做光伏电站的功率预测和调度优化圈子里有个共识预测难的不是大晴天而是“变天”。多云、阵雨、沙尘、雾霾任何一种天气突变都可能让辐射量预测模型彻底失灵进而导致调度策略失效、储能充放电计划被打乱甚至触发并网考核。前阵子我刚完成一个用MATLAB做预测建模、用CPLEX做分配策略优化的实际项目对象是一个10MW左右的分布式光伏电站。今天把整套经验整理出来从多种天气条件下的辐射量预测到以经济收益为目标的功率分配优化再到MATLAB与CPLEX的联调细节一次性说透。项目本身不算特别复杂但坑不少尤其是从预测结果到优化模型这一步很多人会卡住。这篇文章适合正在做光伏预测、储能调度或者想用CPLEX做混合整数规划的同学参考也适合准备把MATLAB和CPLEX串联起来做实际工程项目的开发者。1. 项目背景与整体设计思路1.1 这个项目到底解决了什么问题光伏电站的出力波动性一直是并网和运行的头号难题。电网调度部门关心的是未来一段时间内电站能发多少电而电站运营方关心的是怎么在预测的基础上把电卖得最划算、把储能用得最合理。这两件事都绕不开一个共同前置条件太阳能辐射量的准确预测。我在项目初期做了数据体检发现单纯依赖历史发电功率做时间序列预测存在一个根本问题光伏电站的功率数据是“结果”不是“原因”。真正驱动出力变化的是太阳辐射、环境温度、风速、湿度这些气象要素尤其是辐射量。只拿历史功率做外推遇到一次多云转晴模型就会彻底失效。所以这个项目的第一步就是把预测对象从“功率”下沉到“辐射量”再通过组件转换模型把辐射量映射成功率最后再把预测功率输入到优化分配模型中。这里说的“分配策略”指的是电站内部功率的拆分决策预测到未来一小时可发电量之后如何分配给储能充电、上网卖电、本地负载消纳。分配得好就能在峰谷电价下套利提高电站整体收益分配得差可能出现储能充满后浪费、或者预测偏差导致违约考核。这个决策问题带整数变量储能充放电状态是0-1变量、连续变量各时段功率分配量、约束条件储能SOC上下限、逆变器功率限值整体是一个混合整数规划问题恰好需要CPLEX这类商用求解器来处理。1.2 为什么选择MATLAB加CPLEX这套技术组合先回答一个很多人会问的问题光伏预测加优化分配Python也能做为什么非要MATLAB加CPLEX我的理由很实际。首先是MATLAB在算法验证阶段的效率优势。做天气聚类、特征筛选、模型调参的时候MATLAB的交互式脚本和可视化工具让我能快速看到数据分布和模型行为尤其是处理时间序列时内置的fillmissing、retime、resample这些函数处理采样频率不一致的气象数据非常顺手。而且后续要做系统仿真Simulink里搭功率流动模型也方便。然后是CPLEX在求解性能上的不可替代性。分配策略优化模型一旦把时间粒度细化到15分钟一个时段、优化范围拉长到24小时变量规模会膨胀到上千个其中还包括几十个0-1变量。MATLAB内置的linprog解决不了整数规划ga遗传算法在这种带复杂约束的混合整数问题面前收敛慢、还不稳定。CPLEX的branch-and-cut算法在求解MILP问题上是行业标杆配合热启动和MIP gap设置基本能保证在可接受时间内找到近似最优解。所以整套技术组合的逻辑是MATLAB负责“把问题定义清楚”CPLEX负责“把问题求解彻底”。预测模型、数据处理、结果可视化都在MATLAB里完成只有优化求解这一步交给CPLEX引擎两边通过接口程序交换数据。这个分工在过去几个项目里验证下来是最稳的。1.3 整体技术路线与关键模块划分整个系统的技术路线可以拆成三条主链路。第一条是数据链路从气象站和电站SCADA系统采集历史辐射量、功率数据经过清洗和天气类型标注形成训练数据集。第二条是预测链路基于历史数据训练多天气条件下的辐射量预测模型接入数值天气预报NWP数据作为外部输入输出未来1到24小时的预测辐射量及其置信区间。第三条是优化链路将预测辐射量转换为光伏功率曲线构建以最大化收益为目标的分配优化模型调用CPLEX求解输出储能充放电计划和上网功率曲线。这三条链路在工程上是串联的但在开发时可以并行推进。我在项目实际推进中先把预测模型单独跑通用历史数据做回溯验证确认预测精度达标后才开始搭优化模型。原因很朴素如果预测本身就不准优化模型再厉害也是“垃圾进垃圾出”调试的时候没法判断是预测环节的问题还是求解环节的问题。2. 多种天气条件下太阳能辐射量预测的核心方法2.1 为什么要做天气条件分类太阳能辐射量预测之所以难根源在于辐射序列的统计特征在不同天气条件下差异巨大。晴天的辐射曲线是一条平滑的单峰曲线用简单的回归模型就能拟合得很好。多云天的辐射曲线则是高频抖动的锯齿波前一分钟可能还是满发状态后一分钟就被云层遮掉大半。雨天更不用说了辐射水平整体很低而且波动模式与云量、降水强度耦合在一起。如果只用单一模型去拟合所有这些天气模式最后的结果往往是“晴天预测不错、阴天勉强能用、突变天气全面崩盘”。我在项目里尝试过直接端到端训练一个LSTM模型效果很一般原因就在这里模型没有区分天气的“先验知识”全靠自己从数据里学遇到训练集中少见的天气类型就毫无招架之力。解决思路是分而治之先用K-means对历史日数据做天气类型聚类把样本分成晴天、多云、阴雨、复杂突变四类然后针对每一类训练专门的预测模型。做预测的时候先用气象预报数据判断未来属于哪一类天气再调用对应的模型。这样做看起来多了一步实际效果提升非常明显我们多云天辐射预测的RMSE下降了将近18%。2.2 天气类型聚类的实操细节天气聚类需要确定两个问题用什么特征、分几类。特征选择上我用了三个核心特征日最大辐射量、日总辐射量、辐射曲线波动指数。波动指数计算方法是把一天的辐射序列按小时分段统计每段内辐射值的变化幅度总和再归一化。这三个特征能把“晴天”“多云”“阴雨”区分得很开复杂突变天气则往往表现为中等总辐射量加高波动指数的组合。聚类算法我用的是MATLAB自带的kmeans函数聚类数通过轮廓系数确定实测四类效果最好。有个细节值得注意聚类前一定要对特征做标准化处理否则日总辐射量量级在10^4会支配距离计算波动指数量级在0.1的区分作用就被淹没了。聚类完成后给每天的数据打上类别标签这样就得到了按天气类型分组的训练集。预测时判断天气类别的方法是读取第天的NWP预报数据提取同样的三个特征计算到四个聚类中心的欧氏距离取距离最小的类别作为当天的天气类型。2.3 预测模型选型与多模型融合策略针对不同天气类型我采用的预测模型并不一样。晴天的辐射曲线规律性强用基于历史相似日匹配的回归模型就够了简单、可解释、计算开销极小。多云天和复杂突变天气的辐射序列非线性强采用LSTM网络提取时序特征输入序列是过去6小时的实测辐射量加气象要素输出未来4小时的辐射量。阴雨天整体辐射水平低用一个带气象因子校正的指数衰减模型就能覆盖。这里有个工程上的心得模型再先进也替代不了对物理过程的尊重。LSTM不是万能的它的预测误差在多云天仍然存在明显偏置因为云层移动的方向和速度对辐射的影响单靠历史辐射序列捕捉不到。后来我在LSTM输入中引入了相邻两个站点的辐射量差值作为一个额外特征相当于给模型提供了一个“云层正在往哪边移动”的间接信息预测精度又提升了一截。多模型融合我用的是加权平均策略权重根据未来24小时NWP预报的天气特征动态计算。如果预报显示云量很低、波动指数小就给晴天的回归模型高权重如果预报显示云量多且变化快就给LSTM高权重。这种方法在工程上比堆一个大模型的思路更可控模型出了偏差也能单独排查。2.4 辐射量转换为光伏功率预测得到辐射量之后还需要把它转换为电站的实际出力功率。这一步不能用简单的线性关系直接乘光电转换效率因为光伏组件的输出还受到温度的影响。组件温度升高时转换效率会下降这被称为温度损失效应。我在项目中用的转换公式是P G * A * η_STC * [1 - β * (Tc - 25℃)]。其中G是预测辐射量A是组件总面积η_STC是标准测试条件下的转换效率β是组件功率温度系数Tc是组件工作温度。组件工作温度通过环境温度和辐射量近似估算Tc Ta 0.03 * G这个经验系数针对晶硅组件基本靠谱。另外还要注意逆变器的限幅约束。预测的功率如果超过逆变器额定容量超出部分实际上是被限掉的这个约束在输入优化模型前就要处理掉否则后面分配的功率值在物理上就不可行。3. 分配策略优化模型的建模过程3.1 优化目标设计先想清楚要“优化”什么分配策略优化不是简单地追求发电量最大而是追求收益最大。这两者在有储能的电站里有本质区别。峰谷电价机制下光伏大发时段往往对应电价低谷如果所有电量都在这个时候上网收益并不是最优的。更好的策略可能是先把一部分电充进储能等到电价高峰时段再放电上网实现套利。所以目标函数我设计为最大化一天内的净收益计算公式为总收益 上网电量收入 自发自用电费节省 - 储能充放电损耗成本 - 弃光惩罚。其中上网电量收入按分时电价计算自发自用的部分按工商业电价计算储能损耗成本是充放电过程中的能量损失成本弃光惩罚是鼓励系统尽量消纳光伏电量的一个软约束。这个目标函数本质上是一个混合整数线性目标加少量非线性修正项。如果忽略温度对储能效率的微弱影响整个模型可以保持线性对求解速度非常有利。我在项目里做了这个简化效果可以接受。3.2 约束条件的工程化处理约束条件是优化模型里最体现工程经验的部分。我整理了必须考虑的四类约束。第一类是功率平衡约束每个时段内光伏发电量等于上网电量加储能充电量加负载消纳量再加上弃光量。这个约束是模型的主心骨保证了系统在物理上不产生能量。第二类是储能系统约束包括储能SOC的动态递推关系、SOC上下限、充放电功率限值以及充放电不能同时进行的互斥约束。互斥约束需要引入0-1变量这也是模型必须用MILP求解器的根本原因。第三类是逆变器和并网容量约束上网功率不能超过并网点的容量限制储能逆变器的功率也不能超过设备额定值。第四类是爬坡率约束电站上网功率在相邻时段之间的变化幅度不能过大这是电网对并网光伏场站的基本要求。约束处理中有一个常见的坑储能SOC的初值设置。如果直接设定为50%模型可能会在一天开始就大力放电。实际运行时应当根据前一天结束时的真实SOC作为初始值否则优化结果不可执行。3.3 为什么选择CPLEX而不是启发式算法有一部分人会用遗传算法或者粒子群算法来解这类分配问题。我的观点是能用数学规划求解器解决的问题尽量不要用启发式算法。原因有三第一可解释性。CPLEX求解完成后通过dual values能直接看出哪个约束在制约收益这对后续调整系统配置非常有价值。启发式算法只能给一个解给不了这个“为什么受限”的信息。第二全局最优性。CPLEX的branch-and-cut能给出最优解或带Gap界的最优近似解而启发式算法本质上是在做随机搜索不保证找到全局最优。第三复现性。CPLEX的求解结果在相同输入条件下是完全可复现的这对工程项目验收和论文实验都很重要。3.4 模型的CPLEX实现要点在MATLAB里调用CPLEX有两种常见方式一种是用cplexmilp函数直接设置目标函数和约束矩阵适合线性混合整数规划另一种是通过Cplex类创建对象、逐条添加约束可读性更好适合建复杂模型时调试。我在项目中用的是Cplex类的方式设置好优化方向和决策变量边界之后用addRows逐条添加线性约束。模型规模大概是96个时段15分钟粒度24小时一组0-1变量表示储能状态另一组连续变量表示各功率分配量加上SOC递推约束全部建好后CPLEX求解时间大约2到3秒完全满足实时调度的需要。求解器参数方面MIP gap我用默认的0.01也就是允许1%的优化差距这个精度对实际调度场景已经足够。如果碰到难解的case我会适当调大到0.05先把可行解拿出来作为保底方案具体细节在后面常见问题的部分展开说。4. 实操过程从环境配置到结果输出4.1 MATLAB调用CPLEX的环境准备先说说环境准备这是很多人第一步就卡住的地方。MATLAB调用CPLEX需要三个东西CPLEX求解器本体、MATLAB的Cplex接口工具箱、以及正确的路径配置。CPLEX的学术版通过学校或机构的正规渠道申请安装完成后安装目录下会有一个子目录叫matlab里面是官方编译好的MATLAB接口文件。在MATLAB里执行addpath把这个目录加入搜索路径然后运行cplex.getVersion函数验证是否成功。能返回版本号就说明接口已经通了返回错误就是没找到动态链接库通常需要把CPLEX安装目录下的bin文件夹也加入系统PATH环境变量。MATLAB版本方面我用的是2022b配合CPLEX 12.10版本兼容性没有问题。如果MATLAB版本太新比如2024之后可能需要安装新版的CPLEX配套接口最好在CPLEX官方文档里先确认兼容矩阵不然容易踩坑。4.2 预测模块的核心实现流程预测模块的整体流程是读取历史辐射数据按天气类型聚类结果分组训练得到各类型模型参数然后对未来时段逐小时滚动预测。滚动预测的实现我在MATLAB里用了一个for循环从预测起点开始每次用过去6小时的真实辐射数据更新LSTM的状态预测出未来15分钟到1小时的辐射值然后把预测值作为下一轮的输入逐步推进。为了提升速度我用了MATLAB的LSTM层配合reduceLROnPlateau的学习率下降策略训练时间控制在20分钟以内。有一个特别重要的辅助步骤数据标准化。辐射量的数值范围跨度很大白天可能超过1000W/m²夜间为0直接输入LSTM会导致训练不收敛。我用的是最大最小值归一化把所有输入压缩到接近0到1的小区间内。这里我踩过一个坑归一化的最大值不能直接用训练集的最大值要留出余量否则预测当天如果辐射略高于训练集极值输出就会被截断到1.0相当于人为制造了误差。4.3 优化模块的核心实现与结果解读优化模块的代码结构清晰很多核心就是建模型加求解。我用Cplex类对象实例化一个模型后按顺序添加决策变量、目标函数、约束条件最后调用solve方法求解。电价数据我按实际签定的购售电合同设置峰段1.2元/kWh平时段0.7元/kWh谷段0.35元/kWh。储能参数配置为容量1MWh最大充放电功率250kW充放电效率0.95SOC允许范围20%到90%初始SOC按当天早上实际值设定为45%。求解完成后输出三条曲线光伏预测功率、储能充放电功率、上网功率。从结果看优化策略很清晰地展现了削峰填谷的逻辑电价峰段到来前一小时储能开始充电吸收多余光伏电量进入峰段后储能转为放电上网功率明显抬高谷段则尽量减少上网电量优先充入储能。这套策略让电站综合收益比不做优化时提升了大约7%在测试的几种典型天气下都能稳定运行。4.4 从优化结果到可执行指令的落地优化模型输出的是96个时段的决策变量值但这些值还不能直接下发执行。实际操作中我额外加了一个安全校核环节把输出的功率曲线回代到系统仿真模型里检查有没有触碰储能SOC边界或者逆变器过载的情况。安全校核通过后将指令写入标准协议格式的调度文件按15分钟周期下发至储能PCS和逆变器控制器。这里有一个执行层面的注意事项下发指令最好带一个“冷却时间”避免频繁修改储能的工作模式。我在代码里设置了最小切换间隔为两个时段也就是30分钟内储能不能从充电直接切到放电这个规则能显著减少设备磨损和通讯负担。5. 常见问题与排查技巧实录5.1 CPLEX安装与MATLAB关联失败这个问题在技术社区问的人最多表现形式是在MATLAB里运行addpath之后调用cplex函数提示找不到动态库或者版本不兼容。我的排查顺序是固定的。先检查CPLEX的MATLAB接口文件所在目录是否正确有些版本接口放在cplex/matlab/x64_win64下四个子目录都要加入路径。接着检查系统PATH环境变量是否包含CPLEX的bin目录这一步在Windows上尤其容易漏掉。最后检查MATLAB位数是否和CPLEX安装版本吻合MATLAB需要64位CPLEX也必须装64位版本位数不一致会直接报错。用cplex.getVersion命令返回版本号后还会遇到一个常见情况命令能执行但报license错误。这种情况大概率是license环境变量配置不对。5.2 求解速度慢、结果震荡怎么办优化模型建好之后第一次求解我发现部分case需要几十秒甚至更久这在实时调度场景下不可接受。排查下来有三个层面的优化手段。第一层是模型层面的简化。检查约束中是否存在冗余条件比如SOC上界和充放电最大功率已经限制就不需要再额外约束某一时段的总充电量。第二层是求解器参数调节把MIP gap从默认的0.01放宽到0.03求解时间能缩短一半以上收益损失在1%以内。第三层是给CPLEX提供好的初始解用上一时段的优化结果作为当前时段的MIP start能显著压缩搜索空间。实际项目中我把三个手段叠加使用求解时间从平均十几秒降到了3秒以内。一个重要的结论是不要一味追求全局最优对调度场景来说质量和速度达到平衡比什么都重要。5.3 预测偏差导致优化结果偏保守怎么办这是一个很隐蔽的问题。有一次多云天的优化结果显示储能在上午就大量放电导致下午光伏功率走高时储能SOC不足白白浪费了本可以套利的机会。排查后发现根因在预测模块模型对下午的辐射量给出了较高置信度的预测但置信区间下界很低优化模块为了保证方案在预测偏差最坏情况下仍然可行采取了偏保守的策略。这个问题表面看是优化问题本质上是预测概率输出的问题。我的处理方式是引入“预测置信度加权”机制。当预测置信度高时优化模型按预测点值运行置信度低时则切换到鲁棒优化模式用置信区间下界参与计算。通过一个简单的线性插值把这两种模式连接起来调度方案兼顾了激进和稳健。这个改动让多云的收益比之前提升了3%左右算是一个小而关键的优化点。5.4 关于CPLEX学术版获取和数据问题的补充很多学生朋友问我CPLEX学术版从哪里获得。目前CPLEX的学术版可以通过所在学校的授权渠道申请国内很多高校在IBM Academic Initiative项目里都有注册申请通过后能获得完整功能的学术使用许可。使用电脑需要连接校园网授权。社区也有基于网络的开放性镜像覆盖几十种常见商业工具下载1300多G的容量这种资源也推荐大家自己采集使用。但要注意学术版许可只能用于教学和科学研究不能用于商业项目这是基本要求。数据方面光伏电站的实际运行数据通常属于业主方外单位拿不到完整数据。我在项目早期用的是公开数据源替代比如某些气象站点的历史辐射数据加上自己搭建的小型气象站采集数据先把算法流程跑通。实际部署后再用电站的真实数据做模型微调这样开发阶段的进度不会受限于数据获取的进度。最后分享一点个人体会。做这类“预测加优化”的复合项目最容易犯的错误是把两个模块割裂开预测只追求精度优化只追求数学最优解。实际工程中预测的不确定性如何传递到优化模型里往往比单个模型的精度更重要。我现在做新项目时都会在系统架构阶段就画清楚两个模块的接口关系让预测模块不仅输出预测值还输出置信度和误差分布优化模块则根据这些信息决定采用点预测还是鲁棒模式。这套设计思路比单纯把某个模型的指标磨到极致带来的工程收益要大得多。如果后续要把时间粒度细化到5分钟、同时加入多电站协同调度CPLEX的优势会更明显值得在这个方向继续挖。 MATLAB与CPLEX在光伏功率预测与储能调度优化中的应用实践
做光伏电站的功率预测和调度优化圈子里有个共识预测难的不是大晴天而是“变天”。多云、阵雨、沙尘、雾霾任何一种天气突变都可能让辐射量预测模型彻底失灵进而导致调度策略失效、储能充放电计划被打乱甚至触发并网考核。前阵子我刚完成一个用MATLAB做预测建模、用CPLEX做分配策略优化的实际项目对象是一个10MW左右的分布式光伏电站。今天把整套经验整理出来从多种天气条件下的辐射量预测到以经济收益为目标的功率分配优化再到MATLAB与CPLEX的联调细节一次性说透。项目本身不算特别复杂但坑不少尤其是从预测结果到优化模型这一步很多人会卡住。这篇文章适合正在做光伏预测、储能调度或者想用CPLEX做混合整数规划的同学参考也适合准备把MATLAB和CPLEX串联起来做实际工程项目的开发者。1. 项目背景与整体设计思路1.1 这个项目到底解决了什么问题光伏电站的出力波动性一直是并网和运行的头号难题。电网调度部门关心的是未来一段时间内电站能发多少电而电站运营方关心的是怎么在预测的基础上把电卖得最划算、把储能用得最合理。这两件事都绕不开一个共同前置条件太阳能辐射量的准确预测。我在项目初期做了数据体检发现单纯依赖历史发电功率做时间序列预测存在一个根本问题光伏电站的功率数据是“结果”不是“原因”。真正驱动出力变化的是太阳辐射、环境温度、风速、湿度这些气象要素尤其是辐射量。只拿历史功率做外推遇到一次多云转晴模型就会彻底失效。所以这个项目的第一步就是把预测对象从“功率”下沉到“辐射量”再通过组件转换模型把辐射量映射成功率最后再把预测功率输入到优化分配模型中。这里说的“分配策略”指的是电站内部功率的拆分决策预测到未来一小时可发电量之后如何分配给储能充电、上网卖电、本地负载消纳。分配得好就能在峰谷电价下套利提高电站整体收益分配得差可能出现储能充满后浪费、或者预测偏差导致违约考核。这个决策问题带整数变量储能充放电状态是0-1变量、连续变量各时段功率分配量、约束条件储能SOC上下限、逆变器功率限值整体是一个混合整数规划问题恰好需要CPLEX这类商用求解器来处理。1.2 为什么选择MATLAB加CPLEX这套技术组合先回答一个很多人会问的问题光伏预测加优化分配Python也能做为什么非要MATLAB加CPLEX我的理由很实际。首先是MATLAB在算法验证阶段的效率优势。做天气聚类、特征筛选、模型调参的时候MATLAB的交互式脚本和可视化工具让我能快速看到数据分布和模型行为尤其是处理时间序列时内置的fillmissing、retime、resample这些函数处理采样频率不一致的气象数据非常顺手。而且后续要做系统仿真Simulink里搭功率流动模型也方便。然后是CPLEX在求解性能上的不可替代性。分配策略优化模型一旦把时间粒度细化到15分钟一个时段、优化范围拉长到24小时变量规模会膨胀到上千个其中还包括几十个0-1变量。MATLAB内置的linprog解决不了整数规划ga遗传算法在这种带复杂约束的混合整数问题面前收敛慢、还不稳定。CPLEX的branch-and-cut算法在求解MILP问题上是行业标杆配合热启动和MIP gap设置基本能保证在可接受时间内找到近似最优解。所以整套技术组合的逻辑是MATLAB负责“把问题定义清楚”CPLEX负责“把问题求解彻底”。预测模型、数据处理、结果可视化都在MATLAB里完成只有优化求解这一步交给CPLEX引擎两边通过接口程序交换数据。这个分工在过去几个项目里验证下来是最稳的。1.3 整体技术路线与关键模块划分整个系统的技术路线可以拆成三条主链路。第一条是数据链路从气象站和电站SCADA系统采集历史辐射量、功率数据经过清洗和天气类型标注形成训练数据集。第二条是预测链路基于历史数据训练多天气条件下的辐射量预测模型接入数值天气预报NWP数据作为外部输入输出未来1到24小时的预测辐射量及其置信区间。第三条是优化链路将预测辐射量转换为光伏功率曲线构建以最大化收益为目标的分配优化模型调用CPLEX求解输出储能充放电计划和上网功率曲线。这三条链路在工程上是串联的但在开发时可以并行推进。我在项目实际推进中先把预测模型单独跑通用历史数据做回溯验证确认预测精度达标后才开始搭优化模型。原因很朴素如果预测本身就不准优化模型再厉害也是“垃圾进垃圾出”调试的时候没法判断是预测环节的问题还是求解环节的问题。2. 多种天气条件下太阳能辐射量预测的核心方法2.1 为什么要做天气条件分类太阳能辐射量预测之所以难根源在于辐射序列的统计特征在不同天气条件下差异巨大。晴天的辐射曲线是一条平滑的单峰曲线用简单的回归模型就能拟合得很好。多云天的辐射曲线则是高频抖动的锯齿波前一分钟可能还是满发状态后一分钟就被云层遮掉大半。雨天更不用说了辐射水平整体很低而且波动模式与云量、降水强度耦合在一起。如果只用单一模型去拟合所有这些天气模式最后的结果往往是“晴天预测不错、阴天勉强能用、突变天气全面崩盘”。我在项目里尝试过直接端到端训练一个LSTM模型效果很一般原因就在这里模型没有区分天气的“先验知识”全靠自己从数据里学遇到训练集中少见的天气类型就毫无招架之力。解决思路是分而治之先用K-means对历史日数据做天气类型聚类把样本分成晴天、多云、阴雨、复杂突变四类然后针对每一类训练专门的预测模型。做预测的时候先用气象预报数据判断未来属于哪一类天气再调用对应的模型。这样做看起来多了一步实际效果提升非常明显我们多云天辐射预测的RMSE下降了将近18%。2.2 天气类型聚类的实操细节天气聚类需要确定两个问题用什么特征、分几类。特征选择上我用了三个核心特征日最大辐射量、日总辐射量、辐射曲线波动指数。波动指数计算方法是把一天的辐射序列按小时分段统计每段内辐射值的变化幅度总和再归一化。这三个特征能把“晴天”“多云”“阴雨”区分得很开复杂突变天气则往往表现为中等总辐射量加高波动指数的组合。聚类算法我用的是MATLAB自带的kmeans函数聚类数通过轮廓系数确定实测四类效果最好。有个细节值得注意聚类前一定要对特征做标准化处理否则日总辐射量量级在10^4会支配距离计算波动指数量级在0.1的区分作用就被淹没了。聚类完成后给每天的数据打上类别标签这样就得到了按天气类型分组的训练集。预测时判断天气类别的方法是读取第天的NWP预报数据提取同样的三个特征计算到四个聚类中心的欧氏距离取距离最小的类别作为当天的天气类型。2.3 预测模型选型与多模型融合策略针对不同天气类型我采用的预测模型并不一样。晴天的辐射曲线规律性强用基于历史相似日匹配的回归模型就够了简单、可解释、计算开销极小。多云天和复杂突变天气的辐射序列非线性强采用LSTM网络提取时序特征输入序列是过去6小时的实测辐射量加气象要素输出未来4小时的辐射量。阴雨天整体辐射水平低用一个带气象因子校正的指数衰减模型就能覆盖。这里有个工程上的心得模型再先进也替代不了对物理过程的尊重。LSTM不是万能的它的预测误差在多云天仍然存在明显偏置因为云层移动的方向和速度对辐射的影响单靠历史辐射序列捕捉不到。后来我在LSTM输入中引入了相邻两个站点的辐射量差值作为一个额外特征相当于给模型提供了一个“云层正在往哪边移动”的间接信息预测精度又提升了一截。多模型融合我用的是加权平均策略权重根据未来24小时NWP预报的天气特征动态计算。如果预报显示云量很低、波动指数小就给晴天的回归模型高权重如果预报显示云量多且变化快就给LSTM高权重。这种方法在工程上比堆一个大模型的思路更可控模型出了偏差也能单独排查。2.4 辐射量转换为光伏功率预测得到辐射量之后还需要把它转换为电站的实际出力功率。这一步不能用简单的线性关系直接乘光电转换效率因为光伏组件的输出还受到温度的影响。组件温度升高时转换效率会下降这被称为温度损失效应。我在项目中用的转换公式是P G * A * η_STC * [1 - β * (Tc - 25℃)]。其中G是预测辐射量A是组件总面积η_STC是标准测试条件下的转换效率β是组件功率温度系数Tc是组件工作温度。组件工作温度通过环境温度和辐射量近似估算Tc Ta 0.03 * G这个经验系数针对晶硅组件基本靠谱。另外还要注意逆变器的限幅约束。预测的功率如果超过逆变器额定容量超出部分实际上是被限掉的这个约束在输入优化模型前就要处理掉否则后面分配的功率值在物理上就不可行。3. 分配策略优化模型的建模过程3.1 优化目标设计先想清楚要“优化”什么分配策略优化不是简单地追求发电量最大而是追求收益最大。这两者在有储能的电站里有本质区别。峰谷电价机制下光伏大发时段往往对应电价低谷如果所有电量都在这个时候上网收益并不是最优的。更好的策略可能是先把一部分电充进储能等到电价高峰时段再放电上网实现套利。所以目标函数我设计为最大化一天内的净收益计算公式为总收益 上网电量收入 自发自用电费节省 - 储能充放电损耗成本 - 弃光惩罚。其中上网电量收入按分时电价计算自发自用的部分按工商业电价计算储能损耗成本是充放电过程中的能量损失成本弃光惩罚是鼓励系统尽量消纳光伏电量的一个软约束。这个目标函数本质上是一个混合整数线性目标加少量非线性修正项。如果忽略温度对储能效率的微弱影响整个模型可以保持线性对求解速度非常有利。我在项目里做了这个简化效果可以接受。3.2 约束条件的工程化处理约束条件是优化模型里最体现工程经验的部分。我整理了必须考虑的四类约束。第一类是功率平衡约束每个时段内光伏发电量等于上网电量加储能充电量加负载消纳量再加上弃光量。这个约束是模型的主心骨保证了系统在物理上不产生能量。第二类是储能系统约束包括储能SOC的动态递推关系、SOC上下限、充放电功率限值以及充放电不能同时进行的互斥约束。互斥约束需要引入0-1变量这也是模型必须用MILP求解器的根本原因。第三类是逆变器和并网容量约束上网功率不能超过并网点的容量限制储能逆变器的功率也不能超过设备额定值。第四类是爬坡率约束电站上网功率在相邻时段之间的变化幅度不能过大这是电网对并网光伏场站的基本要求。约束处理中有一个常见的坑储能SOC的初值设置。如果直接设定为50%模型可能会在一天开始就大力放电。实际运行时应当根据前一天结束时的真实SOC作为初始值否则优化结果不可执行。3.3 为什么选择CPLEX而不是启发式算法有一部分人会用遗传算法或者粒子群算法来解这类分配问题。我的观点是能用数学规划求解器解决的问题尽量不要用启发式算法。原因有三第一可解释性。CPLEX求解完成后通过dual values能直接看出哪个约束在制约收益这对后续调整系统配置非常有价值。启发式算法只能给一个解给不了这个“为什么受限”的信息。第二全局最优性。CPLEX的branch-and-cut能给出最优解或带Gap界的最优近似解而启发式算法本质上是在做随机搜索不保证找到全局最优。第三复现性。CPLEX的求解结果在相同输入条件下是完全可复现的这对工程项目验收和论文实验都很重要。3.4 模型的CPLEX实现要点在MATLAB里调用CPLEX有两种常见方式一种是用cplexmilp函数直接设置目标函数和约束矩阵适合线性混合整数规划另一种是通过Cplex类创建对象、逐条添加约束可读性更好适合建复杂模型时调试。我在项目中用的是Cplex类的方式设置好优化方向和决策变量边界之后用addRows逐条添加线性约束。模型规模大概是96个时段15分钟粒度24小时一组0-1变量表示储能状态另一组连续变量表示各功率分配量加上SOC递推约束全部建好后CPLEX求解时间大约2到3秒完全满足实时调度的需要。求解器参数方面MIP gap我用默认的0.01也就是允许1%的优化差距这个精度对实际调度场景已经足够。如果碰到难解的case我会适当调大到0.05先把可行解拿出来作为保底方案具体细节在后面常见问题的部分展开说。4. 实操过程从环境配置到结果输出4.1 MATLAB调用CPLEX的环境准备先说说环境准备这是很多人第一步就卡住的地方。MATLAB调用CPLEX需要三个东西CPLEX求解器本体、MATLAB的Cplex接口工具箱、以及正确的路径配置。CPLEX的学术版通过学校或机构的正规渠道申请安装完成后安装目录下会有一个子目录叫matlab里面是官方编译好的MATLAB接口文件。在MATLAB里执行addpath把这个目录加入搜索路径然后运行cplex.getVersion函数验证是否成功。能返回版本号就说明接口已经通了返回错误就是没找到动态链接库通常需要把CPLEX安装目录下的bin文件夹也加入系统PATH环境变量。MATLAB版本方面我用的是2022b配合CPLEX 12.10版本兼容性没有问题。如果MATLAB版本太新比如2024之后可能需要安装新版的CPLEX配套接口最好在CPLEX官方文档里先确认兼容矩阵不然容易踩坑。4.2 预测模块的核心实现流程预测模块的整体流程是读取历史辐射数据按天气类型聚类结果分组训练得到各类型模型参数然后对未来时段逐小时滚动预测。滚动预测的实现我在MATLAB里用了一个for循环从预测起点开始每次用过去6小时的真实辐射数据更新LSTM的状态预测出未来15分钟到1小时的辐射值然后把预测值作为下一轮的输入逐步推进。为了提升速度我用了MATLAB的LSTM层配合reduceLROnPlateau的学习率下降策略训练时间控制在20分钟以内。有一个特别重要的辅助步骤数据标准化。辐射量的数值范围跨度很大白天可能超过1000W/m²夜间为0直接输入LSTM会导致训练不收敛。我用的是最大最小值归一化把所有输入压缩到接近0到1的小区间内。这里我踩过一个坑归一化的最大值不能直接用训练集的最大值要留出余量否则预测当天如果辐射略高于训练集极值输出就会被截断到1.0相当于人为制造了误差。4.3 优化模块的核心实现与结果解读优化模块的代码结构清晰很多核心就是建模型加求解。我用Cplex类对象实例化一个模型后按顺序添加决策变量、目标函数、约束条件最后调用solve方法求解。电价数据我按实际签定的购售电合同设置峰段1.2元/kWh平时段0.7元/kWh谷段0.35元/kWh。储能参数配置为容量1MWh最大充放电功率250kW充放电效率0.95SOC允许范围20%到90%初始SOC按当天早上实际值设定为45%。求解完成后输出三条曲线光伏预测功率、储能充放电功率、上网功率。从结果看优化策略很清晰地展现了削峰填谷的逻辑电价峰段到来前一小时储能开始充电吸收多余光伏电量进入峰段后储能转为放电上网功率明显抬高谷段则尽量减少上网电量优先充入储能。这套策略让电站综合收益比不做优化时提升了大约7%在测试的几种典型天气下都能稳定运行。4.4 从优化结果到可执行指令的落地优化模型输出的是96个时段的决策变量值但这些值还不能直接下发执行。实际操作中我额外加了一个安全校核环节把输出的功率曲线回代到系统仿真模型里检查有没有触碰储能SOC边界或者逆变器过载的情况。安全校核通过后将指令写入标准协议格式的调度文件按15分钟周期下发至储能PCS和逆变器控制器。这里有一个执行层面的注意事项下发指令最好带一个“冷却时间”避免频繁修改储能的工作模式。我在代码里设置了最小切换间隔为两个时段也就是30分钟内储能不能从充电直接切到放电这个规则能显著减少设备磨损和通讯负担。5. 常见问题与排查技巧实录5.1 CPLEX安装与MATLAB关联失败这个问题在技术社区问的人最多表现形式是在MATLAB里运行addpath之后调用cplex函数提示找不到动态库或者版本不兼容。我的排查顺序是固定的。先检查CPLEX的MATLAB接口文件所在目录是否正确有些版本接口放在cplex/matlab/x64_win64下四个子目录都要加入路径。接着检查系统PATH环境变量是否包含CPLEX的bin目录这一步在Windows上尤其容易漏掉。最后检查MATLAB位数是否和CPLEX安装版本吻合MATLAB需要64位CPLEX也必须装64位版本位数不一致会直接报错。用cplex.getVersion命令返回版本号后还会遇到一个常见情况命令能执行但报license错误。这种情况大概率是license环境变量配置不对。5.2 求解速度慢、结果震荡怎么办优化模型建好之后第一次求解我发现部分case需要几十秒甚至更久这在实时调度场景下不可接受。排查下来有三个层面的优化手段。第一层是模型层面的简化。检查约束中是否存在冗余条件比如SOC上界和充放电最大功率已经限制就不需要再额外约束某一时段的总充电量。第二层是求解器参数调节把MIP gap从默认的0.01放宽到0.03求解时间能缩短一半以上收益损失在1%以内。第三层是给CPLEX提供好的初始解用上一时段的优化结果作为当前时段的MIP start能显著压缩搜索空间。实际项目中我把三个手段叠加使用求解时间从平均十几秒降到了3秒以内。一个重要的结论是不要一味追求全局最优对调度场景来说质量和速度达到平衡比什么都重要。5.3 预测偏差导致优化结果偏保守怎么办这是一个很隐蔽的问题。有一次多云天的优化结果显示储能在上午就大量放电导致下午光伏功率走高时储能SOC不足白白浪费了本可以套利的机会。排查后发现根因在预测模块模型对下午的辐射量给出了较高置信度的预测但置信区间下界很低优化模块为了保证方案在预测偏差最坏情况下仍然可行采取了偏保守的策略。这个问题表面看是优化问题本质上是预测概率输出的问题。我的处理方式是引入“预测置信度加权”机制。当预测置信度高时优化模型按预测点值运行置信度低时则切换到鲁棒优化模式用置信区间下界参与计算。通过一个简单的线性插值把这两种模式连接起来调度方案兼顾了激进和稳健。这个改动让多云的收益比之前提升了3%左右算是一个小而关键的优化点。5.4 关于CPLEX学术版获取和数据问题的补充很多学生朋友问我CPLEX学术版从哪里获得。目前CPLEX的学术版可以通过所在学校的授权渠道申请国内很多高校在IBM Academic Initiative项目里都有注册申请通过后能获得完整功能的学术使用许可。使用电脑需要连接校园网授权。社区也有基于网络的开放性镜像覆盖几十种常见商业工具下载1300多G的容量这种资源也推荐大家自己采集使用。但要注意学术版许可只能用于教学和科学研究不能用于商业项目这是基本要求。数据方面光伏电站的实际运行数据通常属于业主方外单位拿不到完整数据。我在项目早期用的是公开数据源替代比如某些气象站点的历史辐射数据加上自己搭建的小型气象站采集数据先把算法流程跑通。实际部署后再用电站的真实数据做模型微调这样开发阶段的进度不会受限于数据获取的进度。最后分享一点个人体会。做这类“预测加优化”的复合项目最容易犯的错误是把两个模块割裂开预测只追求精度优化只追求数学最优解。实际工程中预测的不确定性如何传递到优化模型里往往比单个模型的精度更重要。我现在做新项目时都会在系统架构阶段就画清楚两个模块的接口关系让预测模块不仅输出预测值还输出置信度和误差分布优化模块则根据这些信息决定采用点预测还是鲁棒模式。这套设计思路比单纯把某个模型的指标磨到极致带来的工程收益要大得多。如果后续要把时间粒度细化到5分钟、同时加入多电站协同调度CPLEX的优势会更明显值得在这个方向继续挖。