构建不确定集合
两阶段鲁棒优化指导，分布鲁棒，kkt函数附带经典代码
电力系统调度工程师老张最近遇到了头疼的问题——风电出力预测跟闹着玩似的，误差能到30%。传统的随机规划模型在极端天气面前像个纸糊的狮子，这时候两阶段鲁棒优化（Two-stage Robust Optimization）突然变得性感起来。
先看个简化版的电力调度场景：第一阶段决定火电机组启停（0/1决策），第二阶段根据实际风电出力调整发电功率。最刺激的部分在于，不确定性被框在一个椭球集合里——这其实就是分布鲁棒优化（DRO）的经典玩法，既不像随机规划需要精确分布，也比传统鲁棒优化更贴合实际。
from pyomo.environ import * import numpy as np class UncertaintySet: def __init__(self, nominal_wind, radius): self.nominal = nominal_wand self.radius = radius # 椭球半径控制保守程度 # 两阶段模型骨架 model = ConcreteModel() model.x = Var(within=Binary) # 第一阶段决策：机组启停 model.y = Var(within=NonNegativeReals) # 第二阶段：发电量 # 关键约束：应对最坏情况的鲁棒约束 def robust_constraint_rule(m): worst_wind = UncertaintySet(50, 15).nominal - UncertaintySet(50,15).radius return m.y >= 100*m.x - worst_wind model.robust_con = Constraint(rule=robust_constraint_rule)这段代码藏着个精妙的设计：worst_wind的计算实际上完成了对偶转换。当我们在椭球集合里寻找最恶劣场景时，本质上是在求解一个带KKT条件的极值问题。不过这里用了取巧的方式——直接取区间端点，相当于把非线性问题线性化了。
说到KKT条件，它在鲁棒优化里就像瑞士军刀。比如处理含不确定性的约束：
# 原始约束：a*y ≤ b (a为不确定参数) # 对偶转换后 model.dual = Var(within=NonNegativeReals) dual_expr = (uncertain_a_upper * model.y - model.dual * (uncertain_a_upper - uncertain_a_lower) <= b)这波操作把不确定约束转换为确定性的双变量问题，正是KKT条件的实战应用。不过要当心，这种转换在非凸问题里可能会翻车，这时候就需要上列生成算法（Column Generation）之类的黑魔法了。
最后来个灵魂拷问：分布鲁棒里的保守性怎么控制？看下面的调参现场：
# 调节鲁棒性参数 for gamma in [0.1, 0.5, 0.9]: uncertainty_set.radius = gamma * max_radius solve(model) print(f"参数{gamma}时成本为{model.obj()}")这个gamma参数就像吃重庆火锅选的辣度，0.1是微辣（风险偏好型），0.9是变态辣（极端保守派）。实际项目中需要拿着历史数据反复测试，找到成本与鲁棒性的甜蜜点。
说到底，两阶段鲁棒优化就是个"先开枪后瞄准"的策略——先做不可逆决策，留足调整余地应对最坏情况。下次遇到光伏出力预测像心电图的项目，不妨试试这套组合拳，至少能让你的模型在极端场景下不会死得太难看。