Journal of System Simulation 第 35 卷第 5 期 2023 年 5 月 Vol. 35 No. 5 May 2023 热电联产虚拟电厂两阶段分布鲁棒优化调度 热电联产虚拟电厂两阶段分布鲁棒优化调度 范雅倩 1，于松源 1，房方 1, 2* (1. 华北电力大学 控制与计算机工程学院，北京 102206；2. 电站能量传递转化与系统教育部重点实验室，北京 102206) plant, CHP-VPP)聚合了各类电热出 力单元，可兼顾风光出力不确定性、动态电价、用户热舒适度等影响，实现整体出力的优化调度。 提出了两阶段分布鲁棒优化调度方法，第一阶段考虑计划调度，旨在保证CHP-VPP的收益最大； 第二阶段基于矩不确定分布鲁棒方法，构建风光出力的不确定性模糊集，引入用户热舒适度 HOMIE 模型，降低电热净负荷波动幅度，实现对 CHP-VPP 内部各单元实时出力的优化调整。针 关键词：热电联产虚拟电厂；优化调度；矩不确定性；分布鲁棒优化；热舒适度 中图分类号：TP391.9 文献标志码：A 文章编号：1004-731X(2023)05-1046-13 DOI: 10.16182/j.issn1004731x.joss.22-0059 引用格式 引用格式: 范雅倩, 于松源, 房方. 热电联产虚拟电厂两阶段分布鲁棒优化调度[J]. 系统仿真学报, 2023, 35(5):

的影响。为考虑这些不确定性因素的影响，随机规 划、区间线性规划、鲁棒优化、模糊规划和信息间 隙决策理论等在 PIES 的优化运行中得到了广泛应 用，具体如表 1 所示。从随机性的来源看，已有研 究主要关注了风、光、负荷和电价的不确定性，但 有关非电能源价格不确定性的研究几乎处于空白状 态。从随机性的处理方法看，随机规划和鲁棒规划 由于其简明易行、理论完善等特点，在 PIES 的优 化 特点 文献 PIES 的随机性 出力侧随机 负荷侧随机 主观随机 价格随机 其他 随机规划 常结合蒙特卡洛抽样、点估 计、场景削减等方法降低计 算量 经济性好；需给出概率分布，鲁棒 性差、求解时间较长 [34] — 电热 — 电价 温度 [35] 光伏 — — 电价 — [36] 风电 — — 电价 — [37] 风、光 — 无需给出概率分布或隶属度函数； 结果以区间形式给出 [39] — — — — 设备能源转 换效率 [40] 光伏 电 — — — 鲁棒优化 利用对偶理论等工具转化内 层问题，寻找鲁棒可行解 鲁棒性好、求解用时较短；经济性 较差，等价对偶模型转换困难 [42] 风电 — — — — [43] 风电 — — — — [44]

身智能设备可以更准确地检测疾病；在家庭服务领 域，具备嗅觉感知的家用机器人可以更好地完成清洁 任务，检测异味等。 5.3 稳定性和鲁棒性提升 具身智能是物理实体与智能系统深度融合的前 沿领域，其外在不再局限于执行单一任务，而是朝着 适应复杂环境的方向大步迈进。提升具身智能稳定 性与鲁棒性，已然成为突破产业化瓶颈的核心任务。 需打破传统控制理论与深度学习之间的协同壁垒，将 动态环境下的模型预测控制（MPC）与实时强化学习 助这一框架，有效解决感知噪声累积、动作执行延迟 等动态失配问题。同时，搭建“环境扰动—硬件反馈 —算法容错”的闭环强化机制，强化系统应对复杂情 况的能力。在硬件上采用冗余驱动设计与自适应柔 顺控制技术，提高系统的可靠性和鲁棒性。推动具身 智能从当前“有限场景可用”向“复杂世界可信”的全 新范式转变，为其实现规模化应用筑牢根基。 5.4 工作效率和质量提升 在具身智能的未来发展中，提升工作效率和输出 质量是关键课题。优化感知与决策算法起着至关重 与仿真鸿沟、硬件限制、软件生态标准化缺失以及伦 理与安全等问题，但随着技术的不断进步和创新，这 些问题有望逐步得到解决。未来，具身智能将在自主 学习与泛化能力提升、多模态感知深化、稳定性和鲁 棒性提升、工作效率和质量提升、低功耗硬件突破和 跨行业融合等方面取得显著进展，实现更加广泛的应 用和发展。具身智能不仅将改变人们的生产生活方 式，还将在全球范围内掀起新一轮科技革命，为经济 的高质量发展注入强劲动能。

Benford 定律等传统数 值检测方法，AI 在识别隐蔽性造假方面展现独特优势，能够捕捉管理层文本 中的语义矛盾与异常修饰。其进化路径指向领域预训练与动态特征库的融 合，通过持续学习新型造假模式增强模型鲁棒性。 AI+RAG+Agent 体系通过决策闭环架构实现策略的自主进化。该体系以生成 式 AI 为智能中枢，整合实时数据管道、动态知识检索与自动化风控模块， 突破传统回测框架的静态局限。RAG 技术实现分钟级市场信息更新与噪声过 通过加权损失函数提高少数类样本（如金融行业造假案例）的训练权重。例如， 某金融企业的情感分数若处于同行业后 10%分位，即使其绝对值高于其他行业， 仍会被标记为异常。 为进一步优化模型对行业分布不均的鲁棒性，可引入行业分层采样与迁移学习的 组合策略。分层采样要求从每个万得一级行业中按比例抽取等量的正负样本（如 强制金融行业抽取与通讯服务行业等量的造假案例），以均衡化训练集分布。同 时，对样本稀缺行业 执行和动态调仓？Agent 体系在应对突发市场事件（如黑天鹅）时的鲁棒性是 如何通过机制加强的？ 当前金融投研的 Agent 体系仍处于理论设计与分块功能验证阶段，其核心价值在 于构建 “数据驱动决策、规则约束风险、反馈优化策略”的智能投研框架。尽管 目前尚未实现实盘执行，但其通过动态规则引擎、实时数据处理、策略进化机制 等设计，为应对黑天鹅事件提供了理论上的鲁棒性保障。未来需解决的关键挑战 包括：1）实时交易接口的稳定性：确保

.....................................................................................92 5.1.2 增强模型鲁棒性.................................................................................................. 数据增强方法 包括图像旋转、缩放、平移、颜色扰动以及添加噪声等。例如，在 作物病虫害识别任务中，通过对图像进行随机旋转和缩放，可以模 拟不同角度和距离下的拍摄效果，从而增强模型在实际应用中的鲁 棒性。此外，利用生成对抗网络（GAN）生成合成数据也是一种有 效的手段，特别是在某些病虫害样本稀缺的情况下，可以通过 GAN 生成更多样化的样本以补充数据集的不足。 数据标注是确保模型能够准确学习的关键环节。针对农业科技 模型适应性评估 在进行模型适应性评估时，首先需要明确农业科技领域的具体 需求，包括数据类型、任务复杂度以及应用场景的多样性。针对这 些需求，我们采用多层次的评估方法，确保模型在实际应用中的有 效性和鲁棒性。 首先，对模型的基础性能进行测试，包括精度、召回率和 F1 分数等关键指标。通过在农业数据集上进行训练和验证，评估模型 在不同作物类型、生长周期及环境条件下的表现。例如，对于作物 病虫害识别任务，模型的识别精度应在

（4）自治控制与边缘纳管：构建“中心+边缘”双层纳管体系， 在边缘节点部署智能代理模块，实现算力资源的状态感知、自主注册、 动态调控与异常恢复，降低系统整体运维复杂度，增强纳管系统的可 扩展性与鲁棒性。 多元异构资源适配纳管体系的建立，不仅提升了资源统一管理的 效率，也为实现弹性算力提供了必要前提，构筑算电协同系统的算力 基础设施底座。 2.2.2 多能互补电力协同调度 算电协 第九届未来网络发展大会白皮书 算电协同技术白皮书 18 时间预测、电力价格时序预测、节点拥堵概率评估等关键指标的前向 推演。通过引入元学习、自适应学习等技术，可不断提升预测模型的 泛化能力与鲁棒性。 感知模型不仅提升了调度系统的智能化水平，还为绿色调度、碳 排优化、能耗闭环控制等功能提供了决策基础，是支撑算电协同的关 键使能环节。 2.2.4 高可靠确定性网络承载 在算电协 络测量 （Network Telemetry）技术，系统可实时采集链路利用率、时延变化、 带宽瓶颈等信息，反馈给算网调度平台，辅助实现路径重选、任务转 移与资源重配，提升整体算电调度的适应性与鲁棒性。 通过引入确定性与无损通信机制，构建面向算电任务的高可靠网 络基础，可为算电融合提供坚实的连接底座与动态支撑能力。 2.2.5 生成式智能化决策控制 算电协同网络智能决策是实现高效资源管理和优化服务的关键

来了严重的影响。根据互联网公开数据和行业报告不完全统计，在 2021 年至 2024 年期间，全球通信行业发生了超过 66 起重大网络事故，影响范围广、恢复时间长、 经济损失严重。如何提高网络设备的容错性、提升整网抗信令风暴的鲁棒性以及 故障自愈的高效性是 6G 网络必须优先考虑和解决的问题。 图 1 2021年至2024年4/5G商用事故统计 事故诱因复杂，以网络故障和动网操作为主。4G/5G网络的故障呈现出软硬结 系 统面临数据污染、模型攻击等安全威胁，可能引发错误决策或网络异常；此外， AI 驱动的核心网依赖稳定算力支撑，算力资源故障将直接影响智能功能运行。这 6 些挑战要求 6G 网络在 AI 模型鲁棒性、决策透明性、系统安全性及算力可靠性 等方面强化设计，平衡智能化与可靠性的技术演进。 1.3.2 智能体通信，新型模型和实时组网需要动态保障 在6G 网络中，AI Agent 将随着技术的快速发展而得到广泛应用，带来全新  网络简化降复杂度：精简网络层级与网元数量、服务数量，压缩传统多 级转发链路，减少中间交互环节，减少故障点、降低故障传导风险，提 升信令交互效率、提升故障定位效率，从架构源头构建低复杂度、高鲁 棒性的网络基底。  边缘自治保连续：赋予边缘节点本地化智能决策引擎，集成实时数据处 理模块与分布式存储能力，可在边缘侧独立完成 80% 以上的本地业务处 理。当核心链路或传输中断时，边缘节点自动切换至自治运行模式，通

高红、苏志伟、苑辰、谷颖慧、王岭钢、任俊龙、刘增志、赵少博、颜峻、苏洋、张璟、肖敏、肖霖、 陈利明、马俊国、周建华、钟明康、王鹏、崔昊、冯晓蒙、吴至婧、徐天适、王梓瑄、张文静、肖思琪、 刘刚、樊丁丁、孟于杰、汤良、王伟印、祁超、王鲁、苗子聪、何煦、何宁宁、李存冰、李照川、石园、 王珂琛、郭真、马金龙、吴辉扬、徐志坚、顾阳、唐紫浩、罗彬彬、原超、王永霞、高新珉、吴江。 T/ISC 0079—2025 II 引 言 以人工智 （如数据投毒、后门攻击）的应具备相应的防御性能力、支持使用对抗样本作为训练数据进而 提升模型对异常输入的鲁棒性和防御能力、具备对政务大模型实时监控与预警的能力、对政务 大模型恢复与应急处理的能力等。 9.2.2 模型推理安全 a) 政务大模型在推理阶段宜具备相应安全能力，包括但不限于对输入数据中的对抗样本进行检测 的能力、采用鲁棒性优化技术、对对抗攻击事件的日志记录和审计功能等。 9.2.3 模型参数安全 a) b) 应遵守伦理原则，包括尊重个人的自主权利、保护弱势群体的利益、确保公正和公平等的能力； c) 应具备有隐私保护的能力，包括使用隐私识别技术、隐私脱敏技术、隐私伪装技术等； d) 应具备一定的鲁棒性，对人为诱导情境下的偏见、毒害、攻击、不确定性具备鲁棒控制能力。 T/ISC 0079—2025 15 9.4 服务安全 9.4.1 安全组织与机制 a) 应具备专门的安全管理部门和人员，明确相应的岗位职责；

合规遵循：严格遵循法规和国标，对训练数据执行信息化筛选与过滤，并通过技 术手段构建围栏防护，防止模型被滥用或生成违法不良信息。 ● 安全可靠：全面落实国标要求，执行体系化安全评测；依托红蓝对抗持续提升模 型鲁棒性，确保模型在面对恶意攻击时大模型能够保持正常运行并输出可靠结果。 ● 伦理向善：通过安全训练实现价值观对齐，并在生成内容中主动开展正向引导， 在开放可控的环境中助力生产力提升与价值创造。 ● 风险现状及能力构建 1.1 主要风险挑战 大模型在多模态理解、逻辑推理、多模态生成等方面的能力持续增强，推动其在千行 百业中得到广泛而深入的应用。然而，随着大模型能力的提升，内容合规性、准确性 和算法鲁棒性等安全性风险挑战也逐渐显现，影响其在应用场景下的可信度与可控性。 在效率层面，大模型参数规模越来越大，导致其对计算资源的需求显著上升。这不仅 增加了训练与推理的成本，也限制了其在边缘设备等场景中的部署可行性。 好数据训练而成，用于对每个回复的质量进行打分并计算每个得分相比平均分的优势 值。通过奖励模型，GRPO 让模型聚焦于质量得分更好的回复，从而学会此类指令的 最优回复。GRPO 通过提高最优解的采样概率，提升了模型准确性和鲁棒性。需要指 DPO 安全训练 57 56 ALIBABA CLOUD MODEL STUDIO SECURITY WHITE PAPER 安全 可信的 MaaS 阿里云百炼 安全白皮书

基于视觉和雷达的目标跟踪研究中，需要处理传感 器间融合问题。具体而言，需要对传感器的观测数据进行融合处理，基于融合后的结果进行特征提 取和判断决策，从而实现在相机观测环境恶劣的条件下对目标车辆的鲁棒性跟踪。 5.5.2 欺骗攻击 欺骗攻击（又称虚假数据注入攻击）是借助车联网中节点之间共享开放信道的特点而实现的一 种主动攻击方式，它通过篡改系统数据来执行。在这种攻击中，攻击者可以通过获得密钥或破坏一 数据投毒攻击（Poisoning Attacks）发生在车联网学习模型的训练阶段，攻击者会故意操纵训练 数据集，向其中注入带有恶意的样本，从而影响车联网模型的训练和测试过程，进而影响模型的预 测结果。其主要目的是损害系统的鲁棒性，从而危害车联网的性能。 在大多数情况下，攻击者不太可能访问培训数据。然而，随着车联网对实时更新的需求，许多 车联网中的系统开始使用在线学习(online learning)[54]，或采用训 分类器 展示之前，从数据的帧中裁剪了停车标志。通过裁剪，他们代理了检测器中的箱体预测过程。 车联网安全研究报告（第六期） 80 图 5.32 逃逸攻击 逃逸攻击对车联网中学习模型的安全性和鲁棒性构成了威胁，逃逸攻击可以通过对抗训练 (Adversarial Training)[64]、梯度掩码（Gradient Masking）[65]、防御性蒸馏(Defensive Distillation)