做虚拟电厂优化调度研究的朋友一定体验过那种“图表能复现、逻辑也对得上但结果就是不对”的崩溃。我第一次照着某篇SCI论文的多时间尺度框架去写Matlab代码时光是日前调度和日内调度的衔接就调了整整一周后来才意识到问题出在储能SOC的边界传递上。这篇博文就把我这段经历消化后的完整方案写出来虚拟电厂为什么必须做日前和日内两个时间尺度的优化两个尺度分别解决什么问题模型怎么建Matlab环境下用什么思路去实现以及复现这类SCI论文时最容易踩的坑。无论你是刚接触虚拟电厂方向的研究生还是已经在做电力系统优化、想快速把一个多时间尺度框架跑通的开发者这篇内容都应该能帮你少走不少弯路。我默认你具备基本的电力系统知识和Matlab操作能力但我会尽量把每个环节的“为什么”也说清楚方便不同基础的人都能顺着思路把代码搭起来。1. 为什么虚拟电厂必须走“日前日内”双时间尺度1.1 单一时间尺度解决不了的两个矛盾虚拟电厂本质上是一个聚合平台把光伏、风电、储能、柴油机、可调负荷这些分散资源打包成一个整体对外参与电力市场交易、对内协调各类设备的运行。问题在于虚拟电厂面对的信息是分层的明天的电价、明天的光伏出力、明天的负荷曲线这些都是预测值误差不可避免而到了当天光伏实际出力可能和预测差一大截负荷也在不断波动。如果只做一个时间尺度的优化比如只做日前调度把一天的机组出力和储能充放电计划全部定死那么当天一旦出现预测偏差整个计划就可能失衡不是出现功率缺口就是储能容量被提前耗尽。如果只做日内调度完全不参考日前的开机安排又会面临机组启停来不及、储能频繁深度充放电、整体经济性失控的问题。这两个矛盾单一时间尺度都兜不住。1.2 双时间尺度的分工逻辑先定节奏再微调动作所谓“日前日内”本质上是一种分层决策思想。日前调度做的是“节奏安排”提前一天基于24小时或96个时段的分时电价、预测风光出力、预测负荷决定哪些机组需要开机、储能何时充电何时放电、可调负荷在哪些时段被调用——这时候时间分辨率通常是1小时因为日前阶段的核心诉求是全局经济性和机组启停的合理分配。日内调度做的是“动作修正”到了当天滚动获取更新的光伏功率、负荷实测数据以15分钟甚至5分钟为步长对未来4到6小时进行滚动优化根据最新的预测偏差调整储能出力、微调柴油机功率、决定是否追加切负荷。它不会轻易改变日出确定的开机状态而是在开机计划已经定的前提下做更精细的功率分配。用一个生活化的比喻日前调度像一个家庭月初做预算确定这个月哪几天有大额开销、什么时候该存钱日内调度则是每周根据实际开销调整本周的零花钱使用方式。预算不变但具体怎么花可以弹性调整。1.3 两个尺度的关键参数对比对比维度日前调度日内调度执行时间前一天当天滚动执行时间分辨率1小时部分论文为15分钟15分钟或5分钟优化时域24小时 / 96个时段滚动窗口4-6小时主要决策变量机组启停状态、储能充放电计划、可调负荷调度储能出力和各单元功率调整量核心诉求全局经济性、启停安排合理性跟随最新预测、修正偏差不确定来源第二天的预测误差超短期预测误差理解了这个分工才能明白后面模型里的目标函数和约束为什么那样设。很多复现者把两个尺度的代码混在一起目标函数、决策变量全搅成一锅结果自然对不上。2. 虚拟电厂各单元建模决定优化结果上限的细节2.1 虚拟电厂的典型构成和建模思路一个标准的虚拟电厂测试系统通常包含光伏电站、储能系统、柴油机或燃气轮机、可调负荷四类可调度资源外加与大电网的交互购售电。建模的好坏直接决定了优化结果的上限——模型太粗糙结果没有参考价值模型太复杂求解时间又让人无法接受。复现SCI论文时单元建模的核心是平衡“论文所用的精度”和“代码可实现的复杂度”。我建议把每个单元单独封装成一套参数结构体用Matlab的struct数组统一管理这样写约束时索引清晰后续改参数也不用到处翻代码。2.2 光伏和风电的出力建模光伏的功率输出通常采用环境预测直接给定出力序列的方式而不是去建物理模型。也就是说把光伏预测功率作为一个已知参数序列输入优化模型。公式上可以写为[ P_{PV}(t) P_{PV}^{forecast}(t) ]如果考虑不确定性的椭圆/区间场景一般会在预测值上加减一个偏差带。日前调度用的是典型预测场景日内调度则根据最新的超短期预测值更新这个序列。风机的建模与光伏类似区别在于风机出力波动幅度更大爬坡事件更频繁日内调度的修正压力也更大。在代码实现上光伏和风电建模其实只涉及一个参数向量但要注意单位统一论文里经常混用MW和kW一旦换算错误所有结果都失真。2.3 储能系统的关键约束储能是整个虚拟电厂的“缓冲器”也是模型中最容易出错的部分。核心约束有四个荷电状态State of ChargeSOC递推约束 [ SOC(t1) SOC(t) \eta_{ch} \cdot P_{ch}(t) \cdot \Delta t / E_{rated} - P_{dis}(t) \cdot \Delta t / (E_{rated} \cdot \eta_{dis}) ] 其中 ( \eta_{ch} ) 和 ( \eta_{dis} ) 是充放电效率( \Delta t ) 是时段时长小时( E_{rated} ) 是额定容量。充放电功率上限约束 [ 0 \le P_{ch}(t) \le P_{ch}^{max} \cdot u_{ch}(t) ] [ 0 \le P_{dis}(t) \le P_{dis}^{max} \cdot u_{dis}(t) ] ( u_{ch} ) 和 ( u_{dis} ) 是0-1变量保证不会同时充放电。SOC上下限约束 [ SOC^{min} \le SOC(t) \le SOC^{max} ]终端SOC约束比如要求每个调度周期结束时的SOC恢复到初始值这个在日前调度中尤其常见保证储能不以耗尽电量换取短期经济性。我见过很多人复现时把充放电效率写反或者忘了乘以 ( \Delta t )导致SOC曲线要么剧烈波动要么越界。这一步值得多花点时间核对量纲。2.4 柴油机、可调负荷和购售电建模柴油机建模相对传统出力上限约束、爬坡率约束、最小启停时间约束、启动成本和燃料成本。燃料成本一般用二次函数近似[ C_{DG}(P) a \cdot P^2 b \cdot P c ]这个二次项在MILP里面需要做分段线性化复现时要留意论文中给的是直接二次成本还是分段成本。可调负荷分为可削减负荷和可转移负荷两类。可削减负荷的特点是特定时段可以少用电但需要支付补偿成本可转移负荷则要求总用电量在时间窗内守恒只是用电时间平移。建模时前者用削减量作为决策变量并加入惩罚项后者需要额外加入“转移后的负荷总和等于原负荷总和”的约束。与外电网交互的部分购买电力和售电通常分别设置价格和功率上限。复现时还要注意是否允许同时购售电——很多SCI论文设定了一个互斥约束防止套利。2.5 一套可参考的测试系统参数下面是我复现时常用的一套典型参数可以用作代码验证单位统一用MW和MWh单元参数数值光伏额定容量40 MW储能额定容量20 MWh储能最大充/放功率5 MW储能充/放电效率0.95柴油机1出力范围5-20 MW柴油机2出力范围2-10 MW可调负荷最大削减比例30%电网交互购电功率上限50 MW这套参数配合典型的分时电价峰、平、谷三段基本能跑出一个符合直觉的结果低谷充电、高峰放电、柴油机只在负荷峰值时增发。3. 日前调度模型全局经济性和机组启停的优化3.1 明确决策变量和目标函数日前调度的决策变量分为两类0-1变量和连续变量。0-1变量包括柴油机的启停状态、储能的充放电状态、是否购电/售电连续变量包括各时段的柴油机出力、储能充放电功率、可削减负荷量、购售电功率。目标函数是所有成本之和最小通常包含五块向外部电网购电的成本减去售电收益柴油机的燃料成本和启动成本储能设备的充放电老化折算成本可削减负荷的补偿成本失负荷的惩罚成本如果允许失负荷的话写成数学形式大致是[ \min \sum_{t1}^{T} \left[ C_{buy}(t) \cdot P_{buy}(t) - C_{sell}(t) \cdot P_{sell}(t) \sum_{i} C_{DG,i}(t) C_{ESS}(t) C_{curtail}(t) C_{loss}(t) \right] ]这个目标函数的每一项在代码里都是一个数组用YALMIP表达时非常直观。3.2 约束条件的完整集合日前调度的约束分五组功率平衡约束每个时段光伏风电柴油机储能放电购电 负荷 储能充电 售电 可调负荷削减前的被削减部分或者说削减后的负荷等于所有电源供电之和。机组运行约束柴油机的出力上下限、爬坡约束、启停状态与出力逻辑。储能约束SOC递推、充放功率限制、互斥限制、SOC上下限、终端SOC约束。可调负荷约束削减量在0和最大可削减量之间。电网交互约束购售电功率上限及互斥约束。这里有一个非常值得注意的点为了给日内调度留出余地日前调度往往会对储能的SOC设定一个“目标带”而不是简单把终端SOC等于初始值。也就是说让储能在日末落在比如40%至60%的区间里这样第二天上午即便光伏预测不准储能也还有足够的上下调节空间。这个细节是很多论文中“多时间尺度协调”思想的真正体现。3.3 日前调度是典型的MILP问题因为包含0-1变量日前调度是一个混合整数线性规划MILP。复现时建议用YALMIP这个Matlab建模工具箱配合商业求解器求解。建模时用binvar声明0-1变量用sdpvar声明连续变量约束写成一个set或约束数组然后调用optimize。下面是一段简洁的日前调度核心建模框架%% 日前调度建模框架MILP T 24; u_DG binvar(2, T, full); % 2台柴油机启停状态 P_DG sdpvar(2, T, full); % 柴油机出力 P_ch sdpvar(1, T, full); % 储能充电功率 P_dis sdpvar(1, T, full); % 储能放电功率 u_ch binvar(1, T, full); u_dis binvar(1, T, full); SOC sdpvar(1, T1, full); P_buy sdpvar(1, T, full); P_sell sdpvar(1, T, full); P_curt sdpvar(1, T, full); % 可削减负荷量 Constraints []; % 功率平衡 for t 1:T Constraints [Constraints, ... P_PV(t) sum(P_DG(:,t)) P_dis(t) P_buy(t) ... P_load(t) - P_curt(t) P_ch(t) P_sell(t)]; end % 储能SOC递推、上下限、充放互斥...略 Objective sum(C_buy .* P_buy) - sum(C_sell .* P_sell) ... sum(C_DG_fuel) ... ; % 详细成本项自行补全 ops sdpsettings(solver, gurobi, verbose, 2); optimize(Constraints, Objective, ops);这段代码只是框架实际复现时要把所有约束写全。求解完成后日前调度会输出一组完整的次日计划各时段柴油机的启停和出力、储能的充放电曲线、购售电计划、可削减负荷的调用时段。这份计划就是日内调度的“参考基准”。4. 日内调度滚动修正和日前计划的衔接设计4.1 为什么日内调度必须采用滚动窗口日内调度的本质是模型预测控制MPC思想。所谓滚动窗口是指在每个执行时刻只对未来一段有限时域做优化执行最前面一个时段的决策然后等下一个时刻到来配合新的实测数据再把窗口向前滚动一步。这比一次性算完整日的日内计划要灵活得多因为每次优化都能吸收最新的预测信息。时间步长一般取15分钟这样一天有96个时段。滚动窗口取4到6小时也就是16到24个时段。对虚拟电厂来说15分钟步长已经能覆盖大部分负荷波动和光伏波动的特征5分钟步长计算负担会明显加重除非论文特别要求否则15分钟是复现时的合理选择。4.2 日内调度的目标函数和日前计划传递日内调度同样以成本最小为目标但一个关键差异是目标函数里必须加入“对日前计划的偏离惩罚”。如果完全不设偏离惩罚日内调度可能会把储能的充放电方式彻底改写导致日前制定的机组启停策略失去意义虚拟电厂对外表现出的特性也会和申报给电网的计划不一致。常见的处理方法是把日前计划的各单元出力作为参考值在日内目标函数中加入偏差项例如[ \min \sum_{t \in W} \left[ \text{成本项} \omega_1 \cdot (P_{ch}(t) - P_{ch}^{DA}(t))^2 \omega_2 \cdot (P_{dis}(t) - P_{dis}^{DA}(t))^2 \omega_3 \cdot |P_{DG}(t) - P_{DG}^{DA}(t)| \right] ]其中 ( W ) 表示滚动窗口内的时段集合上标 ( DA ) 表示日前计划值( \omega ) 是偏离惩罚权重。实际代码中二次项在YALMIP里可以直接表达求解器处理起来也很快。还有一个容易被忽视的衔接点日内调度开始时的储能SOC初值必须取日前计划在对应时段的SOC值或者取当前实测的SOC值。如果把SOC初始化成一个固定值日内滚动几轮之后储能就会“漂移”出合理范围。4.3 日内调度的执行流程我把日内调度在代码里的执行步骤拆成六步复现时可以直接照这个流程来实现初始化读取日前调度结果设定当前时刻载入最初的实测负荷、光伏功率数据。更新预测用最新的超短期预测覆盖滚动窗口内的光伏和负荷序列。构建优化模型决策变量是窗口内各时段的储能出力、柴油机调整量、可削减负荷量约束条件与日前类似但窗口更短、执行时段的变量更多。求解并执行第一个时段决策把optimize结果中第一时段的储能、柴油机出力指令下发给各个资源模拟执行。推进窗口当前时刻加15分钟读取新的实测值裁剪预测序列到新窗口。重复第2到第5步直到一天结束。这种滚动逻辑用循环实现很清晰但要特别注意索引的换算日前调度是24个时段日内调度是96个时段两者之间的对应关系是t_da ceil(t_intra / 4)错过这一步日前计划根本取不准。5. Matlab实现关键细节从模型到可运行代码5.1 环境与求解器配置复现这类优化问题我首推Matlab YALMIP Gurobi的组合。YALMIP负责建模Gurobi负责求解MILP两者配合在学术复现里最省心。没有Gurobi的话Cplex或者开源的CBC也能跑但求解速度会慢一些。安装好以后在Matlab里运行yalmiptest确认求解器被识别。Gurobi的licence需要单独申请一般学术license覆盖大学场景提前备好就行。5.2 参数预处理和索引映射代码的第一步不是建模而是把参数整理成向量或矩阵。所有与时段相关的数据负荷、光伏预测、电价都要统一长度日前为24日内为96。我之前因为负荷向量长度没对齐目标函数里出现维度不匹配optimize直接报错排查半天才发现是多了一个元素。索引映射建议单独写一个函数或者一段注释清晰的映射语句% 日前时段到日内时段的映射 t_da ceil((t_intra - 1) / 4) 1; % 15min转1h5.3 储能互斥约束和SOC递推在代码中的实现储能互斥约束有三种常见写法直接把SOC递推关系写成等式约束用0-1变量u_ch和u_dis分别约束充放功率再加一个互斥不等式u_ch u_dis 1。第三种写法最常用也是在YALMIP里表达最直观的方式。SOC递推约束在代码里写成for t 1:T Constraints [Constraints, ... SOC(1, t1) SOC(1, t) ... (eta_ch * P_ch(1, t) - P_dis(1, t) / eta_dis) * dt / E_rated]; enddt要注意单位如果时间分辨率为1小时dt1如果是15分钟dt0.25。我一再强调这一点是因为我见过不少复现代码里这里出错的案例包括我自己早期也栽过一次。5.4 求解参数设置与耗时预估用Gurobi求解这类MILP建议主动设置三项参数ops sdpsettings(solver, gurobi, ... gurobi.MIPGap, 1e-3, ... % 相对MIP间隔 gurobi.TimeLimit, 300, ... % 单次求解时间上限 verbose, 1);对于上面那套测试系统日前调度24时段2台柴油机储能可调负荷通常几秒到几十秒内收敛日内调度因为滚动执行96次单次窗口16个时段全部加起来也就几分钟。如果模型加了复杂的启停约束或分段成本线性化耗时可能翻倍此时适当把MIPGap放到1e-2也能接受毕竟工程复现看重的是趋势合理而不是绝对最优。5.5 结果输出和可视化跑完之后把日前和日内的曲线画在同一张图上对比光伏出力的预测值和实际值、储能SOC曲线、柴油机出力曲线、购售电功率。日内曲线跟随实际场景调整的幅度、日前和日内SOC曲线的差异这些直接展示了多时间尺度的协调效果。建议把日前结果存成result_da.mat日内模块加载它作为参考计划这样两个尺度的代码可以分开调试互不干扰也符合模块化复现的习惯。6. SCI复现过程的易错点、调试路线和经验总结6.1 复现前先做数学公式清单再写代码复现SCI论文遇到结果不一致九成问题出在“模型理解偏差”而不是“代码能力”。我复现时有一个固定习惯第一遍看论文把目标函数、每个约束的数学表达式、变量定义全部手工抄到一张清单上第二遍对着符号逐项检查代码里的变量是否一一对应。特别是那些带有上下标的约束——储能SOC的时序索引、滚动窗口的边界时段——一旦错位后面所有结果都会偏离。尤其要注意论文中公式里括号、下标和求和范围的细节。很多顶级期刊的公式排版有隐藏信息比如SOC约束里的t1,...,T1还是t1,...,T直接决定变量长度。6.2 六个高频坑点排查表症状最可能原因排查方式模型无解功率平衡约束与单元上下限冲突检查光伏和负荷曲线是否匹配放宽备用约束试跑SOC越界SOC递推公式里漏乘或乘错时间步长手算前三步SOC变化逐步比对日内曲线和日前计划完全脱节缺少偏差惩罚项或权重为0检查目标函数是否加入参考值偏差项储能同时充放电互斥约束未生效打印u_chu_dis序列确认每时点不超过1求解时间无法接受二次成本项未线性化或MILP规模过大对二次成本做分段线性逼近加大MIPGap结果与论文图差距大参数单位或基数没对齐检查MW/MWh、价格/成本系数量纲6.3 调试路线先简化再还原不要一上来就复现完整模型。我的调试习惯是先跑一个“降级版”把0-1变量全部去掉让储能自由充放、柴油机自由出力看看连续松弛后的问题能不能得到合理结果能的话再逐层加回0-1约束、启停约束、爬坡约束、偏差惩罚。每一步加约束后都跑一遍并对比结果变化。这样做的好处是出错时能精准定位到“是哪一组约束搞坏了模型”而不是在完整模型里面对几十条约束无从下手。另一个实用技巧是单独写一个小规模数值测试比如2个时段、1台柴油机、1个储能手算最优解然后看代码结果是否一致。这个测试用例跑通后再扩展到24时段、96时段。看似多花了半小时但能避免在复杂模型里反复试错。6.4 结果合理性判据如何确认代码跑对了当代码跑通后怎么判断结果真的合理我总结了四个经验判据储能SOC曲线应该有明显的周期性低谷时段充电上升高峰时段放电下降末端回到目标区间。如果SOC曲线是杂乱锯齿状多半是效率参数或约束写错。柴油机只在负荷峰值或光伏出力低的时段分配较高出力平时保持较低出力甚至停机。如果柴油机全天满发说明目标函数里燃料成本权重可能设错了。购电高峰期与高电价时段重合售电则正好相反。如果出现高电价时段大量购电要么是功率平衡需要要么是约束写错了。日内调度相对日前调度的调整量不会突变偏差惩罚的作用就是让日内曲线贴着日前计划走只有在预测偏差大的时段才会明显偏离。如果日内全天大幅偏离日前计划说明惩罚权重需要重新校准。6.5 关于“复现”本身的一点看法复现SCI论文和做自己的优化研究是两回事。复现的难点不在求解器而在“把论文没写清楚的细节补全”。很多论文的附录里有详细的参数表但也有一部分细节藏在图表里需要靠观察图的曲线特征去反推约束设计比如从SOC曲线初末值判断终端约束的类型从柴油机出力阶梯判断爬坡约束的松紧。我的建议是拿到论文后先快速搭一个“最小闭环”即用最简单的约束跑通流程确认日前日内数据传递的路径没问题再逐步替换成论文里的复杂约束。这个闭环一旦通了后面所有的调试都有参照物心理压力也会小很多。等你把一套多时间尺度框架完整跑通后面换论文、换数据基本就是改参数和微调约束的工作量了。 
长河君 · 2026/10/13 22:39:42 · 阅读 1.2k 虚拟电厂日前日内双时间尺度优化调度Matlab实现详解
做虚拟电厂优化调度研究的朋友一定体验过那种“图表能复现、逻辑也对得上但结果就是不对”的崩溃。我第一次照着某篇SCI论文的多时间尺度框架去写Matlab代码时光是日前调度和日内调度的衔接就调了整整一周后来才意识到问题出在储能SOC的边界传递上。这篇博文就把我这段经历消化后的完整方案写出来虚拟电厂为什么必须做日前和日内两个时间尺度的优化两个尺度分别解决什么问题模型怎么建Matlab环境下用什么思路去实现以及复现这类SCI论文时最容易踩的坑。无论你是刚接触虚拟电厂方向的研究生还是已经在做电力系统优化、想快速把一个多时间尺度框架跑通的开发者这篇内容都应该能帮你少走不少弯路。我默认你具备基本的电力系统知识和Matlab操作能力但我会尽量把每个环节的“为什么”也说清楚方便不同基础的人都能顺着思路把代码搭起来。1. 为什么虚拟电厂必须走“日前日内”双时间尺度1.1 单一时间尺度解决不了的两个矛盾虚拟电厂本质上是一个聚合平台把光伏、风电、储能、柴油机、可调负荷这些分散资源打包成一个整体对外参与电力市场交易、对内协调各类设备的运行。问题在于虚拟电厂面对的信息是分层的明天的电价、明天的光伏出力、明天的负荷曲线这些都是预测值误差不可避免而到了当天光伏实际出力可能和预测差一大截负荷也在不断波动。如果只做一个时间尺度的优化比如只做日前调度把一天的机组出力和储能充放电计划全部定死那么当天一旦出现预测偏差整个计划就可能失衡不是出现功率缺口就是储能容量被提前耗尽。如果只做日内调度完全不参考日前的开机安排又会面临机组启停来不及、储能频繁深度充放电、整体经济性失控的问题。这两个矛盾单一时间尺度都兜不住。1.2 双时间尺度的分工逻辑先定节奏再微调动作所谓“日前日内”本质上是一种分层决策思想。日前调度做的是“节奏安排”提前一天基于24小时或96个时段的分时电价、预测风光出力、预测负荷决定哪些机组需要开机、储能何时充电何时放电、可调负荷在哪些时段被调用——这时候时间分辨率通常是1小时因为日前阶段的核心诉求是全局经济性和机组启停的合理分配。日内调度做的是“动作修正”到了当天滚动获取更新的光伏功率、负荷实测数据以15分钟甚至5分钟为步长对未来4到6小时进行滚动优化根据最新的预测偏差调整储能出力、微调柴油机功率、决定是否追加切负荷。它不会轻易改变日出确定的开机状态而是在开机计划已经定的前提下做更精细的功率分配。用一个生活化的比喻日前调度像一个家庭月初做预算确定这个月哪几天有大额开销、什么时候该存钱日内调度则是每周根据实际开销调整本周的零花钱使用方式。预算不变但具体怎么花可以弹性调整。1.3 两个尺度的关键参数对比对比维度日前调度日内调度执行时间前一天当天滚动执行时间分辨率1小时部分论文为15分钟15分钟或5分钟优化时域24小时 / 96个时段滚动窗口4-6小时主要决策变量机组启停状态、储能充放电计划、可调负荷调度储能出力和各单元功率调整量核心诉求全局经济性、启停安排合理性跟随最新预测、修正偏差不确定来源第二天的预测误差超短期预测误差理解了这个分工才能明白后面模型里的目标函数和约束为什么那样设。很多复现者把两个尺度的代码混在一起目标函数、决策变量全搅成一锅结果自然对不上。2. 虚拟电厂各单元建模决定优化结果上限的细节2.1 虚拟电厂的典型构成和建模思路一个标准的虚拟电厂测试系统通常包含光伏电站、储能系统、柴油机或燃气轮机、可调负荷四类可调度资源外加与大电网的交互购售电。建模的好坏直接决定了优化结果的上限——模型太粗糙结果没有参考价值模型太复杂求解时间又让人无法接受。复现SCI论文时单元建模的核心是平衡“论文所用的精度”和“代码可实现的复杂度”。我建议把每个单元单独封装成一套参数结构体用Matlab的struct数组统一管理这样写约束时索引清晰后续改参数也不用到处翻代码。2.2 光伏和风电的出力建模光伏的功率输出通常采用环境预测直接给定出力序列的方式而不是去建物理模型。也就是说把光伏预测功率作为一个已知参数序列输入优化模型。公式上可以写为[ P_{PV}(t) P_{PV}^{forecast}(t) ]如果考虑不确定性的椭圆/区间场景一般会在预测值上加减一个偏差带。日前调度用的是典型预测场景日内调度则根据最新的超短期预测值更新这个序列。风机的建模与光伏类似区别在于风机出力波动幅度更大爬坡事件更频繁日内调度的修正压力也更大。在代码实现上光伏和风电建模其实只涉及一个参数向量但要注意单位统一论文里经常混用MW和kW一旦换算错误所有结果都失真。2.3 储能系统的关键约束储能是整个虚拟电厂的“缓冲器”也是模型中最容易出错的部分。核心约束有四个荷电状态State of ChargeSOC递推约束 [ SOC(t1) SOC(t) \eta_{ch} \cdot P_{ch}(t) \cdot \Delta t / E_{rated} - P_{dis}(t) \cdot \Delta t / (E_{rated} \cdot \eta_{dis}) ] 其中 ( \eta_{ch} ) 和 ( \eta_{dis} ) 是充放电效率( \Delta t ) 是时段时长小时( E_{rated} ) 是额定容量。充放电功率上限约束 [ 0 \le P_{ch}(t) \le P_{ch}^{max} \cdot u_{ch}(t) ] [ 0 \le P_{dis}(t) \le P_{dis}^{max} \cdot u_{dis}(t) ] ( u_{ch} ) 和 ( u_{dis} ) 是0-1变量保证不会同时充放电。SOC上下限约束 [ SOC^{min} \le SOC(t) \le SOC^{max} ]终端SOC约束比如要求每个调度周期结束时的SOC恢复到初始值这个在日前调度中尤其常见保证储能不以耗尽电量换取短期经济性。我见过很多人复现时把充放电效率写反或者忘了乘以 ( \Delta t )导致SOC曲线要么剧烈波动要么越界。这一步值得多花点时间核对量纲。2.4 柴油机、可调负荷和购售电建模柴油机建模相对传统出力上限约束、爬坡率约束、最小启停时间约束、启动成本和燃料成本。燃料成本一般用二次函数近似[ C_{DG}(P) a \cdot P^2 b \cdot P c ]这个二次项在MILP里面需要做分段线性化复现时要留意论文中给的是直接二次成本还是分段成本。可调负荷分为可削减负荷和可转移负荷两类。可削减负荷的特点是特定时段可以少用电但需要支付补偿成本可转移负荷则要求总用电量在时间窗内守恒只是用电时间平移。建模时前者用削减量作为决策变量并加入惩罚项后者需要额外加入“转移后的负荷总和等于原负荷总和”的约束。与外电网交互的部分购买电力和售电通常分别设置价格和功率上限。复现时还要注意是否允许同时购售电——很多SCI论文设定了一个互斥约束防止套利。2.5 一套可参考的测试系统参数下面是我复现时常用的一套典型参数可以用作代码验证单位统一用MW和MWh单元参数数值光伏额定容量40 MW储能额定容量20 MWh储能最大充/放功率5 MW储能充/放电效率0.95柴油机1出力范围5-20 MW柴油机2出力范围2-10 MW可调负荷最大削减比例30%电网交互购电功率上限50 MW这套参数配合典型的分时电价峰、平、谷三段基本能跑出一个符合直觉的结果低谷充电、高峰放电、柴油机只在负荷峰值时增发。3. 日前调度模型全局经济性和机组启停的优化3.1 明确决策变量和目标函数日前调度的决策变量分为两类0-1变量和连续变量。0-1变量包括柴油机的启停状态、储能的充放电状态、是否购电/售电连续变量包括各时段的柴油机出力、储能充放电功率、可削减负荷量、购售电功率。目标函数是所有成本之和最小通常包含五块向外部电网购电的成本减去售电收益柴油机的燃料成本和启动成本储能设备的充放电老化折算成本可削减负荷的补偿成本失负荷的惩罚成本如果允许失负荷的话写成数学形式大致是[ \min \sum_{t1}^{T} \left[ C_{buy}(t) \cdot P_{buy}(t) - C_{sell}(t) \cdot P_{sell}(t) \sum_{i} C_{DG,i}(t) C_{ESS}(t) C_{curtail}(t) C_{loss}(t) \right] ]这个目标函数的每一项在代码里都是一个数组用YALMIP表达时非常直观。3.2 约束条件的完整集合日前调度的约束分五组功率平衡约束每个时段光伏风电柴油机储能放电购电 负荷 储能充电 售电 可调负荷削减前的被削减部分或者说削减后的负荷等于所有电源供电之和。机组运行约束柴油机的出力上下限、爬坡约束、启停状态与出力逻辑。储能约束SOC递推、充放功率限制、互斥限制、SOC上下限、终端SOC约束。可调负荷约束削减量在0和最大可削减量之间。电网交互约束购售电功率上限及互斥约束。这里有一个非常值得注意的点为了给日内调度留出余地日前调度往往会对储能的SOC设定一个“目标带”而不是简单把终端SOC等于初始值。也就是说让储能在日末落在比如40%至60%的区间里这样第二天上午即便光伏预测不准储能也还有足够的上下调节空间。这个细节是很多论文中“多时间尺度协调”思想的真正体现。3.3 日前调度是典型的MILP问题因为包含0-1变量日前调度是一个混合整数线性规划MILP。复现时建议用YALMIP这个Matlab建模工具箱配合商业求解器求解。建模时用binvar声明0-1变量用sdpvar声明连续变量约束写成一个set或约束数组然后调用optimize。下面是一段简洁的日前调度核心建模框架%% 日前调度建模框架MILP T 24; u_DG binvar(2, T, full); % 2台柴油机启停状态 P_DG sdpvar(2, T, full); % 柴油机出力 P_ch sdpvar(1, T, full); % 储能充电功率 P_dis sdpvar(1, T, full); % 储能放电功率 u_ch binvar(1, T, full); u_dis binvar(1, T, full); SOC sdpvar(1, T1, full); P_buy sdpvar(1, T, full); P_sell sdpvar(1, T, full); P_curt sdpvar(1, T, full); % 可削减负荷量 Constraints []; % 功率平衡 for t 1:T Constraints [Constraints, ... P_PV(t) sum(P_DG(:,t)) P_dis(t) P_buy(t) ... P_load(t) - P_curt(t) P_ch(t) P_sell(t)]; end % 储能SOC递推、上下限、充放互斥...略 Objective sum(C_buy .* P_buy) - sum(C_sell .* P_sell) ... sum(C_DG_fuel) ... ; % 详细成本项自行补全 ops sdpsettings(solver, gurobi, verbose, 2); optimize(Constraints, Objective, ops);这段代码只是框架实际复现时要把所有约束写全。求解完成后日前调度会输出一组完整的次日计划各时段柴油机的启停和出力、储能的充放电曲线、购售电计划、可削减负荷的调用时段。这份计划就是日内调度的“参考基准”。4. 日内调度滚动修正和日前计划的衔接设计4.1 为什么日内调度必须采用滚动窗口日内调度的本质是模型预测控制MPC思想。所谓滚动窗口是指在每个执行时刻只对未来一段有限时域做优化执行最前面一个时段的决策然后等下一个时刻到来配合新的实测数据再把窗口向前滚动一步。这比一次性算完整日的日内计划要灵活得多因为每次优化都能吸收最新的预测信息。时间步长一般取15分钟这样一天有96个时段。滚动窗口取4到6小时也就是16到24个时段。对虚拟电厂来说15分钟步长已经能覆盖大部分负荷波动和光伏波动的特征5分钟步长计算负担会明显加重除非论文特别要求否则15分钟是复现时的合理选择。4.2 日内调度的目标函数和日前计划传递日内调度同样以成本最小为目标但一个关键差异是目标函数里必须加入“对日前计划的偏离惩罚”。如果完全不设偏离惩罚日内调度可能会把储能的充放电方式彻底改写导致日前制定的机组启停策略失去意义虚拟电厂对外表现出的特性也会和申报给电网的计划不一致。常见的处理方法是把日前计划的各单元出力作为参考值在日内目标函数中加入偏差项例如[ \min \sum_{t \in W} \left[ \text{成本项} \omega_1 \cdot (P_{ch}(t) - P_{ch}^{DA}(t))^2 \omega_2 \cdot (P_{dis}(t) - P_{dis}^{DA}(t))^2 \omega_3 \cdot |P_{DG}(t) - P_{DG}^{DA}(t)| \right] ]其中 ( W ) 表示滚动窗口内的时段集合上标 ( DA ) 表示日前计划值( \omega ) 是偏离惩罚权重。实际代码中二次项在YALMIP里可以直接表达求解器处理起来也很快。还有一个容易被忽视的衔接点日内调度开始时的储能SOC初值必须取日前计划在对应时段的SOC值或者取当前实测的SOC值。如果把SOC初始化成一个固定值日内滚动几轮之后储能就会“漂移”出合理范围。4.3 日内调度的执行流程我把日内调度在代码里的执行步骤拆成六步复现时可以直接照这个流程来实现初始化读取日前调度结果设定当前时刻载入最初的实测负荷、光伏功率数据。更新预测用最新的超短期预测覆盖滚动窗口内的光伏和负荷序列。构建优化模型决策变量是窗口内各时段的储能出力、柴油机调整量、可削减负荷量约束条件与日前类似但窗口更短、执行时段的变量更多。求解并执行第一个时段决策把optimize结果中第一时段的储能、柴油机出力指令下发给各个资源模拟执行。推进窗口当前时刻加15分钟读取新的实测值裁剪预测序列到新窗口。重复第2到第5步直到一天结束。这种滚动逻辑用循环实现很清晰但要特别注意索引的换算日前调度是24个时段日内调度是96个时段两者之间的对应关系是t_da ceil(t_intra / 4)错过这一步日前计划根本取不准。5. Matlab实现关键细节从模型到可运行代码5.1 环境与求解器配置复现这类优化问题我首推Matlab YALMIP Gurobi的组合。YALMIP负责建模Gurobi负责求解MILP两者配合在学术复现里最省心。没有Gurobi的话Cplex或者开源的CBC也能跑但求解速度会慢一些。安装好以后在Matlab里运行yalmiptest确认求解器被识别。Gurobi的licence需要单独申请一般学术license覆盖大学场景提前备好就行。5.2 参数预处理和索引映射代码的第一步不是建模而是把参数整理成向量或矩阵。所有与时段相关的数据负荷、光伏预测、电价都要统一长度日前为24日内为96。我之前因为负荷向量长度没对齐目标函数里出现维度不匹配optimize直接报错排查半天才发现是多了一个元素。索引映射建议单独写一个函数或者一段注释清晰的映射语句% 日前时段到日内时段的映射 t_da ceil((t_intra - 1) / 4) 1; % 15min转1h5.3 储能互斥约束和SOC递推在代码中的实现储能互斥约束有三种常见写法直接把SOC递推关系写成等式约束用0-1变量u_ch和u_dis分别约束充放功率再加一个互斥不等式u_ch u_dis 1。第三种写法最常用也是在YALMIP里表达最直观的方式。SOC递推约束在代码里写成for t 1:T Constraints [Constraints, ... SOC(1, t1) SOC(1, t) ... (eta_ch * P_ch(1, t) - P_dis(1, t) / eta_dis) * dt / E_rated]; enddt要注意单位如果时间分辨率为1小时dt1如果是15分钟dt0.25。我一再强调这一点是因为我见过不少复现代码里这里出错的案例包括我自己早期也栽过一次。5.4 求解参数设置与耗时预估用Gurobi求解这类MILP建议主动设置三项参数ops sdpsettings(solver, gurobi, ... gurobi.MIPGap, 1e-3, ... % 相对MIP间隔 gurobi.TimeLimit, 300, ... % 单次求解时间上限 verbose, 1);对于上面那套测试系统日前调度24时段2台柴油机储能可调负荷通常几秒到几十秒内收敛日内调度因为滚动执行96次单次窗口16个时段全部加起来也就几分钟。如果模型加了复杂的启停约束或分段成本线性化耗时可能翻倍此时适当把MIPGap放到1e-2也能接受毕竟工程复现看重的是趋势合理而不是绝对最优。5.5 结果输出和可视化跑完之后把日前和日内的曲线画在同一张图上对比光伏出力的预测值和实际值、储能SOC曲线、柴油机出力曲线、购售电功率。日内曲线跟随实际场景调整的幅度、日前和日内SOC曲线的差异这些直接展示了多时间尺度的协调效果。建议把日前结果存成result_da.mat日内模块加载它作为参考计划这样两个尺度的代码可以分开调试互不干扰也符合模块化复现的习惯。6. SCI复现过程的易错点、调试路线和经验总结6.1 复现前先做数学公式清单再写代码复现SCI论文遇到结果不一致九成问题出在“模型理解偏差”而不是“代码能力”。我复现时有一个固定习惯第一遍看论文把目标函数、每个约束的数学表达式、变量定义全部手工抄到一张清单上第二遍对着符号逐项检查代码里的变量是否一一对应。特别是那些带有上下标的约束——储能SOC的时序索引、滚动窗口的边界时段——一旦错位后面所有结果都会偏离。尤其要注意论文中公式里括号、下标和求和范围的细节。很多顶级期刊的公式排版有隐藏信息比如SOC约束里的t1,...,T1还是t1,...,T直接决定变量长度。6.2 六个高频坑点排查表症状最可能原因排查方式模型无解功率平衡约束与单元上下限冲突检查光伏和负荷曲线是否匹配放宽备用约束试跑SOC越界SOC递推公式里漏乘或乘错时间步长手算前三步SOC变化逐步比对日内曲线和日前计划完全脱节缺少偏差惩罚项或权重为0检查目标函数是否加入参考值偏差项储能同时充放电互斥约束未生效打印u_chu_dis序列确认每时点不超过1求解时间无法接受二次成本项未线性化或MILP规模过大对二次成本做分段线性逼近加大MIPGap结果与论文图差距大参数单位或基数没对齐检查MW/MWh、价格/成本系数量纲6.3 调试路线先简化再还原不要一上来就复现完整模型。我的调试习惯是先跑一个“降级版”把0-1变量全部去掉让储能自由充放、柴油机自由出力看看连续松弛后的问题能不能得到合理结果能的话再逐层加回0-1约束、启停约束、爬坡约束、偏差惩罚。每一步加约束后都跑一遍并对比结果变化。这样做的好处是出错时能精准定位到“是哪一组约束搞坏了模型”而不是在完整模型里面对几十条约束无从下手。另一个实用技巧是单独写一个小规模数值测试比如2个时段、1台柴油机、1个储能手算最优解然后看代码结果是否一致。这个测试用例跑通后再扩展到24时段、96时段。看似多花了半小时但能避免在复杂模型里反复试错。6.4 结果合理性判据如何确认代码跑对了当代码跑通后怎么判断结果真的合理我总结了四个经验判据储能SOC曲线应该有明显的周期性低谷时段充电上升高峰时段放电下降末端回到目标区间。如果SOC曲线是杂乱锯齿状多半是效率参数或约束写错。柴油机只在负荷峰值或光伏出力低的时段分配较高出力平时保持较低出力甚至停机。如果柴油机全天满发说明目标函数里燃料成本权重可能设错了。购电高峰期与高电价时段重合售电则正好相反。如果出现高电价时段大量购电要么是功率平衡需要要么是约束写错了。日内调度相对日前调度的调整量不会突变偏差惩罚的作用就是让日内曲线贴着日前计划走只有在预测偏差大的时段才会明显偏离。如果日内全天大幅偏离日前计划说明惩罚权重需要重新校准。6.5 关于“复现”本身的一点看法复现SCI论文和做自己的优化研究是两回事。复现的难点不在求解器而在“把论文没写清楚的细节补全”。很多论文的附录里有详细的参数表但也有一部分细节藏在图表里需要靠观察图的曲线特征去反推约束设计比如从SOC曲线初末值判断终端约束的类型从柴油机出力阶梯判断爬坡约束的松紧。我的建议是拿到论文后先快速搭一个“最小闭环”即用最简单的约束跑通流程确认日前日内数据传递的路径没问题再逐步替换成论文里的复杂约束。这个闭环一旦通了后面所有的调试都有参照物心理压力也会小很多。等你把一套多时间尺度框架完整跑通后面换论文、换数据基本就是改参数和微调约束的工作量了。