微电网经济调度优化：Pyomo建模与多目标求解实践-代码聚汇网

微电网经济调度优化：Pyomo建模与多目标求解实践

纪环

1. 微电网经济调度问题概述

微电网经济调度本质上是一个多目标优化问题，需要在满足电力供需平衡的前提下，综合考虑各类发电设备的运行特性与经济性指标。以一个包含风机、光伏、微型燃气轮机和蓄电池的典型微电网系统为例，我们需要在24小时调度周期内，合理分配各机组的出力，使得总运行成本最低。

这个问题的复杂性主要体现在三个方面：首先，不同发电设备具有完全不同的成本特性——风机和光伏的边际成本接近于零但出力不可控，燃气轮机响应快速但燃料成本高昂，蓄电池则存在充放电效率损失。其次，系统需要满足严格的功率平衡约束，任何时刻的总发电量必须精确匹配负荷需求。最后，各类设备都有其物理运行限制，比如燃气轮机的最小出力限制、蓄电池的SOC安全区间等。

2. 优化模型构建框架

2.1 Pyomo建模基础

Pyomo作为Python下的优化建模工具，其核心优势在于可以用声明式语法描述优化问题。我们首先需要定义模型的基本结构：

python复制from pyomo.environ import *

# 初始化具体模型
model = ConcreteModel()

# 定义时间集合（24小时调度周期）
model.T = RangeSet(1, 24)  

# 定义设备集合
devices = ['风机', '光伏', '燃机', '电池放电']

这里特别需要注意的是，蓄电池需要单独建模充放电两种状态，实际操作中通常会将其拆分为两个虚拟设备："电池充电"和"电池放电"，并添加互斥约束防止同时充放电。

2.2 决策变量定义

每个设备的出力都需要定义为决策变量，并设置合理的上下限：

python复制# 风机出力变量（单位：kW）
model.风机出力 = Var(model.T, bounds=(0, 风机额定容量))  

# 光伏出力变量
model.光伏出力 = Var(model.T, bounds=(0, 光伏预测出力)) 

# 燃气轮机出力变量
model.燃机出力 = Var(model.T, bounds=(燃机最小出力, 燃机额定容量))

# 蓄电池充放电功率（正为放电，负为充电）
model.电池充放电 = Var(model.T, bounds=(-充电最大功率, 放电最大功率))

提示：燃气轮机的最小出力通常设定为额定容量的30%，低于这个值会导致燃烧效率急剧下降。

3. 成本函数建模细节

3.1 燃气轮机成本曲线

燃气轮机的成本特性是典型的非线性关系，采用二次函数建模更为准确：

python复制def 燃机成本规则(model, t):
    return (0.5 * model.燃机出力[t]**2  # 燃料消耗的二次项
            + 20 * model.燃机出力[t]    # 线性项
            + 15)                       # 固定启动成本

model.燃机成本 = Expression(model.T, rule=燃机成本规则)

这个成本函数包含三个部分：二次项反映燃料消耗随出力增加的非线性增长特性，线性项表示基本运行维护成本，常数项则对应机组启动的固定成本。

3.2 可再生能源运维成本

风光设备的边际成本较低，但需要考虑运维费用：

python复制# 风机运维成本（元/kWh）
model.风机成本 = Expression(model.T, 
    rule=lambda m,t: 3 * m.风机出力[t])

# 光伏运维成本  
model.光伏成本 = Expression(model.T,
    rule=lambda m,t: 2 * m.光伏出力[t])

3.3 蓄电池寿命损耗成本

蓄电池成本建模需要特别考虑循环寿命损耗：

python复制model.电池成本 = Expression(model.T,
    rule=lambda m,t: 0.1 * abs(m.电池充放电[t]))  # 充放电均会产生损耗

这里采用绝对值函数处理充放电功率，因为无论充电还是放电都会对电池寿命产生影响。实际工程中可能需要更精细的寿命模型，考虑SOC波动幅度的影响。

4. 系统约束条件实现

4.1 功率平衡约束

最核心的约束是确保每个时段的发电总量满足负荷需求：

python复制def 功率平衡规则(model, t):
    return (model.风机出力[t] + model.光伏出力[t] 
            + model.燃机出力[t] + model.电池充放电[t] 
            == 负荷预测[t])

model.功率平衡 = Constraint(model.T, rule=功率平衡规则)

4.2 蓄电池动态模型

蓄电池的状态变化需要建立递推关系：

python复制# 电池SOC状态变量（20%-80%安全范围）
model.电池SOC = Var(model.T, bounds=(0.2, 0.8))  

def 电池逻辑(model, t):
    if t == 1:
        return model.电池SOC[t] == 0.5  # 初始SOC设为50%
    else:
        return (model.电池SOC[t] == model.电池SOC[t-1] 
                + 0.9*model.电池充放电[t]/电池容量)  # 充放电效率90%

model.电池状态 = Constraint(model.T, rule=电池逻辑)

注意：蓄电池的充放电效率通常不对称，实际应用中充电效率可能为85%，放电效率为95%，需要分别建模。

4.3 燃气轮机爬坡约束

燃气轮机出力变化率需要限制：

python复制def 燃机爬坡规则(model, t):
    if t == 1:
        return Constraint.Skip  # 第一个时段无前驱
    else:
        return (-燃机最大降负荷 <= (model.燃机出力[t] - model.燃机出力[t-1])
                <= 燃机最大升负荷)

model.燃机爬坡 = Constraint(model.T, rule=燃机爬坡规则)

5. 目标函数与求解

5.1 综合成本目标

将所有成本项汇总为单一目标函数：

python复制model.总成本 = Objective(
    expr=sum(
        model.燃机成本[t] + 
        model.风机成本[t] + 
        model.光伏成本[t] + 
        model.电池成本[t] 
        for t in model.T),
    sense=minimize)

5.2 求解器选择与参数设置

对于这类混合整数非线性规划问题(MINLP)，推荐使用IPOPT求解器：

python复制solver = SolverFactory('ipopt')
results = solver.solve(model)

关键求解参数设置：

python复制solver.options['max_iter'] = 1000  # 最大迭代次数
solver.options['tol'] = 1e-6      # 收敛容差

6. 结果分析与验证

6.1 出力分配合理性检查

求解完成后需要验证几个关键点：

功率平衡验证：每个时段的总发电量是否精确匹配负荷需求
设备运行边界：燃气轮机出力是否在30%-100%之间，蓄电池SOC是否维持在20%-80%
经济性表现：高电价时段是否优先使用蓄电池放电，低电价时段是否充电

6.2 典型场景分析

观察几种典型场景下的机组响应：

风光充足时段：光伏和风机承担主要负荷，燃气轮机维持最小出力，蓄电池可能充电储能
早晚峰时段：燃气轮机快速爬升出力，蓄电池协同放电缓解压力
风光骤降时段：燃气轮机紧急增加出力，蓄电池提供瞬时功率支撑

6.3 灵敏度分析案例

研究环保政策收紧对调度结果的影响：

python复制# 修改污染成本系数从0.5提高到1.2
def 燃机成本规则(model, t):
    return (1.2 * model.燃机出力[t]**2  # 提高污染成本
            + 20 * model.燃机出力[t]
            + 15)

对比调整前后的结果可以发现，燃气轮机出力曲线明显"瘦身"，更多依赖蓄电池进行调峰，这体现了环保成本与经济效益的权衡。

7. 工程实践中的注意事项

7.1 预测误差处理

实际应用中需要处理风光出力和负荷预测的不确定性：

采用滚动优化策略，每15分钟更新一次预测数据
预留5%-10%的旋转备用容量
设置蓄电池的应急备用SOC区间

7.2 代码优化技巧

稀疏矩阵利用：对于大规模问题，使用Set和Param的稀疏存储方式
热启动策略：利用上一周期解作为初始猜测，加速收敛
分段线性化：将非线性成本函数近似为分段线性，提高求解效率

7.3 常见问题排查

求解器不收敛：
- 检查约束冲突（如SOC上下限设置过紧）
- 放宽收敛容差（tol参数）
- 提供更好的初始值
结果不符合预期：
- 验证单位一致性（kW与kWh的转换）
- 检查成本系数数量级是否合理
- 确认约束条件是否完整
求解时间过长：
- 尝试不同的求解器（如Bonmin）
- 简化模型（如忽略次要非线性项）
- 增加迭代次数限制

8. 模型扩展方向

8.1 需求响应集成

引入电价弹性负荷模型：

python复制model.可调负荷 = Var(model.T, bounds=(0, 最大可调量))
def 需求响应规则(model, t):
    return 负荷预测[t] - model.可调负荷[t] <= 实际负荷[t]

8.2 多微电网互联

考虑微电网间的功率交换：

python复制model.购电 = Var(model.T, bounds=(0, 联络线容量))
model.售电 = Var(model.T, bounds=(0, 联络线容量))

8.3 鲁棒优化版本

应对最坏场景的鲁棒优化模型：

python复制from pyomo.robust import UncertainParam

model.光伏不确定 = UncertainParam(model.T, 
    bounds=(0.8*光伏预测, 1.2*光伏预测))

在实际微电网调度系统实施时，建议采用分层优化架构：上层进行日前经济调度计算，下层实时滚动修正。同时需要建立完善的结果可视化界面，直观展示各机组出力曲线、SOC变化趋势和成本构成，方便运营人员决策。