简介围绕纽约市一栋带有被动与主动蓄热办公楼的综合能源优化调度问题这套MATLAB仿真代码以模型预测控制MPC为核心实现蓄热需求响应将三级需求费与日前电价纳入随机最优控制框架并兼顾室内人员热舒适性。资源包共包含11个文件其中9个.m脚本分别对应参数设定、主优化例程、MPC控制器、结果对比与绘图等功能另附1份PDF英文参考文档和1个.mat数据集整个7z压缩包仅1.59MB轻量易得。运行主优化例程需预先安装CVX工具箱代码已完整跑通并可直接产出结果图适合电力系统、建筑能源管理等方向的研究者与工程师参考便于理解MPC在蓄热资源调度中的建模与求解思路。目前已有1727人学习这套代码既可作为相关课题的复现模板也可作为学习模型预测控制与需求响应结合方法的入门材料尤其适合开展建筑用能优化研究的读者。1. 从“一份静态调度表”到“每 15 分钟重算一次”综合能源优化调度为什么要上 MPC 与需求响应综合能源优化调度最容易被简化成一个“排程任务”给典型日负荷解一组设备出力把结果当执行表用。但现实中光伏出力、分时电价、温控负荷每小时都在变基于日前的静态调度经常在下午就把储能掏空晚高峰只能高价购电。模型预测控制MPC的核心是把调度变成滚动优化在一个有限时域内求解最优轨迹只执行第一步下一时刻拿到新数据再重算。需求响应则是把负荷侧的可调潜力也纳入同一个优化问题让电价信号直接驱动“削峰填谷”决策而不是靠人工拍脑袋。这篇文章写给被优化流程搞晕、想从“代码能跑”进化到“决策合理”的工程师也适合正在复现 MPC 论文的研究者。下面这套代码骨架会把配置、模型、求解、滚动执行四层拆开换设备、换价格、换约束时只动一个文件。2. 建模先行把综合能源系统写成一个 MPC 能“看懂”的数学问题2.1 决策变量怎么定电侧、热侧、储侧三类变量与设备耦合关系MPC 落地第一步不是写代码而是把物理系统变成“每个时刻的变量 约束”。以常见的含燃气轮机CHP、热泵、电储能、热储能的综合能源系统为例我习惯按母线把决策变量分成三组。电侧变量包括电网购电功率、电网售电功率、CHP 发电功率、储能充电功率、储能放电功率、热泵耗电功率、光伏出力。热侧变量包括CHP 产热、燃气锅炉产热、热泵产热、热储能充放热功率。另外还有一组状态变量电池 SOC、热罐储热容量、可转移负荷偏移量。这些变量在优化建模库比如 CVXPY里要显式声明维度统一为(N,)N 是预测时域长度。最常见的代码混乱就出在这把“变量”和“参数”混在一个字典里效率、容量、爬坡率直接写死在约束表达式内部换一套设备参数就得全文搜索修改。我一般把所有系统参数装进一个独立的配置类优化问题内部只引用配置对象的属性。这样做的直接好处是参数敏感性分析和场景对比都变成了“改一行配置、跑一遍脚本”而不是重写约束。2.2 目标函数怎么写运行成本最小化是主线需求响应是“偏移惩罚”而不是“负荷减号”MPC 的多步优化需要一个从当前时刻到预测时域末端的累计目标函数。综合能源系统最常见的目标是总运行成本最小化逐时段叠加四部分电网购电成本购电功率乘分时电价、燃料成本CHP 和燃气锅炉的天然气耗量折算、储能折旧成本充放电功率的线性或二次惩罚、需求响应成本负荷偏移带来的补偿或舒适度代价。这里特别容易写错把需求响应直接做成“负荷乘以一个小于 1 的系数”这会让电力平衡约束失去物理意义。正确的做法是给负荷引入一个偏移量变量delta[t]目标函数里对应增加分段线性惩罚项。比如电价高峰时把可转移负荷往后挪delta取负值优化器会比较“挪负荷付出的补偿”和“少买高价电省下的钱”谁便宜选谁。这个表达方式才是“需求响应”和“优化调度”真正耦合的接口。2.3 约束条件盘点能量守恒、容量边界、爬坡限制约束是 MPC 建模里最耗时、也最容易漏项的部分。我按优先级列出实际项目里必须写的约束。第一母线功率平衡。电母线要满足购电加分布式发电加储能放电等于负荷加储能充电加各类电耗热母线同理CHP产热加锅炉产热加热泵产热加储热放热等于热负荷加储热充热。第二储能动态。电池 SOC 的递推方程必须带充放电效率和步长因子热储能同理。第三设备容量边界。每台设备的出力上下限、联络线功率上限、SOC 上下限。第四爬坡约束。燃气轮机和锅炉在相邻时段之间的功率变化幅度有限制这一步最容易被忽略忽略后优化器会给出锯齿状调度曲线。等号约束在代码里写成cp.sum(Pbus) 0这类形式不等号约束统一写成矩阵形式的A vars b。我习惯把约束条件收集进一个 Python 列表最后一次性传给cp.Problem而不是每加一个约束就重新构造一次问题对象。这样代码的中间过程和排错路径都非常清晰因为打印任意一个约束的dual_value就能定位到是哪条边界在起作用。3. 代码落地一套把配置、模型、滚动执行拆成四层的 MPC 最小工程3.1 配置层先把时域、效率、边界参数全部收进一个类拿 CVXPY 写 MP 时我习惯把代码分成四个独立层配置层、数据层、模型构建层、滚动执行层。下面这套骨架可以处理含光伏、储能、CHP、热泵的园区级综合能源系统默认步长 1 小时改成 15 分钟调度只需把dt改成0.25。import numpy as np import cvxpy as cp class Config: 综合能源系统参数修改此文件即可切换场景 def __init__(self): self.N 24 # 预测时域单位步 self.dt 1.0 # 时间步长1.01小时0.2515分钟 # 设备效率 self.eta_chp_elec 0.35 # CHP 发电效率 self.eta_chp_heat 0.45 # CHP 产热效率 self.eta_boiler 0.90 # 燃气锅炉效率 self.eta_hp 3.0 # 热泵 COP # 储能 self.bat_cap 2.0 # 电池容量MWh self.bat_pmax 0.5 # 最大充放电功率MW self.soc_min 0.2 # SOC 下限20% self.soc_max 0.9 # SOC 上限90% self.eta_ch 0.95 # 充电效率 self.eta_dis 0.94 # 放电效率 # 联络线 self.p_grid_max 1.0 # 购电上限MW self.p_sell_max 0.5 # 售电上限MW # 成本系数 self.price_gas 2.8 # 天然气价格元/m3 self.gas_lhv 9.7 # 天然气低热值kWh/m3 self.bat_cost 0.05 # 储能折旧元/kWh self.c_dr_shift 0.4 # 可转移负荷惩罚元/kWh逻辑说明N和dt共同决定滚动优化的粒度做日前计划时N24, dt1做日内实时调度时常见组合是N96, dt0.25。gas_lhv乘上设备发电和产热总效率再除以下限表达式就是燃料成本的计算系数。参数说明soc_min不要设成 0锂电深度放电会加速寿命衰减bat_cost是简化处理严谨项目里应该用充放电次数折算非线性损耗但线性惩罚系数在 MPC 步长较短时误差可接受。3.2 模型构建层把目标函数和约束写成 Cp 表达式下面是模型构建层的核心函数。它根据配置和外部预测数据生成优化问题对象返回求解结果和需要给滚动层用的关键变量。def build_problem(cfg, price_buy, price_sell, p_pv, p_load, q_load, base_load_profile): 构建 MPC 优化问题 price_buy/pv/load 等均为长度 cfg.N 的一维数组 base_load_profile 是需求响应基线的原始负荷 N cfg.N t np.arange(N) # 决策变量 p_buy cp.Variable(N, nonnegTrue) # 电网购电 p_sell cp.Variable(N, nonnegTrue) # 电网售电 p_chp cp.Variable(N, nonnegTrue) # CHP 发电 q_boiler cp.Variable(N, nonnegTrue) # 锅炉产热 p_hp cp.Variable(N, nonnegTrue) # 热泵耗电 p_ch cp.Variable(N, nonnegTrue) # 电池充电 p_dis cp.Variable(N, nonnegTrue) # 电池放电 delta cp.Variable(N) # 需求响应负荷偏移量 # 状态变量含 t0 和 tN便于写递推约束 soc cp.Variable(N 1, nonnegTrue) # 耦合变量热泵产热 耗电 * COP q_hp p_hp * cfg.eta_hp # 目标函数购电成本 燃料成本 - 售电收入 储能损耗 DR 惩罚 buy_cost cp.sum(cp.multiply(price_buy, p_buy) * cfg.dt) sell_income cp.sum(cp.multiply(price_sell, p_sell) * cfg.dt) gas_cost cp.sum( (p_chp / cfg.eta_chp_elec q_boiler / cfg.eta_boiler) * cfg.price_gas / cfg.gas_lhv * cfg.dt ) bat_penalty cp.sum((p_ch p_dis) * cfg.bat_cost * cfg.dt) dr_penalty cp.sum(cp.abs(delta) * cfg.c_dr_shift * cfg.dt) objective cp.Minimize(buy_cost gas_cost - sell_income bat_penalty dr_penalty) # 约束条件 cons [] # 电功率平衡购CHPPV放电 负荷充电热泵耗电购售不能同时 cons.append(p_buy p_chp p_pv p_dis p_load p_ch p_hp p_sell) # 热功率平衡CHP余热锅炉热泵 热负荷 cons.append(cfg.eta_chp_heat * p_chp / cfg.eta_chp_elec q_boiler q_hp q_load) # 电池 SOC 递推容量归一化写法 cons.append(soc[0] 0.5) for i in range(N): cons.append( soc[i 1] soc[i] (cfg.eta_ch * p_ch[i] - p_dis[i] / cfg.eta_dis) * cfg.dt / cfg.bat_cap ) # 不能同时充放电 cons.append(p_ch[i] cfg.bat_pmax * (1 - cp.minimum(p_ch[i] * 0, 1))) cons.append(p_dis[i] cfg.bat_pmax * (1 - cp.minimum(p_dis[i] * 0, 1)))逻辑说明这段代码在电平衡里把p_sell放在等式右侧作为“负数量”比引入p_import - p_export双变量更直观。热约束用了而不是允许少量放热避免末端时域因热负荷预测误差导致不可行。参数说明SOC 递推时除以bat_cap是很多初学项目翻车的地方单位不统一会让 SOC 在一两个步长内越界p_ch和p_dis的互斥约束这里用了一个不严谨但常用的技巧严谨做法是引入布尔变量后面章节会再展开。3.3 滚动执行层预测时域 24 步控制时域只取第一步MPC 区别于开环优化的关键就在滚动执行。代码骨架如下def rolling_control(cfg, data_loader, steps): data_loader 提供每个时刻的实测/预测数据 steps 是滚动步数比如 168 代表一周 # 维护一个实际的 SOC 用于反馈校正 actual_soc 0.5 results [] for k in range(steps): # 取当前时刻起 N 步的预测数据 price_buy data_loader.get_price_buy(k, cfg.N) price_sell data_loader.get_price_sell(k, cfg.N) p_pv data_loader.get_pv_forecast(k, cfg.N) p_load data_loader.get_load_forecast(k, cfg.N) q_load data_loader.get_heat_forecast(k, cfg.N) base_profile data_loader.get_dr_baseline(k, cfg.N) prob, var_dict build_problem(cfg, price_buy, price_sell, p_pv, p_load, q_load, base_profile) # 用实际 SOC 覆盖状态变量初值这是反馈校正的入口 var_dict[soc].value actual_soc prob.solve(solvercp.GLPK_MI, verboseFalse) # 只取第 0 步的决策值执行 action { p_buy: var_dict[p_buy].value[0], p_chp: var_dict[p_chp].value[0], p_ch: var_dict[p_ch].value[0], p_dis: var_dict[p_dis].value[0], } results.append(action) # 更新实际状态真实系统的响应会与预测不同 actual_soc actual_soc (cfg.eta_ch * action[p_ch] - action[p_dis] / cfg.eta_dis) * cfg.dt / cfg.bat_cap actual_soc np.clip(actual_soc, cfg.soc_min, cfg.soc_max) return results逻辑说明每次滚动求解都重新调用build_problem而不是复用上一次的问题对象因为价格和负荷预测数据每步都在变化。var_dict把求解器和外部状态解耦这样在多场景仿真时只需要替换data_loader。参数说明求解器在这里选择了GLPK_MI它能处理后面要讲的整数变量场景如果系统规模大、N 超过 96建议换用工业级求解器并把verboseTrue打开观察求解时间。滚动步长必须是执行机构的响应周期储能调度按 15 分钟滚动但燃气轮机因为启停慢往往按 1 小时滚动。4. 需求响应接入让 MPC 的决策真正“听见”电价信号4.1 价格型需求响应把峰谷电价变成目标函数系数价格型需求响应price-based DR在 MPC 里不需要新增变量它靠的是目标函数中电价的时变系数。用户看到的是分时电价或实时电价MPC 优化器会自动在低谷时段增加负荷或者给储能充电在高峰时段削减可转移负荷。比如午间光伏大发时电价低p_load中的电动车充电桩负荷会被delta变量向上偏移把这部分电多用掉晚高峰电价高delta向下偏移少买高价电。这种方式的工程实现非常简单只需要在build_problem里面把price_buy从常数数组改成实时预测序列。真正的技术点在预测精度MPC 的性能上界受电价预测误差影响很大价格预测偏差 10% 时优化结果可能比不优化的基线还差。我一般会在数据层对电价做一阶差分滤波把异常尖峰平滑掉再喂给优化器。4.2 激励型需求响应可中断负荷的整数变量建模激励型需求响应incentive-based DR是另一类常见场景大用户和电网签了可中断协议比如某个时段被切负荷可以得到补偿。这时需要在模型里增加布尔变量表达“切/不切”二选一的状态。# 可中断负荷建模假设有 M 个可中断负荷组 M 5 interrupt_switch cp.Variable(N * M, booleanTrue) interrupt_mat interrupt_switch.reshape(N, M) # 每一行是一个时刻每一列是一组用户 # 每组用户的补偿价格元/kWh和可中断功率MW comp_price np.array([0.6, 0.7, 0.8, 0.9, 1.0]) interrupt_power np.array([0.2, 0.3, 0.25, 0.15, 0.1]) # 每组用户一天最多被切一次且一旦切入需持续至少 K 个时段 max_interrupt_count np.sum(interrupt_mat, axis0) 1 # 持续时长约束连续 K 个时刻 interrupt 的差分和不超过 K # 这里用一个简化写法前 K 个时段的切换状态差分 for group in range(M): rate_limit np.diff(interrupt_mat[:, group]) 0.1 # 只允许一次上升沿 cons.append(rate_limit) # 需求响应总补偿成本 dr_incentive_cost cp.sum(cp.multiply(interrupt_mat, comp_price * interrupt_power * cfg.dt)) # 把补偿成本加入目标函数 objective cp.Minimize(buy_cost gas_cost - sell_income bat_penalty dr_penalty dr_incentive_cost)逻辑说明引入布尔变量后问题从线性规划变成混合整数规划求解耗时显著上升。rate_limit用差分形式限制每个可中断组在一个优化周期内只能被切一次防止优化器用高频启停赚取补偿。参数说明comp_price这种按组递增的结构符合市场实际越难切的负荷补偿越高interrupt_power来自合同容量不是预测值。整数变量数量等于N * M当日内滚动调度N96时M 最好不要超过 10否则求解时间会从秒级跳到分钟级实时性满足不了。4.3 可转移负荷的边界条件总量守恒与偏移上下限可转移负荷如洗衣机、工业批次生产线是我在工程中用得最多的一种需求响应建模方式它的物理含义是一天内的总用电量不变但用电时刻可以平移。数学表达是一个等式约束加两个不等式。# 需求响应偏移量 delta正代表“从其他时段多搬进来负荷”负代表“把本时段负荷搬走” # 守恒约束所有时段的偏移量之和必须为 0 cp.sum(delta) 0 # 向下偏移上限不能把某一时段负荷全部搬空 delta -0.8 * base_load_profile # 向上偏移上限不能超过该时段配电容量余量 delta 0.5 * (max_line_capacity - base_load_profile)逻辑说明sum(delta)0是需求响应建模最容易被忽略的一环。如果漏掉它优化器会在电价低谷时段拼命把负荷搬进来又在高峰时段搬走产生凭空出现的电量转移物理上不成立。参数说明向上偏移上限要扣除配电变压器容量余量否则即使优化结果在数学上可行实际执行也会因为线路过载跳闸。0.8 和 0.5 这两个比例来自我们项目里对用户舒适度的经验值实际部署时应该根据负荷类型重新标定。5. 避坑综合能源 MPC 与需求响应代码的 5 个翻车现场5.1 现象储能“假调度”——优化器从不充电SOC 一路到底原因目标函数量纲不统一。储能充电成本是元/MWh购电成本是元/MW 乘小时两个系数在目标函数里差了一个dt因子。用 15 分钟步长时电量单位就会错位优化器发现“充电省下的电费”永远小于“充电损耗加折旧”于是储能被永久闲置。解决把所有成本项都乘上cfg.dt并把bat_cost从元/kWh 折算成元/MW。我在代码骨架里已经把每个sum都写了* cfg.dt换步长时不会再踩这个坑。5.2 现象可转移负荷在凌晨被挪到上限用户不堪其扰原因DR 偏移惩罚系数设得太小。目标函数里c_dr_shift 0.4 元/kWh比低谷电价便宜优化器就疯狂把负荷往低谷搬完全无视人性化。解决把c_dr_shift提高到高峰电价的 1.5 倍再增加振幅限制。真正工程上还要加“连续舒适度约束”限制每个用户每天的累计偏移量不超过基线负荷的 20%。这个参数不是物理常数它代表的是用户对调度指令的接受度必须通过实际运行反馈迭代。5.3 现象求解时间从 2 秒变成 200 秒实时调度直接失效原因为了精确表达设备爬坡约束给每台设备都加了分段线性变量叠加需求响应的布尔变量整数变量数量瞬间爆炸。解决把爬坡约束只加在燃气轮机和联络线上电锅炉和热泵的动态响应足够快在 15 分钟尺度上可以忽略爬坡可转移负荷的时域分段从一小时粒度降低到四小时粒度。还有一个技巧先用纯 LP 松弛求解一次得到初始解再限制整数变量的搜索空间可以让 MILP 求解速度提升 5 倍以上。5.4 现象滚动优化结果来回跳执行机构左右摇摆原因预测时域太短端效应影响每一步决策。当天黑后光伏出力归零预测时域只有 4 步时优化器看到的是“晚间高价电还剩 4 小时”它会疯狂放电而不是给晚高峰预留电量。解决把预测时域 N 拉长到至少覆盖一个完整的价格周期。日内实时调度用 24 步、15 分钟粒度不够正确做法是 96 步或者用“缩减时域”法末端再加一个以余量估计值为输入的 SOC 惩罚项。工程上我还会在优化目标里加一个“控制变化率惩罚”避免相邻时刻出力剧烈波动。5.5 现象代码能跑通但调度成本比不优化还高原因MPC 是开环优化没有反馈校正。滚动执行时如果一直用三个小时前的预测数据实际负荷和预测偏差逐渐累积优化器每次都在“补昨天的窟窿”。解决每一滚动步都从数据层重新读取实时实测值并把 SOC 初值改成实测量。我在rolling_control里显式用actual_soc覆盖状态变量初值就是因为这个坑。另外建议在数据层对预测残差做一阶惯性滤波高频噪声会直接传导到决策变量导致储能频繁启停。6. 让 MPC 代码真正能向前跑反馈校正与滚动窗口的课题经验综合能源 MPC 的工程验证有一条我反复使用的路径先离线仿真再硬件在环最后才现场部署。离线仿真阶段千万不要只测一组典型日数据要连续跑一个完整季度把每个时段的求解失败次数、SOC 越界次数和需求响应调用率全部统计出来。我习惯在滚动执行函数里埋几个统计钩子每步记录求解器返回状态、求解时长、每个约束的最大违反量。这样即使用户换了一套设备参数也能快速判断模型有没有退化。反馈校正在 MPC 里承担“后悔药”的角色。模型预测控制之所以叫“预测”是因为它把不确定性的补救放在了每一步重新求解上。实际项目中我坚持一个原则预测模型可以简单但反馈路径必须真实。SOC 用实测值覆盖热罐温度用实测值覆盖负荷预测用在线修正而不是每次滚动都从同一个历史库取数。参数整定方面预测时域的选取不是越大越好N96 步时求解耗时会明显上升而预测误差在 8 小时后的置信度已经很低多算的十几步反而引入了噪声。折中方案是预测时域 24 步控制时域 1 步末端加收缩约束。最后分享一个习惯我会在配置类里保留一份“基础参数”和一份“实验参数”跑对比实验时只切换后者所有仿真结果导出为 CSV 后统一生成对比表。这样的好处是项目的每一步决策都能追溯到具体参数差异。希望帮到你。本文还有配套的精品资源点击获取
简介围绕纽约市一栋带有被动与主动蓄热办公楼的综合能源优化调度问题这套MATLAB仿真代码以模型预测控制MPC为核心实现蓄热需求响应将三级需求费与日前电价纳入随机最优控制框架并兼顾室内人员热舒适性。资源包共包含11个文件其中9个.m脚本分别对应参数设定、主优化例程、MPC控制器、结果对比与绘图等功能另附1份PDF英文参考文档和1个.mat数据集整个7z压缩包仅1.59MB轻量易得。运行主优化例程需预先安装CVX工具箱代码已完整跑通并可直接产出结果图适合电力系统、建筑能源管理等方向的研究者与工程师参考便于理解MPC在蓄热资源调度中的建模与求解思路。目前已有1727人学习这套代码既可作为相关课题的复现模板也可作为学习模型预测控制与需求响应结合方法的入门材料尤其适合开展建筑用能优化研究的读者。1. 从“一份静态调度表”到“每 15 分钟重算一次”综合能源优化调度为什么要上 MPC 与需求响应综合能源优化调度最容易被简化成一个“排程任务”给典型日负荷解一组设备出力把结果当执行表用。但现实中光伏出力、分时电价、温控负荷每小时都在变基于日前的静态调度经常在下午就把储能掏空晚高峰只能高价购电。模型预测控制MPC的核心是把调度变成滚动优化在一个有限时域内求解最优轨迹只执行第一步下一时刻拿到新数据再重算。需求响应则是把负荷侧的可调潜力也纳入同一个优化问题让电价信号直接驱动“削峰填谷”决策而不是靠人工拍脑袋。这篇文章写给被优化流程搞晕、想从“代码能跑”进化到“决策合理”的工程师也适合正在复现 MPC 论文的研究者。下面这套代码骨架会把配置、模型、求解、滚动执行四层拆开换设备、换价格、换约束时只动一个文件。2. 建模先行把综合能源系统写成一个 MPC 能“看懂”的数学问题2.1 决策变量怎么定电侧、热侧、储侧三类变量与设备耦合关系MPC 落地第一步不是写代码而是把物理系统变成“每个时刻的变量 约束”。以常见的含燃气轮机CHP、热泵、电储能、热储能的综合能源系统为例我习惯按母线把决策变量分成三组。电侧变量包括电网购电功率、电网售电功率、CHP 发电功率、储能充电功率、储能放电功率、热泵耗电功率、光伏出力。热侧变量包括CHP 产热、燃气锅炉产热、热泵产热、热储能充放热功率。另外还有一组状态变量电池 SOC、热罐储热容量、可转移负荷偏移量。这些变量在优化建模库比如 CVXPY里要显式声明维度统一为(N,)N 是预测时域长度。最常见的代码混乱就出在这把“变量”和“参数”混在一个字典里效率、容量、爬坡率直接写死在约束表达式内部换一套设备参数就得全文搜索修改。我一般把所有系统参数装进一个独立的配置类优化问题内部只引用配置对象的属性。这样做的直接好处是参数敏感性分析和场景对比都变成了“改一行配置、跑一遍脚本”而不是重写约束。2.2 目标函数怎么写运行成本最小化是主线需求响应是“偏移惩罚”而不是“负荷减号”MPC 的多步优化需要一个从当前时刻到预测时域末端的累计目标函数。综合能源系统最常见的目标是总运行成本最小化逐时段叠加四部分电网购电成本购电功率乘分时电价、燃料成本CHP 和燃气锅炉的天然气耗量折算、储能折旧成本充放电功率的线性或二次惩罚、需求响应成本负荷偏移带来的补偿或舒适度代价。这里特别容易写错把需求响应直接做成“负荷乘以一个小于 1 的系数”这会让电力平衡约束失去物理意义。正确的做法是给负荷引入一个偏移量变量delta[t]目标函数里对应增加分段线性惩罚项。比如电价高峰时把可转移负荷往后挪delta取负值优化器会比较“挪负荷付出的补偿”和“少买高价电省下的钱”谁便宜选谁。这个表达方式才是“需求响应”和“优化调度”真正耦合的接口。2.3 约束条件盘点能量守恒、容量边界、爬坡限制约束是 MPC 建模里最耗时、也最容易漏项的部分。我按优先级列出实际项目里必须写的约束。第一母线功率平衡。电母线要满足购电加分布式发电加储能放电等于负荷加储能充电加各类电耗热母线同理CHP产热加锅炉产热加热泵产热加储热放热等于热负荷加储热充热。第二储能动态。电池 SOC 的递推方程必须带充放电效率和步长因子热储能同理。第三设备容量边界。每台设备的出力上下限、联络线功率上限、SOC 上下限。第四爬坡约束。燃气轮机和锅炉在相邻时段之间的功率变化幅度有限制这一步最容易被忽略忽略后优化器会给出锯齿状调度曲线。等号约束在代码里写成cp.sum(Pbus) 0这类形式不等号约束统一写成矩阵形式的A vars b。我习惯把约束条件收集进一个 Python 列表最后一次性传给cp.Problem而不是每加一个约束就重新构造一次问题对象。这样代码的中间过程和排错路径都非常清晰因为打印任意一个约束的dual_value就能定位到是哪条边界在起作用。3. 代码落地一套把配置、模型、滚动执行拆成四层的 MPC 最小工程3.1 配置层先把时域、效率、边界参数全部收进一个类拿 CVXPY 写 MP 时我习惯把代码分成四个独立层配置层、数据层、模型构建层、滚动执行层。下面这套骨架可以处理含光伏、储能、CHP、热泵的园区级综合能源系统默认步长 1 小时改成 15 分钟调度只需把dt改成0.25。import numpy as np import cvxpy as cp class Config: 综合能源系统参数修改此文件即可切换场景 def __init__(self): self.N 24 # 预测时域单位步 self.dt 1.0 # 时间步长1.01小时0.2515分钟 # 设备效率 self.eta_chp_elec 0.35 # CHP 发电效率 self.eta_chp_heat 0.45 # CHP 产热效率 self.eta_boiler 0.90 # 燃气锅炉效率 self.eta_hp 3.0 # 热泵 COP # 储能 self.bat_cap 2.0 # 电池容量MWh self.bat_pmax 0.5 # 最大充放电功率MW self.soc_min 0.2 # SOC 下限20% self.soc_max 0.9 # SOC 上限90% self.eta_ch 0.95 # 充电效率 self.eta_dis 0.94 # 放电效率 # 联络线 self.p_grid_max 1.0 # 购电上限MW self.p_sell_max 0.5 # 售电上限MW # 成本系数 self.price_gas 2.8 # 天然气价格元/m3 self.gas_lhv 9.7 # 天然气低热值kWh/m3 self.bat_cost 0.05 # 储能折旧元/kWh self.c_dr_shift 0.4 # 可转移负荷惩罚元/kWh逻辑说明N和dt共同决定滚动优化的粒度做日前计划时N24, dt1做日内实时调度时常见组合是N96, dt0.25。gas_lhv乘上设备发电和产热总效率再除以下限表达式就是燃料成本的计算系数。参数说明soc_min不要设成 0锂电深度放电会加速寿命衰减bat_cost是简化处理严谨项目里应该用充放电次数折算非线性损耗但线性惩罚系数在 MPC 步长较短时误差可接受。3.2 模型构建层把目标函数和约束写成 Cp 表达式下面是模型构建层的核心函数。它根据配置和外部预测数据生成优化问题对象返回求解结果和需要给滚动层用的关键变量。def build_problem(cfg, price_buy, price_sell, p_pv, p_load, q_load, base_load_profile): 构建 MPC 优化问题 price_buy/pv/load 等均为长度 cfg.N 的一维数组 base_load_profile 是需求响应基线的原始负荷 N cfg.N t np.arange(N) # 决策变量 p_buy cp.Variable(N, nonnegTrue) # 电网购电 p_sell cp.Variable(N, nonnegTrue) # 电网售电 p_chp cp.Variable(N, nonnegTrue) # CHP 发电 q_boiler cp.Variable(N, nonnegTrue) # 锅炉产热 p_hp cp.Variable(N, nonnegTrue) # 热泵耗电 p_ch cp.Variable(N, nonnegTrue) # 电池充电 p_dis cp.Variable(N, nonnegTrue) # 电池放电 delta cp.Variable(N) # 需求响应负荷偏移量 # 状态变量含 t0 和 tN便于写递推约束 soc cp.Variable(N 1, nonnegTrue) # 耦合变量热泵产热 耗电 * COP q_hp p_hp * cfg.eta_hp # 目标函数购电成本 燃料成本 - 售电收入 储能损耗 DR 惩罚 buy_cost cp.sum(cp.multiply(price_buy, p_buy) * cfg.dt) sell_income cp.sum(cp.multiply(price_sell, p_sell) * cfg.dt) gas_cost cp.sum( (p_chp / cfg.eta_chp_elec q_boiler / cfg.eta_boiler) * cfg.price_gas / cfg.gas_lhv * cfg.dt ) bat_penalty cp.sum((p_ch p_dis) * cfg.bat_cost * cfg.dt) dr_penalty cp.sum(cp.abs(delta) * cfg.c_dr_shift * cfg.dt) objective cp.Minimize(buy_cost gas_cost - sell_income bat_penalty dr_penalty) # 约束条件 cons [] # 电功率平衡购CHPPV放电 负荷充电热泵耗电购售不能同时 cons.append(p_buy p_chp p_pv p_dis p_load p_ch p_hp p_sell) # 热功率平衡CHP余热锅炉热泵 热负荷 cons.append(cfg.eta_chp_heat * p_chp / cfg.eta_chp_elec q_boiler q_hp q_load) # 电池 SOC 递推容量归一化写法 cons.append(soc[0] 0.5) for i in range(N): cons.append( soc[i 1] soc[i] (cfg.eta_ch * p_ch[i] - p_dis[i] / cfg.eta_dis) * cfg.dt / cfg.bat_cap ) # 不能同时充放电 cons.append(p_ch[i] cfg.bat_pmax * (1 - cp.minimum(p_ch[i] * 0, 1))) cons.append(p_dis[i] cfg.bat_pmax * (1 - cp.minimum(p_dis[i] * 0, 1)))逻辑说明这段代码在电平衡里把p_sell放在等式右侧作为“负数量”比引入p_import - p_export双变量更直观。热约束用了而不是允许少量放热避免末端时域因热负荷预测误差导致不可行。参数说明SOC 递推时除以bat_cap是很多初学项目翻车的地方单位不统一会让 SOC 在一两个步长内越界p_ch和p_dis的互斥约束这里用了一个不严谨但常用的技巧严谨做法是引入布尔变量后面章节会再展开。3.3 滚动执行层预测时域 24 步控制时域只取第一步MPC 区别于开环优化的关键就在滚动执行。代码骨架如下def rolling_control(cfg, data_loader, steps): data_loader 提供每个时刻的实测/预测数据 steps 是滚动步数比如 168 代表一周 # 维护一个实际的 SOC 用于反馈校正 actual_soc 0.5 results [] for k in range(steps): # 取当前时刻起 N 步的预测数据 price_buy data_loader.get_price_buy(k, cfg.N) price_sell data_loader.get_price_sell(k, cfg.N) p_pv data_loader.get_pv_forecast(k, cfg.N) p_load data_loader.get_load_forecast(k, cfg.N) q_load data_loader.get_heat_forecast(k, cfg.N) base_profile data_loader.get_dr_baseline(k, cfg.N) prob, var_dict build_problem(cfg, price_buy, price_sell, p_pv, p_load, q_load, base_profile) # 用实际 SOC 覆盖状态变量初值这是反馈校正的入口 var_dict[soc].value actual_soc prob.solve(solvercp.GLPK_MI, verboseFalse) # 只取第 0 步的决策值执行 action { p_buy: var_dict[p_buy].value[0], p_chp: var_dict[p_chp].value[0], p_ch: var_dict[p_ch].value[0], p_dis: var_dict[p_dis].value[0], } results.append(action) # 更新实际状态真实系统的响应会与预测不同 actual_soc actual_soc (cfg.eta_ch * action[p_ch] - action[p_dis] / cfg.eta_dis) * cfg.dt / cfg.bat_cap actual_soc np.clip(actual_soc, cfg.soc_min, cfg.soc_max) return results逻辑说明每次滚动求解都重新调用build_problem而不是复用上一次的问题对象因为价格和负荷预测数据每步都在变化。var_dict把求解器和外部状态解耦这样在多场景仿真时只需要替换data_loader。参数说明求解器在这里选择了GLPK_MI它能处理后面要讲的整数变量场景如果系统规模大、N 超过 96建议换用工业级求解器并把verboseTrue打开观察求解时间。滚动步长必须是执行机构的响应周期储能调度按 15 分钟滚动但燃气轮机因为启停慢往往按 1 小时滚动。4. 需求响应接入让 MPC 的决策真正“听见”电价信号4.1 价格型需求响应把峰谷电价变成目标函数系数价格型需求响应price-based DR在 MPC 里不需要新增变量它靠的是目标函数中电价的时变系数。用户看到的是分时电价或实时电价MPC 优化器会自动在低谷时段增加负荷或者给储能充电在高峰时段削减可转移负荷。比如午间光伏大发时电价低p_load中的电动车充电桩负荷会被delta变量向上偏移把这部分电多用掉晚高峰电价高delta向下偏移少买高价电。这种方式的工程实现非常简单只需要在build_problem里面把price_buy从常数数组改成实时预测序列。真正的技术点在预测精度MPC 的性能上界受电价预测误差影响很大价格预测偏差 10% 时优化结果可能比不优化的基线还差。我一般会在数据层对电价做一阶差分滤波把异常尖峰平滑掉再喂给优化器。4.2 激励型需求响应可中断负荷的整数变量建模激励型需求响应incentive-based DR是另一类常见场景大用户和电网签了可中断协议比如某个时段被切负荷可以得到补偿。这时需要在模型里增加布尔变量表达“切/不切”二选一的状态。# 可中断负荷建模假设有 M 个可中断负荷组 M 5 interrupt_switch cp.Variable(N * M, booleanTrue) interrupt_mat interrupt_switch.reshape(N, M) # 每一行是一个时刻每一列是一组用户 # 每组用户的补偿价格元/kWh和可中断功率MW comp_price np.array([0.6, 0.7, 0.8, 0.9, 1.0]) interrupt_power np.array([0.2, 0.3, 0.25, 0.15, 0.1]) # 每组用户一天最多被切一次且一旦切入需持续至少 K 个时段 max_interrupt_count np.sum(interrupt_mat, axis0) 1 # 持续时长约束连续 K 个时刻 interrupt 的差分和不超过 K # 这里用一个简化写法前 K 个时段的切换状态差分 for group in range(M): rate_limit np.diff(interrupt_mat[:, group]) 0.1 # 只允许一次上升沿 cons.append(rate_limit) # 需求响应总补偿成本 dr_incentive_cost cp.sum(cp.multiply(interrupt_mat, comp_price * interrupt_power * cfg.dt)) # 把补偿成本加入目标函数 objective cp.Minimize(buy_cost gas_cost - sell_income bat_penalty dr_penalty dr_incentive_cost)逻辑说明引入布尔变量后问题从线性规划变成混合整数规划求解耗时显著上升。rate_limit用差分形式限制每个可中断组在一个优化周期内只能被切一次防止优化器用高频启停赚取补偿。参数说明comp_price这种按组递增的结构符合市场实际越难切的负荷补偿越高interrupt_power来自合同容量不是预测值。整数变量数量等于N * M当日内滚动调度N96时M 最好不要超过 10否则求解时间会从秒级跳到分钟级实时性满足不了。4.3 可转移负荷的边界条件总量守恒与偏移上下限可转移负荷如洗衣机、工业批次生产线是我在工程中用得最多的一种需求响应建模方式它的物理含义是一天内的总用电量不变但用电时刻可以平移。数学表达是一个等式约束加两个不等式。# 需求响应偏移量 delta正代表“从其他时段多搬进来负荷”负代表“把本时段负荷搬走” # 守恒约束所有时段的偏移量之和必须为 0 cp.sum(delta) 0 # 向下偏移上限不能把某一时段负荷全部搬空 delta -0.8 * base_load_profile # 向上偏移上限不能超过该时段配电容量余量 delta 0.5 * (max_line_capacity - base_load_profile)逻辑说明sum(delta)0是需求响应建模最容易被忽略的一环。如果漏掉它优化器会在电价低谷时段拼命把负荷搬进来又在高峰时段搬走产生凭空出现的电量转移物理上不成立。参数说明向上偏移上限要扣除配电变压器容量余量否则即使优化结果在数学上可行实际执行也会因为线路过载跳闸。0.8 和 0.5 这两个比例来自我们项目里对用户舒适度的经验值实际部署时应该根据负荷类型重新标定。5. 避坑综合能源 MPC 与需求响应代码的 5 个翻车现场5.1 现象储能“假调度”——优化器从不充电SOC 一路到底原因目标函数量纲不统一。储能充电成本是元/MWh购电成本是元/MW 乘小时两个系数在目标函数里差了一个dt因子。用 15 分钟步长时电量单位就会错位优化器发现“充电省下的电费”永远小于“充电损耗加折旧”于是储能被永久闲置。解决把所有成本项都乘上cfg.dt并把bat_cost从元/kWh 折算成元/MW。我在代码骨架里已经把每个sum都写了* cfg.dt换步长时不会再踩这个坑。5.2 现象可转移负荷在凌晨被挪到上限用户不堪其扰原因DR 偏移惩罚系数设得太小。目标函数里c_dr_shift 0.4 元/kWh比低谷电价便宜优化器就疯狂把负荷往低谷搬完全无视人性化。解决把c_dr_shift提高到高峰电价的 1.5 倍再增加振幅限制。真正工程上还要加“连续舒适度约束”限制每个用户每天的累计偏移量不超过基线负荷的 20%。这个参数不是物理常数它代表的是用户对调度指令的接受度必须通过实际运行反馈迭代。5.3 现象求解时间从 2 秒变成 200 秒实时调度直接失效原因为了精确表达设备爬坡约束给每台设备都加了分段线性变量叠加需求响应的布尔变量整数变量数量瞬间爆炸。解决把爬坡约束只加在燃气轮机和联络线上电锅炉和热泵的动态响应足够快在 15 分钟尺度上可以忽略爬坡可转移负荷的时域分段从一小时粒度降低到四小时粒度。还有一个技巧先用纯 LP 松弛求解一次得到初始解再限制整数变量的搜索空间可以让 MILP 求解速度提升 5 倍以上。5.4 现象滚动优化结果来回跳执行机构左右摇摆原因预测时域太短端效应影响每一步决策。当天黑后光伏出力归零预测时域只有 4 步时优化器看到的是“晚间高价电还剩 4 小时”它会疯狂放电而不是给晚高峰预留电量。解决把预测时域 N 拉长到至少覆盖一个完整的价格周期。日内实时调度用 24 步、15 分钟粒度不够正确做法是 96 步或者用“缩减时域”法末端再加一个以余量估计值为输入的 SOC 惩罚项。工程上我还会在优化目标里加一个“控制变化率惩罚”避免相邻时刻出力剧烈波动。5.5 现象代码能跑通但调度成本比不优化还高原因MPC 是开环优化没有反馈校正。滚动执行时如果一直用三个小时前的预测数据实际负荷和预测偏差逐渐累积优化器每次都在“补昨天的窟窿”。解决每一滚动步都从数据层重新读取实时实测值并把 SOC 初值改成实测量。我在rolling_control里显式用actual_soc覆盖状态变量初值就是因为这个坑。另外建议在数据层对预测残差做一阶惯性滤波高频噪声会直接传导到决策变量导致储能频繁启停。6. 让 MPC 代码真正能向前跑反馈校正与滚动窗口的课题经验综合能源 MPC 的工程验证有一条我反复使用的路径先离线仿真再硬件在环最后才现场部署。离线仿真阶段千万不要只测一组典型日数据要连续跑一个完整季度把每个时段的求解失败次数、SOC 越界次数和需求响应调用率全部统计出来。我习惯在滚动执行函数里埋几个统计钩子每步记录求解器返回状态、求解时长、每个约束的最大违反量。这样即使用户换了一套设备参数也能快速判断模型有没有退化。反馈校正在 MPC 里承担“后悔药”的角色。模型预测控制之所以叫“预测”是因为它把不确定性的补救放在了每一步重新求解上。实际项目中我坚持一个原则预测模型可以简单但反馈路径必须真实。SOC 用实测值覆盖热罐温度用实测值覆盖负荷预测用在线修正而不是每次滚动都从同一个历史库取数。参数整定方面预测时域的选取不是越大越好N96 步时求解耗时会明显上升而预测误差在 8 小时后的置信度已经很低多算的十几步反而引入了噪声。折中方案是预测时域 24 步控制时域 1 步末端加收缩约束。最后分享一个习惯我会在配置类里保留一份“基础参数”和一份“实验参数”跑对比实验时只切换后者所有仿真结果导出为 CSV 后统一生成对比表。这样的好处是项目的每一步决策都能追溯到具体参数差异。希望帮到你。本文还有配套的精品资源点击获取
