电热系统分布鲁棒优化：1-范数与∞-范数约束实践

1. 项目背景与核心挑战

电热综合能源系统作为现代能源互联网的重要组成部分，其优化运行面临着多重不确定性挑战。传统随机规划方法需要精确的概率分布假设，而实际上可再生能源出力和负荷需求的历史数据往往有限且存在偏差。这正是分布鲁棒优化（Distributionally Robust Optimization, DRO）方法的价值所在——它只需要知道真实分布属于某个模糊集（ambiguity set），而不需要假设具体的分布形式。

本项目聚焦1-范数和∞-范数约束下的两阶段分布鲁棒优化模型，这两种范数约束分别对应着不同的风险偏好：

• 1-范数（曼哈顿距离）约束构建的模糊集包含所有与经验分布在一定"总偏差"范围内的可能分布
• ∞-范数（切比雪夫距离）约束则限制每个数据点的最大偏差

这种数据驱动的方法特别适合处理电热系统中风电/光伏出力的间歇性和用户用能行为的随机性。我在参与某区域综合能源系统项目时，就曾遇到传统随机规划方案在实际运行中效果大幅下降的情况——因为实际数据分布与预设的Weibull分布相差甚远。

2. 数学模型构建与解析

2.1 两阶段优化框架设计

第一阶段决策变量（x）代表设备容量、基础出力等"here-and-now"决策，需要在不确定性揭示前确定；第二阶段变量（y）对应"wait-and-see"的实时调度决策。我们的目标是最小化最坏情况下的期望总成本：

min_x [c^T x + max_{P∈Ω} E_P Q(x,ξ)]
s.t. Ax ≤ b

其中Q(x,ξ)是第二阶段问题的最优值，Ω是由1/∞-范数约束定义的模糊集。在Matlab实现时，我习惯先用结构体定义问题参数：

matlab复制problem.c = [generation_cost; storage_cost]; 
problem.A = [capacity_constraints; coupling_constraints];

2.2 范数约束的物理意义

1-范数约束（Σ|p_i - p̂_i| ≤ ε₁）更关注总体偏差的管控。在某工业园区项目中，我们通过调整ε₁发现：

• ε₁<0.1时系统过于保守，储能设备利用率不足60%
• ε₁>0.5则风险过高，出现5%的概率会超出调节能力

∞-范数约束（max|p_i