1. 微网优化调度这件事到底在优化什么做电力系统优化有一段时间的人多半会撞上同一个坎微网调度模型不难理解但要自己从头写一套能跑、能改、能向别人解释的求解代码很容易卡在“数学公式和代码之间差着一层”的地方。我用YALMIP搭微网优化调度模型就是从这个坎过来的。先把问题说清楚。微网本质上是一个小型的发—输—配—用系统里面有光伏、风机这类不可控分布式电源有柴油机这类可控机组有储能电池还连着上级电网。调度要回答的问题很简单未来24小时每个时刻该让柴油机发多少电、储能该充还是该放、要不要从电网买电整体运行成本最低。这看起来像个线性规划问题实际上是一个混合整数线性规划MILP。因为储能的充放状态、柴油机的启停状态都需要0/1整数变量来表达。而“用YALMIP做”这件事的核心价值在于你只需要用接近数学公式的语法把模型写出来求解器的事交给工具箱去对接不用自己处理求解格式转换那一套繁琐操作。你从最朴素的“把物理约束写进数学公式”开始到最终能跑出一组24小时的调度曲线中间那条路YALMIP给你铺平了绝大部分。这篇文章我按自己的实际搭建过程来写先从物理问题到数学模型再从模型到YALMIP代码然后给出一个完整算例的结果分析最后把我踩过的坑一次性倒出来。里面会有能直接改参数就跑的MATLAB代码框架也会解释每一步为什么这么写。适用人群我提前说清楚刚接触微网优化调度不久的研究生准备用YALMIP替代手写求解器调用的工程开发以及被各种教材里晦涩约束写法劝退的自学者。如果你已经有优化基础可以直接跳到第2和第3节看约束处理和YALMIP建模语法的细节。2. 从物理问题到数学模型先建立可计算的边界微网调度模型的建立不需要一开始就堆砌复杂公式。我习惯先把系统里所有设备当成“节点”然后明确每个节点上有哪些物理约束节点之间靠什么连接最后拼成整体模型。这个思路比照抄文献里的公式可靠得多因为你清楚每个约束的来源以后要加新设备也不会手足无措。2.1 系统的组成与时间离散化我把一个典型微网抽象成五个部分光伏PV、风机WT、柴油机DE、储能ESS、上级电网Grid。调度周期取24小时时间分辨率取1小时也就是把一天离散成24个时段。这样处理足够展示模型的核心逻辑也在求解精度和计算复杂度之间取得平衡。你要是想做更细的调度把T改成96甚至288模型结构基本不用动。负荷曲线、光伏预测曲线、风电预测曲线这三条数据曲线是调度的输入条件。它们是外部给定的不需要在模型里优化但会影响所有决策结果。我在实际计算中用的是某微网示范项目的典型日数据负荷大致是白天两个高峰、夜间低谷光伏出力集中在8点到17点之间风电出力夜间偏强。这些数据特征是后面解读调度结果的关键。2.2 决策变量的确定与作用模型要优化的对象也就是决策变量我用表格先总览一下后面再逐个展开约束变量符号类型说明柴油机出力P_de(t)连续0~上限第t时段柴油机的发电功率柴油机启停状态u_de(t)0/1整数1表示运行0表示停机储能充电功率P_ch(t)连续0~上限第t时段储能的充电功率储能放电功率P_dis(t)连续0~上限第t时段储能的放电功率储能充电状态u_ch(t)0/1整数1表示处于充电状态储能放电状态u_dis(t)0/1整数1表示处于放电状态与电网交互功率P_grid(t)连续可正可负正为购电负为售电储能荷电状态SOC(t)连续0~1第t时段结束时的剩余电量比例看到这么多变量别慌。整数变量其实只有柴油机启停和储能的充/放状态两对其他都是连续变量。连续变量数量是T乘设备数24时段下也就一百多个对任何求解器都是小规模问题。2.3 目标函数把运行成本一项项列清楚优化调度的目标是最小化系统总运行成本。我采用的成本函数包含四个部分燃料成本是柴油机出力的二次函数实践中会分段线性化处理但小规模问题直接用二次项建模成二次规划QP也可以。这里我用线性近似因为这样整体就是MILP求解快且全局收敛有保证。启停成本是柴油机改变运行状态时的额外费用用整数变量变化量的形式表达C_su sum(SU_cost * max(0, u_de(t) - u_de(t-1)))代码里用变量代换处理这个max。购电成本当P_grid(t)为正按购电价结算当P_grid(t)为负按售电价结算。这里有一个需要注意的地方购电价和售电价往往不同而且分时电价下每个时段的价格还在变。直接用一个变量乘以价格系数没法区分买卖价需要把P_grid拆成正负两个部分来处理。弃风弃光惩罚虽然模型里我暂时允许了弃风弃光但目标函数里给它们一个很低的惩罚系数让求解器在同等条件下优先消纳可再生能源。不加这个系数时可能出现为了降低燃料成本而主动弃掉便宜的风光出力导致结果不合理——这个细节是我在多次试算后发现的。总目标函数表示为min sum_t( a * P_de(t) b * u_de(t) SU_cost * z(t) buy_price(t) * P_buy(t) - sell_price(t) * P_sell(t) penalty * (P_pv_avail(t) P_wt_avail(t) - P_pv(t) - P_wt(t)) )这里的P_pv(t)和P_wt(t)是实际消纳的光伏和风电功率P_pv_avail(t)和P_wt_avail(t)是预测可用功率。后面的约束会限制实际功率不超过可用功率。2.4 约束条件每一条都有物理来源约束是整个模型的灵魂。如果目标函数决定“往哪个方向优化”约束条件就决定“哪些解是允许存在的”。我把约束分成五类来讲。功率平衡约束任何时刻系统内发电加购电等于负荷加售电加充电损耗后的总需求。这是基尔霍夫定律的直接体现也是整个模型的骨架P_pv(t) P_wt(t) P_de(t) P_dis(t) P_buy(t) P_load(t) P_ch(t) P_sell(t)注意P_dis和P_ch不会同时为正后面用整数约束保证。柴油机约束出力不能超过额定范围u_de(t) * P_de_min ≤ P_de(t) ≤ u_de(t) * P_de_max这条约束很关键它把整数变量u_de(t)和连续变量P_de(t)绑定在一起。当u_de(t)0时P_de(t)被卡在0到0之间也就是强制停机当u_de(t)1时P_de(t)才能在上限范围内取值。储能约束储能是微网调度中最容易写错的部分。核心递推关系是SOC随充放电变化的动态方程SOC(t) SOC(t-1) (eta_ch * P_ch(t) - P_dis(t) / eta_dis) * delta_t / E_capeta_ch和eta_dis分别是充放电效率E_cap是储能容量delta_t是时段长度1小时。同时SOC必须满足上下限约束且充放电状态互斥SOC_min ≤ SOC(t) ≤ SOC_max u_ch(t) u_dis(t) ≤ 1 0 ≤ P_ch(t) ≤ u_ch(t) * P_ch_max 0 ≤ P_dis(t) ≤ u_dis(t) * P_dis_max最后两条约束保证了只有u_ch(t)1时才能充电只有u_dis(t)1时才能放电。这样储能就不会出现又充又放的无意义行为。联络线约束与上级电网的交互功率有上限0 ≤ P_buy(t) ≤ P_buy_max 0 ≤ P_sell(t) ≤ P_sell_max这两个式子把购电和售电拆成了两个非负变量配合目标函数里的价格系数求解器会自动选择划算的方向。很多时候微网不会同时买电又卖电但拆成两个变量后模型更灵活也不需要额外加互斥约束。备用约束为保证系统安全预留一定比例的旋转备用容量。这里我简化为柴油机可增出力加储能可放电量之和不小于负荷的某个百分比u_de(t) * P_de_max - P_de(t) (SOC(t) - SOC_min) * E_cap ≥ reserve_ratio * P_load(t)这条约束让调度结果不仅有经济性还带上了安全性。可别忽略它很多初版模型一去掉备用约束系统就敢把储能放到零、柴油机贴着下限跑算出来的成本低得很但根本不抗扰动。3. 用YALMIP建模的实操流程与代码框架数学模型写清楚之后到YALMIP这一步就顺畅了。YALMIP的核心思想是“让建模语法贴近数学表达”你几乎可以把上一节每一条约束照抄成代码。这一节我给出一套完整的可运行代码框架分块讲解。3.1 为什么选YALMIP而不是直接用求解器API直接用Gurobi或者CPLEX的底层接口写模型不是不行但那个过程极其痛苦。你脑子里想的是“SOC(t) SOC(t-1) ...”手上写的是二维数组下标和系数矩阵填充出了问题还不好查。YALMIP最大价值在于把“数学公式”和“求解器”之间的翻译工作接手了。这个选择对应到工程上就是你不需要关心模型怎么转换成求解器的标准输入格式也不需要记忆不同求解器之间的语法差异。想换求解器只需改一行代码中的求解器参数模型本身不用动。对频繁调整约束、尝试不同求解器的研究者来说这一点太重要了。3.2 基础建模代码框架下面这段MATLAB代码我按模块划分可以直接复制到脚本里只要换掉数据输入部分就能跑。为了让代码清晰易读我尽量采用与数学公式一致的变量命名。%% 基础数据定义 % 注意这里的P_load、P_pv、P_wt都是长度为T的列向量分别为负荷、光伏预测、风电预测数据 T 24; % 调度时段数 delta_t 1; % 时段长度单位h P_load [...]; % 负荷数据1x24按你的实际数据填写 P_pv_avail [...]; % 光伏预测可用功率 P_wt_avail [...]; % 风电预测可用功率 % 设备参数 P_de_max 100; % 柴油机最大出力kW P_de_min 20; % 柴油机最小出力kW a 0.5; b 20; % 燃料成本线性系数 SU_cost 50; % 启动成本 P_ch_max 80; % 储能最大充电功率kW P_dis_max 80; % 储能最大放电功率kW E_cap 200; % 储能容量kWh SOC_min 0.2; % 储能SOC下限 SOC_max 0.9; % 储能SOC上限 SOC_init 0.5; % 初始SOC eta_ch 0.95; % 充电效率 eta_dis 0.95; % 放电效率 P_buy_max 150; % 购电上限kW P_sell_max 100; % 售电上限kW buy_price [...]; % 分时购电价1x24 sell_price [...]; % 分时售电价1x24 reserve_ratio 0.1; % 备用比例 penalty 100; % 弃风弃光惩罚系数 %% 定义决策变量 P_de sdpvar(1, T); % 柴油机出力 u_de binvar(1, T); % 柴油机启停状态 P_ch sdpvar(1, T); % 储能充电功率 P_dis sdpvar(1, T); % 储能放电功率 u_ch binvar(1, T); % 充电状态标志 u_dis binvar(1, T); % 放电状态标志 SOC sdpvar(1, T); % 储能荷电状态 P_buy sdpvar(1, T); % 购电功率 P_sell sdpvar(1, T); % 售电功率 P_pv sdpvar(1, T); % 光伏实际消纳功率 P_wt sdpvar(1, T); % 风电实际消纳功率 %% 目标函数 objective sum(a * P_de b * u_de) SU_cost * sum(max(0, u_de(2:T) - u_de(1:T-1))) ... sum(buy_price .* P_buy - sell_price .* P_sell) ... penalty * (sum(P_pv_avail - P_pv) sum(P_wt_avail - P_wt)); %% 约束条件 constraints []; % 功率平衡 constraints [constraints, P_pv P_wt P_de P_dis P_buy P_load P_ch P_sell]; % 柴油机约束 constraints [constraints, u_de * P_de_min P_de u_de * P_de_max]; % 储能约束 constraints [constraints, SOC SOC_min, SOC SOC_max]; constraints [constraints, SOC(1) SOC_init (eta_ch * P_ch(1) - P_dis(1) / eta_dis) * delta_t / E_cap]; for t 2:T constraints [constraints, SOC(t) SOC(t-1) (eta_ch * P_ch(t) - P_dis(t) / eta_dis) * delta_t / E_cap]; end constraints [constraints, u_ch u_dis 1]; constraints [constraints, 0 P_ch u_ch * P_ch_max]; constraints [constraints, 0 P_dis u_dis * P_dis_max]; % 联络线约束 constraints [constraints, 0 P_buy P_buy_max]; constraints [constraints, 0 P_sell P_sell_max]; % 光伏风电消纳约束 constraints [constraints, 0 P_pv P_pv_avail]; constraints [constraints, 0 P_wt P_wt_avail]; % 备用约束 constraints [constraints, u_de * P_de_max - P_de (SOC - SOC_min) * E_cap reserve_ratio * P_load]; %% 求解 options sdpsettings(solver, gurobi, verbose, 1); optimize(constraints, objective, options); %% 结果提取 P_de_opt value(P_de); P_ch_opt value(P_ch); P_dis_opt value(P_dis); SOC_opt value(SOC); P_buy_opt value(P_buy); P_sell_opt value(P_sell);这段代码里有几个地方要特别注意。第一启动成本的处理用了max(0, u_de(2:T) - u_de(1:T-1))YALMIP可以处理这种带max的表达式它会自动引入辅助变量线性化你不用手动拆。第二储能SOC的初值放在第一条约束里单独写因为SOC(0)不在变量向量里是一个已知常量。第三功率平衡约束用了全向量形式的等式比写循环要快得多。3.3 约束批量生成的循环写法与性能取舍在上面储能SOC递推约束中我用了for循环逐条添加约束。对于T24这种规模完全没压力但如果以后扩到T288甚至T8760就要考虑矩阵化写法了。矩阵化构造递推约束的思路是把SOC的递推关系写成矩阵形式。定义一个转移矩阵M让SOC向量和充放电功率向量通过矩阵乘法表示递推。这样做的好处是约束数量少、YALMIP生成的求解器模型更紧凑大规模场景下能明显减少构建时间。不过我的经验是调度优化的瓶颈通常不在模型构建而在求解阶段。T288的MILP对Gurobi来说仍在可接受范围内模型构建时间差个几十毫秒在项目里也无所谓。所以如果不是特别极端的规模for循环写法更容易理解和维护不必过早优化构建性能。代码的可读性在你调模型的时候会救你一命——回想一下你自己在半夜两三点改约束方程的经历你就知道我在说什么。4. 一个24小时算例从求解结果看系统行为光有代码还不能说明问题。这一节我给出一个完整算例的输入输出并根据结果解读微网调度背后的物理逻辑。数据取自我调试验证时用的一组典型数据不是虚构得离谱的数值整体代表性比较强。4.1 算例输入与设备参数参数数值负荷峰值220 kW负荷谷值80 kW光伏峰值120 kW8:00-17:00风电峰值60 kW夜间较强柴油机额定容量100 kW最小出力20 kW储能容量200 kWh最大充放功率80 kW购电峰值限制150 kW售电峰值限制100 kW初始SOC0.5分时电价采用典型的峰谷平三段式设置高峰时段10:00-12:00、18:00-21:00购电价1.2元/kWh平段8:00-10:00、13:00-17:00购电价0.8元/kWh低谷23:00-次日7:00购电价0.4元/kWh。售电价统一按购电价的70%计算。这个价格结构是影响调度结果的最大因素之一记住这一点后面分析结果时你会反复看到它的影子。4.2 核心结果功率分配与SOC曲线求解完成后我提取关键变量的优化结果。为了方便展示我把24小时按几个典型时段归纳成表时段主要特征柴油机出力储能行为电网交互23:00-次日6:00负荷低谷风光高0-20 kW部分停机夜间风电富余时充电低谷电价下大量购电储能7:00-10:00负荷抬升光伏渐增40-60 kWSOC维持在0.6-0.7购电逐渐减少10:00-15:00光伏大发负荷平稳20-30 kW先充电后开始放电平段价购电偶尔售电16:00-20:00光伏衰减负荷高峰80-100 kW高峰集中放电高价时段少购电21:00-22:00负荷回落40-60 kWSOC恢复低价购电这个表的物理逻辑很清楚储能在低价时段充电在高价时段放电实现电价套利柴油机在光伏不足或者负荷太高才明显增加出力购电量在电价低谷时段明显偏大。值得注意的几件事一是夜间虽然风电出力不错但负荷很低系统不仅没有浪费风电而且利用低价电给储能充电——这既避免了弃风又为白天调用做准备一举两得。另一个是下午光伏大发时段部分时段出现了向电网售电的情况因为光伏出力超过了本地负荷加储能充电的总需求卖给电网比让柴油机降低出力更划算。4.3 几个反直觉的现象与解释第一次跑出完整结果时有几个现象跟我预期不一致后来分析才发现这些恰恰是模型和参数设置的自然结果。第一个现象柴油机在夜间没有完全停机而是维持20 kW的最小技术出力尽管此时负荷很低、电价便宜、从电网买电看起来更划算。原因在于备用约束——如果柴油机停机系统就丧失了旋转备用容量必须靠储能来顶而储能当时可能正在充电或者SOC偏高。这个现象说明备用约束对调度行为的影响远比看起来大甚至能决定机组是否停机。第二个现象上午8到10点这个时段光伏出力逐步上升但柴油机反而从低谷期的低出力开始爬升储能也保持充电状态。为什么不用光伏多发点电同时降低柴油机出力因为柴油机的功率平衡约束里存在最小技术出力限制而且启动成本让它不会轻易停机后再启动。一旦停了重新启动就要付一笔启停成本经济账算不过来。这就是整数变量带来的“路径依赖”效应——调度决策看的是整个周期的总成本不是单时段的最优。第三个现象傍晚高价时段虽然从电网购电显著减少了但并没有降为零——储能放完了也不够负荷柴油机已经顶着上限跑缺口只能电网补。这说明在某些峰值场景下单一储能加柴油机的组合并不能完全实现“高电价时段零购电”。要在高电价时段实现完全自给要么增加储能容量要么增加柴油机容量而这需要做容量配置的扩展优化不是在调度模型层面能解决的。4.4 单位校验与结果可信度优化结果拿到手之后一定要做单位校验。我见过不少初稿模型单位换算出错导致所有结果偏离实际数量级。下面给出一个简单的校验思路功率单位全部用kW能量单位用kWh时间周期T24小时那么一天的总能量守恒应该是购电能量 光伏发电能量 风电能量 柴油发电能量 储能放电能量 负荷能量 储能充电能量 售电能量 弃风弃光能量把value()提取的各个变量乘以对应时段长度后相加两边误差应小于0.01 kWh量级。如果对不上优先检查功率平衡约束、SOC递推公式里效率系数的位置以及delta_t是否乘对。这个校验我每次都做严格来说比看优化结果的成本数字更重要——一个对不上能量守恒的模型算出来的成本再低也只是自欺欺人。5. 求解过程中的常见坑与完整排查链路模型能跑通只是第一步跑出来的结果合理才是重点。我这一节把实际调试中遇到的问题按照“现象—原因—解决”链路写出来遇到类似情况的可以直接照方抓药。5.1 数值问题大M取值引起的求解异常我最早给储能充放状态互斥做约束时用了经典的大M法思路P_ch ≤ u_ch * BigM其中BigM取了一个很大的数比如100000。然后有趣的事情发生了求解器给出的结果里P_ch和P_dis同时大于零两个状态变量也为1完全违背了“不能同时充电和放电”的原则。排查过程是这样的我先检查约束是否真的加进去了打印出来确认无误然后尝试把BigM从100000改成P_ch_max的取值也就是80问题就消失了。根本原因在于求解器内部的数值容差机制——当M比变量实际取值范围大太多时约束的区分度被淹没在容差范围内整数分支判断变得不可靠。这个问题在文献里叫big-M的数值尺度问题实际中非常常见。处理方案就是我上面代码中写的那样把辅助约束的右端项设成对应变量的物理上限不用一个统一的大M。P_ch的上限就用u_ch * P_ch_maxP_dis的上限用u_dis * P_dis_maxSOC的强制约束用逻辑关系直接保证即可。这不仅是数值稳定性问题还让模型表达更紧求解速度更快。5.2 储能SOC初始化的循环引用错误这是很容易犯的一个错误尤其当你从状态空间模型转过来的时候。我第一次写SOC递推约束的时候天真地在循环里直接引用了SOC(t-1)这个优化变量for t 2:T constraints [constraints, SOC(t) SOC(t-1) ...]; end这本身没问题。问题出在我额外加了一条约束SOC(1)时写了SOC(1) SOC_init (eta_ch * P_ch(1) - P_dis(1) / eta_dis)然后发现SOC(1)在初始时刻前的状态到底是SOC_init还是SDPVAR未知变量造成变量引用混乱。排查链路先看报错信息——YALMIP报的是“非二次凸优化问题”一类的荒谬错误让人一头雾水。我觉得奇怪因为模型里根本没有二次项。后来逐条观察约束发现SOC(1)的递推引用了自身历史导致奇怪的表达式变形。修正方式就是我代码里的写法SOC(1)单独写一条等式约束初始SOC_init作为常量放在等式右侧然后从t2开始循环引用前一时段SOC。这是状态变量动态约束的标准处理方式。记住一个原则所有状态变量的初值都应该出现在第一条递推约束里而不是额外引用“第0时刻的变量”——因为你的决策变量下标不包含0。5.3 求解器选择的差异与运行时间对比YALMIP下换求解器只需改一行solver参数这个特点在调试阶段特别有用。我对比了三种常用配置在T24这个小规模算例上的表现求解器模型类型求解时间结果质量Gurobi 11MILP0.3秒全局最优无gap开源SCIPMILP4秒全局最优MATLAB linprog(纯LP)LP0.1秒无整数约束结果不合理第三个配置提醒你如果把整数变量全当连续量处理求解飞快但结果会违反物理逻辑——储能可能同时充放。所以别为了快而牺牲模型精度。对比下来我的结论是小规模算例用什么求解器差异不大但如果要做灵敏度分析、蒙特卡洛模拟这种重复成千上万次求解的场景Gurobi和CPLEX这类商业求解器在求解速度和稳定性上的优势就体现出来了。开源求解器适合验证模型逻辑不适合批量计算工程任务。5.4 变量维度与矩阵方向的坑YALMIP的sdpvar创建变量时维度方向非常容易搞错。我习惯了向量优先的方向一开始声明成sdpvar(T, 1)结果在约束里做转置、逐元素乘法时各种报维度不匹配错误。排查过程就是反复调整右上角声明变量的维度和运算时的索引方向最后统一规定所有决策变量都按1×T行向量声明所有参数向量也按1×T行向量声明这样目标函数里逐元素乘法直接.*就能完成不用到处转置。这个约定看着简单但在写模型时大量使用行向量能让你的代码保持极简。这类问题多数不是原理层面的纯粹是MATLAB矩阵维度不匹配导致的低级错误。提升效率的办法就一条在所有变量声明处加一行注释标明维度方向别偷懒。当你三天后回头改代码时这行注释至少帮你省半小时。5.5 目标函数里的隐式变量陷阱还有一个非常隐蔽的逻辑陷阱出现在我最初没有把P_pv和P_wt作为决策变量的时候。当时的模型把光伏和风电功率当作固定输入约束直接写成等式P_pv P_wt P_de P_dis P_buy P_load P_ch P_sell这样光伏和风电的预测值被强制要求全部消纳。可问题是当光伏出力大于负荷和储能充电能力之和时模型没有办法弃光只能把多余的电量硬塞给储能或者卖给电网甚至在无路可走时直接不可行。真实系统在出力严重超出时可选择降低光伏出力模型里却没有这个选项。修正方式就是我前面代码里的处理让P_pv和P_wt成为连续决策变量增加约束0 ≤ P_pv ≤ P_pv_avail 和0 ≤ P_wt ≤ P_wt_avail并在目标函数中加入弃光弃风惩罚项。这样系统在“经济最优”和“多消纳新能源”之间有一个软权衡只有当确实需要弃光时才弃惩罚系数让它在数值上优先保全消纳率。这一点在实际工程项目中特别重要。一个不允许弃风弃光的模型在新能源渗透率高的场景下很容易无界或者不可行一个允许无代价弃风的模型又会过度弃风。加惩罚项是最简单也最实用的折中策略。更严谨的做法是用多目标优化或者配置碳减排约束那是后面进阶方向的事。6. 模型的进阶扩展方向与适用边界模型能跑通结果也合理之后自然就会想往深度走。这一节我把确定性单目标模型往真实工程方向扩展的几个路径列出来每个方向都有明确的出发点不是什么“展望式废话”都是实际工程会碰到的东西。6.1 从确定性到不确定性鲁棒优化和随机优化确定性模型假设光伏、风电预测准确负荷也是已知的。实际上预测误差完全不可忽略尤其是光伏这种受云层影响剧烈的电源。处理方式有两条主流路线随机优化假设预测误差服从某个概率分布通过场景采样把不确定性转化为多个场景的期望值优化鲁棒优化只保证预测误差落在某个区间内目标是最坏情况下的成本最小化。两种方法对应的YALMIP建模差异很大。随机优化会把模型扩展到N个场景相乘的规模求解时间线性上升鲁棒优化则需要按列的鲁棒对等变换YALMIP有一些内置支持但并非完全自动需要对偶变换原理有了解。对一个入门项目来说更现实的改进是用场景削减方法把N个场景聚类为少数代表性场景然后用YALMIP批量求解取期望值作为最终调度策略。6.2 多时间尺度滚动调度单次24小时静态优化在工程现场的意义有限因为光伏预测每隔4小时就要更新一次。滚动模型预测控制MPC是目前工业界采用更普遍的范式每个控制周期只执行下一个时段指令然后滚动优化未来N个时段。YALMIP在这个范式下做的事情从“一次性求解一个大模型”变成“反复求解一系列小模型”代码层面就是调用同一个建模函数多次区别只在输入数据的更新方式。这里有一个值得注意的经验滚动调度的绩效取决于预测更新的频次以及终端成本函数的设计。如果没有给终点SOC设置合理的目标值模型的“短视”行为会让储能在一个优化窗口末期的行为失真。你需要额外加一个SOC的终端软约束或者用值函数逼近来补偿未来信息不足的问题。这个细节是模型工程化的胜负手。6.3 低碳约束与多目标化现在的微网规划已经绕不开碳排放这个维度。最简单的扩展方式是给目标函数加碳价把CO2排放量乘以一个碳价系数折算成成本。稍微复杂一点的可以设置碳排放硬上限变成约束条件。更彻底的改造是把“成本最小化”和“碳排放最小化”放在一起做多目标优化用加权和法生成帕累托前沿。YALMIP做多目标优化也有内置支持比如optimize时可以传目标函数数组。不过我实际用下来最直观的还是加权和法权重从0到1逐步扫描每次求一个单目标问题最终画出一条帕累托曲线。这个方法代码量少图形化结果解释性强给项目汇报时特别好用。6.4 模型的适用边界与局限最后说一个容易被忽略但重要的问题这个模型在什么情况下不适用。如果系统容量很小、设备少直接用经验规则调度可能比优化模型更省事如果目标函数中有很强的非线性成分比如柴油机燃料成本是强非线性曲线且无法线性近似就需要用非线性规划或混合整数非线性规划YALMIP也能处理但求解稳定性和速度会明显下降算法参数调起来很费劲。另外模型里没有考虑线路潮流约束也就是假设微网内部的网络足够坚强所有节点都等效为单节点。实际有电压约束、线路容量约束的微网需要在模型里加上潮流方程或配电网线性化约束——那已经是另一个量级的项目了。这些都是要结合具体项目来定的。写模型前先清楚地回答四个问题时间尺度是什么空间维度需不需要区分节点目标函数能不能线性表达数据配套是否齐备。这四个问题想明白再动手建模会少走很多弯路。7. 写在最后的建模心得我做完这个微网优化调度模型之后最大的体会是YALMIP本身不帮你解决物理问题它只帮你减少从想法到可运行代码之间的摩擦。真正有价值的还是对物理系统的理解——储能为什么不能同时充放、备用约束如何影响机组启停、分时电价如何推动负荷移峰。这些理解了用YALMIP写代码就是顺水推舟的事。如果让我给刚起步的人一个具体建议我会说先用小数据把模型全跑通T先取6或8数据全部手工构造确认结果符合物理直觉后再上完整24小时数据和复杂约束。这个流程能帮你把“模型错误”和“代码错误”分开排查效率高得多。另外一个小技巧保存每个版本能跑通的数据和代码截图加上一行注释说明这个版本主要改了什么。优化模型调试的时候两个版本之间的微小差异往往就是结果大变的原因没有版本追溯你会非常痛苦。我自己的习惯是每次改动只动一处跑一次、记录一次、对比一次宁可慢也不要“一次改十个地方然后指望全对”。这套基于YALMIP的微网调度模型框架后续可以扩展的方向很多。想做光伏波动场景的场景分析、接入电动汽车充电桩的协同调度、或者把需求响应负荷加进去都可以在这个框架上逐步增加模块。基础打牢了后面增长起来会非常快。