做微电网优化调度这几年，我打交道最多的工具就是MATLAB里的YALMIP工具箱。它把“建模”和“求解”彻底分开，用接近数学公式的语法描述目标函数和约束，再交给底层求解器去算。这套基于YALMIP的微电网优化调度模型，核心是完成日前经济调度：给定未来24小时的负荷、光伏/风电预测出力和分时电价，求解蓄电池各时段充放电功率、以及从电网购电/售电的功率，在满足功率平衡、蓄电池SOC、购售电功率上限等约束的前提下，让总运行成本最低。如果你刚开始接触能量管理系统、微电网优化控制，或者正在做相关方向的课题、项目预研，这篇内容可以帮你把模型设计、代码实现和调试经验一次捋清楚。
1. 为什么选YALMIP：从调度问题本质到工具箱选型
1.1 微电网调度在数学上是什么问题
微电网的经济调度，本质上是一个带约束的最优化问题：在负荷、新能源出力、电价等边界条件给定的情况下，决定各可控设备在每个时段的出力，使得系统运行成本最低，同时满足设备物理限制和系统运行安全约束。
如果把蓄电池的充放电状态、购电和售电状态都用连续变量表示，且不做额外处理，模型会允许“一边充电一边放电”“一边买电一边卖电”这种荒谬结果。为了避免这种情况，必须引入0-1整数变量来描述状态切换。于是调度问题就从纯线性规划变成了混合整数线性规划，也就是常说的MILP。
MILP是求解微电网日前调度的标准数学框架。它的好处是：只要模型和参数正确，求解器就能给出全局最优解或带最优性间隙的近似最优解，不需要像启发式算法那样担心收敛到局部最优。对于n个时段的日前调度，变量规模通常只有几百个，现代求解器在几秒内就能完成求解，很快。
1.2 YALMIP解决的是什么痛点
很多人在没有接触YALMIP之前，习惯自己手写约束矩阵。比如用矩阵Aeq、beq表达等式约束，用A、b表达不等式约束，再把所有决策变量排成一列。这种方式的缺陷很明显：模型一复杂，变量编号就容易错；想加一个约束，所有矩阵维度都要跟着改；排查问题时根本不知道哪一行对应哪条物理约束。
YALMIP的价值在于，它让建模语言和数学模型保持一致。你可以直接用sdpvar定义连续变量，用binvar定义0-1变量，用==、>=、<=直接书写约束，用sum、乘积和循环组织目标函数。YALMIP会在后台把你写的表达式自动翻译成求解器需要的标准形式，通过optimize函数一次性完成求解。
我在实际项目中之所以一直推荐YALMIP，还有一个原因是它支持多种求解器，切换求解器只需要修改一行sdpsettings配置，模型本体不用动。这在做算法对比、验证不同求解器性能时非常方便。
1.3 求解器怎么选，license问题怎么处理
YALMIP本身不是求解器，它只负责建模，真正算MILP的是底层求解器。常见的商业MILP求解器性能很强，但license有门槛；开源求解器也能算出正确结果，只是大规模问题可能慢一些。对于本文这种单个微电网、24个时段的小规模问题，其实任何主流的MILP求解器都绰绰有余。
在YALMIP里配置求解器非常简单：
ops = sdpsettings('solver', '你的求解器名称', 'verbose', 2);如果当前机器上没有可用的求解器，YALMIP会自动调用MATLAB自带的整数线性规划函数作为兜底。这里有一个经验：工程上不需要迷信求解器，反而应该把精力放在模型本身。模型错了，换再好的求解器也白搭；模型写对了，开源求解器一样能给出正确结果。
2. 模型核心构件：蓄电池、市场购售电与功率平衡
2.1 蓄电池SOC动态与充放电互斥
蓄电池是微电网调度中最核心的灵活资源。它的本质是一个带时间耦合的储能设备：上一时段的剩余电量会直接影响下一时段。这个动态过程用SOC递推式描述。
设调度时段数为n，每个时段长度为dt（小时），蓄电池额定容量为E_rating（kWh），初始SOC为SOC_init。定义Pch(t)为充电功率，Pdis(t)为放电功率，单位都是kW，且均非负。那么时段t末的SOC满足：
SOC(t+1) = SOC(t) + (η_ch * Pch(t) - Pdis(t) / η_dis) * dt / E_rating其中η_ch是充电效率，η_dis是放电效率。如果取η_ch=0.95，意味着输入1kWh电能，最终存进去0.95kWh；放电时η_dis=0.9，意味着电池要放出1kWh电量，实际上需要从内部消耗1/0.9≈1.11kWh储能。这个单位换算最容易出错，后面调试部分会专门讲。
充放电互斥是必须处理的问题。如果不加约束，求解器可能会让蓄电池同一时刻既充电又放电，因为两笔能量在功率平衡中一正一负相互抵消，表面上不违反平衡，实际却损耗了大量能量，白浪费效率。所以需要两个0-1变量u_ch(t)和u_dis(t)，分别表示充电状态和放电状态，再加上三组约束：
Pch(t) <= Pch_max * u_ch(t) Pdis(t) <= Pdis_max * u_dis(t) u_ch(t) + u_dis(t) <= 1第三组约束确保同一时段最多只有一个状态为1。这种做法比直接限制Pch(t) * Pdis(t) == 0要靠谱得多，因为非线性约束会破坏MILP结构。逻辑和线性化的思路是：用大M法把“互斥”表达成线性不等式。
SOC本身还要满足上下限约束：
SOC_min <= SOC(t) <= SOC_max很多实际项目要求调度周期结束时的SOC恢复到初始值附近，以便第二天继续调度。这会写成等式约束SOC(n+1) == SOC_init，或者允许在一个小区间内波动。
2.2 市场购电售电约束：状态互斥与功率上限
微电网与外部电网的功率交换，通常表现为两个方向：从电网购电和向电网售电。在没有两部制电价、没有需求响应的情况下，最简单的市场交互模型就是分时电价下的购售电决策。
定义Pbuy(t)为购电功率，Psell(t)为售电功率，单位kW，均非负。为了避免同一时段既购电又售电的无意义套利，引入购电状态u_buy(t)和售电状态u_sell(t)，同样加互斥约束：
Pbuy(t) <= Pbuy_max * u_buy(t) Psell(t) <= Psell_max * u_sell(t) u_buy(t) + u_sell(t) <= 1为什么必须互斥？因为如果购电价和售电价不一样，求解器可能会通过“高价售电、低价购电”来套利，实际系统中这往往不被允许，或者没有物理意义。即使购电价和售电价相等，同时购售电也会造成变压器和线路上的无谓流动。所以从模型保守性和工程合理性出发，互斥是必要的。
购售电功率上限一般来自变压器容量、并网线路容量或市场协议。如果微电网内部负荷很大，功率平衡会把购电量限制在合理范围内，但上限约束仍然不可少。
2.3 功率平衡约束：单母线模型的守恒方程
微电网调度常用的拓扑简化模型是单母线模型：忽略网损和电压分布，认为所有功率都汇聚在一条母线上，系统必须实时满足功率守恒。
功率平衡约束写成：
P_load(t) + Pch(t) == P_pv(t) + P_wind(t) + Pdis(t) + Pbuy(t) - Psell(t)左边是负荷和充电功率，相当于“需求侧”；右边是光伏、风电、蓄电池放电和外部电网净输入，相当于“供给侧”。这只是一个等式约束，但由于它把多个变量耦合在一起，实际是模型中最关键的等式。
需要特别注意的是，有些初学者会把蓄电池充电放在等式右边，写成P_load == P_pv + P_wind + Pdis + Pbuy - Psell - Pch。两种写法数学等价，但物理含义完全不同。我建议统一采用“需求项在左、供给项在右”的写法，后期排查功率平衡时一眼就能看出哪个方向出了问题。
光伏和风电在日前调度中通常作为固定预测序列输入，不作为决策变量，因为对不可控电源的“调度”实际是通过弃光、弃风实现的，如果允许弃电，需要额外引入弃电变量和弃电惩罚。本文模型先不做弃电，假设预测出力全消纳。
3. 代码实现与细节解析
3.1 数据准备：把负荷、新能源和电价整理成向量
所有的优化调度代码，第一步都是数据准备。建议把数据整理成行向量或列向量，保持维度一致，后续直接参与矩阵运算。
n = 24; % 调度时段数：24小时 dt = 1; % 时段长度：1小时 P_load = [80, 75, 70, 68, 72, 85, 110, 135, 150, 145, 138, 130, ... 125, 128, 135, 142, 150, 155, 145, 130, 120, 105, 90, 82]'; % 单位kW P_pv = [0, 0, 0, 0, 0, 5, 20, 40, 65, 80, 90, 85, 75, 60, 45, 30, 15, 5, 0, 0, 0, 0, 0, 0]'; P_wind = [35, 40, 38, 30, 28, 25, 22, 20, 25, 30, 32, 35, 38, 40, 35, 30, 25, 20, 22, 28, 30, 32, 35, 38]'; % 分时电价，单位元/kWh buy_price = [0.35, 0.35, 0.35, 0.35, 0.35, 0.5, 0.8, 0.8, 0.8, 1.0, 1.0, 0.8, ... 0.8, 0.8, 0.8, 0.8, 1.0, 1.0, 1.0, 0.8, 0.5, 0.5, 0.35, 0.35]'; sell_price = buy_price * 0.8; % 售电价通常低于购电价这是典型的数据格式。实际项目中这些数据可能来自预测系统或SCADA历史库，但进入优化器之前一定要确认单位统一。kW、kWh、元/kWh是三个基本单位，任何一处混用MWh、MW都会导致结果看起来合理，实际差1000倍。
3.2 定义YALMIP决策变量
接下来用YALMIP定义连续变量和二进制变量。变量命名建议和模型符号一一对应，方便后期检查。
Pdis = sdpvar(n, 1); % 蓄电池放电功率，kW，非负 Pch = sdpvar(n, 1); % 蓄电池充电功率，kW，非负 Pbuy = sdpvar(n, 1); % 购电功率，kW，非负 Psell = sdpvar(n, 1); % 售电功率，kW，非负 SOC = sdpvar(n + 1, 1); % SOC向量，下标1对应初始时刻，2对应时段1结束，依此类推 u_ch = binvar(n, 1); % 充电状态 u_dis = binvar(n, 1); % 放电状态 u_buy = binvar(n, 1); % 购电状态 u_sell = binvar(n, 1); % 售电状态这里的SOC长度是n+1，因为我们需要n个时段对应的n个节点状态，再加上初始SOC。如果你习惯用n长度的SOC，也可以把递推式写成SOC(1)由初始值决定，但务必注意索引偏移。我自己的代码习惯是定义SOC(1)为时段1开始前，SOC(t+1)为时段t结束后，这样递推式写起来最直观。
3.3 约束搭建：蓄电池、购售电、功率平衡
约束部分按逻辑分块写，每一块用注释标明物理含义。
Constraints = []; % 蓄电池SOC动态与边界 SOC_init = 0.5; Soc_min = 0.1; Soc_max = 0.9; E_rating = 400; % 蓄电池额定容量，kWh eta_ch = 0.95; eta_dis = 0.9; Constraints = [Constraints; SOC(1) == SOC_init]; for t = 1:n Constraints = [Constraints; SOC(t + 1) == SOC(t) + ... (eta_ch * Pch(t) - Pdis(t) / eta_dis) * dt / E_rating]; end Constraints = [Constraints; Soc_min <= SOC(2:n+1) <= Soc_max]; % 可选：调度周期结束SOC恢复到初始值 Constraints = [Constraints; SOC(n + 1) == SOC_init]; % 充放电互斥和功率上限 Pch_max = 100; Pdis_max = 100; Constraints = [Constraints; Pch >= 0; Pdis >= 0]; Constraints = [Constraints; Pch <= Pch_max * u_ch]; Constraints = [Constraints; Pdis <= Pdis_max * u_dis]; Constraints = [Constraints; u_ch + u_dis <= 1]; % 购售电互斥和功率上限 Pbuy_max = 300; Psell_max = 200; Constraints = [Constraints; Pbuy >= 0; Psell >= 0]; Constraints = [Constraints; Pbuy <= Pbuy_max * u_buy]; Constraints = [Constraints; Psell <= Psell_max * u_sell]; Constraints = [Constraints; u_buy + u_sell <= 1]; % 功率平衡约束 Constraints = [Constraints; P_load + Pch == P_pv + P_wind + Pdis + Pbuy - Psell];很多人在写SOC递推时忘记乘dt，或者忘记除以额定容量。这里帮你把物理量理一遍：功率(kW)乘以时间(h)得到能量(kWh)，再除以额定容量(kWh)得到SOC增量。如果你用小时级调度，dt=1，乘不乘在数值上没差别，但换成15分钟调度、5分钟调度，dt等于0.25、0.083，漏乘就直接导致SOC不守恒。
3.4 目标函数与求解配置
目标函数是最小化运行成本。运行成本主要来自购电支出和售电收益，蓄电池本身没有燃料成本，但频繁充放电会衰减寿命，所以通常会加一个很小的循环损耗惩罚项，让求解器不会出现无意义的来回充放电。
% 购电成本 - 售电收益 Cost = sum(Pbuy .* buy_price - Psell .* sell_price); % 蓄电池循环损耗惩罚（可选，量纲为元/kWh） alpha = 0.001; Cost = Cost + alpha * sum(Pch + Pdis) * dt; % 求解 ops = sdpsettings('solver', '', 'verbose', 2, 'showprogress', 1); result = optimize(Constraints, Cost, ops);solver留空时，YALMIP会自动选择合适的已安装求解器。如果想要更详细的求解日志，可以把solver指定为你机器上实际可用的求解器。如果结果显示有警告，可以用yalmiperror(result.problem)查看错误含义。
3.5 结果提取与基础绘图
求解完成后，用value函数提取变量数值。因为YALMIP变量是符号对象，不能直接当数值用。
Pdis_opt = value(Pdis); Pch_opt = value(Pch); Pbuy_opt = value(Pbuy); Psell_opt = value(Psell); SOC_opt = value(SOC); t = 1:n; figure; subplot(2,1,1); bar(t, [P_load, P_pv + P_wind, Pdis_opt, Pch_opt, Pbuy_opt, Psell_opt], 'stacked'); legend('负荷', '新能源', '放电', '充电', '购电', '售电'); xlabel('时段/h'); ylabel('功率/kW'); subplot(2,1,2); stairs(t, SOC_opt(2:n+1), 'LineWidth', 1.5); xlabel('时段/h'); ylabel('SOC'); ylim([0 1]);绘图不是为了好看，而是验证结果的第一道关卡。我最常看的图就是功率堆叠图和SOC曲线。只要功率平衡正确，堆叠图上负荷与各电源的差值应该始终为0；SOC应该被限制在上下限之内，且如果想看有没有振荡，SOC曲线应该平滑。
4. 调试实录：常见报错与排查技巧
4.1 求解不可行：从哪入手
solve之后如果result.problem == 1，说明模型不可行。千万不要急着删约束，而是用“逐步放宽”的思路定位问题。
我通常按以下顺序排查：
- 先检查功率平衡等式是否可能成立。把所有变量上限带入等式左右两侧，看有没有交集。比如负荷是150kW，光伏+风电+放电+购电上限之和如果小于负荷+充电下限，那系统无论如何都平衡不了。
- 再检查SOC的初始值和终点值。如果初始SOC是0.5，但允许区间是[0.1,0.9]，终点又强制回到0.5，在新能源极少、负荷极大的时段可能没有足够能量给电池充电。
- 然后检查互斥约束是否“过紧”。互斥逻辑一般不会导致不可行，但如果你同时限定了某个时段只能购电不能售电，而负荷又很小，新能源又很大，多余的功率没法消纳，就会不可行。此时要增加售电上限或允许弃电。
- 最后用
check(Constraints)命令查看哪条约束的残差非零，这是个很好的定位手段。
4.2 蓄电池SOC越界或充放电同时发生
SOC越界的常见原因有三个。第一是单位不一致，把MWh当kWh用，导致SOC增量被放大1000倍；第二是没加SOC上下限约束；第三是递推式漏了效率，导致能量不守恒出现漂移。
如果你发现结果里同一个时段u_ch和u_dis同时为1，那不是YALMIP写错了，很可能是没加u_ch + u_dis <= 1。也有一种情况：即使加了互斥，由于数值容差，求解器可能输出0.9998和0.9997这种接近1的小数，看起来像同时为1。这时可以用round或设定阈值做后处理，把浮点结果归一到0/1。
4.3 求解速度慢：调优方向
本文这个规模的MILP，正常应该秒解。如果发现求解很慢，优先检查是不是不小心引入了非线性。比如写了Pch(t) * u_ch(t)、SOC(t) * Pdis(t)这类乘积，模型就从MILP变成MIQP或MINLP，求解难度会大幅上升。
YALMIP对约束表达式有诊断机制，求解前会提示“Nonconvex”之类的信息。保持模型线性是速度快的前提。其次，可以通过设置求解器MIP gap参数来加速：
ops = sdpsettings('solver', '你的求解器', 'solver.options.mipgap', 0.01);MIP gap设为1%通常足够了，工程精度完全够用。
4.4 常见问题速查表
下面这个表是我实际调试中总结的，可以帮你快速定位问题。
| 现象 | 可能原因 | 排查思路 |
|---|---|---|
| 求解结果SOC一直是0.5 | 没写SOC递推约束，或递推式索引错误 | 打印SOC_opt，检查每个时段是否有变化 |
| 购电和售电同时大于0 | 忘记加互斥约束，或者互斥约束没包含在Constraints中 | 检查u_buy/u_sell约束 |
| 功率不平衡，误差恒等于某个常数 | 负荷和新能源方向定义反了 | 用手算验证某个典型时段 |
| 结果出现很大的正负峰值 | 数据里有坏点、缺失值，或电价单位错误 | 画原始曲线检查数据 |
| 求解耗时几十秒 | 模型非线性，或整数变量太多 | 检查有没有变量乘积；可尝试减少二进制变量 |
| 使用某个求解器报错 | 求解器license不可用或YALMIP配置名不对 | 先solver=''让YALMIP自动选，或换开源求解器 |
5. 从单日模型到实际工程扩展
5.1 把日前调度改成滚动优化
实际微电网运行中，预测数据会随时间更新。与其每天早上算一次24小时计划，不如每15分钟或每小时滚动重算一次，把当前实际SOC作为新的初始值，只执行未来一段时间的指令。这就是滚动优化，也叫模型预测控制。
把前述模型改成滚动只需要做三处调整：一是把n改成滚动时域长度，比如16个时段；二是把SOC初始值改为当前实测值；三是根据需要在目标函数里加入终端惩罚项，防止最后SOC被“耗尽”。滚动优化的效果一般来说比单次日前调度更稳，因为它能不断修正预测误差。
5.2 考虑预测不确定性：从确定性到鲁棒
光伏和风电预测一定有误差。如果你希望结果在预测偏差下仍可行，可以把不确定性建模成区间，使用鲁棒优化。YALMIP对鲁棒优化有专门的uncertain支持，可以把不确定参数声明出来，让YALMIP自动转化为鲁棒对等模型。
另一种更工程化的做法是场景法：生成多个可能的预测场景，让调度结果在所有场景下都满足约束，目标函数取期望成本。场景数量不宜太多，否则模型会变得很大。经验上，10到20个场景对日前调度已经能显著提升鲁棒性。
5.3 继续加约束的路线图
微电网优化的拓展方向很多。比如：
- 加入柴油机/燃气轮机：增加出力变量、启停状态、启动成本和爬坡约束，模型仍保持MILP。
- 加入备用约束：要求系统在最大机组停运或负荷突变时仍有足够旋转备用。
- 加入变压器容量约束：对应非线性交流潮流，如果只是单向潮流约束，可以保持线性。
- 加入需求响应：把可转移负荷建模为带时序耦合的决策变量，类似蓄电池的时间平移特性。
- 加入多微电网互联：让多个微电网之间可以相互买卖电力，每对节点之间需要额外的交易变量和交易状态。
这些扩展的核心思路都是一样的：先把物理过程总结成变量和约束，再把非线性逻辑通过二进制变量线性化，最后交给YALMIP统一求解。所以你会模型这一段打牢了，后面加东西都很快。
代码写多了之后，最大的体会是：模型能跑出数只是第一步，结果合理才是关键。每次求解完，我都会把SOC曲线、购售电计划、功率平衡残差三条曲线打出来看一眼。平衡残差不是零，说明某个变量方向定义反了；SOC波动异常，多半是容量或效率写错。YALMIP这个工具能帮你省掉大量矩阵书写的麻烦，但不能帮你省掉对物理过程的思考。建议拿到代码后，先试着把负荷、光伏、风电数据换成你自己的，再把约束一条条注释掉看结果变化，慢慢就能体会到每个约束在模型里扮演什么角色。这个从“跑通代码”到“看透模型”的过程，才是做优化调度真正值钱的地方。
