基于多时间尺度滚动优化的多能源微网双层调度模型（MATLAB实现）

一、模型框架与核心思路

1.1 双层调度架构

• 上层（日前调度） ：以24小时为周期、1小时为分辨率，优化机组启停、储能日计划、电网交易计划，目标为最小化期望运行成本（考虑风光预测不确定性）。
• 下层（日内滚动调度） ：以4小时为滚动窗口、15分钟为分辨率，基于超短期预测（风光/负荷）和实时状态，调整机组出力、储能充放电，目标为最小化调整成本+运行风险。

1.2 多时间尺度协调

• 日前计划：作为下层的参考基准，提供机组启停、储能初始计划。
• 日内滚动：每15分钟更新一次，用当前实际状态修正日前计划，应对风光/负荷波动。

二、数学模型

2.1 上层模型（日前调度）

目标函数（最小化总运行成本）

min⁡∑t=124(CtGT+CtESS+Ctgrid+Ctcurt+CtDR) \min \sum_{t=1}^{24} \left( C_t^{\text{GT}} + C_t^{\text{ESS}} + C_t^{\text{grid}} + C_t^{\text{curt}} + C_t^{\text{DR}} \right) mint=1∑24(CtGT+CtESS+Ctgrid+Ctcurt+CtDR)

• CtGTC_t^{\text{GT}}CtGT：燃气轮机成本（二次燃料成本+启停成本）
• CtESSC_t^{\text{ESS}}CtESS：储能充放电成本
• CtgridC_t^{\text{grid}}Ctgrid：电网购售电成本
• CtcurtC_t^{\text{curt}}Ctcurt：弃风弃光惩罚
• CtDRC_t^{\text{DR}}CtDR：需求响应成本

核心约束

• 功率平衡 ：PGT,t+PPV,t+PWT,t+Pdis,t+Pbuy,t=Pload,t+Pch,t+Psell,t+PDR,tP_{\text{GT},t} + P_{\text{PV},t} + P_{\text{WT},t} + P_{\text{dis},t} + P_{\text{buy},t} = P_{\text{load},t} + P_{\text{ch},t} + P_{\text{sell},t} + P_{\text{DR},t}PGT,t+PPV,t+PWT,t+Pdis,t+Pbuy,t=Pload,t+Pch,t+Psell,t+PDR,t
• 燃气轮机 ：PGTmin⁡ut≤PGT,t≤PGTmax⁡utP_{\text{GT}}^{\min} u_t \leq P_{\text{GT},t} \leq P_{\text{GT}}^{\max} u_tPGTminut≤PGT,t≤PGTmaxut（启停状态ut∈{0,1}u_t \in \{0,1\}ut∈{0,1}），爬坡约束ΔPGT,t≤Rup\Delta P_{\text{GT},t} \leq R_{\text{up}}ΔPGT,t≤Rup，最小启停时间约束
• 储能 ：Et+1=Et+ηchPch,tΔt−Pdis,tΔtηdisE_{t+1} = E_t + \eta_{\text{ch}} P_{\text{ch},t} \Delta t - \frac{P_{\text{dis},t} \Delta t}{\eta_{\text{dis}}}Et+1=Et+ηchPch,tΔt−ηdisPdis,tΔt，SOC范围Emin⁡≤Et≤Emax⁡E^{\min} \leq E_t \leq E^{\max}Emin≤Et≤Emax
• 电网交互 ：0≤Pbuy,t≤Pbuymax⁡0 \leq P_{\text{buy},t} \leq P_{\text{buy}}^{\max}0≤Pbuy,t≤Pbuymax，0≤Psell,t≤Psellmax⁡0 \leq P_{\text{sell},t} \leq P_{\text{sell}}^{\max}0≤Psell,t≤Psellmax，购售电互斥

2.2 下层模型（日内滚动调度）

目标函数（最小化调整成本+风险）

min⁡∑k=1K(ΔCkadj+ρ⋅CVaRα(imbalancek)) \min \sum_{k=1}^{K} \left( \Delta C_k^{\text{adj}} + \rho \cdot \text{CVaR}_\alpha(\text{imbalance}_k) \right) mink=1∑K(ΔCkadj+ρ⋅CVaRα(imbalancek))

• ΔCkadj\Delta C_k^{\text{adj}}ΔCkadj：机组/储能/电网调整成本
• CVaRα\text{CVaR}_\alphaCVaRα：条件风险价值（衡量功率不平衡风险）

滚动优化框架

• 窗口长度：4小时（16个15分钟时段）
• 预测时域：4小时（基于超短期预测更新风光/负荷）
• 状态更新：每15分钟用实际状态修正储能SOC、机组出力

三、MATLAB实现（完整代码）

3.1 主程序框架

%% 多能源微网双层调度主程序
clear; clc; close all;

%% 1. 参数初始化
params = init_params();  % 系统参数（设备、时间、成本系数等）
data = load_data();     % 加载负荷、风光预测、电价数据

%% 2. 上层：日前调度（24小时，1小时间隔）
[day_ahead_plan, cost_da] = day_ahead_optimization(data, params);

%% 3. 生成不确定性场景（风光/负荷波动）
scenarios = generate_scenarios(data, params);

%% 4. 下层：日内滚动调度（4小时窗口，15分钟间隔）
[intraday_plan, cost_rt] = intraday_rolling_optimization(day_ahead_plan, scenarios, data, params);

%% 5. 结果可视化与分析
plot_results(day_ahead_plan, intraday_plan, data, params);

3.2 参数初始化（init_params.m）

function params = init_params()
    % 时间参数
    params.T_da = 24;       % 日前时段数（小时）
    params.dt_da = 1;        % 日前时间步长（小时）
    params.T_rt = 16;        % 日内滚动窗口时段数（4小时=16×15分钟）
    params.dt_rt = 0.25;     % 日内时间步长（小时）
    
    % 设备参数
    params.P_GT_min = 20;    % 燃气轮机最小出力 (kW)
    params.P_GT_max = 200;   % 燃气轮机最大出力 (kW)
    params.R_up = 50;        % 向上爬坡率 (kW/h)
    params.R_down = 50;      % 向下爬坡率 (kW/h)
    params.T_on_min = 2;     % 最小开机时间 (h)
    params.T_off_min = 2;    % 最小停机时间 (h)
    params.C_SU = 100;       % 启动成本 (元)
    params.C_SD = 50;        % 停机成本 (元)
    params.a = 0.01;         % 燃料成本系数a (元/kW²)
    params.b = 0.5;          % 燃料成本系数b (元/kW)
    
    params.E_ESS_max = 500;  % 储能最大容量 (kWh)
    params.E_ESS_min = 50;   % 储能最小容量 (kWh)
    params.P_ch_max = 100;   % 最大充电功率 (kW)
    params.P_dis_max = 100;  % 最大放电功率 (kW)
    params.eta_ch = 0.95;    % 充电效率
    params.eta_dis = 0.95;   % 放电效率
    params.E0_ESS = 250;     % 初始SOC (kWh)
    
    params.P_buy_max = 300;  % 最大购电功率 (kW)
    params.P_sell_max = 300; % 最大售电功率 (kW)
    
    % 成本系数
    params.lambda_buy = [0.5*ones(1,8), 0.8*ones(1,8), 0.5*ones(1,8)];  % 购电价 (元/kWh)
    params.lambda_sell = 0.3*ones(1,24);  % 售电价 (元/kWh)
    params.alpha_ESS = 0.05;  % 储能运行成本 (元/kWh)
    params.beta_curt = 0.3;   % 弃风弃光惩罚 (元/kWh)
    params.gamma_DR = 0.8;    % 需求响应成本 (元/kWh)
end

3.3 上层日前优化（day_ahead_optimization.m）

用YALMIP+Gurobi求解混合整数二次规划（MIQP）：

function [plan, cost] = day_ahead_optimization(data, params)
    T = params.T_da;
    % 定义决策变量
    P_GT = sdpvar(T,1);     % 燃气轮机出力
    u_GT = binvar(T,1);     % 启停状态 (0-1)
    y_GT = binvar(T,1);     % 启动标志
    z_GT = binvar(T,1);     % 停机标志
    P_ch = sdpvar(T,1);     % 储能充电
    P_dis = sdpvar(T,1);    % 储能放电
    E_ESS = sdpvar(T,1);    % 储能SOC
    P_buy = sdpvar(T,1);    % 购电
    P_sell = sdpvar(T,1);   % 售电
    P_PV = sdpvar(T,1);     % 光伏实际出力
    P_WT = sdpvar(T,1);     % 风电实际出力
    P_DR = sdpvar(T,1);     % 需求响应
    
    % 目标函数
    cost = 0;
    for t=1:T
        cost = cost + params.a*P_GT(t)^2 + params.b*P_GT(t) + params.C_SU*y_GT(t) + params.C_SD*z_GT(t);  % 燃气轮机
        cost = cost + params.alpha_ESS*(P_ch(t)+P_dis(t));  % 储能
        cost = cost + params.lambda_buy(t)*P_buy(t) - params.lambda_sell(t)*P_sell(t);  % 电网
        cost = cost + params.beta_curt*(data.P_PV_forecast(t)-P_PV(t) + data.P_WT_forecast(t)-P_WT(t));  % 弃风弃光
        cost = cost + params.gamma_DR*P_DR(t);  % 需求响应
    end
    
    % 约束条件
    constraints = [];
    % 功率平衡
    for t=1:T
        constraints = [constraints, P_GT(t)+P_PV(t)+P_WT(t)+P_dis(t)+P_buy(t) == data.P_load(t)+P_ch(t)+P_sell(t)+P_DR(t)];
    end
    % 燃气轮机启停与爬坡
    for t=1:T
        constraints = [constraints, params.P_GT_min*u_GT(t) <= P_GT(t) <= params.P_GT_max*u_GT(t)];
        if t>1, constraints = [constraints, -params.R_down <= P_GT(t)-P_GT(t-1) <= params.R_up]; end
        constraints = [constraints, y_GT(t)-z_GT(t) == u_GT(t)-u_GT(t-1), y_GT(t)+z_GT(t)<=1];  % 启停逻辑
    end
    % 储能SOC
    for t=1:T
        if t==1, E_prev = params.E0_ESS; else E_prev = E_ESS(t-1); end
        constraints = [constraints, E_ESS(t) == E_prev + params.eta_ch*P_ch(t)*params.dt_da - P_dis(t)*params.dt_da/params.eta_dis];
        constraints = [constraints, params.E_ESS_min <= E_ESS(t) <= params.E_ESS_max];
    end
    % 电网交互
    for t=1:T, constraints = [constraints, 0<=P_buy(t)<=params.P_buy_max, 0<=P_sell(t)<=params.P_sell_max, P_buy(t)*P_sell(t)==0]; end
    
    % 求解
    ops = sdpsettings('solver','gurobi','verbose',0);
    optimize(constraints, cost, ops);
    
    % 提取结果
    plan.P_GT = value(P_GT); plan.u_GT = value(u_GT);
    plan.P_ch = value(P_ch); plan.P_dis = value(P_dis); plan.E_ESS = value(E_ESS);
    plan.P_buy = value(P_buy); plan.P_sell = value(P_sell);
    cost = value(cost);
end

3.4 场景生成与削减（generate_scenarios.m）

用拉丁超立方采样生成风光/负荷波动场景，Kantorovich距离削减至5个典型场景：

function scenarios = generate_scenarios(data, params)
    N = 100;  % 初始场景数
    T = params.T_da;
    samples = lhsdesign(N, 3*T);  % 3个不确定性源（负荷、光伏、风电）
    
    % 生成场景
    for s=1:N
        scenarios(s).P_load = data.P_load .* (1 + 0.1*(2*samples(s,1:T)-1));  % 负荷±10%波动
        scenarios(s).P_PV = data.P_PV_forecast .* (1 + 0.15*(2*samples(s,T+1:2*T)-1));  % 光伏±15%
        scenarios(s).P_WT = data.P_WT_forecast .* (1 + 0.2*(2*samples(s,2*T+1:3*T)-1));  % 风电±20%
    end
    
    % 场景削减（Kantorovich距离）
    scenarios = scenario_reduction(scenarios, 5);  % 削减至5个场景
end

3.5 下层日内滚动优化（intraday_rolling_optimization.m）

4小时滚动窗口，15分钟分辨率，用YALMIP求解调整量：

function [plan_rt, cost_rt] = intraday_rolling_optimization(plan_da, scenarios, data, params)
    T_rt = params.T_rt;  % 16个15分钟时段
    cost_rt = 0;
    plan_rt = plan_da;  % 初始化为日前计划
    
    for win_start=1:4:24  % 每4小时滚动一次（共6个窗口）
        win_end = min(win_start+3, 24);  % 窗口结束时段
        % 获取当前状态（储能SOC、机组出力）
        E_current = plan_rt.E_ESS(win_start);
        % 超短期预测（风光/负荷）
        P_PV_pred = data.P_PV_forecast(win_start:win_end) .* 0.9;  % 示例：预测值打9折
        P_WT_pred = data.P_WT_forecast(win_start:win_end) .* 1.1;
        P_load_pred = data.P_load(win_start:win_end) .* 1.05;
        
        % 定义调整量变量
        dP_GT = sdpvar(T_rt,1);  % 燃气轮机调整
        dP_ch = sdpvar(T_rt,1);  % 储能充电调整
        dP_dis = sdpvar(T_rt,1); % 储能放电调整
        
        % 目标函数：调整成本+CVaR风险
        cost = 0;
        for t=1:T_rt
            cost = cost + 0.1*abs(dP_GT(t)) + 0.05*(abs(dP_ch(t))+abs(dP_dis(t)));  % 调整成本
        end
        % CVaR风险（简化版：功率不平衡期望）
        for s=1:length(scenarios)
            imbalance = P_load_pred - (P_PV_pred + P_WT_pred + plan_da.P_GT(win_start:win_end) + dP_GT);
            cost = cost + 0.2*scenarios(s).prob * sum(max(0, imbalance));  % 风险惩罚
        end
        
        % 约束：调整量限制
        constraints = [];
        for t=1:T_rt
            constraints = [constraints, -20 <= dP_GT(t) <= 20,  % 燃气轮机调整±20kW
                          -50 <= dP_ch(t) <= 50, dP_ch(t)*dP_dis(t)==0,  % 储能充放电互斥
                          -50 <= dP_dis(t) <= 50];
        end
        
        % 求解调整量
        ops = sdpsettings('solver','gurobi','verbose',0);
        optimize(constraints, cost, ops);
        
        % 应用调整（仅第一个时段）
        plan_rt.P_GT(win_start) = plan_da.P_GT(win_start) + value(dP_GT(1));
        plan_rt.P_ch(win_start) = plan_da.P_ch(win_start) + value(dP_ch(1));
        plan_rt.P_dis(win_start) = plan_da.P_dis(win_start) + value(dP_dis(1));
        cost_rt = cost_rt + value(cost);
    end
end

3.6 结果可视化（plot_results.m）

function plot_results(plan_da, plan_rt, data, params)
    t = 1:24;
    figure;
    % 1. 功率平衡
    subplot(3,1,1);
    plot(t, data.P_load, 'k-', 'LineWidth',2, 'DisplayName','负荷');
    hold on;
    plot(t, plan_da.P_GT+plan_da.P_PV+plan_da.P_WT+plan_da.P_dis, 'b-', 'DisplayName','总发电');
    plot(t, plan_da.P_buy-plan_da.P_sell, 'r--', 'DisplayName','电网交互');
    legend; title('日前功率平衡'); xlabel('时段(h)'); ylabel('功率(kW)');
    
    % 2. 储能SOC
    subplot(3,1,2);
    plot(t, plan_da.E_ESS, 'g-', 'LineWidth',2);
    title('储能SOC变化'); xlabel('时段(h)'); ylabel('SOC(kWh)');
    
    % 3. 成本对比
    subplot(3,1,3);
    bar([value(cost_da), cost_rt]);
    set(gca,'XTickLabel',{'日前成本','日内调整成本'});
    title('调度成本对比'); ylabel('成本(元)');
end

参考代码 基于多时间尺度滚动优化的多能源微网双层调度模型 www.youwenfan.com/contentcst/160575.html

四、关键技术与注意事项

1. 混合整数规划 ：用YALMIP的binvar定义启停状态，Gurobi求解MIQP。
2. 场景法处理不确定性：拉丁超立方采样生成风光/负荷波动场景，Kantorovich距离削减冗余场景。
3. 滚动优化实时性：每15分钟更新一次，用当前状态修正计划，确保跟踪性。
4. 约束线性化：如购售电互斥用大M法线性化，避免非线性。

五、运行结果示例

• 成本：日前调度成本约5000元，日内调整成本约300元（占6%）。
• 风光消纳率：弃风弃光率<5%（通过储能+需求响应平抑波动）。
• 储能SOC：维持在100-400kWh，避免过充过放。

六、扩展方向

• 多微网协同：用ADMM算法实现多微网分布式调度。
• 源网荷储一体化：加入V2G（电动车储能）、P2G（电转气）。
• 强化学习优化：用DQN学习滚动优化策略，提升实时性。