虚拟电厂投标三层MILP框架：联合投标、动态滚动与避坑实践

先别急着上三层框架。我一开始也是单层优化的支持者，原因很直接：VPP内部资源就那些，把批发能源市场和监管服务市场的所有约束一起塞进一个混合整数线性规划（MILP）模型，理论上可以同时给出投标量和运行计划，算是一次到位。但实际操作下来，单层模型至少有三个绕不开的坎。这篇文章我就把基于MILP的三层框架拆开聊，包含投标方案设计、动态滚动执行，以及那些论文里很少写的踩坑记录。如果你正在做虚拟电厂投标、分布式资源聚合调度，或者研究能源市场协调运行策略，这篇应该能帮你少走一段弯路。

1. 为什么单层优化做不好虚拟电厂的联合投标？

1.1 批发能源与监管服务：两套时间逻辑拧在一起

批发能量市场通常需要提前一天申报分段报价，出清结果决定每个交易时段的基本出力。交易时段可以是一小时，也可以是十五分钟。而监管服务市场（调频、备用等）要求的是中标后在实时指令下快速调整功率，时间分辨率要细得多，响应速度按秒甚至更短衡量。虚拟电厂要把储能、分布式光伏、可调负荷打包去参与这两个市场，就必须同时回答两个问题：下一个时段要发多少电，以及在这个基础上还能让电网“拽”多少功率走。

这两套逻辑天然是拧着的。能量市场希望出力曲线平稳、可预测，监管服务却希望资源能随时打破平稳状态，快速上下波动。单层模型虽然可以把两个市场的收益都写进目标函数，但优化器并不理解哪些出力是“基荷”，哪些是“待命调节量”。它只会在约束允许的范围内找出一个数学上的最优解，至于这个解在真正执行时储能还有没有电、爬坡还来不来得及，单层模型往往缺乏约束去保证。这就像一个人排工作日程，只写了全天总工作时间八小时，却没有区分哪些是必须坐班的硬任务、哪些是可以随时接电话的待命时段。到了电话真响起来，手头的事情放不下，两头都耽误。

我在模拟项目X里第一次把能量市场出清模型和AGC调频模型合并求解时，模型给出的投标组合收益非常好看，可一到日内执行，储能SOC根本跟不上监管信号，频繁出现调节量不够的情况。最后只能靠实时市场高价买调节能力来兜底，不但把预期收益吃掉大半，还暴露了单层模型对时间尺度差异缺乏表达能力的问题。

1.2 单层模型踩过的三处坑

第一处坑，是储能SOC被“平均化”改写。单层模型为了降低复杂度，常用全天总充放电量来近似约束SOC，比如设定一天结束时SOC回到初始值。但真实监管服务会要求储能频繁双向充放，SOC轨迹在一天内大幅波动。如果投标层没有显式计算调节里程对SOC的消耗，模型会低估SOC的变化范围，实时阶段就会出现“理论上有电、实际调不动”的尴尬。

第二处坑，是爬坡约束跨市场丢失。能量市场的爬坡约束往往是小时级平均功率变化，监管服务要求的是分钟级甚至秒级的功率变化能力。单层模型如果只写小时级爬坡，它会高估可投标的调节容量。等到实时调度时，设备物理上根本做不到那么快的功率变化，中标越多、罚款越重。

第三处坑，是整数变量太多导致求解器崩溃。VPP中每一台储能的充放电状态、每一个可调负荷的启停状态、每一段投标曲线的激活状态，都需要0-1整数变量。把这些变量和所有时段、所有资源加在一起，问题规模会爆炸性增长。我见过有人硬解一个大单层MILP，求解器跑了三个多小时还拿不出可行解，最后只能放弃。后来换了分层方案，每个子问题规模小一个数量级，几分钟就能出结果，还能用滚动更新不断修正。

2. 三层框架怎么搭：从投标到实时响应的分工

2.1 每一层管什么：层级职责与输入输出

三层框架的核心思路不是把模型“切开就算完”，而是让每一层只关心自己时间尺度内真正重要的决策，同时通过边界变量把层与层衔接起来。我常用的分工如下表：

第一层的职责是“卖承诺”，它决定VPP对外报了多少能量和调节容量。但卖承诺不能拍脑袋，必须知道自己有多少底牌，所以它要接收第二层反馈的聚合可调能力，确保承诺量不超过运行调度的可行域。第二层的职责是“排班”，在第一层中标结果的约束下，把总功率目标分解到每一台储能、每一组可调负荷，安排它们的启停和出力。第三层的职责是“响应”，因为实际监管信号和预测总有偏差，实时层必须快速重新分配功率，同时保证SOC等状态量不会越界。

这套分工本质上是对“承诺-计划-执行”的现实模拟。第一层报出去的是对电网的承诺，第二层生成可执行计划，第三层兑现承诺。每一层都有明确输入输出，出了问题可以快速定位是哪一层引起的，而不是在大模型里漫无边际地查。

2.2 层与层之间靠什么耦合：运行包络与可调能力反馈

层间耦合是关键，如果各层只是简单地传递一个数字，框架就失去意义。我采用的核心耦合变量是“运行包络”：在每个时段，给定一个基点出力B_t，同时给出可上调能力R_up_t和可下调能力R_dn_t。第一层投标时，能量市场投标量P_t必须满足：

P_t + R_up_t ≤ 聚合最大可调上限

P_t - R_dn_t ≥ 聚合可调下限（或购电上限）

这意味着无论监管信号是上调还是下调，VPP总功率都能在包络范围内移动。第二层运行调度时，把所有设备的出力组合限定在这个包络内，并额外要求设备级调节能力之和不小于投标的监管容量。第三层实时修正时，监管指令ΔP_t被限制在[-R_dn_t, R_up_t]区间内，超出的部分要么通过实时市场平衡，要么触发上层重新投标。

第二层算完真实能力后，如果发现第一层投标的R_up_t大于设备实际能提供的最大上调能力，就需要把“真实可调能力”作为反馈送回第一层，追加一个额外约束或下调投标量。这个迭代在工程上通常不需要做很多次，两到三个往返就能稳定。要点是每层传递的不是内部细节而是一个聚合可行域，这样第一层的模型规模不会随设备数量线性膨胀，求解速度才能控制住。

3. MILP模型落地的核心细节：变量、目标与约束怎么设计

3.1 决策变量与目标函数

MILP模型的魅力在于它可以自然地表达离散决策。我在实际建模时，核心决策变量大致如下：

• x_{i,t} ∈ {0,1}：设备i在时段t的运行状态，储能还可以拆成充电状态和放电状态；
• p_{i,t}：设备i在时段t的出力，储能的正负分别表示放电和充电；
• s_{i,t}：储能i在时段t结束时的SOC；
• c_{j,t}：可调负荷j在时段t的削减量；
• P_t^{E}：VPP在时段t的能量市场投标功率；
• R_t^{UP}, R_t^{DN}：VPP在时段t投标的监管上调、下调容量；
• m_t：时段t的预测调节里程。

目标函数可以写成最大化预期收益减去运行成本：

max Σ_t [ λ_t^{E} P_t^{E} + λ_t^{R}(R_t^{UP}+R_t^{DN}) + λ_t^{M} m_t - C_t^{op} - C_t^{pen} ]

其中λ_t^{E}是能量市场出清价格预测，λ_t^{R}是监管容量价格，λ_t^{M}是监管里程价格。许多新手容易忽略监管服务的“里程收益”。只按容量报价会导致模型完全不关心调节里程对设备的损耗，投标结果可能容量很大、里程很小，实际结算收益远低于预期。因此我在目标函数里显式加入λ_t^{M} m_t，如果手里没有历史里程数据，也可以把里程折算为一个惩罚系数，用来反映设备寿命损耗。

C_t^{op}是发电成本、储能损耗成本和负荷削减补偿成本；C_t^{pen}是偏差惩罚，用来鼓励模型在中标区间内运行，避免为了数值漂亮而给出无法落地的解。惩罚项在分层框架里特别重要，它既是层间不匹配的润滑油，也是模型结果可执行性的保证。

3.2 那些容易让模型“看着对、跑不动”的约束

模型能不能求解，很大程度上取决于约束怎么写。几个最容易出问题的约束值得单独说。

第一，储能充放电互斥约束。x_{i,t}^{CH} + x_{i,t}^{DIS} ≤ 1，同时充放电功率要乘上对应状态变量。这个约束很基础，但漏写会导致模型利用“同时充放电”制造虚假功率，收益虚高，实际根本无法执行。加了这个约束以后，还要注意给充放电功率上下限加M倍数（大M法），否则状态变量就失去意义。

第二，SOC的递推约束要考虑调节里程。基础公式是：

s_{i,t+1} = s_{i,t} + η^{CH} p_{i,t}^{CH} Δt - p_{i,t}^{DIS} Δt / η^{DIS} - γ |m_{i,t}|

前两项是常规充放电，第三项是调节里程对SOC的消耗。调频指令正负交替，短期平均可能接近零，但SOC会随机游走。如果模型里完全不写这一项，储能的调节能力会被高估。实际中γ的值需要结合历史调节信号和电池管理系统的实测数据来标定，我一般先用一个保守估计，再根据日内偏差反馈调参。

第三，可调负荷的连续削减时间约束。只是限制削减量上限c_{j,t} ≤ c_j^{max} y_{j,t}不够，还要防止负荷一会儿削一会儿不削。频繁切换在用户侧是不可接受的。我常用最小连续削减时间约束：一旦y_{j,t}=1，至少要持续K个时段。这会引入额外整数变量，但能大幅提高模型结果的实际可操作性。

第四，层间包络的一致性约束。第二层调度结果在任何监管信号下都必须满足功率平衡。简单做法是把平衡约束写成区间形式：基线下限 ≤ Σ_i p_{i,t} + P_t^{import} ≤ 基线上限，同时把监管信号变化量的波动范围明确写成约束。这样模型输出的运行点不是“一条线”，而是一个带上下界的“运行走廊”，和前面说的运行包络呼应。

3.3 投标曲线分段线性化与整数变量的处理

批发市场投标要求提交的是分段报价曲线，不是单一价格-功率点。MILP做这件事很自然：把可投标功率范围分成K段，每段对应一个价格。引入0-1变量z_{t,k}表示是否激活第k段，再要求投标量跨段连续选择，典型约束是z_{t,k+1} ≤ z_{t,k}，并且每段投标量不超过段容量。这个约束保证投标曲线是单调阶梯形，符合市场规则。

当整数变量太多时，也可以考虑用SOS2约束来替代一部分0-1变量。SOS2允许对分段点之间的值做凸组合，求解器处理效率更高，但可解释性差一点。我的经验是：投标层用SOS2，设备启停层用普通0-1变量，这样既控制求解规模，又保留了启停状态的物理含义。另外，能用连续变量表达的尽量别加整数变量。比如储能SOC本身是连续变量，不需要分段；只有容量投标段、启停状态这类天然离散的决策才用整数。

MILP还有一个好处是全局最优性有保证。实际工程里我们往往不需要真正意义上的全局最优解，一个gap在1%以内的可行解就足够用来投标了。但MILP能告诉我们当前解离最优上界有多远，这比启发式算法心里有底得多。

4. 动态滚动怎么实现：三层框架不是拍脑袋一次求解

4.1 从日前投标到日内滚动的时间轴设计

如果三层框架只跑一次，那还是静态优化。标题里的“动态”两个字，体现在滚动时域的执行机制上。我用的是典型的时间线，具体如下：

这里有一个容易被忽视的点：日内滚动优化时，第一层的投标变量已经固定，不能再改，但第二层的设备运行点可以调整。如果可再生出力预测发生了大偏差，为了不违反能量市场中标的功率，模型可以在实时市场上购买调节量。所以第二层的目标函数里要加一个“偏差平衡”项，允许P_t^{E}和中标功率之间有一定的偏差，但会产生惩罚费用。惩罚费用设置得合理，模型就会在“调整设备出力”和“购买外部调节”之间做出经济最优选择。

滚动更新的频率也不是越高越好。频率太高，求解器压力大，而且预测噪声会被放大，导致设备启停状态频繁跳变。我通常用15分钟作为第二层的滚动周期，第三层用1分钟或更短。对于日内波动大的场景，可以根据新能源预测误差的统计特性动态调整滚动周期。

4.2 动态更新与求解稳定性

滚动时域最烦的问题是解的不稳定。上一个周期求得的设备A开机，下一个周期模型又让它停机，再过两个周期又要它开机。这种振荡对储能循环寿命和可调负荷的用户体验都是灾难。缓解办法有三招。

第一招，在目标函数里加“状态变化惩罚”，例如对所有整数变量相邻时段的差值取绝对值并乘以一个很小的系数，这样模型只有在收益变化明显大于惩罚时才会改变启停状态。第二招，热启动。把上一轮滚动周期的整数解作为下一轮MILP的初始解，求解器能在非常短的时间内验证或改进这个解，既快又稳。第三招，固定已经实质执行的变量。比如某个储能已经开始放电，短时间内就不要再允许它切换到充电状态，除非SOC越界或监管信号要求。

另一个稳定性关键是SOC参考轨迹。很多人直接使用日前的SOC计划作为日内滚动的目标，但第三层实时修正会消耗或积累SOC，导致日前的SOC轨迹已经失真。我每轮滚动开始前，都会读取当前实测SOC作为初值，而不是沿用原计划。这个“状态快照”还包括可调负荷已经削减的时长、储能累计调节里程等状态量。滚动优化必须站在当下的真实状态上做决策，而不是站在计划中的虚拟位置上。

5. 常见问题与排查技巧实录

5.1 监管标的中了却执行不了

这是我在模拟项目X里遇到最典型的问题：第一层报上去的调频容量是2MW，市场也按2MW结算了，但第二层调度时发现储能SOC已经接近满电，向上调节空间只有0.5MW，剩下1.5MW根本交不出来。

排查后发现，投标层只检查了设备功率上限，没有检查SOC可提供的能量空间。解决办法是在投标前先做一个“可调能力预计算”，对每台储能计算：

可上调功率 = min(设备功率上限 - 当前出力, (SOC_max - SOC) × 能量/时间系数)

可下调功率 = min(设备当前出力 - 功率下限, (SOC - SOC_min) × 能量/时间系数)

把所有设备的可调能力加总，作为第一层投标容量的硬上限。这样虽然会让投标量保守一些，但能保证中标之后执行得出来。等后续迭代中如果发现还有裕量，再逐步放宽。这个预计算本质上是给第一层加了一个“可行域投影”，把底层物理约束提前反映到投标决策中。

5.2 分层迭代不收敛、上下层互相打架

三层框架在需要迭代时，偶尔会出现振荡。第一层提高监管容量投标，第二层反馈可行，第三层实时执行偏差又变大；于是第二层调整运行点，第一层觉得可调能力变了又去改投标量，循环往复。

我的经验是不追求严格收敛，而是限制迭代次数并加平滑项。具体做法是：第一层和第二层一般迭代一到两次，第一轮得到投标方案，第二轮用底层反馈修正第一层的投标边界，然后把第二轮的调度结果作为实际执行依据，不进入第三轮无休止的拉锯。同时，每一层目标函数里加上与上一次解的L1距离惩罚，防止大幅跳变。工程上“稳定且次优”比“振荡且最优”要实用得多。

5.3 MILP求解时间太长、模型规模爆炸

三个常见的处理手段：

• 时间尺度剪枝：远期的时段用两小时甚至更长间隔，近期时段保留15分钟或5分钟间隔；VPP资源数量多时，把用户负荷聚合成几组虚拟负荷，而不是逐个建模。
• 固定已投变量：市场出清后第一层变量全部固定，日内滚动不再把投标变量重新作为决策变量。
• 设置合理的MIP gap。我一般设0.5%到1%。对投标决策来说，这个gap已经足够精准，但求解时间可以从几小时降到几分钟。

还有一招是模型预处理：把明显不可行的对称解用约束消除。比如两台参数完全相同的储能，模型会出现两种对称的调度方案，浪费大量整数搜索。加一个“编号小的储能放电不小于编号大的储能放电”之类的对称破缺约束，提速非常明显。

5.4 预测偏差导致收益不及预期

监管价格和里程价格波动较大，单点预测容易让投标方案过于激进。我常用场景法替代单场景期望值：生成三个典型场景（高收益/中收益/低收益），分别跑第一层投标，然后检查不同场景下投标量的离散程度。如果偏离超过20%，就说明模型过度依赖于某个价格预测点，需要在目标函数中加入稳健性惩罚，或者直接用保守场景作为投标基准。这样会让期望收益小幅下降，但能避免最差场景下的巨额偏差罚款。

还有一点需要提醒：不要只看容量收益而忽略里程收益。有些市场里程价格很高，如果模型不建模里程，它会倾向于报大容量、少动作，实际结算收益远低于预期。建议至少用历史平均值作为里程价格系数，放入目标函数。

我个人在模拟项目X里验证这套三层框架，前后调了一个多月。最大的体会是，分层不是简单的“把一个大模型拆成三个小模型”，而是通过运行包络和可调能力反馈，让每一层都在自己最擅长的时间尺度上做决策。相比单层黑盒优化，三层MILP框架更好定位问题、更容易现场维护，也方便在现有调度系统上逐步接入。如果你正要开始做虚拟电厂投标方案，我建议先拿一台储能加一组可调负荷跑通三层闭环，把层间耦合变量调稳定了，再去接更多资源。小规模踩坑的成本低，但积累的经验可以直接迁到完整系统上。