Matlab实现日前-日内两阶段优化调度与四参数敏感性分析

最近在整理一个电力系统优化调度的仿真项目，核心是“日前-日内两阶段优化调度”，并且针对电价、光伏出力、风电出力、负荷这四个参数分别做了独立的敏感性分析，整套代码用Matlab实现。这个项目搭起来以后，既能用来做新能源并网调度的基础研究，也能给课题组新同学快速讲清楚两阶段调度的原理和实现路径。今天不绕弯子，把模型设计、敏感性分析思路、Matlab代码结构和调试经验完整梳理一遍。

为什么我要特别强调“独立”的敏感性分析？因为实际做仿真时，如果每次把几个参数一起调，结果出来以后很难判断到底是哪个因素在起主导作用。分开扰动之后，每个参数的影响边界一目了然，也方便后面写论文或者做工程汇报时直接引用。

1. 项目整体思路与两阶段调度模型设计

1.1 为什么非得是“日前-日内”两阶段

先说实话，很多刚接触调度优化的同学会问：直接用实时调度不行吗？或者只用日前调度，把预测做得准一点，是不是就够了？

问题在于预测不可能完全准。光伏出力受云层影响，风电出力波动更大，负荷本身也有很强的随机性。如果只看日前预测，当天实际的新能源出力可能跟预测差到百分之二三十，这时日前给出的机组组合可能不够用，或者多余机组白白启动，导致运行成本飙升。反过来，如果只依靠实时调度，机组启停、最小运行时间这类决策又没办法临时拍板，因为火电机组启动需要时间，储能也需要提前预留空间。

所以两阶段调度的本质是“计划+修正”：日前阶段先把机组启停、备用安排、储能基准计划定下来，日内阶段根据最新的预测数据，在不动机组启停的前提下，快速调整出力、充电放电和购电功率。这样做既保留了日前优化的全局经济性，又兼顾了日内应对不确定性的灵活性。

类比一下：日前调度像周末策划一周的菜谱，日内调度像当天打开冰箱看还剩什么，临时调整菜量和菜品。两者配合，才能既不太浪费，又不会到饭点没菜吃。

1.2 模型目标函数和约束条件

这个项目搭建了一个简化但完整的电力系统模型：包含3台常规火电机组、一组储能、光伏电站、风电场，以及一个外部电网购电接口。日前调度以1小时为步长，优化未来24小时；日内调度以15分钟为步长，滚动优化未来4小时。为了降低求解难度，日内调度固定了日前确定的机组启停状态，只优化连续变量。

目标函数可以写成混合整数线性规划（MILP）形式：

min ∑ₜ [ ∑ᵢ (aᵢ·Pᵢ(t) + bᵢ·uᵢ(t)) + ∑ᵢ SUCᵢ·vᵢ(t) + price_buy(t)·P_buy(t) ]

其中第一项是机组燃料成本和固定运行成本，第二项是机组启动成本，第三项是向外部电网购电的成本。如果允许弃风弃光，还需要加上弃电惩罚项，用于避免系统为了省成本而故意削减新能源出力。

约束条件主要包括：

• 功率平衡约束：所有机组出力、光伏、风电、购电、储能放电之和，等于负荷加上储能充电功率和弃电功率；
• 机组出力上下限约束：P_min·u ≤ P ≤ P_max·u；
• 机组爬坡约束：相邻时段出力变化不能超过爬坡速率；
• 最小启停时间约束：机组一旦启动或停机，需要保持一定时间；
• 储能SOC递推约束：SOC(t+1) = SOC(t) + η_ch·P_ch(t) - P_dis(t)/η_dis，同时SOC和充放电功率都有上下限；
• 购电功率上限约束。

这些约束在Matlab中用YALMIP写起来非常直观，后面在代码部分会展开。

1.3 数据假设与基准场景设置

仿真数据要有一个固定的“基准场景”，这是做敏感性分析的前提。我采用的是一组典型日曲线：负荷呈现早高晚高的双峰形状，光伏出力中午单峰，风电出力由随机过程生成但波动幅度较大，电价采用分时电价，高峰电价约为低谷的2.5倍。

系统基准容量取100MW，所有数据都换算成标幺值，这样求解器处理起来数值稳定性更好。机组参数方面，3台机组的容量分别取50MW、80MW、100MW，煤耗线性系数取0.035、0.028、0.025（$/MWh），启动成本取300、500、700（$）。储能容量30MWh，最大充放电功率10MW，效率0.95。这些参数不需要苛求精确，但需要保证基准场景可行，否则后续参数扰动很容易出现无解。

2. 四参数独立敏感性分析的设计思路

2.1 为什么单独做“独立”敏感性分析

在电力系统优化问题里，电价、光伏、风电、负荷四个参数几乎决定了调度结果的基本走向。但如果一次性把四个参数都改了，比如电价升高10%、光伏降低20%、风电升高15%、负荷升高5%，最后总成本变动了10%，你能说出这是哪个参数的作用吗？很难。

所以要采用控制变量法：每次只改变一个参数，其他三个固定在基准值，分别观察系统响应。这样做出来的曲线干净、可解释性强。比如电价从0.8倍逐步增加到1.2倍，其他三个参数不变，这时候总成本的变化就完全由电价引起，可以直接计算敏感度系数。

2.2 四个参数的扰动方式和边界选取

扰动方式上，我建议对每个参数序列整体乘以一个比例系数，而不是简单加减固定值。原因是四个参数的绝对量级差异很大——电价可能是0.3元/kWh，负荷可能是50MW，如果统一加10，完全没有可比性；按比例缩放后，横轴就变成“相对基准的倍率”，四个参数可以在同一张图里比较。

我设置的扰动范围是0.8到1.2，步长0.05，也就是每个参数取9个点。这个范围基本覆盖了实际可能出现的预测偏差：负荷预测误差一般不会超过±20%，光伏预测误差可能略大，风电误差甚至更大。如果只是想看趋势，这个范围够了。如果想捕捉非线性突变，可以扩大到0.5到1.5，但要注意极端参数下模型可能会无解。

参数缩放对模型的影响各有不同：

• 电价：直接改变购电项在目标函数里的权重。电价整体抬高后，系统会倾向于减少购电，多用本地机组和储能；
• 光伏：改变光伏出力曲线。光伏出力增大后，系统可能面临更多的弃光问题，尤其是在午间负荷低谷时段；
• 风电：改变风电出力曲线。风电波动大，出力增大后对爬坡和备用需求更敏感；
• 负荷：改变负荷曲线。负荷上升会迫使系统启动更多机组，甚至会触发失负荷惩罚。

2.3 结果指标和敏感度量化

敏感性分析不能只看曲线趋势，还需要一个可比较的数字。我用的核心指标是总成本，辅助指标是弃风弃光率、失负荷率和储能日均循环次数。

敏感度系数的定义：S = (Δy/y₀) / (Δx/x₀)。例如电价从基准倍率1.0提升到1.1，总成本上升5%，那么电价对总成本的敏感度系数就是0.5。对四个参数分别计算后，可以做一个柱状图，一眼看出哪个参数对总成本影响最大。在我这个系统设定下，负荷和电价的敏感度往往最高，光伏和风电的敏感度相对低一些，但这不是固定结论，跟系统内可控电源的调节能力、储能配置都有关系。

弃电率这个指标特别值得关注。有时候总成本下降得很漂亮，但弃风弃光率大幅上升，说明系统是靠“扔掉新能源”来降低成本，这是不健康的调度结果。所以在敏感性分析里，我一般会把成本和弃电率放在一起看，避免被单一指标误导。

2.4 结果可视化：曲线、柱状图和单位敏感度

Matlab的可视化工具足够用了。我的做法是：

• 画四张折线图，横轴都是参数倍率，纵轴分别是总成本和弃电率，用subplot排列；
• 再画一张汇总柱状图，横轴是四个参数，纵轴是敏感度系数；
• 如果需要投稿，可以把总成本和弃电率做成双轴图，用yyaxis实现。

这批图生成后，整个项目的结论就非常清晰了。比如某个参数在0.8-1.2范围内，总成本几乎不变，说明系统对该参数不敏感，后续做不确定性分析时可以不优先考虑它；反之，如果某个参数稍微变化，成本和弃电率就剧烈波动，那它一定是系统规划和运行中最需要关注的风险源。

3. Matlab实现要点与关键代码片段

3.1 程序目录结构和求解器选型

这个项目我分成四个脚本：

• data_generate.m：生成基准数据，包括负荷、光伏、风电、电价；
• run_two_stage.m：两阶段调度主函数，输入四个参数序列，输出总成本和弃电率；
• sensitivity_analysis.m：循环调用run_two_stage，完成四参数敏感性分析；
• plot_results.m：把结果画成图表。

求解器方面，如果你的Matlab版本自带Optimization Toolbox，可以直接用intlinprog求解MILP。如果安装了YALMIP和Gurobi，建模会方便很多，因为目标函数和约束可以用符号表达式直接写，不容易错。我自己习惯用YALMIP + Gurobi，Gurobi求解MILP的速度比内置求解器快不少，尤其在做敏感性分析这种批量求解任务时，速度优势非常明显。

3.2 数据生成与参数封装的技巧

把基准数据存成结构体，后续传参和修改会非常方便：

matlab复制base = struct();
base.T = 24;
base.n_units = 3;
base.load = [5.6 5.4 5.2 5.0 5.1 5.8 6.4 7.0 7.4 7.2 6.8 6.6 6.9 7.1 7.5 7.6 7.8 8.0 7.9 7.5 7.0 6.5 6.2 5.8]; 
base.pv = [0 0 0 0 0.1 0.9 2.4 4.2 5.8 6.5 6.2 5.5 4.8 3.6 2.1 0.8 0.1 0 0 0 0 0 0 0];
base.wind = [2.1 2.3 2.5 2.4 2.2 2.0 1.8 1.6 1.7 1.9 2.2 2.5 2.8 3.0 3.1 2.9 2.7 2.4 2.2 2.0 1.9 1.8 1.9 2.0];
base.price = [0.35 0.35 0.35 0.35 0.35 0.4 0.55 0.7 0.75 0.7 0.6 0.5 0.5 0.55 0.6 0.65 0.7 0.8 0.85 0.75 0.6 0.45 0.4 0.35];
base.Pmin = [15 20 30];
base.Pmax = [50 80 100];
base.Ramp = [20 25 30];
base.StartCost = [300 500 700];
base.SOC_init = 0.5;
base.SOC_min = 0.2;
base.SOC_max = 0.9;
base.Eta_ch = 0.95;
base.Eta_dis = 0.95;

注意，数据长度是24，对应日前调度的24小时。如果要做日内调度，我会单独生成一个15分钟粒度的数据结构，然后把日前启停状态传进去。这里有个容易踩的坑：从结构体复制基准数据时，不要直接写new_base = base，因为Matlab在修改一个字段时不会影响原结构体，但如果字段里存了矩阵，直接用base.load = ...修改可能造成引用混淆。更稳妥的方式是写一个函数，输入scale参数，返回修改后的结构体。

3.3 两阶段求解的主流程代码

用一个函数封装两阶段调度的完整流程：

matlab复制function [result] = run_two_stage(base, scale)
% scale: 结构体，包含 price_scale, pv_scale, wind_scale, load_scale
    s = base;
    s.load = base.load * scale.load_scale;
    s.pv = base.pv * scale.pv_scale;
    s.wind = base.wind * scale.wind_scale;
    s.price = base.price * scale.price_scale;
    
    % 阶段1：日前调度
    [da_sol, da_cost] = solve_day_ahead(s);
    
    % 阶段2：日内调度，固定日前机组启停
    [id_sol, id_cost] = solve_intraday(s, da_sol.u);
    
    result.total_cost = da_cost + id_cost;
    result.curtailment = da_sol.curtail + id_sol.curtail;
    result.unserved_load = id_sol.unserved_load;
end

这种封装方式的好处是敏感性分析主循环里只需要修改scale结构体的某个字段，其他都交给函数处理，代码整洁，也方便扩展。

3.4 日前优化建模的YALMIP代码示例

下面给出一个精简但完整可跑的日前调度YALMIP建模片段：

matlab复制function [sol, cost] = solve_day_ahead(s)
    T = s.T;
    n = s.n_units;
    
    % 变量定义
    P = sdpvar(n, T, 'full');          % 机组出力
    u = binvar(n, T, 'full');          % 启停状态
    v = binvar(n, T, 'full');          % 启动动作
    P_buy = sdpvar(1, T, 'full');      % 购电功率
    P_ch = sdpvar(1, T, 'full');       % 储能充电
    P_dis = sdpvar(1, T, 'full');      % 储能放电
    SOC = sdpvar(1, T+1, 'full');      % 储能SOC
    
    Constraints = [];
    
    % 启动动作约束：v(t)=1 当且仅当 u从0变1
    Constraints = [Constraints, v(:,1) >= u(:,1)];
    for t = 2:T
        Constraints = [Constraints, v(:,t) >= u(:,t) - u(:,t-1)];
    end
    Constraints = [Constraints, v >= 0, v <= 1];
    
    % 功率平衡
    Constraints = [Constraints, sum(P,1) + s.pv' + s.wind' + P_buy + P_dis == s.load' + P_ch];
    
    % 机组出力上下限
    Constraints = [Constraints, repmat(s.Pmin',1,T).*u <= P <= repmat(s.Pmax',1,T).*u];
    
    % 爬坡约束
    Constraints = [Constraints, P(:,2:end) - P(:,1:end-1) <= repmat(s.Ramp',1,T-1)];
    Constraints = [Constraints, P(:,1:end-1) - P(:,2:end) <= repmat(s.Ramp',1,T-1)];
    
    % 储能约束
    Constraints = [Constraints, SOC(2:end) == SOC(1:end-1) + s.Eta_ch*P_ch - P_dis/s.Eta_dis];
    Constraints = [Constraints, SOC >= s.SOC_min, SOC <= s.SOC_max];
    Constraints = [Constraints, P_ch >= 0, P_ch <= 10, P_dis >= 0, P_dis <= 10];
    
    % 目标函数
    fuel_cost = sum(sum(repmat([0.035 0.028 0.025]',1,T) .* P));
    start_cost = sum(sum(repmat(s.StartCost',1,T) .* v));
    buy_cost = sum(s.price .* P_buy);
    curtail_penalty = 1000 * sum( s.pv' + s.wind' + P_dis - P_buy );  % 惩罚项示例，实际需要额外变量
    
    Objective = fuel_cost + start_cost + buy_cost;
    
    ops = sdpsettings('solver','gurobi','verbose',0,'gurobi.MIPGap',0.01);
    optimize(Constraints, Objective, ops);
    
    sol.P = value(P);
    sol.u = value(u);
    sol.v = value(v);
    sol.P_buy = value(P_buy);
    sol.SOC = value(SOC);
    sol.P_ch = value(P_ch);
    sol.P_dis = value(P_dis);
    cost = value(Objective);
end

这里需要说明一点：上面代码里的curtail_penalty只是示意，实际上如果想正确计算弃风弃光量，需要额外引入弃电变量，比如P_curtail = s.pv + s.wind - (s.load - sum(P) - P_buy)，然后在目标函数里加惩罚。我建议在建模时直接定义弃电变量，这样功率平衡约束变成：

matlab复制sum(P,1) + s.pv' + s.wind' + P_buy + P_dis == s.load' + P_ch + P_curtail;

其中P_curtail就是弃电功率，目标函数加入penalty * sum(P_curtail)。这样既能保证模型有解，也能统计弃电率。

3.5 日内滚动优化的实现

日内调度以15分钟为步长，滚动周期为4小时。完整滚动优化的代码量会比较大，需要维护一个预测更新循环。如果只是做敏感性分析，可以采用简化方式：日内阶段以15分钟为步长求解一次，时间范围是未来4小时，但忽略滚动更新，只作为“日内修正”。

要注意的是，日前调度的决策变量是小时级，日内调度是15分钟级。日内阶段需要用线性插值把日前计划转换成15分钟参考轨迹，或者直接把日前机组启停状态重复扩展到每个15分钟时段。我在代码里采用了后者：u_id = kron(da_sol.u, ones(1,4))，这样最简单，也不容易出错。

日内优化问题的目标函数可以增加一个“调整惩罚”，避免日内出力跟日前计划偏差过大：

matlab复制penalty_adjust = 0.2 * sum(sum(abs(P_id - P_da_ref)));

这里P_da_ref是日前计划的小时出力插值到15分钟后的参考值。也可以用二次惩罚，但如果用线性规划就保持线性惩罚项。加入这个惩罚后，模型不会因为日内预测变化而大幅度偏离日前计划，更符合实际调度偏好。

3.6 敏感性分析主循环与数据记录

主循环的代码非常简洁：

matlab复制scales = 0.8:0.05:1.2;
params = {'price_scale','pv_scale','wind_scale','load_scale'};
param_names = {'电价','光伏','风电','负荷'};
n_scale = length(scales);
n_param = length(params);
cost_matrix = zeros(n_param, n_scale);
curtail_matrix = zeros(n_param, n_scale);

for p = 1:n_param
    for k = 1:n_scale
        scale = struct('price_scale',1,'pv_scale',1,'wind_scale',1,'load_scale',1);
        scale.(params{p}) = scales(k);
        res = run_two_stage(base, scale);
        cost_matrix(p,k) = res.total_cost;
        curtail_matrix(p,k) = res.curtailment;
        fprintf('%s x%.2f, cost=%.2f, curtail=%.2f\n', params{p}, scales(k), res.total_cost, res.curtailment);
    end
end

这段代码直接把结果存进矩阵，后面画图就很方便。特别提醒：在循环里每次都要新建scale结构体，否则上一次循环修改的字段会残留，导致多个参数同时被扰动。

3.7 求解性能优化

如果直接把日前T=24、日内T=96点全部做成MILP，再循环25次，速度会很感人。我在实际运行中用了几个优化手段：

• 日前T=24，日内T=16（4小时×15分钟），这样MILP规模大幅下降；
• 日内阶段没有整数变量，是一个纯LP，速度非常快；
• 给Gurobi设置MIPGap=0.01，也就是允许1%的次优解，换来几十倍的速度提升；
• 使用热启动：在敏感性分析循环中，把上一轮求解的机组启停状态作为下一轮初始解，可以进一步提速。但这个实现起来稍微复杂，我在工程版里用了，这里不再展开。

实测下来，3台机组、24小时日前+4小时日内，一组参数大概0.5秒，整个四参数敏感性分析25个点不到30秒，完全可接受。

4. 常见问题与排查技巧实录

4.1 求解报错“Infeasible problem”

这是最常见的问题，几乎每次调新参数都会碰到。原因一般是约束冲突，比如负荷太高但机组最大出力不够，或者储能SOC初始值不在上下限范围内，或者机组最小启停时间约束太强。

解决办法有几个：首先是检查数据，把负荷、光伏、风电曲线画出来，看看有没有负值或者特别离谱的尖峰。其次是检查初始SOC，如果SOC下限是0.2，而SOC_init设成了0.1，模型必然无解。第三是把功率平衡硬约束改成带惩罚的软约束，比如允许失负荷，但失负荷量乘以一个很大的惩罚系数，这样即便数据极端，求解器也能找到一个次优解，整个敏感性分析循环不至于中途崩溃。

4.2 两阶段结果对不上

日内调度应该在日前结果基础上运行，但很多初学者直接把两个问题独立求解，导致日内优化给出的机组出力在日前停机时段仍然有数值。调试方法很简单：在日内求解完成后，检查P_id <= Pmax * u_da是否成立，如果不成立，说明你忘了把日前启停变量传到日内约束里。

另一个容易错的地方是时间粒度对齐。日前是24点，日内是96点，如果你直接拿日前曲线跟日内曲线逐点比较，会错位。正确的做法是把日前状态扩展到15分钟，可以用kron(u_da, ones(1,4))，或者用interp1做线性插值。

4.3 敏感性曲线有跳变或不符合直觉

如果成本随光伏增大反而增大，第一反应不应该是怀疑物理规律，而是检查模型里有没有把弃电惩罚加进去。光伏出力增大后，如果系统消纳不了，目标函数又允许无成本弃光，那么成本确实可能不变甚至下降；但如果加了惩罚，成本可能会因弃光量增大而上升。另外，如果随机的风速序列没有固定种子，每次循环都会产生一条新的风速曲线，会导致结果抖动得没法看。做敏感性分析前，一定用rng(2025)固定随机种子。

4.4 求解速度太慢

之前遇到过T=96点+MILP+暴力循环，跑了40分钟都没出结果。后来做了三件事：日前分辨率设为1小时，日内只做4小时滚动；把机组数量从5台精简到3台；给Gurobi设置MIPGap=0.01。结果一组完整循环不到1分钟。如果只是做趋势分析，不需要追求极高精度，模型简单一点反而更能说明问题。

4.5 常见问题速查表

这些坑我基本都踩过，尤其“两阶段总成本等于单阶段”这个问题，表面看起来结果没变，其实是因为日内阶段完全没约束，直接把日前结果重复了一遍。调试时一定要打印出日前和日内各自的成本，分开看才能发现异常。

4.6 最后的实操心得

做这个项目最花时间的不是两阶段模型本身，而是把敏感性分析做成可复现的批量流程。每个参数一改，整个优化都要重跑，如果模型不够稳，某个点失败整个循环就崩了。我的建议是在循环里加try-catch，即使某个参数点失败也能继续，并记录错误信息。另外，画图时横轴用倍率而非绝对数值，纵轴用“总成本相对基准的百分比变化”，这样四个参数可以在同一张图里比较，干扰也小。

最后再分享一个小技巧：在完成四参数敏感性分析后，可以顺手把结果导出成Excel或者CSV。后面写论文或者调整模型参数时，旧结果就不用重新再跑一遍了。我通常会把敏感度系数、各参数下的成本、弃电率都存到一个表格里，方便随时回看和对比。