智能电网背景下电力系统经济运行优化：模型、算法与工程实践（电气工程专业本科四年级专业课）

智能电网背景下电力系统经济运行优化：模型、算法与工程实践（电气工程专业本科四年级专业课）

一、导论与课程定位

  本课程是电气工程及其自动化专业本科四年级学生在修读完《电力系统分析》、《发电厂电气部分》、《继电保护原理》等核心专业课程后，开设的一门高阶综合性、研究性与实践性并重的专业方向课。课程旨在应对能源转型与新型电力系统建设的国家重大战略需求，聚焦电力系统从“安全稳定运行”向“安全、经济、优质、环保多目标协同运行”演进的深刻变革。课程的核心使命在于，引导学生超越对单一设备或局部环节的理解，建立以全系统、全时段、多目标协调为特征的全局优化思维框架，并掌握将现代数学优化理论、计算机科学前沿算法与具体电力工程问题深度融合的能力，为解决高比例可再生能源接入、多元负荷互动、电力市场环境下系统运行所面临的复杂性、不确定性和实时性挑战，奠定坚实的理论与方法基础。

  本课程定位为连接传统电力系统理论知识与前沿科研、工程实践的“桥梁课程”。它不仅是对前期所学《电路》、《电机学》、《自动控制原理》及《电力系统分析》等课程知识的综合应用与升华，更是引入运筹学、最优化理论、人工智能等领域知识，进行跨学科知识整合与创新的平台。通过本课程的学习，学生将完成从“系统分析者”到“系统优化设计者”的角色初步转变，具备运用严谨的数学模型和高效的求解工具，对复杂电力系统经济运行问题进行分析、建模、求解与评估的初步能力，为其后续从事学术研究、工程研发或高级技术管理工作做好关键能力储备。

二、教学目标

  本课程的教学目标贯彻“知识、能力、素质”三位一体的OBE（Outcome-BasedEducation）教育理念，并深度融合“新工科”建设与“课程思政”的内在要求。

（一）知识与技能目标

1.系统化认知目标：深入理解电力系统经济运行的内涵、发展历程及其在智能电网和能源互联网背景下的新目标与新挑战。能够清晰阐述经济调度、机组组合、最优潮流、无功优化、电力市场出清等核心优化问题的工程背景、物理约束与经济含义。

2.数学建模能力：熟练掌握构建上述核心优化问题的标准化数学模型的能力。具体包括：准确识别决策变量、目标函数（如最小化总发电成本、最小化网损、最大化社会总福利）以及各类等式与不等式约束（如功率平衡、机组出力上下限、爬坡速率、线路传输容量、节点电压安全范围）。

3.算法原理掌握：系统学习经典优化算法（如线性规划、非线性规划、混合整数规划）及其在电力系统优化中的应用原理；深入理解针对大规模、非凸、不确定性问题发展的现代启发式与智能化算法（如遗传算法、粒子群算法、内点法、Benders分解、随机规划、鲁棒优化）的基本思想、流程与关键参数。

4.工具应用技能：熟练运用至少一种专业计算工具（如MATLAB+工具箱、Python+Pandas+Pyomo/CVXPY、或专用软件如PSS/E、PowerWorld）进行优化模型的编程实现、求解与结果可视化分析，具备初步的仿真实验设计与数据分析能力。

5.综合评估能力：能够对优化求解结果进行技术经济性、安全性与可行性分析，理解模型简化与工程实际之间的差距，并能够对优化方案的鲁棒性与敏感性进行初步探讨。

（二）过程与方法目标

1.问题导向学习能力：能够从复杂的工程实际或学术文献中，提炼、抽象出关键的科学问题与优化需求，并将其准确表述为一个可求解的优化问题。

2.批判性思维与创新意识：在学习和比较不同优化方法时，具备批判性分析其适用范围、优势与局限性的能力。鼓励在课程项目中对现有模型或算法进行改进或提出新的解决方案设想。

3.团队协作与项目管理能力：通过分组课程设计项目，培养学生进行任务分解、进度规划、协同开发、文档撰写与口头报告的综合能力，模拟真实科研与工程团队的工作模式。

4.终身学习与信息素养：能够自主追踪国内外在电力系统优化领域的最新学术动态与技术报告（如IEEEPES文献、国家电网/南方电网技术标准），并具备高效阅读、理解与归纳相关科技文献的能力。

（三）情感、态度与价值观目标（课程思政融合点）

1.家国情怀与使命担当：通过介绍我国“双碳”目标、新型电力系统建设规划以及国家电网/南方电网在特高压、新能源消纳、虚拟电厂等方面的世界级工程成就，激发学生的民族自豪感与投身能源电力事业的使命感。

2.科学精神与工程伦理：强调优化模型的“最优解”服务于工程“可行解”和“满意解”的哲学思想，培养学生严谨求实、精益求精的科学态度。讨论优化决策中公平与效率的权衡、市场机制设计与公共利益保障等工程伦理问题。

3.系统思维与全局观念：强化电力系统作为“产-输-配-用”实时平衡的复杂巨系统的认知，理解局部优化与全局优化的辩证关系，培养“全国一盘棋”的协同意识和宏观视野。

4.绿色发展理念：深刻理解经济运行的“经济性”内涵已从单一的最小化化石能源成本，扩展到包含环境成本（碳减排）、社会成本在内的综合成本最小化，树立清洁低碳、安全高效的能源发展观。

三、教学内容与模块设计

  课程内容以“基础理论-核心模型-先进方法-前沿拓展”为主线进行模块化组织，共分为六大教学模块，预计48学时（含16学时实验/项目课）。

模块一：绪论与数学基础回顾（4学时）

  1.1电力系统经济运行演进：从经典经济调度到智能电网优化。

  1.2新型电力系统的特征与优化挑战：不确定性、双向潮流、多主体互动。

  1.3核心数学工具回顾：矩阵与向量运算、线性规划单纯形法思想、非线性规划最优性条件（KKT条件）、拉格朗日松弛法原理简介。

  1.4优化求解器与编程环境概览。

模块二：确定性优化基础：经济调度与机组组合（10学时）

  2.1经典经济调度（ED）：不考虑网络约束的厂内负荷最优分配。模型：二次成本函数的凸优化。解法：等微增率准则及其数学推导，考虑阀点效应的非凸问题及启发式解法。

  2.2机组组合（UC）：多时段开停机计划与出力联合优化。模型：大规模混合整数线性规划（MILP）。关键约束：最小启停时间、启停成本、爬坡约束。

  2.3求解方法：精确算法（分支定界法）框架介绍，启发式方法（优先顺序法）与商业化求解器（如CPLEX,Gurobi）的应用。

  2.4案例分析：某区域电网日前调度计划制定。

模块三：考虑网络安全的优化：最优潮流（OPF）（10学时）

  3.1OPF问题的提出：整合经济性与安全性。数学模型：以发电成本或网损最小为目标，以潮流方程（等式约束）和运行限值（不等式约束）为约束的非线性规划（NLP）。

  3.2经典解法：简化梯度法、牛顿法原理。

  3.3现代内点法（IPM）求解OPF：原理、优势与实现步骤。交流最优潮流（ACOPF）与直流最优潮流（DCOPF）的模型简化对比与应用场景分析。

  3.4最优潮流扩展：无功优化（reactivepowerdispatch），电压稳定性约束下的OPF。

  3.5实验：使用MATLAB或Python实现一个6节点系统的DCOPF和简化ACOPF。

模块四：应对不确定性的优化方法（8学时）

  4.1不确定性的来源：可再生能源（风电、光伏）出力预测误差、负荷波动、设备故障。

  4.2随机优化（StochasticOptimization）：基于场景法的两阶段随机规划模型。第一阶段：投资或日前决策；第二阶段：实时调度（recourseaction）。期望成本最小化。

  4.3鲁棒优化（RobustOptimization）：基于不确定集的最坏情况优化。模型：min-max结构。介绍箱型不确定集和多面体不确定集。与随机优化的比较：保守性与数据需求。

  4.4分布鲁棒优化（DistributionallyRobustOptimization）：结合随机与鲁棒优点的折中方法。

  4.5案例：含高比例风电的电力系统日前机组组合问题（采用随机规划或鲁棒优化建模）。

模块五：电力市场环境下的优化（8学时）

  5.1电力市场基本架构：能量市场、辅助服务市场、输电权市场。

  5.2市场出清模型：从集中优化到竞价优化。社会总福利最大化模型与节点边际电价（LMP）的形成机理。

  5.3输电网络阻塞管理：基于LMP的阻塞价格信号，金融输电权（FTR）。

  5.4市场主体的优化行为：发电商竞价策略（基于报价成本预估的优化），大用户/负荷聚合商购电策略。

  5.5讨论：我国电力市场改革现状与优化技术在其中扮演的角色。

模块六：前沿专题与课程设计项目（8学时+16学时项目课）

  6.1人工智能在电力系统优化中的应用：深度学习用于预测不确定性、强化学习用于实时优化决策、图神经网络用于建模电网拓扑。

  6.2多能源系统协同优化：电-热-气-氢综合能源系统建模与联合优化。

  6.3分布式资源聚合与虚拟电厂（VPP）优化调度。

  6.4课程设计项目开题、中期指导与最终答辩。

四、教学实施过程详案（以“模块四：应对不确定性的优化方法——随机优化与鲁棒优化”为例，共8学时）

第1-2学时：不确定性挑战的认知与随机优化建模

1.阶段一：情境创设与问题导入（20分钟）

  教师活动：展示国家能源局发布的某日全国风电/光伏实际出力与预测曲线对比图，以及由此导致的某省级电网实际运行中的弃风/弃光事件新闻简报。提出驱动性问题：“在制定明天的发电计划时，如果我们知道风电出力可能在预测值的±30%范围内波动，我们该如何决策？是‘冒进’地少开煤电机组以期待风电大发，还是‘保守’地多开煤电机组以防风电骤减？两种策略各自的风险和成本是什么？”

  学生活动：观察图表与资料，进行小组快速讨论，提出直观的策略想法。部分学生分享观点，可能形成“激进派”与“保守派”的初步争论。

2.阶段二：核心概念讲授与数学建模（50分钟）

  教师活动：

  1.澄清不确定性类型：区分预测误差（不确定性）与设备故障（风险）的不同，明确本模块聚焦前者。介绍用概率分布描述不确定性的数学思想。

  2.引入两阶段随机规划范式：采用类比法——“今天是第一阶段，我们要决定哪些机组开机（0/1决策），并初步分配出力（连续决策），这些决策是‘hereandnow’的，必须在不确定性揭示前做出。明天（第二阶段）是风电实际出力被观测后，我们可以调整一些快速机组的出力（‘waitandsee’的决策）来平衡功率缺口或过剩，这个调整会产生额外的成本（惩罚成本）。”

  3.构建数学模型：以“含风电的机组组合”为例，逐步在黑板上或使用幻灯片推导两阶段随机规划的数学表达式。

  *第一阶段目标：机组启停成本+预期发电成本+第二阶段预期再调度成本的期望值。

  *约束：第一阶段的机组组合约束。

  *第二阶段对每个风电场景s：最小化该场景下的再调度成本（如切负荷惩罚、弃风惩罚、快速机组调整成本）。

  *约束：每个场景下的功率平衡约束、机组调整范围约束（与第一阶段决策耦合）、线路容量约束等。

  4.解释“场景法”：如何将连续的概率分布离散化为有限数量的代表性场景（如通过蒙特卡洛模拟或历史数据聚类），并赋予每个场景一个发生概率。强调模型规模（场景数）与计算负担的权衡。

  学生活动：跟随教师推导，理解两阶段决策的逻辑。记录关键模型公式。就可能困惑的“期望值计算”和“场景树”概念提问。

3.阶段三：实例演示与初步理解（20分钟）

  教师活动：使用一个极度简化的2机组、3时段、3个风电场景的数值例子（预先编制好的Python或MATLAB脚本），现场演示输入数据、模型构建（使用Pyomo或CVX建模语言）和调用求解器（如Gurobi）求解的过程。快速展示不同场景下的第二阶段决策结果，并解读最终的最优第一阶段决策（机组开停计划）及其总期望成本。

  学生活动：观看演示，直观感受随机规划模型的输入、输出形式。理解最终决策是一个考虑了所有可能未来、追求“平均最优”的计划。

第3-4学时：随机规划求解精讲与鲁棒优化引入

1.阶段一：随机规划求解的深入与案例研讨（50分钟）

  教师活动：

  1.算法剖析：讲解大规模随机规划常用的Benders分解或场景分解算法的核心思想。以Benders分解为例，说明其如何将原问题分解为一个主问题（处理第一阶段决策和期望值）和多个独立的子问题（每个场景的第二阶段问题），通过割平面迭代交换信息。

  2.计算挑战讨论：讨论“维数灾难”——场景数量指数增长导致的模型不可解问题。介绍减少场景数量的技术：场景缩减（ScenarioReduction）。

  3.综合性案例分析：分发一份简化的案例分析材料，描述一个含风电场和常规机组的区域电网。要求学生（分组）根据材料中的预测误差分布（例如，正态分布），讨论如何生成场景集，并定性分析随机规划结果相比于确定性规划（用风电预测期望值）可能带来的效益（如降低期望总成本，减少切负荷风险）。

  学生活动：分组讨论案例分析问题，形成小组意见。重点在于理解方法论的应用逻辑，而非精确计算。

2.阶段二：鲁棒优化的动机与基本原理（40分钟）

  教师活动：

  1.引出鲁棒优化：提问“如果风电出力的概率分布很难准确获得，或者决策者极度厌恶风险，不能接受任何场景下出现高额的切负荷成本，该怎么办？”由此引入鲁棒优化哲学：在最坏的可能情况下寻求最优。

  2.对比哲学差异：用坐标系图示直观对比：随机优化寻找“概率加权平均”最低点；鲁棒优化寻找“最坏情况包络线”的最低点。

  3.构建基础鲁棒模型：以风电出力不确定性为例，定义不确定集（如区间集合：[预测值-最大偏差，预测值+最大偏差]

）。构建鲁棒机组组合模型：目标是最小化（第一阶段成本+针对最坏风电实现情况下的第二阶段成本）。

  4.讲解保守性与可调性：强调最坏情况可能极难发生，导致方案过于保守。引入可调鲁棒优化（AdjustableRobustOptimization）和预算不确定集（Γ-BudgetUncertaintySet）的概念，允许决策者通过参数Γ控制保守程度（“最多有多少个不确定参数同时达到其边界值”）。

  学生活动：理解鲁棒与随机在哲学和模型上的根本区别。思考Γ参数的实际工程意义。

第5-6学时：鲁棒优化建模进阶与两种方法比较

1.阶段一：鲁棒对等转换与求解（50分钟）

  教师活动：

  1.求解挑战：指出min-max问题通常是NP-hard的，直接求解困难。

  2.对等转换原理：针对线性规划（LP）或混合整数线性规划（MILP）且不确定集为多面体（如预算不确定集）的情况，介绍利用对偶理论将内层的max问题转化为一系列线性约束，从而将原min-max问题转化为一个确定性的、可求解的单层MILP问题。这是鲁棒优化得以广泛应用的关键技术。

  3.推导演示：以一个简化的、仅含风电出力不确定性的经济调度模型为例，逐步演示鲁棒对等转换的数学推导过程。强调对偶变量的经济意义（可解释为“不确定性的影子价格”）。

  学生活动：在教师引导下，尝试理解对偶转换的关键步骤。这是本模块的数学难点，重点是理解其可行性和结果形式。

2.阶段二：随机vs鲁棒综合比较与选型指南（30分钟）

  教师活动：

  1.组织对比讨论：引导学生从数据需求、计算复杂度、解的性质（保守性/风险性）、决策者偏好等多个维度，系统比较随机优化与鲁棒优化。

  2.提出选型决策树：展示一个简化的方法论选择流程图。例如：概率信息可靠且丰富？->是，倾向于随机优化；否->决策者极度风险厌恶或需严格保证？->是，倾向于鲁棒优化；否->可考虑分布鲁棒优化或尝试不同方法比较。

  3.前沿融合趋势：简要介绍分布鲁棒优化（DRO）作为桥梁，以及数据驱动鲁棒优化（利用历史数据构建更精确的不确定集）。

  学生活动：参与讨论，根据之前所学，总结两种方法的优缺点，形成结构化认知。

第7-8学时：实验课——不确定性优化方法仿真实践

1.阶段一：实验任务布置与环境检查（15分钟）

  教师活动：发布本次实验任务书。任务：给定一个修改的IEEE9节点测试系统，接入一个风电场。提供风电预测值和误差分布信息。任务一：实现一个两阶段随机经济调度（风电场景通过给定程序生成）。任务二：实现一个采用预算不确定集的鲁棒经济调度。任务三：比较两种方法得到的发电计划，以及在多个测试场景（非训练场景）下的实际表现（成本、弃风、可靠性）。

  学生活动：理解实验要求，检查个人计算机上的编程环境（Python+相关库）是否就绪。

2.阶段二：学生分组实验与教师巡回指导（60分钟）

  学生活动：以2-3人小组为单位，根据实验指导文档和提供的代码框架，协作完成编程、调试、运行和结果记录。重点在于修改模型参数、调用求解器、解读输出结果。

  教师活动：巡视实验室，解答学生遇到的具体编程或建模问题。针对共性问题（如求解器报错、对偶转换代码实现）进行集中讲解。

3.阶段三：实验结果分析与课堂讨论（15分钟）

  教师活动：邀请1-2个小组快速展示他们的核心结果（例如，不同Γ值下鲁棒方案的成本与最坏情况性能曲线；随机规划与确定性规划在测试场景下的成本分布对比）。

  引导学生讨论：何时鲁棒优化的“保险”是值得的？随机优化结果的期望值好，但是否存在某个实际场景下表现极差的风险？如何向电网调度部门的领导汇报这两种方案的选择建议？

  学生活动：分享结果，参与讨论，从仿真实验回归到工程决策的本质思考。

五、教学评估与反馈机制

  本课程采用多元、过程性、能力导向的评估体系，总评成绩构成如下：

1.平时表现（20%）：包括课堂出勤、随机提问、在线课程平台（如雨课堂）的课前预习测验（针对基础概念）和课后思考题参与情况。

2.个人作业（30%）：共布置4-5次。作业不仅包含计算题和证明题，更注重小型建模题和编程题。例如，“为一个简单的三母线系统编写DC-OPF程序并分析线路容量限制对LMP的影响”。作业强调过程的完整性和分析的深度。

3.课程设计项目（30%）：中期检查（10%）+最终报告与答辩（20%）。项目选题来自教师提供的清单或学生自选（经教师批准），如“基于深度强化学习的微电网实时能量管理”、“考虑碳交易机制的园区综合能源系统优化规划”。评估标准包括：问题定义的清晰度、模型与方法的创新性与合理性、代码实现的质量、结果分析的深度、报告撰写水平及答辩表现。

4.期末考试（20%）：闭卷笔试。考试内容减少死记硬背，增加概念辨析、模型构建（写出数学模型）、算法流程阐述、方案比较与批判性分析等题型，重点考查学生对核心思想和方法的理解与应用能力。

  反馈机制：建立多渠道即时反馈。通过在线平台收集作业中的普遍错误并进行课堂讲评；在实验课和项目指导中进行一对一反馈；设立固定的课后答疑时间；在课程中期进行一次匿名教学反馈问卷调查，根据结果对后半程教学进行微调。

六、教学资源与参考文献

1.主要教材：

  1.中文主教材：《电力系统优化运行》（第二版），康重庆，夏清，刘梅著，清华大学出版社。（提供坚实的理论框架和国内工程视角）

  2.英文参考书：A.J.Conejo,L.Baringo,“PowerSystemOperations,”Springer,2018.

（涵盖市场、优化、不确定性等现代主题）

  3.优化理论参考：S.Boyd,L.Vandenberghe,“ConvexOptimization,”CambridgeUniversityPress.

（网络公开课与教材配套，内点法等部分极具价值）

2.专业软件与工具：

  1.建模与求解：Python(Pyomo,CVXPY)，MATLAB(OptimizationToolbox,YALMIP)，GAMS。商用求解器学