多微网协同优化如何落地？双级两阶段框架设计与工程实践

前阵子做园区多微网项目，碰到一个很典型的场景：三个微网共享同一条10kV母线，白天A区光伏出力远超负荷，B区工厂却满负荷生产，C区冷库的制冷机组也在高峰运行。按传统“各管各”的调度方式，A区只能弃光，B区和C区按峰价从上级电网买电。一个午间时段下来，三块区域的总购电成本高得离谱，光伏浪费却摆在明面上。后来我们换了基于多能量集成的协同优化策略，用双级两阶段框架对接多微网与多能源系统，结果明显改善——A区余电通过内部交易给了B区和C区，燃气轮机配合余热制冷继续压低缺口。这篇文章不打算复述概念，而是把框架设计、数学建模、算法迭代、参数调整和工程落地完整拆开，给正在做多微网调度或综合能源系统集成的同行一个可参考的路线。

这组词看着偏学术，实际落到工程上就是一句话：怎样让多个互相独立的微网，在保护各自隐私和控制权的前提下，把电、热、冷、气这些不同能量形式协同起来，使区域整体运行成本最低、新能源消纳最高。适合谁看呢？做园区能源管理、微电网群控制、综合能源系统优化，以及准备上分布式调度平台的技术人员。下面我按我们从项目实操中整理出的逻辑来展开。

1. 为什么双级两阶段框架能解决多微网协同中的“割裂感”

1.1 多微网系统的天然割裂：信息与资源的双重孤岛

多微网场景里最麻烦的从来不是设备不够，而是信息彼此看不见。每个微网很可能属于不同业主，甚至用着不同厂家的EMS。A区光伏的实时出力数据，B区不可能拿到；B区冷库负荷的预测曲线，C区更没必要共享。物理上大家连在同一条母线上，能量管理层面却完全隔离。

这种割裂会直接造成“一边弃风弃光，一边高价买电”的荒谬现象。我见过不止一次：晴天午间，一个微网光伏出力到4MW，本地负荷只有2MW，多余电量因为无路可去只能压低逆变器出力；隔壁微网同样是午间，负荷却飙到6MW，全靠从上级电网买高价电。如果能把这2MW跨微网送过去，两边都省钱。问题在于，调度权分散在各微网手里，谁都不愿意把设备模型和运行数据全部交出来。

另一个割裂来自能源品种。多数微网早期只做电力平衡，冷和热各自配锅炉、电制冷机。实际上，燃气轮机发电的余热可以被吸收式制冷机利用，电锅炉和热泵又能把低谷电转化成热能储存起来。把电、热、冷分开优化，等于放弃了最有价值的互补空间。

1.2 协同优化策略的收益从哪里来

协同优化策略的收益来源可以归纳成三个互补：时间互补、空间互补、能源品种互补。

• 时间互补：不同微网的负荷峰谷时段错开，A区晚高峰时B区可能已经进入低谷，协调后可降低同时率。
• 空间互补：A区光伏多、B区负荷重，通过交互功率把余电送给B区，减少向上级电网买电和弃电。
• 能源品种互补：热泵、电锅炉、燃气轮机、储热罐、蓄冷装置协同后，电热冷可以互相转换和存储。低谷时多买电制热储存在热罐里，高峰时释放，避开高价电。

下面这张表是我们在项目前期做方案论证时经常用的，对比了三种调度模式的差异：

独立调度最省事，但放弃了大量经济性收益；集中式优化虽然理想，却常常因为业主不愿交模型、数据量过大、通信不稳而落不了地。双级两阶段正好卡在中间——上级只协调边界，下级保留自治权。

1.3 什么场景适合用双级两阶段框架

不是所有多微网项目都需要上这套框架。判断标准很简单：如果各微网之间没有物理连接，或者内部没有冷热电多种负荷，直接各管各的就行；如果所有微网归同一主体运营，数据不敏感，集中式优化反而实现更轻松。

真正适合的是这三种情况：

第一，微网产权分散、归属不同主体，但需要共享同一配电网接入点。比如开发区里的工厂、数据中心、商业综合体各自建了微网，大家共用一条10kV线路。

第二，区域内存在比较强的多能互补潜力。某个微网有燃气轮机和余热制冷，某个微网有电锅炉和储热罐，冷热电可以相互转换。

第三，上级配电网对并网功率有刚性约束。比如约定整个区域从上级电网取电的峰值不能超过某数值，这时候必须有一个协调层对多个微网统一调度。

2. 双级两阶段框架的顶层设计：层级职责与信息流向

2.1 上级协调层：区域能量管理员的角色

上级协调层在双级框架里相当于“区域能量管理员”。它不关心某个微网内部哪台燃气轮机开了几小时、储能SOC是多少，它只关心每个微网作为整体，在未来若干时段愿意对外交换多少功率、愿意以什么成本提供调节能力。

具体职责包括：

• 接收各微网上报的净负荷预测、可调功率区间、报价曲线或成本函数；
• 根据区域总体的购电价格、传输容量和碳约束，计算各微网之间的交互功率计划；
• 下发边界功率参考值和内部交易价格；
• 在日内滚动阶段，根据最新超短期预测重新校正交互功率。

上级协调层的优化变量大多是“边界量”，比如微网i与公共母线之间的交换功率、微网i从上级电网购买的功率、微网间经过公共母线传递的功率。它不需要知道微网内部的设备组合，这是保护隐私的关键。

2.2 下级执行层：微网本地EMS的自治边界

每个微网的本地EMS拿到上级下发的交互功率参考值后，在保证自身功率平衡和设备约束的前提下，优化内部设备出力。下级拥有绝对自治权，储能怎么充、机组怎么发、负荷如何响应，上级一概不管。

这里的核心设计在于“自治边界”。本地EMS会把上级给的目标当成一个软约束或惩罚项，而不是硬性命令。比如上级要求微网i在11:00向公共母线送1.2MW，但微网内部此时电锅炉负荷临时上升，本地EMS可以申请调整到送0.9MW，并把可调区间上报给上级。双方通过迭代协商达成一致，这就是协同而不是指令控制。

上下级信息边界可以这样划分：

2.3 两阶段的时间尺度分工

“两阶段”在我们的框架里指的是日前计划阶段和日内滚动修正阶段，它们解决的是不同性质的问题。

阶段性对比：

日前计划解决的是“明天的总体买卖策略”，日内滚动解决的是“当前15分钟怎么执行”。没有第一阶段，第二阶段会变得短视；没有第二阶段，第一阶段计划在真实误差下会严重跑偏。两阶段配合，才能在预测不准的现实里既保证经济性又保证可靠性。

2.4 信息流向与信号类型

整个框架的信息流向可以概括为“先上传可行域，再下载计划；日内再滚动更新”。具体流程：

1. 日前阶段开始前，各微网上报未来24小时的净负荷预测和可调能力区间。
2. 上级协调层求解区域优化问题，下发各微网逐时段交互功率参考值和内部交易价格。
3. 各微网本地求解自身优化，如果发现无法满足上级目标，把新的可行域或成本曲线上传。
4. 上下级迭代至收敛，形成日前计划。
5. 日内阶段每15分钟更新超短期预测，本地EMS重新优化，同时把修正后的交互功率计划上报备案。

这套机制的好处是信号种类少、结构固定。现场实施时，只要把上行和下行信号定义清楚，通信协议和数据库表结构就定了，后续扩展微网数量也只需要加节点。

3. 数学模型与耦合关系：变量、目标与约束

3.1 多能元件建模基础

建模这件事，核心不是写得越复杂越好，而是抓住每个元件在调度层面最重要的特性。

• 光伏：用预测出力曲线直接作为可用功率上限，实际出力变量在该上限以下可调，弃光时出力小于上限。
• 储能：电量递推公式，充放电效率，容量上下限，充放电功率限制。还要加上“SOC不要跑满跑空”的软约束，否则电池寿命掉得很快。
• 燃气轮机/热电联产机组：发电功率和热出力之间不是独立的，存在可行域约束；爬坡约束决定相邻时段出力变化幅度。
• 电锅炉/热泵：把电功率按效率转换成热功率，效率值一般在2.5～4之间，这是“多能量集成”最直接的体现。
• 储热罐：容量约束和储/放热功率约束，类似储能但损耗模型更简单。
• 吸收式制冷：利用燃气轮机或锅炉余热制冷，效率以热制冷系数衡量，把热和冷耦合起来。

每个元件的模型最终都会变成变量的上下界约束或线性等式，整体构成一个混合整数线性规划（MILP）或者线性规划（LP）子问题。

3.2 下级微网优化问题

每个微网i的日前优化目标是最小化自身总运行成本。写成学生能看懂的纯文本公式，大概是这样：

min F_i = Σ_t [ c_e(t) * P_buy_i(t) + c_g * G_i(t) + c_buy_h * H_buy_i(t) + c_cur * P_cur_i(t) + c_om * Y_i(t) ]

• c_e(t)是时段t的上网/购电价格曲线；
• P_buy_i(t)是微网i在时段t从上级公共母线购电的功率；
• c_g是天然气价格，G_i(t)是燃气轮机和燃气锅炉消耗的气量；
• H_buy_i(t)是外购热量，如果区域内没有热网可能这项是0；
• P_cur_i(t)是弃光弃风量，加上一个较大的惩罚系数c_cur，让它尽量趋于0；
• Y_i(t)是机组启停等运行变量，c_om是运维成本系数。

约束条件包括：电力平衡（光伏+机组+储能放电+购电 = 负荷+电制冷+电锅炉+充电+外送）；热平衡（热泵+锅炉+余热回收+储热放热 ≥ 热负荷+储热充热）；冷平衡（吸收式制冷+电制冷 ≥ 冷负荷）；以及每个设备的上下限约束、爬坡约束、SOC递推方程、交互功率上下限。

3.3 上级协调层优化问题

上级协调层的目标不是某个微网的利益，而是整个区域的社会福利最大化。它可以表达为“全局总成本最小”：

min F_up = Σ_t [ c_grid(t) * P_grid(t) + Σ_i ( c_buy_i(t) * P_buy_i(t) ) + c_peak * P_peak ]

• P_grid(t)是区域从上级配电网购买的总功率；
• c_peak是峰值需量电费惩罚系数，P_peak是区域在考核周期内的最大购电功率；
• P_buy_i(t)是各微网购电之和，通过内部交易价格把利益在微网之间再分配。

上级约束主要有公共母线的功率平衡、各微网交互功率限值、公共变压器容量上限、区域峰值约束。如果上级还管理一个区域能源站（燃气轮机、储热罐等），还要把能源站的设备模型也放进来。

3.4 耦合关系：交互功率与边际价格

上下级问题之间的耦合变量是每个微网各时段的“净交互功率”。上级希望微网i按P_ex_i(t)执行，下级实际可发/可用功率为P_ex_i(t)，协同优化必须保证两者一致。数学上就是一致性约束：

P_ex_i(t) - z_i(t) = 0

其中z_i(t)是上级下发的协调目标。这个等式约束的拉格朗日乘子λ_i(t)，从经济学上讲就是“交互功率的边际价格”。它告诉微网：如果你多送1kW到公共母线，区域整体收益会增加多少；如果你多买1kW，会承担多少成本。

价格信号的价值在于，它不要求微网交出内部成本函数，只需要微网根据外部价格调整自身出力，迭代几次就能逼近全局最优。这跟电力现货市场出清的基本逻辑是一样的。

3.5 为什么不能直接集中求解

有些人会问：既然模型这么清晰，为什么不用一个大的优化模型把所有微网堆在一起直接求解？原因是多方面的。

第一，隐私。业主们可以把“可调能力区间”报给上级，但要交出完整的储能SOC曲线、设备损耗参数、生产负荷模型，没有任何一个工厂会乐意。

第二，计算规模。微网数量到5个以上，每个微网又有几十台设备，集中式MILP的整数变量爆炸式增长，在线求解掐不住时间。分布式求解可以把大问题拆成小问题，各微网并行计算。

第三，故障隔离。集中式里某个微网数据异常可能污染整个最优解；分布式结构下，某个微网不收敛或通信中断时，其他微网还能按上次计划继续运行。

4. 协同优化策略的求解算法与两阶段迭代逻辑

4.1 算法选型：从集中式到目标级联与ADMM

实际项目中，我第一版通常先用集中式MILP做理论下界：用所有真实数据，解一次全局最优，得到一个“理想成本”。然后第二版用分布式算法逼近这个下界，评估损失。如果没有这步，你根本不知道分布式算法做得够不够好。

分布式算法里，交替方向乘子法（ADMM）和目标级联法（ATC）是用的最多的两种。ADMM把全局一致性约束形成增广拉格朗日函数，每个子问题加一个二次惩罚项；ATC则更适合层级嵌套结构，强调上级“目标传递”和下级“响应修正”。两者都对凸问题有收敛保证，但工程实现上ADMM更直观，惩罚参数好调。

方法对比：

在双级框架里，上级天然是中心协调者，所以我更推荐用ADMM做渐近收敛，用ATC思想做层级响应修正。两者不是互斥的，很多项目实际是把ATC的外层循环和ADMM的内层循环嵌套。

4.2 ADMM在双级框架中的改造

把ADMM套进双级框架，最关键的是引入一个辅助变量z_i(t)表示上级协调层下发给微网i的交互功率参考。每个微网的本地目标函数变成：

min F_i + Σ_t [ λ_i(t) * (P_ex_i(t) - z_i(t)) + (ρ/2) * (P_ex_i(t) - z_i(t))^2 ]

这里λ_i(t)是拉格朗日乘子，也就是前面说的边际价格；ρ是惩罚系数。二次项的作用是“拽住”微网的执行力——如果微网偏离上级目标太多，惩罚会增大，让它在自身经济性和上级协调目标之间找个平衡点。

上级更新z的方式取决于协调目标。如果只是区域总功率平衡，可以让z_i等于各微网上报P_ex_i的平均值或者某个市场出清结果；如果还要考虑线路潮流约束，z_i的更新需要解一个小的二次规划。

乘子更新公式在所有ADMM文献里都长一样：

λ_i^(k+1) = λ_i^(k) + ρ * (P_ex_i^(k+1) - z_i^(k+1))

4.3 两阶段迭代流程

完整写成伪代码，大概是这样：

阶段一：日前计划（DA） 输入：各微网24h预测数据、上级电价曲线 初始化：z_i=预测净负荷，λ_i=0，ρ=1，k=0 repeat： # 上级下发 下发 z_i^k 和 λ_i^k 给各微网 # 下级并行求解 各微网独立求解 min F_i + λ_i*(P_ex_i - z_i) + ρ/2*(P_ex_i - z_i)^2 上报 P_ex_i^(k+1) # 上级更新 求解协调问题，更新 z_i^(k+1) 更新 λ_i^(k+1) = λ_i^k + ρ*(P_ex_i^(k+1) - z_i^(k+1)) k = k+1 until 残差 ||P_ex_i - z_i|| < eps and ||z_i^(k+1) - z_i^k|| < eps 输出：日前各时段交互功率计划、储能等设备参考值 阶段二：日内滚动修正（IDR） 每15分钟： 更新超短期预测（未来4小时） 以上一轮日前计划为基础，设 z_i 为已知参考值 求解单微网滚动优化，决策未来15分钟到4小时的设备出力 若越限，上报并请求上级调整交互计划 执行当前15分钟的首个控制指令

这个流程在仿真环境里迭代20～40次即可收敛，时间完全够用。实际部署时要注意把每次迭代的“下发—上报—更新”做成标准化API，否则通信层会在现场出很多幺蛾子。

4.4 收敛判据与加速机制

判定收敛不能只盯一个指标。我通常同时看原始残差和对偶残差：

• 原始残差：r^k = ||P_ex_i^k - z_i^k||，体现上下级计划的偏差。
• 对偶残差：s^k = ||ρ * (z_i^k - z_i^(k-1))||，体现协调变量是否还在剧烈变化。

收敛阈值按实际精度取eps_abs=1e-3（标幺值），eps_rel=1e-2。注意别取太小，否则迭代次数过多，在线运行撑不住。

调参经验有三条：

第一，惩罚系数ρ开始时取电价量级的十倍左右。比如电价在0.6元/kWh量级，ρ从1.0开始试。太大容易震荡，太小收敛慢。

第二，残差比值变化时自适应调整ρ。如果r比s大十倍，把ρ调大两倍；反之调小一半。这种自适应能让收敛速度在复杂算例里有明显提升。

第三，上一时段的优化结果作为下一时段的初值。日内滚动阶段尤其有用，每次迭代往往能少跑一半轮数。这就是“热启动”的价值。

4.5 从理论到实现：迭代次数与计算时间

我在一个三微网、全部采用MILP建模的算例里测试过：24个时段、每个微网约5000个变量，其中整数变量占一成上下，Gurobi/CPLEX单次求解时间约2～4秒。ADMM迭代需要25～35次，总耗时约90秒。如果放在日前阶段，这个速度完全可接受；放在日内阶段，就必须把单次求解时间压到0.5秒以内，不然15分钟滚动窗口会被算满。

缩短计算时间的常用办法：把微网内部的整数变量（机组启停）在日前阶段固定，日内只调连续变量；或者用热泵、储能等设备的热力学模型近似为分段线性函数。工程上“够用比精美重要”。

5. 算例分析与调参经验：从仿真到真值

5.1 算例设置：3个微网 + 1个区域能源站

我用一个典型园区改造项目的数据做示范。区域里有三个微网：

• 微网A：工业负荷，装3MW光伏、1MWh储能、少量蒸汽负荷。
• 微网B：商业综合体，冷负荷为主，装1台2MW燃气轮机，配吸收式制冷和2MWh储热罐。
• 微网C：数据中心，电负荷高、热负荷靠电锅炉，装1MW光伏和2MW电锅炉，配3MWh储热罐。

三个微网通过公共10kV母线相连，母线再经一台6.3MVA变压器接到上级电网。区域能源站另配一台燃气锅炉，通过蒸汽管网向A区供蒸汽、向C区补热。

5.2 参数配置表

这些参数不是随便填的，都是按照实际设备铭牌和抄表数据标定的。做仿真前最好把储能效率和热损率用一次现场实验校核，差5%以上结果就不准了。

5.3 结果对比：成本、消纳与迭代表现

算例结果分两种模式对比：一是各微网独立优化、不进行交互；二是双级两阶段协同优化。

成本下降主要来自三个部分：弃光电量跨微网消纳替代高价购电，燃气轮机余热替代燃气锅炉直烧，峰值需量电费降低。迭代次数统计下来，收敛阈值在1e-3时平均需要28次，计算总耗时约105秒。

5.4 调参中的几个坑

第一个坑是惩罚系数ρ调太大。把ρ设成10以后，前几次迭代振荡得非常厉害——今天微网A报送2MW，下次迭代又变成-1MW，来回跳。原因是对偶变量更新过快，惩罚项把目标函数“掰”得太狠。改成自适应ρ，按原始残差/对偶残差异常调整，振荡就压下来了。

第二个坑是储能SOC漂移。分布式优化只盯当前时段经济性，往往会把储能在低价时段充满、高价时段立刻放光，到日末SOC回到很低甚至越限。解决办法是在日前的目标函数里加一个“日终SOC目标项”，或者把SOC递推方程作为硬约束，让储能尽可能回到初始电量。

第三个坑是热力系统非凸约束。热管网的压力-流量方程是非线性的，直接塞进MILP会出无解。我们的处理方式是把热网简化为热量平衡约束，忽略管损和压力，或者在日内修正阶段用半经验公式修正管损。结果精度可以接受，收敛稳定很多。

5.5 鲁棒性验证

仿真再漂亮，也得接受预测误差的检验。我们给光伏和负荷加上±10%的随机扰动，连续跑30天。

结果显示：日前计划在日内偏差最大时购电功率能控制在±0.3MW以内，区域总成本增加不超过3%。发生极端情况（光伏骤减+负荷骤升）时，日内修正阶段通过调用储能和削减可中断负荷，能保证不越变压器限值。

如果想把鲁棒性做得更强，可以在日前阶段引入随机场景或不确定集合，但计算代价会翻倍。部署时我的建议是：先做确定性模型跑通流程，再加鲁棒/随机模型，不要一步到位。

6. 落地实施中的工程化要点与实战建议

6.1 仿真平台与求解器选型

无论算例多漂亮，最终要接进真实系统。我们用过两套主流技术栈：

我的习惯是先用MATLAB做算法验证，因为YALMIP写约束特别快；验证通过后，用Python+Pyomo重写一份用于部署。Pyomo和Gurobi配合，3个微网规模完全可以做到秒级求解。

6.2 数据接口与时间对齐

协同优化最怕数据时间戳不对齐。SCADA数据、气象超短期预测、电价文件来自三个系统，如果不同步，滚动优化会产生锯齿状控制指令。

实践上必须做三件事：统一时区基准（全部用UTC），统一采样周期（日前按小时，日内按15分钟），统一数据清洗规则（填充、平滑、剔除尖峰）。在我的项目里，我们用了一套轻量级时序数据库存所有输入输出，每次优化前先跑数据质量检查，不合格就改用上一轮预测值，绝不让坏数据进求解器。

6.3 与已有EMS的联动方式

现场最忌讳的是强行替换原有EMS。成熟微网的本地EMS已经稳定运行多年，谁都不放心你第一天就接管设备。

我们采用的稳妥路径是“三步走”：

1. 影子运行：双级框架只读SCADA数据，输出指令但不执行，与原有EMS推荐值对比一个月。
2. 限位接管：先把储能、可控负荷这类安全裕度大的设备切给新框架控制，机组启停维持原EMS。
3. 全面切换：连续考核两周无误后，把全部可控设备移交，原EMS降到后备模式。

这套打法虽然慢，但一周就能看到收益，业主配合度高很多。

6.4 性能底线与降级策略

网状通信再可靠，也要考虑断链情况。双级框架必须设计好降级策略：

• 如果某个微网通信中断，上级对该微网采用最新一版交互计划作为硬约束，其他微网正常优化。
• 如果上级协调层宕机，各微网自动切换回独立优化模式，按日前计划保底运行。
• 所有下发指令都要有执行确认机制，本地EMS在约束越限时有权拒绝执行并上报原因。

我们在现场还把“看门狗”加进了控制循环：如果连续三个周期没收到某个微网的回报文件，自动把该微网标记为不可调，防止数据陈旧导致错误优化。

6.5 几条很实际的经验

经过两个项目打磨，我最想分享的经验排序是：

第一，先跑通单微网，再连多微网。单微网日内滚动都没调稳，直接上双级框架只会让问题翻倍。

第二，先确定性模型，再上随机/鲁棒。别一上来就挑战最难的，把基线模型交付后再逐步加复杂度。

第三，多用边界信号，少用内部调度。上级协调层只跟微网谈功率和价格，这样才能保护隐私、降低通信负担。

第四，结果的验证不是只看总成本，还要看每个微网的结算账单。如果某个微网一直是吃亏方，即便整体成本下降，它也会退出协同。所以要设计内部交易结算机制，让参与方都受益。

这套双级两阶段框架，本质上就是把“全局最优”和“个体自治”两个矛盾诉求放在一个框架里谈。实际运行一段时间后，你会发现它带来的不只是电费下降，更是把原来互相猜疑的几个业主拉到了同一个“市场规则”下。后续如果再加入碳配额、绿电凭证、现货市场价格联动，这个框架的可扩展空间还很大。我的体会是，协同优化的瓶颈从来不在于数学算法，而在于你能不能把边界规则设计到让每个参与者都愿意执行。把这个想明白了，项目就成功了一半。