数学基础回顾：线性代数、概率论、最优化理论在能源系统中的应用
各位同学好，我是老张。今天咱们聊聊数学基础。我知道很多人一听数学就头疼，觉得跟实际工程脱节。但说实话，在能源系统这个领域，数学就是你手里的扳手和螺丝刀。没有它，你连设备都拆不开。
我刚开始做微电网项目那会儿，也觉得自己编程好、懂电力就够了。结果第一次做多能互补调度，模型跑出来全是乱码。后来才发现，是矩阵求逆出了问题。嗯，从那以后，我再也不敢小看线性代数了。
核心观点：数学不是考试用的，是帮你把物理世界翻译成计算机能理解的语言。
2.1 线性代数：能源网络的骨架
线性代数在能源系统里，说白了就是描述“谁跟谁连着”以及“能量怎么流动”。你想想看，一个园区里有光伏、储能、燃气轮机、热泵，它们之间怎么耦合？用矩阵。
2.1.1 矩阵与能量流建模
我个人习惯用关联矩阵来表示设备之间的连接关系。比如一个简单的电-热耦合系统：
# 关联矩阵示例：行=设备，列=母线
# 1表示流出，-1表示流入，0表示不连接
A = [
[1, 0, -1], # 光伏：接电母线，流出
[0, 1, -1], # 热泵：接热母线，流出
[-1, -1, 0] # 负荷：从电和热母线流入
]我在项目中遇到过一个问题：当设备数量超过50台时，手动写这个矩阵容易漏掉连接。我的建议是——用图论自动生成。先把设备画成节点，再用邻接矩阵自动转换，省时省力。
2.1.2 特征值与系统稳定性
特征值这玩意儿，听起来玄乎，其实就是系统的“脾气”。一个多能系统的状态矩阵，特征值的实部如果全是负数，系统就稳定。但凡有一个正数，系统就会发散。
我记得有一次做园区级综合能源仿真，模型怎么调都振荡。查了三天，最后发现是储能SOC的反馈系数写反了，导致特征值跑到右半平面去了。嗯，这就是线性代数在实战中的价值。
实战技巧：用Python的numpy.linalg.eig()快速计算特征值。如果发现实部大于0.01，赶紧检查参数。
2.2 概率论：应对不确定性
能源系统最大的特点是什么？不确定性。光伏出力看天，负荷需求看人，电价看市场。概率论就是帮你量化这些“说不准”的东西。
2.2.1 随机变量与概率分布
光伏出力的分布，我一般用Beta分布拟合。为什么？因为它的取值范围在0到1之间，正好对应归一化的出力系数。负荷预测则常用正态分布，但要注意——实际数据往往有厚尾现象，也就是极端值比正态分布预测的更多。
# 光伏出力概率密度函数示例
import numpy as np
from scipy.stats import beta
# 参数a=2, b=5 表示多云天气的出力分布
pv_dist = beta(a=2, b=5)
# 计算出力为0.3时的概率密度
pdf_value = pv_dist.pdf(0.3)2.2.2 蒙特卡洛模拟
遇到复杂的不确定性场景，解析解算不出来怎么办？蒙特卡洛。说白了就是“暴力枚举”——生成一万种可能的情况，看结果分布。
我曾经用蒙特卡洛做过一个园区级电-热-气协同优化。跑了5000次模拟，发现最坏情况下的运行成本比平均值高出40%。这个信息直接影响了我们备用容量的设计。避坑指南：采样次数别太少，至少1000次以上，否则结果不稳定。
注意：蒙特卡洛不是万能的。如果输入变量的相关性很强（比如光伏和负荷在时间上相关），记得用Copula函数处理相关性，否则结果会失真。
2.3 最优化理论：寻找最优解
前面两个是基础，最优化才是真正干活的部分。你要在满足供需平衡、设备约束的前提下，让运行成本最低、碳排放最少、或者可再生能源消纳率最高。
2.3.1 线性规划与混合整数规划
线性规划（LP）是最简单的。目标函数和约束都是线性的，求解速度快。但实际中，设备启停、档位切换这些是离散变量，就得用混合整数线性规划（MILP）。
# 一个简单的经济调度问题
# 目标：最小化运行成本
# 变量：燃气轮机出力x1，储能放电x2
# 约束：供需平衡，设备上下限
min: 0.5*x1 + 0.3*x2
s.t. x1 + x2 >= 100 # 负荷需求
0 <= x1 <= 80 # 燃气轮机容量
0 <= x2 <= 50 # 储能容量我个人习惯用PuLP或Pyomo来建模。为什么？因为它们能直接输出求解日志，方便调试。有一次模型一直无解，我打开日志一看，发现是约束写反了——把“大于等于”写成了“小于等于”。这种低级错误，日志里一眼就能看出来。
2.3.2 非线性优化与启发式算法
当系统里出现效率曲线、寿命衰减这些非线性关系时，线性规划就不够用了。这时候可以用序列二次规划（SQP）或者遗传算法。
但说实话，我建议能线性化就尽量线性化。非线性优化求解慢，而且容易陷入局部最优。我在一个项目中试过用粒子群算法做多目标优化，跑了两个小时才收敛。后来把效率曲线分段线性化，用MILP求解，五分钟搞定。嗯，这就是经验。
核心原则：能用线性别用非线性，能用凸优化别用启发式。简单、稳定、可解释，才是工程的首选。
2.4 三者如何协同？
你可能会问：这三个数学工具在同一个项目里怎么配合？我给你画个图就明白了。
你看，线性代数负责描述系统结构，概率论负责描述不确定性，最优化负责在结构约束下找到最优决策。三者缺一不可。
举个例子：一个园区级综合能源系统，先用线性代数建立设备-母线关联矩阵，再用概率论生成光伏和负荷的典型场景，最后用最优化求解每个场景下的最优调度。这就是完整的数学链条。
我的习惯：每次开始一个新项目，先花半天时间把这三个数学工具对应的代码框架搭好。线性代数用numpy，概率论用scipy.stats，最优化用PuLP或cvxpy。框架搭好了，后面就是填参数的事。
2.5 避坑总结
最后，我把自己踩过的坑总结一下，你们少走弯路：
- 矩阵维度不匹配：做矩阵乘法前，先打印shape检查。我吃过一次亏，两个矩阵维度差1，结果算出来全是NaN。
- 概率分布选型错误：别上来就用正态分布。光伏出力用Beta，风速用Weibull，负荷用正态但注意厚尾。
- 最优化模型无解：先检查约束是否矛盾。一个简单的方法：把目标函数去掉，只求解可行性问题。
- 忽略数值稳定性：矩阵条件数太大时，考虑用正则化或者换求解器。我一般用numpy.linalg.cond()检查。
好了，数学基础就讲到这里。这些东西看着枯燥，但你在项目里用上两三次，就会觉得它们比亲儿子还亲。下一节我们开始讲具体的多能协同控制算法，到时候这些数学工具都会用上。
公众号:蓝海资料掘金营，微信deep3321