基于模型预测控制的微电网优化调度Matlab实现与滚动优化解析

做微电网调度的人，绕不开MPC这个词。今天想聊聊我搭的一套基于模型预测控制（MPC）的微电网调度优化方案，纯Matlab代码实现，不依赖商业仿真软件也能跑起来。这套东西解决的是一个非常实际的问题：光伏和负荷都带不确定性，储能和电网交互功率怎么跟着波动走，而不是死板地照搬昨天算好的24小时计划。

文章里我会把MPC的核心逻辑、微电网各元件建模、Matlab实现细节、仿真结果分析以及我踩过的坑都过一遍。适合正在做相关课题的研究生、本科毕设，或者想快速把MPC用起来的工程师；哪怕你之前只懂一点线性规划，也能按着步骤复现出来。

1. 项目到底在做什么——先拆解微电网调度问题

1.1 微电网调度到底在调什么

微电网可以理解为一套"迷你版"的大电网系统：屋顶铺了光伏板，配电房里放了几组储能柜，下面挂着一批居民或商业负荷。调度要回答的问题其实很朴素——储能什么时候充电、什么时候放电、什么时候从外部电网买电，电价合适的时候能不能反向卖一点给电网。本质上，这是在"满足用电需求"的前提下，让运行成本尽量低的连续决策问题。

但现实比教科书复杂得多。光伏出力看天吃饭，一片云飘过来，功率可能瞬间掉两成；负荷也是实时变化的，早高峰、晚高峰、周末和工作日完全两样。储能虽然能搬运电量，但容量有限，且不能无限快充快放；与大电网的联络线功率还有上限。这些硬约束叠在一起，就成了一个带约束的优化问题。

如果只做一次性的全局最优计算，那其实是运筹学课程里的标准题。难点在于：系统状态一直在变，约束在变，所谓"最优"也在变。你算出来的调度计划建立在预测之上，而预测天生就会出错。这时候MPC的价值就体现出来了——它不做一次性的全局最优，而是滚动地、带反馈地做局部最优，把不确定性一口一口"吃"掉。

1.2 为什么放着现成优化不用，非要选MPC

很多人会问：我用线性规划或整数规划做一个日前调度不就行了？为什么非要上MPC？我举一个很典型的场景。昨天做日前计划时，预测今天中午12点光伏能发150kW，于是调度安排储能少放电、把电量留到晚上用。结果今天中午云层压过来，光伏实际只有100kW。到下午负荷爬升时储能电量不够，只能临时从电网高价买电。一次性算好的计划，遇到预测偏差就只能硬扛。

MPC的思路完全不同。它以当前时刻为基准，只滚动预测未来有限步（比如未来24小时），在这个预测时域内求最优，但只执行第一步。等到下一个采样时刻，重新测量当前状态，刷新预测，再从头求解一遍。这就是"滚动优化"。预测错了没关系，因为每一步都在用实测数据修正，所以 MPC 在业界常被描述为"自带纠错能力"的优化控制方法。

更重要的是，MPC天然处理带约束的问题。SOC上下限、充放电功率限幅、购电功率上限都能直接写进优化模型里。这一点比PID这类经典控制器舒服得多——你不需要反复调增益，只需要把业务约束写清楚，剩下的交给求解器。尤其是针对微电网这种多输入多输出、强约束、慢动态的系统，MPC几乎是为它量身定做的。

1.3 这套研究代码的定位和适用场景

这套Matlab实现不是什么商业级能量管理系统，定位明确：方法论验证和教学骨架。代码里包括完整的MPC闭环——预测模型、滚动优化、反馈校正、约束处理，以及一套仿真数据生成模块。你可以拿它做论文里的对比实验，也可以当课程设计的起点，往上加电池老化模型、需求响应、多场景鲁棒扩展等。

我做这套代码时给自己定的目标是"少废话、能复现"：只用Matlab自带的优化工具箱就能跑；数据结构尽量扁平；参数集中放一个文件里方便替换。接下来我从建模开始讲，把每一步为什么这么设计说清楚。

2. MPC调度架构与微电网元件建模

2.1 MPC三件套：预测模型、滚动优化、反馈校正

MPC不是一个孤立公式，而是一套闭环控制框架。任何MPC逃不开三个部分：预测模型、滚动优化、反馈校正。

预测模型描述的是"如果我现在给你一个控制动作，系统未来会怎样演化"。在微电网调度层面，最关键的动态是储能SOC的变化。不用管光伏逆变器内部的电磁暂态，调度级只需要一个离散状态方程：

SOC(k+1) = SOC(k) - ( P_b(k) * Δt ) / E_capacity

P_b是储能输出功率（放电为正，充电为负），Δt是采样步长，E_capacity是电池容量，严格一点还要把充放电效率η放进去。这个方程的意思是：电池电量不能跳变，你用掉一度电，SOC就往下走一格。

滚动优化是在每个采样时刻k，以当前SOC为初值，在未来Np步内求解一个优化问题，得到一串控制序列，但只执行第一步。为什么要"只执行第一步"？因为未来的预测不可靠，后面那几步的参考价值有限，不如等下一时刻拿到新测量值再重新算。

反馈校正就是让系统真实运行时，SOC被实测值更新，下一步优化就从最新的状态出发。这一步是MPC和开环优化的本质区别：计划算得再漂亮，实际状态一旦偏了，MPC立刻感知并重新出发。

2.2 微电网里的元件建模细节

在调度层面，最常见的就是光伏、储能、负荷、电网联络线四类元件。建模原则是"够用就好，不贪多"。

光伏很简单，它就是一个预测扰动。控制器不能控制光伏，但可以根据预测值安排其他资源。代码里只需要准备一条时间序列P_pv_pred，然后在功率平衡方程里把它当作已知量。注意MPC中光伏预测误差会直接影响调度质量，所以仿真时一定要在预测序列上叠加扰动，否则无法体现MPC的优势。

储能要同时建两个维度：能量维度的SOC动态，功率维度的充放电限幅。入门阶段用常数充放电效率足够，如果做更深入的论文，再扩展成查表效率或多项式效率。SOC的上下限通常设为0.2到0.9，这个范围既保护电池寿命，也留有一定调节裕度。

负荷和光伏一样，也当成预测扰动处理。这里有个容易踩的坑：光伏预测和负荷预测的误差可能相关——大晴天负荷相对小，阴天负荷相对大。做研究时，要明确说明误差是怎么生成的，否则结果不可复现。

电网联络线模型取决于微电网并网还是孤岛。并网模式里P_grid有上下限且可正可负，正为买电、负为卖电，还需要分时电价曲线。孤岛模式没有电网兜底，约束更苛刻，任何时刻储能和光伏必须覆盖全部负荷，MPC的滚动优势其实更明显。

2.3 目标函数和约束条件怎么设计

这是整个项目最核心的环节。目标函数至少要包含运行经济性和储能SOC合理性两块。我推荐用这个形式：

J = sum_{t=k}^{k+Np-1} [ C_buy(t) * max(P_grid(t), 0) - C_sell(t) * min(P_grid(t), 0) + λ * (SOC(t) - SOC_ref)^2 ]

第一项是购电成本，第二项是卖电收益，第三项是SOC偏离参考值的惩罚项。λ是权重系数，SOC_ref一般取0.5左右。

为什么要加SOC惩罚项？因为纯经济优化会把电池当免费搬运工——只要电价有峰谷差就拼命充放，SOC在一天内剧烈抖动，既伤电池，调度指令也不稳定。加一个SOC跟踪惩罚，相当于给储能装上"约束带"，让它在电价差不足够大时老老实实待在健康区间。

约束方面，功率平衡等式是核心：P_pv(t) + P_b(t) + P_grid(t) = P_load(t)。储能要写SOC上下限和充放电功率上下限；电网交互要写联络线功率上下限。特别注意：SOC约束必须逐时刻满足，不能只约束终点SOC，否则优化器会在最后时刻"紧急充电"，产生非常不现实的调度指令。

3. Matlab代码实现与核心函数拆解

3.1 代码模块怎么组织

我建议把代码拆成五个文件，千万别把所有东西塞在一个大脚本里。这样调试和扩展都会舒服很多。

主脚本microgrid_mpc_main.m负责整个仿真流程：初始化参数、循环调用控制器、记录状态、最后绘图。参数文件parameters_init.m放所有可以改的数，比如容量、功率限制、Np、λ。mpc_controller.m是MPC核心，输入当前SOC和预测序列，输出这一步的控制量。plant_simulation.m模拟微电网真实运行，重点是把"预测值"和"真实值"区分开。plot_results.m负责画图。

这种分模块方式有个额外好处：当你想把MPC换成别的算法做对比，比如PID或者日前开环调度，只需要替换controller函数，其他模块完全不用动。

3.2 MPC主循环的逐行逻辑

核心循环不复杂，麻烦的是把优化问题整理成Matlab能直接求解的标准格式。我以手写quadprog方案为例讲解。

% microgrid_mpc_main.m 主循环片段 Np = 24; dt = 1; horizon = 7 * 24; SOC = zeros(horizon+1, 1); SOC(1) = 0.5; for k = 1:horizon % 采样当前真实SOC SOC_now = SOC(k); % 获取未来Np步的预测序列 pv_pred = pv_data(k : k+Np-1); load_pred = load_data(k : k+Np-1); price_buy = price(k : k+Np-1); % 调用MPC控制器，得到本时刻控制指令 [P_b_cmd, P_grid_cmd] = mpc_controller(SOC_now, ... pv_pred, load_pred, price_buy, params); % 模拟真实执行（可加入执行偏差） P_b_real = P_b_cmd + 0.02 * randn; SOC(k+1) = SOC(k) - P_b_real * dt / params.Ecap; end

在mpc_controller内部，关键是构造标准二次规划。设优化变量为 x = [P_b(1:Np); P_grid(1:Np)]，目标函数中的SOC惩罚项用状态方程展开后，会变成关于P_b的二次项，从而组装出H矩阵和f向量。等式约束P_b(t) + P_grid(t) = load(t) - pv(t)则对应Aeq*x = beq，每行只有两个非零系数1。储能和电网的功率限幅直接用lb、ub指定。

这部分最容易出错的是索引。Np步预测，变量长度是2*Np；功率平衡约束对应Np个时刻，Aeq的行数就是Np。你要想清楚x向量的排列顺序，索引一乱就会得到完全错误的结果，而且调试时特别隐蔽。

如果装了YALMIP，代码会更简洁，直接用sdpvar定义变量、写约束、写目标，optimize一行搞定。但为了通用性，我这里用自带quadprog实现，毕竟不是每个人科研环境里都有额外工具箱。

3.3 参数整定：预测时域、控制时域、权重怎么试

MPC里有几个参数直接决定系统行为：预测时域Np、控制时域Nc、采样时间Δt、SOC权重λ。我没有银弹公式，但有一套"先粗后细"的调参流程。

采样时间Δt通常取调度颗粒度，日级调度取1小时，日内滚动可以取15分钟。Np如果是日级MPC，取24；如果是日内滚动，取8到12也够。Np越大，看到的未来越长，但问题规模和对预测精度的依赖也越大。

控制时域Nc我一般设成1。让求解器每次只输出一个控制动作，然后下一时刻重新算，这是MPC反馈性能最强的配置。如果你把Nc也设成24，那MPC就慢慢退化成开环优化了。

λ的调试建议从0开始扫描。λ=0时是纯经济调度，看SOC曲线是否合理；然后λ从小到大增加，观察SOC是否被拉向参考值，同时记录总成本的变化。选一个SOC偏差满足要求、成本损失可接受的折中点。这里有个重要细节：λ需要做归一化处理，让SOC偏差平方项和电价成本处于同一数量级，否则权重会失去意义。我的做法是先跑一次λ=0，记录成本项的大致数值范围，再反推λ的数量级。

4. 仿真设计、结果分析与算法对比

4.1 仿真场景与数据怎么准备

做仿真最怕"随便给个数据就开跑"，最后自己也解释不清结果。我给出一个可以直接用的基准场景：微电网包含额定200kW的光伏、500kWh储能、峰值负荷300kW的用户群，并网运行，分时电价0.3到1.0元/kWh。储能SOC范围0.2到0.9，初始SOC为0.5，充放电功率限幅±100kW。

光伏和负荷曲线的生成很关键。如果手头没有实测数据，惯用做法是构造"典型日曲线"作为真值，再让控制器里看到的预测值由真值叠加扰动生成。扰动用正态分布，标准差取真值的10%到20%。这样才能公平地比较MPC和开环日前控制在预测误差下的表现。

必须固定随机种子，否则实验不可复现。写论文时这一条是底线，审稿人一旦发现你换了随机种子结果就对不上，基本直接毙掉。

4.2 仿真结果怎么读

跑完仿真，我习惯先看四张图：负荷与光伏功率曲线、储能SOC曲线、储能充放电功率与电网交互功率曲线、累计运行成本曲线。这四张图覆盖了所有关键信息。

看SOC曲线时，重点观察有没有触界。MPC约束生效时，SOC应该在0.2到0.9之间平滑波动。如果SOC长期贴在边界上，说明储能配置偏小或目标函数权重不合理。看功率图时，观察有没有尖峰抖动。MPC因为滚动优化，控制变量偶尔会出现步步跳变，这通常意味着预测误差处理或代价函数加权需要调整。

成本对比也有讲究：不要只看总成本，还要看成本随时间的累积曲线。MPC的阶段性成本可能比日前调度高，因为它在每一步都在为纠正预测偏差付一点"纠错费"，但最后的总成本通常更低——它避开了高电价时段的高价购电。

4.3 和日前调度的对比要抓住什么

这是论文里必须出现的对比实验。对比双方：MPC滚动调度 vs 开环日前优化（提前算好24小时计划，之后不更新直接执行）。

预测误差为零时，MPC理论上不会优于开环全局优化，因为开环已经把未来全看清楚了。但误差一旦出现，开环就漏出马脚。比较时抓三个指标：总运行成本、SOC越限次数、电网功率越限次数；再增加一个误差灵敏度分析——从5%扫到30%，看两种方法总成本的爬坡速度。

我自己的仿真结果里，误差20%时，MPC总成本通常比开环优化低5%到10%，SOC越限和功率越限几乎降为零。具体数值不普适，但方向非常稳定：预测越不准，MPC优势越明显。论文里报告数字时，记得把随机种子和扰动标准差的定义写清楚。

5. 常见问题与排查技巧实录

5.1 约束不可行是最大的坑

MPC仿真中最常见的报错是quadprog提示the problem is infeasible。原因通常是预测序列与当前状态冲突，导致功率平衡等式或SOC边界无法同时满足。比如SOC已经压到下限0.2，未来几小时负荷很大而光伏很小，储能功率又有上限，功率平衡方程无论怎么配都凑不出来。

解决办法有两个。第一是做预检查，在求解前判断当前状态是否会导致无解；不过我更喜欢第二种——把功率平衡等式从硬约束改成带松弛变量的软约束。给等式加正的松弛项，目标函数里给松弛项一个相当大的权重。这样就算物理上暂时不可行，优化器也会优先保等式成立，宁可让SOC轻微越界也不中断仿真。这在工程里很常用，也是MPC软约束设计的基本操作。

5.2 SOC曲线振荡、功率指令抖动

如果你看到储能功率一个采样步为正、下一步为负，频繁换向，多半是SOC惩罚项权重太小，或者预测误差里的高频成分太多。可以先固定随机种子，排除随机性干扰，然后调大λ。也可以对SOC参考轨迹做平滑处理，或者对P_b输出做一阶低通滤波。滤波会引入相位滞后，MPC的滚动校正能容忍一定滞后，但截止频率别调太低，否则控制器会变得迟钝。

还有个小技巧：把λ从零开始慢慢增加，观察目标函数里各项的数值占比。如果SOC惩罚项占比低得离谱，比如不到总目标的1%，那它对优化结果基本不起作用。

5.3 求解器性能不够怎么办

当Np增大到24甚至48步，加上松弛变量后问题规模上百维，quadprog默认内点法可能每步要几十毫秒甚至更久。离线仿真问题不大，将来要转到实时在线运行时就得优化。这里有个非常实用的技巧：H矩阵和Aeq等不变矩阵在循环外计算好，循环内只更新beq、f、lb、ub这些随时间变化的向量，能省掉一半以上时间。

如果还想更快，可以考虑换Gurobi或Cplex这类商业求解器，或者把MPC问题写成显式MPC——离线把解分区计算好，在线查表。不过对于论文级的微电网调度仿真，自带的quadprog完全够用，没必要为性能过早优化。

5.4 预测序列的边界索引

在Matlab里最常见的报错就是索引越界，k循环到T-Np那一步时，k+Np-1超出了预测矩阵的行数。处理办法很老土但有效：预测矩阵生成时预留足够的冗余行，主循环上限设为T-Np+1。另外，建议用时间轴对齐光伏曲线，负荷数据也统一好单位，跨时区实验对不上号的问题虽然不常发生，发生的时——一旦发生极难排查。

5.5 预测数据从哪来

很多初学者卡在"我没有预测数据"上。学术研究中，不一定要上来就上机器学习做预测。最常用的做法是真实曲线加高斯噪声。你可以设两种场景：预测误差5%和20%，分别跑MPC和开环对比。想增加说服力，可以在噪声里加入一个与光伏相关的常数偏置，模拟天气预报系统性低估的情况。

总之，预测数据本身不是目的，目的是测试控制器在不确定性下的表现。如果你的论文重点在调度算法，预测部分用简单扰动模型就够；如果重点在预测方法，那得另写一套预测模块，但我们的项目标题核心是MPC调度优化，别把重心带偏。

最后分享一点个人体会。把MPC用在微电网调度里，最大的收获不是记住了一个算法公式，而是理解了"在不确定性面前，好的控制策略要懂得认错和纠偏"。代码层面的经验就是：先从纯经济调度的最简版本跑通，再逐步加入SOC惩罚、预测误差、软约束，每加一层就对比一次结果。千万别一上来就堆一堆高级模型，出了问题你根本分不清是建模错、参数错还是代码错。顺着这条路跑熟了，后面的扩展方向也就清楚了，比如把单层MPC升级成双层滚动结构，或者往目标函数里加电池老化成本，论文的层次自然就出来了。