微电网双层优化配置：理论与工程实践

1. 微网多电源容量优化配置概述

微电网作为综合能源系统的关键组成部分，其电源容量配置直接影响系统经济性和可靠性。传统单层优化方法难以同时兼顾长期投资效益和短期运行效率，而双层优化架构恰好能解决这一难题。我在实际项目中发现，采用上层规划+下层调度的双层结构，能够实现投资成本与运行成本的最佳平衡。

这个方案的核心价值在于：通过数学建模将复杂的工程决策问题转化为可计算的优化问题。上层模型确定光伏、风电、储能等设备的安装容量，下层模型则优化这些设备在24小时内的运行策略。两者相互反馈，最终得到既经济又可行的配置方案。

2. 双层优化模型构建原理

2.1 上层模型：容量规划

上层模型以投资周期（通常1年以上）为时间尺度，主要考虑：

• 设备投资成本（光伏板、风机、电池的购置费用）
• 运维成本（清洁、检修、更换等日常支出）

目标函数可表示为：
min(∑(C_inv_i × x_i) + ∑(C_om_i × x_i))
其中x_i是设备容量，C_inv_i和C_om_i分别是单位容量的投资和运维成本。

实际工程中需要特别注意：投资成本通常呈现规模经济效应，即容量越大单位成本越低，这时需要用分段线性函数来近似处理。

2.2 下层模型：运行调度

下层模型以调度周期（通常24小时）为时间尺度，优化目标包括：

1. 购电成本（从主网购电的费用）
2. 售电收益（向主网售电的收入）
3. 燃料成本（柴油发电机等传统电源的燃料消耗）

其目标函数为：
min(∑(C_pur_t × p_t) - ∑(C_sale_t × s_t) + ∑(C_fuel_t × g_t))
其中p_t、s_t、g_t分别表示t时段的购电量、售电量和传统电源发电量。

2.3 模型耦合机制

上下层通过以下方式关联：

1. 上层决策的容量限制下层发电量：下层各电源发电量不能超过上层确定的容量
2. 下层反馈运行成本影响上层决策：上层需要考虑下层优化得到的最佳运行成本

这种双向耦合使得模型能够自动平衡"多投资减少运行成本"与"少投资增加运行成本"的矛盾关系。

3. 求解算法实现细节

3.1 KKT条件应用

Karush-Kuhn-Tucker条件将下层优化问题转化为上层约束。具体步骤：

1. 写下下层问题的拉格朗日函数
2. 写出stationarity、primal feasibility等KKT条件
3. 用大M法处理互补松弛条件

例如对于发电量约束g ≤ x，引入拉格朗日乘子λ后，互补松弛条件为：
λ(g - x) = 0
转化为线性约束：
λ ≤ M·z
g - x ≥ -M(1-z)
其中z是二进制变量，M是足够大的常数。

3.2 对偶理论应用

对偶转换是另一种处理双层问题的方法：

1. 将下层问题转换为对偶问题
2. 利用强对偶性将双层问题转化为单层问题
3. 添加对偶间隙为零的约束

这种方法特别适合线性规划的下层问题，可以避免引入大量二进制变量。

3.3 CPLEX求解技巧

在代码实现中，有几个关键点值得注意：

1. 变量命名规范：建议采用"类型_索引_时段"的格式，如"pv_cap"、"wind_gen_3"
2. 稀疏矩阵存储：对于大规模问题，使用SparsePair存储约束系数
3. 参数调优：设置CPLEX的EpGap等参数平衡求解速度与精度

4. 完整代码解析与改进

4.1 基础模型实现

python复制from docplex.mp.model import Model

# 创建模型
mdl = Model(name='Microgrid_Planning')

# 参数设置
T = 24  # 时段数
techs = ['PV', 'Wind', 'Battery']  # 技术类型
inv_cost = {'PV':800, 'Wind':1200, 'Battery':1500}  # 投资成本($/kW)
om_cost = {'PV':20, 'Wind':30, 'Battery':50}  # 运维成本($/kW/yr)

# 上层变量
cap = mdl.continuous_var_dict(techs, name='cap')

# 上层目标
mdl.minimize(mdl.sum((inv_cost[t] + om_cost[t]) * cap[t] for t in techs))

# 下层问题(简化表示)
for t in range(T):
    # 添加运行约束
    pass

# 求解并输出
solution = mdl.solve()
print(solution)

4.2 模型扩展建议

实际项目中还需要考虑：

1. 可再生能源出力不确定性：使用场景法或鲁棒优化
2. 设备寿命周期：引入折旧因子
3. 政策约束：可再生能源配额等

例如处理不确定性可以修改为：

python复制# 增加场景
scenarios = ['high', 'medium', 'low']
prob = {'high':0.2, 'medium':0.6, 'low':0.2}

# 场景相关变量
gen = {(s,t,tech): mdl.continuous_var(name=f'gen_{s}_{t}_{tech}') 
       for s in scenarios for t in range(T) for tech in techs}

# 场景约束
for s in scenarios:
    for t in range(T):
        mdl.add_constraint(gen[s,t,'PV'] <= cap['PV'] * pv_profile[s][t])

5. 工程实践中的经验总结

5.1 常见问题排查

1. 模型不可行：

• 检查功率平衡约束符号是否正确
• 验证容量变量是否被正确约束
• 确保可再生能源出力系数在[0,1]范围内

2. 求解时间过长：

• 尝试设置CPLEX的mipgap参数为0.01
• 使用初始可行解warm start
• 考虑分解算法如Benders分解

5.2 参数设置建议

根据多个项目经验，推荐参数范围：

• 光伏容量成本：600-1000 $/kW
• 风电容量成本：1000-1500 $/kW
• 电池储能成本：1200-2000 $/kW
• 贴现率：5%-8%
• 项目寿命：15-25年

5.3 实际应用技巧

1. 数据预处理：

• 对历史风光数据进行聚类分析，减少场景数量
• 使用移动平均平滑负荷曲线

2. 结果分析：

• 做敏感性分析识别关键参数
• 绘制容量-成本曲线找到拐点

3. 模型验证：

• 与商业软件如HOMER结果交叉验证
• 检查对偶变量是否符合经济学解释

6. 案例研究：某工业园区微网设计

6.1 基础数据

• 年峰值负荷：2.5MW
• 光伏年利用小时：1400h
• 风电年利用小时：2200h
• 电价：购电0.55 $/kWh，售电0.35 $/kWh

6.2 优化结果

6.3 运行策略分析

典型日运行特征：

• 光伏出力集中在6:00-18:00
• 风电夜间出力较大
• 储能在电价高峰时段放电
• 购电主要发生在晚间负荷高峰

7. 模型局限性及改进方向

当前方法存在以下限制：

1. 假设所有参数确定已知
2. 未考虑设备老化效应
3. 网络约束简化处理

可能的改进方案：

1. 随机规划处理不确定性
2. 多阶段优化考虑设备退化
3. 结合潮流计算加入网络约束

我在最近一个项目中尝试加入设备退化模型，将电池容量衰减表示为循环次数的函数，使结果更加准确。这需要在目标函数中添加替换成本项，并跟踪每个时段的充放电深度。