蒋张琦最近有不少同行在问我微电网调度的代码该怎么写，尤其是带风光储和需求响应这种组合场景。确实，这个方向既要做物理建模，又要处理优化求解，还要把代码写得能跑出靠谱结果，东拼西凑的教程多，能直接讲清楚逻辑的少。今天我就结合自己做过的项目，把基于风光储和需求响应的微电网日前经济调度完整拆一遍，从问题建模到Python实现，再到调试排坑，一次性讲透。
先说这个题目适合谁。如果你正在做微电网能量管理、园区综合能源调度，或者毕业论文刚好卡在“日前经济调度”这个点上，那这篇内容应该是能直接帮上忙的。哪怕你之前没接触过优化建模，只要能看懂基础的Python语法，跟着思路走一遍，也能把调度框架搭起来。代码层面的实现工具我选用Python，是因为它做原型验证效率确实高，PuLP、scipy、YALMIP这些库生态也成熟，用来做小规模教学案例绰绰有余。但如果后续要上大规模工业场景，还是建议迁移到更专业的求解环境，这一点我在后面会细说。
先把我对“日前经济调度”的理解说清楚。所谓日前调度，就是提前一天给微电网里的各个单元排班，决定第二天每个时刻从电网买多少电、储能充还是放、需求响应切多少负荷，目标是让一整天的运行成本最低。它不是只看单个时刻，而是要统筹24小时甚至更长时间尺度的资源分配，这就决定了它是一个典型的多时段优化问题。再加上风光出力的不确定性、储能充放电的时序耦合、需求响应的可调节潜力，建模的时候要把这些因素都考虑进去，才能让调度结果真正可用，而不是停留在理论层面。
1. 项目整体思路与模型框架拆解
1.1 微电网日前经济调度到底在优化什么
很多初学者拿到这个问题，第一反应就是“让成本最小”。但仔细拆开看，成本并不是只有买电电费这一项，一个真正完整的日前调度目标函数至少应该包含四个部分。
第一是向外部电网购电的成本。微电网不可能完全离网运行，在本地风光不足或储能不够用的时候，依然需要从大电网买电。买电费用一般按时段电价计算，峰谷价差越大，调度的优化空间就越明显。
第二是储能系统的运行损耗成本。电池充放电不是免费的，循环次数、衰减速率都和充放电深度直接相关，所以在目标函数里要加一个单位充放电成本系数。哪怕这个系数很小，它也能起到约束储能滥用、延长电池寿命的作用。
第三是需求响应的补偿成本。用户响应调度指令，削减或平移负荷，这部分是需要经济激励的。补偿价格通常比实时电价低，但又不能太低，否则用户没有参与的动力。
第四是弃风弃光惩罚成本。如果因为某些时段系统调节能力不足，不得不放弃一部分风光出力，这部分损失也应该计入总成本。把它写进目标函数，可以在优化过程中主动减少弃风弃光。
一句话概括：调度不是在单纯省电费，而是在“买电费用、储能损耗、需求响应支出、新能源消纳”这几者之间寻找平衡点。理解了这一点，后面建模的时候就不会漏项。
1.2 构成模型的核心单元与交互逻辑
这套模型包含六类核心要素。风电和光伏是首要的可再生能源，它们的出力预测曲线是调度的输入条件；储能系统是灵活性资源，通过充放电来平衡“源”和“荷”的时间错配；常规负荷是系统的基本用电需求，不可削减的部分必须满足，可削减的部分纳入需求响应范畴；需求响应负荷能根据电价信号调整用电时段或功率大小；外部电网是系统的“兜底”，在本地资源不足时弥补缺额，在本地富余时接纳多余电力。
它们之间的逻辑关系可以这样理解。先看风电和光伏，它们的出力曲线直接决定系统有多少“便宜电”可用；再看储能，它在电价低或风光富余时充电，在电价高或出力不足时放电，扮演的是“电力搬运工”的角色；然后是需求响应，它把一部分刚性负荷变成柔性负荷，给调度额外增加了自由度；最后才是电网交互，作为平衡节点出现，除非本地实在无法自身平衡，否则尽量减少从电网购电，这对降低运行成本和提升微电网自平衡能力都有帮助。
1.3 为什么选微电网作为应用场景
这个项目之所以配套微电网场景，是因为微电网是一个绝佳的“试验田”。相比大电网，微电网的规模小，数据采集和调度指令的执行都比较容易落地，非常适合做优化算法验证。而且微电网内部存在多种异构资源，包含旋转设备、储能单元、柔性负荷和新能源，资源之间的耦合关系很有代表性。把一个微电网的调度问题做好，迁移到多园区协同、虚拟电厂聚合甚至配电网侧的调度，思路是完全相通的。
1.4 模型框架的总体构成
我把整个模型框架用三个层面来组织，实际写代码之前最好也按这个结构来设计类或函数模块。数据层负责处理风光预测出力、负荷预测曲线、分时电价、储能参数和需求响应参数；决策层定义各时段变量，包括储能充放电功率、购售电功率、需求响应削减量等；约束层则把所有等式和不等式约束写入求解器。将这三者拆开，在改场景的时候可以只换数据、不动主逻辑，调试也会方便很多。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 日前经济调度的数学模型
2.1 目标函数与成本项的展开
日前经济调度的目标函数，如果写成紧凑形式，就是所有时刻各项费用的累加。我习惯把表达式写成下面的形式，便于直接对应代码。
python复制总成本 = 购电成本 + 储能运行成本 + 需求响应成本 + 弃风弃光惩罚
逐项展开来看。购电成本的表达式是，逐时段购电功率乘以对应时段的购电价。储能运行成本是，充放电功率绝对值之和乘以一个运行损耗系数，注意这里对充和放分别计费，避免双向套利。需求响应成本是，可削减负荷的削减量乘以补偿单价。弃风弃光惩罚是，未消纳的风光功率之和乘以惩罚系数。把这个总成本函数作为优化目标，求解得到的结果就是一套各单元出力计划。
这里有一个细节需要留意：惩罚系数怎么定。一般情况下，弃风弃光惩罚要设置得比购电成本更高，这样求解器才会优先考虑消纳新能源，而不是宁肯弃掉风电去买煤电。但如果你是在研究“最小弃风率”这类指标，可以把惩罚设置得更高。
2.2 功率平衡约束——整个模型的基石
功率平衡是优化模型里最核心的等式约束，它的含义是：在任何时段，微电网内部所有发电功率加上购电功率，必须等于所有负荷消耗功率加上充电功率。
写成公式是：风电功率加光伏功率加储能放电功率加购电功率等于常规负荷加需求响应后的负荷加储能充电功率。这里需求响应负荷要写成一个初始值减去削减量的形式。注意，储能充放电不能同时进行，虽然很多求解器可以处理这种互补约束，但更简单的方法是在约束里直接限制同一时刻充电功率和放电功率的乘积为0，或者用二进制变量来控制。
2.3 储能约束
储能约束是日前调度模型中最容易出错的地方，因为储能是一个跨时段耦合的状态量。它由四类约束构成。
容量递推关系是核心。本时段的荷电状态（SOC）等于上一时段的SOC，加上充电效率和充电功率的乘积，减去放电功率除以放电效率，再除以电池总容量。注意效率项所在位置不同，充电是乘效率，放电是除效率，很多新增代码在这里容易写反。
SOC的上下限约束，一般设定在0.1到0.9之间。不要把电池充满放空，一方面延长寿命，另一方面也给调度留出裕量。充放电功率约束则分别限制充电功率和放电功率不能超过额定值。最后还要加一个调度周期始末SOC相等或接近相等的约束。这是保证调度方案可持续的前提，否则求解器可能把储能当作无限电源，用尽所有电量的结果就是第二天无电可用。有些场景也允许末时段SOC不为初值，比如明天有极端天气需要预留应急电量，但大部分情况下还是建议加末时段SOC约束。
2.4 风光出力约束
风光出力约束没什么复杂的，核心就是每个时段的实际出力不能超过预测出力。如果把弃风弃光惩罚加进目标函数，一般情况下求解器会倾向于尽量使用风光出力，这项约束基本不会触碰。但有一种情况要注意：如果不加这个约束，求解器甚至可能让风电出力超过实际最大值，那结果就完全没有物理意义了。
2.5 需求响应负荷约束
需求响应约束对应的是柔性负荷的可调潜力。具体来说，可分三块来建模。
第一块是削减量约束，每个时段的负荷削减量应该在0和最大可削减比例乘以该时段初始负荷乘积之间。第二块是削减次数约束，规定一天之内累计削减的总量不超过一个预设值，这一步是为了防止系统从某几个时段无限压减负荷，影响用户正常生产。第三块是恢复约束，某些负荷是不允许连续两个时段都被削减的，比如生产线，如果上一时段已经切了，本时段必须恢复。这种约束在真实项目中很常见，但对初学者来说不是刚需，前期可以不加。
2.6 电网交互功率约束
电网交互功率约束分为购电功率上限和售电功率上限。有些微电网不允许倒送电，那就只留购电项，把售电功率直接置0。还有些项目采用峰谷电价时希望低谷时买电高价时卖电，那就需要同时放开购售双向，但要注意购售不能同时发生。对于这类情况，我建议用二进制变量建模，而不是用两个连续变量硬算，否则可能出现既买电又卖电的荒谬结果。
3. Python实现全流程
3.1 环境准备与求解器选型
Python环境建议使用3.8以上版本。需要安装的核心库包括numpy、pandas、matplotlib以及线性优化求解库。求解库的选择上，如果是学生论文或直接跑小规模算例，我推荐用ortools或PuLP，它们都是开源库，安装方便，不需要额外配置求解器许可证。
如果后续要做大规模算例，比如几百个节点、上千个时段的协同调度，那么建议迁移到gurobipy，配合Gurobi求解器。Gurobi对线性规划和混合整数规划的求解性能明显强一个量级，但需要申请学术许可证或商用许可证。我的经验是：先在本机用ortools把模型调通，再切到Gurobi做压力测试，这样调试阶段省时间，最终上线也不怕算力瓶颈。
安装库的语句如下。
bash复制pip install numpy pandas matplotlib ortools
3.2 数据准备与结构设计
算例数据我直接定义一个类来封装，把24时段的风电出力、光伏出力、负荷、分时电价都放进这个类里。这样做的好处是后续换数据组时，只需要替换csv文件或字典内容，避免改代码主体。
python复制import numpy as np
import pandas as pd
from ortools.linear_solver import pywraplp
# 24小时序列
T = 24
hours = np.arange(T)
# 时段划分：峰平谷
price = np.array([0.45] * 24)
price[8:12] = 0.85
price[17:21] = 0.85
price[21:23] = 0.65
price[0:8] = 0.25
price[12:17] = 0.50
wt = np.array([0.8,0.75,0.7,0.65,0.6,0.55,0.5,0.45,0.5,0.6,
0.7,0.85,0.9,0.95,0.9,0.85,0.75,0.6,0.5,0.45,
0.5,0.6,0.7,0.75]) * 60 # 风电出力上限 kW
pv = np.array([0,0,0,0,0,0.05,0.15,0.3,0.5,0.7,
0.85,0.95,1.0,0.95,0.8,0.6,0.4,0.2,0.1,0,
0,0,0,0]) * 50 # 光伏出力上限 kW
base_load = np.array([55,50,48,46,45,50,60,75,90,95,
100,105,110,108,100,95,90,88,85,80,
75,70,65,60]) + np.random.uniform(-5,5,24)
这段数据里我设置了三段式电价，白天高峰时段电价高，夜间低谷时段电价低，储能就有了套利的空间。风力出力夜间偏大，光伏白天有出力峰，这样组合出来的结果才真实。
3.3 模型初始化与基础变量定义
下面进入最核心的部分：如何在ortools里把模型建起来。
python复制solver = pywraplp.Solver.CreateSolver("CBC")
# 决策变量
grid_buy = [solver.NumVar(0, 200, f"buy_{t}") for t in range(T)]
grid_sell = [solver.NumVar(0, 200, f"sell_{t}") for t in range(T)]
p_ch = [solver.NumVar(0, 30, f"ch_{t}") for t in range(T)]
p_dis = [solver.NumVar(0, 30, f"dis_{t}") for t in range(T)]
soc = [solver.NumVar(0.1, 0.9, f"soc_{t}") for t in range(T)]
dr_cut = [solver.NumVar(0, 20, f"dr_{t}") for t in range(T)]
u_ch = [solver.IntVar(0, 1, f"u_ch_{t}") for t in range(T)]
u_dis = [solver.IntVar(0, 1, f"u_dis_{t}") for t in range(T)]
u_sell = [solver.IntVar(0, 1, f"u_sell_{t}") for t in range(T)]
这里我用到了二进制变量。u_ch、u_dis分别表示充电状态和放电状态，u_sell表示是否处于售电状态。加入二进制变量后，模型从线性规划变成了混合整数线性规划，求解时间会变长，但约束表达更准确。
3.4 约束条件逐一写入
功率平衡约束是逐时段添加的。
python复制for t in range(T):
solver.Add(wt[t] + pv[t] + p_dis[t] + grid_buy[t]
== base_load[t] - dr_cut[t] + p_ch[t] + grid_sell[t])
储能递推约束，SOC之间的递推关系写成逐时段等式。
python复制E_bat = 100 # kWh
eta_ch = 0.95
eta_dis = 0.95
solver.Add(soc[0] == 0.2 + (p_ch[0] * eta_ch - p_dis[0] / eta_dis) / E_bat)
for t in range(1, T):
solver.Add(soc[t] == soc[t-1] + (p_ch[t] * eta_ch - p_dis[t] / eta_dis) / E_bat)
这里我做了一个简化处理，直接把初始SOC设成0.2，省去了单独为0时刻单独初始化的麻烦。如果要让调整SOC初值，只需替换等式右侧的常数。
然后添加充放电互斥约束和购售电互斥约束。
python复制for t in range(T):
solver.Add(p_ch[t] <= 30 * u_ch[t])
solver.Add(p_dis[t] <= 30 * u_dis[t])
solver.Add(u_ch[t] + u_dis[t] <= 1)
solver.Add(grid_buy[t] <= 200 * u_buy[t])
solver.Add(grid_sell[t] <= 200 * u_sell[t])
solver.Add(u_buy[t] + u_sell[t] <= 1)
对于这种小规模T=24的模型，用大M法做互斥约束是完全没有问题的。如果模型规模上千个节点，建议使用指示约束（indicator constraints）来取代逻辑约束，数值稳定性会更好。
末尾约束我选择让SOC回到初始值，保证这一天调度结束之后储能状态与开始时一致。
python复制solver.Add(soc[T-1] == 0.2)
3.5 目标函数写入与求解
目标函数按前面说的四项成本求和。
python复制cost_elec = solver.Sum(grid_buy[t] * price[t] for t in range(T))
cost_bat = solver.Sum(p_ch[t] * 0.02 + p_dis[t] * 0.02 for t in range(T))
cost_dr = solver.Sum(dr_cut[t] * 0.30 for t in range(T))
penalty = solver.Sum((wt[t] - wt_use[t]) + (pv[t] - pv_use[t]) for t in range(T)) * 0.5
solver.Minimize(cost_elec + cost_bat + cost_dr + penalty)
status = solver.Solve()
这里出现了一个细节：弃风弃光惩罚项里我用到了wt_use和pv_use，这是两个用来表示“实际使用风光功率”的变量。在优化求解之前，把实际使用风光功率定义为不超过预测出力的变量，然后把它们的和加入功率平衡约束。这样惩罚项才合理，直接用预测值就不会有弃风惩罚的空间。
3.6 结果可视化与数据整理
求解完成后要做两件事：一是把各变量的值提取出来存成DataFrame，方便后续统计分析；二是画图，直观查看一天的调度情况。代码可以这样写。
python复制res = pd.DataFrame({
"hour": hours,
"load": base_load,
"grid_buy": [grid_buy[t].solution_value() for t in range(T)],
"grid_sell": [grid_sell[t].solution_value() for t in range(T)],
"p_ch": [p_ch[t].solution_value() for t in range(T)],
"p_dis": [p_dis[t].solution_value() for t in range(T)],
"soc": [soc[t].solution_value() for t in range(T)],
"dr_cut": [dr_cut[t].solution_value() for t in range(T)]
})
print(res)
import matplotlib.pyplot as plt
plt.figure(figsize=(12, 5))
plt.plot(hours, res["load"], "k-", label="总负荷")
plt.plot(hours, res["grid_buy"], "r--", label="电网购电")
plt.plot(hours, res["p_dis"] - res["p_ch"], "g-.", label="储能净放电")
plt.plot(hours, res["dr_cut"], "m:", label="需求响应削减")
plt.legend()
plt.show()
从结果图里可以直观看到：夜间风电出力大的时段，购电为0，储能优先充电；白天电价最高的时段，系统会倾向用储能放电来替代高价购电；在负荷高峰且光伏出力充足的时段，削减的负荷量可能达到上限。这些行为如果出现在你的结果里，说明调度逻辑基本是正确的。
4. 典型场景设计与结果分析
4.1 场景A：无储能、无需求响应
这个场景作为基准对照。系统只能靠风电、光伏和电网购电来平衡负荷。此时系统在夜间风电出力大但负荷小的低谷时段，为了满足安全约束，不得不限制风电出力，出现弃风；午间光伏出力大而电价也偏高时，购电功率反而很低。总成本会偏高。
4.2 场景B：增加储能
场景B在场景A基础上加入储能参与调度，结果就会发生变化。储能开始在低谷时段充电，高峰时段放电，购电成本的尖峰明显被削平。由于减少了部分弃风，总运行成本较场景A下降。在这个案例里，储能的套利收益是主要收益来源。
4.3 场景C：储能加需求响应
场景C再叠加需求响应后，系统把一部分高峰负荷转移到低谷时段，进一步拉升低谷时段的用电，同时降低峰时供电压力。更关键的是，需求响应和储能之间形成互补，两者的参与让电网交互功率曲线变得更加平稳，总成本也进一步下降。
4.4 结果分析应该看哪些指标
运行成本是核心指标，主要看各项成本占总成本的比例，观察购电成本是否被有效压缩。风光消纳率是看弃风弃光率是否明显下降，如果在增加储能后弃风率还在高位，说明储能容量配置或调度逻辑还有优化空间。储能充放电循环次数反映了储能是否被合理利用，如果SOC在一天之内频繁剧烈波动，说明成本系数设置可能偏低，储能被过度使用。电网交互功率峰值也能反映系统自平衡能力，峰值越小，对大电网的依赖越低。这四个指标足够支撑你对调度方案的判断。
5. 常见问题与排查技巧实录
5.1 求不出最优解或解不可行
这是初学者最常遇到的坑。解不可行通常是因为约束过强，没有可行域。我的排查顺序是：先删掉需求响应约束，再看能否求解；如果仍然不可行，删掉SOC末尾约束；再不可行就检查功率平衡公式，看看哪一项的正负号反了。
举一个我实际见过的问题：有读者把储能递推公式写成SOC[t] = SOC[t-1] - p_ch + p_dis，方向和实际正好反了。运行结果诡异，SOC不断掉到下限，但充电功率却显示正在充电。这类问题用日志输出SOC曲线一眼就能定位。
5.2 求解器一直CBC求解速度慢
CBC是一个开源求解器，性能上限有限。当约束超过几千行或存在大量二进制变量时，求解时间可能从几秒涨到几分钟。这时候建议先用连续变量求解，排除二进制变量造成的组合爆炸；再检查有没有冗余约束，把重复出现的等式约束删掉；最后才是换求解器方案。比如换装Gurobi，求解速度提升非常明显。
5.3 储能SOC出现跳变或振荡
SOC曲线如果在相邻时段来回跳变，通常有两个原因：一是目标函数里储能成本系数过低，求解器认为频繁充放是零成本的，所以电池被当作“免费工具”反复使用；二是SOC上下限范围太宽，允许它在0.1到0.9之间大范围跳动。处理方法是适当提高运行成本系数，或给SOC变化量加一个斜坡速率约束。
5.4 需求响应削减量全为0
如果需求响应变量一直是0，先不要怀疑代码逻辑，先去检查目标函数里的补偿价格和峰谷电价之间的关系。如果你的削减补偿单价设置得比购电价还高，求解器当然不会去削减负荷，因为削减比买电更贵。正确设置应该是削减单价略低于高峰购电价，高于低谷购电价，这样才有经济激励。
5.5 风光利用率偏低
风光利用率偏低往往不是模型问题，而是场景数据本身不配套。比如你把风电容量设置得很大，但负荷很小，又没有足够的储能容量去消纳多余电量，弃风就是不可避免的。这种情况属于资源配置问题，不是优化算法的问题。更合理的做法是同步调整储能容量、负荷水平与风机装机容量，让三者匹配。
5.6 对数值敏感的小技巧
求解器对约束条件的数值尺度比较敏感，如果模型中同时存在几十kW的功率和0.01的效率系数，可能会导致数值奇异。建议把功率统一换算成MW或先把数据归一化，效率项用0.95而不是0.9543，减少无意义的小数位数，模型稳定性和求解速度都能提升。
6. 扩展方向与个人经验
6.1 从日前调度走向多时间尺度
这套模型本质上是静态的日前决策，没有考虑实时波动。实际工程中更流行的做法是“日前+日内+实时”多时间尺度协同调度。日内阶段采用滚动时域控制或模型预测控制，每15分钟滚动优化一次，把风光预测更新的信息吸收进来。我最近在整理的就是这个方向，先做日前调度，再做基于MPC的日内滚动修正，最终形成一个混合时间尺度的能量管理框架。如果你对这部分感兴趣，可以沿着“预测模型、滚动优化、反馈校正”三个关键词继续深挖。
6.2 从确定性到不确定性
日前调度里的风光预测值，本质上是一个期望值。要想让优化结果更贴合实际，可以考虑用鲁棒优化或随机规划处理不确定性。鲁棒优化的好处是不需要知道概率分布，只需要知道波动区间，对数据量的要求更低；随机规划则更精细，但需要生成大量场景，计算量会上一个台阶。先跑通确定性模型，再扩展对不确定性建模，是更加可达的路径。
6.3 从单微网到多微网协同
多个微电网之间还可以通过共享储能或互联线路进行功率互济。这种多微网协同优化会把模型升级为分布式优化问题，需要用交替方向乘子法或一致性算法来解。相比单微网，多微网协同对通信条件和算法收敛性都有更高要求，适合有分布式优化基础的同行去挑战。
6.4 我自己的一些实际体会
做这个项目这么久，有几个容易被忽视的小经验分享给你们。
第一，成本系数不是随便拍的。购电价、需求响应补偿单价、储能损耗成本，这些参数直接影响最优解的行为。建议在正式仿真之前，把不同电价场景、不同响应单价跑一遍，看结果是否符合经济学直觉。
第二，输出结果一定要先“肉眼检查”再相信指标。我每写完一个新调度模型，都会先固定几个时段的人工解，手动算一遍目标函数，再和求解器的结果对比。如果对不上，说明代码里有隐藏bug，此时不要急着优化参数。
第三，代码结构要方便扩展。不要把所有模型都堆在一个main函数里，建议按数据读取、模型构建、约束写入、求解输出、可视化这几层拆分。后续要加新的分布式电源或新的需求响应策略，只需要新增模块而不需要动主干逻辑。
第四，如果遇到解不可行，先从约束找问题，大概率不是你算法写错了，而是约束条件之间有矛盾。用最简化的两时段模型排查，是最快的定位办法。
这篇内容前后花了不少时间整理，从场景设计到代码实现再到排查指南，都是实际工程里反复用过的方法。如果你对MPC多时间尺度扩展方向有疑问，或者想在Gurobi求解与大型算例上做进一步优化，欢迎在评论区一起交流。