刚接到这个课题时我在“考虑特性分布”这几个字上卡了整整两周。储能电站接入电网后的多时间尺度源储荷协调调度单看名字容易误以为难点在“协调”二字真正动手用Matlab建模才发现风电、光伏出力的随机分布和负荷预测误差一旦进入优化模型储能SOC的跨时段耦合会被瞬间放大约束数量成倍增长目标函数也从确定性优化变成随机期望优化。这篇文章不讲泛泛的原理直接把一套我完整跑通的方案拆开特性分布怎么建模、日前-日内-实时三层框架怎么接力、YalmipCplex代码怎么组织、以及实测中踩过的几个坑。如果你正在做储能调度、新能源消纳或者微电网能量管理的Matlab仿真这篇应该能帮你省掉至少两周的试错时间。1. 储能电站接入后的调度难点为什么“特性分布”这四个字决定了成败先把问题定性。一个不含储能的传统电网调度本质是“发电跟踪负荷”火电按预测负荷曲线安排出力额外留一点旋转备用就够了。但储能电站接入后事情变了——储能既能充电又能放电它可以在负荷低谷时吸收电能在负荷高峰时释放电能这相当于给电网增加了一个可跨时段转移能量的调节资源。听起来是好事可一旦把风电、光伏和负荷的随机特性放进来这个资源反而成了建模里最容易出错的环节。1.1 储能的能量型时域耦合与常规机组有本质区别火电机组是功率型资源约束是出力上下限和爬坡速率某一时段选择了出力对下一时段的影响仅仅是爬坡限制。储能是能量型资源SOC(t1)由SOC(t)和充放电功率共同决定早上的充电决策会直接限制傍晚的放电空间。我在构建模型时最开始把储能当成“出力可调范围很大的电源”处理结果24小时算出来的计划里储能经常在连续几个时段内来回充放。从数学上看如果储能不约束充放电切换次数优化器确实会利用这种“免费搬运”来降低火电启停成本而实际运行中这种频繁往复充放会显著加速电池老化也让调度指令变得不可执行。所以储能建模的第一个要点是必须保留SOC递推约束和充放电互斥约束而不是简单设置功率上下限。SOC递推公式写成E(t1) E(t) η_c · P_c(t) · Δt - P_d(t) / η_d · Δt其中P_c为充电功率P_d为放电功率η_c和η_d分别为充放电效率。注意充电要乘效率、放电要除效率这个方向搞反会让SOC凭空增殖算出来的计划在现实中完全对不上。1.2 源、储、荷三类主体有完全不同的时间常数风电、光伏、负荷、储能和火电各自的响应速度不在一个量级。风电光伏出力由天气决定分钟级甚至秒级波动负荷是工商业和居民用电的叠加小时级趋势明显分钟级仍有随机波动储能响应速度最快毫秒到分钟级都能接受火电则受制于锅炉和汽轮机热惯性爬坡速率有限启停更是以小时计。协调调度真正要做的是让不同时间常数的资源各司其职火电提前一天安排启停和基荷出力日内用储能和风电光伏的滚动修正来消除预测偏差实时再用储能的快速响应和AGC机组的调节能力兜住最后的高频波动。如果把所有决策都塞进同一个时间尺度里做要么求解规模爆炸要么生成的计划在物理上根本无法执行。1.3 单时间尺度调度为什么必然顾此失彼我做过一组对比实验只用日前24小时优化把预测值当作确定输入结果在真实波动场景下火电爬坡经常跟不上储能SOC被顶到上限后无电可放。反过来如果只做实时滚动优化虽然能跟踪当前状态但火电启停这种大决策没有前瞻性负荷尖峰来临时只能眼睁睁看着储能出力超限。单一时间尺度的本质问题是预测误差的尺度差异。24小时前瞻的风电预测误差可以到20%以上4小时前瞻的误差可能降到8%5分钟前瞻的误差已经很小。一个调度策略必须分层处理这些误差——大尺度误差用慢速资源在长周期内安排小尺度误差用快速资源在短周期内平抑。这就是多时间尺度协调存在的基本逻辑。2. 不确定性进模型场景生成、场景削减与储能约束的线性化写法这一章是“考虑特性分布”落地的关键。模型要处理不确定性最常见也最容易实现的方式是场景法用一组带概率权重的典型场景代表不确定性分布然后把随机优化写成期望形式。2.1 风电、光伏、负荷的概率特性怎么给参数风电出力的根源是风速工程上风速通常用双参数Weibull分布描述f(v) (k/c)·(v/c)^(k-1)·e^(-(v/c)^k)k是形状参数控制分布形态c是尺度参数控制风速均值。我用的典型参数是k2.0、c8.5这对应平均风速约7.5m/s的某风电场地貌。有了风速场景后还要经过风机功率转换曲线得到出力风速低于切入风速或高于切出风速时出力为0风速在切入与额定之间时出力按三次方关系上升额定风速以上时出力钳位在额定功率。光伏出力主要受光照强度影响光照强度常用Beta分布描述。Beta分布的形状参数α和β可以用历史光照数据的均值和方差反推我这里取α2.1、β1.8对应一个多云偏阴的典型地区。光伏出力近似为光照强度乘以光电转换效率和面积。负荷预测误差则直接按正态分布处理均值为0标准差取预测峰值的3%到5%。实际操作中历史数据的统计拟合才是正路。我写了一个从历史风速序列估计Weibull参数的脚本用极大似然估计迭代求解比直接套典型参数靠谱得多。2.2 从蒙特卡洛采样到同步回代削减有了分布参数下一步生成场景。我生成1000条24小时的风电、光伏和负荷序列方法是对每个时段的分布独立采样。注意这里有个细节完全独立采样会让相邻时段出现剧烈跳变不符合天气过程的连续性。我用了一阶自回归模型对每个时段的均值做了平滑ξ(t) ρ·ξ(t-1) ε(t)ρ取0.85左右ε是独立随机扰动这样采出来的曲线更贴近真实气象过程。1000个场景直接进优化模型肯定算不动需要削减成少量典型场景。同步回代削减是最常用的方法思路是迭代删除对场景集合概率结构影响最小的场景把它合并到距离最近的场景上。我在Matlab里写了一个基于KD树加速的场景削减函数最终把1000个场景削减到10个每个场景带有归一化后的概率权重ρ_s。削减后必须检查权重之和是否等于1。这个看似简单的步骤实际跑代码时很容易因为浮点累加误差导致权重和为0.999999后面优化模型报不可行时排查了半天才发现是这里。2.3 储能约束的线性化与SOC递推储能建模的一个坑充放电功率如果用单一变量P_ess表示那么SOC递推里就需要判断P_ess的符号来区分是用η_c还是1/η_d这个判断是典型的非线性逻辑Yalmip不直接支持。正确做法是拆成两个非负变量P_c和P_dis再引入两个二进制变量u_c、u_dis表示充放电状态0 ≤ P_c(t) ≤ u_c(t) · P_max 0 ≤ P_dis(t) ≤ u_dis(t) · P_max u_c(t) u_dis(t) ≤ 1 P_ess(t) P_dis(t) - P_c(t)这样充放电互斥通过线性约束表达SOC递推也变成线性等式。我看到很多初学代码直接在约束里写if P_ess 0这在Yalmip里是致命的——Matlab的if判断发生在建模阶段而不是求解阶段模型根本不会根据解动态切换分支。2.4 目标函数与约束的期望形式场景法下的目标函数是所有场景的概率加权期望。我写的日前目标函数包含四部分min Σ_s ρ_s · [燃料成本 启停成本 弃风弃光惩罚 储能运维成本]燃料成本是火电出力的二次函数我在模型里做了分段线性化处理。弃风弃光惩罚是风电光伏可发而未发的功率乘以惩罚单价这个参数决定了优化器对新能源消纳的重视程度。储能运维成本按充放电功率的绝对值折算用来抑制无意义的往复充放。约束分为两类与场景无关的约束如火电最小启停时间、启停状态逻辑与场景相关的约束如功率平衡、火电出力上下限、储能SOC轨迹。每一类单独写清楚能大幅减少模型中的冗余变量。场景相关的变量比如储能SOC在代码里用二维变量SOC(t, s)表示t是时段s是场景编号。3. 三层时间尺度的接力日前定大局、日内纠偏差、实时兜波动多时间尺度协调不是一个模型管全部而是三个模型接力。我采用的框架是日前24小时、日内4小时滚动、实时5分钟滚动。3.1 三层的分辨率、预测域和执行周期怎么定三层的参数不是随意拍的背后是预测精度和计算代价的权衡。调度层前瞻时域时间分辨率执行周期主要决策对象预测误差水平日前24小时1小时每24小时滚动火电启停、储能日前计划15%-25%日内8小时15分钟每4小时滚动火电出力修正、储能充放电计划5%-10%实时8步即2小时5分钟每5分钟滚动储能出力指令、AGC调节1%-3%日前层选择1小时分辨率是因为火电启停和燃料成本计算不需要分钟级颗粒度且分辨率提高会让整数变量翻倍求解时间指数增长。日内层用15分钟分辨率是因为4小时前瞻内的预测精度已经显著提升15分钟足以捕捉负荷和风电的主要变化。实时层用5分钟分辨率专门处理准稳态下的功率偏差。执行周期也有讲究。日内层每4小时滚动一次是因为超短期气象预报通常4小时更新一轮如果更新太频繁同一时段的计划会被反复推翻反而引入振荡——这个问题在后面的坑里会详细说。3.2 层间传递变量与软约束引导三层模型不是孤立的层间的信息传递是协调的关键。日前层算完后传给日内层的不是孤立的数值而是三样东西火电启停状态u_g日内层直接锁定不再优化储能SOC参考轨迹作为软约束引导允许日内层在±5%范围内偏离联络线交换功率计划作为日内优化的基准值。SOC参考轨迹为什么要做成软约束而不是硬约束因为日前预测和日内最新预测存在偏差硬锁SOC会让日内层完全没有腾挪空间。我在日内模型中对SOC偏离参考轨迹设置了惩罚项偏离越大惩罚越高这样既保持了日前的经济性意向又给了日内层应对新信息的灵活性。实时层接收日内层下发的储能功率基线和可调节范围。实时层的MPC每次滚动只下发第一步指令但会携带完整的控制时域信息保证前后步指令平滑连续。3.3 滚动窗口里已执行时段的锁定这是滚动时域控制最核心的工程细节。每个滚动窗口启动时当前时刻之前已经执行过的时段决策变量必须固定为实际值否则优化器会把过去的时间段重新优化一遍产生指令回跳。我在Matlab里的实现方式是用变量T_current记录当前窗口起点约束里对t T_current的时段直接写硬等式比如固定储能功率等于上一个窗口下发并已执行的指令。曾经有一次我忘了做这个锁定日内层每一轮滚动都会推翻前一轮下发的储能指令现场调度员根本无法执行数据曲线看起来像锯齿一样来回跳。正确写法是在构建约束时判断索引for t 1:T_horizon if t T_current Constraints [Constraints, P_ess(1,t) P_ess_executed(t)]; else % 正常优化约束 end end这个逻辑简单但极其容易漏。3.4 预测误差逐级收窄的机理三层调度之所以有效本质是每一层只需要处理自己前瞻时域内的那部分误差。日前层看24小时面对20%的风电预测误差它的对策是安排足够的火电备用和储能余量日内层看8小时预测误差降到了8%它可以把日前预留的备用转化为更精确的出力修正实时层看5分钟预测误差已经很小它只负责把残余的秒级到分钟级波动平抑掉。这个层层收窄的结构让任何一层都不需要过度悲观地预留容量。如果只做日前调度为了应对20%的误差需要预留大量旋转备用经济性极差如果只做实时调度没有日前启停决策负荷尖峰时段火电根本来不及启动。4. Matlab落地Yalmip变量组织、求解器设置与代码架构模型写成数学式是一回事变成能跑出结果的Matlab代码是另一回事。这一章讲我的代码组织方式和几个关键实现细节。4.1 代码组织主程序、建模函数、求解模块的分工我的项目目录长这样dispatch/ ├─ main_day_ahead.m ├─ main_intraday.m ├─ main_realtime.m ├─ data_system.m ├─ gen_scenarios.m ├─ reduce_scenarios.m ├─ build_day_ahead_model.m ├─ build_intraday_model.m ├─ build_realtime_model.m ├─ solve_and_check.m ├─ save_results.m └─ plot_results.m主程序负责搭骨架加载数据、生成场景、调用建模函数、求解、存结果。建模函数只负责返回Constraints、Objective和解的信息不负责求解——这样三层可以共用同一套数据结构和变量命名调试时也能单独检验某一层的约束是否合理。4.2 场景相关变量与场景无关变量的关键区分这是Yalmip建模里最值得注意的地方。以日前模型为例火电启停状态u_g对全部场景是同一个决策而储能SOC和火电出力随场景不同而不同。如果图省事把所有变量都定义成场景无关模型会强制所有场景下火电出力相同相当于把随机优化退化成了确定性优化。我在代码里这样定义T 24; N_s 10; u_g binvar(N_g, T); % 场景无关 P_g sdpvar(N_g, T, N_s, full); % 场景相关 P_w sdpvar(N_w, T, N_s, full); SOC sdpvar(T1, N_s, full); P_ch sdpvar(T, N_s, full); P_dis sdpvar(T, N_s, full);目标函数里对场景概率加权Objective sum(rho_s .* (fuel_cost start_cost penalty));约束里逐场景构建功率平衡Constraints []; for s 1:N_s for t 1:T Constraints [Constraints, ... sum(P_g(:,t,s)) sum(P_w(:,t,s)) P_dis(t,s) - P_ch(t,s) P_load(t,s)]; Constraints [Constraints, ... SOC(t1,s) SOC(t,s) eta_ch*P_ch(t,s) - (1/eta_dis)*P_dis(t,s)]; end end变量维度一旦写错Yalmip不会直接报错而是在优化时把约束数组维度弄错导致不可行。我调试时习惯先打印size(Constraints)确认矩阵维度正常再交给求解器。4.3 求解器配置与常见告警我用的是Cplex求解器通过Yalmip调用。Cplex的MIP求解器对MIP gap默认值是0.0001也就是0.01%在实际调度模型中这个精度要求会让求解时间翻好几倍。我通常在sdpsettings里放开一点ops sdpsettings(solver, cplex, verbose, 2); ops.cplex.mip.tolerances.mipgap 1e-3; ops.cplex.mip.tolerances.absmipgap 1e-3; ops.cplex.timelimit 300;设置300秒时间上限防止某个极端场景下求解器无限跑下去。求解完成后一定检查求解状态而不是直接用value()取变量值——如果求解失败或超时value()返回的值可能是NaN后续绘图时会因为NaN传递给plot导致图形异常。4.4 结果存储和曲线输出我把三层调度的结果统一存成三个mat文件每个文件包含时间戳、指令值和变量名。这样后续复现时可以直接加载结果做对比不用重新跑一遍优化。绘图部分我用subplot组织常见的四张图是火电各机组出力堆叠图、风电光伏实际出力与预测值对比图、储能SOC曲线连同充电放电功率图、系统功率平衡误差图。我会在SOC图上叠加日前的参考轨迹和日内修正后的轨迹这种对比能直观展示三层协调的效果。5. 算例里的数字多时间尺度到底带来了多少收益光有模型没有数字说服不了人。我在改进的IEEE 30节点系统上做了一轮完整测试这一章的对比结果都是这套系统下的实测数据。5.1 算例系统与参数设定系统含2台火电机组G1容量300MWG2容量200MW风电场额定容量80MW光伏电站额定容量50MW储能电站30MW/60MWh系统峰值负荷350MW。火电燃料成本系数按二次函数给定弃风惩罚单价取200元/MWh弃光惩罚单价150元/MWh储能运维成本折算到充放电电量上取80元/MWh。关键参数如下表参数数值说明储能额定功率30 MW充放同限储能额定容量60 MWhSOC 10%-90%储能充电效率0.95电-化学-电的折算储能放电效率0.95SOC初始值0.50即30 MWh负荷预测标准差3%正态分布风电Weibull参数k2.0, c8.5场景数削减后10由1000个场景削减而来5.2 多时间尺度与单一日前调度的关键结果对照我跑了三种方案做对比方案A是纯日前调度预测值当确定值方案B是在日前模型里加入场景法处理不确定性但只有单层方案C是完整的多时间尺度协调调度。结果如下指标方案A确定性日前方案B单层随机日前方案C多时间尺度协调总运行成本万元182.6178.4171.2弃风弃光率8.7%6.1%2.3%火电启停次数443储能循环次数折算6.8次6.5次5.1次功率平衡最大偏差MW15.39.83.2方案C的总运行成本比方案A低了约6.2%弃风弃光率从8.7%降到2.3%功率平衡最大偏差从15.3MW降到3.2MW。这说明多时间尺度协调省下的成本主要来自两部分一是火电启停更合理减少了不必要的机组启停二是储能的能量被更精准地使用不再为了应付预测误差而过度预留容量。5.3 场景数量对解质量的影响场景数从5个增加到20个目标函数值在下降但幅度在收窄。5个场景下总成本172.9万元10个场景下171.2万元20个场景下170.8万元。求解时间却从约50秒飙升到近400秒。我的建议是10个场景已经能覆盖主要概率分布特征工程上再增加场景数的边际收益很小。如果你要写论文可以做一张不同场景数下的成本和求解时间对比表既能展示方法合理性又不会让算例部分显得单薄。5.4 与确定性模型的对比到底“考虑特性分布”带来了什么把方案A和方案B放在一起看最直白的结论是考虑特性分布后模型对极端场景不再“毫无准备”。方案A在某个风电出力骤降的场景下出现了甩负荷因为日前确定模型里没有这种场景的约束方案B由于内置了低风电场景储能会在这些场景前提前蓄电从而避免了甩负荷。这个对比说明“考虑特性分布”改变的不仅是一个数字上的成本而是让调度计划具备了对不确定性事件的免疫能力。对储能电站接入的电网来说这种免疫能力直接关系到大电网安全运行的红线。6. 实测中的五个坑与排查思路这一章的每个坑都是我一行行跑出来后得出的教训按排查难度从低到高排列。6.1 坑一binvar与连续变量乘积引发的非线性爆炸某个版本的模型里我写了类似的约束Constraints [Constraints, P_ess(t) u_c(t) * P_ch(t) - u_dis(t) * P_dis(t)];这是典型的二进制变量与连续变量乘积会引入非线性项。Yalmip要么报错说模型不是MILP要么交给非线性求解器卡住。正确做法是拆开P_ch和P_dis两个变量用互斥约束和大M限制让整个模型保持线性和混合整数标准形态。我后来在模型开头加了一个断言函数凡是决策变量做乘法的行都会报错提醒避免再犯。6.2 坑二滚动优化的指令抖动这是我犯过最隐蔽的错误。日内层每个滚动窗口从最新时刻开始优化但对已执行的过去时段没有做固定约束。结果每一轮优化都会重新安排过去30分钟的电量下发的指令和上一轮已经执行的指令叠加后储能实际承担的调节量完全偏离预期。排查过程先看储能功率序列发现曲线在每个滚动窗口边界处出现反向跳变窗口起点前15分钟和窗口起点后15分钟的功率符号相反。再检查变量索引确认约束里t T_current的时段没有锁定。修正后指令序列前后衔接平滑跳变消失。6.3 坑三求解器MIP gap设置太严导致长时间空转一开始我沿用默认的Cplex参数10场景、24时段、两个火电整数变量MILP求解时间在500秒以上明显不正常。原因是MIP gap默认0.01%模型规模稍大时枚举分支的代价极高。我把相对gap调到0.1%后求解时间降到50秒左右目标函数值的误差在0.08%以内。对调度问题来说这个精度完全足够。如果你的模型规模更大建议再设个timelimit避免某次偶然的坏分支让整个仿真卡死。6.4 坑四场景削减后概率总和不为1同步回代削减算法最后一步是归一化场景权重。我最初在削减函数里漏了这一步10个场景的概率权重加起来是0.9992。目标函数里按权重加权时总成本被系统性低估调度结果虽然能跑通但和蒙特卡洛全场景期望对不上。排查方式是把削减前后的概率直方图打印出来做对比一眼就发现问题。归一化后所有经济性指标恢复正常。6.5 坑五SOC初值与终值的边界设置SOC初始值我设了0.5但忘了设置结束值约束。优化器发现低价充电、高价放电的博弈空间后会倾向于在最后一个时段把SOC压到下限好让自己在结算时“省下”剩余电量——这个行为在日前模型里体现为次日SOC偏低次日调度计划被严重制约。我在模型里加了终值约束Constraints [Constraints, SOC(T1, s) 0.4]; Constraints [Constraints, SOC(T1, s) 0.6];允许在一定带宽内自由结束但不能跑出合理区间。调整后跨日的SOC衔接更加自然储能寿命损耗也对得起负荷曲线。跑完这一整套流程我对“多时间尺度”的理解已经不再是单纯的“把调度分成几个分辨率”而是“每一层只处理自己看得清的误差再通过SOC参考轨迹和启停状态把处理结果传递给下一层”。如果你准备在自己的课题里复现这套方案我的建议是先把单层随机优化跑通、验证约束线性化无误再往里面加滚动窗口。一次把所有模块全部搭起来调试你会发现每一层都在报错根本分不清问题出在哪一层。
储能电站多时间尺度源储荷协调调度：特性分布建模与Yalmip实现
刚接到这个课题时我在“考虑特性分布”这几个字上卡了整整两周。储能电站接入电网后的多时间尺度源储荷协调调度单看名字容易误以为难点在“协调”二字真正动手用Matlab建模才发现风电、光伏出力的随机分布和负荷预测误差一旦进入优化模型储能SOC的跨时段耦合会被瞬间放大约束数量成倍增长目标函数也从确定性优化变成随机期望优化。这篇文章不讲泛泛的原理直接把一套我完整跑通的方案拆开特性分布怎么建模、日前-日内-实时三层框架怎么接力、YalmipCplex代码怎么组织、以及实测中踩过的几个坑。如果你正在做储能调度、新能源消纳或者微电网能量管理的Matlab仿真这篇应该能帮你省掉至少两周的试错时间。1. 储能电站接入后的调度难点为什么“特性分布”这四个字决定了成败先把问题定性。一个不含储能的传统电网调度本质是“发电跟踪负荷”火电按预测负荷曲线安排出力额外留一点旋转备用就够了。但储能电站接入后事情变了——储能既能充电又能放电它可以在负荷低谷时吸收电能在负荷高峰时释放电能这相当于给电网增加了一个可跨时段转移能量的调节资源。听起来是好事可一旦把风电、光伏和负荷的随机特性放进来这个资源反而成了建模里最容易出错的环节。1.1 储能的能量型时域耦合与常规机组有本质区别火电机组是功率型资源约束是出力上下限和爬坡速率某一时段选择了出力对下一时段的影响仅仅是爬坡限制。储能是能量型资源SOC(t1)由SOC(t)和充放电功率共同决定早上的充电决策会直接限制傍晚的放电空间。我在构建模型时最开始把储能当成“出力可调范围很大的电源”处理结果24小时算出来的计划里储能经常在连续几个时段内来回充放。从数学上看如果储能不约束充放电切换次数优化器确实会利用这种“免费搬运”来降低火电启停成本而实际运行中这种频繁往复充放会显著加速电池老化也让调度指令变得不可执行。所以储能建模的第一个要点是必须保留SOC递推约束和充放电互斥约束而不是简单设置功率上下限。SOC递推公式写成E(t1) E(t) η_c · P_c(t) · Δt - P_d(t) / η_d · Δt其中P_c为充电功率P_d为放电功率η_c和η_d分别为充放电效率。注意充电要乘效率、放电要除效率这个方向搞反会让SOC凭空增殖算出来的计划在现实中完全对不上。1.2 源、储、荷三类主体有完全不同的时间常数风电、光伏、负荷、储能和火电各自的响应速度不在一个量级。风电光伏出力由天气决定分钟级甚至秒级波动负荷是工商业和居民用电的叠加小时级趋势明显分钟级仍有随机波动储能响应速度最快毫秒到分钟级都能接受火电则受制于锅炉和汽轮机热惯性爬坡速率有限启停更是以小时计。协调调度真正要做的是让不同时间常数的资源各司其职火电提前一天安排启停和基荷出力日内用储能和风电光伏的滚动修正来消除预测偏差实时再用储能的快速响应和AGC机组的调节能力兜住最后的高频波动。如果把所有决策都塞进同一个时间尺度里做要么求解规模爆炸要么生成的计划在物理上根本无法执行。1.3 单时间尺度调度为什么必然顾此失彼我做过一组对比实验只用日前24小时优化把预测值当作确定输入结果在真实波动场景下火电爬坡经常跟不上储能SOC被顶到上限后无电可放。反过来如果只做实时滚动优化虽然能跟踪当前状态但火电启停这种大决策没有前瞻性负荷尖峰来临时只能眼睁睁看着储能出力超限。单一时间尺度的本质问题是预测误差的尺度差异。24小时前瞻的风电预测误差可以到20%以上4小时前瞻的误差可能降到8%5分钟前瞻的误差已经很小。一个调度策略必须分层处理这些误差——大尺度误差用慢速资源在长周期内安排小尺度误差用快速资源在短周期内平抑。这就是多时间尺度协调存在的基本逻辑。2. 不确定性进模型场景生成、场景削减与储能约束的线性化写法这一章是“考虑特性分布”落地的关键。模型要处理不确定性最常见也最容易实现的方式是场景法用一组带概率权重的典型场景代表不确定性分布然后把随机优化写成期望形式。2.1 风电、光伏、负荷的概率特性怎么给参数风电出力的根源是风速工程上风速通常用双参数Weibull分布描述f(v) (k/c)·(v/c)^(k-1)·e^(-(v/c)^k)k是形状参数控制分布形态c是尺度参数控制风速均值。我用的典型参数是k2.0、c8.5这对应平均风速约7.5m/s的某风电场地貌。有了风速场景后还要经过风机功率转换曲线得到出力风速低于切入风速或高于切出风速时出力为0风速在切入与额定之间时出力按三次方关系上升额定风速以上时出力钳位在额定功率。光伏出力主要受光照强度影响光照强度常用Beta分布描述。Beta分布的形状参数α和β可以用历史光照数据的均值和方差反推我这里取α2.1、β1.8对应一个多云偏阴的典型地区。光伏出力近似为光照强度乘以光电转换效率和面积。负荷预测误差则直接按正态分布处理均值为0标准差取预测峰值的3%到5%。实际操作中历史数据的统计拟合才是正路。我写了一个从历史风速序列估计Weibull参数的脚本用极大似然估计迭代求解比直接套典型参数靠谱得多。2.2 从蒙特卡洛采样到同步回代削减有了分布参数下一步生成场景。我生成1000条24小时的风电、光伏和负荷序列方法是对每个时段的分布独立采样。注意这里有个细节完全独立采样会让相邻时段出现剧烈跳变不符合天气过程的连续性。我用了一阶自回归模型对每个时段的均值做了平滑ξ(t) ρ·ξ(t-1) ε(t)ρ取0.85左右ε是独立随机扰动这样采出来的曲线更贴近真实气象过程。1000个场景直接进优化模型肯定算不动需要削减成少量典型场景。同步回代削减是最常用的方法思路是迭代删除对场景集合概率结构影响最小的场景把它合并到距离最近的场景上。我在Matlab里写了一个基于KD树加速的场景削减函数最终把1000个场景削减到10个每个场景带有归一化后的概率权重ρ_s。削减后必须检查权重之和是否等于1。这个看似简单的步骤实际跑代码时很容易因为浮点累加误差导致权重和为0.999999后面优化模型报不可行时排查了半天才发现是这里。2.3 储能约束的线性化与SOC递推储能建模的一个坑充放电功率如果用单一变量P_ess表示那么SOC递推里就需要判断P_ess的符号来区分是用η_c还是1/η_d这个判断是典型的非线性逻辑Yalmip不直接支持。正确做法是拆成两个非负变量P_c和P_dis再引入两个二进制变量u_c、u_dis表示充放电状态0 ≤ P_c(t) ≤ u_c(t) · P_max 0 ≤ P_dis(t) ≤ u_dis(t) · P_max u_c(t) u_dis(t) ≤ 1 P_ess(t) P_dis(t) - P_c(t)这样充放电互斥通过线性约束表达SOC递推也变成线性等式。我看到很多初学代码直接在约束里写if P_ess 0这在Yalmip里是致命的——Matlab的if判断发生在建模阶段而不是求解阶段模型根本不会根据解动态切换分支。2.4 目标函数与约束的期望形式场景法下的目标函数是所有场景的概率加权期望。我写的日前目标函数包含四部分min Σ_s ρ_s · [燃料成本 启停成本 弃风弃光惩罚 储能运维成本]燃料成本是火电出力的二次函数我在模型里做了分段线性化处理。弃风弃光惩罚是风电光伏可发而未发的功率乘以惩罚单价这个参数决定了优化器对新能源消纳的重视程度。储能运维成本按充放电功率的绝对值折算用来抑制无意义的往复充放。约束分为两类与场景无关的约束如火电最小启停时间、启停状态逻辑与场景相关的约束如功率平衡、火电出力上下限、储能SOC轨迹。每一类单独写清楚能大幅减少模型中的冗余变量。场景相关的变量比如储能SOC在代码里用二维变量SOC(t, s)表示t是时段s是场景编号。3. 三层时间尺度的接力日前定大局、日内纠偏差、实时兜波动多时间尺度协调不是一个模型管全部而是三个模型接力。我采用的框架是日前24小时、日内4小时滚动、实时5分钟滚动。3.1 三层的分辨率、预测域和执行周期怎么定三层的参数不是随意拍的背后是预测精度和计算代价的权衡。调度层前瞻时域时间分辨率执行周期主要决策对象预测误差水平日前24小时1小时每24小时滚动火电启停、储能日前计划15%-25%日内8小时15分钟每4小时滚动火电出力修正、储能充放电计划5%-10%实时8步即2小时5分钟每5分钟滚动储能出力指令、AGC调节1%-3%日前层选择1小时分辨率是因为火电启停和燃料成本计算不需要分钟级颗粒度且分辨率提高会让整数变量翻倍求解时间指数增长。日内层用15分钟分辨率是因为4小时前瞻内的预测精度已经显著提升15分钟足以捕捉负荷和风电的主要变化。实时层用5分钟分辨率专门处理准稳态下的功率偏差。执行周期也有讲究。日内层每4小时滚动一次是因为超短期气象预报通常4小时更新一轮如果更新太频繁同一时段的计划会被反复推翻反而引入振荡——这个问题在后面的坑里会详细说。3.2 层间传递变量与软约束引导三层模型不是孤立的层间的信息传递是协调的关键。日前层算完后传给日内层的不是孤立的数值而是三样东西火电启停状态u_g日内层直接锁定不再优化储能SOC参考轨迹作为软约束引导允许日内层在±5%范围内偏离联络线交换功率计划作为日内优化的基准值。SOC参考轨迹为什么要做成软约束而不是硬约束因为日前预测和日内最新预测存在偏差硬锁SOC会让日内层完全没有腾挪空间。我在日内模型中对SOC偏离参考轨迹设置了惩罚项偏离越大惩罚越高这样既保持了日前的经济性意向又给了日内层应对新信息的灵活性。实时层接收日内层下发的储能功率基线和可调节范围。实时层的MPC每次滚动只下发第一步指令但会携带完整的控制时域信息保证前后步指令平滑连续。3.3 滚动窗口里已执行时段的锁定这是滚动时域控制最核心的工程细节。每个滚动窗口启动时当前时刻之前已经执行过的时段决策变量必须固定为实际值否则优化器会把过去的时间段重新优化一遍产生指令回跳。我在Matlab里的实现方式是用变量T_current记录当前窗口起点约束里对t T_current的时段直接写硬等式比如固定储能功率等于上一个窗口下发并已执行的指令。曾经有一次我忘了做这个锁定日内层每一轮滚动都会推翻前一轮下发的储能指令现场调度员根本无法执行数据曲线看起来像锯齿一样来回跳。正确写法是在构建约束时判断索引for t 1:T_horizon if t T_current Constraints [Constraints, P_ess(1,t) P_ess_executed(t)]; else % 正常优化约束 end end这个逻辑简单但极其容易漏。3.4 预测误差逐级收窄的机理三层调度之所以有效本质是每一层只需要处理自己前瞻时域内的那部分误差。日前层看24小时面对20%的风电预测误差它的对策是安排足够的火电备用和储能余量日内层看8小时预测误差降到了8%它可以把日前预留的备用转化为更精确的出力修正实时层看5分钟预测误差已经很小它只负责把残余的秒级到分钟级波动平抑掉。这个层层收窄的结构让任何一层都不需要过度悲观地预留容量。如果只做日前调度为了应对20%的误差需要预留大量旋转备用经济性极差如果只做实时调度没有日前启停决策负荷尖峰时段火电根本来不及启动。4. Matlab落地Yalmip变量组织、求解器设置与代码架构模型写成数学式是一回事变成能跑出结果的Matlab代码是另一回事。这一章讲我的代码组织方式和几个关键实现细节。4.1 代码组织主程序、建模函数、求解模块的分工我的项目目录长这样dispatch/ ├─ main_day_ahead.m ├─ main_intraday.m ├─ main_realtime.m ├─ data_system.m ├─ gen_scenarios.m ├─ reduce_scenarios.m ├─ build_day_ahead_model.m ├─ build_intraday_model.m ├─ build_realtime_model.m ├─ solve_and_check.m ├─ save_results.m └─ plot_results.m主程序负责搭骨架加载数据、生成场景、调用建模函数、求解、存结果。建模函数只负责返回Constraints、Objective和解的信息不负责求解——这样三层可以共用同一套数据结构和变量命名调试时也能单独检验某一层的约束是否合理。4.2 场景相关变量与场景无关变量的关键区分这是Yalmip建模里最值得注意的地方。以日前模型为例火电启停状态u_g对全部场景是同一个决策而储能SOC和火电出力随场景不同而不同。如果图省事把所有变量都定义成场景无关模型会强制所有场景下火电出力相同相当于把随机优化退化成了确定性优化。我在代码里这样定义T 24; N_s 10; u_g binvar(N_g, T); % 场景无关 P_g sdpvar(N_g, T, N_s, full); % 场景相关 P_w sdpvar(N_w, T, N_s, full); SOC sdpvar(T1, N_s, full); P_ch sdpvar(T, N_s, full); P_dis sdpvar(T, N_s, full);目标函数里对场景概率加权Objective sum(rho_s .* (fuel_cost start_cost penalty));约束里逐场景构建功率平衡Constraints []; for s 1:N_s for t 1:T Constraints [Constraints, ... sum(P_g(:,t,s)) sum(P_w(:,t,s)) P_dis(t,s) - P_ch(t,s) P_load(t,s)]; Constraints [Constraints, ... SOC(t1,s) SOC(t,s) eta_ch*P_ch(t,s) - (1/eta_dis)*P_dis(t,s)]; end end变量维度一旦写错Yalmip不会直接报错而是在优化时把约束数组维度弄错导致不可行。我调试时习惯先打印size(Constraints)确认矩阵维度正常再交给求解器。4.3 求解器配置与常见告警我用的是Cplex求解器通过Yalmip调用。Cplex的MIP求解器对MIP gap默认值是0.0001也就是0.01%在实际调度模型中这个精度要求会让求解时间翻好几倍。我通常在sdpsettings里放开一点ops sdpsettings(solver, cplex, verbose, 2); ops.cplex.mip.tolerances.mipgap 1e-3; ops.cplex.mip.tolerances.absmipgap 1e-3; ops.cplex.timelimit 300;设置300秒时间上限防止某个极端场景下求解器无限跑下去。求解完成后一定检查求解状态而不是直接用value()取变量值——如果求解失败或超时value()返回的值可能是NaN后续绘图时会因为NaN传递给plot导致图形异常。4.4 结果存储和曲线输出我把三层调度的结果统一存成三个mat文件每个文件包含时间戳、指令值和变量名。这样后续复现时可以直接加载结果做对比不用重新跑一遍优化。绘图部分我用subplot组织常见的四张图是火电各机组出力堆叠图、风电光伏实际出力与预测值对比图、储能SOC曲线连同充电放电功率图、系统功率平衡误差图。我会在SOC图上叠加日前的参考轨迹和日内修正后的轨迹这种对比能直观展示三层协调的效果。5. 算例里的数字多时间尺度到底带来了多少收益光有模型没有数字说服不了人。我在改进的IEEE 30节点系统上做了一轮完整测试这一章的对比结果都是这套系统下的实测数据。5.1 算例系统与参数设定系统含2台火电机组G1容量300MWG2容量200MW风电场额定容量80MW光伏电站额定容量50MW储能电站30MW/60MWh系统峰值负荷350MW。火电燃料成本系数按二次函数给定弃风惩罚单价取200元/MWh弃光惩罚单价150元/MWh储能运维成本折算到充放电电量上取80元/MWh。关键参数如下表参数数值说明储能额定功率30 MW充放同限储能额定容量60 MWhSOC 10%-90%储能充电效率0.95电-化学-电的折算储能放电效率0.95SOC初始值0.50即30 MWh负荷预测标准差3%正态分布风电Weibull参数k2.0, c8.5场景数削减后10由1000个场景削减而来5.2 多时间尺度与单一日前调度的关键结果对照我跑了三种方案做对比方案A是纯日前调度预测值当确定值方案B是在日前模型里加入场景法处理不确定性但只有单层方案C是完整的多时间尺度协调调度。结果如下指标方案A确定性日前方案B单层随机日前方案C多时间尺度协调总运行成本万元182.6178.4171.2弃风弃光率8.7%6.1%2.3%火电启停次数443储能循环次数折算6.8次6.5次5.1次功率平衡最大偏差MW15.39.83.2方案C的总运行成本比方案A低了约6.2%弃风弃光率从8.7%降到2.3%功率平衡最大偏差从15.3MW降到3.2MW。这说明多时间尺度协调省下的成本主要来自两部分一是火电启停更合理减少了不必要的机组启停二是储能的能量被更精准地使用不再为了应付预测误差而过度预留容量。5.3 场景数量对解质量的影响场景数从5个增加到20个目标函数值在下降但幅度在收窄。5个场景下总成本172.9万元10个场景下171.2万元20个场景下170.8万元。求解时间却从约50秒飙升到近400秒。我的建议是10个场景已经能覆盖主要概率分布特征工程上再增加场景数的边际收益很小。如果你要写论文可以做一张不同场景数下的成本和求解时间对比表既能展示方法合理性又不会让算例部分显得单薄。5.4 与确定性模型的对比到底“考虑特性分布”带来了什么把方案A和方案B放在一起看最直白的结论是考虑特性分布后模型对极端场景不再“毫无准备”。方案A在某个风电出力骤降的场景下出现了甩负荷因为日前确定模型里没有这种场景的约束方案B由于内置了低风电场景储能会在这些场景前提前蓄电从而避免了甩负荷。这个对比说明“考虑特性分布”改变的不仅是一个数字上的成本而是让调度计划具备了对不确定性事件的免疫能力。对储能电站接入的电网来说这种免疫能力直接关系到大电网安全运行的红线。6. 实测中的五个坑与排查思路这一章的每个坑都是我一行行跑出来后得出的教训按排查难度从低到高排列。6.1 坑一binvar与连续变量乘积引发的非线性爆炸某个版本的模型里我写了类似的约束Constraints [Constraints, P_ess(t) u_c(t) * P_ch(t) - u_dis(t) * P_dis(t)];这是典型的二进制变量与连续变量乘积会引入非线性项。Yalmip要么报错说模型不是MILP要么交给非线性求解器卡住。正确做法是拆开P_ch和P_dis两个变量用互斥约束和大M限制让整个模型保持线性和混合整数标准形态。我后来在模型开头加了一个断言函数凡是决策变量做乘法的行都会报错提醒避免再犯。6.2 坑二滚动优化的指令抖动这是我犯过最隐蔽的错误。日内层每个滚动窗口从最新时刻开始优化但对已执行的过去时段没有做固定约束。结果每一轮优化都会重新安排过去30分钟的电量下发的指令和上一轮已经执行的指令叠加后储能实际承担的调节量完全偏离预期。排查过程先看储能功率序列发现曲线在每个滚动窗口边界处出现反向跳变窗口起点前15分钟和窗口起点后15分钟的功率符号相反。再检查变量索引确认约束里t T_current的时段没有锁定。修正后指令序列前后衔接平滑跳变消失。6.3 坑三求解器MIP gap设置太严导致长时间空转一开始我沿用默认的Cplex参数10场景、24时段、两个火电整数变量MILP求解时间在500秒以上明显不正常。原因是MIP gap默认0.01%模型规模稍大时枚举分支的代价极高。我把相对gap调到0.1%后求解时间降到50秒左右目标函数值的误差在0.08%以内。对调度问题来说这个精度完全足够。如果你的模型规模更大建议再设个timelimit避免某次偶然的坏分支让整个仿真卡死。6.4 坑四场景削减后概率总和不为1同步回代削减算法最后一步是归一化场景权重。我最初在削减函数里漏了这一步10个场景的概率权重加起来是0.9992。目标函数里按权重加权时总成本被系统性低估调度结果虽然能跑通但和蒙特卡洛全场景期望对不上。排查方式是把削减前后的概率直方图打印出来做对比一眼就发现问题。归一化后所有经济性指标恢复正常。6.5 坑五SOC初值与终值的边界设置SOC初始值我设了0.5但忘了设置结束值约束。优化器发现低价充电、高价放电的博弈空间后会倾向于在最后一个时段把SOC压到下限好让自己在结算时“省下”剩余电量——这个行为在日前模型里体现为次日SOC偏低次日调度计划被严重制约。我在模型里加了终值约束Constraints [Constraints, SOC(T1, s) 0.4]; Constraints [Constraints, SOC(T1, s) 0.6];允许在一定带宽内自由结束但不能跑出合理区间。调整后跨日的SOC衔接更加自然储能寿命损耗也对得起负荷曲线。跑完这一整套流程我对“多时间尺度”的理解已经不再是单纯的“把调度分成几个分辨率”而是“每一层只处理自己看得清的误差再通过SOC参考轨迹和启停状态把处理结果传递给下一层”。如果你准备在自己的课题里复现这套方案我的建议是先把单层随机优化跑通、验证约束线性化无误再往里面加滚动窗口。一次把所有模块全部搭起来调试你会发现每一层都在报错根本分不清问题出在哪一层。
