基于Matlab/YALMIP的微网双层优化模型实现

1. 微网双层优化模型概述

微网作为分布式能源系统的重要组成部分，其优化运行一直是能源领域的研究热点。传统的单层优化模型往往难以兼顾运营商和用户双方的利益，而双层优化模型则能很好地解决这一问题。本文要介绍的就是基于Matlab/YALMIP工具包实现的三微网双层优化模型。

这个模型的核心思想是将优化问题分为上下两层：

• 上层从综合配电网运营商角度出发，目标是最大化运营收益
• 下层从用户角度出发，目标是最小化购电成本
• 两层之间通过电价信号和负荷响应形成互动关系

在实际工程中，这种分层结构能够更真实地反映电力市场的运作机制，运营商制定电价策略，用户根据电价调整用电行为，最终达到供需平衡。

2. 模型构建与数学表达

2.1 上层模型：运营商收益最大化

上层模型的目标函数可以表示为：

max Σ(λ_t * P_t - C_gen(P_t) - C_trans(P_t))

其中：

• λ_t 为t时段的电价
• P_t 为t时段的供电功率
• C_gen 为发电成本函数
• C_trans 为输电成本函数

约束条件包括：

1. 功率平衡约束：ΣP_t = ΣD_t (D_t为负荷需求)
2. 发电容量约束：P_min ≤ P_t ≤ P_max
3. 线路传输容量约束

2.2 下层模型：用户成本最小化

下层模型考虑用户的用电成本最小化：

min Σ(λ_t * D_t + C_curt(D_t))

其中：

• C_curt 为负荷削减成本函数
• D_t 为实际用电量

约束条件包括：

1. 负荷响应约束：D_t = D0_t * (1 - ε * (λ_t - λ0)/λ0)
   • D0_t 为基准负荷
   • ε 为价格弹性系数
   • λ0 为基准电价
2. 负荷削减量约束

2.3 双层耦合关系

上下层模型通过以下方式耦合：

1. 上层制定的电价λ_t影响下层负荷D_t
2. 下层负荷响应又反过来影响上层的发电计划P_t
3. 通过迭代求解找到均衡点

3. YALMIP实现详解

3.1 工具包选择考量

选择YALMIP主要基于以下考虑：

1. 建模便捷性：相比直接调用求解器API，YALMIP提供了更高层次的建模语言
2. 求解器兼容性：支持Gurobi、CPLEX等多种商业/开源求解器
3. 调试友好性：丰富的诊断工具便于模型验证

实际使用中发现，对于非凸问题，YALMIP+IPOPT组合比默认求解器表现更好。

3.2 完整代码实现

matlab复制%% 初始化
clear all
yalmip('clear')

%% 参数设置
T = 24; % 24小时调度周期
epsilon = 0.2; % 价格弹性系数
lambda0 = 0.5; % 基准电价(元/kWh)

%% 变量定义
% 上层变量
P = sdpvar(T,1); % 发电功率
lambda = sdpvar(T,1); % 电价

% 下层变量
D = sdpvar(T,1); % 实际负荷
D0 = 100 + 20*sin((1:T)'*2*pi/24); % 基准负荷曲线

%% 约束条件
% 上层约束
Constraints = [P >= 0, P <= 200]; % 发电容量限制
Constraints = [Constraints, lambda >= 0.3, lambda <= 1.0]; % 电价上下限

% 下层约束
Constraints = [Constraints, D == D0.*(1 - epsilon*(lambda - lambda0)/lambda0)];
Constraints = [Constraints, D >= 0.8*D0, D <= 1.2*D0]; % 负荷变化范围限制

%% 目标函数
% 上层目标：收益最大化
Revenue = sum(lambda.*D); % 电费收入
Cost_gen = sum(0.1*P + 0.01*P.^2); % 发电成本
Cost_trans = sum(0.05*D); % 输电成本
Upper_obj = -(Revenue - Cost_gen - Cost_trans); 

% 下层目标：用电成本最小化
Lower_obj = sum(lambda.*D + 0.5*(D0 - D).^2); % 包含负荷削减惩罚项

%% 求解设置
ops = sdpsettings('verbose',1,'solver','gurobi');
Objective = Upper_obj + 0.1*Lower_obj; % 加权组合目标

%% 模型求解
sol = optimize(Constraints,Objective,ops);

%% 结果分析
if sol.problem == 0
    P_opt = value(P);
    lambda_opt = value(lambda);
    D_opt = value(D);
    
    figure;
    subplot(3,1,1); plot(P_opt); title('发电计划');
    subplot(3,1,2); plot(lambda_opt); title('电价曲线'); 
    subplot(3,1,3); plot(D0,'--'); hold on; plot(D_opt); title('负荷曲线');
    legend('基准负荷','实际负荷');
else
    disp('求解失败');
    yalmiperror(sol.problem)
end

3.3 关键代码解析

1. 变量定义部分：

   • 使用sdpvar声明优化变量，这是YALMIP的核心功能
   • 负荷基准曲线D0采用正弦函数模拟日内波动

2. 约束构建技巧：

   • 采用累加方式逐步构建约束条件，提高可读性
   • 负荷响应方程直接嵌入约束条件

3. 目标函数设计：

   • 上层目标包含收入项和成本项
   • 下层目标增加负荷削减惩罚项
   • 通过加权求和方式组合两个目标

4. 求解设置：

   • 选用Gurobi求解器处理这个MIQP问题
   • 设置verbose=1输出求解过程信息

4. 三微网扩展实现

4.1 多微网耦合关系

当扩展到三个微网时，需要考虑：

1. 微网间的功率交换
2. 联络线容量约束
3. 分布式能源的协同调度

修改后的上层目标：
max Σ(λ_i,t * P_i,t - C_gen(P_i,t) - C_trans(P_i,t) + μ * P_exch_i,t)

其中P_exch_i,t表示微网i在t时段的交换功率。

4.2 多微网代码调整

matlab复制%% 多微网变量定义
N = 3; % 3个微网
P = sdpvar(T,N,'full'); 
lambda = sdpvar(T,N,'full');
D = sdpvar(T,N,'full');
P_exch = sdpvar(T,N,N,'full'); % 交换功率矩阵

%% 新增约束
% 交换功率平衡
for t = 1:T
    for i = 1:N
        Constraints = [Constraints, sum(P_exch(t,i,:)) == 0];
    end
end

% 联络线容量限制
Constraints = [Constraints, -50 <= P_exch(:) <= 50];

4.3 求解性能优化

1. 并行计算：

matlab复制ops = sdpsettings('solver','gurobi','usex0',1,'showprogress',1,...
                 'parallel',1);

2. 热启动：

matlab复制if exist('prev_sol','var')
    assign(P,prev_sol.P);
    assign(lambda,prev_sol.lambda);
end

3. 模型简化：

• 对线性约束使用implies等高级建模方法
• 适当放松部分非关键约束的精度要求

5. 实际应用中的问题与对策

5.1 常见问题排查表

5.2 调试经验分享

1. 模型验证：

   • 先固定上层变量，单独验证下层模型
   • 检查约束条件的活性（使用check命令）

2. 性能分析：

matlab复制[~,~,~,solver_output] = optimize(Constraints,Objective,ops);
disp(solver_output);

3. 可视化调试：
   • 绘制约束违反情况
   • 跟踪目标函数值变化

5.3 实际应用建议

1. 对于大型微网群，考虑采用分布式优化算法
2. 实时运行时可以结合预测控制方法
3. 电价策略设计时需考虑用户接受度

6. 模型扩展方向

1. 不确定性处理：

   • 采用随机规划考虑可再生能源出力不确定性
   • 使用鲁棒优化应对最坏情况

2. 多时间尺度耦合：

   • 日内滚动优化
   • 实时平衡控制

3. 市场机制设计：

   • 引入博弈论框架
   • 设计激励相容机制

在实际项目中，我们发现将双层模型与模型预测控制(MPC)结合，能够更好地应对可再生能源的波动性。具体做法是在每个控制周期重新求解优化问题，同时考虑预测时域内的系统状态变化。