微电网储能容量优化配置的MILP方法与MATLAB实践-代码聚汇网

微电网储能容量优化配置的MILP方法与MATLAB实践

Wong Kosheng

1. 微网储能容量优化配置的核心挑战

微电网中的储能系统配置是个典型的"既要又要"难题。作为参与过多个微网项目的工程师，我深刻体会到：容量配置过小会导致系统在光伏出力不足时无法支撑关键负荷，配置过大又会产生不必要的投资浪费。这个平衡点的寻找，本质上是一个考虑全生命周期成本的数学优化问题。

混合整数线性规划（MILP）方法之所以适合此类问题，是因为它能够同时处理两类关键变量：

连续变量：如电池的充放电功率、SOC状态等
整数变量：如储能设备的投建决策（建或不建）、设备数量等

在实际项目中，我们通常需要考虑以下成本构成：

初始投资成本（CAPEX）：包括电池设备成本、PCS成本、土建安装等
运行维护成本（OPEX）：包括充放电损耗、设备维护、人工巡检等
替换成本：考虑电池循环寿命到期后的更换费用

2. 数学模型构建的关键细节

2.1 目标函数的工程化表达

目标函数需要反映全生命周期的总成本最小化。一个经验公式是：

总成本 = 投资成本 × 资本回收系数 + 年运行成本

其中资本回收系数(CRF)的计算公式为：

code复制CRF = r(1+r)^n / [(1+r)^n -1]

r为贴现率，n为项目年限

在MATLAB中实现时，我们采用向量化处理提高效率：

matlab复制% 成本参数设置
C_invest = 1500;  % 元/kWh
C_op = 0.3;       % 元/kWh
CRF = 0.08;       % 资本回收系数(假设8%)

% 目标函数构建
f = [repmat(C_invest*CRF, 1, N), repmat(C_op, 1, 2*T)];

实际工程中要注意：电池成本应包含平衡系统(BOS)成本，通常为电池本身成本的30-50%

2.2 约束条件的实用化处理

2.2.1 能量平衡约束

微网的能量平衡需要同时考虑：

发电侧：光伏、风电等可再生能源
储能侧：电池充放电
负荷侧：关键负荷和可中断负荷
与主网的交互：买电或卖电

代码实现时采用稀疏矩阵存储可大幅提升效率：

matlab复制Aeq = sparse(T, N+3*T); % 变量总数=N个容量变量+2T个充放电变量+T个SOC变量
beq = load_profile';

for t = 1:T
    % 光伏出力(假设位于变量N+3T+1到N+4T)
    Aeq(t, N+3*T+t) = -1;  
    % 放电功率 
    Aeq(t, N+t) = 1;       
    % 充电功率
    Aeq(t, N+T+t) = -1;    
    % 网购电(假设位于变量N+4T+1到N+5T)
    Aeq(t, N+4*T+t) = 1;   
end

2.2.2 SOC动态约束

电池的荷电状态(SOC)递推需要考虑：

充放电效率(通常充电效率η_chg=90%，放电效率η_dis=95%)
自放电率(通常可忽略不计)
SOC上下限(通常设为20%-90%以延长寿命)

matlab复制A_soc = zeros(T-1, N+3*T);
b_soc = zeros(T-1, 1);

for t = 2:T
    % SOC(t)
    A_soc(t-1, N+2*T+t) = 1;  
    % SOC(t-1)
    A_soc(t-1, N+2*T+t-1) = -1;   
    % 放电量
    A_soc(t-1, N+t-1) = -eta_dis;  
    % 充电量
    A_soc(t-1, N+T+t-1) = 1/eta_chg;  
end

3. MATLAB求解的工程实践技巧

3.1 求解器参数调优

intlinprog求解器的性能很大程度上取决于参数设置：

matlab复制options = optimoptions('intlinprog',...
    'Display','final',...
    'CutGeneration','advanced',...
    'Heuristics','advanced',...
    'IntegerPreprocess','advanced');

[x, fval] = intlinprog(f, intcon, A, b, Aeq, beq, lb, ub, options);

对于大规模问题(时段数T>8760)，建议：

采用Gurobi或CPLEX等商业求解器

使用Benders分解等分解算法

考虑时间聚合(time aggregation)降低问题规模

3.2 典型结果分析

一个实际的优化结果可能如下：

code复制最优配置容量：450kWh
日均成本：¥512.6
电池日均循环次数：1.8次
光伏渗透率：35%

值得注意的是，当光伏渗透率超过30%时，储能容量需求通常会出现拐点。这是因为：

高渗透率时光伏过剩电力可以反送主网
储能更多用于平抑短时波动而非能量转移
电池的"能量型"应用转向"功率型"应用

4. 实际工程中的注意事项

4.1 数据准备要点

负荷数据：
- 至少需要整年的小时级数据
- 注意区分关键负荷和可调节负荷
- 考虑负荷增长率的修正
光伏出力数据：
- 建议使用实测数据而非理论值
- 注意清洗异常值和缺失数据
- 考虑组件衰减的影响
电价参数：
- 分时电价要准确反映峰谷时段
- 考虑电价政策的可能变化
- 上网电价通常低于购电电价

4.2 模型扩展方向

多目标优化：

matlab复制% 采用NSGA-II算法
options = optimoptions('gamultiobj','ParetoFraction',0.3);
[x, fval] = gamultiobj(fitnessfcn, nvars, A, b, Aeq, beq, lb, ub, options);

可同时优化经济性和可靠性指标

不确定性处理：

采用随机规划处理光伏和负荷预测误差
使用鲁棒优化应对最坏情况

电池老化模型：

将循环寿命与DOD的关系纳入目标函数
考虑容量衰减对长期运行的影响

5. 常见问题排查指南

问题现象	可能原因	解决方案
求解时间过长	问题规模太大	1. 减少时间分辨率(如小时→4小时) 2. 使用分解算法
结果不收敛	约束条件冲突	1. 检查能量平衡约束 2. 验证SOC上下限设置
容量结果偏小	电价设置不合理	1. 提高峰谷电价差 2. 检查成本系数单位
充放电频繁	时间分辨率过高	1. 增加充放电成本系数 2. 添加最小持续时间约束

在最近的一个海岛微网项目中，我们发现当考虑电池老化成本后，最优容量比初始结果降低了约15%。这是因为：

频繁的充放电会加速电池衰减
大容量配置导致更多浅充浅放循环
需要平衡初始投资和更换成本

这个案例提醒我们，储能优化不能只看短期成本，而应该采用全生命周期成本分析法(LCOE)。一个实用的LCOE计算公式为：

LCOE = (初始投资 + ∑年度成本/(1+r)^t ) / ∑年度放电量/(1+r)^t

通过这个项目，我总结出三点经验：

光伏渗透率在30-40%时，储能容量的边际效益最高
电池的循环寿命比标称值更影响经济性
电价机制对优化结果的影响往往超过技术参数