刚接触微电网调度那会儿我以为把风电、光伏的预测曲线往优化模型里一塞算出一个最小化成本的结果就算完事。直到真正动手写Matlab代码跑通第一个算例我才意识到“日前经济调度”这个标题背后的学问风光储能的模型怎么建才合理需求响应怎么进约束而不是停留在概念储能充放电行为和购电计划怎么在一天24小时里自洽地咬合。这篇文章就是把我从建模到代码实现的完整思路捋一遍不绕弯子直接讲清楚每一步在做什么、为什么这么做、代码里最容易踩的坑在哪里。1. 日前经济调度到底在回答什么问题1.1 为什么调度要提前“一天”微电网里的电源和负荷都不是拍脑袋定的。风电、光伏出力受天气影响负荷也有明显的时段特性。如果实时再调度储能来不及优化充电时机燃气机组爬坡跟不上需求响应也失去了“提前商量”的意义。所以工程上普遍采用“日前计划日内修正”的两阶段框架日前阶段提前24小时制定各个设备的出力计划和购售电曲线日内阶段在偏差出现时做滚动修正。时间尺度上日前调度通常把一天划分为24个时段步长1小时也有不少研究用15分钟一个点即96个时段。步长越细越能刻画储能充放电切换和负荷峰值但模型维度也随之上升。对MILP混合整数线性规划来说24时段和96时段的求解时间不是一个量级我自己的经验是初版代码先用24时段跑通逻辑再决定要不要加密。日前阶段的数据基础全是预测量预测负荷曲线、预测风电出力、预测光伏出力、预测电价。既然是预测就必然有误差。工程实现里常用的是“点预测旋转备用容量”的思路——也就是在约束里留出一部分备用容量应对偏差而不是假设预测完全准确。这个思路简单可靠也是我在代码里主要采用的方式。1.2 经济性怎么衡量成本项拆解经济调度的目标函数看起来只是“花钱最少”真正落地时成本项怎么列是有讲究的。一个典型的微电网日前调度模型成本通常包含五个部分与主网的购电费用按预测电价乘以购电量计算这是微电网成本大头之一微型燃气轮机的燃料成本常用二次函数表示MC算法里会线性化或分段线性化MILP里直接做分段处理储能运行损耗成本很多初版模型把储能当作免费工具但电池循环寿命损耗是真实存在的一般用单位充放电量的等效成本折算需求响应补偿成本激励用户参与削峰填谷必须支付补偿费用否则需求响应只是概念上的“白嫖”弃风弃光惩罚成本当系统消纳不了可再生能源时允许切掉一部分风电光伏但要付出惩罚代价。把这些成本项放在一起你就能看出日前经济调度不是单纯“省钱”而是在“花钱买灵活性”。买储能的充放电、买负荷的柔性、买与主网的功率交换最终让整个系统在满足安全约束的前提下总运行成本最低。2. 风光储能建模调度代码的地基2.1 风电和光伏出力怎么进模型风电的出力模型行业内用得最普遍的还是基于预测功率曲线。具体到Matlab实现通常是读取一天24个点的预测功率标幺值乘以装机容量得到风电出力上限序列P_w(t)。优化模型里实际风电出力p_w(t)满足0 ≤ p_w(t) ≤ P_w(t)也就是说风电可以被适当削减削减的部分进入弃风惩罚项。光伏类似只是出力曲线形态不同白天有出力夜间为零。有些模型还会加一个线性化的光伏出力—辐照度关系但工程上直接用预测曲线做上限已经足够。这里有个容易被忽视的点风光的“上限约束”意味着它们不是必须满发的电源。很多人第一次写代码时默认“预测多少就发多少”结果发现为了平衡功率要么储能疯狂充放电要么花钱买高额购电成本曲线非常别扭。真正合理的做法是让优化器自己决定“什么时候消纳风光、什么时候弃掉”只在成本里用惩罚系数引导它尽量多消纳。2.2 不确定性处理点预测加备用还是场景法建模不确定性的路径有两条。一条是上面提到的点预测备用约束在系统约束里加入旋转备用需求比如要求所有可调度电源燃气轮机、储能、主网交互的上调能力总和不低于预测负荷加上备用缺口。优点是模型还是确定性的求解快工程落地容易。缺点是对“极端场景”的刻画弱备用系数取值需要经验。另一条是场景法用历史数据生成风速、光照、负荷的多个可能场景每个场景赋一个概率目标函数变成期望成本最小化。Matlab里可以用场景削减技术比如同步回代削减法把原始几百个场景削减到10个左右既保留不确定性信息又控制计算量。代码量会明显增加但对论文研究或者精度要求高的项目这条路是值得走的。我的建议初版代码用点预测备用先把调度逻辑跑通后面想进阶再加场景法模块用同一套约束结构去扩展。2.3 储能模型的关键约束和隐性成本储能建模是代码里最考验细节的部分。基本约束有四条SOC荷电状态连续递推、充放电功率上下限、充放电互斥、SOC上下限。前三条很直白第四条要注意首末约束——很多工程场景要求调度周期结束时SOC回到初始值以便日复一日循环运行。% 储能SOC递推示例24时段步长1h soc(1) soc_init p_ch(1)*eff_ch/P_bat - p_dis(1)/eff_dis/P_bat; for t 2:24 soc(t) soc(t-1) p_ch(t)*eff_ch/P_bat - p_dis(t)/eff_dis/P_bat; end充放电互斥的实现工程上有两种常见写法。一种是用二进制变量b_ch和b_dis要求b_ch b_dis 1再加Big-M约束限制功率另一种是直接引入一个复合变量p_bat(t)放电为正、充电为负配合损耗系数线性化。前者更直观但二进制变量变多求解变慢后者在MILP里更清爽。储能还有一个经常被忘记的成本循环寿命损耗。锂电池不是无限寿命的每次充放电都在消耗循环次数。工程上常用的简化方式是按放电量乘以一个等效损耗成本系数比如每kWh放电折算0.1元。你别小看这个系数它在优化结果里直接决定了储能“愿不愿意”频繁动作。如果损耗成本设为零优化器会让储能在电价低谷疯狂充电、高峰疯狂放电曲线非常激进加了损耗成本后储能动作会明显克制更贴近真实运行。3. 需求响应把刚性负荷变成可调度的资源3.1 价格弹性需求响应的数学表达需求响应不是一句话“用户在高峰少用电”而是要落到数学约束里。最常用的是价格弹性系数法负荷变化率等于价格弹性矩阵乘以电价变化率。实际代码里大家更常用的是简化版本——把负荷拆成刚性负荷和弹性负荷刚性负荷必须满足弹性负荷可以在一定比例内上调或下调。% 负荷需求响应约束各时段可调比例约束 p_load(t) p_base(t) p_shift(t) - p_cut(t); % p_shift为可转移部分p_cut为可中断部分 0 p_cut(t) delta_cut * p_base(t); % 可中断比例限制 sum(p_shift) 0; % 可转移负荷总量守恒价格型需求响应的本质是用电价的杠杆引导用户自愿改变用电行为。在日前调度里如果微电网要向用户卖电卖电价格本身就是优化变量的一部分更常见的做法是假定用户侧执行分时电价把负荷预测曲线换成需求响应后的“净负荷曲线”再代入优化模型。3.2 可转移与可中断负荷建模需求响应按控制方式可以分为两大类可转移负荷和可中断负荷。可转移负荷的典型例子是洗衣机、洗碗机、电动汽车充电桩——用电量在一天内是守恒的但工作时段可以平移。这类负荷的建模核心是“总量守恒时段窗口约束”即转移后总用电量不变但只能在工作允许的时段内安排。可中断负荷的典型例子是空调、加热设备——在电网紧张时直接切除一部分功率切除部分获得补偿但切除量不能影响用户基本需求。这类负荷的建模核心是“各时段切除比例上限”一般控制在总负荷的10%~20%。这两种负荷引入后微电网的调度灵活度会明显改善。储能是“移峰”的主力可转移负荷相当于把负荷曲线在时间轴上揉来揉去可中断负荷则是给系统留了一个应急的“安全阀”。三者配合系统在高峰时段的购电压力和燃气机组出力都能降下来。3.3 需求响应与储能、购电计划的配合逻辑单独看每个模型都不难难的是它们怎么互相配合。我调试代码时的体会是需求响应和储能在功能上是重叠的——储能把能量从低谷搬到高峰可转移负荷也是把用电从高峰搬到低谷。如果目标函数里没有合适的成本差异优化器可能偏科要么所有灵活性都靠储能扛要么所有削峰任务都让可中断负荷承担。所以目标函数里的补偿成本系数就变得极其关键。可中断负荷的补偿单价、储能的损耗成本、购电电价三者需要形成一个合理的梯度。一般来说需求响应的补偿成本低于储能损耗成本时系统会优先调用需求响应反之则优先用储能。这个梯度关系要在算例分析里专门做敏感性测试不能拍脑袋定一组系数就完事。4. 优化模型求解与Matlab实现4.1 目标函数和约束的汇总写法把前面所有元素汇聚成一个完整的数学模型目标函数可以写成% 目标函数YALMIP表达式示意 objective sum(p_grid_buy .* price_buy) ... % 购电成本 sum(p_grid_sell .* price_sell) ... % 售电收益负成本 sum(fuel_coef * p_mt) ... % 燃气轮机燃料成本简化线性 sum(bat_cost * (p_ch p_dis)) ... % 储能等效损耗成本 sum(dr_cost .* p_cut) ... % 需求响应补偿成本 sum(curtail_penalty * (p_w_max p_pv_max - p_w - p_pv)); % 弃风弃光惩罚约束条件需要完整列出以下几组功率平衡约束每个时段所有电源出力加上购电量等于负荷加上充电功率和售电量燃气轮机约束出力上下限、爬坡速率约束储能约束SOC递推、充放电功率界限、互斥逻辑、首末SOC一致主网交互约束购电/售电功率上限以及同一时段不能同时购电和售电这条最容易漏但工程必须加需求响应约束可中断负荷比例上限、可转移负荷总量守恒备用约束可上调容量之和要大于预测负荷加备用需求。这些约束在YALMIP里写起来非常有条理因为YALMIP允许你用自然的方式定义变量、写约束、定义目标函数然后交给底层求解器。你在调试时可以用check(Constraints)检查是否可行用optimize求解最后用value()取出各变量的数值。4.2 YALMIP建模与求解器选型Matlab实现微电网经济调度我最推荐的路径是 YALMIP CPLEX/Gurobi 的组合。YALMIP是建模工具箱负责把优化问题翻译成求解器能理解的标准形式CPLEX或Gurobi负责真正解这个MILP问题。如果你只有Matlab基础的工具箱也可以用intlinprog但建模体验会差很多而且复杂约束写起来容易出错。求解器我按可靠性排序Gurobi、CPLEX、intlinprog。前两者是商业求解器对学生和研究者一般有免费学术许可处理几百个整数变量的MILP毫无压力。上面提到的充放电互斥、购售电互斥、可中断负荷的0/1状态都会引入二进制变量所以MILP求解器是刚需。还有一批论文用粒子群算法PSO或遗传算法GA做经济调度。我不是说智能算法不能做但从工程角度讲对于这种“目标函数线性、约束清晰”的问题用MILP求解器拿到的全局最优解和智能算法的“近似最优解”差距明显而且求解时间通常更短。智能算法的价值更多体现在非线性、不可导、约束难以解析表达的场景。所以我的选择很明确Matlab YALMIP MILP求解器。% YALMIP求解核心代码示意 ops sdpsettings(solver,gurobi,verbose,2); sol optimize(Constraints, objective, ops); if sol.problem 0 p_w_opt value(p_w); p_pv_opt value(p_pv); p_bat_dis_opt value(p_dis); p_bat_ch_opt value(p_ch); p_grid_buy_opt value(p_grid_buy); p_cut_opt value(p_cut); end4.3 代码框架与调试注意事項写代码时我习惯分模块data_input.m放原始数据build_model.m负责构建变量和约束solve_model.m调用求解器plot_result.m画曲线。不推荐把几百行代码堆在一个脚本里因为调试时你要反复修改参数堆在一起会非常痛苦。调试阶段最常遇到的三类报错约束不可行、变量值异常、求解超时。约束不可行最常见的原因是首末SOC约束和功率平衡冲突——比如储能初始SOC很高但末端又要求回到相同水平而中间又没有足够的放电机会。变量值异常通常是整数约束没生效检查一下二进制变量的定义位置。求解超时则要考虑是不是Big-M系数设得过大导致数值条件变差把M系数从1e6降到1e3往往能明显加速收敛。5. 算例结果会告诉你什么5.1 典型的算例参数怎么设置为了让调度结果有意义算例参数得贴近真实场景。我常用的基准参数是风电装机300kW、光伏装机200kW、储能200kW/400kWh、燃气轮机200kW、峰值负荷400kW左右、主网交互功率上限300kW。电价曲线可以按工业分时电价设置低谷0.3元/kWh、平段0.6元/kWh、高峰1.0元/kWh。需求响应补偿单价设在0.5~0.8元/kWh之间比较合理——太低了用户不愿意参与太高了系统会过度依赖切负荷。弃风弃光惩罚系数设在弃电量的机会成本附近一般取0.8~1.2元/kWh。这些参数看起来简单但微调任何一个都会改变调度结果。我建议固定其他参数只改一个系数做敏感性分析。比如把需求响应补偿从0.4逐步抬到1.0观察可中断负荷量、储能放电量、购电量三个指标怎么变化这样能直观看到“哪种资源更便宜系统就优先用哪种”。5.2 从结果曲线里读出调度逻辑算例跑完之后第一件事不是看成本数字而是画三张图功率平衡图、储能SOC曲线、各时段购售电情况。功率平衡图应该能看到夜间风电出力大、负荷低储能处于充电状态多余的风电要么存起来要么卖给主网白天光伏爬坡负荷升高储能开始放电傍晚光伏归零、负荷还在高位燃气轮机和购电顶上可中断负荷在这个时段被调用。储能SOC曲线的形状最能说明“日前调度”的智慧——低谷充电、高峰放电SOC曲线一天内应该呈现一条平滑的“U”型或“V”型轨迹。如果SOC曲线出现高频震荡多半是储能损耗成本设太低了优化器让电池疯狂做无用功。购售电曲线要检查有没有“同一时段又买又卖”的奇怪结果。虽然约束里已经加了互斥条件但如果你用的是简化模型没加互斥就会看到这种违背常理的现象。这也是我反复强调互斥约束的原因。5.3 代码复现时的几个实战建议写这个模型的前两周我几乎每天都在跟“不起眼的细节”搏斗。总结下来有三个建议第一所有功率和能量单位统一。要么全部用kW和kWh要么全部用MW和MWh混用会导致约束数量级差10^3求解器数值出问题。第二二进制变量尽量少。能用连续变量近似表达的约束就别加整数变量比如储能充放电互斥可以用一个变量表示净功率加损耗系数近似。第三初版代码只跑24时段单场景等结果合理了再去扩展96时段、多场景。再提一个容易被忽略的点预测数据的质量决定调度结果的上限。代码里的风光预测曲线如果是从历史数据随便挑的一天结果会很有“偶然性”。做算例分析时最好把典型日分成“大风日”“小风日”“晴日”“阴天”四种场景分别测试观察调度策略的差异这样的结论才有说服力。我个人调试完这一整套代码后最大的体会是微电网日前经济调度不是一个“模型多复杂”的问题而是一个“细节多周全”的问题。风光储能建模、需求响应约束、目标函数成本项之间的配比任何一个环节处理不到位跑出来的结果都会让你怀疑人生。这套方法在工程上的好处是框架清晰预测数据、优化模型、求解器、结果分析四个模块解耦后续想升级为滚动优化或者鲁棒调度只需要替换其中一个模块即可。希望这篇拆解能帮你少走我当初走的那些弯路。