光伏和负荷的波动性是所有做微电网调度的人绕不开的坎。几年前我做储能EMS项目时最头疼的就是日前计划定得再好第二天一个云层飘过来光伏出力直接打折储能的充放电计划全乱套。后来我接触了模型预测控制思路一变问题就顺了很多。MPC的核心就一句话别指望一次计划管到底每走一步都重新算。这篇内容我就结合自己用Matlab做微电网调度优化的经验把MPC从原理到代码实现、再到你大概率会踩的坑完整梳理一遍。适合正在做微电网能量管理、储能协调控制、或者课程设计需要复现MPC调度算法的朋友参考。1. 微电网调度为什么要用MPC从“明天”到“下一秒”的转变1.1 传统调度的痛点不确定性是老大难传统微电网调度典型做法是“日前计划日内修正”。前一天晚上根据光伏和负荷预测用线性规划或启发式算法把第二天24小时的储能充放电曲线、与大电网的购售电功率都定下来。这种方式在负荷平稳、光伏波动小的时候没问题但一旦预测误差变大问题就来了。我印象很深的一次测试某天白天预测光伏最大出力120kW实际因为多云最大只有70kW。结果日内计划仍然按照120kW去安排储能放电到下午电网电价尖峰段储能SOC已经提前放空只能高价买电。这就暴露了开环调度最致命的问题——预测误差是积累的计划一旦定死后面就步步错。日内修正虽然能补救一些但修正的频率、幅度都靠经验调很难做到系统化、自动化。所以微电网调度真正需要的不是“更准的日前计划”而是一个能在运行过程中不断吸收新信息、实时调整控制指令的闭环框架。这就是MPC被大规模引入微电网调度的重要原因。1.2 MPC的核心思路预测、滚动、校正MPC模型预测控制本质上是一个“三步循环”的算法结构。第一步是预测用当前时刻的状态量和未来一段时间的扰动预测数据代入系统模型算出未来控制动作的效果第二步是优化在满足所有约束的前提下求解使目标函数最小的一组控制序列第三步是滚动只执行当前时刻的控制指令等到下一个采样周期拿到新的实测状态和更新的预测数据重新求解整个优化问题。这三步里滚字最关键。每一轮都在修正,相当于每走几步就重新看一次地图而不是拿着出发前规划好的路线硬走。预测模型不需要做到百分之百准确因为每个周期都有反馈校正的机会。这是MPC和开环优化的本质区别开环优化是在时间起点一次性求解完而MPC把优化问题沿着时间轴不断往前卷。我习惯用一个类比来解释开车从A点到B点只定一次路线遇到修路堵车就只能死扛每5分钟根据实时路况重新规划一次就能绕开拥堵。微电网调度就是这条路况一直在变的行程MPC就是那个实时导航。1.3 什么场景适合MPC什么场景不用硬上先说结论如果你的微电网里有光伏、风电这类强波动电源有储能这种快速调节资源还希望参与分时电价套利或者平抑联络线功率波动那MPC非常合适。典型的应用场景包括园区光储微电网、工商业储能EMS、混合微电网能量管理以及含电动汽车充电桩的微电网协调控制。但如果你的系统负荷非常稳定光伏和负荷的24小时预测曲线基本天天一样或者系统里没有可以快速调节的设备那MPC的优势就不明显。这种情况下一个简单的定时策略或者日前优化就够了上MPC反而增加了计算复杂度和调试成本。另外还有一种情况——预测数据质量实在太差比如光伏预测误差超过50%那MPC的滚动校正也扛不住这时候应该先去提升预测模型的准确性而不是指望控制器兜底。2. 调度模型怎么搭目标函数、约束与预测模型2.1 目标函数经济性还是平抑波动MPC的目标函数决定了控制器“想做什么”。微电网调度里最常见的目标是运行成本最小化包括向大电网购电的成本、售电收益、储能充放电损耗以及弃光惩罚。写成数学形式大概是min J sum_{k0}^{Np-1} [ C_buy * P_buy(k) - C_sell * P_sell(k) λ_soc * (SOC(k) - SOC_ref)^2 ]这里Np是预测时域C_buy和C_sell是实时电价购电算正成本、售电算负成本最后一项是SOC偏离参考值的惩罚。我自己在工程里发现只优化经济成本容易让储能频繁动作收益没提升多少电池循环寿命倒是消耗得快。所以实际项目中通常会在目标函数里加一个控制动作的惩罚项比如充放电功率变化量的平方来抑制储能输出的剧烈波动。还有一种常见形式是“经济平抑”双目标即在购电成本之外加上联络线功率波动惩罚。这种做法的物理意义很直观微电网并网运行时联络线功率闪变会影响大电网稳定性调度方对功率波动率往往有考核要求。把波动惩罚放进目标函数比事后修指令要自然得多。2.2 约束条件功率平衡、储能SOC、爬坡与购售电MPC的约束条件直接决定了问题是否可行。漏掉一条约束可能算出来的控制指令根本没执行价值。我整理一下微电网调度中最基本的几类约束。功率平衡约束是等式约束任意时刻光伏出力、储能放电、购电功率之和必须等于负荷功率、储能充电、售电功率之和。这个约束在代码里写成等式形式但实际微网中如果存在预测误差等式平衡不可能严格满足所以工程上往往改成带松弛变量的形式允许在偏差很小时“软性”平衡。储能SOC递推约束是MPC框架里的核心动态约束。SOC(k1) SOC(k) - η_d * P_dis(k)/C P_chg(k)/(η_c * C)其中C是电池容量η是充放电效率。这条约束把优化变量从“某时刻功率”和“某时刻SOC”关联起来也是MPC比单纯静态优化更复杂的地方。储能的充放电功率、SOC上下限约束、与大电网交换功率的限值、以及联络线功率爬坡约束都属于状态和输入约束。有一点容易漏储能在同一时刻不能同时充和放这个约束可以用二进制变量来处理也可以用一组互补约束近似。用YALMIP时我直接定义P_dis和P_chg两个非负变量配合一个0-1变量来互斥虽然会增加求解时间但模型逻辑更清晰。2.3 预测模型光伏、负荷怎么滚动更新MPC能不能发挥优势很大程度上看预测数据的质量和更新频率。预测模型不一定要多高级实用中三类做法比较常见。第一类是持久预测即认为未来一段时间内光伏和负荷等于最近一个时刻的实测值实现简单误差大第二类是查表修正用历史同期数据作为基准加上最近实测偏差进行修正稳定性不错第三类才是各种时序预测模型比如ARIMA、LSTM预测精度高但复杂度也高部署和训练成本不低。我自己的经验是MPC的滚动周期如果设在15分钟到1小时级别用“历史同期实时修正”的简单方法往往已经够用。因为MPC每15分钟滚动一次预测时间的短期变化不大复杂的预测算法带来的增益有限反而调试成本高。工程上更关键的是把每轮预测序列的时间对齐预测输出的时间戳要和控制周期的编程索引严格对应否则模型内部全乱了。2.4 滚动窗口与控制时域两个关键参数预测时域Np和控制时域Nc是MPC的两个核心参数。Np代表每轮优化往前看多远Nc代表未来有多少个控制步需要优化。一般Np取15步到24步对应15分钟步长下4到6小时Nc通常小于Np因为远端控制动作不必全部自由优化可以维持末端恒定。选Np要平衡两点Np太短预测信息不足控制器看不到电价尖峰或者晚高峰储能就不会提前蓄能Np太长优化变量增多求解变慢而且远端预测数据本来就不可靠规划得再精细也没意义。我一般先把Np按“能覆盖一个完整的电价周期或负荷峰谷周期”来定在这个前提下拉长或缩短观察储能SOC曲线和成本变化幅度就能找到相对合适的窗口。控制时域Nc如果等于Np控制量自由度最大但求解速度慢还容易出现储能频繁切换的抖振。把Nc设小一些比如Nc5相当于后面的控制步都跟最后一刻保持一致既降低难度也对实际执行影响不大。这里的工程判断是经济性的60%都靠前几个控制步贡献远端控制量不自由优化是合理的。3. Matlab代码实现从伪码到可运行的MPC调度3.1 工具链选型YALMIPcplex还是纯MatlabMatlab实现MPC调度工具链的选型决定了开发效率。纯Matlab自带的linprog或quadprog也能求解线性规划问题但对于带状态递推、SOC约束、互斥约束的MPC模型直接用linprog需要把所有约束展开成矩阵形式变量一多就容易错位。我推荐使用YALMIP建模再调用cplex或gurobi求解。YALMIP的优势在于建模语法接近数学表达约束写成sdpvar变量的线性不等式S sdpvar(Nc,1)然后直接constraints [S 0, ...]求解器替你完成矩阵装配不容易出错。而且YALMIP底层可以无缝切换求解器调试阶段用默认求解器正式运行再换cplex很方便。关于Matlab版本兼容性YALMIP对新版Matlab的适配一般没有大问题但需要注意旧版本YALMIP在新Matlab里偶尔会有函数名冲突。如果遇到报错先看是不是YALMIP版本太老去官网同步一下最新版就行。3.2 代码整体框架与核心函数实现一个完整的MPC调度程序我的习惯是拆成四个部分参数定义区、预测函数、MPC主循环、结果分析。下面是一个简化的框架%% 参数定义区 Np 16; % 预测时域 Nc 8; % 控制时域 dt 0.25; % 采样时间 15分钟单位小时 C_batt 100; % 储能容量 kWh SOC_min 0.2; SOC_max 0.9; P_chg_max 50; P_dis_max 50; % 储能功率上限 kW P_grid_max 200; % 联络线功率上限 kW eta_chg 0.95; eta_dis 0.95; % 充放电效率 %% 预测函数光伏和负荷预测序列生成 % 输入当前时刻光伏实测值 pv_now, 负荷实测值 load_now % 输出未来Np步的光伏、负荷序列 function [pv_seq, load_seq] forecast_pv_load(pv_now, load_now) % 实际项目中这里替换为预测模型输出 % 简单做法查表 实测偏差修正 pv_seq (1:Np) * 0 pv_now; % 持久预测 load_seq (1:Np) * 0 load_now; end然后写MPC主循环。核心逻辑是先读取当前时刻数据调用预测函数得到未来Np步的光伏负荷序列然后构建优化问题并求解执行第一个控制量推进到下一时刻%% MPC主循环 for k 1:T_sim % 获取当前光伏/负荷实测值模拟或读表 pv_now pv_data(k); load_now load_data(k); [pv_seq, load_seq] forecast_pv_load(pv_now, load_now); % 用YALMIP构建优化问题 P_chg sdpvar(Nc,1); P_dis sdpvar(Nc,1); P_grid sdpvar(Nc,1); SOC sdpvar(Nc1,1); u_bin binvar(Nc,1); % 互斥变量 constraints []; constraints [constraints, SOC(1) SOC_now]; for i 1:Nc % 预测模型SOC递推 constraints [constraints, SOC(i1) SOC(i) - eta_dis*P_dis(i)/C_batt P_chg(i)*eta_chg/C_batt]; % 功率平衡 constraints [constraints, P_grid(i) P_dis(i) pv_seq(i) load_seq(i) P_chg(i)]; % 储能出力约束与互斥约束 constraints [constraints, 0 P_chg(i) P_chg_max*u_bin(i)]; constraints [constraints, 0 P_dis(i) P_dis_max*(1-u_bin(i))]; % SOC和联络线约束 constraints [constraints, SOC_min SOC(i1) SOC_max]; constraints [constraints, -P_grid_max P_grid(i) P_grid_max]; end % 目标函数购电成本 SOC偏离惩罚 objective sum(c_buy(k:kNc-1) .* max(P_grid,0)) - sum(c_sell(k:kNc-1) .* min(P_grid,0)); objective objective 0.1 * sum((SOC(2:end) - SOC_ref).^2); % 求解 optimize(constraints, objective, sdpsettings(solver,cplex)); % 取第一个控制量执行 P_chg_exec value(P_chg(1)); P_dis_exec value(P_dis(1)); % 更新SOC状态进入下一时刻 SOC_now value(SOC(2)); end这是我在实际项目里用得很顺的框架。注意P_grid的购售电拆分实际运营里购电和售电电价往往不同目标函数里用max/min拆开会引入非线性建议引入两个非负变量P_buy, P_sell再约束P_grid P_buy - P_sell。上面伪码只是为了表达思路正式代码我都是这么拆的。3.3 关键细节SOC初值、序列对齐与热启动有几个细节新手容易栽跟头。第一是SOC初值每一轮优化的SOC(1)必须来自上一轮求解得到的SOC(2)如果你从外部传感器读SOC一定要保证单位一致SOC是0到1的比例还是百分数全工程统一这个我踩过坑明明写对了公式但初值差了一百倍整条曲线全歪了。第二是预测序列的时间对齐。假设当前是k时刻预测函数给出的pv_seq应该对应k, k1, ..., kNp-1的预测值不能从k1时刻开始。很多bug看起来是优化结果不对实际上就是索引偏了一位。第三是热启动。cplex和gurobi都支持把上一轮的求解结果作为下一轮初值能显著加快求解速度。YALMIP里用assign给变量赋初值然后在sdpsettings里开‘warmstart,1。我实测在Np24、Nc12的规模下热启动能让单轮求解时间降低30%到50%。3.4 参数标定与敏感性测试权重怎么调MPC调参的主要对象包括Np、Nc以及目标函数里的权重系数。权重系数没有万能值我更愿意把它当业务指标来调如果你更看重削峰填谷那就加大联络线功率偏差的惩罚如果你更看重套利收益就把经济成本项的权重拉高如果希望储能少动作就把控制动作变化惩罚调大。一个实用的小流程是先用极端权重跑两组对比。比如把SOC惩罚项权重设为0看储能是不是会“偷懒”;再把SOC惩罚权重拉大看SOC是不是被硬拽到参考值附近。通过这两组边界实验你能直观摸清权重的量级范围再取中间值微调。这个方法比盲目试参数高效得多。4. 常见问题与排查技巧实录4.1 求解器报“Infeasible problem”怎么办这是我被问得最多的问题也是MPC调试里最常见的一个坎。不可行意味着约束之间互相矛盾任何控制序列都无法满足全部条件。最常见的原因有三个一是储能SOC约束和功率约束冲突比如SOC已经接近下限但负荷预测在那个时段特别高储能必须放电而SOC下限不允许继续放电;二是预测序列尺度错误光伏预测值单位是kW却写进了以MW为单位的功率平衡方程直接差了三到四个数量级;三是互斥约束写得太硬P_chg、P_dis同时大于0导致松弛变量没设够。排查方法我建议按顺序来先打印每个时段所有约束的最大残差找到是哪个时段、哪条约束在被打翻然后逐个放开约束比如把SOC_min从0.2放开到0.1看问题是否消失如果放开一组约束就恢复了说明就是那组约束写得不合理。工程上我习惯在每个等式约束里加松弛变量并给松弛变量一个小的罚系数这样即使预测误差导致功率不平衡求解器也能给出一个接近可行的解而不是直接报错退出来。4.2 滚动优化结果跳变、储能频繁切换怎么办另一个常见现象是某个时刻储能从充电50kW直接跳到放电50kW曲线像锯齿一样。原因一般是目标函数里没有对控制动作变化做惩罚或者预测序列在相邻两个滚动周期里差异太大。解决思路分三步。第一步检查是不是预测数据在两轮滚动之间发生了明显跳变比如光伏实测值突然从多云到晴空预测也跟着跳这是外部原因可以给预测序列做个限幅滤波。第二步在目标函数里加上控制变化量惩罚项penalty w_delta * (C_batt * (SOC(k1) - SOC(k)) 这种方式也可以直接惩罚P_dis(k1) - P_dis(k)的平方。第三步如果还抖把控制时域Nc调小一些减少自由度的同时能让控制序列更保守、更平滑。4.3 计算时间和实时性怎么权衡MPC实时性的瓶颈在于每轮都要调用优化求解器。Np24、Nc12的线性规划问题在cplex下通常几十毫秒就能解决但如果引入了0-1互斥变量变成混合整数线性规划求解时间就可能涨到秒级甚至更久。这种情况下我常用的办法有三个去掉不必要的整数变量比如用互补约束近似互斥使用热启动或者把Nc缩短只优化前几个控制步远端保持恒定。这里要给个实用提示测试时把每一轮的求解时间记录下来。如果最坏情况下单轮求解时间已经接近采样周期说明实时性有风险宁可牺牲一点最优性也要降Nc或用线性近似保证主循环不“丢步”。控制算法跑飞了最优解再美也没意义。4.4 数值缩放与矩阵病态问题微电网MPC的量纲差异很大电价是零点几到一块多功率是几十到几百kWSOC是0到1的小数储能容量可能是几百kWh。YALMIP本身会做一些预处理但量级差太大时求解器内部依然容易出现数值问题表现为求解结果对权重极其敏感或者同样的模型换个求解器结果就不同。我建议在建模时统一做标幺化处理。把功率都除以基准功率比如微网峰值负荷200kWSOC保持0到1成本项除以一个典型电价。这样所有变量大致落在0.1到10之间数值稳定性会好很多。虽然这是一件很琐碎的事但能省掉大量后期排查。下面整理一张常见问题速查表方便对照排查现象可能原因处理方式求解器报不可行SOC约束与功率约束冲突加入松弛变量检查SOC初值与预测尺度SOC越界但求解器没报错SOC递推约束写错了效率方向核对充放电效率放在等式哪一侧储能频繁切换充放目标函数缺控制变化惩罚加控制变化惩罚项减小Nc同一模型结果不稳定模型量纲差异过大对功率、成本做标幺化求解时间突然暴涨整数变量太多导致MILP变慢去掉0-1变量或用热启动、缩短Nc预测序列整体偏移索引对齐出错打印序列首尾值比对实际时间戳5. 实操经验与一点个人体会5.1 先跑通开环再上闭环避免一起调试MPC调试有个很有效的路径先把滚动优化代码里的“滚动”去掉只用第一轮预测数据做单次优化得到一条完整的计划曲线检查这条曲线是否满足常识。比如光伏中午大发时储能应该在充电晚高峰前储能SOC应该在爬升电价低谷时应该购电。这一步能过滤掉绝大多数模型逻辑错误。然后再把滚动循环加回去这时候如果曲线异常问题基本就集中在状态更新和序列对齐上。很多新手一上来就调闭环出了问题分不清是模型错还是反馈错排查效率极低。5.2 一个小技巧把每轮的求解信息存下来我在实际项目里还有一个习惯在MPC主循环里把每一轮的目标函数值、求解器状态、SOC初值、计算时间都存到结构体或表格里。跑完一遍仿真后先看求解状态有没有warning再瞄一眼计算时间曲线最后才看能量管理曲线。这个小步骤能帮你快速定位究竟是哪一轮开始出现问题而不是对着几十张图找茬。另外MPC的微电网调度实践中很少直接就把MPC输出送到变流器。常规做法是MPC生成储能和联络线的功率指令经过一层低通滤波或指令限幅之后再下发给底层设备。因为MPC输出虽然是优化过的但底层设备也不能接受过大的功率阶跃这种“上层优化底层保护”的架构是工程落地的关键保障。这个细节文献里很少写清楚真到现场对接就地设备时你就会明白它有多重要。 基于MPC的微电网调度优化：原理、Matlab实现与工程实践
光伏和负荷的波动性是所有做微电网调度的人绕不开的坎。几年前我做储能EMS项目时最头疼的就是日前计划定得再好第二天一个云层飘过来光伏出力直接打折储能的充放电计划全乱套。后来我接触了模型预测控制思路一变问题就顺了很多。MPC的核心就一句话别指望一次计划管到底每走一步都重新算。这篇内容我就结合自己用Matlab做微电网调度优化的经验把MPC从原理到代码实现、再到你大概率会踩的坑完整梳理一遍。适合正在做微电网能量管理、储能协调控制、或者课程设计需要复现MPC调度算法的朋友参考。1. 微电网调度为什么要用MPC从“明天”到“下一秒”的转变1.1 传统调度的痛点不确定性是老大难传统微电网调度典型做法是“日前计划日内修正”。前一天晚上根据光伏和负荷预测用线性规划或启发式算法把第二天24小时的储能充放电曲线、与大电网的购售电功率都定下来。这种方式在负荷平稳、光伏波动小的时候没问题但一旦预测误差变大问题就来了。我印象很深的一次测试某天白天预测光伏最大出力120kW实际因为多云最大只有70kW。结果日内计划仍然按照120kW去安排储能放电到下午电网电价尖峰段储能SOC已经提前放空只能高价买电。这就暴露了开环调度最致命的问题——预测误差是积累的计划一旦定死后面就步步错。日内修正虽然能补救一些但修正的频率、幅度都靠经验调很难做到系统化、自动化。所以微电网调度真正需要的不是“更准的日前计划”而是一个能在运行过程中不断吸收新信息、实时调整控制指令的闭环框架。这就是MPC被大规模引入微电网调度的重要原因。1.2 MPC的核心思路预测、滚动、校正MPC模型预测控制本质上是一个“三步循环”的算法结构。第一步是预测用当前时刻的状态量和未来一段时间的扰动预测数据代入系统模型算出未来控制动作的效果第二步是优化在满足所有约束的前提下求解使目标函数最小的一组控制序列第三步是滚动只执行当前时刻的控制指令等到下一个采样周期拿到新的实测状态和更新的预测数据重新求解整个优化问题。这三步里滚字最关键。每一轮都在修正,相当于每走几步就重新看一次地图而不是拿着出发前规划好的路线硬走。预测模型不需要做到百分之百准确因为每个周期都有反馈校正的机会。这是MPC和开环优化的本质区别开环优化是在时间起点一次性求解完而MPC把优化问题沿着时间轴不断往前卷。我习惯用一个类比来解释开车从A点到B点只定一次路线遇到修路堵车就只能死扛每5分钟根据实时路况重新规划一次就能绕开拥堵。微电网调度就是这条路况一直在变的行程MPC就是那个实时导航。1.3 什么场景适合MPC什么场景不用硬上先说结论如果你的微电网里有光伏、风电这类强波动电源有储能这种快速调节资源还希望参与分时电价套利或者平抑联络线功率波动那MPC非常合适。典型的应用场景包括园区光储微电网、工商业储能EMS、混合微电网能量管理以及含电动汽车充电桩的微电网协调控制。但如果你的系统负荷非常稳定光伏和负荷的24小时预测曲线基本天天一样或者系统里没有可以快速调节的设备那MPC的优势就不明显。这种情况下一个简单的定时策略或者日前优化就够了上MPC反而增加了计算复杂度和调试成本。另外还有一种情况——预测数据质量实在太差比如光伏预测误差超过50%那MPC的滚动校正也扛不住这时候应该先去提升预测模型的准确性而不是指望控制器兜底。2. 调度模型怎么搭目标函数、约束与预测模型2.1 目标函数经济性还是平抑波动MPC的目标函数决定了控制器“想做什么”。微电网调度里最常见的目标是运行成本最小化包括向大电网购电的成本、售电收益、储能充放电损耗以及弃光惩罚。写成数学形式大概是min J sum_{k0}^{Np-1} [ C_buy * P_buy(k) - C_sell * P_sell(k) λ_soc * (SOC(k) - SOC_ref)^2 ]这里Np是预测时域C_buy和C_sell是实时电价购电算正成本、售电算负成本最后一项是SOC偏离参考值的惩罚。我自己在工程里发现只优化经济成本容易让储能频繁动作收益没提升多少电池循环寿命倒是消耗得快。所以实际项目中通常会在目标函数里加一个控制动作的惩罚项比如充放电功率变化量的平方来抑制储能输出的剧烈波动。还有一种常见形式是“经济平抑”双目标即在购电成本之外加上联络线功率波动惩罚。这种做法的物理意义很直观微电网并网运行时联络线功率闪变会影响大电网稳定性调度方对功率波动率往往有考核要求。把波动惩罚放进目标函数比事后修指令要自然得多。2.2 约束条件功率平衡、储能SOC、爬坡与购售电MPC的约束条件直接决定了问题是否可行。漏掉一条约束可能算出来的控制指令根本没执行价值。我整理一下微电网调度中最基本的几类约束。功率平衡约束是等式约束任意时刻光伏出力、储能放电、购电功率之和必须等于负荷功率、储能充电、售电功率之和。这个约束在代码里写成等式形式但实际微网中如果存在预测误差等式平衡不可能严格满足所以工程上往往改成带松弛变量的形式允许在偏差很小时“软性”平衡。储能SOC递推约束是MPC框架里的核心动态约束。SOC(k1) SOC(k) - η_d * P_dis(k)/C P_chg(k)/(η_c * C)其中C是电池容量η是充放电效率。这条约束把优化变量从“某时刻功率”和“某时刻SOC”关联起来也是MPC比单纯静态优化更复杂的地方。储能的充放电功率、SOC上下限约束、与大电网交换功率的限值、以及联络线功率爬坡约束都属于状态和输入约束。有一点容易漏储能在同一时刻不能同时充和放这个约束可以用二进制变量来处理也可以用一组互补约束近似。用YALMIP时我直接定义P_dis和P_chg两个非负变量配合一个0-1变量来互斥虽然会增加求解时间但模型逻辑更清晰。2.3 预测模型光伏、负荷怎么滚动更新MPC能不能发挥优势很大程度上看预测数据的质量和更新频率。预测模型不一定要多高级实用中三类做法比较常见。第一类是持久预测即认为未来一段时间内光伏和负荷等于最近一个时刻的实测值实现简单误差大第二类是查表修正用历史同期数据作为基准加上最近实测偏差进行修正稳定性不错第三类才是各种时序预测模型比如ARIMA、LSTM预测精度高但复杂度也高部署和训练成本不低。我自己的经验是MPC的滚动周期如果设在15分钟到1小时级别用“历史同期实时修正”的简单方法往往已经够用。因为MPC每15分钟滚动一次预测时间的短期变化不大复杂的预测算法带来的增益有限反而调试成本高。工程上更关键的是把每轮预测序列的时间对齐预测输出的时间戳要和控制周期的编程索引严格对应否则模型内部全乱了。2.4 滚动窗口与控制时域两个关键参数预测时域Np和控制时域Nc是MPC的两个核心参数。Np代表每轮优化往前看多远Nc代表未来有多少个控制步需要优化。一般Np取15步到24步对应15分钟步长下4到6小时Nc通常小于Np因为远端控制动作不必全部自由优化可以维持末端恒定。选Np要平衡两点Np太短预测信息不足控制器看不到电价尖峰或者晚高峰储能就不会提前蓄能Np太长优化变量增多求解变慢而且远端预测数据本来就不可靠规划得再精细也没意义。我一般先把Np按“能覆盖一个完整的电价周期或负荷峰谷周期”来定在这个前提下拉长或缩短观察储能SOC曲线和成本变化幅度就能找到相对合适的窗口。控制时域Nc如果等于Np控制量自由度最大但求解速度慢还容易出现储能频繁切换的抖振。把Nc设小一些比如Nc5相当于后面的控制步都跟最后一刻保持一致既降低难度也对实际执行影响不大。这里的工程判断是经济性的60%都靠前几个控制步贡献远端控制量不自由优化是合理的。3. Matlab代码实现从伪码到可运行的MPC调度3.1 工具链选型YALMIPcplex还是纯MatlabMatlab实现MPC调度工具链的选型决定了开发效率。纯Matlab自带的linprog或quadprog也能求解线性规划问题但对于带状态递推、SOC约束、互斥约束的MPC模型直接用linprog需要把所有约束展开成矩阵形式变量一多就容易错位。我推荐使用YALMIP建模再调用cplex或gurobi求解。YALMIP的优势在于建模语法接近数学表达约束写成sdpvar变量的线性不等式S sdpvar(Nc,1)然后直接constraints [S 0, ...]求解器替你完成矩阵装配不容易出错。而且YALMIP底层可以无缝切换求解器调试阶段用默认求解器正式运行再换cplex很方便。关于Matlab版本兼容性YALMIP对新版Matlab的适配一般没有大问题但需要注意旧版本YALMIP在新Matlab里偶尔会有函数名冲突。如果遇到报错先看是不是YALMIP版本太老去官网同步一下最新版就行。3.2 代码整体框架与核心函数实现一个完整的MPC调度程序我的习惯是拆成四个部分参数定义区、预测函数、MPC主循环、结果分析。下面是一个简化的框架%% 参数定义区 Np 16; % 预测时域 Nc 8; % 控制时域 dt 0.25; % 采样时间 15分钟单位小时 C_batt 100; % 储能容量 kWh SOC_min 0.2; SOC_max 0.9; P_chg_max 50; P_dis_max 50; % 储能功率上限 kW P_grid_max 200; % 联络线功率上限 kW eta_chg 0.95; eta_dis 0.95; % 充放电效率 %% 预测函数光伏和负荷预测序列生成 % 输入当前时刻光伏实测值 pv_now, 负荷实测值 load_now % 输出未来Np步的光伏、负荷序列 function [pv_seq, load_seq] forecast_pv_load(pv_now, load_now) % 实际项目中这里替换为预测模型输出 % 简单做法查表 实测偏差修正 pv_seq (1:Np) * 0 pv_now; % 持久预测 load_seq (1:Np) * 0 load_now; end然后写MPC主循环。核心逻辑是先读取当前时刻数据调用预测函数得到未来Np步的光伏负荷序列然后构建优化问题并求解执行第一个控制量推进到下一时刻%% MPC主循环 for k 1:T_sim % 获取当前光伏/负荷实测值模拟或读表 pv_now pv_data(k); load_now load_data(k); [pv_seq, load_seq] forecast_pv_load(pv_now, load_now); % 用YALMIP构建优化问题 P_chg sdpvar(Nc,1); P_dis sdpvar(Nc,1); P_grid sdpvar(Nc,1); SOC sdpvar(Nc1,1); u_bin binvar(Nc,1); % 互斥变量 constraints []; constraints [constraints, SOC(1) SOC_now]; for i 1:Nc % 预测模型SOC递推 constraints [constraints, SOC(i1) SOC(i) - eta_dis*P_dis(i)/C_batt P_chg(i)*eta_chg/C_batt]; % 功率平衡 constraints [constraints, P_grid(i) P_dis(i) pv_seq(i) load_seq(i) P_chg(i)]; % 储能出力约束与互斥约束 constraints [constraints, 0 P_chg(i) P_chg_max*u_bin(i)]; constraints [constraints, 0 P_dis(i) P_dis_max*(1-u_bin(i))]; % SOC和联络线约束 constraints [constraints, SOC_min SOC(i1) SOC_max]; constraints [constraints, -P_grid_max P_grid(i) P_grid_max]; end % 目标函数购电成本 SOC偏离惩罚 objective sum(c_buy(k:kNc-1) .* max(P_grid,0)) - sum(c_sell(k:kNc-1) .* min(P_grid,0)); objective objective 0.1 * sum((SOC(2:end) - SOC_ref).^2); % 求解 optimize(constraints, objective, sdpsettings(solver,cplex)); % 取第一个控制量执行 P_chg_exec value(P_chg(1)); P_dis_exec value(P_dis(1)); % 更新SOC状态进入下一时刻 SOC_now value(SOC(2)); end这是我在实际项目里用得很顺的框架。注意P_grid的购售电拆分实际运营里购电和售电电价往往不同目标函数里用max/min拆开会引入非线性建议引入两个非负变量P_buy, P_sell再约束P_grid P_buy - P_sell。上面伪码只是为了表达思路正式代码我都是这么拆的。3.3 关键细节SOC初值、序列对齐与热启动有几个细节新手容易栽跟头。第一是SOC初值每一轮优化的SOC(1)必须来自上一轮求解得到的SOC(2)如果你从外部传感器读SOC一定要保证单位一致SOC是0到1的比例还是百分数全工程统一这个我踩过坑明明写对了公式但初值差了一百倍整条曲线全歪了。第二是预测序列的时间对齐。假设当前是k时刻预测函数给出的pv_seq应该对应k, k1, ..., kNp-1的预测值不能从k1时刻开始。很多bug看起来是优化结果不对实际上就是索引偏了一位。第三是热启动。cplex和gurobi都支持把上一轮的求解结果作为下一轮初值能显著加快求解速度。YALMIP里用assign给变量赋初值然后在sdpsettings里开‘warmstart,1。我实测在Np24、Nc12的规模下热启动能让单轮求解时间降低30%到50%。3.4 参数标定与敏感性测试权重怎么调MPC调参的主要对象包括Np、Nc以及目标函数里的权重系数。权重系数没有万能值我更愿意把它当业务指标来调如果你更看重削峰填谷那就加大联络线功率偏差的惩罚如果你更看重套利收益就把经济成本项的权重拉高如果希望储能少动作就把控制动作变化惩罚调大。一个实用的小流程是先用极端权重跑两组对比。比如把SOC惩罚项权重设为0看储能是不是会“偷懒”;再把SOC惩罚权重拉大看SOC是不是被硬拽到参考值附近。通过这两组边界实验你能直观摸清权重的量级范围再取中间值微调。这个方法比盲目试参数高效得多。4. 常见问题与排查技巧实录4.1 求解器报“Infeasible problem”怎么办这是我被问得最多的问题也是MPC调试里最常见的一个坎。不可行意味着约束之间互相矛盾任何控制序列都无法满足全部条件。最常见的原因有三个一是储能SOC约束和功率约束冲突比如SOC已经接近下限但负荷预测在那个时段特别高储能必须放电而SOC下限不允许继续放电;二是预测序列尺度错误光伏预测值单位是kW却写进了以MW为单位的功率平衡方程直接差了三到四个数量级;三是互斥约束写得太硬P_chg、P_dis同时大于0导致松弛变量没设够。排查方法我建议按顺序来先打印每个时段所有约束的最大残差找到是哪个时段、哪条约束在被打翻然后逐个放开约束比如把SOC_min从0.2放开到0.1看问题是否消失如果放开一组约束就恢复了说明就是那组约束写得不合理。工程上我习惯在每个等式约束里加松弛变量并给松弛变量一个小的罚系数这样即使预测误差导致功率不平衡求解器也能给出一个接近可行的解而不是直接报错退出来。4.2 滚动优化结果跳变、储能频繁切换怎么办另一个常见现象是某个时刻储能从充电50kW直接跳到放电50kW曲线像锯齿一样。原因一般是目标函数里没有对控制动作变化做惩罚或者预测序列在相邻两个滚动周期里差异太大。解决思路分三步。第一步检查是不是预测数据在两轮滚动之间发生了明显跳变比如光伏实测值突然从多云到晴空预测也跟着跳这是外部原因可以给预测序列做个限幅滤波。第二步在目标函数里加上控制变化量惩罚项penalty w_delta * (C_batt * (SOC(k1) - SOC(k)) 这种方式也可以直接惩罚P_dis(k1) - P_dis(k)的平方。第三步如果还抖把控制时域Nc调小一些减少自由度的同时能让控制序列更保守、更平滑。4.3 计算时间和实时性怎么权衡MPC实时性的瓶颈在于每轮都要调用优化求解器。Np24、Nc12的线性规划问题在cplex下通常几十毫秒就能解决但如果引入了0-1互斥变量变成混合整数线性规划求解时间就可能涨到秒级甚至更久。这种情况下我常用的办法有三个去掉不必要的整数变量比如用互补约束近似互斥使用热启动或者把Nc缩短只优化前几个控制步远端保持恒定。这里要给个实用提示测试时把每一轮的求解时间记录下来。如果最坏情况下单轮求解时间已经接近采样周期说明实时性有风险宁可牺牲一点最优性也要降Nc或用线性近似保证主循环不“丢步”。控制算法跑飞了最优解再美也没意义。4.4 数值缩放与矩阵病态问题微电网MPC的量纲差异很大电价是零点几到一块多功率是几十到几百kWSOC是0到1的小数储能容量可能是几百kWh。YALMIP本身会做一些预处理但量级差太大时求解器内部依然容易出现数值问题表现为求解结果对权重极其敏感或者同样的模型换个求解器结果就不同。我建议在建模时统一做标幺化处理。把功率都除以基准功率比如微网峰值负荷200kWSOC保持0到1成本项除以一个典型电价。这样所有变量大致落在0.1到10之间数值稳定性会好很多。虽然这是一件很琐碎的事但能省掉大量后期排查。下面整理一张常见问题速查表方便对照排查现象可能原因处理方式求解器报不可行SOC约束与功率约束冲突加入松弛变量检查SOC初值与预测尺度SOC越界但求解器没报错SOC递推约束写错了效率方向核对充放电效率放在等式哪一侧储能频繁切换充放目标函数缺控制变化惩罚加控制变化惩罚项减小Nc同一模型结果不稳定模型量纲差异过大对功率、成本做标幺化求解时间突然暴涨整数变量太多导致MILP变慢去掉0-1变量或用热启动、缩短Nc预测序列整体偏移索引对齐出错打印序列首尾值比对实际时间戳5. 实操经验与一点个人体会5.1 先跑通开环再上闭环避免一起调试MPC调试有个很有效的路径先把滚动优化代码里的“滚动”去掉只用第一轮预测数据做单次优化得到一条完整的计划曲线检查这条曲线是否满足常识。比如光伏中午大发时储能应该在充电晚高峰前储能SOC应该在爬升电价低谷时应该购电。这一步能过滤掉绝大多数模型逻辑错误。然后再把滚动循环加回去这时候如果曲线异常问题基本就集中在状态更新和序列对齐上。很多新手一上来就调闭环出了问题分不清是模型错还是反馈错排查效率极低。5.2 一个小技巧把每轮的求解信息存下来我在实际项目里还有一个习惯在MPC主循环里把每一轮的目标函数值、求解器状态、SOC初值、计算时间都存到结构体或表格里。跑完一遍仿真后先看求解状态有没有warning再瞄一眼计算时间曲线最后才看能量管理曲线。这个小步骤能帮你快速定位究竟是哪一轮开始出现问题而不是对着几十张图找茬。另外MPC的微电网调度实践中很少直接就把MPC输出送到变流器。常规做法是MPC生成储能和联络线的功率指令经过一层低通滤波或指令限幅之后再下发给底层设备。因为MPC输出虽然是优化过的但底层设备也不能接受过大的功率阶跃这种“上层优化底层保护”的架构是工程落地的关键保障。这个细节文献里很少写清楚真到现场对接就地设备时你就会明白它有多重要。