1. 先说清楚微网储能优化到底难在哪微电网这个词这些年听得很多但真正上手做过能量管理系统EMS的人都知道难点不在设备选型不在通信组网而在“怎么把能量调度这件事做聪明”。光伏出力随风飘、负荷一天几个尖峰、峰谷电价又在那里明晃晃摆着储能系统夹在中间充也不是、放也不是。如果你只会写几条固定规则比如“光伏大于负荷就充电、电价峰时放电”那大概率会出现两种情况要么储能整天闲着要么电池用不了两年就衰减得没法看。我最早接触这类项目时某园区微网配了一套2兆瓦时的磷酸铁锂储能甲方给的诉求很直白让光伏尽量自用躲开高价电同时别把电池搞坏。听起来很合理但真到做策略的时候问题就来了——今天中午光伏大发可明天上午才是真正的电费高峰你是今天把电存满还是留着容量给明天如果只看当前时刻永远做不出这种跨时间的取舍。后来我把策略从“规则判断”换成“模型预测控制MPC”效果完全不一样储能利用率上去了电费账单也明显降下来了。这篇我就把自己做模型预测储能优化时的一些思路、公式、代码和踩坑记录摊开讲。适合的对象是正在做微网EMS、储能系统控制、或者想从固定策略转向优化控制的工程师也适合想搞清楚“预测控制到底怎么落地”的入门者。不用你有很强的优化理论底子但最好会一点Python和线性规划的基本概念。2. 为什么规则控制干不过模型预测2.1 储能调度的本质是一个“带约束的时序决策”把微网能量管理看成一个数学问题其实很清晰未来24小时里每个时刻我要决定储能充多少、放多少、电网买多少目标是电费最低同时要满足负载、电池容量、功率限制等一堆条件。这跟“今晚吃什么”不一样它不是一次性选择而是一连串互相影响的决策——今天晚上多充了10度电并不意味着明天就一定赚因为电池容量就那么大你可能因此装不下明天早上的便宜电。储能调度的核心矛盾就在这里它既是空间问题各个设备的功率怎么分配又是时间问题今天的选择会影响明天的收益。规则控制本质上是一堆“如果-那么”的映射它没有全局优化的能力只能按当前状态做局部反应。你写“电价大于1.2元就放电”但如果放电之后电价继续涨提前放完就是亏的如果一个小时内电价涨了三次固定阈值策略永远慢半拍。2.2 规则控制的具体痛点我在现场见过很多典型的规则策略也测过它们的实际效果问题基本集中在几个方面不具备预见性规则只看当前测量值对未来的光伏突变、负荷高峰没有预判。某天上午阴天规则判断“不充电”结果下午突然出太阳光伏大发电池容量是空的白白浪费了清洁电力。容易触发振荡阈值附近反复启停导致储能PCS频繁切换充放电状态。一次两次没问题一个小时内来回折腾十几次对设备寿命和并网电能质量都是打击。多目标冲突处理不了既要削峰填谷又要防电池过充还要响应需求响应信号这些目标经常打架。规则只能靠优先级强行排序结果要么牺牲收益要么牺牲安全。参数调起来要命什么时段充、充多少、转换阈值设多少全部要靠经验拍脑袋。换一个季节、换一批负荷原来的参数又不好使了。2.3 模型预测控制为什么对路模型预测控制的核心就八个字模型预测、滚动优化。每一轮控制周期到来时我先基于预测模型算出一个未来N步的最优充放电计划但只执行第一步等到下一个周期再根据最新的实测数据重新预测、重新优化。这就像开车时边走边看地图而不是出发前把全程路线定死。这样做的好处是它天生具备前瞻性能看未来又能用实时反馈纠偏能抗预测误差。MPC也不是什么新东西工业过程控制里用了好几十年但过去没在微网里普及主要原因是算力和求解器不方便现在这些问题都解决了。3. 储能优化MPC的核心设计思路3.1 第一步把微网设备模型写清楚做MPC先得有模型。微网里最常见的几个设备光伏、储能电池、PCS变流器、负荷外加一个和外部电网连接的关口计量点。设备模型不需要特别精细但关键物理关系必须准确。储能的核心是电池电量SOC递推关系。离散化之后可以写成E(k1) E(k) - P_bat(k) * dt * eta_d - P_bat(k) * dt / eta_c充放电分情况实际建模时我喜欢用互补拆分的办法把充电功率和放电功率拆成两个非负变量再加一个互斥约束这样避免出现“既充又放”这种数学上可行、工程上荒谬的解。电池的功率上下限、SOC上下限也要写成约束。光伏在MPC里通常当成一个负的负荷或者说一个给定的功率注入序列。每个时刻光伏功率是预测值不需要建模成决策变量除非你还要做降功率控制。负荷同样处理成已知量作为功率平衡方程右侧的常数项。功率平衡是整条约束链的锚点P_grid(k) P_pv(k) P_bat_dis(k) P_load(k) P_bat_ch(k)3.2 第二步目标函数怎么定目标函数非常关键直接决定优化的方向。最常见的目标是最小化运行成本J sum( price(k) * P_grid(k) * dt ) battery_penalty价格是外部的分时电价或者需量电价如果按需量计费目标里还要加入“月最大需量”这一项比如把max(P_grid)变成一个线性近似的松弛变量或者用一个软约束把它压住。这部分我建议的简化做法是分成电能量费用和需量超标惩罚两项用权重系数去平衡。电池损耗项要不要加我个人的建议是加但不要加得太重。用一个与充放电功率绝对值成正比的损耗惩罚或者用一个简单的吞吐量惩罚可以防止MPC为了省电费让电池疯狂调度。注意惩罚系数过大会让储能干脆不动过小又会让电池过度磨损这个系数只能靠仿真和现场试验来定。3.3 第三步约束条件逐条列干净约束条件我习惯逐条检查每少一条将来现场就要出一次问题。最常见的几类约束电池SOC上下限一般取10%~90%防止过充过放。电池功率上下限由PCS容量和电池倍率决定。功率平衡等式不下等于电网功率可能无限大直接失去优化意义。关口功率限制这是很多微网并网验收的硬性指标可以用不等式约束加上限。充放电互斥防止出现同时充放的情况。有些朋友一开始把约束写得太宽松比如忘了加SOC末端约束结果求解器给出一个极端方案前半夜拼命放电到最后一个时刻正好放完看起来电费最低但第二天早上电池是空的完全没法用。所以我在优化里一定会加末端约束每个优化周期的最后一步SOC要回到一个合理范围或者至少不低于设定值。这样前后周期才能衔接起来。4. 预测部分怎么做光伏、负荷、电价的实战处理4.1 光伏出力预测数值天气预报加相似日修正MPC算得再好预测不准也是白搭。光伏预测的误差来源主要就是云层变化和温度晴天模型很简单难的是多云天光照曲线毛刺特别多预测值和实际值能差40%以上。我目前在工程上常用的做法是“三层结合”第一层用数值天气预报的辐照度数据做基准折算到光伏阵列倾角下的有效辐照第二层用过去两周的历史出力数据训练一个简单的机器学习模型比如随机森林或者轻量梯度提升树把辐照、温度、湿度、时刻都作为特征第三层加一个实时修正模块用上一小时的实测出力PV测对当前时段的预测值做残差补偿。pred_pv(k) clamp( model_output(k) alpha * (last_measured - last_predicted), 0, P_pv_cap )这个修正系数alpha是一个经验值我一般取0.3~0.5调得太大会跟着噪声抖太小又起不到纠偏作用。4.2 负荷预测工作日和休息日必须分开园区负荷一般有很强的周期性。工作日白天八九点开始爬坡中午一个峰值下午又一个峰值晚上回落休息日负荷低得多。如果只用同一个模型误差很难看。所以我在做负荷预测的时候第一步不是建模而是先把历史负荷按“工作日/休息日/节假日”分桶每个桶里再分别做预测。特征方面时刻、星期几、前三个时刻的实测负荷、温度这几个就够用了。有个容易被忽略的点负荷预测也需要“滚动修正”但和光伏不同负荷修正不要用线性残差因为滞后性太强我更喜欢用最近一小时的平均误差来做慢速修正效果平滑不少。4.3 电价序列直接从市场化交易平台对接如果微网参与的是分时电价那电价序列可以直接从市场化平台接口拿到这没什么好预测的。但如果电价是实时的、波动很大的现货价格就得上电价的短期预测常见的有自回归模型、向量自回归或者时序神经网络特征里可以加前几天的同一时刻价差。有个工程技巧把电价预测的结果转成“相对电价”也就是每个时刻电价除以全天平均电价然后用到目标函数里。这样做的好处是即便预测的整体水平有系统性偏差优化结果依然偏向于在相对低价的时段充电、高价的时段放电鲁棒性好很多。5. 滚动优化的求解落地从理论到能跑的代码5.1 求解器选型不一定要上重型武器很多初学者一上来就想用复杂的非线性求解器其实储能MPC绝大多数情况下是线性规划或者混合整数线性规划完全可以用开源工具求解。我自己的习惯是先把问题线性化再用一个轻量级的求解器跑。只有在考虑了PCS效率随功率非线性变化、或者要做电池寿命非线性建模时才考虑换成非线性求解器。工程上用下来Gurobi和Cplex自然是性能标杆但开源方案也完全够用。我个人比较推荐用Python的CVXPY建模后端可以无缝换求解器调试起来非常方便。下面是简化的储能MPC优化代码可以跑通一个基础版本import cvxpy as cp import numpy as np T 24 dt 1.0 E_max 100.0 # 电池容量 kWh P_bat_max 30.0 # 功率上限 kW etas 0.95 # 充电效率 etad 0.95 # 放电效率 E0 50.0 E_end_min 40.0 # 预测序列来自预测模块 pv_pred np.array([...]) # 24小时光伏功率预测 load_pred np.array([...]) # 24小时负荷功率预测 price np.array([...]) # 24小时电价 # 决策变量 p_grid cp.Variable(T) p_ch cp.Variable(T, nonnegTrue) p_dis cp.Variable(T, nonnegTrue) e_bat cp.Variable(T) constraints [] # 功率平衡 for k in range(T): constraints.append(p_grid[k] pv_pred[k] p_dis[k] load_pred[k] p_ch[k]) # 电池SOC递推 for k in range(T-1): constraints.append(e_bat[k1] e_bat[k] - p_dis[k]*dt/etad p_ch[k]*dt*etas) constraints.append(e_bat[0] E0) constraints.append(e_bat[T-1] E_end_min) # SOC上下限 constraints.append(e_bat 10.0) constraints.append(e_bat E_max) # 功率上下限 constraints.append(p_ch P_bat_max) constraints.append(p_dis P_bat_max) # 充放电互斥 M P_bat_max * 10 u cp.Variable(T, booleanTrue) constraints.append(p_ch M * (1 - u)) constraints.append(p_dis M * u) # 目标最小化购电费用加轻微的电池损耗惩罚 objective cp.Minimize(cp.sum(price * p_grid * dt) 0.01 * cp.sum(p_ch p_dis)) prob cp.Problem(objective, constraints) prob.solve(solvercp.SCIPY)这里需要注意充放电互斥用了大M法和二进制变量求解速度会比纯线性规划慢一点但安全系数高很多。如果不加互斥约束有时候优化结果里会出现同时充电又放电的情况虽然功率平衡等式依然成立但能源白白浪费了目标函数值也比真实可执行方案更低。5.2 控制周期怎么选5分钟还是1小时控制周期和预测周期是两回事。预测周期一般取15分钟到1小时控制周期也就是滚动优化的触发频率建议比预测周期短。我常用的组合是预测步长15分钟预测范围24小时每5分钟触发一次重新预测和重新优化。这样做的好处是5分钟内如果光伏突然被云遮了系统能快速反应不用白白等满15分钟。不过触发频率越高计算压力越大。如果一个预测范围是96步15分钟×24小时加上二进制变量CVXPY每次求解一般要几百毫秒到几秒完全够用。但如果整个微网里的储能系统有几十台PCS变量数量会暴涨这时候建议把多个储能聚合成一个等效储能模型来优化算完再做功率分配速度能提升好几个量级。5.3 与EMS系统的集成方式MPC算法本身不是终点部署到现场时最核心的是数据链路。我见过太多算法在仿真里分数漂亮一到现场数据不对齐就崩溃。最常见的三个坑数据时标不对齐光伏功率、负荷、SOC来自不同采集终端各自有几十秒到几分钟的延迟。你在做预测和优化前必须把所有数据统一重采样到一个时间序列上不然预测模块拿到的输入是错位的优化结果必然跑偏。控制指令闭环MPC算出来的计划要下发到PCS但执行机构不一定能精确跟踪。比如你下发30千瓦充电指令实际PCS只执行了27千瓦如果优化模块不读取实际值来更新状态误差就会不断累积。所以每次优化开始前必须先同步一次真实的SOC和功率状态。安全约束需要双重保险MPC算出的极限值不能直接当成控制指令发给设备。因为数模一定存在误差比如电池SOC中间点预测不准、通信掉线导致指令没执行这些情况一旦发生极限指令就可能把设备推向危险边界。更稳妥的做法是MPC计算出一个“目标值”然后现场PLC再根据硬保护逻辑对目标值做限幅校验两层保险。6. 常见问题排查与参数调优速查6.1 问题一优化结果一直逼着电池放电SOC很快就见底了这个百试百灵十有八九是目标函数和末端约束没配合好。检查两个地方第一目标函数里电价有没有取对方向如果电价序列符号反了优化会专门挑贵的时候放电第二末端约束是否在任何时刻都存在。如果你只在每天的最后一个周期约束SOC20%那从最后一天倒数第二个周期开始优化就会觉得“反正明天要清零现在赶紧放完”造成一整晚SOC趴在底线上。我现在的做法是让末端约束跟随时间移动每一轮优化都要求最后一个时刻的SOC不小于当前时刻SOC减去一个允许的下降幅度这样就天然限制了“自杀式放电”。6.2 问题二求解时间太长控制周期内算不完这种情况通常出现在把预测范围拉太长、步长太短的时候。96步加二进制变量求解时间可能到了几秒以上。如果控制周期是5分钟还好如果是1分钟就危险了。我的排查顺序是先看看是不是二进制变量太多。如果不是必须要严格避免同时充放可以把互斥约束去掉转成纯LP问题求解速度能提升十倍以上。还有一个技巧是分时段方案前4小时用细粒度步长后20小时用粗粒度步长把问题规模压下来效果几乎不变。6.3 问题三预测误差一大储能实际收益还不如规则控制这是个“千万别以为模型万能”的教训。MPC的竞争力建立在预测质量之上如果预测误差太大滚动优化再做得好也没用。解决思路有两个方向一是提高预测精度二是提高策略鲁棒性。鲁棒性方面我比较常用的是“场景法”做优化时不只用一个确定性预测而是同时生成三个场景——乐观场景、基准场景、悲观场景。目标函数取三个场景下的加权总成本权重可以按历史误差分布来设定。这样做会让优化结果偏向于“不管哪种情况都不太差”的方案牺牲一点最乐观收益但换了整体上的稳定性。实测中这类鲁棒化处理让现场月度电费账单波动小了很多。6.4 一个实际项目的数据对比我在某园区的2兆瓦时光伏配储项目上做过一组对比测试连续跑了一个月。规则策略用的是峰谷分时充放电MPC用的是一天24小时预测、每5分钟滚动优化。对比结果大概是这样的指标固定规则策略MPC策略月度电费节省1.2万元1.9万元储能等效循环次数1.9次/天2.4次/天光伏自发自用率78%86%计划外充放电切换次数每日平均5次每日平均0.8次电费节省将近60%的提升自用率也上去了关键是充放电切换次数大幅下降这对设备寿命是一个很大的加分项。甲方看重的是钱和电池寿命工程师看重的是系统稳定这组数据两者都照顾到了。7. 调试和部署过程中的一些个人经验7.1 仿真闭环与现场闭环是两个世界我再强调一次代码跑通和现场稳定运行是两回事强烈建议先在纯软件环境里做三件事数据回放测试、故障注入测试、指令跟踪误差测试。回放测试就是把历史数据重新喂给MPC看它算出的方案和当时的实际方案对比能快速暴露模型写错的地方。故障注入测试就是模拟通信中断、光伏骤降、负荷跳变这些异常看MPC会不会算出离谱的功率指令。指令跟踪误差测试是看PCS实际功率相比指令偏差多大再根据偏差修正模型里的设备参数。7.2 参数不能一套用到黑不同季节的光照、负荷、电价特征差异非常大。我建议把MPC的权重参数分成两套配置一套是春秋过渡季用的光伏温和、负荷平稳另一套是夏冬紧张季用的光伏波动大、峰谷差大。换季的时候不是改代码而是把配置文件切换一下这样既不打断运行又能适应新的环境。7.3 别忘了记录每一轮优化结果有时候现场运行出问题你想复盘都无从下手。因此我强烈建议MPC每次优化完成后把预测序列、优化结果、实际执行结果三份数据落到本地数据库或者文件中。等出了偏差直接对比这三份数据很快就能定位是预测错了、优化约束没写对还是执行机构出了问题。这一步看着不起眼但真的能帮你少加几个星期的班。微网储能优化没有唯一的标准答案模型预测算法也不是包治百病的万能药。但经过这两年的项目实践我个人的体会是它确实是目前工程落地中性价比最高、最能把储能“用起来”的方案。比起一上来就想堆深度学习、堆强化学习还是先把MPC这套滚动优化的基本功做扎实更实在。希望这篇文章里的思路和踩坑记录能帮你少走一些弯路。 
长河君 · 2026/10/19 18:09:00 · 阅读 1.2k 模型预测控制（MPC）在微网储能优化调度中的工程实践
1. 先说清楚微网储能优化到底难在哪微电网这个词这些年听得很多但真正上手做过能量管理系统EMS的人都知道难点不在设备选型不在通信组网而在“怎么把能量调度这件事做聪明”。光伏出力随风飘、负荷一天几个尖峰、峰谷电价又在那里明晃晃摆着储能系统夹在中间充也不是、放也不是。如果你只会写几条固定规则比如“光伏大于负荷就充电、电价峰时放电”那大概率会出现两种情况要么储能整天闲着要么电池用不了两年就衰减得没法看。我最早接触这类项目时某园区微网配了一套2兆瓦时的磷酸铁锂储能甲方给的诉求很直白让光伏尽量自用躲开高价电同时别把电池搞坏。听起来很合理但真到做策略的时候问题就来了——今天中午光伏大发可明天上午才是真正的电费高峰你是今天把电存满还是留着容量给明天如果只看当前时刻永远做不出这种跨时间的取舍。后来我把策略从“规则判断”换成“模型预测控制MPC”效果完全不一样储能利用率上去了电费账单也明显降下来了。这篇我就把自己做模型预测储能优化时的一些思路、公式、代码和踩坑记录摊开讲。适合的对象是正在做微网EMS、储能系统控制、或者想从固定策略转向优化控制的工程师也适合想搞清楚“预测控制到底怎么落地”的入门者。不用你有很强的优化理论底子但最好会一点Python和线性规划的基本概念。2. 为什么规则控制干不过模型预测2.1 储能调度的本质是一个“带约束的时序决策”把微网能量管理看成一个数学问题其实很清晰未来24小时里每个时刻我要决定储能充多少、放多少、电网买多少目标是电费最低同时要满足负载、电池容量、功率限制等一堆条件。这跟“今晚吃什么”不一样它不是一次性选择而是一连串互相影响的决策——今天晚上多充了10度电并不意味着明天就一定赚因为电池容量就那么大你可能因此装不下明天早上的便宜电。储能调度的核心矛盾就在这里它既是空间问题各个设备的功率怎么分配又是时间问题今天的选择会影响明天的收益。规则控制本质上是一堆“如果-那么”的映射它没有全局优化的能力只能按当前状态做局部反应。你写“电价大于1.2元就放电”但如果放电之后电价继续涨提前放完就是亏的如果一个小时内电价涨了三次固定阈值策略永远慢半拍。2.2 规则控制的具体痛点我在现场见过很多典型的规则策略也测过它们的实际效果问题基本集中在几个方面不具备预见性规则只看当前测量值对未来的光伏突变、负荷高峰没有预判。某天上午阴天规则判断“不充电”结果下午突然出太阳光伏大发电池容量是空的白白浪费了清洁电力。容易触发振荡阈值附近反复启停导致储能PCS频繁切换充放电状态。一次两次没问题一个小时内来回折腾十几次对设备寿命和并网电能质量都是打击。多目标冲突处理不了既要削峰填谷又要防电池过充还要响应需求响应信号这些目标经常打架。规则只能靠优先级强行排序结果要么牺牲收益要么牺牲安全。参数调起来要命什么时段充、充多少、转换阈值设多少全部要靠经验拍脑袋。换一个季节、换一批负荷原来的参数又不好使了。2.3 模型预测控制为什么对路模型预测控制的核心就八个字模型预测、滚动优化。每一轮控制周期到来时我先基于预测模型算出一个未来N步的最优充放电计划但只执行第一步等到下一个周期再根据最新的实测数据重新预测、重新优化。这就像开车时边走边看地图而不是出发前把全程路线定死。这样做的好处是它天生具备前瞻性能看未来又能用实时反馈纠偏能抗预测误差。MPC也不是什么新东西工业过程控制里用了好几十年但过去没在微网里普及主要原因是算力和求解器不方便现在这些问题都解决了。3. 储能优化MPC的核心设计思路3.1 第一步把微网设备模型写清楚做MPC先得有模型。微网里最常见的几个设备光伏、储能电池、PCS变流器、负荷外加一个和外部电网连接的关口计量点。设备模型不需要特别精细但关键物理关系必须准确。储能的核心是电池电量SOC递推关系。离散化之后可以写成E(k1) E(k) - P_bat(k) * dt * eta_d - P_bat(k) * dt / eta_c充放电分情况实际建模时我喜欢用互补拆分的办法把充电功率和放电功率拆成两个非负变量再加一个互斥约束这样避免出现“既充又放”这种数学上可行、工程上荒谬的解。电池的功率上下限、SOC上下限也要写成约束。光伏在MPC里通常当成一个负的负荷或者说一个给定的功率注入序列。每个时刻光伏功率是预测值不需要建模成决策变量除非你还要做降功率控制。负荷同样处理成已知量作为功率平衡方程右侧的常数项。功率平衡是整条约束链的锚点P_grid(k) P_pv(k) P_bat_dis(k) P_load(k) P_bat_ch(k)3.2 第二步目标函数怎么定目标函数非常关键直接决定优化的方向。最常见的目标是最小化运行成本J sum( price(k) * P_grid(k) * dt ) battery_penalty价格是外部的分时电价或者需量电价如果按需量计费目标里还要加入“月最大需量”这一项比如把max(P_grid)变成一个线性近似的松弛变量或者用一个软约束把它压住。这部分我建议的简化做法是分成电能量费用和需量超标惩罚两项用权重系数去平衡。电池损耗项要不要加我个人的建议是加但不要加得太重。用一个与充放电功率绝对值成正比的损耗惩罚或者用一个简单的吞吐量惩罚可以防止MPC为了省电费让电池疯狂调度。注意惩罚系数过大会让储能干脆不动过小又会让电池过度磨损这个系数只能靠仿真和现场试验来定。3.3 第三步约束条件逐条列干净约束条件我习惯逐条检查每少一条将来现场就要出一次问题。最常见的几类约束电池SOC上下限一般取10%~90%防止过充过放。电池功率上下限由PCS容量和电池倍率决定。功率平衡等式不下等于电网功率可能无限大直接失去优化意义。关口功率限制这是很多微网并网验收的硬性指标可以用不等式约束加上限。充放电互斥防止出现同时充放的情况。有些朋友一开始把约束写得太宽松比如忘了加SOC末端约束结果求解器给出一个极端方案前半夜拼命放电到最后一个时刻正好放完看起来电费最低但第二天早上电池是空的完全没法用。所以我在优化里一定会加末端约束每个优化周期的最后一步SOC要回到一个合理范围或者至少不低于设定值。这样前后周期才能衔接起来。4. 预测部分怎么做光伏、负荷、电价的实战处理4.1 光伏出力预测数值天气预报加相似日修正MPC算得再好预测不准也是白搭。光伏预测的误差来源主要就是云层变化和温度晴天模型很简单难的是多云天光照曲线毛刺特别多预测值和实际值能差40%以上。我目前在工程上常用的做法是“三层结合”第一层用数值天气预报的辐照度数据做基准折算到光伏阵列倾角下的有效辐照第二层用过去两周的历史出力数据训练一个简单的机器学习模型比如随机森林或者轻量梯度提升树把辐照、温度、湿度、时刻都作为特征第三层加一个实时修正模块用上一小时的实测出力PV测对当前时段的预测值做残差补偿。pred_pv(k) clamp( model_output(k) alpha * (last_measured - last_predicted), 0, P_pv_cap )这个修正系数alpha是一个经验值我一般取0.3~0.5调得太大会跟着噪声抖太小又起不到纠偏作用。4.2 负荷预测工作日和休息日必须分开园区负荷一般有很强的周期性。工作日白天八九点开始爬坡中午一个峰值下午又一个峰值晚上回落休息日负荷低得多。如果只用同一个模型误差很难看。所以我在做负荷预测的时候第一步不是建模而是先把历史负荷按“工作日/休息日/节假日”分桶每个桶里再分别做预测。特征方面时刻、星期几、前三个时刻的实测负荷、温度这几个就够用了。有个容易被忽略的点负荷预测也需要“滚动修正”但和光伏不同负荷修正不要用线性残差因为滞后性太强我更喜欢用最近一小时的平均误差来做慢速修正效果平滑不少。4.3 电价序列直接从市场化交易平台对接如果微网参与的是分时电价那电价序列可以直接从市场化平台接口拿到这没什么好预测的。但如果电价是实时的、波动很大的现货价格就得上电价的短期预测常见的有自回归模型、向量自回归或者时序神经网络特征里可以加前几天的同一时刻价差。有个工程技巧把电价预测的结果转成“相对电价”也就是每个时刻电价除以全天平均电价然后用到目标函数里。这样做的好处是即便预测的整体水平有系统性偏差优化结果依然偏向于在相对低价的时段充电、高价的时段放电鲁棒性好很多。5. 滚动优化的求解落地从理论到能跑的代码5.1 求解器选型不一定要上重型武器很多初学者一上来就想用复杂的非线性求解器其实储能MPC绝大多数情况下是线性规划或者混合整数线性规划完全可以用开源工具求解。我自己的习惯是先把问题线性化再用一个轻量级的求解器跑。只有在考虑了PCS效率随功率非线性变化、或者要做电池寿命非线性建模时才考虑换成非线性求解器。工程上用下来Gurobi和Cplex自然是性能标杆但开源方案也完全够用。我个人比较推荐用Python的CVXPY建模后端可以无缝换求解器调试起来非常方便。下面是简化的储能MPC优化代码可以跑通一个基础版本import cvxpy as cp import numpy as np T 24 dt 1.0 E_max 100.0 # 电池容量 kWh P_bat_max 30.0 # 功率上限 kW etas 0.95 # 充电效率 etad 0.95 # 放电效率 E0 50.0 E_end_min 40.0 # 预测序列来自预测模块 pv_pred np.array([...]) # 24小时光伏功率预测 load_pred np.array([...]) # 24小时负荷功率预测 price np.array([...]) # 24小时电价 # 决策变量 p_grid cp.Variable(T) p_ch cp.Variable(T, nonnegTrue) p_dis cp.Variable(T, nonnegTrue) e_bat cp.Variable(T) constraints [] # 功率平衡 for k in range(T): constraints.append(p_grid[k] pv_pred[k] p_dis[k] load_pred[k] p_ch[k]) # 电池SOC递推 for k in range(T-1): constraints.append(e_bat[k1] e_bat[k] - p_dis[k]*dt/etad p_ch[k]*dt*etas) constraints.append(e_bat[0] E0) constraints.append(e_bat[T-1] E_end_min) # SOC上下限 constraints.append(e_bat 10.0) constraints.append(e_bat E_max) # 功率上下限 constraints.append(p_ch P_bat_max) constraints.append(p_dis P_bat_max) # 充放电互斥 M P_bat_max * 10 u cp.Variable(T, booleanTrue) constraints.append(p_ch M * (1 - u)) constraints.append(p_dis M * u) # 目标最小化购电费用加轻微的电池损耗惩罚 objective cp.Minimize(cp.sum(price * p_grid * dt) 0.01 * cp.sum(p_ch p_dis)) prob cp.Problem(objective, constraints) prob.solve(solvercp.SCIPY)这里需要注意充放电互斥用了大M法和二进制变量求解速度会比纯线性规划慢一点但安全系数高很多。如果不加互斥约束有时候优化结果里会出现同时充电又放电的情况虽然功率平衡等式依然成立但能源白白浪费了目标函数值也比真实可执行方案更低。5.2 控制周期怎么选5分钟还是1小时控制周期和预测周期是两回事。预测周期一般取15分钟到1小时控制周期也就是滚动优化的触发频率建议比预测周期短。我常用的组合是预测步长15分钟预测范围24小时每5分钟触发一次重新预测和重新优化。这样做的好处是5分钟内如果光伏突然被云遮了系统能快速反应不用白白等满15分钟。不过触发频率越高计算压力越大。如果一个预测范围是96步15分钟×24小时加上二进制变量CVXPY每次求解一般要几百毫秒到几秒完全够用。但如果整个微网里的储能系统有几十台PCS变量数量会暴涨这时候建议把多个储能聚合成一个等效储能模型来优化算完再做功率分配速度能提升好几个量级。5.3 与EMS系统的集成方式MPC算法本身不是终点部署到现场时最核心的是数据链路。我见过太多算法在仿真里分数漂亮一到现场数据不对齐就崩溃。最常见的三个坑数据时标不对齐光伏功率、负荷、SOC来自不同采集终端各自有几十秒到几分钟的延迟。你在做预测和优化前必须把所有数据统一重采样到一个时间序列上不然预测模块拿到的输入是错位的优化结果必然跑偏。控制指令闭环MPC算出来的计划要下发到PCS但执行机构不一定能精确跟踪。比如你下发30千瓦充电指令实际PCS只执行了27千瓦如果优化模块不读取实际值来更新状态误差就会不断累积。所以每次优化开始前必须先同步一次真实的SOC和功率状态。安全约束需要双重保险MPC算出的极限值不能直接当成控制指令发给设备。因为数模一定存在误差比如电池SOC中间点预测不准、通信掉线导致指令没执行这些情况一旦发生极限指令就可能把设备推向危险边界。更稳妥的做法是MPC计算出一个“目标值”然后现场PLC再根据硬保护逻辑对目标值做限幅校验两层保险。6. 常见问题排查与参数调优速查6.1 问题一优化结果一直逼着电池放电SOC很快就见底了这个百试百灵十有八九是目标函数和末端约束没配合好。检查两个地方第一目标函数里电价有没有取对方向如果电价序列符号反了优化会专门挑贵的时候放电第二末端约束是否在任何时刻都存在。如果你只在每天的最后一个周期约束SOC20%那从最后一天倒数第二个周期开始优化就会觉得“反正明天要清零现在赶紧放完”造成一整晚SOC趴在底线上。我现在的做法是让末端约束跟随时间移动每一轮优化都要求最后一个时刻的SOC不小于当前时刻SOC减去一个允许的下降幅度这样就天然限制了“自杀式放电”。6.2 问题二求解时间太长控制周期内算不完这种情况通常出现在把预测范围拉太长、步长太短的时候。96步加二进制变量求解时间可能到了几秒以上。如果控制周期是5分钟还好如果是1分钟就危险了。我的排查顺序是先看看是不是二进制变量太多。如果不是必须要严格避免同时充放可以把互斥约束去掉转成纯LP问题求解速度能提升十倍以上。还有一个技巧是分时段方案前4小时用细粒度步长后20小时用粗粒度步长把问题规模压下来效果几乎不变。6.3 问题三预测误差一大储能实际收益还不如规则控制这是个“千万别以为模型万能”的教训。MPC的竞争力建立在预测质量之上如果预测误差太大滚动优化再做得好也没用。解决思路有两个方向一是提高预测精度二是提高策略鲁棒性。鲁棒性方面我比较常用的是“场景法”做优化时不只用一个确定性预测而是同时生成三个场景——乐观场景、基准场景、悲观场景。目标函数取三个场景下的加权总成本权重可以按历史误差分布来设定。这样做会让优化结果偏向于“不管哪种情况都不太差”的方案牺牲一点最乐观收益但换了整体上的稳定性。实测中这类鲁棒化处理让现场月度电费账单波动小了很多。6.4 一个实际项目的数据对比我在某园区的2兆瓦时光伏配储项目上做过一组对比测试连续跑了一个月。规则策略用的是峰谷分时充放电MPC用的是一天24小时预测、每5分钟滚动优化。对比结果大概是这样的指标固定规则策略MPC策略月度电费节省1.2万元1.9万元储能等效循环次数1.9次/天2.4次/天光伏自发自用率78%86%计划外充放电切换次数每日平均5次每日平均0.8次电费节省将近60%的提升自用率也上去了关键是充放电切换次数大幅下降这对设备寿命是一个很大的加分项。甲方看重的是钱和电池寿命工程师看重的是系统稳定这组数据两者都照顾到了。7. 调试和部署过程中的一些个人经验7.1 仿真闭环与现场闭环是两个世界我再强调一次代码跑通和现场稳定运行是两回事强烈建议先在纯软件环境里做三件事数据回放测试、故障注入测试、指令跟踪误差测试。回放测试就是把历史数据重新喂给MPC看它算出的方案和当时的实际方案对比能快速暴露模型写错的地方。故障注入测试就是模拟通信中断、光伏骤降、负荷跳变这些异常看MPC会不会算出离谱的功率指令。指令跟踪误差测试是看PCS实际功率相比指令偏差多大再根据偏差修正模型里的设备参数。7.2 参数不能一套用到黑不同季节的光照、负荷、电价特征差异非常大。我建议把MPC的权重参数分成两套配置一套是春秋过渡季用的光伏温和、负荷平稳另一套是夏冬紧张季用的光伏波动大、峰谷差大。换季的时候不是改代码而是把配置文件切换一下这样既不打断运行又能适应新的环境。7.3 别忘了记录每一轮优化结果有时候现场运行出问题你想复盘都无从下手。因此我强烈建议MPC每次优化完成后把预测序列、优化结果、实际执行结果三份数据落到本地数据库或者文件中。等出了偏差直接对比这三份数据很快就能定位是预测错了、优化约束没写对还是执行机构出了问题。这一步看着不起眼但真的能帮你少加几个星期的班。微网储能优化没有唯一的标准答案模型预测算法也不是包治百病的万能药。但经过这两年的项目实践我个人的体会是它确实是目前工程落地中性价比最高、最能把储能“用起来”的方案。比起一上来就想堆深度学习、堆强化学习还是先把MPC这套滚动优化的基本功做扎实更实在。希望这篇文章里的思路和踩坑记录能帮你少走一些弯路。