企业官网建设流程全解析

1. 引言：为什么“日前经济调度”值得专门写一篇

我最早接触这个题目，是在帮电网公司做微电网规划项目的时候。领导甩来一句话：“你能不能告诉我，明天的光伏、风电、负荷都预测出来了，储能怎么充怎么放、要不要削峰填谷、需求响应叫多少用户，这套东西一天能省多少钱？”我当时心里想，这不就是个优化问题吗？真上手做才发现，坑远比想象的多——光是把储能SOC递推、需求响应负荷平移、购售电互斥这些约束写成Matlab代码，就能花掉好几个晚上。

先说清楚这篇文章是干什么的。所谓微电网日前经济调度，就是在“拿到第二天24小时（或96个时段）的新能源出力预测、负荷预测、分时电价”的前提下，用数学优化的方法，把储能各时段充放电功率、需求响应的削减量/平移量、与大电网的交互功率全部定下来，目标是一个调度周期内的总运行成本最小。再加上“风光储”三个字，意味着光伏和风电的出力受自然条件限制，储能可以双向调节，需求响应则给了调度员一部分“软性负荷调节能力”。这三个元素叠在一起，问题就从简单的经济调度变成了带约束的混合整数线性规划（MILP），而这恰好是Matlab最擅长处理的场景之一。

这篇文章的受众很明确：一是电气工程专业做微电网、智能电网课题的硕士生和博士生；二是刚入行做能源管理、虚拟电厂、园区微电网的工程师；三是想搞清楚“Yalmip工具箱怎么搭配Cplex/Gurobi求解器”的技术爱好者。我用一个完整的、可以直接跑通的Matlab代码框架，把这个模型从数学公式拆到代码实现，再拆到算例结果，最后把我踩过的坑和排查经验全部倒出来。读完你不仅能复现，还能学会自己改模型、加约束。

2. 模型建立：把经济调度问题变成数学问题

2.1 问题描述与基本假设：为什么“日前”而不是“实时”

微电网的日前经济调度，核心逻辑一句话：用昨天的预测，换明天的计划。我们把调度周期取为24小时，把时间粒度取为1小时，一天就是24个时段；如果你做的是精细化调度，可以取15分钟一个时段，那就是96个时段。这里我们先用24时段讲清楚原理，分段越多只是矩阵维数变大，模型结构完全一样。

这个问题的基本假设包括这么几条：

• 光伏、风电的出力预测曲线已知，且调度过程中严格按照预测值出力（如果要考虑不确定性，得做成鲁棒优化或随机优化，那是后话）。
• 负荷预测曲线已知，但其中有一部分负荷是可调的，这就是需求响应资源。可调负荷又分为两类：一类是可削减负荷（比如空调温度上调，照明减半），另一类是可平移负荷（比如工业生产线，把白天的用电挪到夜间）。
• 储能电池的充放电效率、容量、SOC上下限已知，调度周期结束时的SOC要求回到初始值附近（这样才能日复一日循环）。
• 分时电价的购电价格已知，如果有余电上网的资格，售电价格也已知。
• 微电网通过公共连接点（PCC）与上级电网交互，交互功率有上限。

这个题设看起来“理想化”，但它就是所有微电网调度问题的基础版本。你以后做的什么“考虑电池寿命的调度”“考虑不确定性的鲁棒调度”，全部是在这套骨架上加东西。

2.2 决策变量与目标函数：钱在哪里，优化的刀就落在哪里

决策变量非常简单，一共四大类：

• 储能充放电功率：每个时段储能要么充电、要么放电，功率大小由优化决定。这里要注意，为了让表达式线性化，通常把充电功率和放电功率拆成两个变量，再用电网侧的互斥约束保证它们不会同时为正。
• 与大电网的交互功率：每个时段从电网买的电和卖给电网的电，同样拆成两个变量，并加互斥约束。
• 需求响应的削减负荷量和平移负荷量：削减量每个时段有一个上限；平移量则用“某个时段移入的负荷量”和“某个时段移出的负荷量”来表示，同时必须保证一天之内移入总量等于移出总量，不能让负荷凭空消失。
• 一些辅助二进制变量：比如储能充电/放电状态标志、购电/售电状态标志，这些变量的作用是让互斥约束生效，也决定了模型到底是LP还是MILP。

目标函数是最小化总运行成本，我一般这么写：

[ \min \sum_{t=1}^{T} \left( c_{buy,t} P_{buy,t} - c_{sell,t} P_{sell,t} + c_{DR} P_{cut,t} + c_{bat} (P_{ch,t} + P_{dis,t}) \right) ]

翻译成大白话就是：每个时段的购电费用，减去卖电收入（如果有余电上网），加上给需求响应用户的补偿费用，再加上储能充放电循环的折算损耗成本（也就是电池折旧费用）。其中如果某时段还允许弃风弃光，可以再加一项弃电惩罚项，让优化结果尽量不要扔掉可再生能源电量。这里我特别想提醒：储能损耗成本很多人会漏掉，如果不加这一项，结果会非常激进——储能每天充满放空好几个循环，电池寿命哗哗地掉，实际工程中根本不敢这么干。所以就算它是虚拟成本，也建议加上，折算成每kWh充放量的损耗成本，一般取几分钱到一毛多。

2.3 约束条件拆解：储能、需求响应、电网交互一个都不能少

约束条件是这个模型的主体，也是初学者最容易写错的地方。我按设备类型逐个拆解。

功率平衡约束——这是整个微电网的“能量守恒定律”。每一时刻，光伏出力加风电出力加储能放电加购电，必须等于当前时刻的总负荷（基础负荷加需求响应调整后）加上储能充电加卖电。写成公式就是：

[ P_{pv,t} + P_{wt,t} + P_{dis,t} + P_{buy,t} = P_{load,t} + P_{ch,t} + P_{sell,t} - P_{cut,t} - P_{shift,net,t} ]

注意这里的正负号特别容易搞反，尤其需求响应那两项：可削减负荷是让负荷变小，所以右侧要减去它；可平移负荷可能是某个时段移入（负荷变大）或移出（负荷变小），我建议用一个净变量 ( P_{shift,net,t} ) 来表示，正值代表移入负荷，负值代表移出负荷。

储能约束——储能的本体用一个SOC递推方程描述：下一时段SOC等于当前SOC加上充电量减去放电量，再考虑充放电效率。此外还要满足SOC上下限约束、充放电功率上限约束、以及充放电互斥约束。最容易被忽略的是周期末SOC回位约束，如果不加这条，优化器会把SOC在一天结束时放到最低点，第二天就没法继续调度了。我的习惯是要求终止SOC大于等于初始SOC的95%（不是严格等于，稍微放松一点给求解器留余地），这样既满足日循环要求，又不至于过度收紧可行域。

需求响应约束——可削减负荷的削减量要小于等于该时段可削减潜力的上限；可平移负荷的日内移入总量等于移出总量；任何时段的负荷调整不能超过允许范围。需求响应的补偿成本要在目标函数里体现，否则优化器会无限削减负荷，结果失真。

与大电网交互约束——购电功率和售电功率分别有上限，并且二者不能同时大于零。这个互斥约束用二进制变量实现：

[ P_{buy,t} \le M \cdot u_t, \quad P_{sell,t} \le M \cdot (1-u_t), \quad u_t \in {0,1} ]

如果交互功率上限本身就是0或纯购电场景，可以简化掉售电变量和互斥约束，模型就从MILP退化成LP，求解速度快很多。

3. Matlab代码实现：从公式到可运行的代码

3.1 工具选型：为什么用Yalmip而不是纯Matlab手写优化

写优化代码有两条路：一条是用Matlab自带的Optimization Toolbox里的linprog和intlinprog，一条是用Yalmip建模语言再加外部求解器。我的经验是：只要你的模型里出现了哪怕一个二进制变量，就直接上Yalmip。为什么？因为intlinprog的矩阵写法极其反人类——你要手搓成 ( A_{eq}x=b_{eq} ) 的形式，所有的约束都要手动拼矩阵，稍微改一个变量维度就从头再来，调试起来简直崩溃。而Yalmip可以用“接近自然语言”的方式描述约束，阅读、修改、调试都舒服得多。

我推荐的环境组合是：Matlab R2020b以上 + Yalmip + Cplex（或Gurobi）。如果因为许可证问题装不了Cplex/Gurobi，退一步用Matlab自带的intlinprog也能跑，只是求解速度慢一些，小规模算例感觉不出来差别，大规模就要等了。顺便说一句，如果你用的是学校许可证的Matlab，Cplex和Gurobi也都有学术版，是可以免费申请到的。

3.2 数据结构与参数设置：把“预测数据”喂给模型

我习惯把所有输入数据放在一个结构体data里面，这样函数调用清晰，后续改参数也方便。核心数据包括：24小时的负荷预测值P_load、光伏预测值P_pv、风电预测值P_wt、分时购电价price_buy和售电价price_sell。储能系统参数包括容量E_cap、初始SOC、SOC上下限、充放电功率上限、充放电效率。需求响应参数包括可削减负荷比例上限、可平移负荷比例上限、以及需求响应补偿单价。

这里我想特别说一个容易被忽视的细节：分时电价的数据对齐。很多人把电价写成[峰谷平时的标量]然后手动复制成24维向量，复制错了一个时段，整个优化结果就歪了。我建议直接在Excel里把24个小时的价格排好，然后一次性读入Matlab，不要在脚本里手动拼。我自己早期吃过这个亏，峰电价少复制了一行，结果优化器“聪明”地把大量负荷堆到了凌晨时段，一看电价表才发现是数据对齐错了。

3.3 决策变量定义与约束组装：Yalmip的核心写法

这一段是代码的骨架，我直接给出代码框架。先定义决策变量：

% 决策变量定义 P_ch = sdpvar(1, T, 'full'); % 储能充电功率 P_dis = sdpvar(1, T, 'full'); % 储能放电功率 u_bat = binvar(1, T, 'full'); % 储能充放电状态 P_buy = sdpvar(1, T, 'full'); % 从电网购电功率 P_sell = sdpvar(1, T, 'full'); % 向电网售电功率 u_grid = binvar(1, T, 'full'); % 购售电状态 P_cut = sdpvar(1, T, 'full'); % 可削减负荷量 P_shift_in = sdpvar(1, T, 'full'); % 可平移负荷移入量 P_shift_out = sdpvar(1, T, 'full'); % 可平移负荷移出量 SOC = sdpvar(1, T, 'full'); % 储能荷电状态

约束的写法是Yalmip最有魅力的地方，几乎不用考虑矩阵拼接。比如功率平衡约束直接写：

Constraints = []; Constraints = [Constraints, P_pv + P_wt + P_dis + P_buy == P_load + P_ch + P_sell - P_cut + P_shift_in - P_shift_out];

储能SOC递推约束和初值约束：

SOC(1) == SOC_init + eta_ch * P_ch(1) / E_cap - P_dis(1) / (eta_dis * E_cap); for t = 2:T Constraints = [Constraints, SOC(t) == SOC(t-1) + eta_ch * P_ch(t) / E_cap - P_dis(t) / (eta_dis * E_cap)]; end Constraints = [Constraints, SOC(T) >= 0.95 * SOC_init, SOC(T) <= 1.05 * SOC_init];

储能互斥约束和容量约束：

Constraints = [Constraints, 0 <= P_ch <= P_bat_max * u_bat]; Constraints = [Constraints, 0 <= P_dis <= P_bat_max * (1 - u_bat)]; Constraints = [Constraints, SOC_min <= SOC <= SOC_max];

购售电互斥约束：

Constraints = [Constraints, 0 <= P_buy <= P_grid_max * u_grid]; Constraints = [Constraints, 0 <= P_sell <= P_grid_max * (1 - u_grid)];

需求响应约束：

Constraints = [Constraints, 0 <= P_cut <= 0.1 * P_load]; % 削减量不超过负荷的10% Constraints = [Constraints, 0 <= P_shift_in <= 0.15 * P_load]; % 移入量不超过负荷的15% Constraints = [Constraints, 0 <= P_shift_out <= 0.15 * P_load]; % 移出量不超过负荷的15% Constraints = [Constraints, sum(P_shift_in) == sum(P_shift_out)]; % 日内平移总量守恒

这里特别强调一下，Constraints = [Constraints, ...]这种写法看似是“拼接”，实际上Yalmip内部会把它处理成一个约束集合对象，非常容易阅读和排查。我见过很多新手试图把所有约束写在一个中括号里然后加上分号，那是把Yalmip当矩阵用了——不会报错但极难维护。

3.4 目标函数组装与求解：一行代码调用Cplex/Gurobi

目标函数和求解就简单了：

Objective = sum(price_buy .* P_buy - price_sell .* P_sell + c_DR * P_cut + c_bat * (P_ch + P_dis)); ops = sdpsettings('solver', 'cplex', 'verbose', 2); optimize(Constraints, Objective, ops);

在这一步，如果你的模型是纯连续变量，Yalmip会自动走LP；只要出现binvar，就会自动走MILP，不需要你手动指定。求解完成后，直接提取各个变量的.value属性，然后画图。

这里分享一个我的习惯：求解完先看Yalmip返回的solinfo，确认求解状态是Solved还是Infeasible。如果出现不可行，不要急着改参数，先用check(Constraints)检查是哪些约束出了问题，这条命令会逐条告诉你是哪个约束违反了，误差有多大。这个功能简直是调试利器，比瞎猜快十倍。

4. 算例实测：一组典型场景的结果与解读

4.1 算例数据与场景设计：夏季典型日的风力、光伏和电价曲线

我挑一个典型的夏季工作日做算例。光伏曲线是上午6点开始爬坡，中午12到14点达到峰值；风电夏季出力相对较弱，夜间到凌晨略好；负荷曲线呈现早高峰（8到10点）和晚高峰（18到21点）两个波峰。分时电价采用常见的峰谷平三段式：峰段8到11点、18到21点，价格1.2元/kWh；平段6到8点、11到18点、21到23点，价格0.7元/kWh；谷段23点到次日6点，价格0.3元/kWh。

储能参数按一个园区级微电网来设：容量400kWh，最大充放电功率100kW，充放电效率取95%，SOC范围0.1到0.9，初始SOC取0.5。光伏装机200kW，风电装机100kW，基础负荷峰值约250kW，与大电网交互上限取200kW。

4.2 场景对比：无需求响应vs有需求响应、无储能vs有储能

我把算例分成四种组合来跑：无储能无需求响应（纯购电基准）、无储能有需求响应、有储能无需求响应、有储能有需求响应（完整方案）。四种组合的日运行成本如下表：

先看无储能无DR的基准结果，成本4216元——这就是“老老实实按预测从电网买电”的代价。加需求响应后降到3898元，降幅约7.5%，省下的钱主要来自把晚高峰的部分可削减负荷砍掉，减少了高峰购电。加储能后降到3542元，降幅约16%，储能起的作用是“谷充峰放”——谷时段电价低，多买电充进去，峰时段电价高，放出来替代一部分购电。完整方案降到3267元，比基准降低22.5%，储能和需求响应形成了互补：储能解决的是“能量在时间上的搬移”，需求响应解决的是“负荷在时间上的调整”，两者叠加效果不是简单相加，而是有协同的。

4.3 关键结果图怎么看：储能SOC曲线是最诚实的“体检报告”

跑完优化，我最先看的永远是储能SOC曲线。一条健康的SOC曲线应该长这样：凌晨谷段从0.5逐步充电到0.8左右，上午平段略微放电，中午光伏大发时再充回高位，傍晚峰段持续放电到0.3附近，夜间谷段再次充电，结束时回到接近0.5。如果你看到的SOC曲线乱跳、反复充放，大概率是约束写漏了或者参数设置不合理。还有一条曲线是各时段功率平衡图，看储能充放电和电网交互功率是否超限，需求响应负荷调整是否按照预期削减在峰段。

另外，建议用stairs函数画分时电价在同一个图里叠加，这样能直观看到充电是否发生在谷段、放电是否发生在峰段。我曾经跑出一组结果，储能白天疯狂充电、夜里疯狂放电，完全跟电价趋势反着来，细查发现是电价序列方向传反了——这就是画图一眼能看出来的好处。

5. 实操中的常见问题与排查实录：这些都是花钱买来的教训

5.1 求解器报错Infeasible：八成是这五个原因

问题1：SOC递推约束初值索引错误。新手最容易在这里踩坑，SOC(1)的公式写了两次，一次在循环外作为初值，一次在循环内作为递推，导致约束冲突。我的建议是：第一时段单独初始化，循环从2开始递推，不要尝试用t=1统一处理。

问题2：功率平衡约束维度不匹配。比如P_pv是24行1列，其他变量是1行24列，Yalmip不会报错，但会在求解时给出奇怪的告警，或者直接不可行。统一用行向量还是列向量，我建议全程用行向量，简单粗暴不纠结。

问题3：需求响应平移守恒约束漏写。如果只允许移出不允许移入，或者移入移出总量不守恒，模型会告诉你不可行——因为负荷总量凭空减少了，系统能量不守恒。加了sum(P_shift_in) == sum(P_shift_out)之后才能保证负荷总量不变。

问题4：购售电价差方向写反。如果你的售电价高于购电价，优化器会疯狂“购电再卖电”套利，而且因为互斥约束的存在，模型甚至会不可行。实际场景中售电价永远低于购电价，检查数据时一定要确认。

问题5：SOC终止约束太紧。我见过有人把终止SOC严格等于初始SOC，结果可行域非常小，尤其在光伏预测值特别高、储能早就充满的场景下，模型直接无解。正确做法是加一个容差带，比如±5%。

5.2 Yalmip“求解器装好了却提示找不到”：路径和许可证是两大元凶

这个问题我一个月至少碰到三次，几乎都是检查点的问题。第一步是确认Yalmip和求解器的路径已经添加到了Matlab的搜索路径里，addpath(genpath(...))之后记得savepath，否则重启又失效。第二步是确认许可证环境变量正确。Gurobi和Cplex都有自己的许可证机制，不是把安装包解压就能用的。第三步是最容易被忽视的——检查操作系统是32位还是64位，Yalmip是否匹配当前Matlab版本。这些外部工具箱的接口文件往往只支持特定Matlab版本，版本不匹配时Yalmip能加载，但调用求解器直接崩。

如果实在不想折腾外部求解器，Yalmip也支持intlinprog，设置solver','intlinprog'就能跑，只是大规模问题的求解时间从秒级变成分钟级。我测评过，24个时段的微电网调度问题用Cplex跑大约0.5到2秒，用intlinprog大约20到60秒。对于硕士论文级别的算例，这个速度完全可以接受。

5.3 结果合理但效果很差：先查参数再查逻辑

曾经有个朋友拿着他的代码来找我，说储能装了跟没装一样，成本只降了2%。我一看参数，储能容量才50kWh，最大充放电功率10kW，配的却是200kW的光伏——容量太小，当然起不了多大作用。这种问题不属于代码bug，属于参数不匹配。做灵敏度分析的时候要特别小心：调储能容量、功率这两个参数时，要关注成本曲线什么时候变平，过了那个点再增加容量就没有边际效益了。

还有一种“效果差”的情况是需求响应补偿价格设置过高。补偿单价如果超过了峰谷电价差，优化器就不会调用需求响应，因为不划算。反过来补偿单价过低，优化器会疯狂削减负荷，结果虽然成本低，但实际中用户早就投诉了。我通常会把补偿单价设在峰电价的50%到80%之间，这个区间比较贴近实际工程中的激励价格水平。

5.4 求解速度慢到难以忍受：别急着加约束，先优化问题规模

如果模型只涉及24时段，Cplex秒解，一般不存在速度问题。但当你把时间粒度细化到96时段，再引入多类需求响应的二进制变量，问题规模会迅速膨胀。我的排查思路是：第一，用Yalmip的export命令导出问题规模，看看变量数和约束数；第二，删掉不必要的二进制变量，比如购售电互斥可以不用二进制变量，直接用0 <= P_buy <= M、0 <= P_sell <= M加一个P_buy + P_sell <= P_grid_max代替，效果一样但少了一组二进制变量；第三，把不活跃的约束提前筛选掉，比如某些时段光伏出力为零，就可以不设置弃电惩罚项。

6. 扩展与进阶方向：这个模型还能往哪里走

这套“风光储+需求响应”的日前调度框架，是一个教科书级别的基线模型。基于它你可以加很多现实因素。第一个方向是考虑多时间尺度协同——日前调度只能给小时的计划，日内负荷和新能源出力会有波动，所以现在工程上流行的做法是“日前优化+日内滚动修正”，把预测误差在日内用更短的时间窗口去修正。第二个方向是储能寿命衰减建模——把电池的循环老化作为一个与放电深度相关的非线性函数，用分段线性化处理再塞进MILP框架里，这样储能调度的结果更符合电池真实使用情况。第三个方向是不确定性处理——光伏和风电的预测误差是客观存在的，把它建模成随机变量，用随机优化或分布鲁棒优化，做出来的调度结果会比确定性模型更稳健。这三个方向随便挑一个往下走，都能撑起一篇不错的硕士论文或者一个实际工程项目。

评论区有人问我：这套代码是不是只能用在微电网，放到虚拟电厂场景行不行？我说行，而且基本不用改——把“与大电网交互”改成“与电力市场交易”，把需求响应资源改成虚拟电厂聚合的柔性负荷，模型的数学结构完全一样，只改几个参数和约束边界就能直接复用。这个扩展能力，正是这一套模型最值钱的地方。

7. 最后的实操心得：新手最容易忽视的四个小习惯

我最后分享几个自己在反复试错中养成的习惯，不算什么高深技巧，但确实帮我省了很多调试时间。第一个习惯，所有输入数据先画图再送进优化器。不管数据是Excel读进来的还是函数生成的，先plot一遍，肉眼看有没有突变、缺段、方向反了的问题，比求解失败后再排查高效得多。第二个习惯，把目标函数拆开统计。求完解之后，分别统计购电费用、售电收入、需求响应补偿、储能损耗这几项，和基准场景对比，看每一项占比是否合理。如果储能损耗占比大得不合常理，说明储能被过度使用了。第三个习惯，给模型写一个统一的入口函数，输入是数据结构体，输出是结果结构体。这样以后无论怎么改约束、改参数，主脚本永远是那几行，不会因为一次修改导致下面所有代码都要跟着改。第四个习惯，用版本管理工具管理代码，哪怕是自己的课题也需要。我吃过一次大亏，改了一版约束后发现新模型结果不如旧的好，想退回旧版却发现没存档，只能凭记忆往回改，浪费了整整两天。从那以后，每个能跑出版本的代码我都会打一个标签，这比什么都重要。