多能源微网调度这个方向，这几年不管是发论文还是做工程落地，绕不开的一个核心问题就是：怎么把不同时间尺度的决策"捏"到一起。日前做的计划再漂亮，到了当天风光一变、负荷一波动，开环下发基本就废了。所以两阶段控制框架在微网优化里几乎成了标配思路。这篇文章我围绕一个自己做过的MATLAB完整项目展开，从建模、求解、仿真到踩坑，把我实际跑通的一套流程掰开讲清楚，希望能帮你少走点弯路。

1. 项目背景与整体思路拆解

1.1 为什么微网调度一定要分两阶段？

先说清楚一个容易被新手忽略的事实：微网里的设备，时间常数差异大到离谱。储能BMS的响应是毫秒级到秒级，燃气轮机爬坡是分钟级，而热负荷、冷负荷的缓变特性可以持续几十分钟到几小时。如果你试图用一个单层优化把所有这些时间尺度都覆盖，不外乎两种结局：要么模型巨大、求解慢到没法用，要么为了求解速度牺牲关键约束，算出来的计划根本执行不下去。

两阶段控制框架解决的就是这个矛盾。我在这套项目里采用的架构是：

• 第一阶段（日前级）：以1小时为步长，覆盖未来24小时，基于日前预测数据（风光出力、负荷、电价），求解各机组出力计划、储能充放电计划、联络线功率计划。目标是最小化全天总运行成本。
• 第二阶段（日内级）：以15分钟为步长、滚动窗口4小时，基于超短期预测（当前时刻前后几个小时内更准确的预测）和实时量测数据，对日前计划进行"修正"，并且把偏差反馈回优化器，形成闭环自主调整。

这两层的关系，你可以理解为：日前计划是"大方向"，日内滚动优化是"方向盘微调"。没有第一阶段，第二阶段缺少基准，容易陷入局部短视；没有第二阶段，第一阶段算得再准也赶不上实际扰动。两者合在一起，才是真正意义上的"协同自主优化调度"。

1.2 这个项目到底做了什么，适合谁参考？

我做的这套仿真系统，设备侧包括光伏（PV）、风电（WT）、燃气热电联产机组（CHP）、电锅炉（EB）、电储能（ES，即蓄电池），加上电网联络线，形成一个典型的电-热耦合多能源微网。热负荷由CHP余热和电锅炉共同供给，电负荷由所有电源协同供给。

整个项目用MATLAB实现，优化建模用Yalmip工具箱，求解器用的Gurobi，仿真环节用脚本驱动，不依赖Simulink也能完整跑通整个闭环流程。最后的输出包括：

• 各设备的最优出力曲线
• 储能SOC轨迹
• 购售电计划与总成本对比
• 日前计划与日内修正结果的偏差分析

这套东西适合三类人参考：一是做微网/综合能源系统方向研究的研究生，二是做园区级能源管理系统方案设计的工程师，三是想快速搭一个多能互补调度仿真验证平台的算法工程师。代码层面只要你能把MATLAB基础语法过一遍，就知道每段干什么，不需要太高门槛。

1.3 方案选型背后的几个关键判断

我在动手之前，其实纠结过三个问题，这里直接说结论和理由。

第一，用Yalmip还是纯粹手写求解器接口？选了Yalmip。它的最大价值是把优化建模和解算分离：你声明变量、加约束、写目标函数，然后一行调用Gurobi或Cplex。后期如果想换求解器，或者对比不同求解器的性能，只需要改一行参数。手写矩阵实在太痛苦，尤其是约束一多，维度对不上就是灾难。

第二，日内的控制策略用MPC还是直接PID纠偏？我最终选了MPC（模型预测控制）。原因是微网系统是多变量强耦合的，PID调参面对CHP、储电、储热、电网交互这些互相影响的通道，会让人想骂人。MPC天然以优化为核心，天然支持约束，天然适合刚才说的滚动优化框架。你想想，日内阶段本来就是在做"超额分配"——把偏差分摊到哪几个设备上——这种问题本质就是优化问题，不是控制问题。

第三，热网要不要做动态建模？我的项目里做了简化：把热负荷按静态功率平衡处理，但加上了一个"蓄热罐"环节来体现热网的缓冲特性。蓄热罐的存在让热负荷和电负荷之间多了一个解耦的自由度，这个设计非常关键。它对调度结果的影响后面讲仿真部分的时候细说。

2. 两阶段控制框架的核心机制解析

2.1 日前阶段：全天经济调度的完整建模

日前优化的决策变量是一根时间轴上的全部设备状态。我按照24个时段来离散，每个时段1小时，决策变量包括CHP出力、电锅炉出力、储能充放电功率、蓄热罐充放热功率、电网购售电功率，以及一组必要的状态变量（储能SOC、蓄热罐液位/温度等效量）。

目标函数我写成这样：

min sum( C_grid_purchase - R_grid_sale + C_gas_consumption + C_om_each_device )

其中电网购电成本是购电功率乘以分时电价，售电收益是售电功率乘以上网电价（一般低于购电价），燃气成本是CHP和电锅炉消耗的天然气费用折算，最后一项是各设备运维成本，按出力线性折算。

约束方面，最核心的是这么几个：

• 电功率平衡：负荷功率 = 光伏出力 + 风电出力 + CHP电出力 + 储能放电功率 - 储能充电功率 + 电网购电 - 电网售电 - 电锅炉耗电。这个等式决定了整个系统在电侧必须实时平衡。
• 热功率平衡：热负荷 = CHP余热回收 + 电锅炉供热 + 蓄热罐放热 - 蓄热罐蓄热。这里面有个有意思的细节：CHP的"热电比"是固定的，所以CHP发了多少电，同时就"绑定"产生了多少热。这就是热电联产的耦合约束，也是多能源系统里最典型的"协同"难点。
• 设备出力上下限：每个设备都有出力范围，这个不用多说。
• 爬坡约束：CHP的出力不能从一个小时到下一个小时突然大幅跳变，这主要反映燃气轮机的物理限制。
• 储能SOC递推：SOC[t+1] = SOC[t] + (充电功率 × 充电效率) - (放电功率 / 放电效率)，然后除以容量折算成百分比。这里必须注意充放电不能同时进行，我在建模里用一个二元变量+大M法处理。
• SOC终值约束：为了避免把储能"榨干"，我会约束全天结束时的SOC不低于初始值，这样才算一个可持续运行的调度方案。

2.2 日内阶段：基于MPC的滚动修正逻辑

日内阶段的核心思路是"滚动时域优化"。具体操作是：每个控制时刻到来时，把当前实测/估计的系统状态拿进来，以超短期预测（未来4小时）构建一个局部优化问题，求解出接下来若干个控制间隔的最优动作序列，然后只执行第一个间隔的动作，等到下一个时刻再重复。

这个逻辑好比你开车导航：你没必要从出发地到目的地一次性规划出完美路径，因为路况会变。GPS每30秒重新算一次路，每次只告诉你接下来怎么走。MPC的滚动优化就是这么个工作方式，只不过"导航"换成微网调度。

MPC局部优化里的目标函数怎么定？我用的是"追踪+经济"的混合目标：

min sum( 追踪权重 × (设备出力 - 日前计划的偏差)^2 + 购售电成本 + ... )

追踪权重的意义是：在正常情况下尽量贴合日前计划，因为日前计划是经过全局考量后得出的更优解。但如果实时电价出现了变化、或者预测误差导致供需失衡，允许以一定的代价偏离原计划。这个"权重怎么设"在实操中是一门学问——权重设太大，日内优化僵化，失去了修正的意义；权重设太小，日内优化完全无视日前计划，可能导致储能过充过放，长期运行成本反而升高。

2.3 两层之间如何"传递信息"

两层不是孤立的，它们靠三个信息通道连接：

1. 计划下发：日前阶段算出的各时段出力计划作为日内追踪的基准值。
2. 状态反馈：日内阶段每个控制步长开始时的实测SOC、蓄热罐状态回传给优化器，作为初始条件。
3. 偏差修正：日内阶段算出的实际执行值，会在下一个日前调度周期（第二天）作为历史数据参与重新优化。

这其实就是工程里常说的"闭环"。没有反馈的调度是开环的，开环系统的鲁棒性只能靠预测准确度硬撑，这在微网这种高波动场景里是撑不住的。

3. MATLAB环境搭建与核心代码实现

3.1 环境准备与工具箱选型

我这套项目的基础运行环境是MATLAB R2021b（新版如2023b、2024a均可），需要以下几个工具箱/插件：

安装的时候有个容易踩坑的地方：Yalmip需要在MATLAB路径里添加，Gurobi安装完成后要把它的MATLAB接口文件夹也添加到路径中。很多新手把Gurobi装好了但Yalmip报"No solver found"，十有八九是路径没加对。

3.2 日前调度的核心建模代码

下列代码是完整可运行的简化版本，我把注释写清楚了，你照着思路扩展即可。

%% 参数定义 H = 24; % 日前时段数（24小时） P_pv = load('pv_forecast.mat'); % 光伏预测出力 (kW) P_wt = load('wt_forecast.mat'); % 风电预测出力 (kW) P_load = load('elec_load.mat'); % 电负荷预测 (kW) H_load = load('heat_load.mat'); % 热负荷预测 (kW) price = load('elec_price.mat'); % 分时电价 (CNY/kWh) % 设备参数 P_chp_max = 200; P_chp_min = 20; % CHP电出力范围 (kW) eta_chp_e = 0.35; % CHP发电效率 ratio_hp = 1.5; % CHP热电比 (热/电) P_eb_max = 80; % 电锅炉上限 (kW) eta_eb = 0.9; % 电锅炉热效率 E_es = 100; % 储能容量 (kWh) P_es_max = 50; % 储能最大功率 (kW) eta_ch = 0.95; eta_dis = 0.95; % 充放电效率 SOC_min = 0.2; SOC_max = 0.9; SOC_init = 0.5; P_grid_max = 300; % 联络线功率上限 (kW) % 成本参数 c_gas = 0.42; % 单位电出力对应的燃料成本折算系数 (CNY/kWh) c_om = 0.02; % 运维成本系数 c_buy = price; % 购电价 c_sell = price * 0.8; % 上网电价按购电价的80% %% 定义决策变量 P_chp = sdpvar(1, H); P_eb = sdpvar(1, H); P_es = sdpvar(1, H); % 储电，正为放电 SOC = sdpvar(1, H+1); P_g = sdpvar(1, H); % 联络线，正为购电 Q_chp = ratio_hp * P_chp; % CHP产热 Q_eb = eta_eb * P_eb; % 电锅炉产热 Q_hs = sdpvar(1, H); % 蓄热罐放热（正为放热） H_hs = sdpvar(1, H+1); % 蓄热罐热量状态 % 二元变量，用来表示储能充放电互斥 u_ch = binvar(1, H); % 1表示充电 u_dis = binvar(1, H); % 1表示放电 %% 约束 Constraints = []; % 功率平衡 Constraints = [Constraints, P_load == P_pv + P_wt + P_chp + P_es + P_g - P_eb]; % 热功率平衡 Constraints = [Constraints, H_load == Q_chp + Q_eb + Q_hs]; % 设备上下限 Constraints = [Constraints, P_chp_min <= P_chp <= P_chp_max]; Constraints = [Constraints, 0 <= P_eb <= P_eb_max]; Constraints = [Constraints, 0 <= P_es <= P_es_max]; % 储能充放电互斥 Constraints = [Constraints, P_start = P_es + P_es_max*u_ch <= P_es_max]; ...

等一下，互斥约束写得有点乱，我直接给出正确的写法：

% 充放电互斥：充电时段u_ch=1，放电时段u_dis=1，不允许同时为1 Constraints = [Constraints, u_ch + u_dis <= 1]; % 充电时 P_es为负（吸收功率），放电时P_es为正 Constraints = [Constraints, -P_es_max*u_ch <= P_es <= P_es_max*u_dis]; % SOC递推：SOC为百分数 Constraints = [Constraints, SOC(1) == SOC_init]; for t = 1:H % P_es>0为放电，P_es<0为充电 Constraints = [Constraints, SOC(t+1) == SOC(t) ... - P_es(t)/E_es * (u_dis(t)/eta_dis + u_ch(t)*eta_ch)]; end Constraints = [Constraints, SOC_min <= SOC <= SOC_max]; % 末端SOC不低于初始值 Constraints = [Constraints, SOC(H+1) >= SOC_init]; % CHP爬坡约束 for t = 2:H Constraints = [Constraints, -50 <= P_chp(t) - P_chp(t-1) <= 50]; end % 联络线功率约束 Constraints = [Constraints, -P_grid_max <= P_g <= P_grid_max]; %% 目标函数 Objective = sum(c_buy .* max(P_g,0) - c_sell .* max(-P_g,0) ... + c_gas * P_chp ... + c_om * (P_chp + P_eb + abs(P_es))); %% 求解 ops = sdpsettings('solver','gurobi','verbose',1); optimize(Constraints, Objective, ops);

有几个细节这里必须提醒：

• max(P_g,0)这种写法在Yalmip里是支持的，但如果你担心建模效率，可以提前把P_g拆成两个非负变量P_buy和P_sell，效果更稳。
• 储能SOC递推那里，我故意把充放电效率放进去了。你要是忽略了效率项，仿真结果中SOC不会出现明显问题，但成本计算会虚低，最后和实际物理过程对不上。
• 爬坡约束的限值（我这里写的是50kW/h）需要根据你用的CHP真实型号定，不同机组差别很大，建议查厂家的技术手册。

3.3 日内MPC的核心实现框架

日内MPC实现要点和日前类似，但有几个地方必须改。

第一，预测时域缩短。我的MPC预测时域设为4个间隔（每个15分钟），即未来1小时。控制时域可以是1个间隔（每15分钟执行一次）或者2个间隔，我用的1。

第二，加入追踪项。目标函数里除了经济成本，要加上对日前计划的追踪。这里的P_ref就是日前优化的结果，经过插值转换到15分钟分辨率。

%% 日内MPC滚动优化（示意） T_ctrl = 96; % 一天内控制间隔数（15分钟一个） N_pred = 8; % 预测时域：8个间隔 = 2小时 N_con = 1; % 控制时域 P_exec = zeros(1, T_ctrl); % 实际执行记录 SOC_real = SOC_init + zeros(1, T_ctrl+1); for k = 1:T_ctrl % 获取当前时刻的实测/估计状态 y_now = [SOC_real(k); ...]; % 获取超短期预测（未来N_pred个间隔） [pv_pred, wt_pred, load_pred, price_pred] = get_forecast(k, N_pred); % 构造优化问题 vars = ... % 定义决策变量 Objective_mpc = ... % 追踪项 + sum(W_track .* (P_chp_mpc - P_ref_interp(k:k+N_pred-1)).^2) ... % 经济项 + sum(price_pred .* P_g_mpc) + ...; Constraints_mpc = [...]; % 和日前类似，但只有N_pred个变量 optimize(Constraints_mpc, Objective_mpc, ops); % 只执行第一个控制间隔的出力 P_exec(k) = value(P_chp_mpc(1)); % 更新真实状态（这里用仿真模型模拟真实世界） SOC_real(k+1) = SOC_model(SOC_real(k), P_exec(k), ...); end

这里get_forecast是一个我自己写的预测接口函数，内部可以换成任何预测算法——比如简单的持久性预测、ARIMA、甚至神经网络。你要做论文的话，预测算法和调度算法是可以拆开讨论的两个独立研究点。

3.4 仿真闭环的关键：如何模拟"真实系统"

整个仿真最核心的巧妙之处，在于要构造一个"仿真器里的真实世界"和"优化器里的模型世界"之间的误差差。

方法很简单：设定基线预测和真实出力两个数据集。优化器只能看到预测数据，但仿真推进时用的却是"真实"数据。这两个数据集之间的偏差，就是日内MPC要解决的问题。

我在项目里是通过给预测曲线加随机扰动（白噪声+偏置）来生成"真实"曲线的。这样做的好处是你能精准控制偏差的幅度，从而量化考核两阶段框架在不同预测误差水平下的表现。

4. 仿真算例设计与结果分析

4.1 典型日场景的参数配置与数据准备

我设计了一个"冬季典型日"的仿真场景，参数如下：

电负荷曲线设置成典型的双峰结构：早高峰在8-11点，晚高峰在18-21点。热负荷曲线则是全天比较平缓、夜间略高。

4.2 两阶段调度结果的典型特征分析

跑完仿真后的典型输出，我挑三个最能说明问题的点来说。

第一个是储能SOC的轨迹。日前优化出来的SOC曲线，会呈现一个典型的"谷段充电、峰段放电"的形态。这个形态反映的是电价套利逻辑：SOC在电价低谷期爬升，在电价高峰期下降。

日内MPC修正后，SOC轨迹会和日前计划有偏差，但偏差幅度被控制在合理范围内。这个"合理范围"正是追踪权重W_track的意义。

第二个是CHP出力曲线。冬季场景下CHP几乎全天以较高负荷运行，但早高峰和晚高峰时段CHP出力会被推高，因为它要额外顶上一部分电负荷。而且注意一个多能源系统特有的细节：CHP发更多的电 = 产生更多的热 = 热负荷侧可能过剩。这时候蓄热罐就派上用场了：多余的热被存到蓄热罐里，等热负荷高时再释放。

这个"电热耦合下的综合决策"能力，是传统的独立电系统调度完全做不到的。

第三个是总成本对比。我的实验跑出了三组对比结果：

注意一个关键结论：两阶段方案成本不是最低的，但它是"可执行"的成本。单层开环方案计算出来的成本数值看起来很低，那是因为它建立在不切实际的完美预测假设上，实际跑起来根本达不到。两阶段方案多出来的部分，实际上是"鲁棒性代价"。

4.3 权重参数敏感性分析

W_track这个追踪权重的设定需要做一些敏感性实验。我扫了一遍从0到100的范围，结论是：

• W_track=0：纯经济优化，日内结果完全无视日前计划。在预测偏差大的情况下，储能会被频繁地"判死刑"然后"缓刑"，长期来看设备磨损和寿命折损严重。
• W_track太大（比如>50）：日内优化几乎锁死在日前计划上，失去了滚动修正的意义，本质上退化为开环。
• 一个经验值：W_track和成本系数同量级或略大一到两个数量级即可。具体数值需要根据你的系统规模去扫一遍，而不是拍脑袋定。

5. 常见问题与排查技巧实录

5.1 求解器报"No solver found"怎么办？

这个问题的出现频率极高，尤其在换了电脑或者MATLAB版本之后。几种情况：

• Gurobi的license文件没激活。用Gurobi自带的grbgetkey重新激活。
• MATLAB路径没包含Gurobi的matlab接口目录。路径一般是gurobi/win64/matlab或类似结构。
• Yalmip不认识Gurobi。试试在MATLAB里执行yalmiptest，它会列出所有可用求解器的状态，一眼就能看出谁没被识别。

5.2 优化问题求解出来为Infeasible

不可行解的排查思路，我有一套固定套路：

1. 从约束最少的版本开始逐步加约束。比如先跑一个只含功率平衡和设备上下限的版本，确认能解了，再加SOC约束、再加爬坡、再加末端约束。哪一步开始崩，问题就锁定在哪一步。
2. 检查SOC末端约束。这是最常见的不可能可解来源。当SOC初始值过低同时末端要求过高，或者储能容量太小，很容易直接不可行。临时方案是把SOC(H+1) >= SOC_init改成SOC(H+1) >= 0.3*SOC_init这种宽松约束测试一下。
3. 检查大M法。充放电互斥如果用大M法做，M值要大于任何可能的充放电功率。
4. 检查量纲。如果功率单位是kW，成本单位是元，能量单位是kWh，那么SOC递推公式里功率×时间（小时）才能和能量对应。搞混了这个，约束本质上就不一致了。

5.3 求解速度慢怎么办？

微网优化模型本质上是混合整数线性规划，整数变量主要来自储能充放电互斥和机组启停。如果H=24，整数变量只有几十个，Gurobi秒解。如果扩展到多台机组、更细的时间分辨率，整数变量会暴增，求解时间可能从秒级变成分钟级甚至小时级。

几个立竿见影的优化手法：

• 把储能互斥约束去掉，用目标函数"软惩罚"替代。储能同时充放电在物理上无意义且会造成能量浪费，如果你在目标函数中对 |P_es| 加上一个足够大的惩罚项，求解器会自动避免。这样整数变量就没了，模型退化为LP，速度飞快。
• 用聚合机组替代多台机组。如果系统里有3台相同型号的CHP，把它们聚合成一台3倍容量的机组，约束数量大幅减少。
• 减小大M尺度。大M取恰好覆盖可行域的最小值，别用10^8这种天文数字，数值稳定性会好很多。

5.4 仿真结果和理论分析对不上的排查

如果仿真结果出现了"看起来违反基本规律"的现象（比如电价低谷时储能反而放电），不要急着怀疑算法，先检查数据流：

1. 检查时间轴对齐：日前计划是24点（每小时），日内控制是96点（每15分钟）。插值错位是高频bug。
2. 检查预测数据的前后对齐：控制时刻k对应的预测是未来预测，不是历史数据，索引错一位就会导致逻辑错误。
3. 检查SOC更新公式中的效率项是否用反了。充电时能量存入要乘以效率（损失），放电时能量输出要除以效率（多消耗），方向反了SOC会越算越大会出大问题。

这套系统做完，我个人最想强调的一点是：两阶段框架的本质不是两个优化模型的简单叠加，而是通过"预测-优化-执行-反馈"的循环把不确定性消化在系统内部。如果你只是把两个优化器串在一起跑一次，那不叫协同；真正的协同发生在日内的每一次滚动优化中——让实时决策既尊重全局计划，又灵活响应扰动。

最后再分享一个实操技巧：在做结果展示时，把日前计划、日内实际执行、真实负荷三条曲线画在同一张图上，偏差部分用阴影填充。这种图不花哨但对评审、对上级汇报都特別有说服力。做科研的时候它也能帮你自己快速定位哪个时段的执行偏差最大，从而反推是预测的问题还是模型的问题。

这个项目后续还能往几个方向扩展：比如把网络潮流约束加进来做电压优化、在日内层引入深度强化学习做实时决策、或者把冷/气网络耦合进来做多能互补。只要你把两阶段框架这个主干吃透了，这些都只是"挂新设备、加新约束"的工程量问题，核心逻辑是通用的。