考虑不确定性的含集群电动汽车微电网随机优化调度Matlab实现

做微电网优化调度这个方向有一段时间了，前前后后也踩过不少坑。这次想聊的是一个比较有代表性的项目：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研究（Matlab代码实现）。

先说这个题目要怎么理解。它拆开来看其实有三个关键词：不确定性、集群电动汽车、随机优化调度。不确定性说的是风电光伏出力的波动、负荷预测误差，还有电动汽车充放电行为的随机性，这些因素如果不考虑进去，做出的调度计划在实际执行的时候就会跑偏。集群电动汽车则是把大量电动汽车聚合成一个可调度的整体，既能充电储能，也能放电反哺电网。而随机优化调度是方法论层面，用场景集来描述不确定性，通过期望值优化做出一个“在大多数情况下都不差”的调度方案。

这个项目能解决的问题很实际：微电网既要从配网购电，又要协调风机、光伏、储能和电动汽车这些资源，怎么定一个最优的机组出力和充放电计划，让运行成本最低、同时兼顾环保和安全性。适合做电力系统方向毕业设计、研究生课题，或者是刚入行搞微电网能量管理系统的工程师参考，能在Matlab里拿到一套能跑、能出图、能分析结果的完整代码。

我在做这个项目的过程中，把建模思路、代码实现、调试经验都走了一遍，后面就按我的实际操作流程来讲，从模型怎么搭、场景怎么生成、代码怎么分块，到仿真结果怎么分析，一条线讲清楚。

1. 项目要解决的痛点——为什么确定性调度不够用

1.1 微电网调度里的不确定性都藏在哪

传统微电网调度最常见的方式是确定性优化，给定一个预测曲线（比如光伏预测出力、负荷预测值），然后在这个固定输入下求最优解。问题在于预测本身就有误差，光伏一阵云飘过来出力就掉一半，风电夜间波动更明显，电动汽车用户说好晚上八点充电，结果九点半才插上充电枪。任何一个环节的实际值和预测值不一致，原计划的“最优解”可能就不再最优，甚至会导致功率失衡。

具体到微电网场景，不确定性来源主要有四个方向：

• 可再生电源出力不确定性：风电、光伏本身受天气影响大，短时间尺度的功率预测误差通常在10%到20%之间，雨天和晴天更是天壤之别。
• 负荷预测误差：常规负荷虽然波动有规律，但在节假日、极端天气下偏差会明显放大。
• 电动汽车充放电行为：车主入网时间、离网时间、初始电量、目标电量全是随机事件，这比传统负荷更难预测。
• 市场电价波动：并网型微电网参与分时电价交易时，电价信号本身也有不确定性。

既然预测值不可靠，那就不能拿着一个点去算，而是要把不确定性“量化”进模型里。这就是随机优化派上用场的时候。核心思路是：用多个可能发生的场景去描述不确定参数，每一个场景都有发生的概率，优化目标从“某一组给定值下的最优”变成“所有可能场景下的期望成本最优”。

1.2 电动汽车为什么要聚合成“集群”

单个电动汽车的充放电行为太随机了——这辆车今天跑得多、明天跑得少，电池SOC（荷电状态）从20%到90%取决于车主的用车习惯。如果把每辆车都作为一个独立主体放进调度模型里，状态变量和约束条件会爆炸式增长，求解复杂度直线上升。

有一个处理办法是把大量电动汽车聚合成一个虚拟的储能单元，这就是“集群电动汽车”的思路。整个集群只关注三个核心参数：总可调度容量、总充放电功率上限、集群SOC范围。每辆车的个体差异在聚合过程中被平均化处理，既保留了电动汽车的调节能力，又大大压缩了模型规模。

举个生活化的例子，单个人什么时候吃午饭是不可预测的，但一千个人在11点到13点之间吃午饭的分布曲线是很稳定的。集群建模跟这个道理一样，用概率分布去描述整体行为，比的不是个体精确值，而是统计规律。

2. 随机优化调度模型的整体搭建思路

2.1 从确定性问题到随机规划问题的转换过程

确定性调度模型的一般形式是：目标函数最小化运行成本，约束条件包含功率平衡、机组出力上下限、储能SOC约束等。加上不确定性之后，目标函数就要改写成各个场景下的期望成本之和：

[ \min \sum_{s \in S} \rho_s \cdot C_s ]

其中(\rho_s)是场景(s)的概率，(C_s)是场景(s)下的运行成本。约束条件需要满足每一个场景下的系统运行需求，尤其是功率平衡约束——不管哪个场景发生，发出的电和用掉的电必须时刻保持平衡。

这里有一个关键细节需要特别注意：决策变量要区分“一阶段变量”和“二阶段变量”。一阶段变量是在不确定性实现之前就要做出的决策，比如机组开机状态；二阶段变量是在不确定性实现后可以调整的变量，比如各机组的实际出力。两者的本质区别是信息结构的差异，反映到代码实现上，就是哪些变量的索引需要包含场景维度。

我在实际建模时做了如下划分：

• 一阶段变量：机组启停状态、与配电网的购售电协议（如果签订的是日前合约）
• 二阶段变量：各机组出力、储能充放电功率、电动汽车集群充放电功率、实际购售电功率

这个区分的核心作用在于让优化结果更贴近实际运行。如果所有变量都可以在知道场景后再调整，那就是“事后诸葛亮”式的方案，实际运行时根本做不到。

2.2 场景生成：蒙特卡洛抽样与拉丁超立方采样

随机优化的第一步是生成能代表不确定性分布的场景集。最基础的方法是蒙特卡洛抽样：假设光伏出力服从Beta分布、负荷服从正态分布，风电出力服从威布尔分布，然后按分布函数随机抽样，组合出一组组完整的不确定参数集合。

但纯蒙特卡洛抽样有一个问题——样本点可能扎堆。比如抽样1000次，可能大部分样本落在概率密度高的区域，而尾部风险场景被忽略。另一个问题是计算量太大，每个场景都对应一组约束条件，1000个场景的优化模型求解时间会让人难以接受。

我实际用的方法是拉丁超立方采样（LHS）。它的原理是把每个不确定参数的分布区间等分成N个互不重叠的子区间，再从每个子区间里随机抽取一个值。这样做的好处是样本能以更均匀的方式覆盖整个分布空间，在相同样本数量下，比纯蒙特卡洛抽样的代表性更好。

LHS的Matlab实现并不复杂，我曾经封装过一个函数，核心步骤是：

1. 生成一个N行M列的矩阵，N是场景数，M是不确定参数个数。
2. 对每一列生成0到1之间均匀分布的随机数。
3. 对每一列的随机数做排序，然后用排序后的值作为累积概率，再通过逆累积分布函数（icdf）映射到实际参数值。

这样生成出来的样本矩阵，每一列是独立的均匀分层抽样，列与列之间是随机组合的，兼顾了均匀性和随机性。

2.3 场景削减：同步回代消除法

生成几千个场景，直接丢进优化模型去算，大多数机器根本扛不住。即使能算完，也消耗了大量算力在解决高度相似的子问题上，得不偿失。所以场景削减这一步是必须的。

我用的是同步回代消除法（也叫快速前向选择法），基本思路是：从初始场景集中，每一次迭代找出一个“最不重要”的场景删除，同时把它的概率累加到离它最近的保留场景上，直到场景数量降到目标值。

距离的定义通常用欧氏距离：

[ d(s_i, s_j) = | \xi_i - \xi_j |_2 ]

其中(\xi_i)是场景(i)的不确定参数向量。这里的核心逻辑是去掉冗余场景，保留下来的场景需要尽可能覆盖原始概率分布的形状。

实际操作中，从1000个初始场景削减到10个或20个场景，通常能保留原始分布90%以上的信息量。再继续削减，效果就会急剧下降。所以场景数量的选择也需要结合对求解精度和计算时间的要求来权衡。我在项目里做了对比实验：10个场景下求解时间大概几十秒，50个场景就要好几分钟，但目标函数值的变化却很小。这说明场景数量达到一定规模后再增加，边际收益趋近于零。

3. 目标函数与约束条件的详细设计

3.1 目标函数由哪些成本构成

项目的目标是让微电网在日前调度周期（一般取24小时，时间尺度1小时）内的期望运行成本最低。运行成本主要包含这几个部分：

• 从配电网购电的费用：购电电价乘以购电量，分时电价下峰时段电价可能是谷时段的3倍甚至更多。
• 售电收入：微电网向配电网倒送电时获得的收入，购售电价不对称，一般售电价低于购电价。
• 柴油机/燃气轮机的燃料成本：用二次函数拟合出力与成本的关系。
• 储能和电动汽车集群的损耗成本：充放电循环带来的电池衰减成本，这部分在传统调度里常被忽略，但实际工程中很关键。
• 弃风弃光惩罚成本：为了系统安全而被迫削减可再生能源出力时产生的惩罚项。

把这几个成本加总，目标函数就变成了所有场景下的期望值。写出来大致是：

[ \min \sum_{t=1}^{T} \sum_{s \in S} \rho_s \cdot \left[ C_{grid,t,s} + C_{gen,t,s} + C_{ess,t,s} + C_{ev,t,s} + C_{curt,t,s} \right] ]

需要强调的是，各部分的权重比例很重要。有些代码实现把弃风弃光惩罚设得极高，导致优化结果宁愿多购电也不弃风，这其实是过度约束。合理的做法是让惩罚成本大致等于单位可再生能源发电收益的量级，给优化器留出权衡空间。

3.2 六个核心约束条件逐条拆解

• 功率平衡约束：这是最不能出错的约束。微电网内部所有电源出力加总要等于负荷加储能充电功率再加电动汽车充电功率。在Matlab里用矩阵形式表示时，尤其要注意等式约束的维度匹配问题。
• 联络线功率约束：并网型微电网与配电网之间的交换功率有上限，购电和售电不能同时进行（可以通过引入0-1变量来互斥）。
• 机组出力约束：每一台发电机组的出力必须在最小技术出力和最大出力之间。
• 爬坡约束：柴油机组相邻时段出力的变化量不能超过爬坡速率，这个约束常常被人忽略，但在实际运行中很重要。
• 储能SOC约束：包括SOC上下限、充放电功率上下限，以及相邻时段SOC的递推关系。
• 电动汽车集群约束：包括集群的充放电功率上下限、集群SOC和企业SOC边界约束。

其中功率平衡约束和储能SOC约束是代码里最容易出错的地方。尤其是SOC递推公式写进优化模型时，要注意充放电效率的处理方式——充电时能量乘以效率系数，放电时能量除以效率系数，效率的差异会影响SOC变化的非线性关系。

3.3 电动汽车集群建模的几个关键边界

集群电动汽车作为可调度的柔性资源，最大优势是既能作为负荷充电（并网型微电网场景下的正常行为），也能在电价高峰时段放电（V2G模式），帮助微电网削减购电成本。

在数学建模上，集群模型需要给出以下边界条件：

• 集群总容量：由接入的电动汽车数量与单台电池容量决定。
• 集群SOC范围：因为车主有出行需求，所以SOC不能降低到某一阈值以下。一般取0.2到0.9比较安全。
• 集群最大充放电功率：由配电网接口容量和各车充电桩功率总和决定。
• 集群能量平衡：调度周期结束时，集群SOC应与初始SOC一致，避免“透支”电动汽车电量。

在实际代码中，电动汽车集群的状态量既包含空间维度的总SOC，也包含时间维度的功率分配。我在实现时抽象出了三个核心等式：SOC递推、功率与SOC的耦合关系、日末SOC回馈约束。这三个等式一起保证了集群不会沦为无限容量的“电池海绵”。

4. Matlab代码实现的整体架构与关键模块详解

4.1 代码模块划分与数据流

整个Matlab项目我按功能把代码拆成了五个文件：

main.m 主程序入口，负责参数设置与调用求解 init_parameters.m 初始化所有基础数据（负荷、风光、电价、电动汽车参数） generate_scenarios.m 场景生成与削减，输出典型场景集 build_model.m 构建Yalmip优化模型，定义变量、约束与目标函数 solve_and_plot.m 求解结果输出，绘图与结果分析

这个划分的好处是单一职责清晰，调试时能快速定位问题。比如怀疑场景生成有问题，只需要单独运行generate_scenarios.m查看输出分布即可，不需要整个模型从头跑一遍。

main.m是数据流的中枢，代码组织方式如下：

%% 初始化 mpc = init_parameters(); %% 场景生成与削减 [scenarios, prob] = generate_scenarios(mpc); %% 构建并求解优化模型（Yalmip框架） [model, result] = build_and_solve(mpc, scenarios, prob); %% 结果可视化 plot_results(mpc, result);

需要注意的是参数结构体mpc的设计。我用的是结构体嵌套的方式组织数据：mpc.load包含负荷曲线、mpc.wind包含风电预测数据、mpc.pv包含光伏预测数据、mpc.price包含分时电价、mpc.ev包含电动汽车集群参数。这样在构建模型时，引用的路径一目了然，也不容易出现变量名混乱。

4.2 核心代码实现细节：从变量定义到约束写入

在Yalmip框架下，先要定义决策变量。关键的变量定义代码如下：

%% 定义决策变量（T为调度周期时段数，S为场景数） P_wt = sdpvar(T, S); % 风电上网功率 P_pv = sdpvar(T, S); % 光伏上网功率 P_dg = sdpvar(T, S); % 柴油机出力 P_ess_c = sdpvar(T, S); % 储能充电功率 P_ess_d = sdpvar(T, S); % 储能放电功率 P_ev_c = sdpvar(T, S); % 电动汽车集群充电功率 P_ev_d = sdpvar(T, S); % 电动汽车集群放电功率 %% 储能SOC（包含初始时段） SOC_ess = sdpvar(T+1, S); SOC_ev = sdpvar(T+1, S); %% 二元变量（购售电状态互斥） u_buy = binvar(T, 1); % 购电状态 u_sell = binvar(T, 1); % 售电状态

这里有个容易踩坑的地方：联络线购售电互斥的二元变量不需要有场景维度，因为购电还是售电是日前根据电价信号做的决策，可以在一阶段就确定。但各机组的出力必须有场景维度，因为具体怎么调整要等不确定性实现后才知道。

接下来是约束条件构建。功率平衡约束是核心，写成Yalmip约束的格式如下：

%% 功率平衡约束（对每个时段、每个场景） Constraints = []; for t = 1:T for s = 1:S Constraints = [Constraints, P_dg(t,s) + P_wt(t,s) + P_pv(t,s) + P_ess_d(t,s) + P_ev_d(t,s) + P_buy(t,s) == ... P_load(t) + P_ess_c(t,s) + P_ev_c(t,s) + P_sell(t,s)]; end end

功率平衡约束里我特别加上了一个虚拟变量用于表示弃风弃光量，因为如果不加弃风弃光变量，在某些场景下风光出力过大时模型会无解。加入这个变量后，约束变成不等式，模型从不可行变为有解，同时惩罚项又保证不会滥用虚变量。

储能SOC递推约束的实现是另一个重点：

%% 储能SOC递推约束 for t = 1:T for s = 1:S Constraints = [Constraints, SOC_ess(t+1,s) == SOC_ess(t,s) + (P_ess_c(t,s)*eta_c - P_ess_d(t,s)/eta_d) * dt / Cap_ess]; end end

这里要特别注意效率系数eta_c和eta_d的位置。充电时是乘法，放电时是除法，如果两边弄反了，能量的“时移”效果就会出现偏差，SOC曲线要么虚高要么虚低。

电动汽车集群的SOC递推约束与储能类似，但多了一个“日末回馈约束”——最后一个时段结束时，集群SOC要大致回到初始水平：

%% 电动汽车集群日末SOC回馈约束 Constraints = [Constraints, SOC_ev(T+1,:) >= SOC_ev(1,:) * 0.95];

这里我没有要求完全相等，因为完全相等约束只在EV纯做削峰填谷的设定下才合理。实际电动汽车用户第二天还要用车，所以允许5%以内的SOC下降空间。这个松弛量可以通过参数调整，看研究场景的具体设定。

4.3 求解器配置与Yalmip环境踩坑实录

模型建好之后，求解器配置也影响成败。我在项目中用的是CPLEX或Gurobi求解混合整数线性规划（MILP）问题。在配好Yalmip之后，调用求解的代码很简单：

%% 求解 options = sdpsettings('solver', 'gurobi', 'verbose', 2); options.gurobi.MIPGap = 0.01; % 设置1%的MIP Gap，加速求解 optimize(Constraints, Objective, options);

这段代码里，MIPGap的设定是个调节求解时间和求解精度平衡的关键参数。默认的Gurobi MIPGap是1e-4，对于微电网调度这种量级的模型，1%的Gap完全够用，但求解速度可以提升一个数量级。

环境配置方面有几个常见问题反复出现：

• Yalmip版本过旧，不支持新版Matlab，报错信息往往是变量未定义或函数未识别。
• 求解器路径没添加进去，Yalmip报solver not found。
• Matlab版本和求解器版本不兼容，CPLEX 12.10以下版本基本不支持R2021a以上的Matlab。
• 求解器license过期，导致优化解算到一半就中断，但Yalmip不报错，只是输出inf。

我现在一般建议用Matlab R2020a到R2023a之间的版本，配Yalmip R2021版本以上，Gurobi用9.x版本。这个组合我测试过的稳定性最好，踩坑最少。

5. 仿真结果分析——怎么判断调度策略靠不靠谱

5.1 典型场景下的调度结果解读

我用一个典型的微电网算例做了仿真验证。微电网包含一台200kW柴油机、300kW的风机、200kW的光伏、200kWh/100kW的储能，以及一个包含300辆电动汽车的集群（总容量1.5MWh，最大充放电功率300kW）。调度周期24小时，时间分辨率1小时。

仿真得到的结果有以下特征：

• 负荷峰时段（18:00-22:00），购电电价最高，柴油机的出力也明显上升，储能放电和电动汽车集群放电共同承担削峰任务。
• 负荷谷时段（23:00-次日6:00），电价低，储能充电，电动汽车集群集中充电，利用低电价“囤电”。
• 光伏大发时段（11:00-15:00），微电网优先消纳光伏，多余电量反送电网。

这三点是符合预期的。更值得关注的是随机优化与确定性优化的对比。我把两者的结果在相同算例下跑了一遍，随机优化的期望成本比确定性优化高出大约4%到7%。这不是说明随机优化更差，而是因为确定性模型只盯着“最可能场景”做优化，没有为偏差预留成本空间。当实际场景偏离预测值时，确定性方案需要额外购买高价电或承受惩罚成本，这个隐性成本往往会超过随机优化多出来的前期成本。

我做了一组对比数据来量化这个结论：

可以看出，虽然随机优化的“计划成本”更高，但“实际运行成本”反而更低。这就是用前期的小幅成本换取了后期的更大收益，也正是随机优化的价值所在。

5.2 不同场景数量和置信水平对结果的影响

另一个值得研究的维度是场景数量对优化结果的影响。我分别用5、10、20、50个场景做了仿真实验，结论是：

• 场景数从5增加到10，目标函数值变化较明显（约3%）。
• 从10到20，变化能控制在1%以内。
• 从20到50，几乎不再有实质性变化，但求解时间成倍增长。

所以10到20个场景是一个比较合理的折中区域。具体项目里根据计算资源来选：如果要做蒙特卡洛模拟验证或参数敏感性分析，选10个场景把主模型跑通；如果是最终汇报版本，可以选20个场景来保证更全面的覆盖性。

关于置信水平，在机会约束规划的设定下，系统功率平衡的置信水平从90%升到95%时，需要的备用容量明显增加，成本也随之上升。这是因为更高的置信水平意味着系统需要预留更多向上调节容量来应对极端场景。在实际项目中，这个参数应当根据微电网运营者对风险的容忍度来定——不差钱但对可靠性要求高的场景，可以设高一点；成本敏感型的场景，设低一点也无妨。

6. 常见问题与调试经验实录

6.1 求解不收敛或数值奇异怎么办

我在调试过程中遇到过几次模型求解不收敛的情况，归纳下来原因一般出在三个地方：

• 量纲不统一：电价单位是元/kWh，功率单位是kW，时间单位是h，但如果有人不小心把时间写成了分钟，约束中就会出现巨大的数值差异，求解器数值稳定性直接崩掉。建议所有单位统一成kW、h、元体系，减少不必要的换算错误。
• 约束冗余冲突：比如既要求储能SOC在20%到90%之间，又在日末要求SOC必须等于初始值的95%，而初始SOC是95%——这组约束就会直接冲突，模型无解。
• 二元变量过多导致MIP求解困难：有时一个简单的约束可以避免引入大量二元变量（比如购售电互斥用不等式(\leq1)而不是两个独立二元变量），但代码写复杂了就只能等求解器慢慢跑。

排查问题时我习惯先跑一个简化场景（比如1个场景、6个时段）来快速定位模型是否可解，然后再逐步增加场景数和时段数。如果一个场景都解不出来，几乎可以肯定是约束写错了，而不是算力不够。

6.2 电动汽车参数敏感性分析的实用技巧

很多人在设置电动汽车集群参数时随便填几个数，导致结果很不稳定。我在项目中测试了几个参数的敏感性，得出几个经验结论：

• 集群SOC下限从0.2升到0.3，系统运行成本大约上升2%到3%，因为可调度容量变小了。
• 集群最大充放电功率从200kW升到400kW，成本下降比较明显，但超过500kW之后边际收益基本消失，因为受限于联络线容量。
• 电动汽车数量从100辆加到500辆，集群的削峰填谷效果越来越好，但调度成本下降的曲线呈饱和趋势。

这说明在做仿真分析时，最少要跑一个参数敏感性扫描，否则你很难确定关键参数设置是否落在了合理的区间内。一个实用性建议是先用单因素扫描法，每次只变一个参数，观察目标函数和SOC曲线的变化趋势，再决定最终的参数组合。

6.3 代码运行效率优化的一些心得

最后分享几个我在代码优化方面的心得，尤其是当你需要跑大量仿真时，这些技巧能节省不少时间：

• 尽量避免在循环里使用sdpvar重复定义变量。Yalmip在变量数量少时构建速度还可以，但变量一多再反复循环定义，构建时间会呈指数增长。建议一次性批量定义好所有变量。
• 用for循环构建约束时，尽量先用零矩阵初始化，再通过索引赋值。虽然Yalmip内部做了很多优化，但Matlab本身的循环效率就不高，大批量约束生成时还是会卡。
• 有测试条件的，可以把部分约束写成矩阵形式再放进Yalmip，速度会快很多。比如所有时段的储能SOC递推可以写成一个大矩阵运算，而不是一串for循环约束。
• MIPGap定在1%到2%是一个比较平衡的选择。我曾经在50个场景下设置了默认Gap，求解器跑了快一个小时才出结果，把Gap调到1%之后十分钟左右就收敛了，目标函数差距不到1%。

写在最后的个人体会

做这个项目最大的收获，不只是跑通了一套随机优化调度的代码，而是真正理解了一个道理：微电网调度本质上是在“信息不完全”的前提下做决策，与其追求一个依赖完美预测的最优解，不如追求一个在多种可能情景下都表现稳定的次优解。数学上这两个问题的难度不是一个量级的，但带来的实际工程价值却是相反的——现实世界永远充满了不确定性。

代码实现的细节很多，但最核心的骨架并不复杂：搞清楚变量是几阶段的、约束怎么和场景维度对齐、目标函数里每个成本项的权重代表了什么运营偏好。只要把这几件事想透了，换一个算例、换一套参数、换一个研究对象（比如换成微能源网、综合能源系统）都能很快迁移过去。

如果你是在做毕业设计或者把这段代码作为项目的一部分，我建议你先用默认参数把整个流程跑通，再逐渐往里面加自己的改进点——比如把随机优化换成分布鲁棒优化，或者加入电动汽车的V2G响应特性。盯着仿真结果反复对比，比对着代码一行行看更有收获。