YALMIP在微电网优化调度中的高效应用

1. 微网优化调度与YALMIP工具概述

微电网作为分布式能源系统的重要实现形式，其优化调度直接影响着运行经济性和供电可靠性。传统手工建模方法在面对复杂约束条件时往往力不从心，而YALMIP作为MATLAB平台的建模语言，通过其声明式语法大幅简化了优化问题的表述过程。我在参与某工业园区微网项目时，曾用三天时间手工构建的调度模型，改用YALMIP后仅需半天即可完成同等复杂度的建模。

这个工具箱最吸引人的特点是其"翻译器"功能——用户只需用直观的数学语言描述问题，YALMIP会自动将其转换为底层求解器（如CPLEX、GUROBI）所需的格式。去年调试某医院微网时，我们需要在冷热电联供模型中添加设备启停约束，传统方法需要重写整个模型，而YALMIP只需新增几行约束条件代码。

2. 模型构建核心要素解析

2.1 决策变量定义技巧

在构建24小时调度模型时，建议采用时间索引方式定义变量：

matlab复制P_grid = sdpvar(24,1); % 购电功率
P_pv = sdpvar(24,1);   % 光伏出力

实际项目中我发现，对于储能这类具有状态累积特性的设备，采用矩阵形式定义能简化充放电逻辑：

matlab复制ESS_ch = sdpvar(24,1,'full'); % 充电功率
ESS_dis = sdpvar(24,1,'full'); % 放电功率

重要提示：定义变量时务必显式指定'full'参数，避免YALMIP默认的对称变量假设导致模型错误。某次项目调试中，未指定的储能变量被误认为对称矩阵，导致调度方案出现昼夜倒置。

2.2 约束条件建模实践

微网运行需要满足的典型约束包括：

1. 功率平衡约束：

matlab复制Constraints = [sum(P_pv + P_diesel + ESS_dis - ESS_ch) == Load];

2. 储能系统约束需考虑：
   • SOC状态转移：SOC(t+1) = SOC(t) + (η_ch*P_ch - P_dis/η_dis)*Δt
   • 充放电互斥：P_ch(t)*P_dis(t) = 0

处理这类非线性约束时，我通常采用大M法进行线性化：

matlab复制M = 1000; % 足够大的常数
Constraints = [Constraints, ESS_ch <= M*(1-u), ESS_dis <= M*u];

其中u为二进制变量，通过这种方式将原本的非线性问题转化为MILP问题。

3. 目标函数设计与优化

3.1 经济性目标构建

典型微网运行成本包含：

• 购电成本：C_grid = sum(c_grid.*P_grid)
• 燃料成本：C_fuel = sum(c_diesel.*P_diesel)
• 设备损耗成本：C_wear = c_bat*sum(ESS_ch + ESS_dis)

在商业园区项目中，我们通过引入分时电价系数使模型更贴合实际：

matlab复制TimePrice = [repmat(0.5,1,7), repmat(1.2,1,10), repmat(0.8,1,7)]; % 峰谷平电价
Objective = sum(TimePrice'.*P_grid) + ...;

3.2 多目标优化处理

当需要兼顾经济性和环保指标时，可采用ε-约束法：

matlab复制Constraints = [Constraints, sum(P_diesel) <= ε_CO2]; 

或加权求和法：

matlab复制Objective = w1*Cost + w2*sum(P_diesel)*CarbonFactor;

实际应用中发现，权重系数选择对结果影响显著。建议先进行归一化处理：

matlab复制w1 = Cost_max/(Cost_max + Emission_max);
w2 = 1 - w1;

4. 求解器配置与调试经验

4.1 求解器性能对比

在最近的海岛微网项目中，我们发现GUROBI对混合整数问题的预处理能力尤为突出。当模型包含200+整数变量时，其求解速度比CPLEX快约15%。

4.2 常见报错处理

1. Infeasible model错误：

   • 使用diagnostics函数定位冲突约束
   • 逐步注释约束条件排查
   • 检查变量边界是否合理

2. Out of memory问题：

   • 启用saveSolverOutput选项保存中间结果
   • 尝试sdpsettings('solver','gurobi','gurobi.Method',1)启用单纯形法

3. 数值不稳定：

   • 缩放变量范围到相近数量级
   • 设置sdpsettings('solver','gurobi','gurobi.NumericFocus',3)

5. 实际项目应用案例

某制造园区微网参数：

• 光伏容量：2MW
• 储能系统：1MW/4MWh
• 柴油机组：3×800kW

通过YALMIP构建的优化模型实现了：

1. 运行成本降低27%
2. 柴油机运行时间减少41%
3. 计算耗时从原有Excel模型的6小时缩短至15分钟

关键实现代码片段：

matlab复制% 分时电价设置
electricity_price = [0.35*ones(1,7), 0.78*ones(1,10), 0.43*ones(1,7)];

% 目标函数
Objective = sum(electricity_price'.*P_grid) + ...
            sum(500*P_diesel) + ...
            0.1*sum(ESS_ch + ESS_dis);

% 储能约束
for t = 1:23
    Constraints = [Constraints, ...
        SOC(t+1) == SOC(t) + 0.95*ESS_ch(t) - ESS_dis(t)/0.95];
end

调试中发现，将储能效率从固定值改为时变参数（考虑温度影响）后，冬季调度方案更符合实测数据。这提示我们在建模时需要根据实际运行数据持续修正模型参数。