Matlab实现热电联供微网随机优化建模与求解

1. 热电联供微网优化研究的背景与挑战

在能源系统领域，热电联供微网（Combined Heat and Power Microgrid）正逐渐成为区域能源供应的重要解决方案。这种系统通过同时产生电能和热能，实现能源的梯级利用，综合效率可达80%以上，远高于传统发电方式的35-45%。然而，在实际运行中，源（光伏、风机等）和荷（电、热负荷）的不确定性给系统优化带来了巨大挑战。

我曾在某工业园区微网项目中亲历过这样的场景：设计阶段基于历史数据建立的确定性模型，在实际运行中频繁出现供需失衡。光伏出力受云层遮挡影响而剧烈波动，热负荷因生产计划临时调整而变化，这些随机特征导致系统不得不频繁启停备用锅炉，不仅增加了运行成本，还加速了设备损耗。这个教训让我深刻认识到：不考虑随机性的优化方案，在实际中往往效果大打折扣。

Matlab作为工程计算领域的标杆工具，为这类复杂问题的建模与求解提供了强大支持。其优化工具箱（Optimization Toolbox）中的随机规划算法，配合Simulink的仿真能力，可以构建考虑不确定性的完整分析流程。在本文中，我将分享如何利用Matlab实现这一过程，重点解决三个核心问题：

• 如何量化描述源荷的随机特征？
• 怎样建立考虑不确定性的优化模型？
• 有哪些实用的Matlab实现技巧？

2. 源荷随机特征的数学建模方法

2.1 光伏出力的概率分布建模

可再生能源出力不确定性是微网运行中最主要的随机因素。以光伏为例，其输出功率主要受辐照度影响，而辐照度变化通常服从Beta分布。在Matlab中可以通过以下步骤建立概率模型：

matlab复制% 基于历史数据拟合Beta分布参数
historical_irradiance = [0.45, 0.78, 0.82, ...]; % 实际辐照度数据（归一化）
alpha = 2.1; beta = 3.5; % 初始参数估计
params = fitdist(historical_irradiance', 'Beta'); 
alpha = params.a; beta = params.b;

% 生成概率密度函数可视化
x = 0:0.01:1;
y = betapdf(x, alpha, beta);
figure;
plot(x, y);
title('光伏辐照度Beta分布拟合');
xlabel('归一化辐照度'); ylabel('概率密度');

实际项目中我发现，不同季节需要采用不同的分布参数。建议将历史数据按月划分后分别拟合，运行时根据当前月份调用对应参数。

2.2 负荷波动的场景生成技术

电/热负荷的随机性通常用时序场景表示。基于k-means聚类的场景缩减是常用方法：

matlab复制% 原始负荷数据（8760小时×2列：电负荷、热负荷）
load_data = [...]; 

% 数据标准化
normalized_data = zscore(load_data);

% 确定最佳聚类数（肘部法则）
wcss = zeros(5,1);
for k = 1:5
    [idx, ~, sumd] = kmeans(normalized_data, k);
    wcss(k) = sum(sumd);
end

% 选择拐点处的k值（如k=3）
[~, scenarios_idx] = kmeans(normalized_data, 3);

% 计算各场景概率
scenario_prob = histcounts(scenarios_idx, 3)/length(scenarios_idx);

2.3 随机变量的相关性处理

实践中我发现，光伏出力与电负荷往往存在时空相关性。忽略这种相关性会导致"完美风暴"场景被低估。采用Copula函数可以更好地捕捉变量间的依赖结构：

matlab复制% 估计边缘分布参数
pd_PV = fitdist(PV_data, 'Weibull');
pd_Load = fitdist(Load_data, 'Normal');

% 选择最优Copula（以Gaussian为例）
rho = copulafit('Gaussian', [PV_data, Load_data]);

% 生成相关样本
n = 1000;
U = copularnd('Gaussian', rho, n);
PV_samples = icdf(pd_PV, U(:,1));
Load_samples = icdf(pd_Load, U(:,2));

3. 两阶段随机优化模型构建

3.1 目标函数设计

热电联供微网优化通常以总成本最小化为目标，包括：

• 燃料成本
• 设备维护成本
• 外购能源成本
• 惩罚成本（未满足负荷）

在Matlab中表示为：

matlab复制function total_cost = objective(x)
    % x = [机组启停状态, 出力计划, 储能充放电...]
    fuel_cost = sum(c_fuel .* x(1:Nunits));
    maintenance_cost = c_maint' * x(1:Nunits);
    purchase_cost = c_grid * x(grid_index);
    penalty = sum(c_penalty .* max(0, demand - supply));
    total_cost = fuel_cost + maintenance_cost + purchase_cost + penalty;
end

3.2 约束条件处理

关键约束包括：

1. 功率平衡约束
2. 设备爬坡率限制
3. 储能SOC约束
4. 热电比约束（针对CHP机组）

在代码中通常表示为线性不等式：

matlab复制A = [...]; % 系数矩阵
b = [...]; % 右侧向量
Aeq = [...]; % 等式约束系数
beq = [...]; % 等式约束右侧

3.3 随机优化求解策略

采用两阶段随机规划（Two-Stage Stochastic Programming）：

• 第一阶段：提前做出的"此时此地"决策（如机组启停）
• 第二阶段：应对随机场景的"等待观望"决策（如出力调整）

Matlab实现框架：

matlab复制options = optimoptions('fmincon', 'Algorithm', 'interior-point',...);

% 外层循环优化第一阶段决策
x1 = fmincon(@(x1) master_problem(x1, scenarios), x0, A, b, Aeq, beq, lb, ub, [], options);

function cost = master_problem(x1, scenarios)
    total_cost = 0;
    for i = 1:size(scenarios,2)
        % 对每个场景求解第二阶段问题
        [x2, cost2] = sub_problem(x1, scenarios(:,i));
        total_cost = total_cost + scenario_prob(i) * (stage1_cost(x1) + cost2);
    end
    cost = total_cost;
end

4. Matlab实现中的性能优化技巧

4.1 并行计算加速场景评估

当场景数量较多时，并行计算可显著提升效率：

matlab复制if isempty(gcp('nocreate'))
    parpool('local',4); % 启动4个工作进程
end

parfor i = 1:nScenarios
    [x2(:,i), cost(i)] = sub_problem(x1, scenarios(:,i));
end

注意：并行循环中避免使用全局变量，所有数据应通过参数传递。我曾遇到因变量广播导致的性能下降问题，改用临时变量后速度提升3倍。

4.2 稀疏矩阵处理大型问题

对于大规模问题，使用稀疏矩阵存储可减少内存占用：

matlab复制A = sparse(10000, 10000); 
A(1,1:100) = ones(1,100); % 只存储非零元素

4.3 热启动优化器

利用前次求解结果初始化当前优化，可减少迭代次数：

matlab复制options = optimoptions(options, 'InitialPoint', x_previous);

4.4 结果可视化与分析

开发了多维度分析工具：

matlab复制function plot_dispatch(results)
    figure;
    subplot(3,1,1);
    area(results.time, results.generation');
    title('电源出力分配');
    
    subplot(3,1,2);
    plot(results.time, results.price);
    title('边际成本');
    
    subplot(3,1,3);
    bar(results.scenario_prob);
    title('场景概率分布');
end

5. 实际案例：某工业园区微网优化

5.1 系统配置

• 燃气轮机（2×1.5MW）
• 光伏系统（1MWp）
• 电储能（500kWh）
• 热储能（200m³水箱）
• 备用锅炉（1MW）

5.2 关键参数设置

matlab复制% 设备参数
units.cost = [80, 120]; % 元/MW
units.ramp = [0.5, 0.3]; % MW/min
units.min_up = [4, 2]; % 小时

% 储能参数
storage.eff = 0.92; % 充放电效率
storage.self_discharge = 0.001; % 每小时自放电率

5.3 优化结果对比

5.4 典型日运行曲线分析

通过plot_dispatch函数生成的曲线显示，随机优化方案在午后光伏出力骤降时，提前保留了更多储能容量，避免了昂贵的燃气轮机快速爬坡。

6. 常见问题与解决方案

6.1 优化时间过长问题

• 原因：场景数量过多或模型非线性程度高
• 解决方案：
  1. 采用基于重要抽样的场景缩减
  2. 对非关键设备进行线性化处理
  3. 设置合理的优化容差（OptimalityTolerance）

6.2 不可行解问题

• 排查步骤：
  1. 检查约束条件是否自相矛盾
  2. 验证输入数据范围是否合理
  3. 逐步放松约束定位冲突源

6.3 结果震荡问题

• 处理方法：

  matlab复制options = optimoptions(options, 'FunctionTolerance', 1e-6, 'StepTolerance', 1e-5);
  

6.4 内存不足问题

• 优化策略：
  1. 使用稀疏矩阵存储
  2. 分块处理大规模场景
  3. 启用memory mapping技术

在完成多个微网项目后，我总结了三点核心经验：首先，随机特征的建模精度比算法选择更重要；其次，80%的性能问题可以通过场景缩减解决；最后，任何优化结果都必须通过至少2000次蒙特卡洛仿真验证。Matlab的强大之处在于，从原型开发到工业级应用，整个工作流可以在同一平台完成，这大大降低了从理论到实践的转换成本。