4、源荷不确定性处理：风光出力预测误差、负荷预测误差、鲁棒优化基础、随机规划基础、场景生成与削减
各位同学，咱们今天聊点实在的。
做多能互补系统，最头疼的是什么？不是设备选型，不是控制策略，而是——不确定性。
你想想看，光伏板说好今天发100度电，结果一片云飘过来，直接砍半。负荷预测说下午3点用能高峰，结果工厂临时检修，负荷曲线塌了一块。这种事儿，我在项目里碰得太多了。
所以这一章，咱们就专门来收拾这些「不听话」的源荷数据。
4.1 风光出力预测误差：老天爷的脸，说变就变
先说风光出力。光伏和风电的预测误差，说白了就是「老天爷不按剧本走」。
我个人习惯把预测误差分成两类：
- 系统性误差：比如天气预报说晴天，结果全天多云。这种误差有规律可循，可以通过历史数据修正。
- 随机性误差：比如突然一阵狂风，或者一片乌云。这种误差完全随机，没法精确预测。
我在西北某光伏电站项目里遇到过一件事：某天中午，预测出力是80%额定功率，结果因为沙尘暴，实际出力直接掉到5%。调度系统差点崩溃。从那以后，我养成了一个习惯——永远给预测留余量。
核心结论：风光预测误差通常服从正态分布或拉普拉斯分布。工程上，我们一般用均方根误差（RMSE）来量化，数值在10%-25%之间波动。
4.2 负荷预测误差：用户的心思，你别猜
负荷预测比风光预测更「玄学」。为什么？因为用户行为太复杂了。
我记得有一次做工业园区项目，负荷模型跑得好好的，结果突然有一天，负荷曲线出现了一个巨大的尖峰。查了半天，原来是园区搞了个「电竞赛事直播」，几百号人同时开空调看比赛。
负荷预测误差的几个典型来源：
- 季节性波动：夏天制冷、冬天制热，这个好预测。
- 节假日效应：春节、国庆，工厂停工，负荷骤降。
- 突发事件：比如上面说的电竞赛事，或者临时检修。
嗯，这里要注意：负荷预测误差的分布往往偏态，不像风光那么「规整」。我建议用分位数回归来处理，比普通最小二乘法靠谱得多。
4.3 鲁棒优化基础：最坏情况下的「保底方案」
好，现在我们知道预测不准了。那怎么办？
一种思路是：我不求最优，只求最坏情况下也能扛得住。这就是鲁棒优化的核心思想。
说白了，鲁棒优化就是「悲观主义者的优化方法」。你假设不确定性参数会在某个「不确定集合」里取最坏的值，然后在这个前提下做优化。
个人经验：鲁棒优化特别适合「安全第一」的场景。比如医院、数据中心，你不能说「今天可能停电，咱们赌一把」。必须保证最坏情况下也能运行。
鲁棒优化的数学模型长这样：
min f(x)
s.t. g(x, u) ≤ 0, ∀u ∈ U其中U就是不确定集合。常见的U有：
- 盒式集合：u ∈ [u_min, u_max]
- 椭球集合：||u - u_0|| ≤ ρ
- 多面体集合：Au ≤ b
我曾经在一个微电网项目里用过盒式集合，结果发现太保守了——系统为了应对最坏情况，配置了过多的储能，成本高得离谱。后来换成椭球集合，效果好了很多。
避坑指南：鲁棒优化虽然安全，但容易「过度保守」。我建议先做灵敏度分析，看看哪些不确定性参数对结果影响最大，再针对性地构建不确定集合。
4.4 随机规划基础：用概率说话
鲁棒优化是「悲观派」，那随机规划就是「理性派」。
随机规划不假设最坏情况，而是假设不确定性参数服从某个概率分布。然后，我们优化的是期望值。
举个例子：
- 鲁棒优化：明天可能下雨也可能晴天，我按最坏情况（暴雨）准备雨伞。
- 随机规划：明天有30%概率下雨，我按期望值（带0.3把伞？不对，带一把伞但概率加权）来决策。
随机规划的经典形式是两阶段随机规划：
第一阶段：做「今天」的决策（比如买设备）
第二阶段：等「明天」的不确定性实现后，做调整决策（比如调度出力）目标函数是：第一阶段成本 + 第二阶段成本的期望值。
我的建议：如果数据充足、分布已知，随机规划比鲁棒优化更经济。但如果数据少、分布不确定，还是鲁棒优化更稳妥。
4.5 场景生成与削减：把连续问题变成离散问题
无论是鲁棒优化还是随机规划，都需要处理不确定性。但连续的不确定性没法直接优化，得先「离散化」。
怎么离散？用场景。
场景生成，就是把一个连续的概率分布，用一组离散的「样本」来近似。比如：
- 光伏出力：生成100个可能的出力曲线
- 负荷需求：生成50个可能的负荷曲线
常用的场景生成方法：
- 蒙特卡洛采样：简单粗暴，但样本量太大。
- 拉丁超立方采样：比蒙特卡洛更均匀，覆盖更好。
- 基于历史数据的聚类：比如用K-means把历史数据聚成几类，每类代表一个典型场景。
但场景太多，计算量会爆炸。所以需要场景削减。
场景削减的核心思想：去掉冗余场景，保留代表性场景。
常用的削减方法：
- 快速前向选择：从N个场景里选K个，使得这K个场景能最好地代表整体分布。
- 后向削减：从N个场景开始，每次合并两个最相似的场景，直到剩下K个。
个人经验：我一般用快速前向选择，配合Wasserstein距离来度量场景间的相似性。K值选多少？通常10-20个场景就够用了，再多计算量受不了，再少精度不够。
下面这张图展示了场景生成与削减的完整流程：
4.6 三种方法的对比与选择
最后，咱们把三种方法放在一起比一比：
| 方法 | 核心思想 | 适用场景 | 保守程度 | 数据需求 |
|---|---|---|---|---|
| 鲁棒优化 | 最坏情况保底 | 安全关键系统 | 高 | 低（只需不确定集合） |
| 随机规划 | 期望值最优 | 数据充足场景 | 中 | 高（需要概率分布） |
| 场景法 | 离散化近似 | 通用方法 | 可调 | 中（需要历史数据） |
我的选择策略：
- 如果项目要求「绝对不能出事」→ 鲁棒优化
- 如果历史数据丰富、分布稳定 → 随机规划
- 如果两者都不确定 → 先用场景法，再根据结果调整
好了，这一章的内容就到这儿。源荷不确定性处理，说白了就是「跟老天爷和用户斗智斗勇」。没有完美的预测，只有不断逼近真实的方法。记住：做工程，永远给自己留一手。
公众号:蓝海资料掘金营，微信deep3321