微电网调度这块大家应该都有共识光伏和负荷一波动起来靠人工经验或者简单规则去分配储能、联络线功率往往顾此失彼。要么弃光严重要么SOC越界要么大高电价时段还在傻乎乎地买电。用Matlab做基于模型预测控制MPC的微电网调度优化就是冲着这些痛点去的。这篇内容不光讲清楚MPC为什么适合干这个活还会把微电网各单元的建模方法、滚动优化的Matlab代码框架、目标函数和约束怎么设计、以及求解时容易踩的坑一次说透。无论是正在做毕业设计的学生还是刚接触能源调度的工程师都可以直接照着搭一套自己的调度仿真。1. 为什么微电网调度选MPC——方案对比与选题逻辑1.1 微电网调度到底在解决什么问题先说调度问题的本质。微电网里有光伏、储能、负荷可能还有柴油发电机或者与配电网的联络线。调度要做的事情就是在每个时间步决定储能是充电还是放电、充多少放多少联络线买电还是卖电柴油机要不要开、开到多少功率。这些决策不是孤立的因为储能SOC有连续性今天多放了电明天可能就不够用电价是分时的这个小时买电多花了钱另一个小时可能便宜。如果只有一天的数据前后看一遍这是个典型的优化问题。但实际情况是光伏预测和负荷预测都有误差而且未来几个小时的预测数据会不断更新。你今天早上做的全天计划到中午可能已经偏离实际了。所以调度算法不能是“一次性规划完就不管了”它必须能滚动调整每过一个采样周期就根据最新的状态和预测重新算一遍。这就是MPC被大量用于微电网调度的根本原因。1.2 模型预测控制的核心机理与生活类比MPC的核心可以拆成三块预测模型、滚动优化、反馈校正。预测模型解决的是“未来长什么样”的问题。你给定当前SOC、当前光伏出力、未来N个小时的光照预测和负荷预测模型就能推演出未来一组可能的系统状态。滚动优化解决的是“现在该做什么”的问题。在每个采样时刻求解一个从当前到未来N步的优化问题算出一整串控制序列但只执行第一步下一步再重新采样、重新优化。反馈校正解决的是“模型错了怎么办”的问题。因为预测数据和实际总有偏差每步都用最新的实时测量值去更新状态相当于边走边校准。打个比方就像开车出库。如果只看眼前两三米你判断不了要不要提前打方向盘如果非要盯着导航看到终点你又没法应对中途突然的变道。MPC就是盯着前方一段路比如三百米根据当前车速和路况一次规划好接下来几秒的操作执行一秒后再重新看路况、重新规划。这段“看得见的未来”就是预测时域而“走一步看一步”的机制就是滚动优化。1.3 与传统算法对比为什么不是PID、不是遗传算法我见过不少人在微电网调度里用PID也有人用遗传算法或粒子群。实际上这些方法各有适用边界硬搬到MPC的场景里会很别扭。PID是反馈控制它只看当前的误差没有对未来的预判能力也不可能显式处理“SOC不能低于20%”这种硬约束。你把MPC的优化问题换成PID根本没法把分时电价、储能寿命这些信息写进去。启发式算法虽然能处理复杂非线性目标和约束但它的计算代价太大了滚动优化每个步都要重新求解一次遗传算法每步可能要迭代几百次、评估几千个个体调度周期是按小时算的你算完一个步太阳都下山了。MPC则是一个数值优化问题在预测时域和约束规模可控的情况下商用求解器可以在毫秒到秒级出结果完全满足实时调度的需求。Matlab做这件事也有天然优势矩阵运算方便自带优化工具箱再加上YALMIP这个建模工具你可以用接近数学公式的方式去写目标函数和约束不用自己手搓求解器。这也是大多数相关项目选择Matlab的原因。2. 微电网各单元建模——MPC预测模型的物理基础2.1 整体架构与功率平衡方程MPC的第一步是把微电网抽象成一个离散时间动态系统。假设采样时间间隔为Δt下标k表示第k个采样时刻那么系统里每个时刻都必须满足功率平衡P_pv(k) P_bat(k) P_grid(k) P_diesel(k) P_load(k)其中P_bat(k)是储能充放电功率充电为正、放电为负也可以反过来定义但建议统一并写在代码注释里。P_grid(k)是联络线功率从电网买入为正、向电网卖出为负。这个等式是调度模型里最重要的约束后面所有目标函数和约束都围绕它展开。在Matlab代码里这个约束用YALMIP写出来非常直观Constraints [Constraints, P_pv P_bat P_grid P_diesel P_load];注意这里的P_pv、P_bat、P_grid、P_diesel都是长度为Np的优化变量向量P_load是预测得到的向量。等式约束在YALMIP里用双等号支持向量形式。2.2 光伏发电模型光伏出力模型可以做得复杂也可以做得简单。做调度仿真不建议用组件级别的单二极管模型那个是光伏阵列设计用的算起来慢也没有必要。调度层用的是功率预测结果即认为未来Np步的光伏出力是一个已知输入序列。这个输入序列怎么来在真实系统里会来自数值天气预报加光伏功率预测算法在仿真里最常用的做法是用一条典型日出力曲线。如果你想在仿真中体现预测不确定性可以给这条曲线加噪声这样就能测试MPC的抗干扰能力。如果要从辐照度和温度去算简化公式可以写成P_pv η × S × Irr × (1 - 0.005 × (T - 25))其中η是光伏阵列综合效率S是光伏板总面积Irr是辐照度T是组件温度。这个公式虽然粗糙但作为调度层的预测模型已经足够。更讲究一点的做法是直接把MPPT跟踪后最大功率点输出作为P_pv也就是把光伏系统当成一个受天气影响的负的负荷。Matlab代码可以这样写% irradiance是辐照度序列W/m2temp是温度序列℃ % pv_area是光伏板面积pv_eff是综合效率 P_pv_pred pv_eff * pv_area * irradiance .* (1 - 0.005 * (temp - 25)) / 1000; % 单位kW这里最后除以1000是为了把W换算成kW方便后续功率单位统一。2.3 储能电池模型储能在调度模型中的核心是SOC动态方程。如果第k时刻的SOC是SOC(k)充放电功率是P_bat(k)那么下一个时刻SOC(k1) SOC(k) - P_bat(k) × Δt / E_cap如果P_bat定义为放电为正不过更常见的是充放电分开处理充电效率和放电效率不一样公式会变成SOC(k1) SOC(k) - (η_c×P_chg(k) - 1/η_d×P_dis(k)) × Δt / E_cap这里η_c是充电效率η_d是放电效率P_chg和P_dis分别是充电功率和放电功率都是非负变量。这样做的好处是能够精准刻画充放电效率差异缺点是变量会多一些约束和目标的写法也要调整。实际编程时我建议用单个变量P_bat再通过约束限制正负范围充电效率损失另行处理。比如SOC(1) SOC0; SOC(k1) SOC(k) - P_bat(k) * dt / E_cap; Constraints [Constraints, P_bat_min P_bat P_bat_max]; Constraints [Constraints, SOC_min SOC SOC_max];这里的P_bat_min是负的最大放电功率P_bat_max是正的最大充电功率。SOC约束直接写了上下限这是MPC处理约束能力的直接体现也是储能生命周期管理的关键。另外还要注意电池的退化成本。如果不考虑退化MPC会让储能频繁充放表面上省了电费实际上电池寿命损失可能比电费还贵。常用的做法是在目标函数里加上对储能动作量的惩罚项比如λ_bat乘以P_bat的平方或者绝对值。2.4 并网交互、柴油机与负荷模型联络线功率约束就两个买入功率上限P_grid_max和卖出功率上限。如果允许双向交易可以定义P_grid为带符号变量如果不允许卖电就加一个P_grid 0的约束。此外分时电价可以通过一个随时间变化的向量c_grid(k)直接写进目标函数。柴油机模型在微电网里通常会用一个二次成本函数C_fuel(P_diesel) a b×P_diesel c×P_diesel^2这是一个典型的经济调度成本项。因为在YALMIP里二次项可以直接写所以处理起来没有任何障碍。如果你还想模拟柴油机的最小技术出力、爬坡速率等约束也可以继续加但调度层建议保持模型简洁约束越多求解越慢调试也越难。负荷模型相对简单就是一条预测曲线。在仿真里我习惯把负荷做成两个峰值上午一个小峰、傍晚一个大峰这个样子比较贴近实际也方便展示储能削峰填谷的效果。3. MPC调度优化的核心实现——从目标函数到滚动求解3.1 目标函数设计不仅省电费还得算清储能寿命MPC的目标函数可以按经济成本来构建每一项都对应一个实际决策动机J Σ_{k0}^{Np-1} [ c_grid(k)×P_grid(k) C_fuel(P_diesel(k)) λ_bat×( P_bat(k) )^2 λ_curtail×(P_pv_available(k) - P_pv_use(k)) ]逐项解释c_grid(k)×P_grid(k)购电成本分时电价直接乘购电功率。如果允许卖电且卖电价低于买电价需要对正负向功率分别计价不建议直接用带符号的P_grid乘一个价格因为那样会把卖电也算成负成本逻辑上容易出问题。稳妥的做法是拆成P_buy和P_sell两个变量分别限制非负。C_fuel(P_diesel)柴油机燃料成本用二次函数。λ_bat×(P_bat(k))^2电池动作惩罚。用平方项可以同时惩罚大幅度充放电让系统优先用温和的功率去调节。这个系数不要省我第一次做MPC就是没加这项结果储能从一个极端到另一个极端来回猛充猛放看了都心疼。λ_curtail×(P_pv_available(k) - P_pv_use(k))弃光惩罚。当预测光伏出力大于负载和储能充电能力时MPC可以选择弃光但也需要付出代价。这个代价设置很关键如果设为零MPC会优先弃光储能就不怎么充了如果设得太高MPC可能硬去充电然后越界。合理的值是让它略高于储能充电的综合收益。这段目标函数用YALMIP写出来很干净Objective 0; for k 1:Np Objective Objective c_grid(k) * P_grid(k) ... fuel_a fuel_b * P_diesel(k) fuel_c * P_diesel(k)^2 ... lambda_bat * P_bat(k)^2 ... lambda_curtail * (P_pv_pred(k) - P_pv_use(k)); end如果你用的是较新版本的YALMIP可以用sum和向量运算来替代循环速度上会有提升。但循环版本的逻辑更直白适合先跑通再优化。3.2 约束条件处理松弛变量是必须的上一节提到的等式和不等式约束之外有个细节值得重点讲预测误差和模型失配会导致原本可行的优化问题突然不可行。比如预测光伏出力是50kW实际只有30kW按预测算好的功率平衡方案到实际执行时储能功率不够用了。解决这个问题的方法是引入松弛变量。把功率平衡等式改成软约束P_pv P_bat P_grid P_diesel - P_load δ其中δ是松弛变量在目标函数里加上M×δ^2M是一个很大的数。这样当约束确实无法满足时MPC不会直接崩溃而是会找一个误差最小的可行解并付出相应代价。实际项目中这种处理几乎必不可少。在YALMIP里软约束的写法也很简单delta sdpvar(Np, 1); Constraints [Constraints, P_pv P_bat P_grid P_diesel - P_load delta]; Objective Objective penalty * norm(delta, 2);这里用2范数作为松弛代价等价于二次惩罚。如果你想要绝对值形式的惩罚用sum(abs(delta))也可以反正求解器都能处理。SOC约束同样建议留出一点余量比如把实际约束设为0.22到0.88而不是0.2到0.9。这样即使下一时刻的实际SOC和模型预测有一丁点偏差也不会瞬间越界。3.3 Matlab代码框架与关键函数实现整个MPC调度的主循环可以这样组织% 参数初始化 T 24; % 仿真总时长小时 dt 1; % 采样间隔小时 Np 24; % 预测时域长度配合dt为1就是预测一天 SOC0 0.5; % 储能初始SOC E_cap 100; % 储能容量kWh P_bat_max 50; % 储能最大充电功率kW P_bat_min -50; % 储能最大放电功率kW % 预生成光伏和负荷预测序列 P_pv_pred generate_pv_profile(T); P_load_pred generate_load_profile(T); % 分时电价 c_grid get_time_of_use_price(T); SOC SOC0; P_bat_history []; P_grid_history []; for k 1:T % 取从当前时刻起的Np步预测不足Np时取剩余长度 horizon min(Np, T - k 1); pv_h P_pv_pred(k:khorizon-1); load_h P_load_pred(k:khorizon-1); price_h c_grid(k:khorizon-1); % 定义优化变量 P_bat sdpvar(horizon, 1); P_grid sdpvar(horizon, 1); P_diesel sdpvar(horizon, 1); P_pv_use sdpvar(horizon, 1); SOC_seq sdpvar(horizon1, 1); % 约束 Constraints []; Constraints [Constraints, SOC_seq(1) SOC0]; for j 1:horizon Constraints [Constraints, SOC_seq(j1) SOC_seq(j) - P_bat(j)*dt/E_cap]; Constraints [Constraints, P_bat_min P_bat(j) P_bat_max]; Constraints [Constraints, 0 P_pv_use(j) pv_h(j)]; Constraints [Constraints, 0.2 SOC_seq(j1) 0.9]; Constraints [Constraints, -20 P_grid(j) 100]; % 联络线功率上下限 end Constraints [Constraints, P_pv_use P_bat P_grid P_diesel load_h]; % 目标函数 Objective 0; for j 1:horizon Objective Objective price_h(j) * P_grid(j) ... fuel_b * P_diesel(j) fuel_c * P_diesel(j)^2 ... lambda_bat * P_bat(j)^2 ... lambda_curtail * (pv_h(j) - P_pv_use(j)); end % 求解 optimize(Constraints, Objective); % 只执行第一步 P_bat_act value(P_bat(1)); P_grid_act value(P_grid(1)); SOC value(SOC_seq(2)); % 记录历史 P_bat_history [P_bat_history, P_bat_act]; P_grid_history [P_grid_history, P_grid_act]; % 更新状态后进入下一个滚动周期 SOC0 SOC; end这段代码虽然简化了一些细节但已经是一个可以跑通的MPC调度框架。你自己写的时候建议把生成光伏、负荷预测序列和初始化的部分单独写成函数方便换数据源做实验。3.4 求解器选型与Matlab环境配置YALMIP只是一个建模层真正的求解要靠底层的优化求解器。如果目标函数是二次的、约束是线性的这是典型的二次规划QP问题Matlab自带的quadprog就能解。但实际项目里我强烈建议配置一个更专业的求解器。对于微电网MPC调度这种规模的问题线性规划LP或二次规划QP求解器最重要。常见的选择有两个方向一个是免费开源求解器比如用于LP的GLPK或用于QP的OOQP另一个是商业求解器比如Gurobi或CPLEX。商业求解器的优势在于鲁棒性和速度在学术环境中可以申请免费license个人用户也可以下载试用版。就我的经验来说Gurobi对二次目标函数的处理非常稳定几百个变量、几百个约束的小规模MPC求解基本在几十毫秒内完成可以放心用于在线滚动。配置流程不复杂下载求解器安装后在Matlab里运行yalmiptest验证是否被识别。如果YALMIP提示找不到求解器多半是环境变量或者路径没设好检查一下安装目录路径是否添加了系统PATH以及是否用了addpath添加YALMIP自身路径。如果你的目标函数经过线性化处理比如把二次项换成绝对值项也可以直接用linprog或者gurobi解LP速度会更快。但代价是求解结果的“平滑度”不如二次目标储能功率曲线会出现明显的分段线性特征。至于怎么选看你更在乎求解速度还是控制品质。4. 算例设计、结果分析与参数整定经验4.1 测试算例设置一天才看出门道我建议所有第一次跑MPC调度的人都用一个24小时、1小时一步的典型日算例先跑通而不是直接上真实数据。因为真实数据噪声大你分不清问题是MPC逻辑错了还是数据本身的问题。算例可以这样设参数数值说明采样间隔Δt1 h共24步滚动24次储能容量100 kWhSOC范围取0.2~0.9储能最大功率±50 kW充放最大速率光伏装机80 kW峰值出力在中午峰值负荷60 kW傍晚约19点达到顶峰联络线功率上限100 kW只允许买电不允许卖电分时电价谷0.3元/kWh23点~7点平0.7峰1.2典型峰谷电价光伏曲线可以给一个钟形曲线峰值放在午后幅度大致是装机容量的0到0.95倍。负荷曲线设定为夜间低谷、早晚两峰。这样储能就有充分的削峰填谷空间夜间低谷电价充电白天光伏大发时充电傍晚电价高峰时放电支撑负荷。MPC的调度策略会明显呈现这种规律。4.2 代码运行与结果解读看三条曲线就够跑完代码后重点看三条曲线SOC曲线、储能功率曲线、联络线功率曲线。理想的SOC曲线应该是这样的从0.5开始夜间低谷电价时段缓慢上升充电上午维持在高位中午光伏大发时可能继续充一点下午傍晚开始下降放电支撑负荷到晚上回到接近0.5。如果SOC曲线出现锯齿状频繁波动多半是目标函数里λ_bat太小或者预测序列不平滑。联络线功率曲线应该尽量避开峰值电价时段。如果看到峰价时段还在大量买电那说明目标函数里购电成本的权重有问题或者储能容量限制导致无法提前蓄电。这时候不是改代码而是改预测时域——你把Np从12改成24MPC就能“看到”傍晚的峰价从而白天就提前开始蓄能。这正好说明预测时域长度的重要性。拿MPC结果和一个简单规则策略对比比如“光伏优先供给负荷、余电充储能、不足时从电网买”你会发现MPC的日购电成本更低而且SOC不会越界。这个对比数据写进论文里是很直观的验证。4.3 参数整定心得Np、λ_bat和采样时间的经验值预测时域Np是最敏感的参数。Np太短比如只有几个小时MPC看不到远处的峰谷电价调度决策就会显得“短视”跟贪婪算法差不多。Np太长比如覆盖几天计算量会明显上升而且远期预测数据本身误差就大过度依赖远期预测反而可能给出错误的当前决策。对于小时级采样、一天级调度的场景Np取12到24是经验值。如果采样间隔是15分钟Np可以取96即一天但要注意求解时长必要时裁剪到48步。惩罚系数λ_bat的作用是约束储能动作幅度。我调试时习惯先给一个中间值比如0.01观察SOC曲线是否平滑如果储能功率频繁超过30kW就把λ_bat调大两倍如果储能几乎不怎么动就减小两倍。这个系数不用精调量级对就够。λ_curtain弃光惩罚的设置要结合光伏利用率的预期来。如果一个典型日光伏预测峰值是80kW负荷峰值是60kW储能最大充电功率是50kW那么理论上不会弃光。但如果光照很强、负荷很低的场景弃光惩罚系数不够MPC就会倾向于少发电来节省“不存在的成本”这是错的。稳妥做法是先把P_pv_use设定为必须等于预测光伏出力跑通后再放开为可弃光观察差异。采样间隔Δt的选取也很关键。Δt太大比如4小时根本没法捕捉负荷和光伏的变化趋势Δt太小比如1分钟连续仿真一天就要跑1440次MPC每次都要重新求解计算负担很大。调度层的应用场景是分钟级到小时级不建议小于5分钟。5. 常见问题与Matlab实现避坑实录5.1 求解器报错Infeasible problem这是MPC入门最容易撞上的问题而且报错信息很精简根本不会告诉你哪条约束被违反。通常的排查路径是先确认功率平衡方程里各变量的符号约定是否一致尤其是P_bat为正充电还是为正放电这个搞反了会让储能约束和功率平衡永远矛盾。再看SOC的动态方程如果SOC(k1) SOC(k) - P_bat×dt/E_cap中P_bat定义的是充电为正那SOC会随着充电而下降等于满电状态被判定为0约束当然不可行。还有一个坑是优化变量和预测序列的长度不匹配。比如预测序列已经取到k23但代码里某条约束用的索引是1到24实际上k23在边界上只有一步长度少一个YALMIP会报维度不匹配有时候看起来却是不可行。遇到这种情况建议在构建约束后打印size(Constraints)检查约束的维度是否与期望一致。最通用的调试手段是把所有硬约束先放宽成软约束加入松弛变量然后看优化结果的松弛变量数值分布哪一时刻松弛变量大问题就出在哪时刻的约束上。这个手段救了我很多次。5.2 滚动优化结果震荡、抖振如果储能功率曲线在相邻两个周期出现大幅跳变比如第一个周期决定充电30kW第二个周期突然决定放电40kW这通常是λ_bat太小或者预测序列相邻值差距过大导致的。先用简单移动平均把光伏和负荷预测序列平滑一下。如果问题依然存在把λ_bat加大或者给P_bat加一个变化率限制也就是把|P_bat(k1) - P_bat(k)|放进目标函数或约束里。这个变化率惩罚本质上是让储能动作更平滑代价是牺牲一点经济性但对于保护电池和稳定电压是有价值的。这里还有一个容易被忽略的点MPC每步只执行第一步但第一步的决策强烈依赖当前对未来的预测。如果预测数据本身在每步都整体平移更新那么第一步的决策就可能一直在变。解决方法是引入“扰动抑制项”比如在SOC动态方程里加入上一时刻的预测误差修正项相当于在反馈校正环节直接把误差前馈到下一步预测中。实践下来这个修正项能显著减少滚动过程中的决策波动。5.3 一天结束SOC回不到初值运行一天仿真后如果SOC停在0.8而前面实际并未充分利用储能去放电你会发现总成本偏高。原因很简单MPC只优化了24小时内的成本它并不关心“明天”储能有电还是没电。如果你不给终点SOC设目标MPC会倾向于保持高SOC不敢放电因为放了电虽然省了电费但也放弃了“未来的灵活性”。解决办法是在目标函数里加终端成本项比如λ_terminal×(SOC(Np1) - SOC_ref)^2其中SOC_ref设定为0.5。这样MPC会综合考虑当前经济性和终态SOC。也可以把最后一个时刻的SOC加一个区间约束比如0.45到0.55效果更加直接但约束太紧可能导致可行性问题。经验做法是先用终端成本软约束跑稳定之后再考虑加硬约束。5.4 计算时间太长实时性跟不上MPC滚动优化的计算时间由三方面决定问题规模、求解器能力、代码写法。如果你的Np是96变量数量会比较多求解时间可能从几十毫秒涨到几秒。这个增长速度在线性规划里还不明显但一旦目标函数是二次的、约束稍微复杂求解时间会快速上升。优先检查YALMIP的建模方式。用向量化运算替代for循环让约束和目标都以矩阵形式批量加进去YALMIP的编译时间能减少一个量级。其次把不需要的松弛变量省略松弛变量越多问题维度越大。还有一个小技巧如果允许卖电把P_grid拆成正负两个变量会让问题规模翻倍如果实际场景很少卖电可以先把卖电约束去掉用惩罚代替负的P_grid解决问题后再加上。如果你用Gurobi可以在求解前设置showprogress 0、outputflag 0来关闭控制台输出这在滚动循环里能省下不少IO时间。实时性要求高的场景可以进一步考虑用quadprog配合稀疏矩阵直接建模绕开YALMIP的开销但代码会晦涩很多得不偿失。5.5 光伏预测失配导致调度效果变差MPC的另一个常见质疑是预测不准MPC还能叫“最优”吗答案是MPC具有天然的反馈校正能力它每步都用最新测量值重置SOC和当前状态所以预测误差的影响会被逐步校正。但这个校正能力是有上限的如果预测误差太大比如预测光伏100kW、实际只有50kW那么MPC按预测制定的储能充放电计划在第一个时刻就会偏差很大。实际项目里我习惯在光伏模型里加一个反馈修正项P_pv_actual_pred(k) P_pv_forecast(k) e_pv(k-1)其中e_pv(k-1)是上一时刻的预测误差。这意味着预测序列会带上模型偏差的调整调度策略不会傻等误差被SOC吸收而是会提前修正。这比单纯依赖反馈校正要稳健得多效果也很明显。另一个实用技巧是把预测时域缩小。当预测精度不高时看得太远反而有害不如只预测3到6个小时用滚动频率去弥补预测精度。说白了预测不准的时候走一步看一步反而比盯着一个不可靠的远期目标更靠谱。最后说点实在的调MPC这段时间我最大的体会是这个算法的理论框架并不难难的是细节。SOC正负号、松弛变量的引入、预测序列的平滑处理、Np和λ_bat的配合每一项单独看都不复杂但叠在一起就很容易让你在报错信息面前抓瞎。有一个笨但有效的办法先写一个最简单的规则调度策略跑通功率平衡和状态更新再逐步替换成MPC求解每替换一步都对比前后结果。这样做不是浪费时间而是让你在出问题时知道去哪一层找原因。另外建议你在代码里多留几个可视化输出——SOC曲线、储能功率曲线、联络线功率曲线、各项成本明细这些日志在调试阶段比任何理论推导都有用。MPC的代码框架搭起来之后换数据、扩场景、加需求都是水到渠成的事。