刚接触微电网调度优化时我踩过最大的坑就是把“调度”理解成简单的峰谷套利规则电价高峰放电、低谷充电、光伏优先消纳。这套规则在晴天好用可一旦光伏被云遮、负荷突变规则就失灵了。后来我在一个园区级微电网项目里把方案改成模型预测控制MPC情况立刻不一样。所谓MPC就是每个调度时刻都基于当前实测状态和未来一段时间的预测数据在线求解一个有限时域优化问题只执行第一个控制动作下一时刻再重新滚动。换成微电网调度优化的话说储能充放、电网购售电的决策不再是一张“死计划”而是跟着实时状态和预测误差不断修正的动态策略。本文把这套方案的模型原理、Python实现和实战中踩过的坑完整梳理一遍适合正在做电力系统优化的研究生、搞储能EMS的工程师以及想入门预测控制的新人参考。1. 微电网调度为什么需要MPC1.1 传统调度的痛点与MPC的引入传统微电网调度通常分两类一类是纯规则调度比如“光伏出力优先给负荷多余给储能充电缺电时从电网购电”另一类是日前优化调度提前一天根据光伏、负荷预测曲线和分时电价求解未来24小时的最优储能功率序列。规则调度的优点是简单、可解释性强缺点是完全不考虑电价动态和储能的综合效益。举个实际例子中午光伏大发时如果电价正处于平价段而傍晚峰段电价很高规则调度可能会把过多的能量塞进储能导致傍晚之前储能已接近满充失去了利用峰谷价差的机会。规则调度看起来每时每刻都“符合逻辑”但放在全局时间轴上往往不是最优的。日前优化调度的思路先进一些它把未来24小时的钱和约束放在一个目标函数里求全局最优。但这个方案有一个致命弱点预测结果和实际运行状态不一致。光伏预测误差在晴天能控制在10%以内多云天经常飙到20%以上一旦实际出力偏离计划值后续时段的调度计划全盘失效。更麻烦的是如果调度员或EMS按计划执行而实际SOC因效率损耗发生偏移几天之后计划值和真实值之间的偏差会越滚越大。MPC解决的就是这个痛点。它不追求一次性把24小时的最优解算干净而是把优化窗口压缩成未来一小段比如未来6小时、15分钟一个步长共24步只执行第一步到下一个调度时刻重新读取实测状态和最新预测再算一遍。相当于开车导航不是从出发时一口气规划到终点而是每隔几分钟根据实时路况重新计算未来半小时的路线。这个“滚动优化、逐步修正”的思路恰恰是微电网这种强不确定场景最需要的。1.2 总体架构预测、优化、执行、滚动的闭环我在项目中落地MPC微电网调度时整体架构分成了四个模块预测模块、状态测量模块、优化求解模块和执行模块。预测模块负责给出未来N个采样步长的光伏出力和负荷功率来源可以是数值天气预报换算、历史相似日检索也可以是最简单的指数平滑外推。实测下来预测数据不需要非常精确但对趋势的把握要准否则MPC的优化结果会跟着错误预测走反而比简单规则更离谱。状态测量模块读取储能SOC、当前实际功率、并网点功率等实时数据这是MPC闭环的锚点。优化求解模块接收预测和实时状态在当前时刻t构建一个从t到tN-1的有限时域优化问题输出未来N步的最优控制序列。执行模块只取控制序列的第一组动作下发到储能变流器和并网开关让系统实际执行。到t1时刻再读取新状态、新预测重复上述过程。这个闭环结构里最容易被忽视的是“只执行第一步”这件事。很多新手第一次写MPC习惯把整个序列全部执行完这就退化成了预测控制的反面教材开环控制。一旦开环执行预测误差和模型误差会直接累积MPC的抗扰优势完全浪费。我一般会在主循环里严格控制只把u[0]传入仿真或实际设备剩余序列直接丢弃。1.3 什么场景下MPC最值得用并不是所有微电网都需要上MPC。如果是纯离网、负荷固定、光伏装机很小的系统规则调度甚至固定出力就能满足需求上MPC属于杀鸡用牛刀。我自己判断要不要用MPC主要看三个特征。第一系统里存在可控的储能或者可调负荷。MPC输出的是控制量如果系统里压根没有可控设备比如光伏直接带负载、没有储能也没有柴发那优化无从谈起。第二电价或运行成本具有明显的时序差异。分时电价、现货电价、需求响应激励这些时间维度上的价格波动是MPC收益的主要来源MPC能自动把成本考虑进预测时域内统筹分配储能行为。第三光伏或负荷预测存在显著不确定性。如果一个系统环境稳定、光伏变化平缓一次日前优化就能解决大部分问题反之如果经常出现云层快速移动、负荷大范围波动MPC的滚动修正能力会显著优于固定计划。满足这几点的典型场景包括园区光储微电网、商业楼宇光储充系统、含多个发电单元的独立微电网以及未来参与现货市场交易的用户侧储能。在这些场景里MPC不是花哨的学术玩具而是真正能产生经济效益的工程手段。2. MPC核心原理与微电网模型搭建2.1 微电网典型拓扑与基础模型微电网调度优化里建模的尺度通常在母线级不需要考虑线路潮流和电压分布而是把整条母线看作一个功率平衡节点。系统中每个设备以功率注入或消耗的形式出现在平衡方程里。以最常见的并网型光储微电网为例系统包含光伏阵列、储能电池、本地负荷以及与大电网的交换点功率平衡方程为P_pv(t) P_grid(t) P_bat(t) P_load(t)这里P_pv和P_load作为预测给定的外部输入是“扰动量”P_bat是储能的充放电功率定义为正表示放电、负表示充电P_grid是并网点功率正表示从电网购电、负表示向电网售电。光伏模型在调度时间尺度下不需要精确的I-V曲线直接采用预测序列即可。如果本地有辐照度数据可以用简化效率模型折算P_pv(t) eta_pv * S(t) * A_pv其中S是辐照度A_pv是光伏板面积eta_pv是综合转换效率。工程上我更喜欢直接用逆变器上报的预测功率序列省去建模误差。负荷模型同样简化按预测序列给定。如果系统含有可平移负荷或可削减负荷需要额外引入0-1变量或者连续功率调节变量这会增加模型的复杂度入门版本可以先不纳入先把储能和电网交互这条主线打通。2.2 储能模型与约束的数学表达储能是MPC微电网调度中最核心的建模对象因为它的“状态”SOC会跨时段累积直接决定了MPC动态优化的意义。SOC的状态转移方程是SOC(k1) SOC(k) - eta_c * Tc * P_bat_c(k) / C_rated (1/eta_d) * Tc * P_bat_d(k) / C_rated这个公式里有两个变量P_bat_c和P_bat_d分别表示充电功率和放电功率都是非负的。eta_c是充电效率eta_d是放电效率C_rated是电池额定容量Tc是采样步长对应的小时数。之所以要把充放电拆成两个变量是因为充放电效率不同如果只用一个变量表达无法同时体现两段效率差异。当然如果不强制约束P_bat_c和P_bat_d不能同时非零优化器可能会为了利用效率不对称性而出现“既充电又放电”的荒谬解。解决办法有两个一是引入二进制变量约束二者互斥二是通过设定成本项让同时充放电经济上不划算。在入门代码里可以先用线性成本让充放电互补后面再讨论MIP方案。SOC的约束条件包括上下限和功率限幅SOC_min SOC(k) SOC_max0 P_bat_c(k) P_bat_c_max0 P_bat_d(k) P_bat_d_max这里需要注意SOC_min和SOC_max的设置。很多项目为了让电池多存电会把SOC下限放到20%甚至10%但我建议综合考虑电池循环寿命和调度鲁棒性设计在30%到90%比较稳妥。SOC下限太低遇到连续阴雨天可能面临容量不足MPC即便能够提前规划也会因为预测误差被迫频繁深度充放这对电池健康影响很大。2.3 MPC优化问题的数学框架MPC在每个时刻t求解的核心问题可以写成如下形式min sum_{k0}^{N-1} [ C_price(tk) * P_grid(tk) * Tc lambda * (P_bat_c(tk) P_bat_d(tk)) ]约束条件包括功率平衡、储能SOC转移方程、储能功率上下限、SOC范围以及电网交互功率的允许区间。N是预测时域长度C_price是分时电价或实时电价第二项是储能使用成本用充放电功率之和乘以一个很小的系数lambda表示电池损耗的罚项这是避免电池频繁动作的重要技巧。目标函数里还应该根据实际需要增加光伏弃光的惩罚项、负荷切除的惩罚项等。比如允许光伏逆变器限功率那么P_pv_max和实际发电量之间会出现差额差额乘以一个较高的惩罚系数纳入目标函数MPC就会自动权衡“弃光多一些”还是“储能多充一些”。为什么MPC在数学上适合微电网因为它本质上是一个带约束的有限时域最优控制问题而这个问题的结构恰好符合凸优化或二次规划的标准形求解速度快、稳定、易于工程实现。当预测时域N较短时变量规模只有几十到几百个主流的嵌入式处理器都能跑起来。我在树莓派上用cvxpy加OSQP15分钟采样步长、24步预测时域单次求解耗时大概几十毫秒完全满足微电网秒级甚至分钟级的调度需求。2.4 采样步长与预测时域的选型经验MPC性能好坏很大程度取决于采样步长和预测时域两个参数。采样步长决定控制频率常见的有5分钟、15分钟、30分钟、1小时。步长越短对快速波动的响应越好但预测数据的可用性、求解频率、通信开销都会增加。光伏和负荷预测在分钟级上的可信度并不高做调度优化时我一般倾向15分钟步长既能捕捉光伏云层遮挡的快速变化又不会因为过于频繁的优化而引入高噪声的预测数据。预测时域N的选择更关键。如果步长是15分钟N24对应的就是未来6小时。这个长度通常能覆盖一个完整的电价峰段或谷段也让光伏日内的主要变化趋势进入优化视野。N再加大到48甚至96覆盖到全天求解规模变大但优化效果提升有限因为超过6到12小时的预测误差显著增大远程时段的“最优解”参考价值开始打折扣。实际项目中我会做一组敏感性对比在预测误差可控的前提下找到效果和时长的平衡点。有一回我把N从24加到48成本只下降了2.3%求解耗时却从42毫秒涨到了130毫秒没有意外的话24步是性价比最高的起点。3. Python代码实现与关键细节3.1 工具选型cvxpy、casadi还是scipyPython做MPC可选用的优化工具不少我实际对比过cvxpy、casadi和scipy.optimize各有优劣。cvxpy是面向凸优化的建模工具DSL风格清晰适合线性规划、二次规划、锥规划底层可以接OSQP、ECOS、SCS等多种求解器。微电网调度优化大部分约束是线性的、目标函数是线性的或二次的cvxpy几乎是天然适配代码简洁易读是入门首选。casadi是更偏控制领域的最优控制框架支持非线性优化、多级动态规划适合系统模型更复杂、需要做风电机组动力学或详细发电机模型的场景但学习曲线更陡、建模方式也更底层。scipy.optimize灵活性最高但要自己处理稀疏矩阵和约束表达写大规模MPC时容易遇到性能问题。依赖安装方面我建议直接用pip安装cvxpy和osqppip install cvxpy osqp numpy matplotlib如果网络源慢可以换用国内镜像比如清华源。这里顺便提醒一句务必确认numpy、scipy和cvxpy的版本兼容cvxpy依赖的manylinux包有时会和较老版本的numpy冲突装完最好跑一段简单QP验证一下。3.2 数据准备与预测序列的工程处理MPC的输入预测序列直接来自光伏和负荷预测模块。在写优化代码之前第一步是数据清洗和序列对齐。时间戳必须是连续的采样间隔一致如果是外部预测给出的序列需要重采样到与调度步长相同的时间网格上。异常值处理我习惯用滑动中位数滤波把突变毛刺平滑掉否则MPC会根据一个异常点做出剧烈的储能动作。实际实现中可以准备一个类来管理预测序列和状态量import numpy as np class MicrogridPredictor: def __init__(self, pv_series, load_series, dt): self.pv pv_series self.load load_series self.dt dt def predict(self, t, horizon): end min(t horizon, len(self.pv)) pv np.zeros(horizon) load np.zeros(horizon) pv[:end - t] self.pv[t:end] load[:end - t] self.load[t:end] return pv, load这段代码简单地把历史或预设序列截取成预测窗口。实际工程中预测模块一般独立部署这里留出接口即可。需要特别提醒的是预测序列的长度必须大于等于MPC预测时域N否则循环后段会出现全零填充优化器会误以为未来没有光伏出力给出错误的充电策略。3.3 储能SOC与功率约束的代码实现用cvxpy实现MPC的优化模型时核心是把上一节的数学模型翻译成代码。这里给出一段带充放电效率差异的储能建模示例import cvxpy as cp def build_mpc_problem(pv, load, price, C_rated, eta_c, eta_d, soc_init, soc_min, soc_max, p_bat_max, dt): N len(pv) P_bat_c cp.Variable(N, nonnegTrue) P_bat_d cp.Variable(N, nonnegTrue) P_grid cp.Variable(N) SOC cp.Variable(N 1) constraints [SOC[0] soc_init] for k in range(N): constraints [SOC[k 1] SOC[k] - eta_c * dt * P_bat_c[k] / C_rated P_bat_d[k] * dt / (eta_d * C_rated)] constraints [soc_min SOC[k 1] soc_max] constraints [P_bat_c[k] p_bat_max, P_bat_d[k] p_bat_max] constraints [P_bat_c[k] 0, P_bat_d[k] 0] constraints [pv[k] - load[k] P_grid[k] P_bat_d[k] - P_bat_c[k] 0] cost sum(price[k] * P_grid[k] * dt 0.001 * (P_bat_c[k] P_bat_d[k]) for k in range(N)) prob cp.Problem(cp.Minimize(cost), constraints) return prob, P_bat_c, P_bat_d, P_grid, SOC这个写法比用一个P_bat变量更清晰每一条约束都能对着原始公式检查。需要注意的是充放电互斥的问题在这里没有被严格约束因为目标函数中的0.001成本项不足以阻止同时充放电。如果发现优化结果出现同时充放电可以把罚系数适当调大比如0.01到0.05或者显式加入MIP约束。我在项目里试过给成本的罚项用二次形式效果也不错还能保持连续规划、求解速度更快。3.4 主循环滚动优化与闭环执行MPC和普通优化的本质区别在滚动执行即只应用控制序列的第一步然后推进到下个时刻。主循环的完整代码如下def mpc_loop(data, params, total_steps): hist {SOC: [], P_bat: [], P_grid: [], cost: []} soc_real params[soc_init] for t in range(total_steps): pv_pred, load_pred data.predict(t, params[N]) price params[price_series][t: t params[N]] prob, P_bat_c, P_bat_d, P_grid, SOC build_mpc_problem( pv_pred, load_pred, price, params[C_rated], params[eta_c], params[eta_d], soc_real, params[soc_min], params[soc_max], params[p_bat_max], params[dt]) prob.solve(solvercp.OSQP, verboseFalse) if prob.status optimal: p_bat_c_now P_bat_c.value[0] p_bat_d_now P_bat_d.value[0] p_grid_now P_grid.value[0] else: p_bat_c_now 0.0 p_bat_d_now 0.0 p_grid_now (load_pred[0] - pv_pred[0]) soc_real soc_real - params[eta_c] * params[dt] * p_bat_c_now / params[C_rated] \ p_bat_d_now * params[dt] / (params[eta_d] * params[C_rated]) hist[SOC].append(soc_real) hist[P_bat].append(p_bat_d_now - p_bat_c_now) hist[P_grid].append(p_grid_now) hist[cost].append(price[0] * p_grid_now * params[dt]) return hist这段代码有几个细节值得注意。一是soc_real必须用实际执行后的SOC来更新而不是用优化模型预测的SOC序列第一段因为模型参数和实际系统总有偏差用实测值重置状态是闭环的关键。二是求解失败时要有个兜底策略我的兜底逻辑很简单储能不动电网按差值填补功率平衡。虽然不经济但能保证系统不崩溃实际调试价值很高。三是每个调度周期只取P_bat_c.value[0]和P_bat_d.value[0]执行其余序列全部丢弃。3.5 cvxpy建模提速与结果输出MPC主循环最大的性能瓶颈在模型构建。cvxpy每轮循环都要重新构建问题对象、生成数值矩阵如果预测时域较大或者控制频率很高这个开销不容忽视。我试过两个优化手段一是把变量和约束结构固定在循环外只更新参数数值cvxpy的Parameter机制二是用求解器的warm start让OSQP在上一轮解的基础上继续迭代。用Parameter机制改写的代码稍微复杂但收益明显。把SOC初值、预测序列、电价序列都定义成Parameter循环里只做soc_param.value soc_real这类赋值然后调用prob.solve()。我实测在24步预测时域下重构式写法每轮耗时80毫秒左右参数化写法可以压到30毫秒以下。如果只是一个演示项目重构式写法够用如果要做实时EMS或者长时间仿真强烈推荐参数化写法代码虽绕一点但值得。结果输出方面可以把每组车道的数据存成numpy数组最后用matplotlib一次性绘制储能功率、SOC、电网交互功率和成本曲线。分析时我习惯把MPC的结果和规则调度放在同一张图里放在同一坐标下对比能直观看到MPC在哪段时间决策更聪明、省了多少成本。4. 算例验证与效果分析4.1 测试场景设计与参数配置清单为了让代码能跑出直观的效果我设计了一个典型的园区光储微电网算例。光伏装机容量60kW负荷峰值50kW储能配置100kWh/50kW购电价格按一般工商业分时电价峰段1.2元/kWh、平段0.8元/kWh、谷段0.4元/kWh售电价格统一按0.35元/kWh。调度步长15分钟MPC预测时域24步SOC初始值为50%允许运行范围30%到90%。下面这张表可以帮助你快速搭建自己的算例参数参数数值说明光伏装机60 kW预测峰值出力约60 kW负荷峰值50 kW日最大负荷储能容量100 kWh可用容量100 kWh储能功率限幅50 kW最大充放电功率充/放电效率0.95 / 0.95锂电池典型值SOC范围[0.3, 0.9]保护电池寿命调度步长15 min采样间隔预测时域24步未来6小时光伏出力曲线用一个带云层遮挡的波动序列早上爬坡、中午高发但有一段骤降、傍晚归零负荷曲线设置早晚两个高峰。这样的场景能让MPC充分展现处理预测波动的能力。4.2 典型调度结果解读跑完代码后最关心的自然是MPC给出的储能行为是否符合预期。白天光伏充足的时段MPC会让储能保持充电状态把多余的光伏能量吸收SOC缓慢爬升。中午光伏出现骤降时MPC因为预测到了这个下降趋势会在骤降前主动降低充电功率甚至转为小功率放电保证下午负荷高峰时有足够容量可以用。傍晚电价进入峰段、光伏出力接近零MPC在高价时段释放储能SOC从高位下降同时从电网购电的量显著减少。夜间电价进入谷段系统又从电网补电把SOC抬回来一部分为第二天做准备。与简单的“固定峰谷时段充放”规则对比MPC最大的优势体现在中午云层遮挡和傍晚峰段的衔接上。规则调度按时间表机械充放在光伏骤降时没有提前预防只能依靠电网硬补实际购电成本明显更高。我这一组算例里MPC方案比固定规则整体购电成本降低了约12.6%而且储能动作次数更少、深度更浅对电池更友好。4.3 预测时域影响与敏感性分析预测时域对MPC性能的影响值得专门做一组实验。把N从6逐步增加到48其他条件不变。N6时MPC只能看到未来1.5小时而傍晚峰段往往持续2到3小时等于“近视眼”看不到完整峰段优化效果有限。N24时MPC能看到完整峰谷结构储能可以在谷段充满、峰段释放成本下降明显。继续增大到N48效果提升不大因为超过12小时后的预测可信度下降远端电价信息虽然被纳入了优化但对应的预测误差也更大优化结果参考价值打折扣。调度步长的敏感性测试也值得做。把15分钟改成1小时问题规模缩小了四倍但系统对光伏骤降的响应明显迟钝局部时段出现较大的功率缺额。改成5分钟之后求解频率升高对预测数据的噪声也更敏感偶尔会出现储能动作抖动的现象。综合来看15分钟对大多数园区微电网是一个均衡的选择。5. 常见问题与排查技巧实录5.1 求解报错infeasible怎么办MPC初学者最常遇到的错误是problem infeasible即问题不可行。原因大多是约束条件之间互相矛盾。最典型的是SOC初始值偏低而当前步长的最大充电功率又不足以把SOC在下一个时刻提升到下限以上。比如SOC初始值28%SOC下限30%步长0.25小时最大充电功率50kW容量100kWh一小时内最多充满约12.5%理论上能补到30%以上但如果充电效率也计入损耗边界条件一紧就可能导致首步不可行。排查思路分三步。先检查SOC初值和下限是否自洽可以把soc_init设成soc_min来排除边界问题。其次检查功率平衡方程是否可能无解比如负荷预测值过大而光伏和储能容量都不足此时需要对外购电功率放开上限。最后建议把SOC下限做成软约束引入一个非负松弛变量乘以惩罚系数加入目标函数既能保证问题永远有解也能在优化中自然权衡过下限的代价。5.2 实际SOC和预测SOC漂移滚动MPC如果没有用实测SOC重置模型初值预测SOC和实际SOC会出现明显漂移原因就是模型效率、容量参数与实际不一致。我曾经做过一次没有重置初值的仿真到第9个小时预测SOC还有65%实际SOC只剩41%后续所有决策全面失真。解决办法很简单每个调度周期把soc_real作为下一轮优化模型的初值而不是用上一轮预测的SOC[1]往下传。这段代码在主循环里我已经体现。更进一步的方案是引入状态估计用卡尔曼滤波把SOC和充放电效率作为一个整体去估计能显著提高模型精度但入门阶段不必急着上先把状态重置做到位问题就能解决大半。5.3 二进制变量与购售电互斥约束很多微电网调度模型为了符合物理规则会要求系统不能同时购电和售电于是引入0-1变量z_grid cp.Variable(N, booleanTrue) constraints [P_grid[k] z_grid[k] * P_grid_max] constraints [P_grid[k] -(1 - z_grid[k]) * P_grid_max]加入二进制变量之后问题变成了混合整数规划cvxpy默认求解器可能无法处理需要换成ECOS_BB或者调用商业求解器。求解时间会从几十毫秒涨到几百毫秒甚至秒级在实时EMS里这是不能接受的。实际经验是电价曲线本身对购售电行为有足够的约束作用只要售电价格低于购电价格优化器天然不会同时购售电不需要显式加强制互斥约束。只有当出现“倒挂”电价售电高于购电的极端场景才需要考虑这个约束。还是那句话先让模型跑起来、跑得快再根据物理需求加复杂度。5.4 预测输入突变与调度抖动MPC对预测误差有一定的容错性但预测序列出现大幅突跳时优化结果会产生剧烈波动。比如光伏预测在某一时刻从50kW突然跌到5kWMPC会立刻让储能从充电切到大功率放电这种控制“抖动”对设备和电池都不好。我的处理方法是两层。第一层是数据预处理对预测序列做时间尺度上的平滑比如中位数滤波、移动平均消除孤立毛刺。第二层是在目标函数中增加控制增量惩罚也就是惩罚P_bat(k1)和P_bat(k)之间的差值让储能功率变化速率受限if k 1: constraints [cp.abs(P_bat_d[k] - P_bat_d[k-1]) ramp_rate * p_bat_max]加上爬坡约束后MPC的动作会变得平滑许多。代价是响应速度稍有下降但考虑到实际储能逆变器的功率变化率本来就有物理限制这个约束反而更符合工程实际。这个坑我在第一个项目里没注意储能变流器频繁报过流后来加了爬坡约束就稳定了。写在最后一点实操体会如果只让我分享一条经验那就是MPC在微电网调度中真正值钱的部分不是求解器选得多高级、预测算法多花哨而是“状态重置”和“约束鲁棒”这两个工程细节。代码层面几十行就能搭出完整的滚动优化框架但能不能在仿真里跑一整年不崩取决于你是否认真处理了SOC初值更新、求解失败兜底、功率爬坡约束这些冷门角落。我见过不少人对MPC的数学原理倒背如流一到实际数据就频频翻车问题都不在模型本身而在工程接口上。建议你把文中的主循环代码跑通后先尝试改一改预测时域和SOC下限观察它们对成本和电池动作量的影响再逐步加入爬坡约束、软约束和参数化提速。这些改动虽然不起眼但正是把纸面算法变成能落地调度的关键一步。后续如果想继续扩展方向也很多把固定电价换成现货市场出清价、把储能换成氢储能、甚至在预测误差场景集上做随机MPC每一步都能让这套基础框架往更复杂的工程场景推进。