含储能微网双层能量管理模型：MPC日前调度与日内滚动实现

这段时间我把手头那个含储能微网的双层能量管理模型用MATLAB完整搭了一遍，核心控制器是模型预测算法（MPC）——上层做日前调度，下层做日内滚动修正。这个模型的目标很朴素：在电价、光伏、负荷都不完全确定的情况下，让储能既帮忙省钱，又把联络线功率稳住。我整理一下建模、求解器和踩坑，给正在做微网能量管理、储能调度或MPC落地的人参考。

我觉得这类问题最怕的不是算法看不懂，而是模型写出来能跑、却不知道结果为什么不对。所以这篇文章按我实际动手的顺序来写，先把为什么双层、怎么建模讲清楚，再给MATLAB代码骨架和仿真对比，最后把最常见的坑列出来。

1. 项目背景：为什么微网能量管理要长成“双层”

1.1 单层调度到底差在哪

单层日前调度，基于一天前的气象和负荷预测，用未来24小时数据一次性建模求解，直接生成储能充放电、联络线购电计划。只要预测偏差不大，这个方案的性价比很高；可问题是预测偏差从来不小。光伏预测在阴天容易偏30%以上，负荷预测在出现大用户冲击负荷时也常偏10%以上。计划在“纸面”上最优，到实际执行时却可能让储能处在完全不合适的状态。

我举个例子。一个园区微网，中午预测光伏很强，日前计划安排储能多充电、甚至不放电。结果下午一片云过来，光伏实际出力掉了两成，储能SOC一下子低于下限，晚上负荷高峰时只能高价从电网补电。更麻烦的是联络线功率按计划走，实际负荷突然上涨，园区又不能马上多买电，搞不好就要切负荷。单层调度本质上是“开环”的，没有反馈校正，预测错了只能认栽。

1.2 模型预测算法为什么适合能量管理

MPC的核心思想是“滚动优化，只执行第一步”。每15分钟用最新实测数据和超短期预测，重新求解未来4小时的优化问题，但只把当前时刻的指令下发下去。这样系统天然带反馈，和开环日前调度有本质区别。

用一个生活化的比喻：拿周末天气预报安排全天行程，不如每小时看一次雷达图，只决定下一个小时要不要带伞。MPC的三个要素是预测模型、滚动求解、反馈校正：预测模型决定未来状态怎么演化，滚动求解决定当前最优动作，反馈校正把实际SOC、实际功率与模型预测的偏差拉回来。

1.3 双层结构的分工逻辑

如果单纯用MPC做日内控制，虽然跟踪能力强，但不利于利用分时电价安排大趋势。因为MPC预测时域通常只有4到6小时，看不到一天后电价高台的真正位置。所以我把问题拆成两层：

• 上层日前调度：负责24小时甚至48小时的“粗决策”，目标是抓住电价峰谷差异，给出储能各时刻充放电参考、联络线功率参考。
• 下层日内MPC：在日前计划之上做“精细修正”，预测时域短、预测精度高，专门应对突发事件。

这样上层管经济性，下层管可靠性，这就是“双层能量管理模型”存在的理由。有人会再拆出实时控制层，但对绝大多数并网型园区微网，两层已经够用。

2. 储能微网建模：把物理系统翻译成优化问题

2.1 微网拓扑与设备参数

我用的样例是一个模拟园区并网型微网，不含真实场地和真实设备，只为了把方法讲清楚。拓扑非常简单：一条交流母线上挂着光伏、负荷、储能和联络线变压器。

典型参数如下：

这些参数不是随便定的。光伏额定功率和负荷峰值决定了微网对外交换功率的区间，储能容量和最大功率决定了它能“搬”多少电量，联络线爬坡限值直接影响MPC能否快速响应负荷突变。参数太紧，优化问题容易无解；太松，MPC的价值又体现不出来。

2.2 储能SOC建模最容易搞反的环节

储能建模中，SOC更新是最容易出错的。我用两个非负变量来避免符号混乱：P_ch表示充电功率，方向从母线流入电池；P_dis表示放电功率，方向从电池流向母线。考虑充放电效率后，SOC递推关系写为：

SOC(k+1) = SOC(k) + (eta_ch * P_ch(k) - P_dis(k) / eta_dis) * dt / E_B

其中eta_ch是充电效率，eta_dis是放电效率，E_B是储能容量。很多人会把效率放错位置，结果同样电量充放一次，损耗反而变成“增益”，仿真跑着跑着SOC越来越高，这明显违反能量守恒。

对于单母线微网，充放电互斥约束其实可以不加二进制变量。就算你同时给了正充电和正放电，这部分能量也只是从母线进电池、再从电池回母线，白白多一次损耗，任何以成本最小化为目标的优化都不会选择这种解。所以单纯两个非负变量就够用，求解速度更快。如果加了上层计划偏差项后真出现同时充放电，再补大M互斥也不迟。

2.3 功率平衡、联络线约束与目标函数

母线功率平衡必须满足：

P_load(k) + P_ch(k) = P_pv(k) + P_dis(k) + P_buy(k) - P_sell(k)

这里P_buy和P_sell分别表示从电网购电和向电网售电，都取非负。联络线交换功率可以定义为P_g = P_buy - P_sell，再对P_g加爬坡约束：每一步变化不超过设定限值。

双层模型的目标函数分两块。上层日前调度的目标很简单，最小化全天运行成本：

min sum ( c_buy(k) * P_buy(k) * dt - c_sell(k) * P_sell(k) * dt ) + c_bat * sum ( P_ch(k) + P_dis(k) ) * dt

第一项是购电成本，第二项是售电收益，第三项是储能退化成本。c_bat是电池吞吐折旧系数，我习惯设0.1元/kWh左右，别看它小，正在抑制储能的频繁动作。

下层MPC的目标函数在运行成本基础上，还要加两个跟踪惩罚项：

+ lambda1 * sum( (P_buy - P_buy_ref).^2 ) + lambda2 * sum( (P_ch - P_ch_ref).^2 + (P_dis - P_dis_ref).^2 ) + beta * (SOC(N+1) - SOC_ref)^2

前两项让日内决策不偏离日前计划太远，终端项把SOC拉回到参考值，防止一天结束SOC漂移。注意这些二次项让MPC变成一个QP问题，QP比带二值变量的MILP快得多，这也是我能把滚动循环跑得飞快的原因之一。

3. MATLAB实现：滚动优化到底怎么写

3.1 为什么我选了YALMIP+Gurobi而不手写KKT

手写KKT条件对线性MPC是可以的，但双层模型里有状态递推、爬坡约束、SOC边界，手写容易漏约束，而且换一个需求就要全部重来。我建议在MATLAB里用YALMIP建模，后端接Gurobi或CPLEX。没有商业求解器时，先用MATLAB内置的linprog和intlinprog也能跑通，只是大规模场景慢一些。

YALMIP最大的好处是约束和目标函数可以按数学表达式的形式直接写，不用自己拼矩阵。代码可读性高，排查问题也容易。

3.2 上层日前调度代码骨架

上层日前调度用1小时步长，共24个点。决策变量包括P_buy、P_sell、P_ch、P_dis和SOC。核心代码如下：

N_up = 24; dt_up = 1; % 1小时 P_load_fc = ...; P_pv_fc = ...; % 1x24 预测数据 P_buy = sdpvar(N_up,1); P_sell = sdpvar(N_up,1); P_ch = sdpvar(N_up,1); P_dis = sdpvar(N_up,1); SOC = sdpvar(N_up+1,1); Constraints = [SOC(1) == SOC0]; for k = 1:N_up Constraints = [Constraints, ... SOC(k+1) == SOC(k) + (eta_ch*P_ch(k) - P_dis(k)/eta_dis)*dt_up/E]; Constraints = [Constraints, 0 <= P_ch(k) <= Pmax, 0 <= P_dis(k) <= Pmax]; Constraints = [Constraints, 0 <= P_buy(k) <= Pb_max, 0 <= P_sell(k) <= Ps_max]; Constraints = [Constraints, ... P_load_fc(k) + P_ch(k) == P_pv_fc(k) + P_dis(k) + P_buy(k) - P_sell(k)]; Constraints = [Constraints, SOC_min <= SOC(k+1) <= SOC_max]; end Objective = sum(c_buy.*P_buy*dt_up - c_sell.*P_sell*dt_up) + ... c_bat*sum(P_ch + P_dis)*dt_up; optimize(Constraints, Objective, sdpsettings('solver','gurobi','verbose',0));

求解完成后，得到24小时参考值，但日内MPC每15分钟算一次，所以需要把参考轨迹转换到96点。我建议P_buy_ref做线性插值，P_ch_ref和P_dis_ref做零阶保持，因为储能充放电指令本质上是离散动作，插值容易抹掉原本的“平段不充不放”特征。

3.3 下层MPC滚动循环的关键代码

下层MPC封装成一个函数，输入当前SOC、未来N步负荷/光伏预测、上层参考轨迹，输出当前控制指令。预测时域我用4小时，控制步长15分钟，所以N = 16。

function [P_buy_cmd, P_ch_cmd, P_dis_cmd, SOC_next] = mpc_step(...) N = paras.N; dt = paras.dt; P_buy = sdpvar(N,1); P_sell = sdpvar(N,1); P_ch = sdpvar(N,1); P_dis = sdpvar(N,1); SOC = sdpvar(N+1,1); P_g = P_buy - P_sell; C = [SOC(1) == SOC0]; for k = 1:N C = [C, SOC(k+1) == SOC(k) + (eta_ch*P_ch(k) - P_dis(k)/eta_dis)*dt/E]; C = [C, 0 <= P_ch(k) <= Pmax, 0 <= P_dis(k) <= Pmax]; C = [C, 0 <= P_buy(k) <= Pb_max, 0 <= P_sell(k) <= Ps_max]; C = [C, P_load_fc(k) + P_ch(k) == P_pv_fc(k) + P_dis(k) + P_buy(k) - P_sell(k)]; C = [C, SOC_min <= SOC(k+1) <= SOC_max]; if k > 1 C = [C, abs(P_g(k) - P_g(k-1)) <= Ramp_max]; end end Objective = sum(c_buy.*P_buy*dt - c_sell.*P_sell*dt) + ... c_bat*sum(P_ch + P_dis)*dt + ... lambda1*sum((P_buy - P_buy_ref).^2) + ... lambda2*sum((P_ch - P_ch_ref).^2 + (P_dis - P_dis_ref).^2) + ... beta*(SOC(N+1) - SOC_ref)^2; optimize(C, Objective, sdpsettings('solver','gurobi','verbose',0)); P_buy_cmd = value(P_buy(1)); P_ch_cmd = value(P_ch(1)); P_dis_cmd = value(P_dis(1)); SOC_next = value(SOC(2)); end

主循环按一天96个点跑，每个点调用一次mpc_step，只取第一个控制量，然后用实测或模拟的真实SOC去更新状态。

SOC_now = 0.5; for k = 1:96 idx = k:min(k+N-1, 96); % 用当前时刻最新超短期预测填充 idx [u_buy(k), u_ch(k), u_dis(k), SOC_now] = mpc_step(..., SOC_now, paras); end

这里需要特别强调：每次MPC调用用的都是“当前时刻重新生成的预测”，而不是第一天早上的那份预测。如果滚动循环里始终用同一份预测跑96遍，那不是MPC，只是把同一个开环优化重复了96遍。

3.4 滚动循环里容易踩的细节

第一，时间对齐。上层日前计划是1小时间隔，MPC是15分钟，参考轨迹的索引必须严格对应，否则MPC以为日前计划是未来另一个时刻的值，跟踪错误。第二，预测窗口超出一天时，要做尾部填充。我的做法是超出部分用当天的负荷/光伏末值填充，同时加强终端SOC惩罚，防止优化问题在窗口末端“摆烂”。第三，如果每个控制周期都用optimize从零建模，求解时间容易积少成多。更高效的做法是把MPC问题封装成YALMIP的optimizer对象，预先编译好，每次滚动只换数据，不重新解析模型。

4. 仿真对比：双层MPC比单层日前到底赢在哪

4.1 测试场景与误差模型

我构造了一个“晴转多云”的典型日：光伏上午10点约120kW，中午最高约280kW，下午因云层降到60kW；负荷早高峰约250kW，晚高峰约380kW。电价采用峰平谷三段，峰段1.2元/kWh，平段0.7元/kWh，谷段0.3元/kWh，上网电价固定0.35元/kWh。

预测误差设置如下：日前预测的光伏标准差12%，负荷标准差5%；超短期预测（未来4小时）的光伏标准差3%，负荷标准差1.5%。MPC参数取N=16，lambda1=0.5，lambda2=0.3，beta=80，SOC_ref=0.5。

4.2 结果对比表

整体仿真结果如下：

成本下降了约10.8%，主要来自储能没有被“错误充电”困住，避免了傍晚高价购电；联络线功率波动下降了约31.8%，是因为MPC每15分钟就把偏差修回来，不让误差累积。这两个收益在预测误差越大时越明显。

4.3 从曲线看“双层”的实际动作

看SOC曲线会更直观。单层日前计划在13点安排储能以80kW充电，但实际光伏只有50kW，这时储能充不满，SOC提前掉头向下；傍晚负荷高峰，电池电量不够，只能从电网买高价电。而双层MPC在12点45分就发现问题，把充电功率降到30kW，缺口由电网补上，晚间SOC还能维持在20%以上，可以按计划支撑高峰放电。

联络线功率曲线也一样。单层日前在预测偏差大的时段频繁触到上下限，而MPC的爬坡约束和跟踪惩罚共同作用，让联络线功率变化更平缓。这也是我认为双层模型“好看”的地方：上层保证大趋势，下层处理细节，两者配合而不是互相打架。

5. 常见问题与排查技巧实录

5.1 optimize返回infeasible，先检查这四件事

YALMIP的optimize返回problem=1时，很多人第一反应是加松弛变量，但我建议按顺序排查：

写功率平衡时最容易犯的错是把P_load和P_pv放在同一边，导致晴天光伏越多越“缺电”。每次建模后，先手动验算第一个时间点，能量守恒没问题再往下跑。

5.2 SOC越界和漂移：不是硬约束问题，而是目标函数缺了远方

如果你只约束了滚动窗口内的SOC上下限，MPC很可能为了安全始终把SOC维持在中段，到一天结束SOC没有回到50%附近，第二天就没法继续调度。我的解决办法是加终端项beta*(SOC(N+1)-SOC_ref)^2。beta太小不起作用，太大又会把MPC变成一个“SOC跟踪器”，削弱电价优化效果。我从运行成本量级的十分之一开始调，比如成本几千元，beta先取几十。

还有个实用技巧：下层MPC的SOC下限不要直接取物理下限0.15，而取0.20，多留5%作为预测误差的缓冲。物理下限是硬约束，你永远不知道下一个15分钟预测会不会突然偏大。

5.3 求解慢：问题本身很小，但96次调用积少成多

16步的QP问题非常小，Gurobi求解一次也就几十毫秒。但如果用optimize直接从字符串表达式开始建模，YALMIP的解析开销反而可能占大头。更优做法是把MPC问题封装成optimizer对象，只把变化的数据传入，避免重复解析。另外，如果没有特殊需求，不要为了禁止同时充放电而加入二进制变量，否则QP变成MILP，求解时间会慢十倍以上。单母线模型里同时充放电不可能是经济最优，不加互斥变量通常没事。

5.4 充放电效率方向写反

这是个特别隐蔽的坑。用我前面的SOC公式，eta_ch乘在P_ch上是充电方向，eta_dis除在P_dis上是放电方向。如果两个效率位置写反，一次充放循环的SOC变化会变成“越充越多”。跑单日仿真时，哪怕只反一个效率，SOC末端也可能从0.5漂到0.7以上。我后来养成了一个习惯：把SOC更新单独写成一个函数，先用固定功率跑一小时，确认SOC变化符合直觉，再进优化模型。

6. 工程扩展与个人体会

6.1 从这一版模型到多储能、多微网

如果园区里有多套储能，只需要给每套储能增加下标，功率平衡中把多台充放电功率叠加，目标函数中加入各自的退化成本。多微网互联的扩展会更复杂，因为联络线功率变成潮流约束，不再是简单上下限。但双层框架本身可以平滑扩展：上层负责全局经济调度，下层每台微网单独做MPC修正，两级之间交换耦合功率边界。

6.2 如果再写一遍，我会先做这些

不要一上来就写双层MPC。先把不含储能的功率平衡跑通，再加储能SOC更新，再加日前优化，最后加MPC滚动。每一步都用“全日能量不守恒”测试验证：把一天所有功率积分，误差小于1%才算顺手。这样隔离问题，能省下很多在双层模型里两头排查的时间。

6.3 一点实话

这个项目的“收益数字”并不能直接搬到另一个园区去用。MPC带来的收益取决于预测误差有多大、电价峰谷差有多明显、储能配置受多少约束。预测误差越大、峰谷差越大、储能越受限，MPC的价值越突出。我个人把模型预测算法落地后的最大收获，是学会了设计惩罚函数来跟不确定性打交道——这比单纯把买电成本调低几个百分点重要得多。