企业官网建设流程全解析

1. 为什么选择MPC做微电网调度？——从一个调度的痛点说起

前段时间刚把一套基于模型预测控制（MPC）的微电网调度优化程序用Matlab完整跑通，光伏、风电、储能、柴油机、电网交互全部写进一个可调的Demo里。从预测模型搭建到滚动优化实现，整个过程比我预想中要复杂不少，但也正是因为这些细节，我才真正理解MPC在微电网调度里到底解决的是什么问题。这篇文章会把我的实现思路、Matlab代码骨架、关键参数和踩过的坑全部整理出来，给准备做相关研究或者工程落地的同学一份可以直接参考的方案。

1.1 微电网调度到底在解决什么问题

微电网一般由分布式发电源（光伏、风电）、储能系统（BESS）、可控发电机组（如柴油发电机）和本地负荷组成，既可以并网运行，也可以离网孤岛运行。调度的核心任务很简单：在满足负荷供电的前提下，合理分配各个单元的输出功率，让系统运行成本最低、储能寿命损耗可控、碳排放尽量少、并网功率不越限。

听起来像是一个典型的经济调度问题。但如果只是做一个“日前计划”，把一天24小时分成96个时段，提前算出每一刻柴油机出多少、储能充多少、电网交互多少，实际跑起来就会发现根本不好用。光伏功率受云层影响，可能十几分钟就从100千瓦掉到30千瓦；负荷也总有突发波动。前一天制定的计划，第二天早上就已经严重偏离现实，储能可能会过放，柴油机爬坡跟不上，甚至可能因为功率越限被电网考核。

微电网调度真正难的地方，是在“预测一定不准”的前提下，仍然能保证系统安全和运行经济性。也就是说，调度算法必须能滚动更新、不断用新测量数据修正未来决策。MPC天然适合这件事。

1.2 为什么传统开环优化不够用

传统优化调度通常走“一次建模、一次求解、结果下发”的路线。以日前经济调度为例，已知第二天各时段的预测值后，构造一个大规模线性规划或混合整数规划，求出一整天的开机组合和出力计划。这种方式的问题在于开环：计划下发后基本不根据实时状态修正，一旦扰动到来，只能依赖人工干预或者底层控制器被动响应。

而微电网里有几个环节对这种开环方式非常不友好。储能系统有SOC上下限约束，过充过放会直接影响电池寿命；柴油机有爬坡约束，不是你想让它一秒从零加到满负荷就能做到；并网功率上下限也会被调度协议卡住。这些本质上都是“动态约束”，如果只看未来一个时段，很难判断当前该不该多充一点电、多预存一些能量。

开环优化相当于一个人在夜晚看了一眼第二天天气预报，就决定全天穿多少衣服，结果白天降温也只能硬扛。MPC则更像每隔几个小时看一眼实时天气和温度，再重新规划接下来几小时的穿搭，既考虑了未来趋势，又结合了当前实测。

1.3 MPC的核心思想与可控优势

MPC在每一个控制周期内执行三步：根据当前状态量和未来扰动预测，计算未来一段有限时域内的系统状态轨迹；在满足各种物理约束的前提下，求解一个带目标函数的有限时域优化问题；只把求解结果中的第一步下发执行，等到下一个控制周期到来时，用新的实测状态重新滚动求解。

这个“滚动优化+反馈校正”的机制，让MPC同时具备了最优控制和闭环反馈的优点。在微电网调度里，我们可以把光伏、风电、负荷预测当作已知的外部扰动量，把SOC当作状态变量，把柴油机出力、储能充放电功率、电网交互功率当作控制变量。相比传统开环调度，MPC能够：

• 在每个周期都引入最新的SOC测量值，及时纠正模型失配和预测误差造成的偏差。
• 通过有限时域优化，提前看到未来几小时的负荷和新能源变化，为储能预留充放电决策空间。
• 把储能SOC约束、机组爬坡约束、并网功率约束统一放进优化问题中，避免“先决策后校验”带来的冲突。
• 对多目标进行灵活加权，比如同时考虑购电成本、柴油油耗、储能损耗平抑。

当然，MPC也不是没有代价。它依赖模型精度，预测时域长度和求解速度直接相关，而且离散时域下引入储能充放互斥的二进制变量后，问题会变成混合整数规划，计算量比常规线性规划高不少。这部分在Matlab实现里体现得非常明显，尤其是对时域长度和求解器的选择，稍不注意就卡住。

2. 系统建模与MPC框架搭建

MPC效果好不好，模型占了一半。调度建模不追求组分内部的电磁暂态，而是关注功率平衡、能量状态转移、成本特性和运行约束。这一节我把常见的微电网组件模型和MPC状态空间框架拆开讲清楚，方便大家直接对照自己的算例改。

2.1 微电网组件数学模型

以一个典型并网型微电网为例，包含光伏阵列、风力机组、柴油发电机、锂电池储能、本地负荷和上级电网联络线。所有功率单位设为千瓦，时间步长设为15分钟。

光伏和风电是“不可控扰动源”。在MPC的预测时域内，我们直接把它们的预测功率序列当作已知的输入信息。也就是说，光伏和风电不提供优化自由度，它们出力多少由环境决定，算法只能在当前预测假设下进行资源分配。这个处理方式简单有效，后续如果想加入弃光弃风控制，也可以把实际并网功率作为控制变量，再把上限设为可发功率。

储能系统的核心状态是荷电状态SOC。离散状态方程通常写成：

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

其中P_b(k)是储能与系统的交换功率，约定放电为正、充电为负，η_b是综合充放效率，E_b是储能容量。如果希望细致描述充放电效率不对称，可以拆成P_ch和P_dis两个非负变量，配合充放互斥二进制变量。代码实现部分我会给出两种做法，不过第一次调试建议先用单变量模型，等框架跑通再升级成含互斥约束的版本。

柴油发电机是可控单元，成本一般写成关于出力的线性或二次函数：

C_dg = a * P_dg^2 + b * P_dg + c

实际调度里爬坡约束非常关键，相邻两个时段的犯出力变化必须限制在允许范围内，否则机组无法响应。这个约束在MPC里容易处理，因为预测时域内的每个相邻控制步都可以建立差值约束。

电网联络线可以做成功率可正可负的交互变量，正表示从上级电网购电，负表示向电网售电。为了方便计费，更推荐拆成P_buy和P_sell两个非负变量。购电成本按分时电价计算，售电收益按上网电价计算，两者价格不同，这也更贴近实际。

2.2 MPC预测模型与状态空间描述

从控制角度看，系统的状态量可以选为SOC，因为这是唯一的动态变量。如果把柴油机爬坡过程也建模成一阶惯性环节，那还可以把柴油机当前出力也作为状态，但大多数调度级MPC里简化成一阶代数关系，只增加爬坡约束。

预测模型在离散时间下可以写为：

x(k+1) = f(x(k), u(k), d(k))

其中x=SOC，u=[P_dg, P_buy, P_sell, P_b]的组合，d=[P_load, P_pv, P_wt]。

在预测时域Np内，已知当前测量值SOC(k)，以及未来Np步的负荷、光伏和风电预测序列，就可以递推得到未来Np+1步的SOC轨迹。MPC并不要求所有控制变量在未来每一步都独立变化，通常只让前Nc步有变化自由度，后面保持恒定，也就是控制时域。设置控制时域比预测时域短，可以降低问题维度，减少计算量。

在搭建目标函数之前，还需要明确等式约束：每个时段的功率平衡关系为：

P_pv + P_wt + P_dg + P_dis + P_buy = P_load + P_ch + P_sell

这样写可以避免正负功率符号混乱，所有变量都取非负，便于线性建模。

2.3 目标函数与约束设计

MPC目标函数通常采用加权求和的形式。在我的案例里主要包含这几项：

• 柴油发电成本：可以线性化，也可以在YALMIP中直接描述二次型。
• 电网购电成本和售电收益：不同时段价格不同，用P_buy和P_sell分别写。
• 储能充放电动作惩罚：减小频繁切换，保护电池。
• SOC偏差惩罚：让SOC尽量回到参考值附近，防止优化结果把电池电量“用尽”或“充满”。
• 柴油机出力变化量惩罚：让出力曲线更平缓，避免机组频繁调整。

约束条件必须覆盖：

• 柴油机出力上下限和爬坡约束。
• 储能充放电功率上下限。
• SOC动态方程和上下限约束。
• 电网交互功率上限。
• 系统功率平衡方程。

在新能源渗透率过高的时段，功率平衡方程可能会导致无解，比如光伏大发且储能已满、电网还限制外送。遇到这种情况，可以在功率平衡中引入松弛变量，并给松弛变量一个很大的惩罚系数，保证MPC始终有可行解，而不是直接报错。

2.4 常用参数的经验取值

我从经验出发，列一组适合做研究和演示的初始参数，方便第一次跑通代码。时域步长取15分钟，预测时域Np建议8到12步，也就是未来2到3小时，控制时域Nc取4到6步。太短容易近视，看不到负荷峰谷的移峰需求；太长会显著增加求解器压力。

储能SOC上限建议设0.2到0.9之间，不一定要用0%和100%，留一点安全余量。柴油机爬坡限幅取额定功率30%左右。如果系统容量较大，可以把所有功率单位改成标幺值，避免数值差异过大导致求解精度下降。

权重方面，目标函数各项数量级差异很大，不能直接按“重要性”乱写。建议先把变量归一化到相近量级，比如成本单位都用元每小时，功率单位都用千瓦，SOC用百分比。这样权重调整才有意义。

3. Matlab代码实现步骤与关键代码解析

这一节直接上干货。我使用的是Matlab+YALMIP框架，求解器可以用常见商业求解器，也可以换成开源求解器。YALMIP的好处是建模速度快，约束和目标函数写起来接近数学公式，适合快速验证MPC算法。下面按照程序架构、核心主循环、约束构建和结果分析四块逐个讲。

3.1 程序整体架构与数据准备

我的目录结构一般这样组织：

• data_generation.m：生成负荷、光伏、风电预测序列和真实序列。
• mpc_parameters.m：集中定义所有系统参数。
• build_mpc_problem.m：创建YALMIP变量和约束，返回预测时域内的控制器结构。
• main_mpc_loop.m：主循环，实现滚动优化。
• plot_results.m：绘制调度曲线。

数据准备很简单，为了模拟“预测不准”，先有一条真实功率曲线，然后在每个采样点加上一定标准差的高斯噪声，作为当前时刻控制器能看到的预测曲线。实际研究中可以用历史实测数据或数值天气预报，但Demo里用噪声模拟可以快速验证算法鲁棒性。

典型算例参数如下表：

3.2 MPC主循环与变量定义

核心逻辑在一个循环里完成。每次迭代先拿到当前SOC实测值，生成未来Np步的预测序列，再建立优化问题并求解，最后只执行第一步结果。主循环代码骨架如下：

% main_mpc_loop.m 核心循环 T = 96; Np = 8; Nc = 4; soc_record = zeros(1, T+1); P_dg_record = zeros(1, T); P_ch_record = zeros(1, T); P_dis_record = zeros(1, T); P_buy_record = zeros(1, T); P_sell_record = zeros(1, T); % 初始SOC soc_record(1) = soc_init; for k = 1:T % 获取当前真实SOC(模拟传感器测量) soc_now = soc_record(k); % 构造预测序列，越过末尾时用最后一个可用值填充 idx_range = k:min(k+Np-1, T); load_pred = load_real(idx_range); load_pred(end+1:Np) = load_real(end); pv_pred = pv_real(idx_range); pv_pred(end+1:Np) = pv_real(end); wt_pred = wt_real(idx_range); wt_pred(end+1:Np) = wt_real(end); % 调用YALMIP建模求解 [u_dg_pre, u_buy_pre, u_sell_pre, u_ch_pre, u_dis_pre, soc_traj, solve_status] = ... solve_mpc_step(soc_now, load_pred, pv_pred, wt_pred, Np, Nc); % 只执行第一步 P_dg_record(k) = u_dg_pre(1); P_buy_record(k) = u_buy_pre(1); P_sell_record(k) = u_sell_pre(1); P_ch_record(k) = u_ch_pre(1); P_dis_record(k) = u_dis_pre(1); % 用真实模型更新SOC，引入模拟误差 real_load = load_real(k); real_pv = pv_real(k); real_wt = wt_real(k); soc_record(k+1) = soc_record(k) ... - (P_dis_record(k)/eta_dis - eta_ch*P_ch_record(k)) * dt / E_b; end

特别注意，MPC内部的预测模型和“真实对象”要保持不完全一致，这样才能看出反馈校正价值。比如在真实对象中充放电效率分别为0.95和0.9，而预测模型里用同一个综合效率0.92。等到整个程序跑完再看，MPC依然能靠SOC反馈把轨迹拉回来，这也是最小实现里最有价值的一点。

3.3 YALMIP下的约束构建与求解调用

solve_mpc_step函数里的核心建模代码可以写成如下形式：

function [u_dg_pre, u_buy_pre, u_sell_pre, u_ch_pre, u_dis_pre, soc_traj, status] = ... solve_mpc_step(soc_now, load_pred, pv_pred, wt_pred, Np, Nc) P_dg = sdpvar(1, Np); P_buy = sdpvar(1, Np); P_sell = sdpvar(1, Np); P_ch = sdpvar(1, Np); P_dis = sdpvar(1, Np); SOC = sdpvar(1, Np+1); constraints = []; SOC(1) = soc_now; for t = 1:Np % 功率平衡 constraints = [constraints, ... pv_pred(t) + wt_pred(t) + P_dg(t) + P_buy(t) + P_dis(t) ... == load_pred(t) + P_ch(t) + P_sell(t)]; % SOC动态 constraints = [constraints, ... SOC(t+1) == SOC(t) - (P_dis(t)/eta_dis - eta_ch*P_ch(t)) * dt / E_b]; % 柴油机约束 constraints = [constraints, P_dg_min <= P_dg(t) <= P_dg_max]; if t == 1 constraints = [constraints, ... -dP_dg_max <= P_dg(1) - P_dg_prev_meas <= dP_dg_max]; else constraints = [constraints, ... -dP_dg_max <= P_dg(t) - P_dg(t-1) <= dP_dg_max]; end % 储能功率与SOC限制 constraints = [constraints, 0 <= P_ch(t) <= P_ch_max]; constraints = [constraints, 0 <= P_dis(t) <= P_dis_max]; constraints = [constraints, SOC_min <= SOC(t+1) <= SOC_max]; % 电网交互 constraints = [constraints, 0 <= P_buy(t) <= P_grid_max]; constraints = [constraints, 0 <= P_sell(t) <= P_grid_max]; end % 目标函数 objective = 0; for t = 1:Np objective = objective + dg_cost_coef * P_dg(t); objective = objective + buy_price(t) * P_buy(t) - sell_price(t) * P_sell(t); objective = objective + w_soc * (SOC(t+1) - 0.5)^2; objective = objective + w_fluct * (P_dg(t) - P_dg_prev)^2; end options = sdpsettings('solver', 'gurobi', 'verbose', 0); optimize(constraints, objective, options); u_dg_pre = value(P_dg); u_buy_pre = value(P_buy); u_sell_pre = value(P_sell); u_ch_pre = value(P_ch); u_dis_pre = value(P_dis); soc_traj = value(SOC); status = optimize(constraints, objective, options); end

上面这段代码里，P_dg_prev在每一轮循环前需要更新成上一次的实际出力。objective里的平抑项(P_dg(t)-P_dg_prev)^2写成对所有t都减去同一个上一步值并不完全严谨，更规范的做法是对相邻控制步求差。不过作为演示代码，第一轮可以把离散化影响降到最低。真正做论文或工程，我会单独写一个差分矩阵来施加爬坡和平抑约束。

如果使用综效η且不区分充放，更简单的方法是单变量P_b，SOC方程写为：

SOC(t+1) == SOC(t) - eta_b * P_b(t) * dt / E_b

此时P_b正表示放电，负表示充电，目标函数里面加一项惩罚w_b * P_b^2来抑制不合理的较大电流。这个模型没有混合整数变量，求解速度能提升一个量级，特别适合在算法验证初期使用。

3.4 实测结果怎么看

仿真结束后，建议画出四张图：功率调度曲线、储能SOC曲线、电网交互功率曲线、柴油机出力与爬坡对比。拿我的这个算例来说，MPC会在负荷低谷和光伏大发时提前给储能充电，在晚高峰时段放电，从而明显降低电网购电峰值。

和纯规则策略对比，SOC很少触到边界。因为MPC在预测时域内“看得到”未来会出现负荷尖峰，会提前几天把储能充电。如果单靠规则控制，一般要等到SOC过低或者超限才被动响应。

我这里跑出来的典型结果是：在不考虑分时电价的情况下，相比传统的“光伏优先、缺额购电”策略，总运行成本大约降低8%到15%。如果叠加峰谷电价，收益会更明显。但一定要强调，这个结果依赖具体算例，核心价值是算法框架和验证方法，而不是那个百分比。

4. 实操过程中遇到的常见问题与解决技巧

MPC看起来是论文里两三页公式，实际代码运行时问题一个接一个。这一节把我实际调试中遇到的高频问题整理成速查表，对应排查思路和解决方案。

4.1 求解速度慢：靠时域和模型简化解决

第一次跑完整96步，预测时域设为20步，控制时域设为10步，代码跑起来明显卡顿，每一步都要等一两秒，整个流程几分钟起步。如果还加入了储能充放互斥的二进制变量，那每一步都是混合整数规划，速度会更慢。

解决办法分几层：先是缩短预测时域。调度MPC不是越长越好，微电网的预测精度随时间快速下降，2到3小时已经足够。设定Np=8、Nc=4，求解时间能减一半以上。其次是去掉不必要的整数变量，用单一储能功率变量代替充放电分离变量，速度提升特别明显。再次是把系数归一化到1附近，很多求解器的小数收敛难度主要来自数值尺度差异，比如SOC范围0到1，功率却是0到1000，代价矩阵接近病态。

如果项目确实需要充放互斥约束，建议用二进制变量时只控制充放状态，而不是给每个时段都加两个变量。还可以用逻辑约束写成P_ch(t) <= P_ch_max * (1 - u_dis(t))，减少约束数量。

4.2 SOC越界或持续漂移：缺少末端校正

调试MPC时常发现SOC经常贴着上限或下限跑。原因很简单，目标函数如果没有给SOC设置“吸引力”，优化器会倾向于把储能用到极限，因为这样可以节省成本。但在实际系统中，SOC长期保持在边界附近非常危险。

有效的做法是在目标函数中加入SOC参考值偏移惩罚项。我把惩罚项设计为：

w_soc * (SOC(t+1) - 0.5)^2

系数w_soc一开始取很小，比如0.1，然后观察SOC轨线。如果SOC还是容易跑偏，逐步增大到1到5之间。另一种更“硬”的方式是给末端SOC加约束，让预测时域终点处的SOC等于某个期望值，或者落在上下限内。不过强约束可能造成无解，这时可以引入松弛变量，并在目标函数里给松弛量一个大惩罚，保证问题始终有界可解。

另一个我踩过的坑是：每轮更新的SOC测量值没有用作下一次优化初值。MPC反馈机制的前提就是状态反馈，如果主循环里SOC不从真实模型更新，滚动修正就失效了。调试时可以先打印每一轮的SOC(1)，确认它确实等于上一轮执行后的真实值。

4.3 预测数据不准导致决策抖动

系统里负荷和光伏的预测值都有噪声，如果直接使用原始预测，MPC给出的控制序列往往跳变明显。尤其是光伏预测在云层快速变化时，相邻两轮MPC解出的第一步火力出力可能从30千瓦跳到60千瓦再跳回来。

这个现象说明MPC的反馈回路工作正常，但也暴露了缺少平抑项。解决方式有三类：

• 目标函数中加入控制增量惩罚或者出力变化惩罚。
• 对预测序列做平滑滤波，例如采用一次指数平滑。
• 在功率平衡约束中为新能源波动预留备用容量。

单纯增加惩罚权重容易让系统响应变慢，我在实际调试中更常用“预留备用+短期平均”的组合。也就是把光伏预测值打八折作为可调用功率，剩余部分作为实时扰动备用，让柴油机和储能不至于被一个突变预测牵着走。

4.4 混合整数规划无解排查技巧

当储能充放互斥和二进制变量加入后，容易碰到优化问题不可行。先不要急着改参数，而是做以下三步排查：

• 关闭二进制约束，把模型退化为线性规划，确认功率平衡能成立。
• 检查SOC上下限和功率上下限的数值是否与容量一致，尤其是P_ch_max * eta * dt / E_b对应的每时段SOC变化量是否远大于SOC范围，如果是，说明功率上限或时步设置不合理。
• 启用YALMIP的调试模式，输出不可行约束集，定位具体是哪一个时段、哪一条约束出问题。

每周遇到不可行问题，九成是参数单位混乱导致的，比如时间单位用了小时但容量单位用了千瓦时，功率上限却写成兆瓦。我自己的办法是在参数文件里统一所有单位，并在每个参数后写注释，例如dt = 0.25; % 单位:小时。这样能避免最蠢的错误。

4.5 权重调节与标幺化建议

权重系数是MPC调参的最后一步。常见误区是谁重要就把权重设成100，结果导致目标函数量级失衡，优化器只去最小化大数项，其他目标形同虚设。

更稳妥的做法是先跑一次开环，统计每部分成本大致量级。比如购电费用一天可能是几百元，柴油费用可能是几十元，SOC惩罚项可能是0到1之间的小数。那么把SOC偏差乘以100，或者把成本除以一个基准值，让所有目标项落在0到10之间。然后按照目标优先级从小到大调。先把调度可行和SOC平稳放在第一位，其次再优化成本和功率平抑。

5. 从单微网MPC到更大范围的扩展与个人体会

这一节聊点更实际的方向，也算是在这个Demo项目基础上的延伸思考。如果读者只是想先把课题交差，本章前几节的代码框架已经够用；但如果想继续深入，下面几条路是我亲测比较可行的。

5.1 多微网协调与分布式MPC

单个微网跑MPC不难，难在多个微网互联。多微网之间可以通过公共联络线交换功率，但每个微网都有各自的决策权和隐私保护需求，不能简单汇总成一个集中式模型。这时可以用分布式MPC框架，上层做一致性协调，下层每个微网独立求解本地MPC。

Matlab实现时可以借助每个微网单独跑YALMIP问题，再通过迭代交换联络线功率期望值实现协调。难点是协调信息的更新步长和收敛判据，我建议先用两个微网连一起的案例验证算法，再扩展到更多节点，否则调试会很痛苦。

5.2 数据驱动预测与MPC的结合

单纯的MPC依赖模型，而数据驱动可以弥补预测误差。比较简单的做法是把负荷和光伏预测换成LSTM或者神经网络预测结果，接入到现有的MPC主循环里。这时注意预测结果往往带有偏置，最好在MPC前增加一个在线误差修正环节。

更进阶的是“数据驱动MPC”，直接用历史数据构造系统动态模型，不依赖物理机理。这种方式适合电网模型不公开的场景。不过在我实际运行中，数据驱动模型在样本少的时候很容易过拟合，建议至少先积累一个完整季节的运行数据再尝试。

5.3 我对这套代码的实操反思

最后分享一点个人经验。做MPC调度研究，最容易陷入的陷阱是“程序能跑就不深究”。我最早跑通时也觉得很顺利，后来慢慢改参数才发现，同一个代码框架，换一套参数可能结果完全不同。因此，我在所有MPC项目中都坚持这么几件事：

先跑确定性MPC，再跑预测误差场景。不要一上来就把预测噪声加进去，否则不知道是算法问题还是数据问题。

每轮都把“预测模型”和“真实对象模型”分开写。这样后续扩展鲁棒MPC、随机MPC就很简单，只需要改对象模型这一层。

记录每一轮的执行时间和求解状态。如果求解器返回非最优解，也要记录下来，避免把错误结果当作正常调度输出。

调参时一次只改一个变量。先固定Np和Nc，再调权重，最后才动约束边界，否则两个因素搅在一起根本无法定位。

做Matlab代码实现这件事，真正花时间的往往不是MPC原理本身，而是各种工程细节：数值尺度、边界填充、求解器选择、结果可视化。把这些细节处理好，整套算法的可复现性和说服力会提升一大截。希望这份实现笔记能帮你在自己的微电网调度项目里少走几个弯路。