微电网多阶段鲁棒优化调度：CCG算法与MATLAB完整复现

搞过微电网调度优化的朋友应该都有同感：确定性模型算出来的"最优方案"往往只存在于Excel和论文里，真到了实际运行那天，光伏被一片云遮了，风电整夜趴窝，负荷还往上蹿，计划彻底崩盘。这时候你才发现，真正值钱的不是那个所谓的最优解，而是方案在"现实和预测不一致"的时候还能不能扛得住。这就是鲁棒优化存在的意义。

这篇内容围绕“含可再生能源和储能的区域微电网最优运行”展开，重点拆解基于多阶段鲁棒调度模型的MATLAB完整复现过程。适合正在做微电网经济调度、综合能源系统优化的研究生，以及刚接触鲁棒优化、想从公式走向代码的工程技术人员。我会把建模思路、不确定集合设计、CCG算法（列与约束生成）求解流程、MATLAB代码架构和我在复现中踩过的坑一次性讲透，尽量做到直接看、直接抄、直接改。

1. 先弄清楚：这个项目要解决的核心矛盾

1.1 微电网最优运行解决的是成本与安全的两难

区域微电网的典型构成不复杂：光伏、风电这类分布式可再生电源，一组储能，常规负荷，再加上和主网的连接点。运行调度的目标也很朴素——在满足电压、功率平衡、设备容量等约束的前提下，让整个系统一天的运行成本最低。成本包括购电费用、可再生能源运维成本、弃风弃光惩罚，以及极端情况下的切负荷惩罚，如果模型里考虑了电池循环损耗，储能充放电成本也要算进去。

但这里有个天然的矛盾：可再生能源出力有强烈的随机性，光伏夜里出力为零，白天还受云层影响；风电更是时有时无。如果你按预测值去做日前计划，一旦实际光照和风况偏离预测，系统就可能出现功率缺口。缺口小，可以通过储能和主网交互补上；缺口大，就得切负荷。切负荷在技术上意味着供电可靠性下降，在商业上意味着高额赔偿，在工程上属于严重事故。反过来，如果为了应对不确定性预留太多备用，系统又长期运行在保守低效的状态，成本上完全不可接受。

所以“最优运行”这四个字并不是单纯做一个最小化成本的数学问题，而是在成本最优和风险可承受之间找平衡点。确定性优化把未来当作已知，随机优化用概率场景描述未来，鲁棒优化则直接假设未来有一个“最坏情况”，要求调度方案在任意可能的出力区间内都可行、成本上界可控。这个项目标题里同时出现“鲁棒性”和“不确定性”，说明它的定位不是给一个确定性的最优解，而是给一堆不确定性扰动下依然安全的最优策略。

1.2 三种处理不确定性的思路对比

很多刚开始接触这个方向的朋友会混淆三类模型，我直接拿一句话把它们区分清楚：

• 确定性模型：认为光伏预测值就是实际值。优化问题只有一层决策，求解最简单，但方案抗风险能力最弱。
• 随机规划模型：给不确定量设定若干概率场景（比如光照高/中/低三种），优化目标是期望成本最小。问题规模随场景数成倍扩大，而且场景概率往往拍脑袋定，容易失真。
• 鲁棒优化模型：不给概率，只给不确定变量的取值范围（区间），优化目标是让最坏情况下的成本最小。没有分布假设，不需要历史概率数据，计算上通常比大规模随机规划更可控，方案也偏保守。

在工程实践中，我个人的经验是：随机规划适合有充分历史数据的场景，鲁棒优化适合数据少、但安全要求高的场景。微电网恰恰是这两条都占——新能源场站数据质量参差不齐，很多小区域连完整的气象历史都没有，但供电可靠性要求一点不能含糊。所以鲁棒优化在这个领域落地非常自然。

2. 多阶段鲁棒调度的建模思路拆解

2.1 什么叫“多阶段”：从日前计划到实时调整

严格说，电力系统调度天然是分阶段的：日前做启停计划和购电计划，日内根据最新预测滚动修正，实时再根据实际出力微调。鲁棒优化里的“多阶段”对应的就是这个决策时序，而不是简单的“两个阶段”。

经典两阶段鲁棒模型的第一阶段决策，通常指需要提前确定的离散或长期变量，比如机组启停状态、储能的充放电状态；第二阶段决策，是在不确定量（光伏、风电、负荷）实际到来后，对这些预决策做出的经济调整，比如实际购电量、弃电量、储能出力修正。用数学语言说，两阶段鲁棒的一般形式是：

[ \min_{\mathbf{y}} ; \mathbf{c}^\top \mathbf{y} + \max_{\mathbf{u} \in U} \min_{\mathbf{x} \in F(\mathbf{y},\mathbf{u})} \mathbf{d}^\top \mathbf{x} ]

其中 (\mathbf{y}) 是第一阶段决策，(\mathbf{u}) 是不确定变量，(\mathbf{x}) 是第二阶段决策。这个“min-max-min”嵌套结构是鲁棒优化最劝退的地方，也是它区别于普通优化的根本原因。

多阶段鲁棒模型在此基础上进一步放宽：它不再假定“所有不确定量在第二阶段一次性揭晓”，而是随着时间轴推进，每个时段都有新的不确定量实现，并要求当前时段的决策能够根据已经发生的不确定量进行调整。常见的实现方式是把整个调度周期按小时切分成24个阶段，每一个小时就是一个“决策-观测-再决策”的闭环。这种模型的复杂度和保守度比两阶段更低，更贴近微电网实际的滚动调度流程，但建模和求解难度也更高。

我当时复现这个项目时用了“两阶段等价转换”的思路：把原来24个阶段的滚动决策问题，通过引入状态变量和可行域递归，合并成一个两阶段问题的主问题结构，其中第二阶段的“最坏场景”不再是一个静态向量，而是一条满足预算约束的多时段不确定轨迹。这样既能享受多阶段滚动决策带来的保守度下降，又能继续复用CCG算法框架，是工程上比较划算的做法。

2.2 目标函数怎么写才合理

目标函数看着简单，但每一项的取舍直接决定调度行为。我给出的通用形式是：

[ \min \sum_{t=1}^{T} \Big( C_{\text{buy},t} P_{\text{buy},t} - C_{\text{sell},t} P_{\text{sell},t} + C_{\text{om}}^{\text{pv}} P_{\text{pv},t} + C_{\text{om}}^{\text{wt}} P_{\text{wt},t} + C_{\text{curt}} P_{\text{curt},t} + C_{\text{load}} P_{\text{load},\text{shed},t} + C_{\text{es}} |P_{\text{es},t}| \Big) ]

各部分的含义和要点如下：

• 购电成本 (C_{\text{buy},t} P_{\text{buy},t})：主网购电按分时电价算，这是成本的大头，也决定了储能的套利行为。
• 售电收入 (C_{\text{sell},t} P_{\text{sell},t})：微电网向主网反送电时获得的收益。注意很多区域电网不允许随意反送，模型里要加边界限制或者上网电价远低于购电电价，否则优化会疯狂倒卖电能。
• 运维成本：光伏和风电的单位运维成本很低，但必须加，否则模型可能为了让不确定集合下的最坏情况可行，无意义地多用新能源。
• 弃风弃光惩罚 (C_{\text{curt}})：鲁棒模型倾向于多预留调节空间，表现为“少用一点不可控的新能源”。加惩罚项可以把这种过度保守拉回来一些。
• 切负荷惩罚 (C_{\text{load}})：数值必须设得足够大（通常是购电价的几十倍），这样才能保证优化结果只在万不得已时才会选择切负荷。
• 储能充放电损耗成本：这里的绝对值函数在MILP里要拆成两个非负变量之和，避免模型出现“同时充电又放电”的荒谬解。

有人会问：为什么惩罚项系数设得不对会导致结果“假最优”？我举个生活化的例子：如果你罚款比停车费还便宜，那大家的理性选择就是乱停车。目标函数里的惩罚项就是那个“罚款”，设小了，优化器就会把弃电和切负荷当成便宜的调节手段，方案表面上成本很低，实际根本不可用。

2.3 不确定集合的设计与保守度调节

鲁棒优化里最讲究的部分其实不是目标函数，而是不确定集合 (U) 怎么界定。常用的是盒式集合（Box）：

[ P_{\text{pv},t} \in \left[ P_{\text{pv},t}^{\text{pred}} - \hat{P}{\text{pv},t}, ; P{\text{pv},t}^{\text{pred}} + \hat{P}_{\text{pv},t} \right] ]

(\hat{P}) 是预测偏差，通常取预测值的15%-25%。但纯粹的盒式集合太悲观，它假设所有时段同时达到最坏偏差，现实中几乎不可能发生。所以工程上更常用带预算约束（Budget）的集合：

[ \sum_{t=1}^{T} \left| \frac{P_{\text{pv},t} - P_{\text{pv},t}^{\text{pred}}}{\hat{P}_{\text{pv},t}} \right| \le \Gamma ]

(\Gamma) 就是鲁棒预算。(\Gamma=0) 时退化为确定性模型；(\Gamma) 越大，方案越保守、成本越高，但抗风险能力越强。实际调参时，我通常先跑一个确定性模型，再逐步增大 (\Gamma)，观察总成本的变化曲线，从中选一个“成本增长可接受、最坏情况不切负荷”的临界点。比如我的算例里 (\Gamma=6) 时成本比确定性模型高约8%，但最坏情况下储能有足够空间兜底，这就是一个比较均衡的取值。

多阶段模型中，不确定集合往往还要加时间耦合约束，比如限制连续偏差时段的数量，或者限制偏差爬坡速率。这些约束让最坏场景更符合物理实际，但也会让子问题变得更难解。后面我会专门说子问题怎么处理。

3. 可再生能源与储能模型的核心细节

3.1 光伏与风电的区间出力建模

光伏和风电在鲁棒模型里的处理方式其实是类似的：先给出预测出力，再在约束中把实际出力表达为“预测值 + 偏差变量”。区别在于两者的出力特性和偏差形态。

光伏出力可以近似表示为：

[ P_{\text{pv},t} = \eta_{\text{pv}} \cdot S_t \cdot A_{\text{pv}} ]

其中 (S_t) 是光照强度，(A_{\text{pv}}) 是光伏阵列面积，(\eta_{\text{pv}}) 是综合效率。实际项目中，你手里往往没有光照原始数据，只有预测出力和历史误差统计。所以更实用的做法是直接对 (P_{\text{pv},t}) 的偏差做区间建模：

[ P_{\text{pv},t} = P_{\text{pv},t}^{\text{pred}} + \xi_{\text{pv},t} \cdot \hat{P}{\text{pv},t}, \quad \xi{\text{pv},t} \in [-1, 1] ]

风电的出力特性则有明显的“尾流”和“爬坡”特征，单区间建模容易低估相邻时段的出力相关性。如果数据支持，我建议对风电加一个爬坡约束：

[ \left| \xi_{\text{wt},t} - \xi_{\text{wt},t-1} \right| \le R_{\text{wt}} ]

这个约束可以防止最坏场景在相邻时段之间做“过山车式”的剧烈跳变。别忘了鲁棒优化的目标本来就是找最坏情况，如果你不约束爬坡，子问题求解器会把不确定性序列构造得非常极端，导致整个方案过度保守。

3.2 储能SOC模型与防同充同放约束

储能是微电网里最重要的灵活性资源，也是鲁棒调度中的“调节器”。它的核心约束是荷电状态（SOC）递推方程：

[ SOC_{t+1} = SOC_t + \frac{\eta_{\text{ch}} P_{\text{ch},t} \Delta t}{E_{\text{es}}} - \frac{P_{\text{dis},t} \Delta t}{\eta_{\text{dis}} E_{\text{es}}} ]

其中 (\eta_{\text{ch}}) 和 (\eta_{\text{dis}}) 分别是充放电效率，(E_{\text{es}}) 是储能额定容量。这里有两个我在复现时深有体会的细节：

第一，充放电功率的上下限约束要分别写：

[ 0 \le P_{\text{ch},t} \le u_{\text{ch},t} P_{\text{ch}}^{\max}, \quad 0 \le P_{\text{dis},t} \le u_{\text{dis},t} P_{\text{dis}}^{\max} ]

并且要加 (u_{\text{ch},t} + u_{\text{dis},t} \le 1) 这个互斥约束。很多人说“我已经把充放电功率都定义成非负变量了，还需要二进制变量吗？”答案是必须的。如果没有互斥约束，数值求解时可能出现同时充放电、能量在电池内部“空转”的情况，即使不计损耗，也会虚增SOC、掩盖功率平衡的真实问题。

第二，SOC的上下限不要取0和1，建议取0.1到0.9。原因很简单：工程上锂电池深度放电会折寿，而鲁棒优化在最坏情况下几乎一定会把SOC推向边界。如果不预留安全裕度，你算出来的“最坏场景可行”在实际中就是“电池过放报警停机”。这个细节属于典型的“代码能跑、方案不能用”的坑。

另外有些模型会要求 (SOC_T \ge SOC_0)，即调度周期结束时的电量不小于初始电量。这在孤岛型微电网里是硬约束，在并网型微电网里可以根据实际运行需求决定要不要加。加了之后，储能无法在一天内“用完”电量，约束了套利空间，但保证了第二天的调节能力。

3.3 负荷与并网功率约束

负荷模型在鲁棒调度里有两种处理方式。简单做法是把负荷当作确定性高精度预测量，只在光伏和风电上构造不确定集合。这种做法计算量小，适用于负荷预测误差远小于新能源出力误差的区域。另一种做法是把负荷也纳入不确定集合，在实际项目中考虑到温度敏感型负荷（空调）的波动幅度确实不小，把负荷不确定性加上更符合真实情况。

并网功率约束是很多人复现时容易忽略的一块。实际微电网和主网的交换功率受到变压器容量、线路载流量和并网协议的共同限制：

[ -P_{\text{grid}}^{\max} \le P_{\text{buy},t} - P_{\text{sell},t} \le P_{\text{grid}}^{\max} ]

同时在目标函数里，(P_{\text{buy},t}) 和 (P_{\text{sell},t}) 各自独立非负，不能用一个可正可负的变量 (P_{\text{grid},t}) 替代，否则电价倒挂时会出现“既买又卖”的逻辑矛盾。处理好这个细节，后面的功率平衡方程才能写干净。

4. MATLAB工程实现：从公式到代码

4.1 总体架构与求解器选型

MATLAB复现鲁棒优化这类问题，最主流的路线是：YALMIP建模 + 商用求解器求解。YALMIP负责把优化问题翻译成求解器能懂的标准形式，你只需要用接近数学公式的语法描述问题。求解器方面，Gurobi 和 CPLEX 是首选，因为它们对MILP（混合整数线性规划）的支持成熟度远高于MATLAB自带的 intlinprog。如果你手头没有商用求解器授权，用intlinprog跑小算例练手没问题，但想复现24时段的鲁棒调度，求解时间会让人崩溃。

我推荐的结构是三层分开：

• 数据层：把所有算例参数（预测出力、负荷、电价、设备参数、不确定度比例）集中到一个脚本或Excel里，用结构体或字典传给上层。
• 模型层：独立函数文件，分别构建主问题（MP）和子问题（SP）。
• 算法层：CCG迭代主循环，负责控制MP和SP的交替求解、更新上下界、收敛判定。

这样分层的好处是后期调试时不用满目录翻代码。尤其是迭代算法里主问题和子问题会反复重构，如果写成一个大脚本，每改一个参数就要跑一遍全局，极其浪费时间。

4.2 主问题构建与关键代码

主问题在CCG的第 (k) 次迭代中写成如下形式：

[ \min_{\mathbf{y}, \eta, \mathbf{x}_1,\dots,\mathbf{x}_k} ; \mathbf{c}^\top \mathbf{y} + \eta ]

[ \text{s.t.} \quad \mathbf{A}\mathbf{y} \ge \mathbf{b} ]

[ \eta \ge \mathbf{d}^\top \mathbf{x}_l, \quad \forall l = 1,\dots,k ]

[ \mathbf{G}\mathbf{x}_l \ge \mathbf{g} - \mathbf{E}\mathbf{y} - \mathbf{M}\mathbf{u}_l, \quad \forall l = 1,\dots,k ]

其中 (\mathbf{u}_l) 是第 (l) 次迭代时由子问题算出来的最坏场景，(\mathbf{x}_l) 是对应场景下的第二阶段变量。注意每轮迭代都会“记住”一个最坏场景，并把对应的决策变量和约束添加到主问题中，这就是“列与约束生成”名称的由来。

MATLAB代码骨架如下：

% 主问题构建（第k次迭代） % y：第一阶段变量（储能充放电状态、购售电状态等） % eta：鲁棒成本上界变量 % x_cell：存储各历史最坏场景对应的第二阶段变量 Constraints = []; Objective = c_y' * y + eta; for l = 1:k Constraints = [Constraints, ... eta >= d_l' * x_cell{l}, ... G * x_cell{l} >= g - E * y - M * u_history{l}]; end ops = sdpsettings('solver', 'gurobi', 'verbose', 0); sol = optimize(Constraints, Objective, ops);

这段代码里最关键的是x_cell这个单元数组，它承载了所有历史场景的决策变量。随着迭代次数增加，主问题规模线性增长，求解时间也会逐步上升。这是CCG的正常现象，不是bug。

4.3 CCG算法的迭代流程

CCG算法的整体流程可以用下面几步概括，这也是我在项目代码里实际执行的顺序：

1. 初始化：设置下界 (LB = -\infty)，上界 (UB = +\infty)，迭代计数 (k=0)，初始最坏场景取预测值。
2. 求解主问题MP，得到最优解 ((\mathbf{y}^{(k)}, \eta^{(k)}))，更新下界 (LB = \mathbf{c}^\top \mathbf{y}^{(k)} + \eta^{(k)})。
3. 固定 (\mathbf{y}^{(k)})，求解子问题SP，得到最坏场景 (\mathbf{u}^{(k+1)}) 和最优值 (f_{\text{SP}}(\mathbf{y}^{(k)}))，更新上界： [ UB = \min(UB, ; \mathbf{c}^\top \mathbf{y}^{(k)} + f_{\text{SP}}(\mathbf{y}^{(k)})) ]
4. 如果 (UB - LB \le \varepsilon)，停止；否则把 (\mathbf{u}^{(k+1)}) 作为新列加入主问题，(k = k+1)，返回第2步。

这里有一个很容易忽视的细节：初始场景为什么要取预测值？因为第一次迭代时主问题里没有任何“不确定场景”，如果直接设一个空集合，主问题会得到一个“永远乐观”的解，导致后续上界更新异常。用预测场景初始化可以让算法在一个物理合理的起点上启动。

另一个细节是收敛阈值。我建议不要一开始就设 (10^{-6}) 这种高精度，而是先跑一遍看迭代趋势。正常情况下CCG在10-20次迭代内能收敛到 (10^{-3}) 量级，如果超过30次还不收敛，几乎可以肯定模型或代码里有问题，而不是精度不够。

4.4 子问题的对偶处理

子问题是整个项目里最“劝退”的部分，因为它的结构是 max-min 嵌套：

[ \max_{\mathbf{u} \in U} \quad \min_{\mathbf{x} \in F(\mathbf{y}^*, \mathbf{u})} \mathbf{d}^\top \mathbf{x} ]

MATLAB的优化工具箱不认识这种嵌套结构，所以必须把内层min用对偶定理转换成max，把双层问题变成单层问题。转换后的子问题变成：

[ \max_{\mathbf{u}, \boldsymbol{\lambda}} ; \boldsymbol{\lambda}^\top (\mathbf{g} - \mathbf{E}\mathbf{y}^* - \mathbf{M}\mathbf{u}) ]

[ \text{s.t.} \quad \boldsymbol{\lambda}^\top \mathbf{G} = \mathbf{d}, \quad \boldsymbol{\lambda} \ge 0 ]

其中 (\boldsymbol{\lambda}) 是内层最小化问题的对偶变量。但这里还有个麻烦：目标函数里出现了 (\boldsymbol{\lambda}^\top \mathbf{M}\mathbf{u}) 这种双线性项。针对这个双线性项，工程上常用的处理办法是：

• 如果不确定变量 (\mathbf{u}) 的集合是连续盒式集合，可以通过考察目标函数对 (\mathbf{u}) 的单调性，直接把 (\mathbf{u}) 取到区间端点，把双线性项变成线性项。
• 如果加了预算约束，(\mathbf{u}) 的取值受整体约束影响，不能逐个取端点，需要用KKT条件或引入辅助变量线性化。更常见的做法是对带预算约束的子问题再做一次对偶，把原来对 (\mathbf{u}) 的max“拉平”，形成纯线性规划。
• 在MATLAB里，最省事的路线是用bisect或直接对几个候选极端场景做枚举，配合稀疏化技巧截断大规模不确定集合。虽然理论上不严格，但工程上速度快、结果也经常足够好。

我个人的建议是：第一阶段复现时先不要加预算约束，用纯盒式集合把整套CCG跑通，确认真实性没问题后，再加预算约束并重写子问题。这样能大幅降低初期的调试难度。

5. 完整复现过程：一个24时段算例

5.1 算例参数设置

为了让大家有一个能直接对照的基准，我给出一个小型区域微电网的算例参数。这个规模用MATLAB加Gurobi在普通笔记本上可以比较舒服地跑完。

负荷数据和新能源预测数据我建议手动构造一组“有峰谷特征、有一定相关性”的时间序列。所谓相关性，是指光伏出力白天高、夜间低，负荷在傍晚出现晚高峰，风电夜间略强于白天。如果数据是完全随机生成的，模型虽然能跑通，但结果图没有任何业务含义，不方便你判断方案是否合理。

5.2 逐步跑通流程

第一步，把数据整理好，画出预测曲线。这一步花10分钟，能帮你省下后面几小时的排错时间。比如一眼就能看出预测数据里有没有突兀的尖峰或负值，这些都是后续模型不收敛的常见诱因。

第二步，先跑一个不带不确定性的确定性模型。如果你连确定性模型都跑不出合理结果，就不要碰鲁棒。确定性模型的功率平衡长这样：

[ P_{\text{pv},t}^{\text{pred}} + P_{\text{wt},t}^{\text{pred}} + P_{\text{dis},t} + P_{\text{buy},t} = P_{\text{load},t} + P_{\text{ch},t} + P_{\text{sell},t} + P_{\text{curt},t} ]

注意这个公式里我把习惯上的负荷放到了等式左边、销售放到了右边，这样写更直观反映物理含义：左侧是“出力侧”，右侧是“消纳侧”。

第三步，加入不确定集合，只对光伏和风电构造区间。这时功率平衡改写为：

[ (P_{\text{pv},t}^{\text{pred}} + \xi_{\text{pv},t} \hat{P}{\text{pv},t}) + (P{\text{wt},t}^{\text{pred}} + \xi_{\text{wt},t} \hat{P}{\text{wt},t}) + P{\text{dis},t} + P_{\text{buy},t} = P_{\text{load},t} + P_{\text{ch},t} + P_{\text{sell},t} + P_{\text{curt},t} ]

不确定变量 (\xi) 只出现在约束右侧的常数项吗？不是，它出现在功率平衡的等式中。这带来一个棘手的问题：等式约束在不确定性下几乎不可能对所有场景都严格满足。处理办法是把功率平衡拆成两个不等式，或者把等式“嵌入”子问题中，让第二阶段变量 (\mathbf{x}) 去平衡不确定性。实际建模中，我倾向于把功率平衡拆成两个不等式约束，分别对应“出力不足时必须从主网/储能上调”和“出力过剩时必须弃电/下调”，这样鲁棒约束的可解性会好很多。

第四步，实现CCG迭代。建议在循环里打印每轮迭代的LB和UB，格式类似：

Iter 1: LB = 12834.2, UB = 15921.7, Gap = 19.4% Iter 2: LB = 13620.5, UB = 14880.3, Gap = 8.5% ...

看着Gap一点点缩小，是复现这个项目最让人安心的时刻。

5.3 结果怎么看、怎么验证

算完之后不要急着截图写报告，先做三件事：

第一，对比确定性方案和鲁棒方案在“最坏场景”下的表现。把确定性方案带入子问题，计算其最坏场景成本；再把鲁棒方案带入同一个子问题，观察成本差异。这个差异就是“买鲁棒性”的价格。如果差异只有2%-3%，说明你的不确定性集合太宽松，方案偏浪费；如果差异超过20%，要审视是不是预算(\Gamma)设得太大，或者子问题里最坏场景构造得太极端。

第二，检查SOC曲线。正常的调度结果里，储能在电价低谷时充电、电价高峰时放电，SOC曲线呈现“U形”或“驼峰形”交替。如果看到SOC在一天内剧烈震荡，很可能是充放电互斥约束没生效，或者效率参数设置有问题。

第三，检查是否出现弃电和切负荷同时发生的现象。逻辑上，如果系统还能切负荷，说明它处于缺电状态，就不应该再弃掉新能源出力；反过来，如果已经有弃电，说明电源过剩，就不应该切负荷。两者同时出现的最常见原因，是惩罚系数设置失衡或者功率平衡约束写错，需要回头排查。

6. 复现途中踩过的坑与排查方法

6.1 子问题对偶推导出错

这个坑几乎每个做CCG的人都踩过。内层min的对偶推导涉及约束方向、变量符号、对偶变量可行性条件，任何一个符号写错，子问题求出来的“最坏场景”就不是真正的最坏场景，CCG主问题会往错误方向迭代，最终结果发散或者收敛到一个虚假的最优值。

我的建议是对照“原问题-对偶问题”转换表逐条检查，重点看等式约束对应的对偶变量是否自由、不等式方向是否一致。另外强烈建议先写一个小规模的随机数值测试：固定 (\mathbf{y}^*)，手动枚举几个候选极端场景，对比子问题数值解和枚举结果是否一致。这一步能快速定位对偶写错的位置。

6.2 收敛慢怎么办

CCG收敛慢的原因通常有三个。第一个是初始场景太离谱，导致前几轮迭代主问题规模膨胀很快。解决办法是用“预测场景+若干历史极端场景”共同初始化。第二个是子问题存在多个等价最优解，每次返回的最坏场景跳来跳去，主问题始终无法“钉住”最坏方向。可以在子问题目标里加一个极小值的正则项来稳定场景输出。第三个是数值缩放不当，变量量纲跨度太大，比如功率用MW、容量用MWh、成本用元，三者数值相差好几个数量级，导致求解器数值困难。做法是统一定标到同一单位，比如都用kW、kWh、元，成本指标控制在千元的量级。

6.3 数值病态与求解器选择

还有一个我印象很深的坑：大M参数设置不当。很多人在把逻辑约束线性化时引入大M，结果M取成了 (10^6)，导致LP松弛质量极差，MILP求解时间暴增，甚至出现“看似满足互斥约束、实际违反物理约束”的病态解。我的经验是用“物理上合理的最大可能值”来取M，而不是随手写一个很大的数。比如购电量上限是2MW，那么与购电状态相关的M取2.5就够，完全没有必要取 (10^6)。

另外实测下来，同一问题在Gurobi和CPLEX上的求解速度可能有明显差异，但更重要的差异在MIP gap的默认公差设置。如果你发现求解结果中出现“极小负数”的功率或SOC，多半是求解器默认的整型容忍度和可行性容忍度太松。在求解器参数里把IntFeasTol和FeasibilityTol收紧一个数量级，通常能解决。

6.4 常见问题速查表

7. 从复现到落地的一些扩展想法

CCG和鲁棒优化在微电网调度里只是第一步。我跑通这个项目之后，最大的感受是：鲁棒模型给你的是“底牌”，而真正提升运行效益的，是底牌之上的策略套件。

一个很容易叠加的方向是需求响应。把一部分柔性负荷（空调、热水器、充电桩）纳入可调范围，它们可以在最坏场景下主动削减用电，既降低了鲁棒性的成本溢价，又提高了系统调节能力。另一个方向是把鲁棒框架从“单微电网”扩展到“多微电网互联”，此时不确定集合还要考虑多个微电网之间的功率交互和分布式协调。这两个方向在建模本质上没有跳出CCG的框架，只是变量规模和约束数量上了一个台阶。

还可以在求解端做文章。当24时段模型规模太大、CCG迭代次数增多时，可以考虑把不确定集合按时段块分解，或者用“场景聚合”减少子问题求解次数。我见过有些实现把CCG和Benders分解混合使用，用Benders处理子问题里的线性部分，用列生成处理不确定性场景，收敛速度比纯CCG快不少。不过混合算法的调试难度也跟着上去了，适合团队协作而不是单打独斗。

回到这次复现本身，我的体会是：鲁棒优化这个方向，纸面上最难的是数学公式，实际上最难的永远是“公式到代码”的翻译过程。对偶推导、大M取值、约束方向、单位统一，任何一个小地方出错，浪费的时间都是以天计。建议每个准备复现的朋友都养成一个习惯——每写完一个模块，立刻用极小规模算例做数值验证，不要等整套代码跑起来再debug。那样的话，排查时间和心智负担都会小很多。最后再分享一个小技巧：所有鲁棒相关的模型函数里，给每个变量和约束写清楚物理单位注释，三个月后回头看代码，你会感谢当时的自己。