu_k, \quad \forall k \le K ]

其中 ( k ) 是迭代次数，( u_k ) 是已经发现的“坏场景”集合，每一个坏场景对应一组运行变量 ( y_k ) 和一条割平面约束 ( \eta \ge d^T y_k )。主问题的含义是：在已知的所有最坏场景下，选择容量配置 ( x )，使投资成本和最坏运行成本之和最小。每迭代一次，主问题就会多一组坏场景约束，方案也就会更稳健一分。

3.2 子问题（SP）：最坏场景下的运行优化

子问题是在给定第一阶段容量解 ( x^* ) 的条件下，寻找不确定集里让运行成本最大的场景：

[ Q(x^) = \max_{u \in U} \min_{y \in \Omega(x^, u)} d^T y ]

这是一个max-min双层结构，直接求解在MATLAB里是跑不动的。常规做法是对内层min问题取强对偶，把min-max结构转化为单个max问题：

[ Q(x^) = \max_{u \in U, \lambda \in \Lambda} \ \lambda^T (f + Fx^+ Gu) ] [ s.t.\ E^T \lambda \le d,\ \lambda \ge 0 ]

对偶转换成立的前提是内层问题是线性规划，所以第二阶段的运行模型必须尽量保持线性，比如用分段线性成本函数替代非线性燃料成本曲线。碰上非线性成本函数，就得在建模阶段预处理线性化，这是跑代码前必须做的一道功课。

3.3 大M法处理双线性项：让子问题变为MILP

强对偶之后的子问题中，( \lambda^T Gu ) 是一个双线性项，对偶变量与不确定变量相乘，问题变为非凸。工程上最常见的处理办法是对不确定变量进行离散化或引入大M法线性化。

以大M法为例，引入辅助变量 ( z_{t} = |u_t - \bar{u}_t|/\Delta u_t ) 标识不确定参数是否偏离均值，配合约束：

[ \lambda^T G u = \sum_t \left( \lambda^T G_t \bar{u}_t + \lambda^T G_t \Delta u_t \cdot z_t \right) ]

同时对 ( \lambda ) 和 ( z ) 的乘积项引入辅助变量 ( v )，用Big-M约束强制替换。这一步会引入大量0-1变量，子问题变成MILP，求解时间会明显上升。实测时M的取值很影响求解速度——M太大会造成数值病态，M太小会错误截断可行域。一般建议M取对偶变量理论上界的5-10倍。

3.4 迭代终止条件与割平面生成逻辑

C&CG的完整迭代流程如下：

1. 初始化：令 ( LB = -\infty )，( UB = +\infty )，设置最大迭代次数和收敛阈值 ( \epsilon )。
2. 求解主问题MP，得到最优解 ( x^, \eta^)，更新 ( LB = c^T x^* + \eta^* )。
3. 固定 ( x = x^* )，求解子问题SP，得到最坏场景 ( u^* ) 和目标值 ( Q(x^) )，更新 ( UB = c^T x^+ Q(x^*) )。
4. 如果 ( (UB - LB)/LB \le \epsilon )，终止迭代，输出 ( x^* ) 为最优容量配置。
5. 否则，把当前找到的最坏场景 ( u^* ) 加入主问题，新增一组运行变量 ( y_{k+1} ) 和割平面约束，回到步骤2。

C&CG的优势是收敛速度快，多数情况下10轮以内就能收敛到1%以内的间隙。每一步实际跑起来并不复杂，关键是主问题和子问题之间的数据接口要清晰，我习惯把两类问题的约束分别封装成函数，主程序只负责调度它们。

4. MATLAB实现要点：YALMIP建模、求解器配置与代码骨架

4.1 环境准备：YALMIP、求解器的安装与路径配置

MATLAB里搭建两阶段鲁棒优化模型，最顺手的组合是YALMIP加商业求解器。YALMIP是一个免费的MATLAB建模工具箱，支持用接近数学表达式的语法构建优化模型，可以省掉大量矩阵维度拼接的烦恼。求解器推荐Gurobi或MOSEK，两者都支持MILP，学术许可免费申请。

安装YALMIP只需要把下载的文件夹加入MATLAB路径，再把求解器的可执行文件路径配置好，然后在代码里使用yalmip('clear')清除旧缓存。实测中一个常见的坑是MATLAB版本与求解器接口版本不匹配，报错大多集中在"Invalid MPS file"这类，处理方式就是去Gurobi官网下载对应MATLAB版本的接口包，而不是用旧版本的通用接口。目前YALMIP更新到最新版本后对MATLAB 2020b-2026b的兼容性都不错。

4.2 数据准备：典型日生成与不确定集参数初始化

进入建模之前，先把数据准备做好。容量配置通常用典型日（或典型季节日）作为计算基础，不要直接用365天原始数据，否则计算量会爆炸。先用K-means把全年的风光和负荷曲线聚成3-6个典型场景，每个场景带权重，再对每个典型场景构造不确定集。

典型场景数目通常取3-4个，太多会成倍放大主问题规模。不确定集参数初始化代码里建议封装成独立的函数，比如buildUncertaintySet(histData, Gamma)，输入历史数据和预算参数，输出每个时段波动的上下界和平均场景。

4.3 主程序框架：C&CG主循环的伪代码

C&CG主循环骨架如下（YALMIP语法）：

% 主问题定义 x = sdpvar(sizeX, 1); % 容量决策变量 eta = sdpvar(1, 1); % 辅助变量 Constraints = [Aineq * x <= bineq]; obj_MP = c_inv' * x + eta; % 子问题定义（初始场景 u_0 = 均值场景） for k = 1:maxIter % 1. 求解主问题 optimize(Constraints, obj_MP, ops); x_opt = value(x); eta_opt = value(eta); LB = value(obj_MP); % 2. 固定 x_opt，求解子问题，获得最坏场景 u_opt 和 Q(x_opt) [Q_val, u_opt] = solveSubproblem(x_opt); UB = c_inv' * x_opt + Q_val; % 3. 收敛判断 if (UB - LB) / LB < epsilon break; end % 4. 新增割平面约束 y_k = sdpvar(sizeY, 1); Constraints = [Constraints, eta >= d' * y_k, ... E_y * y_k <= f + F_x * x + G_u * u_opt]; obj_MP = c_inv' * x + eta; end

每一步迭代新增一组变量和约束，本质上是逐步扩充主问题的“最坏场景库”。规模上来之后主问题的约束数量会不断膨胀，所以建议约束按矩阵形式批量加入，不要逐条add，否则运行效率骤降。

4.4 关键建模细节：对偶变量、大M法与互补松弛的YALMIP写法

子问题求解是整套代码最容易出bug的部分。用YALMIP直接写出子问题的原始max-min形式是行不通的，必须先手动做对偶转换。实操中是用dual函数解析原始约束的对偶变量表达式，但更推荐自己先在草稿纸上把对偶形式推导清楚，再直接写到代码里，省去调试过程中的反复试错。

强对偶转换后含有双线性项和0-1变量，用binvar定义预算约束对应的0-1指示变量，用大M法展开乘积项。YALMIP对大面积MILP支持得很好，但不建议把M值设置成1e6这种夸张数字，数学上没有问题，数值上几乎是灾难。我一般先用小规模测试M的灵敏度，M取10倍上界左右。

5. 案例配置与结果分析：风光储微网算例的容量优化结果

5.1 算例参数与场景设置

用一个典型的风光储微网来验证整套模型和代码。系统包含风机、光伏、储能、柴油发电机，负荷峰值1MW，并与外部电网连接允许购售电。设备参数设置如下：

风光和负荷使用某地区实际测量数据的归一化处理结果，将全年数据聚类为夏季、冬季、过渡季3个典型场景。风光出力波动幅度设为均值的正负20%，负荷波动为正负10%，预算参数 ( \Gamma ) 取所有时段数的30%。

5.2 两阶段鲁棒优化结果与确定性方案对比

在相同参数下分别跑确定性模型和两阶段鲁棒模型，结果差异非常明显：

鲁棒方案投资成本高了约37%，但最坏场景下的年运行成本降低了约40%。把两者放在一起看，鲁棒方案在极端天气、负荷尖峰叠加时依然能保证供电可靠，而确定性方案在这种场景下已经失稳，必然伴随大量切负荷和高额购电。用增量投资换极端场景下的可靠性，这正是鲁棒优化的价值所在。

5.3 不确定预算对配置结果的影响规律

将预算参数 ( \Gamma ) 从0逐步调整到50%，观察容量配置的变化规律，会发现一个明显拐点：( \Gamma ) 从0增大到20%的过程中，储能和柴油机的容量配置快速上升，光伏和风机也小幅提高；但超过40%之后，各类电源容量几乎不再变化。

原因很直接：不确定集对最坏场景的覆盖已经趋于饱和，继续增大预算只是让方案“更保险”，但实际不会遇到比这更极端的情况了。这个拐点在实际工程中可以直接换算成“确定了多少比例的极端时段”，用来跟决策者沟通鲁棒保守程度的取舍。实测中碰到预算参数取过大导致无解或求解时间翻倍的情况，记得回到这个规律来。

6. 调试经验与常见坑：从能跑到算得准

6.1 子问题不可行的处理

C&CG迭代过程中最容易遇到的故障是：固定某个 ( x^* ) 后，子问题原始模型不可行。原因通常是第一阶段容量配置过小，导致在某些波动场景下功率平衡无法满足，比如储能容量太小无法平抑晚高峰。

处理思路有两条。第一，在第一阶段约束中加入“最小可行容量”限制，确保任何可行解下第二阶段都存在可行调度；第二，在子问题中引入切负荷变量并设置高惩罚成本，把严格约束软化为可惩罚约束，这样即使极端情况下切负荷，也只是成本升高，而不会导致模型直接崩溃。

6.2 大M参数的选择与数值稳定性

大M参数影响MILP的数值稳定性。M取太小，会错误地排除真实可行解；M取太大，求解器内部的对偶尺度会恶化，导致报错或收敛极其缓慢。按我的经验，大M取值应基于对偶变量的物理含义估算上界，柴油机发电成本在1.2元/kWh左右，购电成本约1元/kWh，对偶变量的上界基本就在这个量级，M取10倍即10左右即可，而不是拍脑袋取个1e5。

如果发现自己写的模型在YALMIP中求解时频繁卡住，先把所有约束的系数矩阵scale一下，再看有没有数量级相差悬殊的常数项混在一起。

6.3 求解时间太长怎么办

两阶段鲁棒模型的计算量主要来自子问题的MILP求解和大规模割平面的主问题迭代。我的经验是先缩小不确定集的离散粒度，比如把负荷和出力的波动档位从连续值离散为3档，能显著降低MILP复杂度且对结果影响很小。另外一个实用技巧是先用确定性模型得到一组良好初始解，把它作为C&CG主问题的warm start，迭代次数能减少三分之一左右。

如果微网规模较大（节点多、设备类型复杂），建议将典型日segmentation从24小时小时级降为4小时间隔，先验证算法正确性，再逐步恢复分辨率做最终计算。整个流程走完调试一次的成本会低很多。

6.4 个人实操体会

这套模型从推导到代码落地，前后迭代了两周。最大的体验其实有两处：一是别试图在YALMIP里用黑盒方式写max-min，手动推导强对偶虽然麻烦，但推完一次之后整个问题结构会变得非常清晰，后续改约束、加设备都是在清晰的地基上做扩展。二是预算参数 ( \Gamma ) 和波动幅度的标定要和实际场景的历史数据强绑定，不要为了鲁棒而鲁棒——配置方案是要真金白银投下去的。

如果手头已经收集了微网所在区域的历史气象和负荷数据，建议先把不确定集的参数标定做扎实，这套方法跑出来的配置结果才能既抗风险又不至于过度浪费。