微电网调度优化的MPC滚动优化：Matlab实现与避坑指南

做微电网调度优化的时候，我一开始还迷信开环最优——给定一整天的光伏、负荷预测曲线，一次性求解出每个时段的储能充放电计划和柴油机出力计划，认为只要预测够准，这个方案就行得通。直到某次仿真中我故意给光伏预测注入30%的偏差，结果彻底翻车：储能SOC被顶到下限，联络线长时间越限，柴油机爬坡跟不上，整个调度计划完全失效。从那次之后，我把研究重心转向了基于模型预测控制（MPC）的微电网调度优化，并且在Matlab里完整搭建了一套滚动优化的调度框架。这篇文章不是教科书式的原理复述，而是我从建模、编码到仿真验证全流程走下来之后，把真正有效、可复现的做法和踩过的坑整理出来，给正在做微电网调度优化的同学一个可直接参考的路线。

1. 为什么微电网调度绕不开MPC：先看看传统做法卡在哪

1.1 微电网调度不是简单的经济调度

微电网和常规大电网最大的区别就一个字：小。规模小、惯性小、可再生能源占比高、可调度资源少。常规电网里一台机组出力波动几个兆瓦，基本看不出来；微电网里一阵云飘过来遮住光伏，出力可能瞬间掉一半，这时候储能和柴油机必须立刻兜住。

微电网调度本质上解决的是这样一个问题：在满足负荷需求的前提下，如何分配光伏、储能、柴油机和联络线的功率，让运行成本最低、约束全部满足。听起来和传统经济调度很像，但有几个特点让它比常规调度棘手得多。

调度单元的动态特性差异巨大。我把典型并网型微电网里的单元列一下：

在这些单元里，储能是最灵活的调节资源，但它的SOC有记忆性——今天多放一度电，明天就少一度可用。柴油机虽然可以随时调，但爬坡速率慢，而且一启一停成本很高。联络线虽然可以买电卖电，但购电价和售电价通常不对等，还有功率上限。这些动态约束叠加在一起，使得调度问题必须考虑"时间上的耦合"，而不能只看某一个时刻。

1.2 确定性优化的天真假设

传统的微电网经济调度，绝大多数做法是先做光伏和负荷的超短期预测，得到一条确定性的全天曲线，然后把一天划分成若干个时段（比如15分钟一个点，共96个点），一次性求解出一个完整的调度计划。这种做法本质上是开环的——所有决策都建立在"预测是准确的"这个假设上。

问题在于，这个假设在微电网场景下站不住脚。分布式光伏的功率密度大、波动快，阴天时预测误差可以轻松超过20%，负荷预测也常常因为用户行为随机性出现明显偏差。一旦预测和实际不符，开环计划就完全失效：该充电的时候没充，该放电的时候储能在下限卡着，柴油机因为爬坡限制无法临时顶上……我见过不止一个项目在测试时因为一个突发阴天，联络线越限直接被考核罚款。

你可能会说：那我在实时运行的时候根据当前状态手动调整不就行了？这是很多现场的实际做法，但问题是人工调整没有全局最优性——你只知道这一刻缺电了要让柴油机顶上去，却不知道储能该不该在这一刻把最后的电量放出来，因为你还得考虑未来两小时可能出现的晚高峰。这种"边走边看"的决策，本质上就需要一个能同时兼顾当前状态和未来预测的控制器。

1.3 MPC的核心是"滚动地做最优决策"

MPC（Model Predictive Control）之所以适合微电网调度，因为它把决策方式从"一次算全局"改成了"三步一循环"：

• 预测：基于当前实测状态和最新的光伏、负荷预测，推算未来一个有限时域内的系统动态；
• 优化：在当前状态下求解一个带约束的有限时域优化问题，得到未来N步的最优控制序列；
• 反馈校正：只执行控制序列里的第一步，等到下一个采样时刻，用实测状态重新校正后，再次重复预测和优化。

这就像开车导航：你不会在出发前规划好一条路线就闷头开到底，而是根据实时路况每隔几分钟重新规划一次路线。每次重新规划的时候，都会把当前位置作为起点重新计算，这就是"滚动优化"和"反馈校正"的朴素逻辑。

MPC带来的直接好处是：即使预测有误差，每个控制周期都会用实测状态修正一次，误差不会被无限制累积。储能SOC偏低了，下一周期优化就会发现并调整；光伏突然变少了，下一周期优化就会安排柴油机和联络线多出力。这种"边算边改"的机制，让MPC在处理微电网这种高不确定性场景时，天然比开环调度更有优势。

2. 微电网MPC调度建模：状态量、约束与目标函数的取舍

2.1 状态空间模型怎么搭

用MPC做微电网调度，第一件事就是把微电网的动态行为抽象成一个状态空间模型。我用一个简化并网型微电网为例：光伏+储能+柴油机+联络线+固定负荷。

这个系统可以写成标准形式：

$$ x_{k+1} = A x_k + B u_k + E d_k $$

其中状态向量、控制向量、扰动向量的选取需要仔细思考。我的做法是：

• 状态量 $x = [SOC, P_{dg}]^T$：储能荷电状态和柴油机当前出力。SOC是储能动态的直接体现，柴油机出力作为状态是为了施加爬坡约束；
• 控制量 $u = [P_{ch}, P_{dis}, P_{dg,ref}]^T$：储能充电功率、放电功率、柴油机出力设定值；
• 扰动 $d = [P_{pv}, P_{load}]^T$：光伏预测出力、负荷预测值，这两个不可控，作为已知扰动序列输入。

储能SOC的动态方程是：

$$ SOC_{k+1} = SOC_k - \frac{\eta_c \cdot P_{ch,k} \cdot T_s}{E_{cap}} + \frac{P_{dis,k} \cdot T_s}{\eta_d \cdot E_{cap}} $$

其中$\eta_c$和$\eta_d$分别是充放电效率，$T_s$是采样周期（小时），$E_{cap}$是储能额定容量。这里我把充电和放电拆成两个非负变量，而不是用一个带符号的$P_{bat}$，主要有两个考虑：一是充放电效率不同，合并变量没法准确建模；二是后续在YALMIP里写约束时更清晰。有人会担心充电和放电变量同时为正（既充又放）的情况，这其实不需要额外加互补约束——目标函数里给充放电功率加一个很小的损耗惩罚项，求解器就会自然避免这种物理上不合理的操作。

柴油机用一个一阶惯性模型近似：

$$ P_{dg,k+1} = P_{dg,k} + R_{dg,k}, \quad -R_{max} \le R_{dg,k} \le R_{max} $$

这个$R_{dg}$不单独作为决策变量，而是通过约束间接表达爬坡限制。实际建模时，你既可以把爬坡量$R$写成决策变量，也可以用$P_{dg,ref}$作为控制量再加斜率约束，两种方式等价。

2.2 目标函数与约束条件的工程化设计

MPC的优化问题可以抽象为：

$$ \min_{u_0, u_1, ..., u_{N-1}} \sum_{k=0}^{N-1} J_k(x_k, u_k, d_k) + J_N(x_N) $$

在微电网调度场景下，目标函数$J_k$通常包含这几部分：

• 购电成本：从主网购电的费用，按分时电价$c_{grid}(k)$乘以联络线功率$P_{grid}$计算；
• 燃料成本：柴油机出力对应的燃料费用，$c_{dg} \cdot P_{dg}$；
• 储能损耗成本：充放电过程中的能量损耗和管理成本，$c_{bat}\cdot(P_{ch}+P_{dis})$，这个项还有防止充放电同开的额外作用；
• 松弛惩罚：对约束越限的惩罚，后面会详说；
• 控制动作惩罚：$\Delta u^T R \Delta u$，防止储能充放电指令频繁跳变，对实际设备寿命不友好。

联络线功率$P_{grid}$不用单独设决策变量，可以直接用功率平衡等式表达：

$$ P_{grid} = P_{load} - P_{pv} - P_{dg} - (P_{dis} - P_{ch}) $$

然后把$P_{grid}$代入目标函数和联络线约束里。这样变量数更少，求解更快。

约束条件方面，我把它们分成三个层级：

第一层：硬约束。功率平衡等式是必须满足的，因为微电网内功率不平衡就意味频率波动甚至失稳。这一约束没有任何商量余地。

第二层：物理极限。储能的SOC范围（比如0.2~0.9）、充放电功率上限、柴油机出力上下限、爬坡速率。这些约束来自设备物理特性，大部分也必须满足。但我建议SOC和联络线功率这两个约束做成软约束（加松弛变量），原因后面在"踩坑"部分细说。

第三层：末端约束。预测时域结束时SOC不应该太低，否则这一轮优化会倾向于把储能放空，下一轮就没法用了。常见做法是加SOC末端约束或末端惩罚项。

2.3 预测模型的两种处理方式

这里要澄清一个特别容易混淆的点。MPC里的"模型"其实有两层含义：一层是描述系统动态的控制模型（也就是状态方程），另一层是提供未来扰动序列的预测模型（光伏和负荷预测）。很多人以为MPC里要做预测模型就是用神经网络、ARIMA做光伏预测，其实在MPC框架里，光伏和负荷预测只是作为已知的外生输入序列传入优化问题，重点在优化而不在预测。

处理预测信息有两种常见方式。第一种是直接把预测序列当已知量。在每个滚动周期，用一个独立的预测模块（可以是持久模型、ARIMA、神经网络，甚至是调度系统里的气象预报）给出未来N步的光伏和负荷预测，然后传入MPC优化问题。这种方式灵活，预测模块可以随时替换。

第二种是考虑预测误差的鲁棒MPC。把预测误差建模为一个扰动集合，在优化时保证集合内所有情形都满足约束。这个方法理论上更严密，但计算负担大、解往往偏保守，我建议入门阶段不要碰，先把标准的滚动优化跑通再说。

3. Matlab实现方案：工具箱与自编码求解器的对比

3.1 Model Predictive Control Toolbox的快速原型

Matlab自带的Model Predictive Control Toolbox可以快速搭建简单的MPC控制器。它对线性时不变系统支持很完整，你只需要定义状态空间矩阵$A$、$B$、$C$，设定MV（操纵变量）、MO（测量输出）、MD（测量扰动），然后就能生成MPC对象。下面是一个最简单的示例框架：

% 定义微电网线性状态空间模型 A = [1, 0; 0, 1]; % 实际需要根据系统参数计算 B = [...]; % 控制输入矩阵 C = [1, 0; 0, 1]; D = 0; sys_dt = ss(A, B, C, D, Ts); % 创建MPC对象 mpcobj = mpc(sys_dt, Ts); mpcobj.PredictionHorizon = 24; mpcobj.ControlHorizon = 8; % 设定变量属性 mpcobj.MV(1).Min = -500; mpcobj.MV(1).Max = 500; % 储能功率 mpcobj.MV(2).Min = 100; mpcobj.MV(2).Max = 600; % 柴油机出力 mpcobj.MV(1).RateMin = -800; mpcobj.MV(1).RateMax = 800; mpcobj.OV(1).Min = 0.2; mpcobj.OV(1).Max = 0.9; % SOC约束

用工具箱的好处是代码量少、和Simulink联合仿真方便，非常适合快速验证算法逻辑。但它有几个缺点在微电网调度场景下很致命：一是自定义目标函数非常麻烦，工具箱的目标函数权重矩阵虽然可以设置，但很难加入分时电价这种时变函数；二是预测序列的更新接口不够灵活，你要模拟"预测误差随预测时长逐渐增大"这类真实情况很费劲。所以我的建议是：工具箱适合做Demo，真正做研究或工程验证，自己用YALMIP写。

3.2 YALMIP+求解器：研究级自由度的做法

我的主力方案是用YALMIP建模，搭配求解器求解。YALMIP是一个Matlab的工具箱，它最大的价值不是求解优化问题，而是把"建模"和"求解"解耦——你只需要用%sdpvar声明决策变量，用constraints写约束和objective定义目标函数，最后调用optimize时再指定具体求解器。这样换求解器只需要改一行参数，非常方便。

求解器方面，微电网调度问题通常是线性约束下的二次规划（QP）或者纯线性规划（LP）。我推荐以下选择：

如果只是学习验证，用osqp就够了；如果要做严谨的对比实验，建议用Gurobi——它的数值稳定性远好于osqp，尤其当你的模型里同时存在数量级差异很大的参数时。

3.3 滚动更新闭环代码的关键结构

一个完整的MPC微电网调度主循环，核心框架如下：

% 参数设置 Ts = 15; % 采样周期(分钟) N = 24; % 预测时域步数 E_cap = 2000; % 储能容量(kWh) soc_min = 0.2; soc_max = 0.9; % SOC边界 P_bat_max = 500; % 储能最大充放电功率(kW) P_tie_max = 800; % 联络线功率上限(kW) P_dg_max = 600; P_dg_min = 100;% 柴油机出力范围(kW) ramp_max = 120; % 爬坡速率(kW/周期) ops = sdpsettings('solver','osqp','verbose',0); T_total = 96; % 一天96个采样点 for t = 1:T_total % 第1步：读取当前实测状态 x_meas = [soc_meas(t); p_dg_meas(t)]; % 第2步：获取未来N步的预测序列（光伏、负荷） d_pred = [pv_pred(t:t+N-1); load_pred(t:t+N-1)]; % 第3步：构造优化问题的决策变量 U_pc = sdpvar(1, N); % 储能充电功率 U_pd = sdpvar(1, N); % 储能放电功率 U_dg = sdpvar(1, N); % 柴油机出力 X_soc = sdpvar(1, N+1); % SOC轨迹 S_slack = sdpvar(1, N); % 联络线松弛变量 % 第4步：约束条件 constraints = [X_soc(1) == x_meas(1)]; % 初值用实测SOC constraints = [constraints, U_dg(1) == x_meas(2)]; % 初值用实测柴发出力 for k = 1:N % 储能SOC动态 constraints = [constraints, ... X_soc(k+1) == X_soc(k) - (U_pc(k)/0.95 - 0.95*U_pd(k))*Ts/60/E_cap]; % 储能功率和SOC约束 constraints = [constraints, 0 <= U_pc(k) <= P_bat_max]; constraints = [constraints, 0 <= U_pd(k) <= P_bat_max]; constraints = [constraints, soc_min <= X_soc(k+1) <= soc_max]; % 柴油机出力与爬坡约束 constraints = [constraints, P_dg_min <= U_dg(k) <= P_dg_max]; if k < N constraints = [constraints, ... -ramp_max <= U_dg(k+1) - U_dg(k) <= ramp_max]; end % 功率平衡与联络线约束（软约束） P_grid = d_pred(2,k) - d_pred(1,k) - U_dg(k) - (U_pd(k) - U_pc(k)); constraints = [constraints, ... -P_tie_max - S_slack(k) <= P_grid <= P_tie_max + S_slack(k)]; constraints = [constraints, S_slack(k) >= 0]; end % 第5步：目标函数 % c_grid(t:t+N-1)是未来N步的分时电价 % P_grid是上面算出的联络线功率（sdpvar表达式） objective = sum(c_grid(t:t+N-1) .* P_grid) + ... c_dg * sum(U_dg) + ... c_bat * sum(U_pc + U_pd) + ... M * sum(S_slack); % 第6步：求解并判决 status = optimize(constraints, objective, ops); if status.problem ~= 0 warning('Time step %d: solver failed', t); end % 第7步：只施加第一个控制量，其余丢弃 p_bat_cmd(t) = value(U_pc(1)) - value(U_pd(1)); p_dg_cmd(t) = value(U_dg(1)); % 第8步：把控制指令传给被控对象（仿真模型）更新状态 [soc_meas(t+1), p_dg_meas(t+1)] = plant_step(soc_meas(t), p_dg_meas(t), ... p_bat_cmd(t), p_dg_cmd(t), pv_actual(t), load_actual(t)); end

这段代码我故意保留了很多细节，因为每一个被省略的细节都可能是后面调试两小时的根源。比如U_dg(1) == x_meas(2)这一步，很多人会漏掉——柴油机出力是状态量，如果不把当前实测出力作为优化初值，第一次爬坡约束就会失真。再比如S_slack的取值要非负，否则求解器会通过减小松弛来"优化"目标而没有任何代价。

3.4 与仿真模型解耦的关键认知

这里要强调一个MPC里特别重要的概念：MPC控制器内部使用的模型，和仿真里被控对象的模型，不应该是同一个模型。控制器里的模型（预测模型）是简化近似，仿真里的模型是"真实世界"的代表（可以更精细、包含效率曲线、非线性环节等）。这个区分在工程上很重要，因为MPC的反馈校正机制本来就能容忍一定程度的模型失配，如果控制器和仿真用同一模型，反而掩盖了实际运行时可能出现的模型误差。

我在编码时习惯把这两套模型分开写：控制器内部的predict_model.m只做简单的线性递推，仿真里的plant_step.m则加上了储能效率随SOC变化的非线性特性、柴油机的最小启停时间等细节。这样跑出来的结果才更接近真实场景，也更符合论文里对MPC鲁棒性的论证逻辑。

4. 仿真验证与结果分析：MPC比开环优在哪里

4.1 典型日场景设置

我在验证MPC效果时，构造了一个典型的并网型微电网测试场景，参数如下：

分时电价设置为：峰段（10:00-14:00、18:00-21:00）1.2元/kWh，平段0.8元/kWh，谷段（23:00-次日7:00）0.4元/kWh。柴油机燃料成本按0.9元/kWh折算。这一天里光伏出力呈典型的"早晚低、中午高"形态，负荷呈现两个高峰（上午和晚间）。

预测误差的注入方式很关键。我没有用一次性预测（也就是在t=0时生成全天预测然后不再更新），而是模拟了更真实的情况：在每个采样时刻，根据当前实测值重新生成未来预测序列，预测误差随预测距离增大而增加，即$d_{pred}(t+k|t) = d_{actual}(t+k) + \epsilon_k$，其中$\epsilon_k$的标准差随$k$增大。我在测试中采用的均方根误差在第1步约5%、在第24步约15%，这是光伏短期预测的典型水平。

4.2 三种策略的调度结果对比

我对比了三种策略：开环完美预测（作为性能上界参考）、MPC完美预测、MPC带预测误差、开环带预测误差。开环策略就是一次性求解全天96步的优化问题，用完就不改了。结果如下：

先说MPC完美预测和开环完美预测的对比。两者成本差得很小（约0.3%），说明MPC滚动优化在完美预测下不会比开环最优差很多。多出来的那点成本来自末端效应——预测时域只有24步，最后几个时段优化器看不到未来，会做出一些"短视"决策。这是MPC的固有特性，不是bug。

但带预测误差的场景就完全不同了。开环带误差时，因为计划是基于错误预测算出来的，实际运行时光伏出力低于预期，储能被反复过度充放，SOC在傍晚时段连续4次越限，晚间负荷高峰时联络线两次顶到上限，不得不切掉一部分可中断负荷。而MPC带误差时，虽然成本比完美预测高3.4%，但所有约束都满足，没有发生失负荷。这就是反馈校正的价值——每一步都在用实测状态修正轨迹，误差只影响接下来一个控制周期，而不会累积成全天性的崩溃。

4.3 SOC轨迹和联络线功率的动态差异

如果去看SOC轨迹曲线，差异非常直观。开环调度在完美预测下的SOC是一条平滑的"充电-放电"曲线：谷段充电、峰段放电、晚高峰前留有余量。但带误差时，因为光伏没有达到预测值，储能的实际放电深度比计划深得多，傍晚时SOC一路跌破0.2的下限，而此时距离晚高峰还有两个小时，储能已经没有余量了。柴油机虽然想顶上，但爬坡速率限制决定了它不可能瞬间从100kW加到300kW。

MPC带误差的SOC轨迹虽然也有波动，但始终被控制在0.25~0.85之间，且没有触碰边界。这是MPC的一个微妙之处：它并不是让SOC更平稳，而是让SOC在有偏差时能提前调整。比如光伏在某段时间低于预测时，下一轮优化立刻减少放电指令，甚至在低谷时段提前充电，为后续高峰留出余量。这种"提前量为未来负责"的能力，是任何基于固定计划的方法都给不了的。

5. 把MPC调度落地时踩过的坑

5.1 预测时域长度的选择：太短了储能沦为"近视眼"

预测时域$N$的选择直接影响调度性能。我最初为了减小优化规模，把$N$设为8步（2小时），结果发现储能调度完全是"近视眼"行为：晚上12点到早上5点的低谷电价时段，因为看不到6小时后才会到来的早高峰，储能总是充电不足；到了峰段，储能很快放空，柴油机长期高负荷运行，成本反而比开环调度还高。

这里的问题出在储能的时间尺度上。储能的完整"充放循环"横跨低谷到高峰，至少需要6到10个小时。如果预测时域小于这个周期，优化器就看不到完整的电价差，做出的决策自然短视。我最终把$N$设为24步（6小时），成本明显下降。经验法则是：预测时域至少覆盖一个完整的充放电周期，或者覆盖未来6~8个小时。当然$N$也不是越大越好，超过一定步数后优化求解时间急剧上升，且远期预测误差大到无意义。

5.2 数值尺度不归一化，求解器直接罢工

这是我在自编码求解时遇到的最诡异的坑。刚跑通MPC时，用OSQP求解，经常出现求解成功但结果明显不合理的情况——SOC轨迹锯齿状跳变、柴油机出力震荡。排查了很久，最后发现是数值尺度问题。模型里储能容量是2000kWh、功率是500kW、电价是0.4~1.2元/kWh、SOC是0.2~0.9、爬坡约束是120kW/周期，这些量数量级差异太大，导致约束矩阵的条件数很差，求解器在数值容差范围内做决策时，会牺牲那些"数值上看起来很小"的约束（比如SOC精度）。

解决方法很朴素：把物理量换算到统一量级。我的做法是功率全部改用MW表示，储能容量改用MWh，电价保持元/kWh不变，这样模型中最大的数值也不会超过几千。换算之后，同样的模型用OSQP求解，结果立刻稳定了。后来我遇到过一次类似问题，是目标函数里M系数（松弛变量惩罚系数）设得过大导致数值病态，把M从100000降到1000就好转了。这提醒我：在Matlab里做MPC，代码逻辑只是第一步，数值卫生同样决定成败。

5.3 求解耗时与热启动技巧

虽然微电网调度的控制周期通常是5分钟或15分钟，看似不需要极速求解，但如果你做的是硬件在环测试或者实时仿真，求解耗时依然重要。我在测试中发现，模型在预测时域24步、决策变量约72个的规模下，冷启动求解需要约0.8秒（OSQP），这其实已经可以接受。但如果把预测时域加到48步，或者增加更多控制单元，求解时间会飙升到2秒以上。

一个很有效的优化手段是热启动。MPC滚动优化有一个天然优势：上一轮的最优解和这一轮的最优解非常接近（因为只是时间窗平移了一步，状态变化很小）。把这个先验信息充分利用起来，可以让求解器从接近最优解的位置开始迭代，大幅减少迭代次数。在YALMIP里实现很简单：

% 第一次求解后保存结果 sol = optimize(constraints, objective, ops); % 下一周期求解前，把上一周期的解赋为初值 for i = 1:length(U_pc) assign(U_pc(i), value(U_pc(i, prev_sol))); end assign(X_soc(1), x_meas(1)); optimize(constraints, objective, ops, sol); % 注意ops后面可以传sol

实测用上热启动后，单步求解时间从0.8秒降到了0.3秒左右，而且不需要牺牲精度。如果用的是Gurobi，它的自带WarmStart机制会更方便，连手动assign都不用。

5.4 硬约束与软约束的哲学：允许"无解"比约束越限更糟

我第一次做MPC时，把所有约束都设成硬约束，包括SOC界限和联络线功率上限。结果在一个预测误差特别大的场景里，优化返回了"问题不可行"（infeasible）的提示。这时候我的代码直接崩了——但真实系统里，MPC的"崩"意味着这一轮没有控制指令输出，储能可能维持上一周期的指令继续运行，而系统状态其实已经严重偏离预期。在工业场景里，这是绝对不能接受的。

正确做法是把那些"可能会因为预测误差而被逼到极限"的约束设成软约束，即添加松弛变量，让约束在极端情况下可以"稍微越界"，但越界要付出代价。在目标函数里加的惩罚项$M \cdot s$，$M$要足够大——大到正常情况下求解器不会主动选择越界，但又不能大到让数值病态。我实践下来，$M$取正常运行成本量级的1000倍左右比较合适。

这里还有一个容易踩的坑：切负荷惩罚和购电价格的相对关系。如果切负荷惩罚设得比购电价低，那么求解器在峰段可能倾向于选择切负荷而不是高价购电，这在微电网场景中是违背运行原则的（失负荷的代价远高于电价）。所以目标函数里的惩罚系数排序应该是：切负荷罚 > 储能SOC松弛罚 > 联络线越限罚 > 柴油机燃料成本 > 储能损耗成本。

5.5 预测更新的建模细节

最后分享一个关于测试方法论的细节。很多人在仿真MPC时，习惯把所有时段的预测数据事先算好，然后每个滚动周期直接读取对应时间段的预测值。这种做法的本质是"离线预测+在线优化"，虽然也能跑通MPC，但它没有模拟出预测模块在线更新的过程，MPC的鲁棒性优势会被大大低估。

正确的做法是让预测序列在每个采样时刻动态生成——每次滚动时，用当前实测值作为最新信息，重新计算未来预测序列（哪怕只是简单的"持续性预测"：未来k步的预测值等于当前实测值加一个衰减的趋势项），也要保证每一步的预测序列都不同。这样才能真实反映预测误差随时间的演变，也能让你在分析结果时区分清楚MPC的性能提升是来自"滚动优化"还是来自"预测算法的准"。

最后聊几句实际感受

做完这个MPC微电网调度项目，我最深的体会是：MPC不是一个高深莫测的算法，它只是把"走一步看一步、看一步修正一步"的朴素逻辑用数学形式固化了下来。它在微电网里的成功，不是因为预测模型有多准，而是因为每个控制周期都在用实测状态修正轨迹，让误差始终被限制在可控范围内。

如果让我给后来者一条最实用的建议，那就是不要急着追求复杂的模型和昂贵的求解器。先用YALMIP搭一个最简版本的滚动优化框架——线性模型、完美预测、单个储能加柴油机——把这个框架跑通，再逐步加入预测误差、软约束、效率非线性这些细节。框架对了，后面的问题基本都是调试问题；框架不对，换再好的求解器、再精细的模型也救不了。另外一个细节是：测试MPC时一定要分清楚"完美预测下的MPC"和"带误差下的MPC"，前者验证算法本身的收敛性，后者验证方法在真实场景下的鲁棒性——两者的意义完全不同，但很多初稿论文都栽在这两者的混淆上。