1. 为什么两阶段鲁棒优化能扛住不确定性1.1 微网调度里的不确定性从哪来做微网调度的朋友应该都有同感光伏和风电的出力曲线预测值画出来漂亮真放进优化模型里就让人头疼。上午晴天可能接近满发一片厚云飘过来十分钟内出力掉一半。负荷同样不好伺候电动车集中充电、工厂交接班、季节性负荷切换误差很难消除。这带来一个很直接的问题调度方案到底按哪个值来算按预测值算实际偏差一大功率平衡约束直接失效储能还没来得及响应频率就压不住按最保守值算白天光伏明明能发到500千瓦你偏偏按300千瓦做计划燃气轮机多烧不少油经济性全毁了。这种两头为难的处境正是“不确定性”给调度建模出的难题。通常我们把不确定性来源分成三类可再生出力波动光伏、风电的间歇性受天气、云层、风速影响小时级波动明显。负荷预测误差由用户行为、电价响应、临时性用电需求引入。设备故障与通信延迟部分设备突然退出、遥测数据滞后也让调度方案在执行时走样。如果只做一个确定性模型等于默认预测无误差这不现实。如果做一个随机规划需要知道不确定量的概率分布而且采样规模一大求解负担立刻上来。实际工程里我们往往连准确分布都拿不到只有历史数据的边界范围这时候鲁棒优化的思路更贴地气它不追求概率精确只要求无论真实值落在给定区间内哪个点方案都能保证可行且成本可控。1.2 确定性模型为什么撑不住先看一个典型的确定性微网调度模型长什么样。目标函数一般是最小化运行成本包括燃气轮机的燃料成本、储能老化折算、购电成本再加上弃光弃风惩罚和切负荷惩罚。约束条件里有功率平衡、机组出力上下限、爬坡约束、储能SOC递推、充放电功率约束等等。写成一个紧凑形式min Σ_t ( C_fuel(P_g(t)) C_buy(t) C_pen * P_curt(t) ) s.t. P_g(t) P_pv_forecast(t) P_dis(t) - P_ch(t) P_grid(t) P_load_forecast(t) - P_curt(t) SOC(t) SOC(t-1) ( η_ch * P_ch(t) - P_dis(t)/η_dis ) * Δt / E_max 机组出力上下限、爬坡约束、储能充放电上下限其中 P_pv_forecast 和 P_load_forecast 都是预测值。问题在于这两个数一旦偏离实际等式约束就不成立。储能或许能削峰填谷但容量有限功率爬坡速率也有限扛不住持续的系统性偏差。有的朋友会在确定性模型里手动加旋转备用容量比如把光伏预测乘一个0.8的系数把负荷预测乘一个1.2的系数。这种做法本质上是用一个“拍脑袋”的粗糙鲁棒化替代严格的鲁棒建模给出的运行方案往往不是过保守就是欠保守。过保守时燃气轮机几乎一直在线储能利用率极低欠保守时一旦出现极端天气方案直接失效。1.3 两阶段决策结构与鲁棒模型框架两阶段鲁棒优化的想法比较直观把调度决策拆成两拨。第一拨决策叫“预调度决策”在不确定量实现之前就要定下来比如燃气轮机的启停状态、储能的充放电计划、与电网的交换功率合约。这些决策要么涉及物理启停、要么涉及中长期协议临时改的成本很高甚至改不了。第二拨决策叫“实时调整决策”在不确定量实现之后调度员可以根据实际的光伏出力和负荷水平微调机组的出力、储能的功率、以及是否切负荷。这一层是“等看到牌再出牌”能把不确定性带来的偏差通过局部调整消化掉。用数学语言描述就是把原问题写成 min-max-min 的形式min_x a^T x max_u min_y∈F(x,u) b^T y s.t. A x ≥ c这里 x 是第一阶段的预调度变量u 是不确定向量光伏出力、负荷等y 是第二阶段变量。F(x,u) 表示给定 x 和 u 后第二阶段可行域它包含功率平衡、机组出力约束、储能约束等。对每个固定的 x我们需要找到让第二阶段成本最大的那个 u也就是最恶劣场景然后优化 x 使得“最恶劣场景下的总成本”最小。这个结构有一个很关键的性质第二阶段决策不是预测性的而是对每个 u 都可以重新优化。所以模型找到的最优解不等于“某个最坏场景下的最优”而是保证无论 u 落在不确定集内哪一个点第二阶段都有办法调整到满足所有约束。这也是它比单纯在最坏场景下做确定性优化更科学的地方——后者会过度保守前者充分利用了“事后调整”的灵活性。2. CCG算法的原理拆解主问题与子问题如何交替迭代2.1 从Benders到CCG的思路变迁两阶段鲁棒问题难在哪难在 max-min 这个子问题里最恶劣场景 u 本身是连续变量我们不可能把无穷多个场景枚举出来。于是工程上常用分解算法把大问题拆成主问题和子问题交替求解。早期经典做法是广义Benders分解思路是把子问题的对偶信息例如目标值对u的梯度作为割平面一层层加到主问题中去。这种做法在纯线性、强对偶成立的场景下可行但收敛速度偏慢尤其是第二阶段变量里混入整数变量时对偶割的处理变得很别扭。CCGColumn-and-Constraint Generation列与约束生成的思路完全不同。它不把对偶信息做成割平面而是每轮迭代直接让子问题找出一个“最恶劣”的场景u再把这个场景对应的那批约束和变量原封不动塞进主问题。每加一次主问题就多一个场景对应的“完整截面”决策变量也相应多一组。所以叫“列与约束生成”列记的是新增变量组约束记的是这些变量对应的约束集。两种思路的差别可以看这张表对比项Benders分解思路CCG思路加入主问题的信息对偶割平面对目标函数的切支最恶劣场景对应的完整变量组与约束第二阶段整数变量处理麻烦对偶割难做只要子问题能求解结构天然适配收敛速度相对慢割平面拟合渐进快通常10次内收敛到工程可接受精度实现复杂度对偶推导繁琐代码绕子问题解出来直接“搬进”主问题直观CCG之所以在微网调度里几乎成了标配就是因为这个“每轮加一组实际场景约束”的做法非常符合调度员的直觉不断让优化模型见识更恶劣的场景模型就会不断修正预调度方案最终得到在所有场景下都稳健的方案。2.2 主问题结构每轮都在长个子假设我们已经迭代了 k 轮找出了 k 个最恶劣场景分别记为 u1, u2, ..., uk。主问题写成min a^T x α s.t. A x ≥ c α ≥ b^T y_i , i 1,...,k y_i ∈ F(x, u_i), i 1,...,k这里 α 是一个辅助变量表示第二阶段成本的一个上界近似。主问题的目标函数里第一项是一阶段成本第二项 α 要被约束成至少覆盖每个已知场景下的二阶段成本。由于我们只掌握了 k 个场景主问题对真实最恶劣成本的估计是“乐观”的所以主问题最优值通常会低于真实最优值被记为 LB。注意主问题规模会随迭代次数线性增长。每找到一个新场景就新增一组第二阶段变量和大约 T 个时段的约束。我最早实现时没意识到这个增长会拖慢求解迭代到15轮后主问题规模已经非常可观后面会专门讲怎么缓解。2.3 子问题对偶化与双线性项处理主问题解出 x 后固定 x要解决第二阶段那个 max-min 子问题max_u min_y b^T y s.t. B y ≤ g - C x - D u u ∈ U对于固定的 u内层是一个线性规划。LP和LP之间满足强对偶所以可以把 min_y 改写成一个对偶 max 问题。设对偶变量为 λ子问题变成max_{u, λ} λ^T ( g - C x - D u ) s.t. B^T λ b λ ≥ 0 u ∈ U看上去清爽很多但这一改写立刻引入一个麻烦目标函数里出现 λ^T D u 这种双线性项λ 和 u 都是变量问题不再是线性或二次凸规划而是非凸双层混合问题。如果不处理直接扔给求解器Gurobi会报非凸或者干脆求出一个没有意义的解。标准处理方法是线性化双线性项。以单个时段的 u_t 和 λ_t 为例如果 u_t 的波动范围固定我们可以把它归一化写成 u_t u_mean_t Δu_t其中 Δu_t ∈ [0, 1]再引入辅助变量 z_t 来替换 Δu_t * λ_t。用big-M约束模拟乘积z_t ≤ M * Δu_t z_t ≤ λ_t z_t ≥ λ_t - M * (1 - Δu_t) z_t ≥ 0当 Δu_t 0 时前两条约束把 z_t 压到 0当 Δu_t 1 时后两条约束保证 z_t λ_t。这样双线性项就变成一组线性约束。big-M的取值不是瞎拍的我一般取 λ 理论上界再乘一个放大系数。λ 的边界可以从对偶约束 B^T λ b 逆推或者直接按成本系数的数量级乘上5到10倍作为M。M取太大数值稳定性会变差取太小又可能切掉可行解。这个尺度要实测调整。2.4 CCG完整迭代流程把主问题和子问题串起来完整流程分四步第一步初始化。设置 UB∞LB-∞场景集合为空给定一个初始可行的第一阶段决策 x0。如果没有现成x0可以先解一个不考虑鲁棒性的确定性模型拿一个初始解。第二步固定当前 x求解子问题。子问题解出最恶劣场景 u* 和该场景下的第二阶段成本 b^T y*。固定 x 时这个成本是“实际要花的钱”所以 a^T x b^T y* 可以作为当前轮次的候选 UB如果比上一轮UB小就更新。第三步把这个 u* 作为一个新场景加入主问题。主问题新增一组变量 y_new 和约束 y_new ∈ F(x, u*)以及 α ≥ b^T y_new。重新求解主问题得到新的 x 和主问题目标值这个目标值作为新的 LB。第四步收敛判断。如果 |UB - LB| / UB 小于设定的阈值比如0.01或者用绝对差小于某个值说明最恶劣场景下的成本已经和主问题乐观估计非常接近算法终止否则回到第二步继续迭代。这个流程理解起来不难但工程实现上每个环节都有细节。我自己第一次实现时主问题动态加约束的代码写得很快反而是子问题的对偶推导和双线性项线性化花了一周多的时间去调试数值问题层出不穷。后面第三、四章会把这部分经验尽量讲清楚。3. MATLAB实战从数据准备到核心代码3.1 工具箱选型与求解器配置MATLAB环境里做两阶段鲁棒CCG最顺手的组合是 YALMIP Gurobi。YALMIP擅长把优化模型从“人脑想的数学形式”直接映射成代码隐藏了变量索引、约束拼接的很多底层细节。Gurobi负责实际的LP/MILP求解速度和数值稳定性都比MATLAB自带求解器好不少。YALMIP里定义优化变量用 sdpvar定义约束用 [] 拼起来定义目标函数后调用 optimize 和 sdpsettings 设置求解器参数。这套接口对CCG非常友好尤其是在子问题对偶化这一步YALMIP的 dualize 命令可以自动把LP转成对偶问题省去了手推对偶的出错风险。我建议除非你是为了教学演示否则就别手推对偶了直接用 dualize效率和准确性高得多。备用方案是用MATLAB自带的 intlinprog 和 linprog。如果问题规模不大比如单微网、24时段、机组数小于5一阶段的MILP和子问题的LP都能跑。但当迭代轮数增加、主问题规模膨胀后intlinprog的求解速度明显跟不上我实测大概20台机组、24时段的问题它就可能跑到几分钟一轮这种量级还是建议上Gurobi。3.2 不确定集与数据准备不确定集的构建是整个模型里最影响结果质量的环节。我常用的不确定集是“盒式 预算约束”的组合。以光伏出力为例定义P_pv(t) P_pv_forecast(t) ΔP * w(t) w(t) ∈ [-1, 1] Σ_t |w(t)| ≤ Γ前半部分是盒式约束保证了每个时段光伏出力都在预测值正负一定比例范围内后半部分是预算约束限制了总偏差不能太大。Γ 的物理含义是一天里光伏出力偏离预测的“总预算”可以理解为最恶劣场景中真正出现极端偏差的时段数。Γ0 时退化为确定性模型Γ24 时最保守。我一般用几个候选值做敏感性分析比如 Γ6、12、18画一条总成本随Γ变化的曲线让决策者根据风险偏好选点。MATLAB数据准备阶段我习惯把所有物理量统一到相同的单位体系。比如功率一律用兆瓦MW能量用兆瓦时MWh时间步长Δt用小时。建议把储能容量、SOC上下限、机组容量、负荷预测值、光伏预测值全部放在同一张表里用MATLAB的表格或结构体管理别散落在不同的变量名里后面调试会省很多事。一个典型的数据结构如下% 时间参数 T 24; % 调度周期时段数 dt 1; % 每个时段时长(h) % 光伏 Ppv_forecast [0 0 0 0.2 0.8 1.2 1.5 1.8 2.0 2.1 2.2 2.4 2.3 2.1 1.9 1.5 1.2 0.8 0.4 0.1 0 0 0 0]; pv_delta 0.2; % 波动幅度比例 Gamma 8; % 离散预算 % 负荷 Pload_forecast [2.1 2.0 1.9 1.8 1.9 2.2 2.5 2.8 3.0 3.1 3.2 3.3 3.2 3.1 3.0 2.8 2.6 2.5 2.4 2.3 2.2 2.1 2.0 2.0]; % 储能 E_max 2.0; % MWh soc_0 0.5; % 初始SOC eta_ch 0.95; eta_dis 0.95; P_ch_max 0.8; % MW P_dis_max 0.8; soc_min 0.2; soc_max 0.9;注意这里的 Ppv_forecast 和 Pload_forecast 都是向量后面要生成的不确定场景都与它们绑定。3.3 主问题建模详解主问题里一阶段变量是燃气轮机启停、预调度出力、储能充放电计划、购电计划。这些变量在YALMIP里用 sdpvar 定义时要有维度% 第一阶段变量 P_dg sdpvar(N_dg, T, full); % 燃气轮机出力 z_dg binvar(N_dg, T); % 燃气轮机启停状态 P_ch sdpvar(1, T, full); % 储能充电功率 P_dis sdpvar(1, T, full); % 储能放电功率 soc sdpvar(1, T1, full); % SOC多一列方便写递推 alpha sdpvar(1, 1); % 第二阶段成本辅助变量注意 z_dg 是二进制变量binvar 是YALMIP里定义0-1变量的方式。P_dg 用 full 是因为我们允许所有机组在所有时段都有变量即使某些时段因为启停状态为0被约束成0。也可以声明成symmetric但不需要。约束的写法要细致一点。以功率平衡为例第二阶段场景 i 会增加一组平衡约束% 主问题约束第一阶段确定性部分 Constraints []; Constraints [Constraints, soc(t1) soc(t) (eta_ch*P_ch(t) - P_dis(t)/eta_dis)*dt/E_max]; % ... 功率平衡、启停关系、爬坡约束等 % 对每个已发现的场景 i加入一组第二阶段变量和约束 for i 1:num_scenarios u scenario_u{i}; y sdpvar(2*N_dg3, T, full); % 根据问题需要定义 Constraints [Constraints, y(:,i) 0]; % 功率平衡约束里引入当前场景 u 作为已知参数 Constraints [Constraints, power_balance_all_stages 0]; Constraints [Constraints, alpha cost_second(y, i)]; end这段伪代码不是能直接跑的版本但表达了一个核心思想每个场景都是独立一组变量约束里把该场景对应的 u 值当成参数写死。YALMIP允许你在约束表达式里直接使用数值向量和sdpvar混合这是很方便的一点。求解主问题的调用很常规ops sdpsettings(solver, gurobi, verbose, 0, gurobi.MIPGap, 0.01); sol optimize(Constraints, cost_first(x) alpha, ops); x_now value(x);sdpsettings 里 gap 设0.01或0.005太严会导致单轮求解时间长。工程上主问题阶段的gap设0.01一般足够。3.4 子问题建模与对偶转化子问题要解决的核心目标是给定 x_now找出一个最恶劣的 u 让第二阶段成本最高。实现上强烈建议用YALMIP的自动对偶功能而不是手推强对偶公式。你只需要写原始的子问题模型然后调用 dualize 命令% 子问题固定 x_now 后的内层最小化部分 y sdpvar(size_y, 1, full); u sdpvar(T, 1, full); % 不确定变量 Constraints_sub []; % 不确定性条件 Constraints_sub [Constraints_sub, geneq_pv pv_delta*Ppv_forecast ... ]; Constraints_sub [Constraints_sub, u_lb u u_ub]; % 内层可行域 Constraints_sub [Constraints_sub, B*y g - C*x_now - D*u]; obj_sub b * y; [dual_model, dual_obj] dualize(Constraints_sub, obj_sub); % 此时 dual_model 是 max 问题dual_obj 是其目标函数dualize 会把原问题转成对偶形式但需要注意的是dualize 处理的是不含二阶段不确定变量 u 的 LP它会把 u 当作参数处理吗不会。如果子问题里同时存在 u 和 y直接 dualize 并不能帮你自动消掉 u因为它处理的是“对 y 的对偶”。所以这部分的正确做法是先用数学推导把 min_y 对偶化得到的双线性问题再交给YALMIP处理线性化后的混合整数规划部分。也可以手动实现。在代码实践上我一般分两步走。第一步在纸面上推导出对偶子问题表达式标注哪些项是双线性的。第二步把这些双线性项用McCormick方法写成一组线性约束然后把整体作为一个MILP交给Gurobi求解。这样的代码结构清晰可调试性强。子问题做完对偶化后注意一个关键细节子问题里 u 本身不是真正“决策变量”意义上的自由变量它的取值受不确定集约束。所以子问题的最优目标值给出的是“当前x下最恶劣场景成本”这个值要用来更新UB。另外子问题求得的 u* 要保存下来作为新场景加入主问题。记得每次固定 x 后子问题里那些和 x 相关的项 C*x_now要先把 x_now 用 value 提取成数值再放进去别让符号变量和数值混在一起否则YALMIP会一直把它当符号问题处理。3.5 CCG主循环与收敛判断流程代码骨架如下UB inf; LB -inf; scenario_list {}; tol 1e-3; k 0; % 先求一个确定性解作为初始x % 初始 x用光伏预测值求解一次确定性模型 x0 solve_deterministic(); x_now x0; while true k k 1; % 1. 固定x_now求解子问题得到最恶劣u*和成本sp_obj [u_new, sp_cost] solve_subproblem(x_now); candidate_UB cost_first(x_now) sp_cost; if candidate_UB UB UB candidate_UB; best_x x_now; end % 2. 加入新场景到主问题 scenario_list{end1} u_new; [x_now, LB] solve_master(scenario_list); % 3. 收敛判断 gap abs(UB - LB) / abs(UB); fprintf(Iter %d: UB%.4f, LB%.4f, gap%.4f%%\n, k, UB, LB, gap*100); if gap tol break; end % 安全上限避免死循环 if k 50 warning(迭代次数超过50强制退出); break; end end这个循环里有一个很容易忽略的问题子问题求解得到的 u* 对应的最小化 y* 是否可行如果某个 u 下第二阶段根本找不到满足约束的 y说明当前一阶段决策 x 在这个场景下是“不可行”的。这种情况需要引入“可行性子问题”判断不可行场景并生成可行性割。大多数文献里用松弛变量来软化第二阶段的功率平衡约束即允许切负荷或弃电这样每个场景下都能找到可行解只是成本里带有惩罚项。实际上微网调度本来就有切负荷约束所以引入切负荷惩罚不会让模型失真反而更贴近真实运行。收敛阈值 tol 的选择也要注意。设成1e-6理论上挺好但工程上主问题MILP及子问题MILP本身都有gap误差你很难让外层迭代收敛到那么精确。我一般设1e-3配合主问题gap 0.01已经能保证方案成本和连续迭代间的差异在工程可接受范围。再往下追精度成本只多走两个小数位换来的却是更长的求解时间不太划算。4. 实操中踩过的坑与排查方法4.1 双线性项没处理直接求解这是实现CCG时最容易出的问题而且报错时提示往往很隐晦。我之前在某次实验里子问题偷懒没做双线性项线性化直接把 λ^T D u 写进目标函数结果求解器要么报“Problem is non-convex”要么给一个莫名其妙的保守解而不告诉你为什么错了。排查方法很简单检查子问题目标函数里是否存在两个符号变量的乘积项。如果不想手工推导线性化一个技巧是把不确定变量 u 提前离散成一个候选场景集合比如把每个时段的u取预测值、上限、下限三档然后做枚举。这样每个候选场景下子问题退化成普通LP求最大值变成查表完全绕开双线性项。但缺点是离散化会降低最恶劣场景的精确度候选组合数也可能爆炸3的24次方这不可能枚举完所以只适合测试代码逻辑不建议作为正式方案。实际生产我还是用big-M线性化。M的取值要测试先用一个足够大的M比如1000求解小规模问题看最优解是否落在可行域边界附近然后再逐渐缩小M观察最优解是否变化。如果M降为某个值之后最优解不再变就说明这个M够用了。我自己的经验是M取成本系数的100倍左右通常稳妥。4.2 子问题不可行——可行性割的坑如果第二阶段变量是被切负荷和弃电完全“惯着”的那么子问题天然可行。但如果模型设置里没有任何松弛手段第二阶段在极端场景下就可能无解。典型情况是储能容量太小某几个连续时段光伏出力为零且负荷很高燃气轮机满出仍不够用。此时如果直接跳过UB会偏低算法最后收敛到一个错误的方案。正确做法是增加一个可行性检查子问题min_{y, s} 1^T s s.t. B y s ≥ g - C x - D u s ≥ 0如果最优松弛量大于0说明当前x在该场景下不可行生成一个可行性割加入主问题。CCG中常把这个割写成包含第一阶段变量的不等式本质上告诉主问题“这个x在这个场景下不可行换个方案”。这个环节调试起来有点繁琐所以更推荐从一开始就在建模层面引入可中断负荷、弃电这些松弛手段把不可行风险转化为成本惩罚工程上通用得多。4.3 不确定集设置不合理导致结果失真我遇到过一种情况盒式不确定集把每个时段的光伏波动范围都设成随时段独立的 ±20%但实际光伏的是波动在时间上是连续相关的最恶劣场景解出来的是早上7点光伏满发8点突然变09点又满发——这种锯齿形场景物理上几乎不可能出现。结果CCG给出的调度方案成本很高但拿到真实数据上跑发现一次也没遇到那么离谱的光伏曲线方案的鲁棒性被“假想的极端场景”白白消耗掉了。解决办法是为不确定集增加时间耦合约束。例如加一个时间连续性的爬坡限制限制相邻时段不确定量偏差的变化范围不超过某个值。或者用“多时段预算约束”让极端偏差在时间上换取预算而不是每个时段独立取极值。这类约束不会破坏子问题的线性结构只需要在子问题里额外写几行不等式而已但对结果合理性的改善非常明显。如果你手头有历史数据建议先统计一下光伏出力的相邻时段变化率分布用分位数定这个爬坡上界别凭空拍。4.4 收敛慢与求解时间过长CCG迭代轮数通常不会太多20轮以内基本能收敛。真正拖慢整体求解的是每一轮里求解主问题MILP和子问题MILP的时间。随着场景数增多主问题变量规模线性增长我实测中迭代到10轮时主问题可能已经有上千个二进制变量单轮求解就要几十秒。有几个实用的提速手段。第一给主问题设置一个合理的MIPGap阈值不要用默认的1e-4。微网调度成本通常百万级万分之一误差就是几百块但从求解时间看差距可能是一倍到两倍。我一般设0.005或0.01。第二warm start。Gurobi支持MIP start把上一轮主问题解得的二进制变量作为本轮主问题的初始解传入可以明显减少分支定界时间。YALMIP里的做法是用 assign 给变量赋初值然后在 optimize 前调用。第三子问题用的是固定x之后的LP或MILP可以给子问题的求解也用热启动保存上一轮的对偶变量作为初始值。第四削减不确定集规模。把24时段聚合成几个时段块比如峰平谷三段或者用滚动窗口只对近期8小时做细致鲁棒后期用确定性模型。这样求解时间能降低一两个数量级代价是鲁棒性精度损失一点工程上往往可接受。4.5 参数数量级差异导致的数值问题微网模型里储能容量经常是几MWh机组出力是几百千瓦光伏预测是几十千瓦SOC是0到1的小数成本系数涉及度电成本几毛钱。这些数量级混在一起求解器的数值容差就容易被触发表现为约束轻微违规或收敛抖动。我的经验是两个动作。第一所有物理量统一到同一单位功率全部用MW能量用MWh。第二把SOC和不确定归一化变量尽量设计成0到1的范围。最典型的做法是SOC不用MWh用百分比即本来 SOC_energy/E_max 的范围在0到1之间这样递推公式变成 SOC(t1) SOC(t) (η_ch*P_ch(t) - P_dis(t)/η_dis)*Δt/E_max本质上做一次归一化但能明显改善加数值稳定性。如果某个约束的系数跨了三个数量级可以在建模时对该约束两侧同时乘一个大数或者做变量替换让系数矩阵的条件数不要太过。数值问题如果出现通常表现为相邻两次迭代成本来回跳收敛判据始终不满足这时不要猛调收敛阈值先回头检查参数单位。5. 个人几点体会与后续扩展方向5.1 学习路径建议如果你想从零上手两阶段鲁棒CCG我建议的学习顺序是先彻底搞懂确定性微网调度建模把功率平衡、储能SOC、机组爬坡这些约束在MATLAB里完整跑通然后加入盒式不确定集做最直接的两阶段鲁棒版本最后再学CCG——先看子问题对偶推导再用MATLAB按我的代码骨架实现先跑小规模案例比如3台机组4个时段验证结果合理后再放到24时段。一个实用的小技巧先用一个已知答案的“手算题”验证实现正确性。比如设不确定集只有两个极端场景那么两阶段鲁棒的最优解应该和“两个场景分别优化的加权或最坏成本”一致。如果你用这个测试通过说明主问题、子问题、迭代、收敛判断这四个模块基本没问题。我在给某课题组做内训时就用这种验证方法学员能快速定位自己代码中的逻辑错误比反复看报错信息更高效。5.2 值得关注的新方向CCG本身已经比较成熟但围绕它的扩展方向不少。首先是数据驱动的不确定集。传统盒式不确定集用的是边界区间而数据驱动方法会根据历史数据构造一个更紧凑的不确定集例如用支持向量描述历史偏差的置信边界或者用矩信息构造分布鲁棒。这类做法能降低保守度在光伏数据噪声小的场景里成本可以明显下降。其次是分布鲁棒优化。随机规划和鲁棒优化之间其实有一条折中的路就是分布鲁棒。它假定不确定量服从一个有界的分布集合优化的是最坏分布下的期望成本。这个方向模型更复杂解法也往往嵌套CCG但现在工具链越来越成熟研究者和工程人员的接受度提高很快。第三是多微网协同下的分布式CCG。单个微网的CCG通常能一次求解但微网群联合调度时问题规模猛增于是出现了把CCG和交替方向乘子法结合、或者用多主多从博弈框架的尝试。这个方向既考验优化功底也考验编程实现能力感兴趣的朋友可以关注。最后再分享一个小技巧在MATLAB里把CCG的每一轮迭代结果保存下来包括UB、LB、场景曲线、机组出力和SOC曲线画成图逐轮回放。我第一次把第1轮、第5轮、第10轮的调度曲线对比着看时真正理解了这个算法“通过不断修正预调度方案来逼近最恶劣成本”的动态过程。调试时如果发现某轮UB不降反升先别急着怀疑求解器90%的可能是一阶段决策x在这次子问题里记错了。把x用固定值代入手工核算一遍很快就能定位问题。鲁棒优化模型的代码复杂调试的关键是尽量把问题拆小、看清每一轮变量的变化而不是指望一口气写完整个程序直接跑通。
