在售电公司、新能源场站运营和虚拟电厂运行中，预测是极其重要的环节，但经常会遇到一个看似简单、实际很复杂的问题：预测已经做了，决策结果仍然不稳定，甚至在交易中导致极端亏损。例如，光伏电站做日前申报时，已经有了次日光伏功率预测；售电公司做日前交易时，已经有了日前电价和实时电价预测。但进入实际运行后，偏差仍然会发生：光伏出力可能低于预测，实时电价可能突然抬升，负荷尖峰可能出现在非预期时段…

这就说明了一个关键问题：预测不是交易决策的终点，预测只是决策的输入。

从建模角度来看，确定性优化模型中，一般将预测值作为已知参数作为输入，那么得到的就是在预测完全准确时的最优方案。但对于电力市场主体而言，更有价值的信息是：电价可能分布在哪些区间？极端情况出现的概率有多大？如果预测偏差大，策略会亏多少？能否平衡收益和风险？这正是不确定性模型要解决的问题。

在传统确定性优化中，我们通常把输入变量看作已知量。例如：

上式说明，市场主体做出的每一个申报策略，都不是只在一个预测结果下接受检验，而是在多个未来可能场景下同时接受检验。将电价、出力等视为随机变量只是第一步。真正可工程落地的建模，需要一条从概率分布到可计算场景、再到优化决策的完整技术链条。

不确定性建模可以理解为一条从描述未来到优化当前的技术链条，整体可以拆成四个核心环节。

概率分布建模解决的是不确定变量可能会怎么变。例如，某时段实时电价可能服从右偏分布；光伏出力不是简单围绕预测值上下波动，在阴雨天气下可能出现明显波动；负荷也可能受气温、生产计划和用户行为影响，形成用电尖峰。

首先需要明确对象类型，可以分为单变量概率分布、多变量概率分布；从特性角度可以分为时序独立、时间相关。比如模拟光伏出力场景，可以通过条件Bootstrap方法进行概率分布建模，条件 Bootstrap 在完整路径基础上增加样本筛选条件，只从相似历史样本中抽取场景。可选筛选条件包括：月份、季节、工作日 / 周末等等。表示为：

概率分布本身较难直接进入优化模型，因此可以将其转化为一组具体场景。例如以下四种典型场景：

场景数量越多，越能逼近真实分布，但优化模型的计算量也会快速上升。场景削减的核心是在降低计算规模的同时，尽量保留原始场景集中的均值、波动、相关性和尾部风险特征等。设原始场景集为：

当未来被表示为多个场景后，优化模型就不再只追求单一预测下的最优，而是要在多个未来场景下综合权衡收益、成本、偏差和风险。通常优化模型根据输入数据、变量类型与目标函数的不同，分为以下几类：

• 随机规划：追求多场景下的期望收益最优；

• 鲁棒优化：保证最不利场景下仍然可行；

• 机会约束：控制约束被违反的概率。

上述模型构建了多场景下的优化框架，但一个常见误区是：只要期望收益为正，策略就值得采用。下面通过一个简化的数值案例说明，为什么低概率的尾部亏损可能完全改变最优决策。