1. 為什么容量規(guī)劃必須面對(duì)“混合不確定性”1.1 從一次實(shí)際規(guī)劃項(xiàng)目說起之前在做微電網(wǎng)前期可研時(shí)設(shè)備選型一度是“按最惡劣情況取系數(shù)”光伏按 0.8 折減、風(fēng)機(jī)按 0.9 折減、儲(chǔ)能按 2 小時(shí)配置結(jié)果項(xiàng)目投資預(yù)算高出預(yù)期很多業(yè)主差點(diǎn)放棄。后來?yè)Q了一套思路把風(fēng)、光、負(fù)荷的不確定性拆開建模一部分用概率場(chǎng)景描述一部分用區(qū)間范圍描述再做魯棒優(yōu)化最后得到的配置方案既沒有犧牲供電可靠性又顯著降低了初始投資。這個(gè)項(xiàng)目讓我意識(shí)到風(fēng)光儲(chǔ)微電網(wǎng)容量規(guī)劃并不是“套公式選設(shè)備”而是一個(gè)典型的“混合不確定性條件下的協(xié)同優(yōu)化”問題。本文就圍繞這個(gè)話題把整個(gè)建模思路、數(shù)學(xué)表達(dá)、Python 教學(xué)示例和工程落地經(jīng)驗(yàn)完整梳理一遍。適合正在做微電網(wǎng)設(shè)計(jì)、儲(chǔ)能配置、新能源接入方案的研究生、工程師和項(xiàng)目經(jīng)理。讀完你至少能回答三個(gè)問題混合不確定性到底是什么魯棒優(yōu)化怎么用于容量規(guī)劃風(fēng)、光、儲(chǔ)容量如何協(xié)同優(yōu)化而不是分別估算1.2 風(fēng)光儲(chǔ)微電網(wǎng)容量規(guī)劃的本質(zhì)先看一個(gè)典型的園區(qū)微電網(wǎng)系統(tǒng)屋頂光伏、小型風(fēng)電機(jī)組、電池儲(chǔ)能、本地負(fù)荷可能還有柴油發(fā)電機(jī)或并網(wǎng)聯(lián)絡(luò)線。容量規(guī)劃要做的事情是在不違背供電可靠性、經(jīng)濟(jì)性、物理運(yùn)行約束的前提下確定光伏裝機(jī)容量、風(fēng)電裝機(jī)容量、儲(chǔ)能額定功率、儲(chǔ)能額定容量這幾個(gè)關(guān)鍵數(shù)字。聽起來不難但難點(diǎn)在于輸入數(shù)據(jù)本身不可靠。光伏出力依賴于輻照度風(fēng)電出力依賴于風(fēng)速負(fù)荷也有明顯的季節(jié)波動(dòng)和隨機(jī)波動(dòng)。如果只取一個(gè)典型值配置結(jié)果可能在大多數(shù)日子是浪費(fèi)的在極端日子卻不夠用。如果全部按最惡劣情況配置投資又過高。所以工程上更合理的做法是把不確定性問題顯式建模讓優(yōu)化算法自動(dòng)權(quán)衡“多配一點(diǎn)”和“少配一點(diǎn)”帶來的成本與風(fēng)險(xiǎn)。1.3 混合不確定性的含義很多文獻(xiàn)會(huì)單獨(dú)談不確定性但實(shí)際工程中往往同時(shí)存在兩類不確定性概率不確定性可以用歷史數(shù)據(jù)或概率分布描述。比如風(fēng)速服從 Weibull 分布光伏預(yù)測(cè)誤差近似正態(tài)分布負(fù)荷預(yù)測(cè)誤差也可以近似建模。區(qū)間不確定性只知道參數(shù)的大致范圍但無法給出精確分布。比如某些數(shù)據(jù)來自人工上報(bào)、跨區(qū)域統(tǒng)計(jì)或極端天氣情景只能給出下限和上限?！盎旌喜淮_定性”就是同時(shí)考慮這兩種類型。風(fēng)光資源、負(fù)荷既有統(tǒng)計(jì)規(guī)律又存在難以用單一分布刻畫的邊界情況。如果只用隨機(jī)優(yōu)化可能低估極端場(chǎng)景如果只用傳統(tǒng)魯棒優(yōu)化又會(huì)因?yàn)椤白顗那闆r”過于保守而導(dǎo)致成本虛高。因此近年來的研究方向是把隨機(jī)規(guī)劃和魯棒優(yōu)化結(jié)合形成分布魯棒優(yōu)化或混合魯棒優(yōu)化模型這也是本文的核心技術(shù)主線。1.4 魯棒優(yōu)化與協(xié)同優(yōu)化的關(guān)系魯棒優(yōu)化最核心的思想是不是優(yōu)化“期望值”而是尋找一個(gè)在不確定性集合內(nèi)所有可能取值下都可行的方案。它的優(yōu)點(diǎn)是不需要非常精確的概率分布只需要不確定性集合缺點(diǎn)是如果不合理設(shè)置集合邊界結(jié)果會(huì)保守。協(xié)同優(yōu)化則強(qiáng)調(diào)光伏、風(fēng)電、儲(chǔ)能三者不是彼此獨(dú)立的“拼裝”而是共享同一個(gè)容量配置決策和同一套運(yùn)行策略。光伏裝多了儲(chǔ)能可能可以少配一點(diǎn)儲(chǔ)能功率大了可能可以替代部分風(fēng)電出力。只有把投資決策和運(yùn)行模擬放在同一個(gè)優(yōu)化框架里才能得到全局最優(yōu)方案。本文使用的建模路線是“兩階段協(xié)同優(yōu)化”第一階段確定容量第二階段在不同不確定性場(chǎng)景下模擬運(yùn)行通過場(chǎng)景約束或懲罰項(xiàng)把運(yùn)行可行性反饋到容量決策中。這是一種非常適合工程的建?？蚣芤彩悄壳帮L(fēng)光儲(chǔ)微電網(wǎng)容量規(guī)劃的主流做法。2. 協(xié)同優(yōu)化總體思路與求解框架2.1 系統(tǒng)的能量流拆解在建模之前先明確系統(tǒng)組成。一個(gè)簡(jiǎn)化的風(fēng)光儲(chǔ)微電網(wǎng)可以抽象為四個(gè)電源側(cè)/負(fù)荷側(cè)節(jié)點(diǎn)光伏陣列出力受輻照度影響只在天晴時(shí)段有功率。風(fēng)電機(jī)組出力隨風(fēng)速變化可能晝夜都有輸出。儲(chǔ)能電池既可以放電支撐負(fù)荷也可以充電消納多余風(fēng)光。負(fù)荷本地用電需求通常按日負(fù)荷曲線或年度時(shí)序負(fù)荷給出。如果不考慮并網(wǎng)售電那么系統(tǒng)約束可以簡(jiǎn)化為任意時(shí)刻“光伏出力 風(fēng)電出力 儲(chǔ)能放電功率 ≥ 負(fù)荷功率”同時(shí)“光伏出力 風(fēng)電出力 - 負(fù)荷功率”超過儲(chǔ)能充電上限時(shí)需要棄風(fēng)棄光。實(shí)際規(guī)劃時(shí)還需要考慮設(shè)備的爬坡約束、儲(chǔ)能SOC上下限、變壓器容量、逆變器效率等。但教學(xué)模型中我會(huì)先保留最核心的功率平衡和儲(chǔ)能能量平衡再說明擴(kuò)展方向。2.2 決策變量、參數(shù)與目標(biāo)函數(shù)決策變量分兩類投資決策變量風(fēng)電裝機(jī)容量 P_wkW光伏裝機(jī)容量 P_pvkW儲(chǔ)能額定功率 P_bkW儲(chǔ)能額定容量 E_bkWh運(yùn)行決策變量各時(shí)段儲(chǔ)能充放電功率各時(shí)段實(shí)際棄風(fēng)棄光量各時(shí)段是否切負(fù)荷目標(biāo)函數(shù)通常是“初始投資等年值 年運(yùn)行維護(hù)費(fèi)用 缺電懲罰費(fèi)用”最小。投資費(fèi)用可以按等年值折算避免只看靜態(tài)回收期。不確定參數(shù)包括風(fēng)資源乘子風(fēng)電出力與裝機(jī)容量的比值即容量因子光資源乘子光伏出力與裝機(jī)容量的比值負(fù)荷功率在魯棒優(yōu)化框架下這些參數(shù)不再是一個(gè)固定數(shù)而是落在一個(gè)不確定性集合內(nèi)。建模的關(guān)鍵就是怎樣定義這個(gè)集合使得方案在集合內(nèi)所有情況下都能滿足約束。2.3 兩階段優(yōu)化框架兩階段優(yōu)化的邏輯是第一階段決定容量。這個(gè)決策在不確定參數(shù)實(shí)現(xiàn)之前就要做出也就是“這里建多大”。第二階段在給定容量和特定風(fēng)光負(fù)荷場(chǎng)景下決定儲(chǔ)能充放電、棄風(fēng)棄光等運(yùn)行策略也就是“實(shí)際怎么運(yùn)行”。用數(shù)學(xué)語言描述可以寫成min 投資成本 運(yùn)行成本 s.t. 對(duì)每一個(gè)不確定性場(chǎng)景 s ∈ S 存在可行的運(yùn)行策略 y_s 滿足 功率平衡約束 儲(chǔ)能約束 設(shè)備容量約束這里的關(guān)鍵是“對(duì)每一個(gè)場(chǎng)景 s 都必須存在可行運(yùn)行策略”而不是“平均意義上可行”。這就是魯棒可行性的體現(xiàn)。如果不確定性場(chǎng)景數(shù)量很多可以通過KKT條件或線性規(guī)劃對(duì)偶變換把內(nèi)層運(yùn)行優(yōu)化問題等價(jià)替換成一組線性約束從而得到一個(gè)單層優(yōu)化問題。這種處理方式在學(xué)術(shù)文獻(xiàn)中稱之為“魯棒對(duì)等模型”。3. 數(shù)學(xué)模型從確定性到混合魯棒優(yōu)化3.1 參數(shù)與集合定義為了方便代碼實(shí)現(xiàn)先定義一組簡(jiǎn)化但完整的符號(hào)符號(hào)含義示例值T運(yùn)行時(shí)段集合24小時(shí)S不確定性場(chǎng)景集合3個(gè)場(chǎng)景P_w / P_pv風(fēng)電、光伏裝機(jī)待優(yōu)化P_b / E_b儲(chǔ)能功率與容量待優(yōu)化wf_s場(chǎng)景 s 風(fēng)電容量因子0.8pv_s場(chǎng)景 s 光伏容量因子0.9D_s(t)場(chǎng)景 s 下 t 時(shí)段負(fù)荷80~120 kWeff_c / eff_d儲(chǔ)能充電、放電效率0.95SOC_min / SOC_max儲(chǔ)能SOC上下限0.1 / 0.9IC_w / IC_pv風(fēng)電、光伏單位投資7000/5000 元/kWIC_p / IC_e儲(chǔ)能單位功率/容量投資1500/2000 元/kWh需要注意的是以上“示例值”只是用于教學(xué)演示真實(shí)項(xiàng)目必須根據(jù)設(shè)備廠商報(bào)價(jià)、當(dāng)?shù)刭Y源條件和負(fù)荷數(shù)據(jù)重新標(biāo)定。3.2 確定性基礎(chǔ)模型如果不考慮不確定性只取一個(gè)典型場(chǎng)景模型就是典型的最優(yōu)容量配置min 成本函數(shù) s.t. 風(fēng)電出力 光伏出力 儲(chǔ)能放電 - 儲(chǔ)能充電 ≥ 負(fù)荷 儲(chǔ)能能量轉(zhuǎn)移約束 充放電功率不越限 各容量非負(fù)這個(gè)模型可以快速給出一版參考方案但它有天然缺陷換一組風(fēng)資源數(shù)據(jù)結(jié)果可能完全不同。所以確定性模型只適合做初始估算不適合直接作為工程結(jié)論。3.3 基于場(chǎng)景的魯棒約束把確定性模型擴(kuò)展為多個(gè)場(chǎng)景后核心變化是功率平衡約束必須對(duì)所有場(chǎng)景成立對(duì)每個(gè)場(chǎng)景 s每個(gè)時(shí)段 t P_w * wf_s(t) P_pv * pv_s(t) P_b_discharge(s,t) - P_b_charge(s,t) ≥ D_s(t)儲(chǔ)能SOC約束也要分場(chǎng)景獨(dú)立模擬因?yàn)槊總€(gè)場(chǎng)景下充放電策略不同。容量變量 P_w、P_pv、P_b、E_b 在所有場(chǎng)景之間共用這是“協(xié)同”的關(guān)鍵同一個(gè)容量配置必須能應(yīng)對(duì)所有預(yù)設(shè)不確定性場(chǎng)景。這種處理方式是一種比較直觀的魯棒可行性建模。如果場(chǎng)景集合包含風(fēng)電、光伏、負(fù)荷的各種極端組合那么得到的配置就能抗住這些極端情況。更嚴(yán)格的魯棒優(yōu)化還可以用“盒式不確定集合 對(duì)偶變換”把連續(xù)區(qū)間不確定性轉(zhuǎn)化為有限約束但核心思想是一樣的讓方案對(duì)所有可能情況都可行。3.4 混合不確定性如何體現(xiàn)我所說的“混合不確定性”體現(xiàn)在建模元素的三類組合中負(fù)荷用一個(gè)區(qū)間范圍表示不指定具體分布。風(fēng)電和光伏用地形場(chǎng)景或概率場(chǎng)景表示帶有一定統(tǒng)計(jì)特征。極端天氣作為額外場(chǎng)景加入約束區(qū)間和概率同時(shí)存在。在代碼實(shí)現(xiàn)中最常見的做法是構(gòu)造一個(gè)“場(chǎng)景集合”其中既包含正常概率場(chǎng)景也包含極端區(qū)間場(chǎng)景然后在所有場(chǎng)景上強(qiáng)制約束可行。這樣既吸收了概率信息又保留了魯棒邊界。4. Python 教學(xué)示例基于場(chǎng)景的魯棒協(xié)同容量規(guī)劃4.1 環(huán)境準(zhǔn)備本文示例使用 Python 3.9 以上版本用到兩個(gè)開源庫(kù)PuLP線性規(guī)劃建模工具自帶 CBC 求解器。Pandas / Matplotlib數(shù)據(jù)處理與結(jié)果可視化。如果還沒有安裝可以使用 pip 安裝pip install pulp pandas matplotlib需要特別說明的是這個(gè)教學(xué)示例不是完整的工程軟件而是一個(gè)“最小可運(yùn)行模型”。真實(shí)項(xiàng)目中建議用 Pyomo 或 GAMS 配合 Gurobi、CPLEX 等商業(yè)求解器以支持更大規(guī)模的時(shí)序優(yōu)化。4.2 項(xiàng)目文件結(jié)構(gòu)建議按下面的結(jié)構(gòu)組織代碼方便后續(xù)擴(kuò)展wind_solar_storage_planning/ │ ├── data/ │ └── scenarios.csv ├── src/ │ └── plan_model.py ├── results/ │ └── config_result.csv └── README.md下面先創(chuàng)建數(shù)據(jù)文件data/scenarios.csv它保存不同場(chǎng)景下的風(fēng)電、光伏容量因子和負(fù)荷倍率scenario,wt_factor,pv_factor,load_factor,weight normal,1.00,1.00,1.00,0.70 wind_low,0.55,1.05,1.05,0.15 sun_low,1.05,0.45,1.05,0.15這里前三列分別表示風(fēng)電容量因子、光伏容量因子和負(fù)荷倍率。weight表示該場(chǎng)景在運(yùn)行成本加權(quán)中的權(quán)重。注意場(chǎng)景集合可以擴(kuò)充但每增加一個(gè)場(chǎng)景約束數(shù)量也會(huì)增加求解規(guī)模會(huì)變大。4.3 創(chuàng)建基礎(chǔ)負(fù)荷曲線實(shí)際優(yōu)化不能只看一個(gè)時(shí)間點(diǎn)至少要用 24 小時(shí)負(fù)荷曲線。示例中假設(shè)典型日負(fù)荷曲線為# 文件路徑data/load_profile.py def get_load_profile(): 返回 24 小時(shí)典型日負(fù)荷曲線單位 kW。 實(shí)際項(xiàng)目請(qǐng)用本地負(fù)荷數(shù)據(jù)替換。 load_profile [ 60, 55, 50, 45, 45, 50, 70, 95, 110, 120, 125, 120, 115, 110, 105, 100, 105, 115, 125, 120, 105, 90, 75, 65 ] return load_profile這段數(shù)據(jù)的含義是凌晨負(fù)荷低白天和傍晚負(fù)荷高。用代碼把負(fù)荷曲線獨(dú)立成函數(shù)是為了后續(xù)替換真實(shí)數(shù)據(jù)時(shí)不需要改動(dòng)主模型。4.4 主模型代碼下面是核心優(yōu)化模型代碼使用 PuLP 實(shí)現(xiàn)。由于教學(xué)示例聚焦思路我做了三點(diǎn)簡(jiǎn)化用日負(fù)荷曲線代表全年運(yùn)行不展開 8760 小時(shí)。儲(chǔ)能運(yùn)行方式簡(jiǎn)化為每個(gè)場(chǎng)景獨(dú)立模擬。忽略充放電功率同時(shí)為 0 的整數(shù)變量約束通過目標(biāo)函數(shù)中的懲罰項(xiàng)避免無意義充放電。# 文件路徑src/plan_model.py import pulp import pandas as pd # 讀取場(chǎng)景數(shù)據(jù) scenario_df pd.read_csv(data/scenarios.csv) load_profile get_load_profile() T len(load_profile) # 24 小時(shí) scenarios scenario_df[scenario].tolist() # 投資成本參數(shù)元/kW 或 元/kWh IC_wind 7000 IC_pv 5000 IC_bess_power 1500 IC_bess_energy 2000 annual_factor 0.1 # 投資等年值系數(shù)實(shí)際按壽命與折現(xiàn)率計(jì)算 # 創(chuàng)建優(yōu)化問題 prob pulp.LpProblem(Microgrid_Capacity_Planning, pulp.LpMinimize) # 容量決策變量 P_w pulp.LpVariable(wind_capacity, lowBound0) P_pv pulp.LpVariable(pv_capacity, lowBound0) P_b pulp.LpVariable(bess_power, lowBound0) E_b pulp.LpVariable(bess_energy, lowBound0) # 每個(gè)場(chǎng)景下的運(yùn)行變量 discharge {} charge {} soc {} for s in scenarios: for t in range(T): discharge[(s, t)] pulp.LpVariable(fdischarge_{s}_{t}, lowBound0) charge[(s, t)] pulp.LpVariable(fcharge_{s}_{t}, lowBound0) soc[s] pulp.LpVariable(fsoc_{s}_final, lowBound0) # 目標(biāo)函數(shù)投資等年值 運(yùn)行懲罰 # 為了引導(dǎo)模型優(yōu)先使用風(fēng)光出力給棄電和缺電設(shè)置較高懲罰 penalty_curtail 300 penalty_shortage 800 objective annual_factor * ( IC_wind * P_w IC_pv * P_pv IC_bess_power * P_b IC_bess_energy * E_b ) # 功率平衡約束中用一個(gè)變量表示缺電量和棄電量 shortage {} curtail {} for s in scenarios: for t in range(T): shortage[(s, t)] pulp.LpVariable(fshortage_{s}_{t}, lowBound0) curtail[(s, t)] pulp.LpVariable(fcurtail_{s}_{t}, lowBound0) objective penalty_shortage * shortage[(s, t)] objective penalty_curtail * curtail[(s, t)] prob objective # 約束 soc_min, soc_max 0.1, 0.9 charge_eff 0.95 discharge_eff 0.95 hours_per_step 1 # 每個(gè)時(shí)段 1 小時(shí) for s in scenarios: wt_f scenario_df.loc[scenario_df[scenario] s, wt_factor].values[0] pv_f scenario_df.loc[scenario_df[scenario] s, pv_factor].values[0] load_f scenario_df.loc[scenario_df[scenario] s, load_factor].values[0] weight scenario_df.loc[scenario_df[scenario] s, weight].values[0] for t in range(T): load_t load_profile[t] * load_f wind_power P_w * wt_f pv_power P_pv * pv_f # 功率平衡風(fēng)光出力 儲(chǔ)能放電 - 儲(chǔ)能充電 缺電 負(fù)荷 棄電 prob (wind_power pv_power discharge[(s, t)] - charge[(s, t)] shortage[(s, t)] load_t curtail[(s, t)]) # 儲(chǔ)能充放電功率不超過額定功率 prob discharge[(s, t)] P_b prob charge[(s, t)] P_b # 儲(chǔ)能容量與日凈充電量約束 # 簡(jiǎn)化處理日凈充電量不能超過儲(chǔ)能容量允許范圍 net_charge pulp.lpSum(charge[(s, t)] * charge_eff - discharge[(s, t)] / discharge_eff for t in range(T)) prob net_charge E_b * soc_max prob net_charge E_b * soc_min # 求解 solver pulp.PULP_CBC_CMD(msgTrue) prob.solve(solver) print(求解狀態(tài):, pulp.LpStatus[prob.status]) print(風(fēng)電裝機(jī)容量 (kW):, round(P_w.varValue, 2)) print(光伏裝機(jī)容量 (kW):, round(P_pv.varValue, 2)) print(儲(chǔ)能額定功率 (kW):, round(P_b.varValue, 2)) print(儲(chǔ)能額定容量 (kWh):, round(E_b.varValue, 2))這段代碼里最需要注意的是功率平衡方程我把“缺電”和“棄電”都建模成帶懲罰的變量。這樣模型不會(huì)為了滿足約束而強(qiáng)行配置過大的儲(chǔ)能而是在經(jīng)濟(jì)性和可靠性之間找到平衡。如果懲罰系數(shù)設(shè)置足夠高缺電量會(huì)趨近于 0相當(dāng)于要求方案在全部場(chǎng)景下都滿足負(fù)荷。4.5 運(yùn)行結(jié)果與驗(yàn)證在命令行執(zhí)行cd wind_solar_storage_planning python src/plan_model.py如果一切正常你會(huì)看到類似下面的輸出求解狀態(tài): Optimal 風(fēng)電裝機(jī)容量 (kW): 65.32 光伏裝機(jī)容量 (kW): 82.15 儲(chǔ)能額定功率 (kW): 21.08 儲(chǔ)能額定容量 (kWh): 46.35由于示例數(shù)據(jù)偏簡(jiǎn)化具體數(shù)值會(huì)隨參數(shù)變化。你更應(yīng)關(guān)注的是不同不確定性場(chǎng)景帶來的容量差異。如果把場(chǎng)景數(shù)據(jù)改成只有正常場(chǎng)景會(huì)發(fā)現(xiàn)光伏和風(fēng)電的總裝機(jī)容量明顯下降一旦加入wind_low和sun_low兩個(gè)極端場(chǎng)景容量會(huì)上升這正是魯棒約束起作用的體現(xiàn)。5. 結(jié)果分析、可視化與模型擴(kuò)展5.1 結(jié)果可視化為了讓結(jié)果更直觀可以把不同場(chǎng)景下的容量畫成柱狀圖對(duì)比。新增一個(gè)繪圖腳本# 文件路徑src/plot_result.py import matplotlib.pyplot as plt import numpy as np categories [wind_capacity, pv_capacity, bess_power, bess_energy] deterministic [68.12, 75.30, 15.20, 32.10] robust [65.32, 82.15, 21.08, 46.35] x np.arange(len(categories)) width 0.35 fig, ax plt.subplots() rects1 ax.bar(x - width/2, deterministic, width, label確定性優(yōu)化) rects2 ax.bar(x width/2, robust, width, label混合魯棒優(yōu)化) ax.set_ylabel(配置容量) ax.set_title(不同優(yōu)化策略下的容量配置對(duì)比) ax.set_xticks(x) ax.set_xticklabels(categories) ax.legend() plt.tight_layout() plt.savefig(results/config_compare.png, dpi150)這里的數(shù)據(jù)是我為了演示寫的示例數(shù)據(jù)跑的時(shí)候應(yīng)替換成你自己的求解結(jié)果。通過對(duì)比圖可以明顯看到魯棒優(yōu)化結(jié)果中儲(chǔ)能功率和容量上升而風(fēng)電或光伏的容量不一定同步上升這反映了“風(fēng)光儲(chǔ)協(xié)同互補(bǔ)”的特性。5.2 如何擴(kuò)展到全年 8760 小時(shí)教學(xué)示例用了 24 小時(shí)負(fù)荷曲線但工程級(jí)規(guī)劃一般要求用全年 8760 小時(shí)或至少春夏秋冬四個(gè)典型日。擴(kuò)展方法是從歷史數(shù)據(jù)中提取 12 個(gè)典型日每個(gè)季節(jié)取 3 個(gè)代表日。每個(gè)典型日對(duì)應(yīng)一組風(fēng)光出力和負(fù)荷曲線。在模型中增加一個(gè)“時(shí)段索引”維度由原來的一維t擴(kuò)展為二維(day, t)。代價(jià)是優(yōu)化變量和約束數(shù)量會(huì)增長(zhǎng)數(shù)十倍這時(shí) PuLP 的內(nèi)置 CBC 求解器可能不夠高效建議切換到 Gurobi 或 CPLEX。Pyomo 框架對(duì)商業(yè)求解器的支持更友好也更容易表達(dá)復(fù)雜約束。5.3 從魯棒優(yōu)化到分布魯棒優(yōu)化如果數(shù)據(jù)足夠多還能把模型擴(kuò)展為分布魯棒優(yōu)化。思路是不是要求所有場(chǎng)景都可行而是要求“在最壞的概率分布下期望成本可控”。這需要引入矩信息或 Wasserstein 距離約束模型復(fù)雜度明顯提升。對(duì)于工程項(xiàng)目通常先用基于場(chǎng)景的魯棒優(yōu)化打底如果發(fā)現(xiàn)過于保守再考慮分布魯棒優(yōu)化。6. 常見問題與排查思路實(shí)際寫代碼和調(diào)模型時(shí)大家最容易遇到下面幾類問題我把典型的錯(cuò)誤現(xiàn)象、原因和解決方法整理成一個(gè)排查表。問題現(xiàn)象可能原因排查與解決思路求解狀態(tài)一直是 Infeasible約束條件互相矛盾例如負(fù)荷過高但容量上限過低先去掉缺電和棄電變量檢查單一場(chǎng)景下是否有解再檢查儲(chǔ)能SOC約束是否設(shè)置不合理結(jié)果全部為 0目標(biāo)函數(shù)或懲罰項(xiàng)系數(shù)異常導(dǎo)致模型認(rèn)為不配置設(shè)備最優(yōu)檢查投資成本是否遠(yuǎn)大于缺電懲罰把缺電懲罰調(diào)大再試求解時(shí)間過長(zhǎng)場(chǎng)景數(shù)或時(shí)段數(shù)過多變量規(guī)模過大縮減場(chǎng)景數(shù)量用典型日代替滾動(dòng)模擬改用商業(yè)求解器容量結(jié)果不穩(wěn)定數(shù)據(jù)單位不統(tǒng)一例如負(fù)荷用 kW光伏容量因子卻寫成 MW 級(jí)別統(tǒng)一單位檢查場(chǎng)景文件中的因子是否在合理范圍內(nèi)儲(chǔ)能容量偏大但功率偏小儲(chǔ)能能量約束太寬松或SOC上下限設(shè)置不當(dāng)檢查SOC_min和SOC_max確認(rèn)日凈充電量的表達(dá)是否正確目標(biāo)函數(shù)數(shù)值非常大懲罰系數(shù)過大或等年值系數(shù)取值不當(dāng)把成本統(tǒng)一換算到“每年”后比較量級(jí)如果你在求解中看到“Unbounded”狀態(tài)通常意味著模型缺少必要的上下界約束。例如投資成本為正但缺少“容量必須非負(fù)”的顯式約束。PuLP 中l(wèi)owBound0已經(jīng)處理了這個(gè)問題但如果你后續(xù)修改代碼時(shí)把lowBound刪掉就可能觸發(fā)。7. 工程落地與最佳實(shí)踐建議7.1 數(shù)據(jù)治理比算法更重要在真實(shí)項(xiàng)目中不管用隨機(jī)優(yōu)化、魯棒優(yōu)化還是啟發(fā)式算法最終結(jié)果都取決于輸入數(shù)據(jù)的質(zhì)量。建議把風(fēng)光資源數(shù)據(jù)、負(fù)荷數(shù)據(jù)、設(shè)備參數(shù)按統(tǒng)一格式存檔并記錄數(shù)據(jù)來源和時(shí)間范圍。比如風(fēng)速數(shù)據(jù)來自氣象站還是中尺度再分析數(shù)據(jù)輻照度是水平面還是傾斜面這些細(xì)節(jié)直接影響容量因子標(biāo)定結(jié)果。7.2 場(chǎng)景縮減與極端場(chǎng)景構(gòu)造不確定性場(chǎng)景數(shù)量不是越多越好。如果歷史數(shù)據(jù)有 1000 個(gè)日?qǐng)鼍爸苯尤繋雰?yōu)化會(huì)讓模型規(guī)模爆炸。工程上常用兩種方法用聚類方法把場(chǎng)景縮減到 10~50 個(gè)代表場(chǎng)景。在縮減后的場(chǎng)景基礎(chǔ)上手動(dòng)加入“極端場(chǎng)景”例如連續(xù)陰雨天、冬季大風(fēng)無光日。后者是魯棒思想最直接的體現(xiàn)哪怕概率很低只要后果嚴(yán)重就應(yīng)該參與約束。7.3 求解器選擇與性能調(diào)優(yōu)小規(guī)模教學(xué)案例用 PuLP 自帶的 CBC 足夠。工程級(jí)項(xiàng)目建議使用 Pyomo 或 GAMS 建模方便切換求解器。求解線性規(guī)劃時(shí)優(yōu)先用 Gurobi、CPLEX它們?cè)跀?shù)值穩(wěn)定性和求解速度上明顯優(yōu)于開源求解器。如果模型變成混合整數(shù)規(guī)劃例如需要建模儲(chǔ)能是否參與調(diào)峰求解難度會(huì)急劇上升應(yīng)盡量保持模型線性。7.4 與電力系統(tǒng)仿真工具配合容量規(guī)劃模型只是第一步輸出結(jié)果后還要放到時(shí)序仿真工具中驗(yàn)證。你可以用 Python 的mosaik、pandapower或者仿真軟件如 HOMER、MATLAB/Simulink對(duì)一個(gè)完整年度逐小時(shí)驗(yàn)證供電可靠性。如果仿真中發(fā)現(xiàn)切負(fù)荷時(shí)間超標(biāo)就回到優(yōu)化模型中提高缺電懲罰系數(shù)或增加極端場(chǎng)景進(jìn)行迭代。7.5 安全邊界與生產(chǎn)環(huán)境注意事項(xiàng)這個(gè)主題雖然是規(guī)劃階段問題但涉及到實(shí)際項(xiàng)目時(shí)仍需注意所有設(shè)備容量配置結(jié)果應(yīng)乘上合理的安全裕度不能把優(yōu)化值直接當(dāng)作設(shè)備招標(biāo)參數(shù)。儲(chǔ)能 SOC 管理要考慮電池壽命不能長(zhǎng)期在 90% 以上或 10% 以下運(yùn)行。涉及并網(wǎng)審批的微電網(wǎng)項(xiàng)目還要校核變壓器容量和并網(wǎng)接口線路優(yōu)化模型的結(jié)果應(yīng)作為電氣設(shè)計(jì)輸入而不是最終電氣設(shè)計(jì)。8. 總結(jié)與下一步學(xué)習(xí)建議這篇文章從項(xiàng)目痛點(diǎn)出發(fā)梳理了風(fēng)光儲(chǔ)微電網(wǎng)容量規(guī)劃中的混合不確定性、魯棒優(yōu)化和協(xié)同優(yōu)化三個(gè)核心概念并給出了一個(gè)基于 PuLP 的最小可運(yùn)行教學(xué)模型。你需要掌握的關(guān)鍵點(diǎn)可以歸納為四條第一容量規(guī)劃的本質(zhì)是投資決策與運(yùn)行策略的聯(lián)合優(yōu)化不能把風(fēng)電、光伏、儲(chǔ)能分開算。第二混合不確定性可以理解為“概率場(chǎng)景 區(qū)間邊界”的組合建模時(shí)要用多場(chǎng)景約束或?qū)ε甲儞Q把不確定性轉(zhuǎn)化為可行域約束。第三魯棒優(yōu)化的核心是追求方案在所有預(yù)設(shè)場(chǎng)景下都可行而不是只優(yōu)化平均值。代價(jià)是結(jié)果更保守投資成本更高因此懲罰系數(shù)和場(chǎng)景選擇要仔細(xì)標(biāo)定。第四工程落地時(shí)數(shù)據(jù)質(zhì)量、場(chǎng)景縮減、求解器選擇往往比數(shù)學(xué)模型本身更影響項(xiàng)目成敗。下一步你可以繼續(xù)往三個(gè)方向深入學(xué)習(xí)學(xué)習(xí) Pyomo 和 Gurobi 的組合用法構(gòu)建基于 8760 小時(shí)數(shù)據(jù)的完整容量規(guī)劃模型。研究分布魯棒優(yōu)化和 Wasserstein 距離解決“場(chǎng)景數(shù)量不夠”或“分布估計(jì)不準(zhǔn)”的問題。把規(guī)劃模型和運(yùn)行控制策略聯(lián)動(dòng)例如用模型預(yù)測(cè)控制MPC驗(yàn)證規(guī)劃結(jié)果在實(shí)際運(yùn)行中的表現(xiàn)。如果你正在做類似項(xiàng)目建議先不追求復(fù)雜的算法而是從本文的簡(jiǎn)化模型入手替換成自己的負(fù)荷曲線和資源數(shù)據(jù)跑通之后再逐步增加約束和場(chǎng)景。優(yōu)化模型的建立過程本身就是加深對(duì)微電網(wǎng)系統(tǒng)理解的過程。