做微电网调度的朋友应该都有同感这两年随着电动汽车保有量持续上升原本“电源—储能—负荷”三段式的微电网优化调度问题硬生生多了一个变量维度。车不再是单纯的负荷它还自带电池随时可能作为移动储能参与充放电这就是课题里“集群电动汽车”的由来。再加上风电、光伏、用户负荷本身就飘忽不定调度决策如果不把这些不确定性考虑进去得到的结果往往只能停留在论文图表里到了现场执行很容易出现功率缺额、弃风弃光甚至频率波动的问题。这篇博文要聊的就是“考虑不确定性的含集群电动汽车并网型微电网随机优化调度”这个课题的完整实现路径。包括集群电动汽车怎么建模、风光伏和负荷的不确定性如何用场景刻画、随机优化模型怎么搭建以及Matlab代码如何一步步落地求解。我会尽量用做工程的口吻讲清楚每一个选择背后的原因也会把调试中踩过的坑一并写出来。不管你是正在做微电网相关毕设、准备入门随机优化还是已经写了代码但结果总是不对这篇文章都值得花时间看完。1. 先弄清楚这个课题到底在解决什么问题1.1 集群电动汽车为什么让调度变得棘手先铺垫一下传统微电网调度是什么。并网型微电网里的主要电源是风电、光伏、微型燃气轮机储能负责平抑波动负荷端是普通电负荷和可调负荷。调度问题本质上是一个多时段、多单元的能量管理问题在满足各种运行约束的前提下以最小成本或最大收益决定每个单元每个时段的出力。这个框架在“没有EV”的时代已经非常成熟主流做法是确定性优化加滚动修正工程上跑得很顺。但电动汽车一进来局面就变了。EV对调度系统来说非常特别它既是负荷充电时又是电源V2G放电时还是储能设备停在原地时。更棘手的是它的“身份”会随车主行为实时变化——什么时候接入电网、什么时候拔枪离开、初始电量是多少、今天要跑多少里程这些都带随机性。很多初学者在第一版建模时习惯把EV当作普通储能直接写进模型结果调度出来的方案要求某个时段有大量EV放电但实际上那个时段大部分车都在路上跑方案根本无法执行。这个问题做仿真时不容易暴露一到实际项目就原形毕露。拿我自己做过的案例来说某居民区微电网假设有200辆可调度EV晚高峰18:00到21:00之间真实“在网且可调度”的EV可能只有100辆出头而且它们的目标SOC各不相同。如果不把“接入时间、离开时间、出行需求”这三件事建模清楚聚合出来的可调度容量可能比真实值高出40%到60%调度结果的安全裕度会被严重高估。这也是为什么所有正经的EV集群研究第一步都必须做“个体行为建模聚合”。1.2 四类不确定性不处理就等着“翻车”不确定性是这个课题的核心关键词它主要来自四个地方风电出力的随机性风速随机且预测误差随时效增大、光伏出力的随机性云层遮挡导致出力波动剧烈、负荷的随机性用户用电行为波动、以及EV行为随机性。如果微电网参与电力市场交易还要算上实时电价的不确定性。我把常用建模方式整理成一个表方便大家对照不确定性来源典型概率分布说明风电出力Weibull分布描述风速再经功率曲线转换短期预测误差常近似为正态分布光伏出力Beta分布描述光照强度同样常用预测误差正态近似负荷正态分布预测误差随预测周期增大而增大EV群体行为到达/离开时间用分段正态或泊松分布日行驶里程用对数正态分布初始SOC可由行驶里程反推实时电价正态分布或场景集参与市场时可通过场景法处理为什么不能对不确定性视而不见做个简单估算假设并网微电网的联络线功率上限是500kW某时段风光预测出力600kW若按确定性思想调度这个时段可以把燃气轮机停机让负荷全部由风光供。但实际风光出力可能只有450kW这时为了维持功率平衡必须立刻从电网多买电购电成本可能瞬间拉高如果联络线已经满载还会被迫切负荷。一个成熟的随机优化模型就是通过场景把这种“差一点就翻车”的情况提前纳入优化在成本和风险之间找平衡点。2. 核心建模把实际问题变成可求解的数学问题2.1 集群电动汽车聚合模型是关键单体EV建模并不复杂接入电网后可以看作一台小型储能关键参数有电池容量一般20到100kWh、最大充放电功率交流慢充3.3到7kW直流快充50到120kW、充放电效率0.9到0.95、初始SOC、离开时目标SOC。车主的出行需求通过“目标SOC”体现当天行驶里程越长接入时需要补充的电量就越多。集群聚合的目标是把几百辆单车用一个等值参数描述但必须保留“时间段”的信息。假设调度周期为24个时段、每时段1小时定义t时段在网的EV集合为Ω(t)那么聚合充电功率上下限就不是一个常数而是由每个时段在网车辆数决定的时变区间。以充电方向G2V为例聚合模型可以写成聚合功率下限P_ev_min(t) Σ P_charge_i_min(t)i ∈ Ω(t)聚合功率上限P_ev_max(t) Σ P_charge_i_max(t)i ∈ Ω(t)能量递推E_ev(t) E_ev(t-1) (η_c * P_ev_charge(t) - P_ev_discharge(t) / η_d) * Δt能量上下限E_ev_min(t) ≤ E_ev(t) ≤ E_ev_max(t)调度期末约束E_ev(T_end) ≥ Σ E_target_i保证每辆车离开时达到目标SOC如果你用确定性调度直接把聚合参数当常数填进去如果做随机规划就要先对EV群体里的随机个体行为做蒙特卡洛模拟再聚合出每个场景下的P_ev_min、P_ev_max、E_ev_min、E_ev_max等参数。我建议初学者先把单车的“时间窗约束”想清楚再动手写聚合否则很容易写出“每辆车全天都能充放电”的错误假设。另外EV集群并不一定全部可调度。实际中很大一部分车主是“即插即充”模式只有少部分愿意参与V2G所以模型里通常还要加一个“可调度比例”参数比如只有30%的车辆参与优化调度其余按固定充电曲线处理。这个参数对充电桩运营商的实际运营至关重要也是审稿人或答辩老师很喜欢追问的细节。2.2 风、光、负荷的不确定性建模不确定性建模理论上分两层一层是物理过程产生的不确定性另一层是预测误差导致的不确定性。调度模型里通常用的是“预测误差”那一层因为调度面向未来我们手里只有预测曲线和误差分布。风电方面风速可以用两参数Weibull分布描述Matlab里wblpdf、wbllcdf可以直接调用不需要手写公式。风速通过风机功率曲线映射为出力切入风速一般在3到4m/s额定风速11到13m/s切出风速22到25m/s。场景生成时直接对风速做蒙特卡洛采样再经功率曲线转到出力即可。光伏出力常用Beta分布描述太阳辐照度的随机性再由辐照度和温度通过光伏模型得到出力。不过在调度类代码里大家更习惯的做法是假设预测误差服从均值为0的正态分布把“预测值误差”当作出力场景。例如某时段光伏预测出力是P_pv_forecast误差标准差取预测值的10%到20%采样时生成P_pv_scenario P_pv_forecast error。负荷的不确定性与光伏类似常用正态误差模型标准差按负荷规模取2%到5%。这个数值来自工程经验没有统一标准需要根据实际历史数据确定。如果你手头有历史出力数据建议先用histfit看一眼分布形态再决定用正态分布还是厚尾分布。到这里模型基础已经搭完EV聚合给出“可调度资源”的时变参数风光负荷给出随机出力的分布描述。下一步就是把随机性放进优化框架。3. 随机优化框架用场景集逼近真实世界3.1 为什么选随机优化而不是鲁棒优化或确定性优化调度领域处理不确定性有三种主流思路确定性优化、鲁棒优化、随机优化。用表格对比一下更直观方法不确定参数处理目标优点缺点确定性优化用预测值代替单情景成本最低简单、求解快容易低估风险鲁棒优化区间/盒式集合最坏情况成本最低结果保守可靠往往过于保守经济性差随机优化场景集期望成本最低经济性与可行性平衡需要合理的场景概率模型分布鲁棒优化模糊集最坏分布下的期望最优兼顾鲁棒与随机模型复杂、求解难度大选择随机优化最核心的原因是工程语义明确EV到达时间、风机出力这类不确定性可以通过历史数据拟合出概率分布恰好适配场景法。随机优化的目标函数不是最小化某一个场景下的成本而是最小化所有场景下运行成本的数学期望同时在每个场景下都要保证功率平衡和运行约束成立。这比鲁棒优化更“会过日子”——它不为“几乎不可能发生的最坏情况”全额买单但通过场景概率加权给大概率事件足够权重。举一个电动车的例子。鲁棒优化会为“晚上20:00全部200辆车同时充电”这种极端场景设计调度方案为了避免它整个白天可能都在压低储能放电、维持高热备成本很高而随机优化看到的是“20:00大概率有120辆车在网、其中30%愿意参与调度”据此做的日常决策更经济。当然这也带来一个要求场景集必须能代表真实分布否则随机优化同样会给出“过于乐观”的方案。3.2 场景生成与削减计算量和精度之间的平衡蒙特卡洛采样生成场景是随机优化的第一步。假设风速、光照、负荷、EV行为都有各自的概率模型那么一次采样就生成一整天的时序曲线构成一个场景。常规做法是先采样几百到几千个原始场景比如1000个然后做场景削减把相似场景合并最终保留20到50个代表性场景并给每个场景赋予概率。场景削减最常用的是同步回代消除法思路概括为计算所有场景两两之间的欧氏距离或Kantorovich距离找到“与其他场景距离最近”的场景如果它和最近的另一个场景距离最小就把其中一个删掉被删场景的概率加到离它最近的那个场景上重复直到剩余场景数到达预设值。Matlab里可以手写这个函数也可以用现成代码包。很多论文用kmeans做聚类削减效果也不错但kmeans的缺点在于聚类中心不一定是真实场景点可能产生“物理上不可能”的代表场景比如某个时段出力超过装机容量。同步回代法没有这个毛病所以更推荐。实际采样代码就几行nsample 500; wind_scenarios P_wind_forecast wind_std * randn(nT, nsample); pv_scenarios P_pv_forecast pv_std * randn(nT, nsample); load_scenarios P_load_forecast load_std * randn(nT, nsample);削减多少场景合适我做过一组测试同样的EV聚合数据和预测曲线原始场景500个削减到10、20、30、50分别求解结果发现20个以上时优化目标已经基本稳定10个以下开始出现明显偏差。综合计算量考虑日常工程取20到30个场景是比较平衡的区间。注意每个场景在目标函数里都有概率权重所以削减后别忘了给每个保留场景赋归一化概率否则期望成本计算就是错的。4. Matlab工程实现从公式到可运行代码4.1 代码结构和数据准备我不太推荐把所有代码写在一个脚本里虽然看起来“一键运行”但调试起来后悔莫及。建议按模块拆文件main.m主程序负责加载数据、调用场景生成和优化函数、汇总结果和画图data_generation.m生成风电、光伏、负荷预测曲线和EV集群参数输出24小时时序数据scenario_generation.m根据概率模型生成原始场景scenario_reduction.m实现同步回代消除法返回削减后的场景及概率ev_aggregation.m给定单车EV参数计算各时段聚合可用功率上下限和能量上下限optimization_model.m用YALMIP构建随机优化模型并调用求解器plot_results.m绘制机组出力、EV充放电、储能SOC、联络线功率等结果图。数据准备阶段有两个容易踩坑的点。第一时间索引要统一所有数组都应该是24×1或1×24别让光伏、负荷、EV参数之间差一个索引否则约束写错时极难排查。第二基准单位全部统一比如功率用kW储能容量用kWh电价用元/kWh单位混用会引起数量级错误而且这类错误在优化问题里不会直接报错只会让结果安静地“离谱”。4.2 目标函数与约束的YALMIP实现在随机优化里需要区分两大类决策变量第一阶段决策是现在必须确定、不随场景变化的变量通常是和电网达成的购售电计划、机组启停状态第二阶段决策是随场景变化的变量指每个场景下各设备的具体出力、EV充放电功率等。两阶段随机规划的典型形式是min c * x Σ_s p_s * Q_s(x, ξ_s)其中Q_s(x, ξ_s)是场景s下的运行成本函数。在YALMIP里定义变量时就要区分场景下标核心代码大致长这样% 场景数据 ns 20; % 削减后的场景数 p redu_prob; % 场景概率1×ns % 第一阶段决策变量 x_unit binvar(nT, nG); % 机组启停状态 % 第二阶段决策变量带场景下标 P_g sdpvar(nT, nG, ns, full); % 燃气轮机出力 P_bat sdpvar(nT, 1, ns, full); % 储能功率 E_bat sdpvar(nT, 1, ns, full); % 储能SOC P_ev sdpvar(nT, 1, ns, full); % EV聚合功率正为充电 P_buy sdpvar(nT, 1, ns, full); % 向电网购电 P_sell sdpvar(nT, 1, ns, full); % 向电网售电 P_curtail sdpvar(nT, 1, ns, full); % 弃风弃光量 % 目标函数期望运行成本 objective 0; for s 1:ns objective objective p(s) * ( ... sum(sum(c_g * P_g(:,:,s))) ... % 燃气机组燃料成本 sum(c_buy * P_buy(:,s)) - ... % 购电成本 sum(c_sell * P_sell(:,s)) ... % 售电收益 sum(penalty * P_curtail(:,s))); % 弃风弃光惩罚 end % 约束 Constraints []; for s 1:ns for t 2:nT % 功率平衡并网微电网 Constraints [Constraints, ... P_pv(t,s) P_wind(t,s) sum(P_g(t,:,s)) P_bat(t,s) P_ev(t,s) P_buy(t,s) ... P_load(t,s) P_sell(t,s)]; % 储能SOC递推 Constraints [Constraints, ... E_bat(t,s) E_bat(t-1,s) eta_bat * P_bat(t,s)]; % 燃气机组出力上下限 Constraints [Constraints, ... P_g_min * x_unit(t,:) P_g(t,:,s) P_g_max * x_unit(t,:)]; % EV聚合功率上下限 Constraints [Constraints, ... P_ev_min(t,s) P_ev(t,s) P_ev_max(t,s)]; end end % 求解 optimize(Constraints, objective, sdpsettings(solver,gurobi,verbose,2,mipgap,0.01));这里提醒几个细节。第一YALMIP定义带场景下标的三维变量时内存涨得很快场景数加到50以上、时段24、设备数若干模型规模会到几千个变量这时候尽量用矩阵化写法避免在循环里反复用方括号拼接约束。第二EV聚合功率P_ev我习惯写成“正为充电、负为放电”约束里直接用P_ev_min ≤ P_ev ≤ P_ev_max限制比分别定义充放电两个变量更简洁但代价是目标函数里要加上EV电池损耗惩罚项否则优化器会在低谷电价时让EV无节制充电、高峰时猛放电场景循环往复策略看似省钱实则毁电池。4.3 求解器选型与常见线性化技巧随机优化调度在大部分情况下会被建模成混合整数线性规划MILP或纯线性规划LP。涉及机组启停就必然有0/1变量属于MILP。我一般用YALMIP做建模层求解器优先选Gurobi或CPLEX如果没有商业求解器Matlab自带的intlinprog也能跑小规模案例但超过一定规模会非常吃力。用MILP求解就要注意线性化最常见的是三类问题。第一EV不能同时充电和放电。如果采用单变量P_ev的正负表示方向这个问题天然规避如果非要分成P_charge和P_discharge两个变量就必须加互斥约束P_charge(t) ≤ M * z(t) P_discharge(t) ≤ M * (1 - z(t))其中z是0/1变量M取足够大的数这叫大M法。M不能设得特别大太大会造成数值病态建议取该节点最大可能的功率交换量。第二购售电不能同时发生。并网微电网里要设定联络线最大交换功率加入互斥约束P_buy ≤ M * z_buyP_sell ≤ M * (1 - z_buy)。这样避免模型出现“低价买入、高价卖出”同时存在的套路漏洞。第三二次型成本函数。燃气轮机燃料成本严格说应该是二次函数但如果直接放进模型MILP就变成MIQP求解难度大幅上升。我的做法是分段线性化把燃料成本曲线按出力区间切成3到5段每段用斜率近似这样模型保持MILP求解稳定性和速度都好很多。Gurobi对MIQP的支撑虽然不错但问题规模一大照样卡住能线性化就线性化。求解器参数也要会调。sdpsettings里设置mipgap0.01即容忍1%的次优性往往就能把求解时间从几分钟压到几十秒。对工程调度来说1%的误差完全可接受。5. 调试实录几个高频问题与排查思路5.1 场景数一多就求解不动我在做这个课题时一开始把原始场景设为1000削减后保留50模型瞬间变得很重。YALMIP构建加上Gurobi求解花了十几分钟这还是在没有机组启停变量、纯LP的情况下。后来做了三个优化削减场景数从50降到20目标函数值变化不到0.8%求解时间降到30秒把所有约束用矩阵乘法表达减少循环内反复拼接约束带来的开销设置mipgap0.01当时模型里已有二元变量是MILP很快收敛。结论场景数量对随机规划的计算复杂度几乎是线性的但约束规模对求解器的影响呈超线性。最好先用小场景数跑通逻辑再逐步加场景看目标值变化。如果目标值在20到30个场景之间已经稳定就没必要强行上50个场景。