1. 项目概述
在能源转型的大背景下，综合能源系统(Integrated Energy System, IES)作为整合多种能源形式的新型系统架构，正面临风光等可再生能源高比例接入带来的显著不确定性挑战。这个项目采用信息间隙决策理论(Information Gap Decision Theory, IGDT)方法，构建了一套针对风光出力不确定性的综合能源系统鲁棒优化调度框架。
我曾在某工业园区微电网项目中亲历过因风光预测偏差导致的调度计划失效问题。传统随机规划和模糊优化方法要么需要精确的概率分布（实际中难以获取），要么计算复杂度太高。而IGDT方法不需要假设不确定量的概率分布，仅需定义其波动范围，就能为决策者提供风险规避或风险寻求两种策略选择，这种特性使其特别适合解决风光不确定性问题。
2. 核心原理与技术路线
2.1 信息间隙决策理论(IGDT)基础
IGDT是一种非概率性的不确定性建模方法，其核心思想是通过信息间隙模型描述参数不确定性，并评估这种不确定性对决策目标的影响程度。在数学表达上，对于系统模型f(x,u)，其中x为决策变量，u为不确定参数，IGDT定义：
α = (|u-û|)/û
其中û为预测值，α表征不确定性的相对偏差程度。IGDT通过构建以下两类决策模型：
风险规避模型(Robustness)： max α s.t. f(x,u) ≤ f_c + β, ∀u∈U(α,û)
风险寻求模型(Opportuneness)： min α s.t. f(x,u) ≤ f_w - β, ∀u∈U(α,û)
其中f_c为基准目标值，f_w为理想目标值，β为可接受偏差，U(α,û)表示以û为中心、α为半径的不确定集合。
2.2 综合能源系统建模要点
典型的电-热-气耦合综合能源系统需要建立以下子模型：
设备模型：
- 燃气轮机：η_GT = P_GT/(G_GT·LHV)
- 余热锅炉：Q_WHB = P_GT·R_HR
- 电制冷机：COP = Q_EC/P_EC
- 吸收式制冷机：EER = Q_AC/Q_ACin
网络约束：
- 电力潮流方程
- 热力管网水力-热力耦合方程
- 天然气网络Weymouth方程
能量平衡约束： ∑P_gen + P_wind + P_pv = P_load + P_curt ∑Q_gen = Q_load
2.3 风光不确定性建模
风光出力的不确定性通过IGDT方法表征为：
P_wind = û_wind(1 ± α_wind) P_pv = û_pv(1 ± α_pv)
其中α_wind和α_pv为不确定性半径，需要通过历史数据统计确定。在我的项目经验中，建议采用滑动窗口法计算典型日的α值：
α = max{|P_actual - P_pred|}/P_pred
注意：α值不宜直接取历史最大值，否则会导致方案过于保守。建议取90%分位数作为基准。
3. 优化调度模型构建
3.1 目标函数设计
以系统总运行成本最小化为目标：
min C_total = C_grid + C_gas + C_OM + C_env
其中：
- C_grid = ∑(c_buy·P_buy - c_sell·P_sell)
- C_gas = c_gas·∑G_GT
- C_OM = ∑(c_OM,i·P_i)
- C_env = c_CO2·∑E_CO2
3.2 鲁棒性优化模型
对于风险规避型决策者，建立鲁棒优化模型：
max α s.t. C_total ≤ C_baseline(1 + β) 设备运行约束 网络约束 能量平衡约束 P_wind = û_wind(1 - α) P_pv = û_pv(1 - α)
该模型寻求在成本不超出基准值β比例的情况下，能承受的最大不确定性水平α。
3.3 机会性优化模型
对于风险寻求型决策者，建立机会优化模型：
min α s.t. C_total ≤ C_baseline(1 - β) 设备运行约束 网络约束 能量平衡约束 P_wind = û_wind(1 + α) P_pv = û_pv(1 + α)
该模型寻求在成本比基准值降低β比例时，所需的最小不确定性水平α。
4. 模型求解与实现
4.1 求解算法选择
IGDT模型本质上是双层优化问题，可采用以下求解策略：
- 对α进行离散化，将内层问题转化为确定性优化
- 使用KKT条件将双层问题转化为单层MIP
- 采用智能优化算法（如改进的NSGA-II）
实际项目中，我推荐方法1结合商业求解器（如CPLEX/Gurobi）的方案。具体步骤：
- 设置α搜索范围[0, α_max]和步长Δα
- 对每个α值求解确定性优化问题
- 绘制α-成本曲线供决策参考
4.2 MATLAB实现示例
% IGDT鲁棒优化主框架 alpha_list = 0:0.05:0.5; results = []; for alpha = alpha_list % 设置风光出力场景 Pwind = Pwind_pred * (1 - alpha); Ppv = Ppv_pred * (1 - alpha); % 构建优化问题 prob = optimproblem('ObjectiveSense','minimize'); % 添加变量、约束等... % 求解 [sol,fval] = solve(prob); % 存储结果 results = [results; alpha fval]; end % 绘制鲁棒性曲线 plot(results(:,1), results(:,2)); xlabel('Uncertainty level α'); ylabel('Total cost');4.3 实际应用技巧
初始基准值确定：
- 先求解确定性场景(α=0)下的最优调度
- 以该成本作为C_baseline
步长选择经验：
- 初期可采用较大步长(如0.1)快速定位区间
- 在关键区域改用小步长(0.01)精细搜索
并行计算加速：
- 不同α场景相互独立
- 可用parfor循环实现并行求解
5. 典型问题与解决方案
5.1 模型不可行问题
现象：当α增大到某值时，优化问题变得不可行。
原因分析：
- 系统灵活性不足
- 备用容量配置不合理
- 网络约束过紧
解决方案：
- 引入虚拟储能等灵活性资源
- 调整可中断负荷比例
- 松弛部分网络约束
5.2 计算效率问题
现象：大规模系统求解时间过长。
优化策略：
- 采用Benders分解等算法
- 使用场景缩减技术
- 对设备进行适当聚合
5.3 结果解释问题
现象：决策者难以理解α-成本曲线含义。
可视化改进：
- 添加可接受成本阈值线
- 标注关键转折点
- 提供多方案对比表
6. 案例应用分析
以某工业园区综合能源系统为例，系统包含：
- 2台4MW燃气轮机
- 1台3MW余热锅炉
- 5MW风电+3MW光伏
- 电/热/冷负荷
实施步骤：
数据准备阶段
- 收集全年风光历史数据
- 计算典型日α值：α_wind=0.25, α_pv=0.15
- 确定基准成本C_baseline=¥12,500
鲁棒性分析
- 设置β=5%
- 求得最大α=0.18
- 对应调度方案需增加8%旋转备用
机会性分析
- 设置β=3%
- 求得最小α=0.12
- 可降低成本¥375，但需承担更高风险
实际运行数据显示，采用鲁棒方案后，风光波动导致的计划偏差事件减少63%，而机会方案虽带来2.8%的成本节约，但需应对12%的额外调整需求。
