基于YALMIP的微电网优化调度建模与实践

1. 微电网优化调度模型概述

微电网作为分布式能源系统的重要组成部分，其优化调度直接关系到运行经济性和供电可靠性。基于YALMIP工具箱构建的微电网优化调度模型，能够有效协调蓄电池充放电、市场交易与功率平衡之间的关系，实现系统运行成本最小化。

这个模型特别适合需要兼顾经济性和稳定性的中小型微电网系统，比如工业园区、偏远地区供电或商业综合体等场景。通过Matlab+YALMIP的组合，我们可以用相对简洁的代码实现复杂的优化问题建模，避免了传统编程方式下繁琐的矩阵操作。

2. 模型核心组件解析

2.1 YALMIP工具箱基础

YALMIP是Matlab环境下强大的建模语言，它抽象了优化问题的数学描述，让我们可以专注于问题本身而非算法实现。在微电网调度问题中，YALMIP主要发挥三个作用：

1. 决策变量定义：通过sdpvar函数声明连续/离散变量
2. 约束条件构建：直观地表达线性/非线性关系
3. 求解器接口：自动连接CPLEX、GUROBI等商业求解器

典型变量定义示例：

matlab复制P_grid = sdpvar(T,1); % 电网交互功率
P_bat = sdpvar(T,1); % 蓄电池功率
SOC = sdpvar(T,1); % 蓄电池荷电状态

2.2 蓄电池建模要点

蓄电池作为微电网的"能量缓冲器"，其建模需要考虑三个关键方面：

1. 动态方程：

   matlab复制constraints = [constraints, SOC(t+1) == SOC(t) + (eta_ch*P_ch(t) - P_dis(t)/eta_dis)*dt/Capacity];
   

   其中充放电效率η通常取0.9-0.95

2. 运行约束：

   • SOC上下限（通常20%-90%）
   • 充放电功率限制
   • 充放电互斥约束

3. 寿命考虑：
   可通过惩罚频繁充放电切换来延长电池寿命：

   matlab复制objective = objective + sum(beta*abs(P_bat(2:end)-P_bat(1:end-1)));
   

2.3 电力市场交互机制

市场购售电需要考虑以下约束条件：

1. 分时电价机制：

   matlab复制buy_price = [0.5*ones(8,1); 1*ones(8,1); 0.7*ones(8,1)]; % 示例电价
   sell_price = 0.8*buy_price; % 售电价格通常低于购电
   

2. 功率双向限制：

   matlab复制constraints = [constraints, -P_max <= P_grid <= P_max];
   

3. 净计量规则：
   某些地区要求购售电不能同时进行，需添加：

   matlab复制constraints = [constraints, P_grid.*P_grid_sell == 0];
   

3. 完整模型构建流程

3.1 参数初始化

首先需要定义系统基本参数：

matlab复制T = 24; % 时间步长(小时)
dt = 1; % 时间间隔
PV_pred = [zeros(6,1); linspace(0,100,6)'; linspace(100,60,6)'; linspace(60,0,6)']; % 光伏预测
Load = 50 + 20*sin(2*pi*(0:T-1)'/T); % 负荷曲线

3.2 目标函数构建

典型的经济性目标包括：

matlab复制cost = sum(buy_price.*max(P_grid,0) - sell_price.*min(P_grid,0));
cost = cost + sum(0.1*abs(P_bat)); % 电池损耗成本
objective = cost;

3.3 约束条件集成

核心约束系统包括：

1. 功率平衡：

   matlab复制constraints = [constraints, P_pv + P_grid + P_dis - P_ch == Load];
   

2. 设备运行限制：

   matlab复制constraints = [constraints, 0 <= P_pv <= PV_pred];
   constraints = [constraints, SOC_min <= SOC <= SOC_max];
   

3.4 模型求解与结果提取

调用求解器并解析结果：

matlab复制ops = sdpsettings('solver','gurobi','verbose',1);
optimize(constraints,objective,ops);

P_grid_opt = value(P_grid);
SOC_opt = value(SOC);

4. 典型问题与调试技巧

4.1 求解失败常见原因

1. 不可行问题：

   • 检查功率平衡是否可能满足（总供给≥总需求）
   • 放松部分约束进行测试

2. 无界问题：

   • 检查目标函数是否有下限
   • 添加合理的成本项

3. 数值不稳定：

   • 统一变量量纲（kW vs MW）
   • 适当缩放目标函数系数

4.2 模型加速技巧

1. 利用稀疏性：

   matlab复制ops = sdpsettings('solver','gurobi','gurobi.Method',2);
   

2. 简化模型：

   • 适当增大时间步长
   • 线性化非线性项

3. 热启动：

   matlab复制assign(P_grid, P_grid_guess);
   optimize(constraints,objective,ops);
   

4.3 结果可视化要点

建议至少包含以下图表：

1. 功率平衡图：展示各组件出力
2. SOC变化曲线：监控电池状态
3. 成本分解图：分析各项支出

示例绘图代码：

matlab复制area([P_pv_opt, P_bat_opt, P_grid_opt]);
legend('PV','Battery','Grid');

5. 模型扩展方向

5.1 不确定性处理

1. 鲁棒优化：

   matlab复制P_pv_actual = P_pv_nominal + uncertainty;
   constraints = [constraints, uncertainty'*uncertainty <= gamma];
   

2. 随机规划：

   matlab复制for s = 1:Nsamples
       constraints = [constraints, P_pv(:,s) + P_grid(:,s) + P_bat(:,s) == Load(:,s)];
   end
   

5.2 多时间尺度协调

可构建双层优化框架：

1. 日前调度：确定大时间尺度计划
2. 实时调整：处理预测误差

5.3 需求响应集成

引入可调负荷：

matlab复制P_load = P_fixed + P_adjustable;
constraints = [constraints, sum(P_adjustable) == 0]; % 总用电量不变

6. 实际应用注意事项

1. 预测数据准备：

   • 光伏：考虑天气修正因子
   • 负荷：区分工作日/节假日模式

2. 参数校准：

   • 电池效率随使用年限衰减
   • 电价曲线随季节调整

3. 硬件在环测试：

   • 先进行仿真验证
   • 逐步接入真实设备

4. 运行维护：

   • 定期更新模型参数
   • 记录实际运行数据用于模型改进

这个模型框架可以根据具体应用场景进行灵活调整。在实际项目中，我们通常需要根据现场测量数据反复校准模型参数，特别是电池特性曲线和光伏出力特性。同时建议添加适当的保守裕度，确保调度方案的可执行性。