企业官网建设流程全解析

风电并网之后的调度安排，跟传统火电完全不是一个玩法。风速一阵风过来，风电场出力可能从满发掉到三成，功率预测曲线到了第二天，误差依然能到10%以上。这个项目想干的事情，就是把“风电随机性”明明白白地放进动态经济调度模型里，用Matlab搭建一套可运行的随机优化求解程序，最终输出计及风电不确定性的多时段机组出力和备用安排。文章面向电力系统方向的研究生、做新能源并网规划的工程师，以及所有需要上手随机调度的Matlab用户。我会从模型设计、场景生成、代码实现到调试心得，完整讲一遍。

1. 从确定性调度到随机性调度：模型设计的底层逻辑

1.1 风电随机性为什么让“确定性模型”失效

传统动态经济调度（DED）假设负荷和风电出力都是已知的，在单一预测场景下求总成本最低的机组出力计划。但实际上风电预测误差大，且误差随时间尺度增长，短时调度尤其敏感。用一个固定的预测值代替随机分布，结果就是：要么预留了过多旋转备用，成本虚高；要么备用不足，实际运行时可能发生切负荷。电力系统的调度决策是要在天气未定的情况下提前做出来的，所以这个“随机性”必须被建模。

从数学上看，确定性DED是“单一场景”问题，而随机DED必须处理“可能出现的情况集合”。目标函数不再是单一场景下的成本，而是所有可能场景下的期望成本，约束也要逐场景满足，这直接导致问题规模成倍扩大。但这一步绕不过去，因为调度计划要覆盖未来24小时甚至更长的窗口，风电出力的不确定性在任何时段都存在，忽略它就是在拿可靠性换经济性。

1.2 动态经济调度里，“动态”两个字到底指什么

静态经济调度只管单个时段，机组出力满足当前时刻的负荷和备用就完事。动态经济调度要连续决策每个时段（比如15分钟一个断面，共96个时段）的机组出力，并考虑机组爬坡速率约束、启停状态约束、水电和储能等跨时段耦合。风电随机性带来的另一个麻烦是：上一时段的低出力可能耗尽爬坡能力，导致下一时段面对高出力却无法降下来；反过来，高出力后的骤降也可能让机组爬坡跟不上。所以调度模型必须把时间耦合约束和随机场景同时放进决策层，这正是项目中最复杂的地方。

动态模型里还藏着“时序逻辑”问题。机组启停状态是日前决策，不能等看到实际风电再定；而机组出力可以在日内根据实际风电调整。时间上，启停变量是全时段耦合的，出力变量又跨场景独立，这种一阶段、二阶段混合结构，是随机动态调度区别于普通动态调度的根本原因。

1.3 场景法、机会约束还是鲁棒优化

在Matlab建模时，我比较过三条技术路线。

• 场景法（随机规划）：生成大量风电出力场景，目标函数用场景概率加权求期望。实现直观，能直接得到不同场景下的出力调整方案，但场景多了模型规模大。
• 机会约束规划：要求系统在给定置信水平（比如95%）下满足备用约束，把随机约束转成概率约束。求解时需要分位点或线性化转换，代码稍复杂，但不会带来场景维度的爆炸。
• 鲁棒优化：只考虑最恶劣场景，保证所有可能情况都不越限。不用概率分布，但结果通常偏保守，经济性差。

这个项目最终采用“场景法+旋转备用附加约束”的组合。原因是：场景法能给出期望成本和逐场景可行解，旋转备用约束又能弥补极端场景样本不足的问题；在保证风险可控的同时，求解时间还在工程可接受的范围内。如果你要发表论文，建议在基础模型上再加机会约束对比，能显著提升说服力。

1.4 为什么选Matlab做主战场

不少工程问题我会用Python+Gurobi，但Matlab在这个场景下仍然有优势。YALMIP工具箱允许用接近自然语法的方式描述优化问题，矩阵计算、后处理和绘图一体化，配合Matpower可以省掉大量电网拓扑数据读写的功夫。代码写好后，无论是复现论文还是教学演示，都比纯Python方案更直观。

另外，Matlab的调试工具对数组维度检查很友好。随机调度模型里到处是三维变量，用Python的numpy写起来一旦维度广播出错，报错信息很飘；Matlab里敲一个size()就能肉眼确认。对于学生党，Matlab的矩阵思维还能帮助理解优化模型的结构，这点是隐形的学习收益。

2. 风电随机性建模：场景生成与缩减

2.1 风速概率分布到风电出力功率曲线的映射

风电出力的随机性根源是风速。风速通常用两参数Weibull分布描述，形状参数和尺度参数可以通过历史数据拟合。但调度中更常用的是风电功率预测值加上误差分布。风电功率预测误差的经验分布近似服从均值为0、方差随时间变化的拉普拉斯或正态分布，极限情况还会出现“削顶”现象——预测满发但实际出力受限。

建模时我采用这种处理方式：先利用预测风速曲线和风功率转换曲线，得到基准风电出力序列P_w_base(t)，再在每个时段叠加一个随机误差项ε(t)，误差标准差取该时段预测出力的一定比例。这里有个反直觉的点：满发区间的误差反而小，因为风速超过额定风速后出力已经被“钳制”在额定值，所以误差分布要用条件分布去处理，不能在全功率区间套同一个方差。

2.2 拉丁超立方采样加相关性的场景生成流程

生成随机场景不能简单对每个时段独立采样，因为相邻时段的风速有强相关性，任意生成会出现“这一小时满发，下一小时零出力”的极端跳变，和现实不符。我的做法是：

1. 确定采样规模N，例如1000个初始场景。
2. 对每个时段的预测误差随机变量，用拉丁超立方采样（LHS）得到N个等概率分位点样本。
3. 根据历史风速数据估算时段间相关系数矩阵，用Cholesky分解处理相关性，让生成的误差序列在时间维度上平滑。
4. 将误差叠加到基准出力序列上，并做上下限截断，保证出力在[0,额定值]范围内。
5. 得到N个场景，每个场景有T个时段的风电出力序列。

这步的细节直接影响后续优化结果。LHS比普通蒙特卡洛的收敛速度更快，需要5000个样本才能达到的效果，LHS用1000个就差不多。相关系数矩阵如果随便设成单位阵，后续场景会显得“支离破碎”，机组爬坡约束会被虚假的极端跳变卡死。这一步我花了不少时间调试，最终发现用历史数据直接算相关矩阵最可靠。

2.3 场景缩减：从1000个到10个的关键手段

优化模型里每个场景都会成倍增加决策变量和约束数量，1000个场景对混合整数规划来说根本没法在可接受时间内求出可行解。所以必须做场景缩减。场景缩减的常用方法有两种：K-means聚类和同步回代消除。

我推荐用同步回代消除法，因为它在概率意义上保留了场景集的“最小期望距离”。基本思路是：

• 给每个场景一个初始概率1/N。
• 每次找到一对“距离最近”的场景，把概率小的那个合并到概率大的那个，并累加概率。
• 重复直到场景数达到预设目标。

用这个方法把1000个场景缩减到10个后，样本概率不再是均匀的，优化时要用每个场景的概率作为权重。这个权重一定要正确传给目标函数，否则最后算出来的是算术平均成本，不是期望成本。我自己第一次就是漏了概率归一化，结果期望成本比确定性模型还低，明显是错的。

2.4 数据清洗和相关性校验

实际风电数据不会像论文里那么干净。我遇到过几类问题：数据里包含风机停机检修导致的长期零出力、限电导致的出力平台期、还有传感器跳变毛刺。这些异常样本如果不清洗，拟合出来的误差分布和相关系数矩阵都会失真。处理办法是：先设置出力变化率阈值剔除毛刺，再用滑动窗口填充停机段，最后用Q-Q图看看残差是否接近假设分布。

3. 动态经济调度模型的数学表达与约束处理

3.1 目标函数：期望成本怎么“写进”优化器

随机动态经济调度的目标函数是总期望成本，我通常包含四项：

• 燃料成本：常规机组出力构造上的二次函数a_i P_i^2 + b_i P_i + c_i。
• 启动成本：每次冷态启动或热态启动的费用，通常用一个分段函数表达。
• 失负荷惩罚：允许在某些场景下用拉负荷量平衡功率，但代价要足够高。
• 弃风惩罚：为了消纳风电，有时允许弃风，但要加入罚函数或目标项。

在期望成本框架下，二阶段变量（各场景下的机组出力、弃风量、失负荷量）都按场景概率加权。一阶段变量（机组启停状态、备用容量）在所有场景共享，这样才符合“先做机组组合决策，再根据实际场景调整出力”的时序逻辑。目标函数代码里，把场景概率prob(s)作为权重乘到每个场景的成本前面即可。

3.2 核心约束：功率平衡、出力上下限与爬坡

这部分需要逐条展开：

• 功率平衡约束：对每个场景s和每个时段t，所有常规机组出力加风电实际出力等于系统负荷加网络损耗（忽略损耗时直接等号）。由于场景不同，风电出力不同，所以这个约束必须拆到每个场景。
• 机组出力上下限：P_i_min ≤ P_i(s,t) ≤ P_i_max，且受启停状态影响。
• 爬坡约束：-RD_i ≤ P_i(s,t) - P_i(s,t-1) ≤ RU_i，这是动态调度的灵魂。
• 启停时间约束：如果机组开机/停机后需要最短运行/停机时间，需要额外引入连续状态变量。

由于场景法把每个场景都当作并列的世界线，爬坡约束要在每个场景内部独立满足，不能跨场景约束。这一点是初学经常写错的地方。另外，如果某个机组在所有场景中都要启动，则需要额外的启动变量和逻辑约束，否则求解器会把同一机组的状态变量搞混。

3.3 旋转备用和机会约束的等价转换

为了让系统应对随机波动，除了场景本身，还需要设置旋转备用约束。最简单的建模是要求系统各场景下可调用量之和大于某个比例（比如负荷的5%加上风电出力的10%）。但完全按每个场景的出力上限预留备用，备用量又太大。

更精细的做法是用机会约束：P{备用不足} ≤ α，α取0.05。把机会约束线性化后可以转成“某分位数≤可用备用”的形式。在Matlab里可以直接用quantile函数处理场景数据，把备用约束变成一组确定性约束。推荐先做场景法，确保约束全部满足，再辅助机会约束，避免一上来就写分位数造成不可行。

3.4 模型规模和求解器选择

一个典型的10机24时段模型，如果用10个场景，机组组合变量就有10×24=240个二进制变量；连续变量更多，场景法还会乘上场景数量。这个规模对混合整数二次规划（MIQP）来说中等偏大。求解器我优先用Gurobi或Cplex，能处理上千个二进制变量；没有授权的话也可以用SCIP或glpk，但速度会慢很多。YALMIP已经封装好了接口，换求解器只需要改一行配置。

4. Matlab代码实现与完整流程

4.1 代码文件结构

我把项目拆成五个脚本/函数，便于单独调试：

• main.m：主程序，依次调用数据准备、场景生成、模型构建、求解和画图。
• load_case.m：定义系统参数、机组数据、负荷曲线与成本系数。
• scen_gen.m：生成并缩减风电场景。
• build_model.m：用YALMIP构建目标函数和约束，并调用求解器。
• plot_result.m：结果可视化。

这种拆分的好处是，场景生成和优化求解可以分开调参。比如我只想换一组历史风速数据，就只改scen_gen.m；想对比没备用约束的效果，就只改build_model.m里的约束集合。如果全部堆在main.m里，每次调试都要从头跑，单是场景生成就要浪费几分钟。

4.2 机组与负荷参数准备

这里需要确定数据格式。我用的是一个修正的6机系统，24时段，负荷曲线按典型日峰谷差约40%。机组参数表简化为表格：

这个表只是演示用，实际项目里要用场站真实参数。但要注意：煤耗曲线系数相差不要太大，否则目标函数里二次项和一次项的数值尺度会差出五个数量级，影响求解器数值稳定性。我在做真实数据时，会把成本系数统一折算到以“千美元”为单位，效果会好很多。

4.3 YALMIP建模的核心代码

下面是一段关键代码片段，展示如何在Matlab中定义场景变量和期望成本目标。

% 决策变量定义 Pg = sdpvar(nG, T, nScen, 'full'); % 机组出力 Pwc = sdpvar(nW, T, nScen, 'full'); % 实际消纳风电 u = binvar(nG, T, 'full'); % 启停状态（一阶段共享） % 定义启动成本辅助变量 su = sdpvar(nG, T, 'full'); % 目标函数：期望总成本 obj = 0; for s = 1:nScen for t = 1:T obj = obj + prob(s) * (sum(a .* Pg(:,t,s).^2 + b .* Pg(:,t,s) + c .* u(:,t)) + ...); end end % 启动成本约束 for t=2:T for i=1:nG con = con + [su(i,t) >= upcost(i) * (u(i,t) - u(i,t-1))]; end end

这段代码里有个要点：启停状态u是跨场景共享的，而机组出力Pg是每个场景独立的三维变量。如果不注意区分，很容易把u也写成三维，导致不同场景出现完全不同的机组组合，这在物理上是不合理的，因为机组组合是在日前阶段决定的，不依赖于随机场景。

4.4 功率平衡与备用约束构造

功率平衡约束用YALMIP的集合方式添加：

con = []; for s = 1:nScen for t = 1:T con = con + [sum(Pg(:,t,s)) + sum(Pwc(:,t,s)) == load(t)]; con = con + [Pwc(:,t,s) <= Pw_scen(s,t)]; % 可用风电上限 con = con + [Pwc(:,t,s) >= 0]; con = con + [sum(Pg(:,t,s)) + sum(Pwc(:,t,s)) + reserves >= load(t)]; end end

这组约束里，Pwc是实际被消纳的风电，不能直接等于场景出力，否则系统会强制消纳所有风电，可能造成无解。弃风量通过Pw_scen - Pwc隐式表达。备用容量通常由在线机组的可调空间构成，如果reserves是一个固定数值，那这个约束只是粗略的确定性备用；更准确的做法是把备用与在线机组的上限差绑在一起，写成sum(Pg_max .* u - Pg) >= reserve_required。

4.5 求解器配置与结果输出

求解器配置：

ops = sdpsettings('solver', 'gurobi', 'verbose', 2); ops.gurobi.MIPGap = 1e-4; ops.gurobi.TimeLimit = 600; result = optimize(con, obj, ops); if result.problem == 0 fprintf('求解成功，期望总成本：%.2f\n', value(obj)); else yalmiperror(result.problem) end

注意sdpsettings的结构体字段名必须与当前求解器匹配，比如用Cplex时是ops.cplex.mip.tolerances.mipgap，而不是ops.gurobi...，这个坑我一踩就是半天。另外，verbose不要拉到2以上，否则屏幕会被刷满，关键输出反而看不清。result.problem返回0表示求解成功，其他数字对应不同错误类型，用yalmiperror函数能打出可读的提示。

5. 实操案例：10机24时段随机调度结果分析

5.1 算例场景设置

我这里用10机系统做演示，风电装机600MW，负荷峰值2800MW。生成初始场景1000个，缩减到10个，各场景概率用直方图展示后，能看出概率分布近似“尖峰瘦尾”。场景缩减后的典型概率可能长这样：高概率场景集中在预测出力的附近，而极端的低出力场景概率很小但依然保留，这是随机模型能够兼顾“大概率”和“小概率风险”的关键。

5.2 确定性调度与随机调度的成本对比

先跑一个基准确定性模型（忽略随机误差），再跑随机模型，结果对比列举：

随机模型成本高约3.6%，但失负荷风险大幅下降。这说明“经济性”和“可靠性”在随机调度里本质上是一个权衡问题。工程上如果风险成本考虑得足够高，随机模型的总费用甚至可能反超确定性模型。这里还有一个值得关注的现象：确定性模型的备用容量虽然只要180MWh，但实际运行中一旦风电预测偏大，备用根本不够用，失负荷次数会明显升高。随机模型多备了80MWh，成本增加不多，但可靠性曲线平滑很多。

5.3 不同场景数对结果的影响

场景数从5增加到20，期望成本变化很小，但求解时间几乎翻倍。我的建议是：验证算法精度时用50个场景做基准，实际应用时取10个场景，再配合机会约束兜底。这样既保留随机性信息，又控制计算规模。场景数一旦超过30，模型文件大小和求解内存都会明显上升，这时候不妨先检查是不是场景缩减环节没做好，而不是一味加场景。

5.4 结果可视化的关键图

画图时，我习惯输出三张图：风电场景曲线叠加图、机组出力时序图、各类备用容量图。场景叠加图用半透明色绘制，方便看置信区间；机组出力时序图用堆叠面积图，容易看出机组发电比例变化；备用容量图则用双纵轴展示备用和负荷。后处理有个小技巧：YALMIP求解后，value(Pg)返回的是三维数组，用squeeze去掉单维度，再mean(,3)求场景平均，就能画出期望出力曲线。如果直接plot(value(Pg))，它会给每个场景画一条线，图会乱成一团，新手经常在这翻车。

6. 常见问题与调试心得

6.1 场景数爆炸导致计算内存不足

场景太多，YALMIP自动展开所有变量后，模型文件可能达到几百兆。解决思路有几个：

• 使用sdpsettings('expand',0)关闭自动展开，手动分场景处理二阶段约束，减轻符号运算负担。
• 用Benders分解把随机模型拆成主问题和子问题，但实现复杂。
• 最直接的办法是场景缩减，用10个场景替代1000个。

我在实际调试中优先用的是场景缩减，只有当模型本身特别小、场景需求又特别高时才考虑expand选项。expand关闭后，YALMIP处理循环约束的速度提升明显，但需要你手动确保所有约束都正确索引，不然很容易漏掉某场景，错得很隐蔽。

6.2 模型不可行，到底哪里出了问题

不可行的排查顺序很重要：

1. 先跑不含风电的纯火电模型，确认基础数据没问题。
2. 加入风电场景，但不加备用约束，确认功率平衡可行。
3. 再逐条添加备用、爬坡、启停时间约束，用optimize返回的result和YALMIP的check函数定位是哪条约束虚报了不满足。
4. 别忘了检查首时段爬坡约束，初始出力与第一个时段出力的差值可能超出爬坡限制。

有一次我卡了三个小时，最后发现是初始状态里机组的前一时段出力设成了0，而首时段要求它出力100MW，爬坡约束直接爆了。把初始状态改为该机组的最小技术出力，问题立刻消失。这个坑说出来很简单，但新手很难想到去查初始条件。

6.3 求解器调参的实用建议

混合整数模型里，默认求解器参数往往不是最优的。我常用的几个参数：

• MIPGap设为1e-4或1e-5，避免默认1e-2导致结果质量差。
• TimeLimit设500-900秒，防止卡在无穷分支。
• 启停变量给一个合理的初始可行解，热启动能大幅减少求解时间。
• 如果求解器一直徘徊在0.1%-0.5%的gap附近，可能说明模型存在冗余约束或数值问题，检查有没有大的常数项（比如成本系数相差几个数量级）。

以Gurobi为例，你甚至可以在build_model.m里先求解一个松弛的线性模型，用它的结果来初始化二进制的启停变量，这招在实际算例中往往能把求解时间缩短30%以上。不过要注意，热启动给出的状态可能不是全局最优的，最终还是要靠求解器自己验收。

6.4 几个容易忽略的细节

最后说几个踩过坑的细节：

• 风电功率预测误差的标准差不能设成定值，应该跟预测功率大小相关，否则高出力时段会被放大到超过额定值。
• 场景缩减后各场景概率要做归一化，因为回代消去法可能会让概率总和略微偏离1。
• 备用约束里，风电可调出力通常只能算一部分，不能把实发风电全部当成备用，否则会高估系统调节能力。
• 用YALMIP求解二次目标时，如果遇到“quadratic constraint”报错，多半是把成本函数里的二次项写到了约束，而不是目标里。

这个模型后续还能往机组检修计划、储能日前调度、多风电场相关性建模方向扩展。如果手头有实际场站的功率预测数据，把scen_gen.m里的误差分布替换成实测经验分布，就能直接落到生产环境里用。我个人在整个复现过程中的体会是：随机动态经济调度的难点不在于优化算法本身，而在于把物理约束、概率信息和求解器特性三者对齐。多花时间在场景生成和结果校验上，比单纯堆算法要划算得多。