微电网经济调度优化：Pyomo建模与多目标求解实践

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