多微网协调调度双层优化建模：KKT条件与MILP求解实战

做多微网协调调度的朋友，应该都有过这种困惑：手里三四个微网，有的光伏出力大、白天电用不完，有的晚上负荷尖峰高、储能又不够用，明明彼此之间拉一条联络线就能把电送过去，可真正做优化调度的时候，却不知道该怎么下手。一开始我直接建了一个大而全的联合优化模型，把所有微网的设备、负荷、储能全塞进一个目标函数里，让“系统总成本最小”。结果跑出来的方案，某个微网成本暴增，换来的却是另一个微网大幅省钱。现场一沟通，成本暴增的那个微网负责人直接拒绝执行——人家的诉求是自己利益最优，凭什么为了全局牺牲自己？这就是单层联合优化的死穴。

后来我改用双层优化模型来做这件事，上层是“多微网协调调度中心”，做全局协调，定交互电价、定各微网之间的功率交换计划、定需求响应补偿价格；下层是每个微网自己的能量管理系统，在给定上层信号的前提下，优化内部各设备出力，追求自身成本最小。上下层之间不是简单的隶属关系，而是一种博弈关系。上层不能直接命令下层“你光伏必须给我发多少”，只能通过价格和交互功率来引导。这种模型跑出来的结果，才真正符合实际运行中各微网独立决策的客观事实。

这篇内容我就以一套完整可复现的Matlab实现为例，把这个模型从数学建模、KKT推导到代码落地、调试经验，完整拆开讲一遍。适合正在做微网优化调度、写毕业论文或者准备竞赛方案的同学参考。

1. 为什么多微网协调调度必须拆成两层，而不是一个大的优化问题

1.1 单层联合优化的根本矛盾：全局最优不一定等于局部最优

先回顾一下我最初踩过的坑。单层联合优化的思路很简单：把所有微网的分布式电源、储能、负荷、交互功率全部划归到一个决策者手中，设置一个总目标，通常是系统总运行成本最低或总碳排放最低，然后求解。数学上完全可行，求解效率也高，但工程上很难落地。

因为实际运行中，每个微网都有自己独立的运营主体和考核指标。MG1的储能是它的资产，MG2的负荷是它的用户，各自都有自己的成本核算。你让MG1牺牲自己的经济性去帮MG3消纳光伏，如果没有足够的价格激励，它凭什么听你的？联合优化等于假设所有微网“利益完全一致”，这在实际中几乎不存在。所以模型算出来的“最优调度方案”，经常会在执行层面被卡住，这也是很多论文里的模型“学术上完美、工程上落不了地”的根本原因。

1.2 双层模型天然契合“上级定规则、下级做决策”的真实博弈过程

双层优化（Bilevel Optimization）的结构，天然就是一个Stackelberg博弈过程。上层是领导者（Leader），下层是跟随者（Follower）。领导者先行动，发布价格信号和协调策略；跟随者在看到这些信号后，做出自己利益最大化的响应。领导者在决策时，要预判跟随者的响应行为——也就是说，上层最优化问题的约束里，包含了下层的最优化问题。

放到多微网场景里就是：

• 上层（协调调度中心）：制定各微网间交互电价、向电网购售电的指导计划、需求响应补偿价格，目标是整个多微网系统的总运行成本最小化。
• 下层（各微网）：根据上层给出的价格信号，优化各自的光伏/风电出力、储能充放电、可转移负荷安排、从电网或其他微网购电的功率，目标是本微网运行成本最小化。

上下层通过耦合变量连接起来。上层决策会通过价格和交互功率影响下层，下层的响应行为又会反过来决定上层目标函数能否实现。这种“上层出价、下层响应、上层再调整”的递推过程，用单层模型根本表达不了。

1.3 双层模型在数学上等价于带最优性条件的“大优化问题”

很多初学者问，既然双层模型要靠迭代或者博弈去理解，那Matlab里怎么求解？其实不用真的去模拟迭代收敛过程。经典的解法是：把下层优化问题用它的KKT最优性条件替代。KKT条件包括：下层目标函数的梯度条件、原问题可行性约束、对偶变量非负约束、互补松弛条件。把这些条件全部作为约束加入上层模型中，原来求解速度极慢的双层问题就变成了一个带互补约束的单层数学规划问题（MPEC）。

再把互补松弛条件里“约束量 × 对偶变量 = 0”这种非线性约束，用大M法线性化，整个问题就进一步转成一个混合整数线性规划（MILP），可以直接丢给Gurobi、Cplex这类商业求解器求解。这是目前学术界和工业界处理双层优化的主流路线，也是我下面要重点拆解的部分。

2. 上层定规则、下层追利益：双层模型的决策变量与目标函数拆解

2.1 上层的角色和职责：协调中心不是万能命令者

上层协调调度中心掌握的信息是全局的，但它的权力是有限的。它不能直接控制微网内部的柴油发电机启停，也不能直接命令某台储能“必须充电”。它能做的事情只有三类：

第一，制定微网之间的交互功率计划。也就是告诉MG1和MG2之间，在某个时段，MG1可以向MG2输送多少功率。这个交互功率是物理层面的功率流，受到联络线容量限制。

第二，制定激励型需求响应的补偿价格。比如在晚高峰时段，协调中心希望各微网削减一部分可中断负荷，它会给出一个补偿单价，微网根据这个单价和自己削减负荷的舒适度成本，决定到底削多少。互补的价格，就是上层引导下层行为的关键杠杆。

第三，制定多微网系统与外部电网之间的购售电计划。协调中心可以代表整个多微网系统，向配电网购电或者卖电，这块电量是各微网内部功率平衡后的缺额或盈余之和。

上层的目标函数是使整个多微网系统的总运行成本最小，包括：

• 向上级电网购电的费用（购电功率 × 分时电价）；
• 向上级电网售电的收入（售电功率 × 上网电价，通常小于购电价）；
• 需求响应补偿费用（响应量 × 补偿单价）；
• 各微网设备运行费用（这个实际上由下层决定，但会通过KKT条件反映到上层）。

2.2 下层的角色和职责：每个微网都是独立的经济主体

每个微网内部，是一个典型的经济调度问题。下层的决策变量主要有：

• 分布式电源出力：光伏和风电通常按最大功率跟踪（MPPT）处理，作为已知的不可调变量；柴油发电机等可控机组则是决策变量；
• 储能系统充放电功率：充电为正、放电为负，受到SOC上下限和充放电功率上下限约束；
• 从电网购电功率和向电网售电功率：正常情况下不同时为正；
• 从其他微网购电或向其售电的功率；
• 需求响应执行量：可削减负荷的削减量、可转移负荷的转移量。

每个微网的目标函数是自身运行成本最小，包括：设备运行维护成本、购电成本、需求响应补偿（如果微网是响应方，则减去补偿收入）。

2.3 上下层之间的耦合变量是建模的灵魂

上下层不是独立的，它们通过耦合变量互相影响。最核心的耦合变量是交互功率计划和需求响应价格。交互功率出现在下层微网的功率平衡方程里：本微网的发电加购电加来自其他微网的输入功率，等于本地负荷加储能充电功率加输出到其他微网的功率。而交互功率的量，正好又是上层协调中心要决策的变量。这就在逻辑上闭环了。

另一个耦合变量是需求响应补偿价格。上层给出价格，下层根据价格决定响应量。响应量会改变微网的负荷曲线，从而改变功率平衡，最终影响上层的总购电成本。

下表总结了上下层的核心要素：

2.4 多微网电能互补在模型里的意义

多微网电能互补，本质上就是让各微网在物理上通过联络线“互通有无”。例如，MG1的光伏在中午大发，本地负荷用不完，如果只靠单微网，要么弃光，要么低价卖给电网；但MG2正好在中午有较大的工业负荷，需要高价从电网买电。多微网协调调度就可以安排MG1把富余光伏输送给MG2，实现就地消纳。

电能互补的价值在目标函数里表现为：减少了高压电网的潮流输送损耗，降低了购电成本，提高了可再生能源利用率。在建模时，微网间的交互功率可以表示为一个矩阵P，其中P(i,j,t)表示t时段微网i向微网j输送的功率。注意要约定方向，一般规定为正表示从i流向j，那么P(j,i,t)自然就为负或者为零。为了避免同时双向输送这种不合理情况，可以加约束P(i,j,t) × P(j,i,t) <= 0，或者直接用双向变量加整数变量来建模。

3. 需求响应和微网间电能互补的数学化落地

3.1 需求响应的两种基本建模方式：价格型和激励型

需求响应建模有两种常见路线，一种是价格型需求响应，一种是激励型需求响应。在双层模型里，两种都能用，但建模细节不同。

价格型需求响应通常用需求价格弹性矩阵描述。也就是说，用户的用电量不仅受当前电价影响，还受其他时段电价影响，即存在交叉弹性。这种模型对数据要求较高，需要每个节点的负荷弹性系数，但好处是它直接内嵌在负荷曲线里，不需要额外增加整数变量。

激励型需求响应更贴近工程实际，也是我这次模型里采用的方案。协调中心在某个时段给出一个激励价格lambda_DR，微网决定削减或转移多少负荷。比如可中断负荷的削减量要满足上下限约束，且削减行为会带来用户舒适度损失，这个损失可以用二次函数近似，比如C_loss = a × ΔP_dr^2 + b × ΔP_dr。下层微网在看到补偿价格后，会权衡削减负荷的收益和用户舒适度损失，选择最优削减量。这个权衡过程由下层目标函数自动完成，不需要上层指定削减量。

3.2 可转移负荷和可削减负荷的约束细节

可转移负荷是说，有一部分负荷可以从高峰时段转移到低谷时段，但转移总量要在一天内守恒。例如，某个工业微网的电解槽负荷，可以在上午8点到下午6点之间任意平移，但总用电量必须保持不变。数学上可以这样表达：

T_load_in(t) = T_load_base(t) + sum_{k} (shift_in(k,t) - shift_out(k,t))

其中shift_in表示从其他时段转移进来的负荷，shift_out表示转移出去的负荷。约束要求一天内总转移进出平衡，以及每个时段可转移负荷的比例不超过上下限。

可削减负荷则相对简单，就是在特定时段可以中断一部分负荷。约束条件是削减量不能超过该时段可中断负荷的可用上限。削减负荷的补偿成本在目标函数里体现。

这两种负荷在双层模型里，都是下层微网的决策变量。上层通过调节激励价格和分时电价，间接影响负荷曲线的形状，从而帮助整个系统削峰填谷。

3.3 电能互补功率的物理约束和损耗处理

微网间的交互功率虽然看起来只是一个P(i,j,t)变量，实际建模时要注意几个物理约束。第一是联络线容量约束，P(i,j,t)必须在[-P_max, P_max]范围内，P_max由线路型号和变压器容量决定。第二是方向性约束，同一对微网同一时段不能既正向送电又反向送电，这在MILP里用两个非负变量和两个二进制变量处理。

第三是网损问题。严格意义上，送端功率不等于受端功率，中间有线路损耗。但在规划阶段的模型里，通常用损耗系数简化处理，比如受端收到的功率是送端功率乘以(1 - α)，α取3%到5%。这样做的好处是保持线性，不增加模型复杂度。如果要做更精细的分析，可以用二阶锥松弛或者交直流潮流模型，那就超出这篇代码框架的范畴了。

3.4 储能模型完整约束与SOC递推

储能是微网内部最灵活的调节资源，也是下层优化模型里最关键的“内存”。我使用的储能模型约束如下：

SOC(t+1) = SOC(t) + η_ch × P_ch(t) / Cap - P_dis(t) / (η_dis × Cap)

约束条件包括：

• SOC上下限约束：SOC_min ≤ SOC(t) ≤ SOC_max；
• 充放电功率上限：0 ≤ P_ch(t) ≤ P_ch_max，0 ≤ P_dis(t) ≤ P_dis_max；
• 充放电互斥约束：P_ch(t) × P_dis(t) = 0（通过二进制变量实现）；
• 调度周期首末SOC一致性约束：SOC(T) = SOC(0)，这是为了保证储能不会在一天调度中被“透支”或“弃用”。

为什么首末SOC要一致？因为在下层微网的周而复始运行中，储能如果一天结束比开始多放了很多电，相当于把电池“损耗”掉了，实际运行中第二天就没电了。学术上为了保证调度的周期性，普遍要求首末SOC相等。如果SOC初始值设成0.2，那末时段也要回到0.2附近。这个约束在调试时非常容易出问题，后面会讲到。

4. Matlab里怎么把双层问题变成可求解的单层问题：KKT条件与大M线性化

4.1 下层问题的标准紧凑形式

要在Matlab里处理双层优化，第一步是把下层问题写成标准形式。对于每个微网m，下层问题可以写成：

min f_m(x_m, y_upper)
s.t. G_m(x_m, y_upper) <= 0
H_m(x_m, y_upper) = 0

其中y_upper是上层给定的参数（交互功率、价格），x_m是微网m的决策变量（DG出力、储能充放电等）。在这个问题里，f_m是线性目标函数，G_m和H_m都是线性约束，所以下层本质是一个线性规划（LP）。

注意：如果下层目标函数里有二次项，比如储能退化成本或需求响应的舒适度损失是二次函数，那么下层就是一个二次规划（QP）。QP的KKT条件比LP稍微复杂一点，但依然可以处理，而且强对偶性也成立，不会有额外的难点。这次为了保持代码清晰，我对需求响应成本和储能退化成本都做了分段线性化近似，这样下层就是一个LP。

4.2 拉格朗日函数与KKT条件推导

对每个下层LP问题，引入拉格朗日乘子。假设不等式约束G_m <= 0对应的乘子是u_m，等式约束H_m = 0对应的乘子是v_m。拉格朗日函数为：

L = f_m + u_m' × G_m + v_m' × H_m

KKT条件有四组：

第一组，稳定性条件（Stationarity）：目标函数对每个决策变量的偏导数加上约束对决策变量的偏导数与乘子的乘积之和等于零。这个条件本质上保证了下层决策点是目标函数的驻点。

第二组，原始可行性（Primal Feasibility）：原约束G_m <= 0和H_m = 0必须成立。

第三组，对偶可行性（Dual Feasibility）：不等式约束对应的乘子u_m >= 0。

第四组，互补松弛（Complementary Slackness）：每个不等式约束与其乘子满足u_m × G_m = 0。这组约束是非线性的，也是整个转换过程中最需要小心的部分。

4.3 互补松弛条件的大M线性化

互补松弛条件u × g = 0，其中u >= 0，g <= 0。这个等式有两个方向：要么u = 0（约束不起作用），要么g = 0（约束处于边界）。在Matlab里直接写这个等式，会引入非线性项，Gurobi和Cplex都处理不了。

处理办法是引入二进制变量z，把互补条件拆成两条线性约束：

• u <= M × z
• -g <= M × (1 - z)

其中M是一个足够大的正数。逻辑是：当z = 1时，u被压到0，而g可以任意满足原约束；当z = 0时，g被压到0，而u可以任意非负。无论哪种情况，都满足u × g = 0。

大M的取值是个技术活。M取得太小，可能会不正确地截断解的空间，导致找不到全局最优；M取得太大，会造成数值病态，求解器可能因为条件数过大而出现精度问题。我后面会详细说明怎么根据实际物理参数估算M。

将KKT条件全部代入上层模型后，整个双层问题就变成一个包含二进制变量的混合整数线性规划（MILP）。这个MILP的规模取决于下层约束数量、微网数量和调度时段的乘积。一个3微网、24时段、简化设备的模型，可能产生几千个变量和上万个约束，Gurobi在默认配置下通常能在数十秒内求解。

4.4 上层目标函数中的双线性项怎么消除

上下层全部写成KKT条件后，还有一个隐藏的问题：上层目标函数里往往带有“交互功率 × 交互电价”这种双线性项。比如协调中心向微网售电的收入等于电价乘以售电量，这两个变量都是决策变量，乘积是非线性的。

这种双线性项怎么处理？有两条路线。路线一是用强对偶定理：因为下层是凸LP，强对偶成立，所以下层的最优目标函数值等于其对偶问题的最优值。通过这个关系，可以把下层目标函数中隐式的双线性项替换成对偶变量和常数的线性组合。这是最优雅的做法。

路线二是直接在建模层面避免：在上层决策变量里不直接设交互电价，而是把交互电价设为外层给定的参数或上一轮迭代得到的固定值。不过这样就不太符合“双层优化”的本意了，更像是一个启发式迭代。为了保持模型严谨性，我的这套代码使用强对偶技巧来消除双线性项。具体推导在代码注释里写得很清楚，这里不展开所有公式，但核心思路是：利用LP强对偶成立这一性质，将上层目标函数中出现的“下层最优值”替换为其对偶形式。

5. YALMIP+Gurobi实现细节：从变量定义到求解器调优

5.1 为什么选择YALMIP而不是纯Matlab代码

编写双层优化模型的时候，我强烈建议使用YALMIP这个建模工具箱，而不是直接在Matlab里手写矩阵A、b、Aeq、beq然后调linprog或intlinprog。YALMIP允许你用接近数学表达式的语法写约束，可读性高，迭代修改方便。更重要的是，YALMIP有内置的binary变量支持，可以直接定义二进制变量z用于大M线性化。

安装YALMIP很简单，从官网或GitHub下载代码包，把整个文件夹放进Matlab路径即可。不需要编译，不需要安装器。在Matlab命令行输入which sdpvar，如果能显示出路径，就说明安装成功了。

求解器方面，我用的是Gurobi。Gurobi对于MILP的求解速度明显优于Matlab自带的intlinprog，尤其是处理包含大量二进制变量的KKT线性化问题时。如果你只有Matlab的license，没有Gurobi，也可以先用intlinprog跑一个简化小算例验证逻辑，再申请Gurobi的学术license（学校邮箱通常可以申请，具体流程可参考官网说明）。

5.2 核心代码结构：从数据初始化到结果输出

我习惯按模块拆代码，一般分成五个脚本。第一个是数据输入脚本，定义各微网的负荷曲线、光伏风电出力曲线、储能参数、分时电价、联络线容量等。第二个是上层变量和约束定义脚本，用sdpvar定义上层决策变量，用constraints收集约束。第三个是下层KKT条件生成脚本，这是最复杂的部分。第四个是求解配置脚本，设置Gurobi的MIP gap、求解时间限制等。第五个是结果输出脚本，把变量值写到工作区，画图。

下面是一个微网内部储能约束的YALMIP代码示例，这段代码在变量定义和约束收集环节会反复用到：

matlab复制% 储能变量定义
P_ch = sdpvar(1, T, 'full');   % 充电功率
P_dis = sdpvar(1, T, 'full');  % 放电功率
SOC = sdpvar(1, T+1, 'full');  % 荷电状态
z_ch = binvar(1, T, 'full');   % 充电状态标志

% 储能约束
Constraints = [];
% SOC递推
for t = 1:T
    Constraints = [Constraints, SOC(t+1) == SOC(t) ...
        + eta_ch * P_ch(t) / Cap - P_dis(t) / (eta_dis * Cap)];
end
% 功率上下限
Constraints = [Constraints, 0 <= P_ch <= P_ch_max];
Constraints = [Constraints, 0 <= P_dis <= P_dis_max];
% 充放电互斥
Constraints = [Constraints, P_ch <= P_ch_max * z_ch];
Constraints = [Constraints, P_dis <= P_dis_max * (1 - z_ch)];
% SOC上下限
Constraints = [Constraints, SOC_min <= SOC <= SOC_max];
% 首末SOC一致
Constraints = [Constraints, SOC(T+1) == SOC(1)];

这里用z_ch作为充放电互斥的标志位。当z_ch=1时，P_ch可以在0到上限之间，P_dis被迫为0；当z_ch=0时，反过来。这种写法是MILP建模里处理互斥操作的标准做法，比直接写P_ch * P_dis == 0要高效得多。

5.3 求解器参数设置与性能调优经验

求解这种双层KKT转换后的MILP，最怕的是求解时间失控。我的经验是设置三组关键参数：

• MIPGap：设置为0.01%，即求解精度到了这个水平就停止搜索。对大多数调度场景来说，1e-4的相对误差已经完全够用。
• TimeLimit：设置为300秒，防止某个算例卡死。
• OutputFlag：设置为0，避免控制台刷屏；如果需要监控进度，可以临时改为1。

Gurobi的默认MIPGap是1e-4，但在模型规模较大的情况下，我可以放宽到1e-3。算例跑出来的结果偏差在0.1%以内，工程上完全可接受。

另外，YALMIP调用Gurobi的时候，最好显式指定求解器：

matlab复制options = sdpsettings('solver', 'gurobi', ...
                      'gurobi.MIPGap', 1e-3, ...
                      'gurobi.TimeLimit', 300, ...
                      'verbose', 1);
optimize(Constraints, Objective, options);

如果求解器输出“Infeasible”，通常意味着模型本身有问题，而不是求解器不行。这时候优先去查互补松弛约束的大M取值，其次是查下层KKT条件是否写错符号方向。

5.4 KKT线性化代码的核心片段

大M线性化互补松弛条件，代码上大概是这样的模式。假设我们有一条不等式约束g(x) <= 0，对应乘子是u，引入二进制变量z：

matlab复制% g_expr是约束表达式，u是其对偶变量
% M是预先估计的大M值
Constraints = [Constraints, g_expr <= 0];               % 原约束
Constraints = [Constraints, u >= 0];                    % 对偶可行性
Constraints = [Constraints, u <= M * z];                % 互补松弛第一式
Constraints = [Constraints, -g_expr <= M * (1 - z)];    % 互补松弛第二式

注意g_expr是负值还是正值，取决于原约束写的是<=0还是>=0。如果原约束是g >= 0，那互补条件要改写成-g <= 0再处理。这个方向问题在我第一次实现时折腾了很久，后面专门踩坑部分会细说。

6. 算例结果分析与调试中的五个坑

6.1 算例设计：三个微网，24小时，典型场景

为了验证模型，我设计了一个典型算例：三个微网，调度周期24小时，单位调度间隔1小时。

• MG1：光伏装机容量较大，白天光伏出力充足，工业负荷为主；
• MG2：商业负荷为主，有两个峰（上午和下午），没有光伏；
• MG3：居民负荷，晚高峰明显，配置了一台柴油发电机和较大容量的储能。

三个微网通过三条联络线相连，联络线容量设定为300kW。配电网与大电网之间有一个公共连接点，分时电价采用某地区典型的峰谷电价：峰时1.2元/kWh，平时0.75元/kWh，谷时0.35元/kWh。

6.2 结果怎么看：几个关键图表的判读方法

模型求解后，我会输出三组关键结果。第一组是储能SOC曲线和充放电功率，用来验证储能运行是否符合物理规律。第二组是微网间交互功率曲线，看电能互补是否真正发生。第三组是总成本构成和各微网成本对比，验证双层模型是否实现了帕累托改进。

从实际结果看，在中午光伏大发时段，MG1向MG2送电的现象非常明显，交互功率基本贴着联络线上限走。到了晚高峰，MG3的储能放电、MG2的部分负荷削减也如期出现。最后一天的调度总成本，比三个微网各自独立优化（不互联）时的总成本下降了约11.7%。这就是多微网协调的价值所在。

6.3 坑一：大M取值不当导致解不可行或次优

大M的取值不能拍脑袋。对于“u <= M × z”这类约束，M的取值逻辑是：要大于等于u在任意可行解中的理论上限。u是拉格朗日乘子，本质上是约束的边际成本。比如微网功率平衡约束的对偶变量，实际物理意义就是该微网在某个时段的边际电价，取值通常在0到2元/kWh之间。但因为约束表达式中可能含有容量等系数，乘子的数值范围会相应放大，保险起见我会把M设成该约束物理量程的100倍。

我通常会先不采用互补松弛线性化，用线性松弛跑一次LP，观察各对偶变量的数值范围，然后把M设成观察最大值的10倍左右。这样既不会因为M太小截断解空间，也不会因为M太大造成数值问题。

6.4 坑二：互补松弛约束的方向写反，结果看似合理实则物理不可行

互补松弛条件里，乘子和非负约束的方向是绑定的。原约束写成g(x) <= 0时，对偶乘子u >= 0，互补条件才是u × g = 0。如果把原约束习惯性地写成g(x) >= 0，这时乘子方向要反过来（u <= 0），否则就可能出现“约束被违反但乘子为零”的错误状态。

我遇到过一次：所有约束都满足，目标函数也很漂亮，但微网内部功率平衡方程严格说是不成立的。查了半天，发现是功率平衡等式对应的KKT驻点条件里，决策变量的偏导符号与等式约束的拉格朗日乘子方向配错了。建议在写完KKT代码后，用一个极简的两节点两时段算例做验证：手算一遍最优解，再让模型跑一遍，逐项对比变量值。这一步花半小时，能省掉后面几天的调试时间。

6.5 坑三：求解时间过长，怎么判断是模型问题还是求解器设置问题

如果模型规模并不大（比如3个微网、24时段），但Gurobi跑了十几分钟还没收敛，优先检查两件事。

第一件，看目标函数里是否有非凸的双线性项没处理干净。如果YALMIP在求解前把模型报成“Nonconvex”或者“MIQCP”，就要回去检查强对偶替换是否成功。

第二件，看二进制变量的数量是否过多。每个互补松弛条件引入一个二进制变量，如果下层约束有500条，就会引入500个二进制变量。这还算可控。但如果充放电互斥、联络线方向、需求响应状态等都用二进制变量建模，变量数量会快速膨胀。可以考虑把互补松弛里那些确定不起作用的约束提前筛掉（比如物理上永远达不到边界的限值），减少二进制变量数量。

6.6 坑四：储能SOC曲线来回振荡，调度结果不实用

模型跑出来，储能SOC曲线可能出现高频振荡：一个小时从0.1充到0.9，下一个小时又从0.9放到0.1。这其实是分时电价波动导致的目标函数“数学最优”，但现实中储能电池经不起这么频繁的充放电切换，电池寿命会快速衰减。

解决办法是给储能充放电变化量加惩罚项，或者在目标函数里加入单位充放电切换成本。更简单的方式是限制每小时充放电功率的变化率：|P_ch(t+1) - P_ch(t)| <= ramp_limit。这样SOC曲线会平滑很多，结果也更符合实际运行特性。

6.7 坑五：结果对初始SOC极其敏感，出现调度“吃老本”现象

如果不对首末SOC一致性做约束，模型会把储能当成“免费的初始电量提款机”，在第一个时段就把SOC拉到最大进行放电，造成调度结果异常漂亮但实际根本不可行。加了SOC首末一致性约束后，这个问题就消失了。但如果初始SOC和末时刻SOC约束同时存在，还需要检查可行性：如果储能容量太小、负荷波动太大，可能出现“无论怎么调度都无法同时满足首末SOC”的情况，这时需要适当放宽SOC上下限或者调整初始SOC值。

跑完这套模型，我最深的体会是：双层优化本身并不神秘，真正的难点在于把物理直觉转化为数学表达，再把数学表达转成可高效求解的MILP模型。KKT转换和大M线性化这两步，是整个代码实现里最核心也最容易出错的地方。建议初学者从两台设备、两个时段的最小问题入手，先把KKT推导在纸上写清楚，再上Matlab验证，最后再扩展到大算例。这套流程走通之后，不管是加碳排放约束、加不确定场景还是改成三层递阶结构，都只是在这个骨架上做增量修改而已。