最近在复现一篇关于虚拟电厂多时间尺度调度优化的SCI论文前后折腾了两周把日前调度和日内调度两个时间尺度的模型、代码、数据全部跑通之后对这类“顶会/顶刊热门方向”的套路算是彻底摸透了。这篇论文的核心思路并不复杂虚拟电厂把风电、光伏、储能、燃气轮机、可控负荷这些资源聚合在一起在日前根据预测数据制定24小时的基准计划到了运行当天再按更短的时间尺度滚动修正用Matlab调用求解器完成整个优化闭环。这篇文章我就把整个复现过程、模型推导、代码实现细节、以及我踩过的坑全部梳理一遍给你一份可以直接照着跑的参考方案。1. 项目核心构思与整体思路拆解1.1 为什么虚拟电厂需要两个时间尺度虚拟电厂Virtual Power Plant, VPP本质上是一个“软硬结合”的调度平台它不新建电厂而是把分散的分布式电源、储能、柔性负荷聚合起来对外表现为一个可控电源。但这套逻辑落地时有一个绕不开的问题预测永远是错的。可再生能源出力预测误差会随着时间尺度拉大而急剧增加。比如光伏出力提前24小时预测的误差可能达到20%以上但提前15分钟到1小时预测误差能压到5%以内。负荷预测和电价预测也有类似的规律。如果你只做日前调度那一个预测偏差就能让整个计划在实时运行中严重失衡如果只做日内调度又会因为缺乏前瞻性导致调度结果过于“短视”比如储能提前把电放光了到晚间负荷高峰时无电可用。所以这篇论文的核心套路就是“先粗后细”日前调度用1小时为间隔对未来24小时做全局优化得到各设备的基准出力计划日内调度以15分钟为间隔也就是96个时段基于最新的预测数据滚动优化在尽量不偏离日前计划的前提下消除预测误差带来的功率不平衡。两个时间尺度一个管“经济性”一个管“可靠性”配合起来才能同时兼顾。1.2 日前调度与日内调度的协同逻辑我刚开始理解这类模型时有个误区以为日内调度就是重新从头优化一遍后来仔细看了论文里的框架才明白两套模型之间是有信息传递的。日前调度输出各机组启停状态、储能充放电计划、联络线交互功率的基准值这些基准值会作为日内调度的“参考轨迹”。日内调度把日前计划作为软约束或惩罚项目标是在满足实时平衡的前提下让各设备的出力尽量贴近日前基准避免频繁大幅度调节。如果日前计划已经不合理比如储能SOC被设置为夜间充满、白天放光但日内实际光伏出力没达到预期日内模型需要允许适当偏离基准但偏离要付出代价。这样的设计本质上就是一个分层模型预测控制MPC思想反馈校正环节由日内调度承担日前调度提供前馈基准。代码实现时两套模型共用一套设备参数和约束模板只是时间步长、预测精度、目标函数形式不一样。1.3 为什么用Matlab而不是Python说句公道话这种优化调度问题用Python也能写但Matlab搭配YALMIP工具箱确实有不可替代的优势。YALMIP的建模语法高度接近数学公式写约束条件时基本上就是照着论文里的公式一行一个Constraints不用像Python的PuLP或Pyomo那样额外学习一套面向对象的建模接口。另外Matlab处理矩阵运算和绘图太舒服了做多时间尺度优化时时段的扩展只需要改一个变量维度比如把24扩展成96约束矩阵自动跟着变这对于快速验证模型非常友好。如果你用的是2020a以上的Matlab版本再装上CPLEX或者Gurobi求解器求解中小规模的混合整数线性规划问题基本都在秒级以内。2. 数学模型搭建与关键变量设计2.1 目标函数怎么拆分这类论文的目标函数一般不会只有一个而是多个目标加权求和。我复现的版本里包含三块运行成本、碳排放成本、以及日内阶段的调整惩罚。日前调度阶段的目标函数是[ \min \sum_{t1}^{24} \left( C_{buy,t}P_{buy,t} - C_{sell,t}P_{sell,t} \sum_{i} C_i P_{i,t} C_{su} u_{i,t}^{su} C_{carb} E_{t} \right) ]其中每一项的含义购电成本与售电收益虚拟电厂与上级电网交互产生的费用买电按购电价计费卖电按售电价计费。购电和售电不能同时发生所以需要引入一个二元变量做互斥约束。设备运行成本燃气轮机、储能等的单位运行成本乘以出力。启停成本燃气轮机启动时的一次性成本通过二元状态变量判断是否发生启机动作。碳排放成本购买碳配额或缴纳碳税的费用与购电量、燃气轮机出力成线性关系。日内调度阶段的目标函数不同它需要在成本最小化的同时尽可能贴近日前计划。常见的做法是加一个二次型惩罚项[ \min \sum_{k1}^{96} \left( C_{buy,k}P_{buy,k}^{adj} - C_{sell,k}P_{sell,k}^{adj} \sum_{i} C_i P_{i,k}^{adj} \lambda_i (P_{i,k}^{adj} - P_{i,k}^{ref})^2 \right) ]这里的 ( P_{i,k}^{ref} ) 是日前计划的内插值( \lambda_i ) 是跟踪权重。权重设置很关键我一开始随便设成统一值结果日内调度要么死板地贴着日前计划完全不动要么彻底无视日前计划后来按设备类型分别设置储能权重最低它本来就是用来平抑波动的燃气轮机次之联络线功率权重最高效果立刻正常了。2.2 储能与可调负荷的约束细节储能模型是整个约束体系里最容易写错的部分。标准模型包含三组约束充电功率和放电功率的上下限约束以及充放电互斥约束不能同时充放电。SOC荷电状态递推方程( SOC(t1) SOC(t) \eta_c P_c(t) - P_d(t)/\eta_d )SOC上下限约束和调度周期末的SOC恢复约束也就是终值SOC要回到设定值这是为了保证储能能持续参与下一天的调度。这里容易踩的坑是充放电效率的处理。如果充电效率是0.9放电效率是0.9那么“充1度电存0.9度放出0.9度”一共只有0.81的往返效率。很多新手把SOC递推式写成同一条等式里的两个系数但物理含义没搞对导致储能能量不守恒。可调负荷我按两类建模可平移负荷比如洗衣机、工业流水线用电时段可以整体平移但总用电量不变。建模时需要记录平移前后时段关系用二进制变量表示平移状态。可中断负荷在高峰时段可以削减一部分负荷削减量有上限且要支付补偿费用。这类负荷用连续变量建模即可加一个0到最大削减比例的上下限约束。2.3 不确定性处理方式的对比与选择论文里最常出现的三种不确定性处理方法是随机优化、鲁棒优化、模型预测控制MPC我复现的这篇用的是“日前不考虑不确定性 日内滚动修正”的MPC方案但我在代码里也留了随机优化的接口供扩展对比。随机优化的思路是生成多个预测误差场景每个场景对应一套决策变量最终使所有场景下的期望成本最小。场景生成用蒙特卡洛抽样再通过K-means或者同步回代缩减scenario reduction把场景数量压到10-20个否则求解时间会爆炸。鲁棒优化则是把不确定性参数限定在一个盒式不确定集内优化最坏情况下的成本对求解器要求高且结果偏保守。MPC方案最实用它不显式建模不确定性而是靠“滚动更新预测 频繁重新优化”来吸收误差。代码实现时比随机优化简单得多日内阶段每15分钟滚动一次每次只优化未来4-8小时这样不确定性根本来不及积累。3. Matlab代码实现流程与核心逻辑3.1 整体代码结构我的项目目录是这样组织的VPP_Dispatch/ ├── data/ │ ├── load_forecast.m % 负荷预测数据 │ ├── pv_forecast.m % 光伏预测数据 │ ├── wind_forecast.m % 风电预测数据 │ └── price_data.m % 分时电价数据 ├── models/ │ ├── vpp_params.m % 设备参数定义 │ ├── build_dayahead.m % 日前调度模型构建 │ ├── build_intraday.m % 日内调度模型构建 │ └── constraints_common.m % 公共约束函数 ├── solve/ │ ├── run_dayahead.m % 求解日前模型 │ ├── run_intraday.m % 求解日内模型 │ └── rolling_loop.m % 日内滚动优化主循环 └── results/ ├── plot_results.m % 结果可视化 └── compare_power.m % 计划与实发对比所有参数集中在一个vpp_params.m里定义好处是改参数方便不需要到处找魔数。比如储能容量、最大充放电功率、初始SOC、燃气轮机爬坡率、联络线交互上限这些都是一个结构体里的字段。3.2 关键代码块解读日前调度的核心代码用YALMIP写出来非常简洁。决策变量定义如下P_gt sdpvar(24, 1); % 燃气轮机出力 u_gt binvar(24, 1); % 燃气轮机启停状态 P_ch sdpvar(24, 1); % 储能充电功率 P_dis sdpvar(24, 1); % 储能放电功率 SOC sdpvar(24, 1); % 储能荷电状态 P_buy sdpvar(24, 1); % 从电网购电功率 P_sell sdpvar(24, 1); % 向电网售电功率 u_buy binvar(24, 1); % 购电状态 u_sell binvar(24, 1); % 售电状态约束构建的核心是功率平衡约束。虚拟电厂内部所有设备出力加上购电功率减售电功率必须等于负荷Constraints []; for t 1:24 Constraints [Constraints, ... P_pv(t) P_wind(t) P_gt(t) P_dis(t) - P_ch(t) ... P_buy(t) - P_sell(t) P_load(t)]; end这里需要注意光伏和风电是预测数据直接作为已知参数传入不参与优化。燃气轮机出力需要同时约束上下限和爬坡率P_gt_min P_gt P_gt_max; for t 2:24 Constraints [Constraints, -ramp_down P_gt(t) - P_gt(t-1) ramp_up]; end储能SOC的递推约束是另一个重点按0.95的充放电效率写SOC(1) SOC_initial; for t 1:23 Constraints [Constraints, ... SOC(t1) SOC(t) 0.95 * P_ch(t) - P_dis(t) / 0.95]; end Constraints [Constraints, SOC_min SOC SOC_max]; Constraints [Constraints, SOC(24) SOC_initial];SOC(24)等于初始值这个约束容易被忽略但它非常关键。如果不加优化器就会把储能电量在周期末全部放光下一天没法继续调度。购售电互斥约束也是必写的否则优化器可能会同时买电和卖电凭空产生“能量套利”的假象Constraints [Constraints, ... P_buy u_buy * M, P_sell u_sell * M, ... u_buy u_sell 1];M是一个足够大的数但最好别用inf否则数值稳定性差。我实测用1000兆瓦这个量级就够了。目标函数按公式拼起来交给求解器Objective sum(price_buy .* P_buy - price_sell .* P_sell) ... sum(cost_gt .* P_gt) ... sum(start_cost_gt .* max(0, diff([u_gt(1); u_gt]))) ... carbon_price * sum(emission_coef .* (P_buy P_gt)); ops sdpsettings(solver, cplex, verbose, 2, mip.tolerances.mipgap, 0.001); optimize(Constraints, Objective, ops);日内滚动优化的主循环大概长这样for k 1:4:96 % 每15分钟触发一次重新优化 current_time k; horizon 4 * 4; % 前向优化4小时16个时段 % 读取最新的PV/风电/负荷预测基于current_time更新 new_forecast update_forecast(current_time); % 获取日前计划在当前时刻的参考值 ref_value get_dayahead_reference(current_time); % 构建并求解日内模型 [result, status] solve_intraday(new_forecast, ref_value, horizon); % 只执行第一个时段的决策结果 apply_control(result(:, 1)); end这里特别强调“只执行第一个时段的决策”这是MPC的核心。因为预测是会变的这一时刻算出来的后续计划可能下一时刻就不适用了所以永远只执行当前时段的决策下一个周期再重新优化。3.3 求解器配置与运行效率我整个项目用的是CPLEXYALMIP配置好之后不需要额外写求解器调用代码YALMIP会自动转换。第一次运行前记得运行yalmiptest检查求解器是否被识别。如果是规模扩展后的日内滚动优化求解时间会变长。实测96时段、5类设备、含购售电互斥二元变量的整数规划CPLEX大约需要2-5秒日内滚动96次全部跑完大约5分钟左右。如果想提速可以设置MIP gapops sdpsettings(solver, cplex, mip.tolerances.mipgap, 0.005);把间隙从默认的1e-4放宽到0.5%求解时间能缩短一半以上而结果差异几乎看不出来。4. 仿真结果分析与实际调参经验4.1 结果图怎么画才能看出两个时间尺度的协同跑通之后第一件事就是画图但直接堆曲线容易让人看晕。我画图的经验是可以分四张图来看日前计划图画24时段各设备出力堆叠柱状图能直观看到燃气轮机的启停位置、储能的充放电时段。日内调整图把日内96时段的实际决策和日前计划插值曲线画在一起用阴影标出两者偏差。SOC对比图日内滚动优化的SOC轨迹和日前计划的SOC轨迹对比观察储能是否被用来修正偏差。联络线功率对比购电售电功率的日前计划和日内实际执行曲线。画这些图其实用Matlab自带的plot和area就够了重点是把坐标系对齐然后给关键时段画竖线标注。这里有个小技巧在画日前和日内的对比时先把日内数据按15分钟间隔重采样成1小时平均再和日前数据叠在一起否则曲线密度不一致对比起来有偏差。4.2 参数设置对结果的敏感度分析复现过程中最耗时间的不是建模而是调参数。有几个参数对结果影响非常大储能的初始SOC如果初始SOC设成0.2优化器会在早期时段大量充电补充SOC导致日前购电成本虚高如果设成0.8储能就有余量在高峰时段放电套利。建议按实际运行状态设置我一般设为0.5。日内阶段的跟踪权重前面说过这个权重不能统一。我的配置是联络线功率跟踪权重为500燃气轮机跟踪权重为200储能跟踪权重为50。这个比例是试出来的分别跑三组对比就能看出差异。燃气轮机启停成本如果启停成本设得过高优化器会让燃气轮机连续低负荷运行而不是按需启停设得过低机组会频繁启停磨损严重。论文里一般用500-2000元/次具体看机组容量。这里分享一个我自己总结的调参方法先把所有惩罚权重初始化成1跑一次看结果然后把相对幅度最大的偏差找出提高对应设备的权重再跑。反复3-4轮就能找到比较合理的权重范围。5. 常见问题与排查心得5.1 约束不可行最经典的“功率平衡”陷阱YALMIP报Infeasible problem是复现这类论文最容易遇到的问题大概占了所有报错的60%。大多数情况是源荷功率平衡导致问题无解或者是设备出力范围太小无法覆盖负荷缺口。排查思路要按顺序来先检查平衡方程两边的量纲是否一致再检查预测数据是否合理比如光伏出力的数量级对不对然后检查各设备的容量约束是否有取值空间最后检查是不是有“双重硬约束”互相矛盾。比如你同时约束“SOC(24)0.5”和“最后两小时储能强制放电”就可能无解。我常用的一个技巧是给平衡约束加一个松弛变量把等式约束改成带惩罚的软约束slack sdpvar(24, 1); Constraints [Constraints, ... P_pv(t) P_gt(t) P_dis(t) - P_ch(t) P_buy(t) - P_sell(t) ... slack(t) P_load(t), -0.01 slack 0.01]; Objective Objective 10000 * sum(slack.^2);这样如果模型真的不可行松弛变量会变成非零值你能立刻看到是哪个时段出了问题而不是面对一个干巴巴的Infeasible报错。5.2 求解器报错与数值稳定性问题另一种高频报错是No suitable solver原因大多数是装了YALMIP但没装CPLEX或Gurobi。运行yalmiptest可以直接看到当前可用的求解器列表。如果用了CPLEX还报Out of memory或者求解时间无限拉长很可能是因为模型里出现了非凸二次约束或非线性项。比如我一开始偷懒用max(0, P_gt(t)-P_gt(t-1))来表示爬坡这个写法在YALMIP里会引入非光滑项直接把问题变成非凸。后来我改成下面的线性化方式r_up sdpvar(24, 1); r_down sdpvar(24, 1); Constraints [Constraints, ... P_gt(t) - P_gt(t-1) r_up(t) - r_down(t), ... r_up 0, r_down 0, r_up ramp_up_max, r_down ramp_down_max];这样就变成了纯线性约束求解速度立刻回到秒级。5.3 代码迁移和数据替换的注意事项如果想把这套代码套用到自己的数据上有两点要特别留意。第一预测数据的维度必须和时段数对应日前数据必须是24维日内数据要是4的整数倍第二电价数据建议做归一化后再输入模型否则购售价差太大会导致优化结果集中在少数极端时段掩盖真实调度规律。另外不同论文对“日内调度是否需要重新考虑启停”有不同的设定。我复现的这篇假设燃气轮机在日前已经确定了启停状态日内只调整出力大小这样能大幅降低求解难度。如果你的场景需要日内也改变启停状态二元变量的维度会翻倍求解时间可能要乘以5-10倍要有心理准备。我个人在实际操作中最深的体会是复现这类多时间尺度调度优化论文真正的难点不在数学公式而在于数据组织和两套模型之间的变量衔接。很多论文的公式和代码逻辑都很漂亮但写代码时如果没有统一管理设备参数和预测数据结构很容易在日内循环里被维度问题反复折磨。建议你从最简单的单时间尺度模型出发先把一台燃气轮机加储能搭通再逐步增加光伏、风电、可调负荷最后加上日内滚动环节这样排错的时间成本最低。希望这篇文章能让你少走点弯路早日把整套流程完整复现出来。
最近在复现一篇关于虚拟电厂多时间尺度调度优化的SCI论文前后折腾了两周把日前调度和日内调度两个时间尺度的模型、代码、数据全部跑通之后对这类“顶会/顶刊热门方向”的套路算是彻底摸透了。这篇论文的核心思路并不复杂虚拟电厂把风电、光伏、储能、燃气轮机、可控负荷这些资源聚合在一起在日前根据预测数据制定24小时的基准计划到了运行当天再按更短的时间尺度滚动修正用Matlab调用求解器完成整个优化闭环。这篇文章我就把整个复现过程、模型推导、代码实现细节、以及我踩过的坑全部梳理一遍给你一份可以直接照着跑的参考方案。1. 项目核心构思与整体思路拆解1.1 为什么虚拟电厂需要两个时间尺度虚拟电厂Virtual Power Plant, VPP本质上是一个“软硬结合”的调度平台它不新建电厂而是把分散的分布式电源、储能、柔性负荷聚合起来对外表现为一个可控电源。但这套逻辑落地时有一个绕不开的问题预测永远是错的。可再生能源出力预测误差会随着时间尺度拉大而急剧增加。比如光伏出力提前24小时预测的误差可能达到20%以上但提前15分钟到1小时预测误差能压到5%以内。负荷预测和电价预测也有类似的规律。如果你只做日前调度那一个预测偏差就能让整个计划在实时运行中严重失衡如果只做日内调度又会因为缺乏前瞻性导致调度结果过于“短视”比如储能提前把电放光了到晚间负荷高峰时无电可用。所以这篇论文的核心套路就是“先粗后细”日前调度用1小时为间隔对未来24小时做全局优化得到各设备的基准出力计划日内调度以15分钟为间隔也就是96个时段基于最新的预测数据滚动优化在尽量不偏离日前计划的前提下消除预测误差带来的功率不平衡。两个时间尺度一个管“经济性”一个管“可靠性”配合起来才能同时兼顾。1.2 日前调度与日内调度的协同逻辑我刚开始理解这类模型时有个误区以为日内调度就是重新从头优化一遍后来仔细看了论文里的框架才明白两套模型之间是有信息传递的。日前调度输出各机组启停状态、储能充放电计划、联络线交互功率的基准值这些基准值会作为日内调度的“参考轨迹”。日内调度把日前计划作为软约束或惩罚项目标是在满足实时平衡的前提下让各设备的出力尽量贴近日前基准避免频繁大幅度调节。如果日前计划已经不合理比如储能SOC被设置为夜间充满、白天放光但日内实际光伏出力没达到预期日内模型需要允许适当偏离基准但偏离要付出代价。这样的设计本质上就是一个分层模型预测控制MPC思想反馈校正环节由日内调度承担日前调度提供前馈基准。代码实现时两套模型共用一套设备参数和约束模板只是时间步长、预测精度、目标函数形式不一样。1.3 为什么用Matlab而不是Python说句公道话这种优化调度问题用Python也能写但Matlab搭配YALMIP工具箱确实有不可替代的优势。YALMIP的建模语法高度接近数学公式写约束条件时基本上就是照着论文里的公式一行一个Constraints不用像Python的PuLP或Pyomo那样额外学习一套面向对象的建模接口。另外Matlab处理矩阵运算和绘图太舒服了做多时间尺度优化时时段的扩展只需要改一个变量维度比如把24扩展成96约束矩阵自动跟着变这对于快速验证模型非常友好。如果你用的是2020a以上的Matlab版本再装上CPLEX或者Gurobi求解器求解中小规模的混合整数线性规划问题基本都在秒级以内。2. 数学模型搭建与关键变量设计2.1 目标函数怎么拆分这类论文的目标函数一般不会只有一个而是多个目标加权求和。我复现的版本里包含三块运行成本、碳排放成本、以及日内阶段的调整惩罚。日前调度阶段的目标函数是[ \min \sum_{t1}^{24} \left( C_{buy,t}P_{buy,t} - C_{sell,t}P_{sell,t} \sum_{i} C_i P_{i,t} C_{su} u_{i,t}^{su} C_{carb} E_{t} \right) ]其中每一项的含义购电成本与售电收益虚拟电厂与上级电网交互产生的费用买电按购电价计费卖电按售电价计费。购电和售电不能同时发生所以需要引入一个二元变量做互斥约束。设备运行成本燃气轮机、储能等的单位运行成本乘以出力。启停成本燃气轮机启动时的一次性成本通过二元状态变量判断是否发生启机动作。碳排放成本购买碳配额或缴纳碳税的费用与购电量、燃气轮机出力成线性关系。日内调度阶段的目标函数不同它需要在成本最小化的同时尽可能贴近日前计划。常见的做法是加一个二次型惩罚项[ \min \sum_{k1}^{96} \left( C_{buy,k}P_{buy,k}^{adj} - C_{sell,k}P_{sell,k}^{adj} \sum_{i} C_i P_{i,k}^{adj} \lambda_i (P_{i,k}^{adj} - P_{i,k}^{ref})^2 \right) ]这里的 ( P_{i,k}^{ref} ) 是日前计划的内插值( \lambda_i ) 是跟踪权重。权重设置很关键我一开始随便设成统一值结果日内调度要么死板地贴着日前计划完全不动要么彻底无视日前计划后来按设备类型分别设置储能权重最低它本来就是用来平抑波动的燃气轮机次之联络线功率权重最高效果立刻正常了。2.2 储能与可调负荷的约束细节储能模型是整个约束体系里最容易写错的部分。标准模型包含三组约束充电功率和放电功率的上下限约束以及充放电互斥约束不能同时充放电。SOC荷电状态递推方程( SOC(t1) SOC(t) \eta_c P_c(t) - P_d(t)/\eta_d )SOC上下限约束和调度周期末的SOC恢复约束也就是终值SOC要回到设定值这是为了保证储能能持续参与下一天的调度。这里容易踩的坑是充放电效率的处理。如果充电效率是0.9放电效率是0.9那么“充1度电存0.9度放出0.9度”一共只有0.81的往返效率。很多新手把SOC递推式写成同一条等式里的两个系数但物理含义没搞对导致储能能量不守恒。可调负荷我按两类建模可平移负荷比如洗衣机、工业流水线用电时段可以整体平移但总用电量不变。建模时需要记录平移前后时段关系用二进制变量表示平移状态。可中断负荷在高峰时段可以削减一部分负荷削减量有上限且要支付补偿费用。这类负荷用连续变量建模即可加一个0到最大削减比例的上下限约束。2.3 不确定性处理方式的对比与选择论文里最常出现的三种不确定性处理方法是随机优化、鲁棒优化、模型预测控制MPC我复现的这篇用的是“日前不考虑不确定性 日内滚动修正”的MPC方案但我在代码里也留了随机优化的接口供扩展对比。随机优化的思路是生成多个预测误差场景每个场景对应一套决策变量最终使所有场景下的期望成本最小。场景生成用蒙特卡洛抽样再通过K-means或者同步回代缩减scenario reduction把场景数量压到10-20个否则求解时间会爆炸。鲁棒优化则是把不确定性参数限定在一个盒式不确定集内优化最坏情况下的成本对求解器要求高且结果偏保守。MPC方案最实用它不显式建模不确定性而是靠“滚动更新预测 频繁重新优化”来吸收误差。代码实现时比随机优化简单得多日内阶段每15分钟滚动一次每次只优化未来4-8小时这样不确定性根本来不及积累。3. Matlab代码实现流程与核心逻辑3.1 整体代码结构我的项目目录是这样组织的VPP_Dispatch/ ├── data/ │ ├── load_forecast.m % 负荷预测数据 │ ├── pv_forecast.m % 光伏预测数据 │ ├── wind_forecast.m % 风电预测数据 │ └── price_data.m % 分时电价数据 ├── models/ │ ├── vpp_params.m % 设备参数定义 │ ├── build_dayahead.m % 日前调度模型构建 │ ├── build_intraday.m % 日内调度模型构建 │ └── constraints_common.m % 公共约束函数 ├── solve/ │ ├── run_dayahead.m % 求解日前模型 │ ├── run_intraday.m % 求解日内模型 │ └── rolling_loop.m % 日内滚动优化主循环 └── results/ ├── plot_results.m % 结果可视化 └── compare_power.m % 计划与实发对比所有参数集中在一个vpp_params.m里定义好处是改参数方便不需要到处找魔数。比如储能容量、最大充放电功率、初始SOC、燃气轮机爬坡率、联络线交互上限这些都是一个结构体里的字段。3.2 关键代码块解读日前调度的核心代码用YALMIP写出来非常简洁。决策变量定义如下P_gt sdpvar(24, 1); % 燃气轮机出力 u_gt binvar(24, 1); % 燃气轮机启停状态 P_ch sdpvar(24, 1); % 储能充电功率 P_dis sdpvar(24, 1); % 储能放电功率 SOC sdpvar(24, 1); % 储能荷电状态 P_buy sdpvar(24, 1); % 从电网购电功率 P_sell sdpvar(24, 1); % 向电网售电功率 u_buy binvar(24, 1); % 购电状态 u_sell binvar(24, 1); % 售电状态约束构建的核心是功率平衡约束。虚拟电厂内部所有设备出力加上购电功率减售电功率必须等于负荷Constraints []; for t 1:24 Constraints [Constraints, ... P_pv(t) P_wind(t) P_gt(t) P_dis(t) - P_ch(t) ... P_buy(t) - P_sell(t) P_load(t)]; end这里需要注意光伏和风电是预测数据直接作为已知参数传入不参与优化。燃气轮机出力需要同时约束上下限和爬坡率P_gt_min P_gt P_gt_max; for t 2:24 Constraints [Constraints, -ramp_down P_gt(t) - P_gt(t-1) ramp_up]; end储能SOC的递推约束是另一个重点按0.95的充放电效率写SOC(1) SOC_initial; for t 1:23 Constraints [Constraints, ... SOC(t1) SOC(t) 0.95 * P_ch(t) - P_dis(t) / 0.95]; end Constraints [Constraints, SOC_min SOC SOC_max]; Constraints [Constraints, SOC(24) SOC_initial];SOC(24)等于初始值这个约束容易被忽略但它非常关键。如果不加优化器就会把储能电量在周期末全部放光下一天没法继续调度。购售电互斥约束也是必写的否则优化器可能会同时买电和卖电凭空产生“能量套利”的假象Constraints [Constraints, ... P_buy u_buy * M, P_sell u_sell * M, ... u_buy u_sell 1];M是一个足够大的数但最好别用inf否则数值稳定性差。我实测用1000兆瓦这个量级就够了。目标函数按公式拼起来交给求解器Objective sum(price_buy .* P_buy - price_sell .* P_sell) ... sum(cost_gt .* P_gt) ... sum(start_cost_gt .* max(0, diff([u_gt(1); u_gt]))) ... carbon_price * sum(emission_coef .* (P_buy P_gt)); ops sdpsettings(solver, cplex, verbose, 2, mip.tolerances.mipgap, 0.001); optimize(Constraints, Objective, ops);日内滚动优化的主循环大概长这样for k 1:4:96 % 每15分钟触发一次重新优化 current_time k; horizon 4 * 4; % 前向优化4小时16个时段 % 读取最新的PV/风电/负荷预测基于current_time更新 new_forecast update_forecast(current_time); % 获取日前计划在当前时刻的参考值 ref_value get_dayahead_reference(current_time); % 构建并求解日内模型 [result, status] solve_intraday(new_forecast, ref_value, horizon); % 只执行第一个时段的决策结果 apply_control(result(:, 1)); end这里特别强调“只执行第一个时段的决策”这是MPC的核心。因为预测是会变的这一时刻算出来的后续计划可能下一时刻就不适用了所以永远只执行当前时段的决策下一个周期再重新优化。3.3 求解器配置与运行效率我整个项目用的是CPLEXYALMIP配置好之后不需要额外写求解器调用代码YALMIP会自动转换。第一次运行前记得运行yalmiptest检查求解器是否被识别。如果是规模扩展后的日内滚动优化求解时间会变长。实测96时段、5类设备、含购售电互斥二元变量的整数规划CPLEX大约需要2-5秒日内滚动96次全部跑完大约5分钟左右。如果想提速可以设置MIP gapops sdpsettings(solver, cplex, mip.tolerances.mipgap, 0.005);把间隙从默认的1e-4放宽到0.5%求解时间能缩短一半以上而结果差异几乎看不出来。4. 仿真结果分析与实际调参经验4.1 结果图怎么画才能看出两个时间尺度的协同跑通之后第一件事就是画图但直接堆曲线容易让人看晕。我画图的经验是可以分四张图来看日前计划图画24时段各设备出力堆叠柱状图能直观看到燃气轮机的启停位置、储能的充放电时段。日内调整图把日内96时段的实际决策和日前计划插值曲线画在一起用阴影标出两者偏差。SOC对比图日内滚动优化的SOC轨迹和日前计划的SOC轨迹对比观察储能是否被用来修正偏差。联络线功率对比购电售电功率的日前计划和日内实际执行曲线。画这些图其实用Matlab自带的plot和area就够了重点是把坐标系对齐然后给关键时段画竖线标注。这里有个小技巧在画日前和日内的对比时先把日内数据按15分钟间隔重采样成1小时平均再和日前数据叠在一起否则曲线密度不一致对比起来有偏差。4.2 参数设置对结果的敏感度分析复现过程中最耗时间的不是建模而是调参数。有几个参数对结果影响非常大储能的初始SOC如果初始SOC设成0.2优化器会在早期时段大量充电补充SOC导致日前购电成本虚高如果设成0.8储能就有余量在高峰时段放电套利。建议按实际运行状态设置我一般设为0.5。日内阶段的跟踪权重前面说过这个权重不能统一。我的配置是联络线功率跟踪权重为500燃气轮机跟踪权重为200储能跟踪权重为50。这个比例是试出来的分别跑三组对比就能看出差异。燃气轮机启停成本如果启停成本设得过高优化器会让燃气轮机连续低负荷运行而不是按需启停设得过低机组会频繁启停磨损严重。论文里一般用500-2000元/次具体看机组容量。这里分享一个我自己总结的调参方法先把所有惩罚权重初始化成1跑一次看结果然后把相对幅度最大的偏差找出提高对应设备的权重再跑。反复3-4轮就能找到比较合理的权重范围。5. 常见问题与排查心得5.1 约束不可行最经典的“功率平衡”陷阱YALMIP报Infeasible problem是复现这类论文最容易遇到的问题大概占了所有报错的60%。大多数情况是源荷功率平衡导致问题无解或者是设备出力范围太小无法覆盖负荷缺口。排查思路要按顺序来先检查平衡方程两边的量纲是否一致再检查预测数据是否合理比如光伏出力的数量级对不对然后检查各设备的容量约束是否有取值空间最后检查是不是有“双重硬约束”互相矛盾。比如你同时约束“SOC(24)0.5”和“最后两小时储能强制放电”就可能无解。我常用的一个技巧是给平衡约束加一个松弛变量把等式约束改成带惩罚的软约束slack sdpvar(24, 1); Constraints [Constraints, ... P_pv(t) P_gt(t) P_dis(t) - P_ch(t) P_buy(t) - P_sell(t) ... slack(t) P_load(t), -0.01 slack 0.01]; Objective Objective 10000 * sum(slack.^2);这样如果模型真的不可行松弛变量会变成非零值你能立刻看到是哪个时段出了问题而不是面对一个干巴巴的Infeasible报错。5.2 求解器报错与数值稳定性问题另一种高频报错是No suitable solver原因大多数是装了YALMIP但没装CPLEX或Gurobi。运行yalmiptest可以直接看到当前可用的求解器列表。如果用了CPLEX还报Out of memory或者求解时间无限拉长很可能是因为模型里出现了非凸二次约束或非线性项。比如我一开始偷懒用max(0, P_gt(t)-P_gt(t-1))来表示爬坡这个写法在YALMIP里会引入非光滑项直接把问题变成非凸。后来我改成下面的线性化方式r_up sdpvar(24, 1); r_down sdpvar(24, 1); Constraints [Constraints, ... P_gt(t) - P_gt(t-1) r_up(t) - r_down(t), ... r_up 0, r_down 0, r_up ramp_up_max, r_down ramp_down_max];这样就变成了纯线性约束求解速度立刻回到秒级。5.3 代码迁移和数据替换的注意事项如果想把这套代码套用到自己的数据上有两点要特别留意。第一预测数据的维度必须和时段数对应日前数据必须是24维日内数据要是4的整数倍第二电价数据建议做归一化后再输入模型否则购售价差太大会导致优化结果集中在少数极端时段掩盖真实调度规律。另外不同论文对“日内调度是否需要重新考虑启停”有不同的设定。我复现的这篇假设燃气轮机在日前已经确定了启停状态日内只调整出力大小这样能大幅降低求解难度。如果你的场景需要日内也改变启停状态二元变量的维度会翻倍求解时间可能要乘以5-10倍要有心理准备。我个人在实际操作中最深的体会是复现这类多时间尺度调度优化论文真正的难点不在数学公式而在于数据组织和两套模型之间的变量衔接。很多论文的公式和代码逻辑都很漂亮但写代码时如果没有统一管理设备参数和预测数据结构很容易在日内循环里被维度问题反复折磨。建议你从最简单的单时间尺度模型出发先把一台燃气轮机加储能搭通再逐步增加光伏、风电、可调负荷最后加上日内滚动环节这样排错的时间成本最低。希望这篇文章能让你少走点弯路早日把整套流程完整复现出来。
