1. 微网储能容量优化概述
微电网作为分布式能源系统的重要组成部分，其储能容量的合理配置直接影响着系统的经济性和可靠性。在实际工程中，电池储能系统（BESS）的容量优化是一个典型的多约束、多目标决策问题。通过混合整数线性规划（MILP）方法，我们可以将这一复杂问题转化为可计算的数学模型。
储能容量优化本质上是在满足系统运行约束的前提下，寻找使总成本最低或经济效益最大的电池配置方案。这就像在经营一家小型能源公司——我们需要精打细算地平衡设备投资成本和运营收益，同时确保电力供应稳定可靠。
2. 数学模型构建原理
2.1 目标函数设计
优化模型的核心是目标函数的建立。在微网运行中，我们通常考虑两种典型目标：
-
成本最小化模型：
math复制\min \left( C_{grid} + C_{battery} \right)其中：
C_grid= ∑(电价 × 购电量)C_battery= 单位容量成本 × 电池容量
-
收益最大化模型：
math复制\max \left( R_{arbitrage} - C_{battery} \right)其中套利收益
R_arbitrage来自电价峰谷差价
实际项目中，建议先采用成本模型进行基础配置，再通过收益模型验证经济性。
2.2 关键约束条件
2.2.1 能量平衡约束
math复制P_{grid}(t) + P_{discharge}(t) - P_{charge}(t) = D(t) \quad \forall t
这个等式确保每个时段t的电网购电、电池放电与负荷需求保持平衡，是系统稳定运行的基础。
2.2.2 电池运行约束
-
充放电互斥：
matlab复制y_charge(t) + y_discharge(t) <= 1防止电池同时充放电，保护电池寿命
-
SOC限制：
math复制SOC_{min} \cdot z \leq SOC(t) \leq SOC_{max} \cdot z通常设置SOC_min=20%，SOC_max=90%以延长电池寿命
-
充放电功率限制：
math复制0 \leq P_{charge}(t) \leq \eta_{charge} \cdot z \cdot y_{charge}(t)
3. MATLAB实现详解
3.1 模型参数设置
matlab复制% 基础参数
num_periods = 24; % 24小时调度周期
time_step = 1; % 1小时时间分辨率
% 负荷数据（示例采用夏季典型日曲线）
load_profile = [0.8 0.7 0.6 0.5 0.4 0.5 0.7 1.0 1.2 1.3 1.4 1.5...
1.6 1.5 1.4 1.3 1.4 1.6 1.8 2.0 1.8 1.5 1.2 1.0]';
% 电价结构（分时电价示例）
electricity_price = [0.3 0.3 0.3 0.3 0.3 0.3 0.5 0.5 0.8 0.8 0.8 0.8...
0.8 0.8 0.8 0.8 0.5 0.5 0.5 0.8 0.8 0.5 0.3 0.3]';
% 电池参数
battery_cost = 800; % 元/kWh
max_DoD = 0.8; % 最大放电深度
eta_charge = 0.95; % 充电效率
eta_discharge = 0.95; % 放电效率
3.2 优化变量定义
matlab复制% 创建优化问题
prob = optimproblem('Description','BESS Capacity Optimization');
% 定义决策变量
battery_capacity = optimvar('battery_capacity',1,'LowerBound',0,'Type','continuous');
charge_power = optimvar('charge_power',num_periods,'LowerBound',0);
discharge_power = optimvar('discharge_power',num_periods,'LowerBound',0);
charge_status = optimvar('charge_status',num_periods,'Type','integer','LowerBound',0,'UpperBound',1);
discharge_status = optimvar('discharge_status',num_periods,'Type','integer','LowerBound',0,'UpperBound',1);
% SOC状态变量
SOC = optimvar('SOC',num_periods,'LowerBound',max_DoD*battery_capacity,'UpperBound',battery_capacity);
3.3 约束条件实现
matlab复制% 初始SOC约束
prob.Constraints.initialSOC = SOC(1) == battery_capacity*0.5; % 假设初始50%电量
% 充放电互斥约束
for t = 1:num_periods
prob.Constraints.mutex(t) = charge_status(t) + discharge_status(t) <= 1;
end
% SOC动态更新
for t = 2:num_periods
prob.Constraints.SOCupdate(t) = SOC(t) == SOC(t-1) + ...
charge_power(t-1)*eta_charge*time_step - ...
discharge_power(t-1)/eta_discharge*time_step;
end
% 充放电功率限制
prob.Constraints.chargeLimit = charge_power <= charge_status.*(battery_capacity/4); % C/4充电率
prob.Constraints.dischargeLimit = discharge_power <= discharge_status.*(battery_capacity/4);
4. 求解与结果分析
4.1 求解器配置
matlab复制% 使用intlinprog求解器
options = optimoptions('intlinprog','Display','iter','Heuristics','advanced');
% 求解优化问题
[sol, fval, exitflag] = solve(prob,'Options',options);
if exitflag > 0
disp(['优化成功！最优电池容量：',num2str(sol.battery_capacity),' kWh']);
else
error('优化求解失败');
end
4.2 结果可视化
matlab复制% 绘制负荷与充放电曲线
figure;
subplot(2,1,1);
plot(1:num_periods, load_profile, 'b-', 'LineWidth', 2);
hold on;
plot(1:num_periods, sol.discharge_power - sol.charge_power, 'r--');
legend('负荷需求','电池净出力');
title('负荷与电池出力曲线');
% 绘制SOC变化曲线
subplot(2,1,2);
plot(1:num_periods, sol.SOC./sol.battery_capacity*100, 'g-o');
ylabel('SOC (%)');
title('电池荷电状态变化');
5. 工程实践要点
5.1 参数敏感性分析
在实际项目中，关键参数的敏感性直接影响优化结果：
- 电价结构：峰谷差价越大，储能经济性越显著
- 电池成本：当电池成本低于800元/kWh时，配置容量通常会增加30-50%
- 循环效率：效率每降低5%，投资回收期延长约1年
建议采用蒙特卡洛模拟评估参数不确定性对结果的影响。
5.2 实际工程调整
理论优化结果需要结合实际工程条件调整：
- 标准化容量：结果应向上取整到标准电池模块容量的整数倍
- 安全裕度：建议增加10-15%的设计裕量应对负荷增长
- 温度修正：高温环境下需降低20-30%的可用容量
6. 常见问题解决方案
6.1 求解失败处理
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| 无可行解 | 约束条件冲突 | 检查SOC上下限设置 |
| 求解时间过长 | 整数变量过多 | 增加时间步长至2-4小时 |
| 结果震荡 | 目标函数非凸 | 添加正则化项 |
6.2 模型扩展方向
- 多类型储能联合优化：
matlab复制% 添加超级电容变量 sc_capacity = optimvar('sc_capacity',1,'LowerBound',0); - 考虑电池衰减成本：
math复制C_{degradation} = \sum_{t=1}^T k \cdot (P_{discharge}(t))^2 - 可再生能源不确定性：
采用随机规划或鲁棒优化方法处理光伏出力预测误差
通过这个完整的实现框架，工程师可以根据具体项目需求调整参数和约束条件。在实际微网项目中，我们通常会将此优化模块与能源管理系统（EMS）集成，实现闭环控制。