微电网两阶段鲁棒优化容量配置：将不确定性纳入规划

做微电网容量配置最怕的就是拍脑袋。风光出力说变脸就变脸负荷跟着人的作息起起伏伏你把容量配大了投资成本压死人配小了关键时刻又撑不住场面只能眼睁睁看着停电。我见过太多项目前期用确定性方法算得漂漂亮亮一遇到极端天气调度就露馅。所以我一直认定微电网容量配置这件事不确定性必须被“算进去”而不是被“猜过去”。这篇要聊的“微电网两阶段鲁棒优化容量配置”核心就是干这件事把风光负荷的不确定性用数学语言刻画出来用两阶段鲁棒优化的框架同时优化“配多少设备”和“遇到最坏情况怎么运行”这两个层面的问题。它能帮你回答“配多大的风机、装多少光伏、上几组储能、要不要柴发”这些硬核问题而且在回答时不是拿一份典型日曲线糊弄事而是把最恶劣的风光波动场景也一并扛住。这篇文章适合做微电网规划、园区能源设计、多能互补系统研究的工程师或研究生我尽量把模型原理、参数设定、求解算法、真实案例踩坑全讲透。1. 两阶段鲁棒优化的核心逻辑为什么微电网容量配置绕不开它1.1 风光负荷不确定性到底可怕在哪先聊聊风光和负荷的不确定性本身。风光出力受气象条件影响光伏有昼夜和云层遮挡的问题风电有风速突变的问题负荷端更复杂不仅有日常的早晚高峰规律还有季节变化、用户行为随机波动、极端天气带来的空调负荷激增。这些不确定性的可怕之处在于它们并不独立存在而是互相叠加的。比如一个多云且风速骤降的下午光伏出力断崖式下跌风电出力也不稳定此时如果恰好办公楼负荷处于高峰微电网就会同时面对“供给萎缩需求攀升”的双重挤压。这种情况下如果容量配置时只用了典型日的平均数据系统的备用容量大概率不够要么频繁切负荷要么把储能充到冒烟。更麻烦的是光伏、风电、负荷的不确定性在时间上还有相关性傍晚光伏出力下降时负荷往往在上升凌晨风电波动大时负荷又处于低谷。这些规律如果不显式建模光靠超配容量去兜底成本会高得离谱。所以不确定性的本质不是“波动幅度大”这一个维度而是“多源波动时间耦合极端场景叠加”的综合问题。容量配置时如果不把这些因素表达在优化模型里结果就只是“看起来合理”。1.2 两阶段结构投资决策和运行决策的时间分离两阶段鲁棒优化的“两阶段”本质上是模拟了微电网从规划设计到实际运行的时间差。第一阶段是投资决策你得先定下来装多大的风机、装多少光伏板、配几组储能电池、要不要柴油发电机这些决策一旦拍板就变成了沉没成本短期内没法改。第二阶段是运行决策当设备装好了不确定的风光出力、负荷水平开始真实发生微电网调度员根据“已经装好的设备”和“当下实际的风光负荷”去优化每个时段的机组出力、储能充放电、是否切负荷等运行方式。把这两层决策分开建模比一股脑混在一起优化要更贴近工程实际。因为容量配置问题本质上是一个“决策-等待-再决策”的过程你先拍板然后赌的是未来不确定性实现后系统还能不能扛得住。两阶段模型用数学语言说就是第一阶段先选容量配置在给定配置的基础上第二阶段对所有可能的不确定性场景都要保证运行可行并以最恶劣场景下的运行成本作为评价标准。这就带来一个关键性质容量配置既要满足所有场景下的物理约束还要让最坏场景的运行成本在可接受范围内。换句话说它不是优化“平均情况”而是优化“最坏情况发生时的综合成本”。这也是两阶段鲁棒优化与确定性优化最本质的分水岭。1.3 随机优化、鲁棒优化、分布鲁棒三选一我为什么通常选鲁棒在实际项目中处理不确定性有三条主流技术路线随机规划、鲁棒优化、分布鲁棒优化。随机规划假设不确定性参数服从已知概率分布通过采样或场景生成的方式把随机变量离散化成若干场景然后最小化期望成本它的优势是经济性算得准缺点是概率分布往往很难精确获得而且场景数量一旦增多计算规模爆炸式增长。鲁棒优化则完全放弃概率分布只用一个“不确定性集合”来刻画参数可能取值的范围优化目标是保证在不集合内所有场景下都可行同时最小化最坏场景下的成本。它不需要精确概率只要你能给出参数的上界和下界通常基于历史数据识别就能建模求解。代价是结果偏保守因为它在为所有可能发生的情况兜底。分布鲁棒优化介于两者之间需要知道分布的局部信息比如一阶矩、二阶矩在不确定分布集合内找最坏情况下的期望成本。计算复杂度比随机规划低比传统鲁棒优化高但实际工程中矩估计本身也存在误差。我个人的做法是能拿到充足且可信的概率分布数据时用随机规划做经济效益评估但如果做的是容量配置这种“一次投资、长期运行”的规划类问题我更倾向于采用鲁棒优化因为容量配置犯错的代价极高——设备买小了再补装要停工设备买大了钱就砸在冗余上。鲁棒优化的保守性恰恰是为这类高风险决策服务的它给你的是一个“下限保障”即使最坏情况发生系统也不至于瘫痪。1.4 适合哪些场景以及什么情况别用鲁棒优化两阶段鲁棒优化容量配置特别适合这几类场景一是孤岛型微电网系统不能从大电网获得支撑对极端天气的耐受性要求很高二是对供电可靠性有硬性要求的园区比如数据中心、冷链仓储、医疗设施切负荷的代价极大三是风光渗透率高的微电网源侧波动强需要容量配置充分考虑极端出力场景四是应急电源系统需要考虑长时间孤岛运行下的容量保障。但鲁棒优化也不是万能药。如果系统所在区域的风光资源历史数据极少连合理的上界下界都估计不出来不确定性集的构造就只能靠拍脑袋这时候再用鲁棒优化模型给出的结果容易过度保守到不可用。另外如果项目对经济性极其敏感而且确实积累了多年高分辨率实测数据概率分布相对稳定随机规划可能是更好的选择。决策的本质不是选“哪个方法高级”而是选“哪个方法的风险与你的实际场景匹配”。2. 不确定性建模与鲁棒优化模型搭建参数怎么定才不保守2.1 不确定性集三兄弟盒式、预算、椭球鲁棒优化的核心第一步就是构造不确定性集也就是给风光负荷的波动范围划个边界。最常见的三种是盒式、预算和椭球。盒式不确定性集最简单粗暴每个不确定参数独立取值落在自己的上下限区间内。公式写出来就是u ∈ [u_min, u_max]。它的优点是建模容易但问题也明显——所有参数都同时取极端值实际中几乎不会发生结果会非常保守。最坏情况下光伏同时低谷、负荷同时高峰、风电同时停摆这种“建设性的末日场景”让配置结果豪华得离谱。预算不确定性集在盒式基础上加了一个“总偏差预算”Γ限制所有参数偏离预测值的总量之和不超过某个阈值。它是工程实践中最常用的方案。公式上可以写作对一组不确定参数每个参数偏离基准值的幅度不超过单变量波动范围且所有偏离量的加和不超过Γ。Γ就好比一个阀门控制着模型对不确定性的“总容忍度”你调大Γ系统就准备应付更糟的组合配置更保守调小Γ系统就假设各参数不会同时极端化经济性更好。这种集合既能控制保守度又保持了线性结构配合求解算法很顺滑。椭球不确定性集用协方差矩阵描述参数间的相关性是三者中数学上最精细的能反映“光伏低谷时负荷可能也低”这类关联关系但模型中会引入二次约束求解难度明显上升。在容量配置这种本身已经很大的混合整数规划问题里引入椭球约束很容易让求解时间飙升。所以我的建议是入门先上预算不确定性集等项目算稳了再考虑要不要升级到椭球表达。2.2 风光负荷联合不确定性的数学描述单独的盒式或预算集合只刻画每个参数各自波动但在真实微电网里同一个时刻的风光负荷是同时发生波动的它们之间存在时间和空间上的耦合。做容量配置时我习惯把不确定性按“时段”组织把一天的运行周期划分成若干时段比如24小时或96个时段每个时段都有三个不确定源——光伏出力系数、风电出力系数、负荷系数。这样就可以构造一个“联合预算不确定性集”每个时段的光伏出力可以在预测值的[1-δ_pv, 1δ_pv]区间内波动风电在[1-δ_wt, 1δ_wt]区间内波动负荷在[1-δ_load, 1δ_load]区间内波动同时全天内所有时段所有不确定参数的归一化偏差总和不能超过Γ_T。Γ_T控制了“最坏情况下到底有几个时段、几个参数同时大幅偏离”这比简单盒式集合要合理得多。在数学上每个不确定参数可以写成基准值乘以一个偏差因子偏差因子在0到1之间缩放预算约束则限制所有偏差因子的加和。这样处理的好处是你可以很方便地用历史数据统计出每个时段的风光负荷波动范围比如用过去若干年同期日的数据取每个时段出力的 5% 和 95% 分位数作为上下边界。这个做法可以防止你把波动范围拍脑袋定得太激进或太宽松也让甲方更容易接受。2.3 两阶段鲁棒模型的标准形式与约束清单把两阶段鲁棒容量配置模型写成标准形式核心是第一阶段投资决策层 min 投资成本 W(x)这里的 x 是容量配置决策包括风机安装数量、光伏组件套数、储能额定容量和功率、柴油发电机台数。投资成本包括设备购置、安装、土建、并网配套等一次性费用。W(x) 是第二阶段鲁棒运行成本函数它本身是一个嵌套优化问题。第二阶段运行决策层 W(x) max_u∈U min_y 运行成本(x, u, y)其中 u 是不确定参数风光出力倍数、负荷倍数y 是运行决策变量机组出力、储能充放电功率、弃风弃光量、切负荷量、柴发出力等。模型对所有 u 属于不确定性集 U 的场景都必须有可行 y且按最坏场景下的运行成本来评估。约束体系分几层。第一层是容量约束各设备安装容量不能超过候选上限储能充放电功率受额定功率限制。第二层是功率平衡约束每个时段可再生能源出力柴发出力储能放电购电如果有大电网联络线 负荷 储能充电 弃电。第三层是设备运行约束柴发出力上下限及爬坡约束、储能SOC递推及上下限约束、光伏风电最大出力受不确定参数影响但在限额内调节。第四层是可靠性约束切负荷量不能超过负荷的一定比例这是为了防止模型靠大幅切负荷来“作弊”消解困难场景。模型整体是 min-max-min 嵌套结构无法直接交给商业求解器一次性求解必须通过算法做分解迭代这就引出了后面要讲的列约束生成CCG算法。2.4 预算参数 Γ一个旋钮控制保守度预算参数 Γ 是整套鲁棒模型里最有操作价值的旋钮。它在实际项目中可以直接当成“风险偏好调节器”用。Γ 越大模型认为越多的时段/参数会同时偏离预测值最坏场景越极端容量配置越富裕Γ 越小模型默认大部分时段参数接近预测值配置更经济。怎么确定 Γ一个工程上比较实用的办法是统计历史数据中“实际偏差总量”的经验分布把过去两年每个日内的风光负荷偏差总量算出来按升序排序取某个百分位数比如 90%作为 Γ含义是“模型保障 90% 的历史恶劣组合都能扛住”。如果甲方对可靠性要求极高可以取到 95% 甚至 99%。这个操作虽然粗略但比拍脑袋定 Γ 要靠谱得多而且跟客户沟通时也容易讲清楚逻辑。我在实际项目里还会做一个 Γ 灵敏度分析以 0.5 为步长把 Γ 从 0 扫到一个较大值看总成本和容量配置怎么变化。通常结果是成本曲线呈阶梯式上升某些 Γ 值下配置方案会发生突变比如突然多上一组储能。提交成果时这张“成本-Γ”敏感曲线非常能说明问题也让决策者直观看到“多一分可靠性要花多少钱”。3. 求解算法实现列约束生成怎么把魔鬼问题变成能算的问题3.1 min-max-min嵌套为什么让求解器直接懵两阶段鲁棒模型写成标准形式后看着就是 min-max-min 三层嵌套。商业求解器比如 Gurobi、CPLEX擅长处理的是最小化问题或约束满足问题我能直接算的是 min 或者 max再加一层 min 嵌套就需要做等价变换而现在是三层嵌套直接把外层 min 和中间层 max 以及内层 min 一起丢给求解器求解器并无法直接应答。核心难点在于中间层的 max 是在选“最坏的不确定性参数”内层的 min 是在选“给定参数下的最优运行方式”。要算外层 min 所对应的投资成本与最坏运行成本之和我们必须知道“哪个不确定性参数会导致最高的运行成本”可这个参数又和内层运行优化耦合在一起。如果直接枚举所有不确定性组合就会面临组合爆炸问题24时段、3类不确定源、每个可能取值组合数量根本无法枚举。所以工程上必须采用分解算法把原问题拆成主问题和子问题交替迭代求解。3.2 CCG主问题与子问题的拆解列约束生成算法Column-and-Constraint GenerationCCG是目前求解两阶段鲁棒优化最主流的算法。核心思想是主问题只考虑有限个已识别出的“关键不确定性场景”求解一个普通的两阶段混合整数规划得到容量配置方案和成本下界子问题固定主问题得到的容量配置去搜索不确定性集合中让运行成本最大的那个“关键场景”并把该场景作为新的约束追加回主问题。反复迭代关键场景集合不断扩大主问题的解不断逼近原问题的最优解。主问题在数学上写出来就是外层 min 的优化但内层 max 被替换成“有限个已枚举的关键场景 s”对每个场景都建立一个运行变量副本和一组运行约束。这样主问题就退化成一个确定性混合整数规划直接调用 Gurobi 就能求解。子问题则是在给定容量配置下执行 max_u min_y 的运行成本最大化计算它本身仍是一个双层问题需要通过强对偶条件进一步化简变成一个单层 max 或 min 问题。这种分解办法的妙处在于它把“无限多可能场景”压缩成“逐轮识别出的少数关键场景”。实际迭代中通常只需要十几轮就能收敛到很紧的上下界比场景枚举高效得多。3.3 子问题对偶变换与最坏场景搜索子问题 max_u min_y 的求解是 CCG 的心脏。内层 min 是一个线性规划如果运行模型中没有二进制变量对偶问题也是一个线性规划根据强对偶定理内层 min 的最优值等于其对偶问题的最优值。把对偶问题的目标函数和外层 max 合并后不确定变量 u 和连续变量就出现在同一个最大化问题中目标函数里出现 u 和对偶变量的乘积项这就变成一个双线性优化问题。处理双线性项的标准做法是大M线性化引入辅助变量把双线性项替换为线性约束再用强对偶条件把内层可行性约束转化为外层约束。线性化后子问题就变成一个混合整数线性规划MILP可以交给求解器直接求解。求解出的最优 u* 就是当前配置下的“最恶劣场景”它会被追加进主问题的场景集合。还有一些细节需要注意如果子问题因为对偶问题无界而失败通常意味着原问题不可行需要引入松弛变量比如允许虚拟切负荷给一个极大的惩罚成本把不可行场景变成可行但高成本的场景。这样既不会让算法崩溃也能通过很高的惩罚成本迫使主问题增加容量来避免这种场景。3.4 收敛判据与算法框架伪代码实现要点CCG 的收敛判据是主问题上界UB和下界LB的相对间隙小于某个容忍度。主问题解的目标函数值作为下界因为关键场景集合只是全集的一个子集把主问题解代入子问题得到最坏运行成本加上投资成本构成上界。反复迭代上下界不断逼近直到相对间隙降到设定阈值比如 0.5% 或 1%。我给你一个参考的伪代码框架# 初始化 LB -inf UB inf scenario_set [] # 已识别最坏场景集合 x_star None # 输入数据文件不确定性集参数CCG参数 while (UB - LB) / max(1, UB) epsilon: # 第一步求解主问题 MP # 目标min 投资成本 Σ_{s in scenario_set} 运行成本_s # 约束容量约束 所有已加入场景的运行约束 x_mp, objective_mp, y_solution solve_MP(scenario_set) LB objective_mp # 第二步固定 x_mp求解子问题 SP # SP: max_u∈U min_y 运行成本(x_mp, u, y) # 通过强对偶线性化转化为 MILP u_worst, worst_cost, status solve_SP(x_mp) # 第三步更新上界 UB min(UB, investment_cost(x_mp) worst_cost) # 第四步把最坏场景 u_worst 加入场景集合 scenario_set.append(u_worst) # 输出当前迭代信息 print(iteration, LB, UB, gap)实现时几个要点主问题每次迭代规模会变大因为场景集合在增长但通常几十个场景以内就能收敛所有场景约束里容量决策变量 x 是共用的不同场景的运行变量互相独立这种结构天然适合等待求解器并发处理。此外初始化时最好先生成一个“基准场景”所有不确定参数取预测值保证主问题在最开始就是个可行的确定性模型否则第一步迭代就无解。4. 实操案例某园区微电网两阶段鲁棒容量配置全流程4.1 基础负荷与风光资源数据准备我之前做过一个某园区的微电网容量配置项目就用两阶段鲁棒优化做的。先给你讲数据准备这一步很多新手在这上面栽跟头。负荷数据用的是园区过去一年的15分钟间隔实测数据但不需要直接丢8760小时的数据进模型那样求解规模太大。工程上常用的做法是聚类出几个典型日比如春夏秋冬每个季节选2到3个代表日再叠加一个用于鲁棒校验的“极端场景”。我更推荐的做法是先用确定性模型跑一遍全年小时级数据把最恶劣的若干个时间段挑出来再用这些时段构造不确定性场景。同时从全年数据里统计出每个时段负荷和风光出力的 5%、95% 分位点作为不确定性集的上下边界。这个流程能保证不确定性刻画是基于真实历史数据的而不是凭空设的。本案例里园区峰值负荷约 2.3MW典型日负荷曲线呈双峰特征上午10点和晚上8点左右日用电量约 28MWh。风光资源方面园区所在地年均风速约 5.2m/s年均日照时数约 1400小时。根据历史数据光伏出力因数按季节取 0.12 到 0.85风电出力因数按季节取 0.15 到 0.95。4.2 经济性与运行参数设置经济性参数直接决定配置结果是甲方最关心的部分。设备投资成本参考当时的市场调研价格风机单台容量 0.5MW单位造价约 6500 元/kW光伏单位造价约 3200 元/kW储能按磷酸铁锂系统单位能量成本 850 元/kWh单位功率成本 500 元/kW柴油发电机单位造价 1200 元/kW。运行维护成本按投资成本的固定比例折算风电 2%光伏 1%储能 2%柴发 3%。运行参数的设置也要细扣。储能充放电效率 92%SOC运行范围 10% 到 90%初始SOC 50%爬坡约束柴发每分钟可调pace等。切负荷惩罚成本设得很高每 kWh 设 15 元这样模型才会优先靠增加容量而不是牺牲供电来兜底。弃风弃光惩罚成本设 0.3 元/kWh比最低运行成本略低防止模型乱弃。柴油价格按 7.2 元/升柴发发电效率 0.35折算下来每 kWh 燃料成本大概 1.6 元。4.3 求解迭代过程与最终配置方案模型规模大概是候选风机上限 8 台、光伏上限 4000kW、储能容量上限 3000kWh、柴发上限 2 台运行时段用典型日 24时段。不确定性类型采用预算集合Γ 按历史偏差量 90% 分位数取 8也就是允许 24 小时内总共有 8 个“时段-参数-单位偏差”的累计偏移量。我用 Python 的调用 Gurobi 搭 CCG 框架求解MIP 根对偶间隙设 1%CCG 间隙设 0.5%。迭代过程记录如下矩阵迭代轮次下界万元上界万元相对间隙13216412021.9%23452398513.4%3367140549.4%4372140207.4%5380639974.8%6384439452.6%7387239080.9%8388138960.4%最终配置结果为风电 2 台共 1000kW光伏 2200kW储能 1200kWh / 600kW柴发 1 台1000kW。总投资成本约 3890 万元最坏场景下年运行成本约 720 万元综合年化成本约 1150 万元考虑设备寿命折旧分摊。有意思的是第5轮之后识别出的关键场景不再只是“风光同时低负荷高”而是出现了一些时移场景比如下午光伏充足但负荷陡增、深夜风电骤降但储能亏空。这说明 CCG 搜索到的不只是直观意义上的极端情况还包含了时间耦合导致的“隐性困难场景”这正是两阶段鲁棒优化的价值所在。4.4 和确定性优化方案对比看看钱花哪了为了向甲方说明鲁棒优化带来的可靠性溢价我同时用确定性模型所有不确定参数固定为预测值做了一次容量配置。确定性结果出来时确实更“好看”风电 1 台500kW光伏 1800kW储能 600kWh / 300kW不上柴发总投资约 2680 万元综合年化成本约 850 万元。两套方案对比下来鲁棒方案投资高出约 45%年化成本高出约 35%。这个差距本质上就是“可靠性溢价”——花这笔钱买的是极端场景下系统不瘫痪的保障。我把两套方案放在 90% 分位点对应的最坏场景里做仿真验证确定性方案在极端场景下有 1.2MWh 的失负荷量切负荷时长约 3.2 小时鲁棒方案切负荷量为 0完全孤岛运行可行。这个对比让甲方非常直观地理解了鲁棒优化的价值。当然如果甲方预算极其紧张且对可靠性要求没那么高也可以把 Γ 下调到 4配置方案会在储能和柴发上适当削减综合成本介于两者之间。容量配置的灵活性恰恰体现在 Γ 这个旋钮上。5. 常见问题与排查技巧实录我在实际项目中踩过的坑5.1 高频问题速查表两阶段鲁棒容量配置在落地过程中有几个高频问题我整理成速查表现象可能原因解决方案子问题报不可行运行约束在极端场景下无解比如储能容量不够导致电量失衡引入切负荷松弛变量并设极高惩罚同时检查不确定性集边界是否过于激进CCG 收敛慢间隙长期在 3% 以上初始场景太少或不确定性集预算参数过大首轮加入基准场景和人工设计的极端场景测试 Γ 的合理范围主问题规模爆炸求解时间过长场景集合累积太多每个场景都复制了完整运行模型启用求解器 MIP 热启动保留前一轮解限制单轮求解时间适当放宽 MIP 间隙结果出现大量弃风弃光可再生能源配置偏高但储能和消纳约束不足检查弃电惩罚成本是否设置过低考虑增加储能容量档位储能几乎不参与运行SOC 范围和充放电效率约束设得过紧检查 SOC 运行范围是否过窄储能边际收益是否被柴发运行空间压制5.2 子问题不可行怎么破子问题不可行是初学鲁棒优化时最常撞的墙。根本原因是主问题给的容量配置并不足以应付某个极端不确定性场景导致在功率平衡约束下找不到可行的运行方案。比如极端场景下光伏接近0、风电也不足、负荷却很高储能又已经放空这时候如果没有柴发兜底系统无解。解决思路分两步。第一步在主问题里设置切负荷松弛变量。切负荷允许系统在极端时刻去掉部分非关键负荷但切负荷的代价极高我这里设 15 元/kWh所以模型只有在其他手段全部用尽后才会选择切负荷。这样即使极端场景发生模型也有一个“软着陆”的可行解而不会让算法崩掉。第二步如果切负荷松弛已经加上去还是不可行那大概率是功率平衡约束与储能 SOC 递推约束之间形成了硬冲突。这时建议把不确定性集的边界缩窄一个档位比如把光伏波动下限从 0.5 倍预测值调到 0.4 倍看看模型是否恢复可行并用对偶单纯形法配合冲突分析工具查看哪些约束互相矛盾。调试时不要连续大改参数一次只动一个边界记录结果变化很容易就能定位问题出在哪个约束组合。5.3 收敛太慢的调试三板斧CCG 收敛慢是最影响开发体验的问题。我总结了三招一是初始场景注入不要只从基准场景开始迭代而是用历史数据里几个真正的恶劣天作为初始场景加进主问题。这样第一轮上界就不会太离谱能省掉好几轮迭代。二是热启动每次主问题求解时把上一轮的最优解作为初始可行解传给求解器特别是在场景集合逐轮增长的情况下热启动能让 MIP 求解时间降低一半以上。三是间隙策略分段前几轮用比较大的 MIP 间隙比如 5%快速识别关键场景并建全场景集合等上下界接近了再收紧到 1% 甚至 0.5%。这个“先快后准”的策略可以明显加快整体收敛。还有一招针对子问题本身的把子问题中的双线性项线性化大M系数设得刚刚好不要设成巨大的通用值否则会给求解器带来数值困难。大M系数应该根据变量取值范围估算比如运行成本最大不会超过某个值就按这个值给 M效率能提升不少。5.4 几个值得养成的建模习惯最后聊几个我反复踩坑后养成的建模习惯对做这类项目很有帮助。第一个习惯是所有时间索引的约束和数据都用相同的时间粒度和时区标签。我之前有一次把负荷数据做成15分钟粒度光伏数据却按小时平均导致功率平衡约束在相同索引下对不上结果算出来的配置莫名其妙多了一台柴发。排查了好几天最后发现是时间对齐出了问题。第二个习惯是把不确定性集的边界和预算参数做成外部配置文件而不是硬编码在模型里。因为项目中经常需要做敏感性分析把参数外置之后一组一組跑灵敏度测试就很方便输出“Γ-成本”曲线也更顺畅。第三个习惯是每个场景的运行变量副本用独立的变量名前缀。CCG 每轮加一个新场景对应一批新的运行变量命名如果没做区分后处理统计结果时会很痛苦。代码上用字典按场景编号存变量后处理循环引用也方便。第四个习惯是结果校验不要只看目标函数值一定要把最坏场景下的设备出力曲线、储能SOC曲线、切负荷时段打印出来。目标函数可能收敛了但 SOC 曲线可能在边界上反复弹跳这通常说明储能运行约束建模有偏差。看一眼曲线比看一百个收敛数字都管用。结尾一点个人体会我个人实际做了一个完整项目之后最深的体会是两阶段鲁棒优化容量配置不是单纯的数学题它更像是一个“风险对话工具”。你用它算出来的容量配置方案本质上是在替甲方回答一个问题你愿意花多少钱去抵御多少年一遇的极端场景而预算参数 Γ、切负荷惩罚、不确定性集边界这些参数的设定就是这个对话的措辞。另外还有一个小技巧分享把 Γ 的敏感性曲线画出来交给甲方时对方往往立刻就能理解为什么“多上一组储能”值得多花一百多万——因为那组储能把最坏场景下的停电时间从两小时压到了零。这种直观的工程表达比任何数学模型解释都更能让项目落地。容量配置只是微电网规划的第一步后续在运行阶段还可以把这套两阶段鲁棒框架延伸成鲁棒经济调度、日前日内滚动优化。模型的骨架是通用的改一改决策变量和约束就能迁移。如果你准备在自己项目里试这个方法我建议从小规模案例入手先把 CCG 迭代流程跑通看明白再往企业级数据规模上铺开。模型本身不复杂复杂的是不确定性集的尺度和对工程约束的理解这两点打通了后面的事情就顺了。