含储能的微电网鲁棒优化调度技术与应用

1. 项目概述：含储能的微电网鲁棒调度挑战

在能源转型背景下，区域微电网已成为平衡可再生能源波动性与供电可靠性的关键技术方案。我最近完成的一个研究项目，正是针对含光伏、风电和储能系统的微电网，开发了一套考虑多重不确定性的多阶段鲁棒优化调度模型。这个项目的核心痛点在于：当可再生能源占比超过30%时，传统确定性调度方法会导致约15-20%的调度方案在实际运行中失效。

我们构建的微电网系统包含2台总容量500kW的柴油机组、200kW光伏阵列、150kW风电机组以及300kWh锂电池储能，典型日负荷曲线在400-800kW之间波动。系统面临三重不确定性：光伏出力预测误差可达±25%，风电预测误差±30%，而电力市场实时价格波动幅度甚至能达到日前价格的±50%。这种复杂场景下，单纯追求经济性的调度方案往往在极端天气或市场价格突变时完全崩溃。

2. 模型架构设计思路

2.1 两阶段鲁棒优化框架

项目采用"日前-实时"双阶段架构，这是经过多次仿真验证后的最优选择。日前阶段以24小时为调度周期，每小时为一个时段，主要解决机组启停决策（Unit Commitment）问题；实时阶段则采用4小时滚动窗口，每15分钟更新一次调度指令。这种架构在计算复杂度（全时段优化需要约8小时求解时间）与实际操作性（电网调度要求15分钟内响应）之间取得了平衡。

关键创新点在于将鲁棒优化与场景分析法结合：对可再生能源和负荷采用多面体不确定性集（Polyhedral Uncertainty Set）描述，其数学表示为：

code复制P = { (p^PV, p^WT, L) | p^PV ∈ [μ^PV - 3σ^PV, μ^PV + 3σ^PV],
                      p^WT ∈ [μ^WT - 3σ^WT, μ^WT + 3σ^WT],
                      L ∈ [μ^L - 2σ^L, μ^L + 2σ^L] }

其中μ、σ分别为预测值和标准差。对电价不确定性则采用离散场景树表示，通过K-means聚类从历史数据中提取5个典型价格场景。

2.2 非预期约束处理技术

在约束处理上，我们开发了自适应鲁棒约束生成算法。以功率平衡约束为例，传统形式为：

code复制∑P_gen + P_ESS_dis - P_ESS_ch = P_load

改进后的鲁棒约束则考虑最坏情况：

code复制max_{p∈P} |∑P_gen + P_ESS_dis - P_ESS_ch - P_load| ≤ ε

其中ε为可接受的功率偏差阈值。实际编程中，我们采用对偶理论将其转化为可求解的线性约束，这在CPLEX中的实现代码如下：

matlab复制% 鲁棒功率平衡约束示例
for t = 1:24
    model.addConstraint(sum(P_diesel(:,t)) + P_pv(t) + P_wind(t) +...
        P_ess_dis(t) - P_ess_ch(t) - P_load(t) <= epsilon);
    model.addConstraint(sum(P_diesel(:,t)) + P_pv(t) + P_wind(t) +...
        P_ess_dis(t) - P_ess_ch(t) - P_load(t) >= -epsilon);
end

3. 模型求解关键技术

3.1 混合整数规划转化

将鲁棒优化问题转化为MILP（混合整数线性规划）是求解的关键。项目中涉及到的整数变量包括：

• 机组启停状态（0/1变量）
• 储能充放电状态（互斥的0/1变量）
• 场景选择变量（用于价格不确定性）

在MATLAB中采用YALMIP建模工具包构建模型，与CPLEX交互的典型代码结构如下：

matlab复制ops = sdpsettings('solver','cplex','verbose',1);
ops.cplex.timelimit = 3600; % 1小时求解时限
ops.cplex.mip.tolerances.mipgap = 0.01; % 1%最优间隙

% 定义决策变量
U = binvar(2,24); % 机组状态
P = sdpvar(2,24); % 机组出力
...

% 构建目标函数和约束
Objective = sum(sum(C_gen.*P)) + ...;
Constraints = [sum(P(:,t)) + ... >= P_load(t), ...];

% 求解优化
sol = optimize(Constraints, Objective, ops);

3.2 滚动优化实现技巧

实时阶段的滚动优化需要处理时序耦合问题，特别是储能SOC（State of Charge）的状态转移。我们采用预测控制(MPC)框架，在每个滚动窗口求解时：

1. 固定当前时刻之前的决策变量
2. 对后续时段采用简化预测模型
3. 只实施当前时刻的优化结果

储能SOC的递推公式为：

code复制SOC(t+1) = SOC(t) + (η_ch*P_ch(t) - P_dis(t)/η_dis)*Δt/E_max

在实际编程中，需要特别注意数值稳定性问题。我们采用了归一化处理：

matlab复制% 储能SOC约束实现
for k = 1:rolling_steps
    SOC(k+1) = SOC(k) + (0.95*P_ch(k) - P_dis(k)/0.93)*0.25/300; % 300kWh容量
    model.addConstraint(0.2 <= SOC(k+1) <= 0.9); % SOC限值
end

4. 实际应用效果分析

4.1 经济性对比测试

在典型晴天场景下（光伏实际出力比预测高20%），与传统确定性调度对比：

极端天气测试（持续阴雨导致光伏出力仅为预测的50%）：

4.2 计算效率优化

通过以下措施将求解时间从8.2小时压缩到2.3小时：

1. 采用Benders分解处理场景耦合
2. 对整数变量进行预求解固定
3. 设置合理的CPLEX参数：

matlab复制ops.cplex.mip.strategy.variableselect = 3; % 强分支策略
ops.cplex.mip.strategy.probe = 3;         % 深度探测
ops.cplex.parallel = 1;                   % 启用并行

5. 工程实践中的经验总结

5.1 不确定性集参数调整

经过多次测试，发现可再生能源的不确定性集参数选择对结果影响显著：

• 光伏：±3σ范围会导致方案过于保守，最终采用±2.5σ
• 风电：±3σ仍不足覆盖极端情况，改为±3.5σ
• 负荷：±2σ可平衡安全性与经济性

建议采用历史误差分布的95%分位数作为参数设置基准。

5.2 储能系统优化配置

通过灵敏度分析发现储能配置存在最优区间：

超过300kWh后边际效益明显下降，因此推荐储能容量为最大负荷的40-50%。

5.3 典型问题排查指南

1. CPLEX无法找到可行解：

   • 检查鲁棒约束是否过紧
   • 验证不确定性集是否自洽
   • 尝试放宽整数变量的限制

2. 滚动优化出现震荡：

   • 增加储能SOC的移动平均滤波
   • 调整滚动窗口长度（推荐4-6小时）
   • 加入机组最小运行时间约束

3. 求解时间过长：

   matlab复制% 启用CPLEX高级策略
   ops.cplex.mip.strategy.heuristicfreq = 100;
   ops.cplex.mip.strategy.rinsheur = 50;
   ops.cplex.mip.limits.cutpasses = 5;
   

这套模型最终在三个工业园区微电网得到实际应用，平均降低运营成本6.2%，减少柴油发电机运行时间30%以上。最关键的是在台风天气期间保证了100%的供电可靠性，而同期采用传统调度方法的微电网出现了多次断电事故。