微电网调度优化这几年基本成了可再生能源方向的标配课题光伏一多、负荷一波动单纯靠固定规则策略越来越压不住场面。我最近把模型预测控制MPC跑进微电网的日内调度里用Matlab把整套滚动优化流程搭通了整个过程踩了不少坑也攒下一些可以直接抄走的经验。如果你正准备复现一篇MPC微电网调度优化的论文代码或者课程设计里卡在预测时域选择、约束建模、quadprog报错这些节点这篇东西应该能帮你绕开我走过的弯路。先说明白这个项目到底是做什么的在一个并网型微电网里电源侧有光伏负荷侧有常规负载储能电池作为调节手段微电网还可以和外部电网交换功率。我的目标是设计一个基于MPC的调度控制器在每个调度周期开始的时候根据未来一段时间的光伏、负荷和电价预测滚动求解出储能充放电功率和外购电功率让运行成本尽量低同时让储能SOC保持在安全范围。文章后面会给出Matlab核心代码、模型细节、参数整定心得以及常见问题排查表。1. 为什么微电网调度要用MPC1.1 传统调度方式在强波动场景下的短板传统的微电网日内调度最常见的是“日前优化”思路提前一天拿到完整的光伏预测、负荷预测和电价曲线一次性求解出未来24小时的储能计划。这种方法在预测很准的场景下效果不错但实际运行里光伏出力可能被一片云打断负荷也可能突然跳变日前计划一旦失配储能就会按照错误的指令执行结果是既浪费调节能力又可能撞上SOC越限。另一种常用做法是“规则策略”比如固定时间段充放电价低谷充电、电价高峰放电或者光伏功率超过负荷时充电。规则策略实现简单但它本质上是用“拍脑袋”的逻辑代替优化无法同时考虑成本、SOC约束、功率平衡和主网交互上限遇到多约束耦合场景基本算不出最优解。MPC思想说白了就是“走一步、看几步、再调整”。每个调度时刻控制器拿最新测量值做一次带约束的优化只执行第一个控制量下一时刻重新滚动。这种带反馈的滚动机制比起一次解完的开环日前优化对预测误差的容忍度高了不止一个量级。拿开车类比日前优化像是按导航一次性规划完全程路上封路就只能干等MPC则是每过一个路口重新看一眼路况绕路也能绕得平稳。1.2 MPC调度适合什么场景MPC能在微电网调度里站住脚核心原因是它天然适配“多变量、多约束、慢时变”的能量管理问题。储能SOC是动态变量功率平衡是等式约束SOC上下限、主网交互功率上限是不等式约束电价和光伏是随时间变化的输入——这些问题放进同一个优化框架里正是MPC的拿手好戏。具体到应用MPC调度适合以下场景并网型微电网主网功率可以双向流动需要做峰谷套利和需量管理光伏占比高、出力波动大的分布式系统需要快速修正调度指令有储能、有可调负荷要求兼顾经济性和电池寿命的多约束调度想从规则策略升级到优化策略但又不希望放弃滚动反馈的研究项目。如果你做的是孤岛型微电网MPC也能用但控制目标会从经济调度偏向频率/电压支撑采样周期要更短这里我暂时不展开。2. 调度模型怎么搭变量、约束和目标函数2.1 系统拓扑与调度边界我这次的模型设定如下微电网通过公共连接点PCC和外部配电网相连内部包含光伏发电单元、储能电池和负荷。调度周期设为 Ts 0.5h预测时域 N 8也就是滚动优化面前有4个小时的预测窗口。之所以不用1分钟或1秒的采样是因为能量管理本来就是慢过程储能SOC变化以小时为单位调度周期太长会漏掉波动太短又会放大预测误差。系统的功率平衡关系很简单P_grid(k) P_pv(k) P_bat(k) P_load(k)其中 P_grid(k) 是微电网与主网的交换功率购电为正、售电为负P_pv(k) 是光伏出力P_bat(k) 是储能出力放电为正、充电为负P_load(k) 是负荷功率。所有变量的正负号约定必须在一开始就统一我见过不少人写到后面符号混乱结果储能“越充SOC越低”排查半天才发现是符号反了。决策变量选了两个储能输出功率序列 P_bat(1:N) 和主网交互功率序列 P_grid(1:N)。光伏和负荷在预测时域内是已知的输入序列这是MPC里“预测”部分的来源。2.2 储能动态模型的取舍储能模型的核心是SOC递推公式。如果忽略充放电效率差异可以写成SOC(k1) SOC(k) - P_bat(k) * Ts / E_max这里 P_bat 放电为正所以放电时 SOC 下降。这个线性模型的好处是直接进QP求解不需要二进制变量Matlab里用quadprog或者YALMIP都能轻松解。但实际电池有充放电效率充电时 SOC 增加量要乘以充电效率放电时 SOC 减少量要除以放电效率。如果非要严格建模SOC递推里就出现“效率随P_bat符号变化”的问题这时候线性MPC会退化成混合整数二次规划MIQP计算量增大调试难度也明显上升。我自己的做法是分两步走第一版先跑通理想线性模型验证MPC框架和控制逻辑跑通后再把充放电效率以分段线性方式引入。具体可以加两个非负变量 p_ch 和 p_dis把 p_bat p_dis - p_ch 写进平衡约束再给目标函数加上一个很小的“同时充放惩罚系数”避免优化器为了凑平衡同时充放。这一步属于工程化简论文里写作“忽略电池效率波动仅考虑平均损耗”完全可以接受。一上来就上MIQP不是不行但排查成本会翻几倍新手很容易卡死在求解器不收敛上。2.3 目标函数的三层设计MPC的目标函数我分成了三部分J J_cost J_soc J_smoothJ_cost 是购电成本把每个预测时段的预测电价和主网交互功率相乘再累加体现经济性。如果允许售电且售电价低于购电价优化器会自然选择在光伏多发时段卖电不需要额外建模。J_soc 是SOC偏离参考值的惩罚项用 (SOC(k1) - SOC_ref)^2 的形式写进目标。这一项非常关键如果目标函数里只有购电成本优化器会在预测窗口末尾把SOC放到上限或下限因为它只关心窗口内的成本不关心窗口结束后系统还能不能继续运行。加上SOC回归项相当于给储能加了一根“锚”让它在赚钱和不亏待未来之间找平衡。J_smooth 是储能出力变化惩罚用 (P_bat(k1) - P_bat(k))^2 表示。不加这项时MPC可能会给出相邻两个时段一充一放的大幅抖动指令电池寿命受损现场执行机构也受不了。加入出力平滑惩罚后储能指令温和很多代价是成本略微上升但这是可接受的交换。三个部分的权重按数量级来整定电价数值大购电成本天然占主导SOC项权重从0.5到10之间试平滑项权重从1到20之间试。权重比这个绝对值重要得多我后面会专门讲。2.4 约束集合约束是MPC相对传统PID或者规则策略的核心优势所在。我搭的约束包括SOP约束SOC_min SOC(k) SOC_max我取0.2到0.9给电池留出安全余量储能功率约束P_bat_min P_bat(k) P_bat_max取正负50kW主网交互约束P_grid_min P_grid(k) P_grid_max取-80kW到100kW功率平衡等式每个时刻都必须满足 P_grid P_pv P_bat P_load末端SOC约束SOC(N1) SOC_final这一步可以防止窗口末尾SOC过度放空。注意SOC约束不能太紧尤其是叠加了功率约束之后可能在某个时刻出现“无解”。这种现象叫约束不可行我后面会专门讲怎么排查。理想情况下SOC约束要留一点松弛余地或者给SOC越限一个惩罚权重而不是硬约束这两种做法在工程里都很常见。3. Matlab实现与核心代码拆解3.1 整体文件结构整套Matlab代码建议分成四个文件data_generation.m生成光伏、负荷、电价历史序列也可以从Excel读真实数据mpc_step_optimizer.m核心函数输入当前SOC和预测序列输出P_bat和P_gridmain_mpc_dispatch.m主脚本跑完整天的滚动调度保存结果plot_results.m画SOC曲线、功率曲线和成本对比图。这样一个“生产环境里会这样组织”的结构比把所有代码堆在一个脚本里好排查得多。尤其核心优化器独立成函数换预测模型或者换求解器都不用动主循环。主循环的逻辑长这样每来一个新时刻取当前真实SOC、当前时段的预测光伏/负荷/电价调用优化器求出一个长度为N的最优控制序列但只执行第一个值然后更新SOC进入下一轮。这个“只取首步”的动作是MPC的灵魂论文里叫滚动时域控制Receding Horizon Control。3.2 使用YALMIP建模的核心函数Matlab里写MPC最省心的方法是用YALMIP工具箱建模它把约束和目标函数写得跟数学公式一样直白。下面是我实际跑通的代码骨架function [P_bat_opt, P_grid_opt, soc_seq] mpc_step_optimizer(soc_now, pv_pred, load_pred, price_pred, params) % 输入当前SOC预测序列长度为N的pv/load/price参数结构体 % 输出当前时刻要执行的储能功率和主网功率以及本轮预测的SOC序列 N params.N; Ts params.Ts; E_max params.E_max; SOC_min params.SOC_min; SOC_max params.SOC_max; P_bat_max params.P_bat_max; P_grid_max params.P_grid_max; P_grid_min params.P_grid_min; w_soc params.w_soc; w_smooth params.w_smooth; soc_ref params.soc_ref; % 决策变量 P_bat sdpvar(N, 1); % 储能出力放电为正 P_grid sdpvar(N, 1); % 主网交互购电为正 soc sdpvar(N1, 1); % SOC序列从当前时刻到N1 constraints [soc(1) soc_now]; for k 1:N constraints [constraints, soc(k1) soc(k) - P_bat(k)*Ts/E_max]; constraints [constraints, P_grid(k) pv_pred(k) P_bat(k) load_pred(k)]; constraints [constraints, -P_bat_max P_bat(k) P_bat_max]; constraints [constraints, P_grid_min P_grid(k) P_grid_max]; constraints [constraints, SOC_min soc(k1) SOC_max]; end % 目标函数 objective 0; for k 1:N objective objective price_pred(k) * P_grid(k) * Ts; % 购电成本 objective objective w_soc * (soc(k1) - soc_ref)^2; % SOC回归 end for k 1:N-1 objective objective w_smooth * (P_bat(k1) - P_bat(k))^2; % 出力平滑 end options sdpsettings(solver, quadprog, verbose, 0); sol optimize(constraints, objective, options); if sol.problem ~ 0 warning(MPC优化求解失败: %s, sol.info); P_bat_opt 0; P_grid_opt load_pred(1) - pv_pred(1); soc_seq soc_now * ones(N1, 1); return; end P_bat_opt value(P_bat(1)); P_grid_opt value(P_grid(1)); soc_seq value(soc); end这里有个小细节值得注意当优化失败时我用了“功率平衡直接兜底”的策略P_grid 被强行设置为负荷减去光伏的差值储能不动作。这个兜底逻辑在仿真里很有用它可以防止某个时点求解失败导致整条SOC曲线直接断掉。实际系统里这种兜底应该切到规则策略而不是硬算。3.3 不用YALMIP时的quadprog替代方案如果你不想额外装工具箱直接用Matlab自带的quadprog也行本质是把上面的约束写成矩阵形式min 0.5 * x * H * x f * xs.t. A_eq * x b_eq, A_ineq * x b_ineq, lb x ub决策变量向量 x 可以由 P_bat(1:N)、P_grid(1:N)、SOC(2:N1) 拼接而成。H矩阵是目标函数二次项系数矩阵f是电价等一次项系数A_eq把功率平衡和SOC递推写进去。写成代码后思路完全一样只是调试时看矩阵尺寸会更费眼。我个人建议第一版用YALMIP把逻辑跑通后面有性能要求再换quadprog手写矩阵YALMIP负责验证数学正确性手写矩阵负责上速度。3.4 主循环与滚动更新主脚本其实不复杂核心就是把优化器循环调用起来% main_mpc_dispatch.m params load_params(); % 读取参数 [pv_hist, load_hist, price_hist] load_forecast_data(); soc_now 0.5; P_bat_record zeros(1, steps); P_grid_record zeros(1, steps); soc_record zeros(1, steps 1); soc_record(1) soc_now; for k 1:steps pv_pred pv_hist(k : k params.N - 1); load_pred load_hist(k : k params.N - 1); price_pred price_hist(k : k params.N - 1); [P_bat_record(k), P_grid_record(k)] mpc_step_optimizer(... soc_now, pv_pred, load_pred, price_pred, params); soc_now soc_now - P_bat_record(k) * params.Ts / params.E_max; soc_record(k1) soc_now; end看到没有执行完第一步后我手动更新SOC这个更新用的是“真实”模型。仿真里真实模型和预测模型可以设成不一样这样能模拟预测误差比如预测模型里光伏是理想预测但真实模型里可以加随机扰动。MPC的抗干扰能力在这种“模型失配”测试下才体现得出来。4. 仿真案例与结果分析4.1 案例场景为了验证MPC的效果我搭了一个典型日场景光伏曲线呈中午峰值形状负荷是早晚双峰电价则是峰谷差明显的工业电价。储能容量200kWh最大充放电功率50kW主网交互上限100kWSOC约束0.2到0.9。预测时域N 8Ts 0.5h窗口长度4小时光伏出力白天6点开始上升13点达到峰值18点后基本为零负荷曲线早上8点和晚上20点各有一个高峰电价曲线10点到16点为峰段0点到6点为谷段。我把三种策略做了对比MPC滚动调度、规则调度低谷充、高峰放、日前开环全局优化。日前全局优化的作用不是实际执行而是作为一个“理论最优上界”参考看MPC离全局最优有多远。4.2 结果对比跑完48个调度点后主要结果整理如下策略日运行成本元主网峰值kW末态SOC规则策略186.496.20.48MPC滚动优化151.784.50.51日前全局优化142.379.80.50数值具体看数据趋势很说明问题MPC比规则策略节省了约18.6%的日运行成本主网峰值也压低了约12%对比日前全局最优成本只多了6.6%这多出来的部分就是预测误差和滚动反馈的代价。这里有一个值得品味的点MPC并不是一味追求“最省”它在每一时刻都知道自己掌握的预测是有误差的所以会主动改变储能策略给未来留余量。有时你会看到MPC在电价没到谷底时就开始充电原因正是它预测到后面负荷要跳升提前囤能量比到时买高价电划算。4.3 评价指标怎么算复现论文时建议把下面几个指标都记录在案评审或者答辩时都有数据支撑日运行成本sum(P_grid * price * Ts)主网峰值功率max(P_grid)反映微电网对配电网的冲击SOC保持率统计SOC处于[0.3, 0.8]区间的时间占比储能等效循环次数累计充放电能量的一半除以电池容量。主网峰值这个指标特别容易被忽略但它对微电网调度很关键。如果微电网“既要买电又要把峰值冲到上限”在需量电费机制下会被双重收费。MPC通过预测把储能安排在负荷高峰前放电能明显压低主网峰值我这次的结果里这一项就很直观。5. 调参经验与常见问题排查5.1 预测时域N怎么选N是MPC里最敏感的参数。N太小滚动窗口只看得到眼前几步控制器失去“远见”比如预测不到未来2小时负荷会上涨N太大预测误差的累积影响变大优化器对远期数据过分信任容易做出先期过度放电、后面补救不了的决策。我在这个0.5h调度周期下试过N4、N8、N16三档结果N8的综合表现最好。N4时成本比N8高了约6%原因是4小时窗口覆盖不了完整的高峰时段N16的改善非常有限但求解时间几乎翻倍而且对预测末端的误差更敏感。一个简单的经验法则预测时域长度应该覆盖“从当前到下一个关键事件”的时段例如晚上8点有负荷高峰你在下午5点调度时窗口至少应该看到晚上8点之后这样才能提前做好准备。选N之前先画出光伏、负荷和电价的曲线把窗口长度对准那些转折点。5.2 权重参数怎么调MPC调参其实就是在三个权重之间找平衡w_cost对应的购电成本项是基础w_soc控制SOC回参考值的能力w_smooth控制出力平滑度。我常用的调试顺序是先把w_smooth设成0观察SOC曲线是否定期回归参考值如果不回归说明w_soc太小然后把w_smooth从小到大加观察P_bat曲线是否出现锯齿状抖动直到抖动消失、SOC曲线依然平稳。这个顺序先进再试的权重调法比一次性三参数乱试高效得多。有一个容易踩的坑如果把w_soc调得过大MPC会把所有精力都放在“让SOC贴着参考值”上完全不根据电价峰谷做套利储能变成了一个“保SOC机器人”。这种情况下的成本曲线会接近规则策略甚至更差。权重不是越大越好要看你到底想让MPC偏经济性还是偏安全性。5.3 常见问题速查表我把自己跑代码过程中遇到的高频问题整理成了一张表基本覆盖了新手常见困境现象可能原因处理方法求解失败提示Infeasible problemSOC约束、功率约束、平衡约束互相矛盾例如窗口末尾SOC要求过高但电池功率不够先去掉末端SOC约束逐个约束加回来看哪条引发无解给SOC约束加松弛惩罚控制量剧烈振荡w_smooth太小或者求解器精度设置过低增大w_smooth检查solver tolerance设置SOC长期偏离参考值w_soc太小或者SOC_ref设置不合理增大w_soc确认SOC_ref在安全区间中间储能频繁充放切换预测序列噪声大MPC对预测噪声过敏感对预测序列做平滑或滤波增大平滑权重运行成本比规则策略还高权重设置失衡或者N太小看不到电价峰谷拐点重新检查权重把N扩大重新对比功率平衡约束写着写着矩阵维度对不上手写quadprog时H、Aeq、beq尺寸不一致先打印size检查建议第一版用YALMIP验证再换手写矩阵昨天跑得好好的今天改数据就跑飞数据里存在SOC约束暂时不可行的时间段把SOC越限从硬约束改成软约束或者对输入序列做限幅SOC硬约束导致无解是我见到最多的问题。微电网调度里如果某天光伏突然暴增储能已经满电P_grid又不能为负太多这时功率平衡就可能无可解。工程上最稳妥的做法是让SOC约束“软”下来SOC越限了不直接判死刑而是给目标函数加一个很大的惩罚项优化器会在极端情况下牺牲一点约束满足度来保证系统继续运行。这在MPC里叫软约束或松弛变量法是防无解的标准手段。5.4 预测误差怎么模拟仿真里验证MPC鲁棒性不能只用完美预测跑一遍那样体现不出MPC相对开环优化的优势。我建议在光伏和负荷序列后面加两种误差第一种是相对误差比如在真实光伏值上加10%到15%的随机扰动第二种是偏差性误差模拟云层遮挡某个时段光伏实际出力突然只有预测的50%。扰动加进去后MPC的滚动反馈会不断修正储能动作开环日前优化则只能看着误差累积。我实测下来在15%扰动水平下MPC的成本比开环日前策略反而低原因就是开环策略在误差面前完全失去了修正能力。6. 这套代码还能往哪些方向扩展6.1 从确定性MPC走向鲁棒MPC当前实现的MPC是确定性MPC预测值只有一个确定序列。如果论文需要更深一层可以把光伏的不确定性建模成区间用min-max鲁棒MPC或者把场景法Scenario-based引入用多条光伏场景序列同时参与优化。Matlab里改法不复杂核心就是把P_pv从向量N拓展成矩阵N×SS为场景数目标函数变成所有场景的期望成本求解规模变大但对不确定性刻画更真实。6.2 加入电池寿命损耗模型储能调用频繁时电池循环寿命会快速下降。可以在目标函数里增加一个与充放电功率绝对值成正比的损耗项或者在SOC递推里加入DoD放电深度的惩罚。这是学术论文里比较讨巧的扩展点也是实际工程里非常关心的问题。6.3 多时间尺度协调微电网调度其实分两层上层MPC以小时级做能量调度下层还需要秒级或分钟级的实时控制来跟踪指令。上层MPC算出的储能功率可以作为下层控制器的参考值下层用PID或更快的MPC来抑制光伏秒级波动。这套代码目前只覆盖上层调度感兴趣的话可以在Matlab/Simulink里把下层功率跟踪闭环补上整个系统就更完整了。最后说几句体己话跑完这套代码我最大的感受是MPC本身不难难的是在“理想模型”和“现实约束”之间找平衡。很多初次接触MPC的人上来就把效率、寿命、极端工况全塞进模型结果求解器一个约束都满足不了最后只能推翻重来。我自己的习惯是先让数据动起来——哪怕模型简化一点先把滚动优化闭环跑通看到SOC曲线在动、控制量在变、成本在下降再一层一层往模型里加现实因素。那种“一步到位”的建模思路在MPC这个领域基本行不通因为约束一旦互相打架你连是建模问题还是求解器问题都分不清。这套代码里最值得研究的地方不是那句MPC函数本身而是怎么用滚动时域把预测、优化、反馈串成一条线。你把这条线理清楚了后面换场景、换约束、换预测模型都是顺手的事。