能源系统中的分布鲁棒优化与Wasserstein距离应用

1. 能源系统的不确定性挑战

傍晚六点的城市电网迎来用电高峰，燃气轮机正全速运转。此刻的风电场突然出力不足——预测的25m/s风速实际只有15m/s。这种场景在可再生能源占比日益提高的现代电网中越来越常见。传统鲁棒优化方法虽然能保证系统安全，但其"最坏情况"假设往往导致过度保守的调度方案，就像穿着羽绒服过夏天，安全但代价高昂。

2. 分布鲁棒优化原理剖析

2.1 Wasserstein模糊集构建

Wasserstein距离的核心思想是衡量将一个概率分布"搬运"成另一个概率分布的最小成本。在能源调度场景中，我们用它构建历史数据与真实分布之间的可信区域。MATLAB实现中的关键参数epsilon控制着这个可信区域的大小：

matlab复制epsilon = 0.1;  % Wasserstein球半径
N = size(wind_scenarios,1);  % 场景数量
d = pdist2(wind_scenarios, wind_scenarios);  % 场景间距离矩阵

这个距离矩阵d记录了所有风电出力场景两两之间的差异程度。通过求解下面的凸优化问题，我们可以找到最"经济"的概率分布调整方案：

matlab复制cvx_begin
    variable lambda(N)
    minimize( sum(lambda .* d(:)) )
    subject to
        lambda >= 0;
        sum(lambda) == 1;
cvx_end

实际工程中，epsilon的取值需要基于历史数据进行交叉验证。通常建议从0.05开始逐步增大，观察系统成本与风险指标的平衡关系。

2.2 条件风险价值(CVaR)集成

CVaR衡量的是超出VaR(风险价值)的极端损失的平均值。在95%置信水平下，它关注的是最坏的5%场景的平均影响：

matlab复制beta = 0.95;  % 置信水平
cVaR_weights = zeros(N,1);
for i = 1:N
    [~, cVaR_weights(i)] = calculateCVaR(wind_scenarios(i), beta);
end

这个循环遍历所有风电场景，计算每个场景下的CVaR贡献。calculateCVaR函数的内部实现通常包含以下步骤：

1. 对场景进行排序
2. 确定beta分位数位置
3. 计算超出分位数的场景平均值

3. 电-气耦合系统建模

3.1 能量平衡约束

电力系统与天然气系统通过燃气轮机产生耦合。关键的耦合约束体现在能量转换效率上：

matlab复制% 电-气耦合约束
P_grid + 0.35*P_gas == Load_demand;  % 电转气效率系数

这个0.35的系数表示：

• 燃气轮机每产生1MW的电力
• 需要消耗约2.86MW的天然气能量（1/0.35）
• 转换效率约为35%

3.2 备用容量分配

系统需要为风电不确定性预留备用容量。分布鲁棒模型中的备用约束可以表示为：

matlab复制% 上行备用约束
P_grid + R_up >= Load_demand + Wind_uncertainty;

% 下行备用约束
P_grid - R_down <= Load_demand + Wind_uncertainty;

其中R_up和R_down分别表示上调和下调备用容量。与传统鲁棒优化不同，DRO模型中的备用需求是基于概率场景动态调整的。

4. 模型求解与结果分析

4.1 迭代优化过程

求解过程中的典型迭代记录如下表所示：

这个表格展示了算法如何在成本与风险之间寻找平衡点。随着Wasserstein距离增大，系统探索更广泛的分布可能性，从而找到更经济的调度方案。

4.2 关键参数敏感性

beta参数对调度结果的影响可以用以下实验数据说明：

可以看到，随着beta增大（更保守）：

1. 总成本上升
2. 备用容量占比增加
3. 实际风险事件概率降低

5. 工程实现要点

5.1 计算效率优化

大规模系统求解时，可以采用以下加速策略：

1. 场景削减技术：使用k-means等方法对风电场景聚类
2. 并行计算：将CVaR计算分配到多个worker
3. 热启动：利用上一时段的解作为初始点

matlab复制% 并行计算示例
parfor i = 1:N
    [~, cVaR_weights(i)] = calculateCVaR(wind_scenarios(i), beta);
end

5.2 实际部署考虑

在现场部署时需要注意：

1. 数据更新频率：风电预测通常每15分钟更新一次
2. 求解时间要求：调度决策需要在5分钟内完成
3. 硬件配置建议：至少16GB内存，多核CPU

6. 常见问题排查

6.1 模型不可行问题

当出现"infeasible"错误时，可以检查：

1. 备用容量是否足够覆盖最大可能的风电波动
2. 燃气机组爬坡速率约束是否过严
3. 电网与气网耦合约束是否自洽

6.2 数值不稳定问题

若遇到收敛困难，尝试：

1. 缩放变量范围（如将MW转换为kW）
2. 调整求解器参数（如CVX中的精度设置）
3. 添加正则化项

matlab复制cvx_precision high;
cvx_solver mosek;

7. 扩展应用方向

这种DRO框架还可以应用于：

1. 光伏电站出力不确定性处理
2. 电动汽车充电需求预测
3. 多能源市场联合定价

我在实际项目中发现，将电-气系统扩展到包含热力网络后，耦合系数矩阵会变得更为复杂，这时需要特别注意各能源载体之间的单位统一问题。例如，天然气热值通常按kWh/m³计算，而电力常用MW，热力则可能用GJ/h表示。