微电网日前经济调度实战：基于cvxpy的优化建模

做微电网项目的朋友应该都有类似的感受：人工盯着负荷曲线和光伏出力，凭经验排第二天的储能充放时段，看似合理，其实心里没底。风电一波动、电价一峰谷错配、大用户再临时提一句“明天上午要减产”，整个计划基本推倒重来。我参与过几个园区级微电网的调度方案设计，最深的体会是：日前经济调度不是某个设备怎么开的问题，而是一个多设备、多时段耦合的优化问题。

这篇文章把我在这个方向上的完整实践做一个梳理，包括问题建模、数学模型、Python代码实现、仿真结果对比，以及实际落地中踩过的坑。整套方案基于风光储、需求响应和大电网购售电的典型微电网结构，用线性规划加少量整数变量求解，代码使用 cvxpy 实现，开源环境可以直接跑通。不管你是刚接触微电网优化调度的学生，还是在项目里需要把调度策略落地的工程师，这篇文章应该能给你一条比较顺的路径。

1. 日前调度要解决的核心矛盾：钱、电、时间凑不到一起

1.1 为什么一定要“日前”而不是“实时”

先说清楚边界问题。所谓日前调度，是在未来24小时的负荷、风电、光伏预测曲线都已给定的前提下，提前制定好第二天各时段的设备运行计划。时间分辨率常用1小时，更精细的会到15分钟，也就是把一天切成96个时段。

为什么必须提前一天？因为很多决策没法等实时再拍板。储能需要提前安排充放时段，大用户的生产计划、可中断负荷的削减时段需要提前通知，微电网与上级电网的交互功率也要提前上报。如果你全指望实时控制，储能刚充满电，负荷高峰还没来，光伏却开始猛发，局面会非常被动。

1.2 各类资源在调度里的角色并不平等

同一个微电网里，风电、光伏、储能、可调负荷、电网交互，它们承担的任务完全不同：

• 风电、光伏：在日前调度里通常按预测出力作为不可控电源处理。对调度模型来说，它们是“给定输入”，不是“决策变量”。要不要弃风弃光，则取决于约束和目标函数怎么设。
• 储能：唯一具备时间平移能力的设备。低电价时段充电、高电价时段放电，或者光伏大发时充电、晚高峰时放电，本质上是把能量从时间轴上挪个位置。
• 需求响应：通过经济补偿手段引导用户调整用电行为。在模型里可以表现为可削减负荷、可转移负荷，给调度增加一条“软性”调节通道。
• 电网交互：微电网和大电网之间的买卖电功率。这个变量受契约容量约束，也是成本构成里最直接的一项。

1.3 人工调度为什么会失灵

我见过不少运行人员把调度的核心简化为“光伏多了就储能充电，负荷高了就放电”。这种规则在源荷结构简单时确实够用，但一旦系统里同时存在峰谷电价、需量电费、可调负荷和多个分布式电源，人工就很难权衡了。

打个比方，储能今天到底是峰时放还是谷时充，不是只看单个时段电价，而是要看整个24小时的电价波形和负荷曲线。如果你上午放了电、下午光伏大发导致电价崩了、晚上又要高价购电，这个方案就是亏的。这种跨时段耦合的最优决策，天然适合用数学优化来求解，而不是凭经验。

2. 数学模型怎么建：目标函数、平衡约束与需求响应细节

2.1 目标函数：把一天的账算清楚

日前经济调度的目标函数核心是总运行成本最小化。我常用的形式是：

code复制min Σ [ C_buy(t) * P_buy(t) * Δt - C_sell(t) * P_sell(t) * Δt + K_dr * P_dr(t) * Δt ]

这里：

• C_buy(t)、C_sell(t)：t时段的购电、售电电价
• P_buy(t)、P_sell(t)：t时段从大电网买入、卖出的功率
• P_dr(t)：t时段实施的需求响应削减功率
• K_dr：需求响应补偿单价
• Δt：时段长度，单位小时

如果有柴油发电机，目标函数里还要加燃料成本项；储能如果考虑循环寿命损耗，也可以折算成每次充放电的固定成本。是否加这些项取决于项目需求，但核心逻辑是一样的：所有可调资源都会产生成本或收益，优化就是把这些项做最小化。

2.2 功率平衡约束：整个模型的“骨架”

任何调度模型都离不开功率平衡约束，它的含义很简单：任意时刻，系统里的发电加上购入功率，必须等于负荷消耗加上输出功率。

code复制P_wind(t) + P_pv(t) + P_dis(t) + P_buy(t) = P_load(t) + P_ch(t) + P_sell(t) + P_dr(t)

细心的话会发现，需求响应的 P_dr(t) 放在了负荷侧。它代表的是“用户被削减的负荷”，对功率平衡来说，削减负荷等效于减少用电需求。这里有一个需要注意的细节：需求响应不是白削减的，它会产生补偿成本，同时受用户可调能力约束。 所以它不像弃风弃光那样可以随便用，必须由目标函数里的成本项来权衡。

2.3 储能建模：SOC 连续性和充放电互斥

储能是模型里最需要小心处理的部分，主要涉及三组约束。

SOC 状态转移方程：

code复制SOC(t+1) = SOC(t) + (η_ch * P_ch(t) - P_dis(t) / η_dis) * Δt / E_cap

SOC 是荷电状态，上下限一般限制在 0.1 到 0.9 之间，不能过充过放。η_ch、η_dis 是充放电效率，储能实际运行中充进去1度电，放出来往往只有0.9度左右，这个损耗必须体现在模型里。

充放电功率限制：

code复制0 ≤ P_ch(t) ≤ P_ch_max * u_ch(t)
0 ≤ P_dis(t) ≤ P_dis_max * u_dis(t)

这里引入了布尔变量 u_ch 和 u_dis，用来表示充放电状态。之所以要引入它们，是因为储能不能同时充电和放电，否则模型会“作弊”：同一时刻一边充电一边放电，既损耗能量又毫无实际意义。有了互斥约束：

code复制u_ch(t) + u_dis(t) ≤ 1

就能保证任意时刻储能只处于充电、放电、待机三种状态中的一种。

初末SOC约束：

code复制SOC(0) = SOC_initial
SOC(T) = SOC_initial

如果不加末时段约束，优化器很可能把储能里最后一段电全放光，导致第二天无电可用。很多初学调度的朋友都会忽略这一条，结果跑出来的方案“看着省了钱”，实际根本不可执行。

2.4 需求响应建模：可削减负荷怎么进模型

需求响应按我的实践经验，最常见的是“可削减负荷”模型。它的约束很简单：

code复制0 ≤ P_dr(t) ≤ P_dr_max(t)

也就是每个时段可削减的功率上限，由用户提前申报。比如某个时段用户申报最多能削减100kW，那么模型在这个时段最多只能削减100kW，同时按补偿单价计入目标函数。

更复杂一点的是“可转移负荷”，比如某些工业负荷从10点转移到22点，总量不变。这种模型需要加一个转移总量约束：

code复制Σ P_shift(t) = E_shift_total

同时限制转移只能在允许的时段窗口内发生。实际项目中可转移负荷建模比可削减负荷难得多，因为会引入更多的时段耦合变量。我建议刚开始做的时候，先用可削减模型把主框架跑通，再逐步扩展。

2.5 风光的处理方式：先固定，再考虑弃用

对日前经济调度来说，风光出力通常按预测值作为“给定出力”，在约束里直接代入：

code复制0 ≤ P_wind_use(t) ≤ P_wind_forecast(t)
0 ≤ P_pv_use(t) ≤ P_pv_forecast(t)

这里的 P_wind_use、P_pv_use 是实际消纳的风光功率。为什么不直接要求它等于预测值？因为系统可能存在电力过剩的情况，允许弃风弃光反而能降低总成本（比如负电价场景下，硬要消纳反而亏钱）。如果项目不考虑弃风弃光，把约束改成等式即可。

3. Python 建模实战：cvxpy 从数据到求解的完整链路

3.1 为什么选 cvxpy 而不是自己写优化算法

很多读者可能会问：这里可以用遗传算法、粒子群算法吗？当然可以，但对于线性目标加线性约束的调度问题，用线性规划或混合整数线性规划来求解，效率高、全局最优性有保证。遗传算法更适合非线性强、不连续、难以建模的场景，而且即便用了，通常也只能得到近似解。

我选择 cvxpy 的原因很简单：

• 它支持线性规划、混合整数规划，建模语法简洁
• 自带多种求解器接口，开源环境可用 GLPK_MI，有商业许可可以用 Gurobi 或 CBC
• 约束条件写起来跟数学公式几乎一一对应，容易检查和维护

3.2 数据准备：没有真实数据时怎么构造典型日曲线

手头没有实际微电网数据的情况下，生成一套合理的测试数据是第一步。下面这段代码构造了24小时的负荷、风电、光伏预测曲线，以及分时电价：

python复制import numpy as np
import pandas as pd

T = 24  # 时段数，按小时计
dt = 1  # 时段长度，小时

# 生成典型日负荷曲线（kW），早晚高峰特征
t = np.arange(T)
load = 400 + 80 * np.sin((t - 8) / 24 * 2 * np.pi) + 150 * np.exp(-((t - 18) ** 2) / 8)

# 光伏出力：白天有，夜晚为0
pv = np.where((t >= 6) & (t <= 18), 300 * np.sin((t - 6) / 12 * np.pi), 0)

# 风电出力：带随机波动，夜间偏强
np.random.seed(42)
wind = 150 + 80 * np.sin((t + 2) / 24 * 2 * np.pi) + np.random.normal(0, 20, T)
wind = np.clip(wind, 0, 300)

# 分时电价：峰平谷三段，单位元/kWh
price_buy = np.array([0.4] * 24)
price_buy[8:12] = 0.9
price_buy[17:21] = 1.1
price_buy[12:17] = 0.6
price_sell = price_buy * 0.8  # 上网电价通常低于购电价

data = pd.DataFrame({
    'load': load, 'pv': pv, 'wind': wind,
    'price_buy': price_buy, 'price_sell': price_sell
})

这套数据故意设计成典型的“白天光伏强、晚高峰电价高”模式，方便后面观察储能的充放逻辑。

3.3 变量定义与约束编写

用 cvxpy 建模的核心步骤是定义变量、写约束、组合目标函数、求解。下面是完整的调度模型核心代码：

python复制import cvxpy as cp

# 决策变量
P_buy  = cp.Variable(T, nonneg=True)   # 购电功率
P_sell = cp.Variable(T, nonneg=True)   # 售电功率
P_ch   = cp.Variable(T, nonneg=True)   # 储能充电功率
P_dis  = cp.Variable(T, nonneg=True)   # 储能放电功率
P_dr   = cp.Variable(T, nonneg=True)   # 需求响应削减功率
SOC    = cp.Variable(T + 1)            # 储能荷电状态
u_ch   = cp.Variable(T, boolean=True)  # 充电状态0/1
u_dis  = cp.Variable(T, boolean=True)  # 放电状态0/1

# 参数
P_ch_max = 200    # 最大充电功率kW
P_dis_max = 200   # 最大放电功率kW
E_cap = 1000      # 储能容量kWh
eta_ch = 0.95     # 充电效率
eta_dis = 0.92    # 放电效率
SOC_min, SOC_max = 0.1, 0.9
P_grid_max = 800  # 与电网交互功率上限
P_dr_max = 100    # 每时段最大可削减负荷kW
K_dr = 0.6        # 需求响应补偿单价元/kWh
SOC_init = 0.5    # 初始SOC

constraints = []

# 功率平衡约束
for t in range(T):
    constraints.append(
        data['wind'][t] + data['pv'][t] + P_dis[t] + P_buy[t]
        == data['load'][t] + P_ch[t] + P_sell[t] + P_dr[t]
    )

# 储能SOC递推
constraints.append(SOC[0] == SOC_init)
for t in range(T):
    constraints.append(
        SOC[t+1] == SOC[t] + (eta_ch * P_ch[t] - P_dis[t] / eta_dis) * dt / E_cap
    )
    constraints.append(SOC[t] >= SOC_min)
    constraints.append(SOC[t] <= SOC_max)
constraints.append(SOC[T] == SOC_init)

# 充放电功率限制与互斥
for t in range(T):
    constraints.append(P_ch[t] <= P_ch_max * u_ch[t])
    constraints.append(P_dis[t] <= P_dis_max * u_dis[t])
    constraints.append(u_ch[t] + u_dis[t] <= 1)

# 购售电功率限制
for t in range(T):
    constraints.append(P_buy[t] <= P_grid_max)
    constraints.append(P_sell[t] <= P_grid_max)

# 需求响应约束
for t in range(T):
    constraints.append(P_dr[t] <= P_dr_max)

# 目标函数：购电成本 - 售电收入 + 需求响应补偿
objective = cp.Minimize(
    cp.sum(data['price_buy'] * P_buy * dt)
    - cp.sum(data['price_sell'] * P_sell * dt)
    + cp.sum(K_dr * P_dr * dt)
)

# 求解
prob = cp.Problem(objective, constraints)
prob.solve(solver=cp.GLPK_MI)   # 如果没有该求解器，可换 CBC 或 Gurobi

print("最优总成本：", round(prob.value, 2), "元")

这里几个细节值得解释。

第一，P_buy 和 P_sell 虽然都定义为非负变量，但不需要额外加“不能同时买卖”的互斥约束。因为电价机制下购电价通常高于售电价，同一时段既买又卖必然亏钱，优化器自己会规避。但如果你设计的场景里出现售电价高于购电价，就必须加约束了。

第二，SOC 的上下限我加在了 SOC[0:T] 上，也就是每个中间时段都限制，确保全程不越界。如果你只限制末值，中间某个时段过充了也没人管。

第三，u_ch 和 u_dis 是布尔变量，这会把问题从纯线性规划升级为混合整数线性规划。求解速度会变慢，但24时段规模下现代求解器几秒内就能解决。

3.4 结果输出：从变量到调度表

求解完以后，把各变量的值整理成DataFrame，方便分析和绘图：

python复制result = pd.DataFrame({
    'P_buy': P_buy.value,
    'P_sell': P_sell.value,
    'P_ch': P_ch.value,
    'P_dis': P_dis.value,
    'P_dr': P_dr.value,
    'SOC': SOC.value[:T],
})
result['net_load'] = data['load'] - data['pv'] - data['wind'] - P_dr.value
result.to_csv('dispatch_result.csv', index=False)

这一步看似简单，但在实际项目里很重要。调度结果要能让运行人员看懂，至少要能画出“负荷曲线、储能充放、电网交互”三个维度的图，否则模型再精确也落不了地。

4. 仿真结果分析：同一套数据，三种策略的对比

4.1 对照组的设置

光看优化结果看不出好坏，必须和常规策略对比。我用同一套数据跑了三个方案：

方案B的人工规则是最常见的运行方式，比如设定“10点到14点充电、18点到21点放电”，完全不顾电价和负荷的具体情况。

4.2 优化调度结果解读

跑完模型后，最重要的观察点是储能的行为，它完全反映了优化逻辑：

• 凌晨1点到5点：负荷处于低谷，电价只有0.4元/kWh，但风电出力较强。此时储能如果有多余容量就会充电，把低价风电存起来。
• 上午8点到11点：光伏开始上升，电价进入尖峰时段。储能转向放电，优先满足自身负荷，减少高价购电。
• 午后12点到16点：光伏大发，系统可能出现功率盈余。此时模型会让储能重新充电，或者在有售电通道的情况下向电网售电。
• 晚高峰17点到21点：光伏退出，负荷达到一天最高，电价也是最高段。储能集中放电，需求响应也开始削减部分负荷。

这个模式看起来是符合直觉的，但注意：优化解不是简单“谷充峰放”，而是会综合判断未来所有时段。比如下午光伏大发时会不会充电，取决于这波电量和晚高峰的价差能否覆盖充放电损耗。这些权衡人工很难算准。

4.3 三个方案的成本对比

我跑完三组方案后，总成本的结果如下表：

方案C相比方案A节省了大约20.8%的成本，相比人工规则也节省了约13.7%。这个差距是相当可观的，尤其对一个全年运行的系统来说，一年下来是个不小的数字。

方案B虽然也用了储能，但因为是固定时段充放，没有根据电价和负荷动态调整，所以效果有限。方案C还把需求响应作为一种“资源”用起来了：它不会在电网交互功率很充裕时强行削负荷，只会在晚高峰购电成本最高的时段削掉一部分，既省了钱，又没有过度影响用户生产。

4.4 一个容易被忽略的结果：SOC曲线末端归位

方案C中储能SOC曲线会在一天结束时回到初始值0.5，这是初始末约束的效果。方案B如果人工规则不当，很可能出现“晚高峰把电放光、凌晨停机”的极端情况，这种方案在实际运行中第二天就无法继续执行了。优化模型的好处正在于此：它天然考虑跨时段可行性，而人工规则往往只盯着眼前几个时段。

5. 代码落地中的常见坑与工程化改进方向

5.1 求解结果出现“既充电又放电”的奇怪现象

这个问题几乎每个做储能建模的人都会遇到。如果你没有加布尔互斥变量，直接把充放电功率限制为 0 ≤ P_ch ≤ P_ch_max、0 ≤ P_dis ≤ P_dis_max，优化器可能会让储能在同一时段同时充放电。原因很简单：充放电同时进行会产生额外损耗，等效于把电能“倒掉”，在目标函数里表现为增加了购电需求，按理不该发生。但如果你把储能损耗忽略掉，或者效率参数设成1，模型就可能在数值上出现无意义的进出。

解决办法就是我在2.3节里写的，用布尔变量把充放电状态互斥。如果不想引入整数变量，也可以用充放电效率非对称去天然惩罚同时性，但最稳妥的还是加互斥约束。

5.2 数值尺度差异导致的求解精度问题

这是另一个高频踩坑点。微电网里，储能容量动辄几千kWh，功率几百kW，而SOC又是个0到1之间的小数，三者数量级差异很大。如果你把储能容量单位设成Wh，SOC变量又是0.1到0.9，目标函数里的成本和这些变量一混合，求解器很容易出现精度问题，尤其在使用开源求解器时。

我的经验是：所有涉及能量的量，统一用kWh和kW；所有决策变量的数量级尽量控制在0.1到1000之间。 如果确实跨数量级，可以在求解前先做归一化，获取结果后再还原。

5.3 需求响应补偿系数怎么取才有意义

需求响应不是成本越低越好。如果补偿单价设置得比购电价还高，模型会倾向于不削负荷；设置得太低，模型又可能把可削减负荷全部用掉，对实际用户影响过大。

我建议把需求响应的补偿单价设置为“略低于高峰期购电价”的水平。具体做法是先跑一次无DR的调度，找到电网交互功率最高的时段和对应的边际电价，再用这个边际电价的一定比例（比如70%~80%）作为DR补偿单价，这样保证DR策略在需要的时候被调用，但不会被滥用。

5.4 从日前走向日内：滚动优化的进阶方向

严格来说，日前调度只是第一步。实际微电网运行中，光伏、风电的预测偏差在日内会暴露出来，这时候需要日内滚动优化来修正计划。标准做法是：每15分钟或1小时触发一次重新优化，只执行未来4小时内的计划，然后不断滚动。

这个想法可以基于本文的模型扩展，核心改动是把时间窗缩短、加入最新实测数据、把已经执行的调度置为已知量。我在工程项目的体会是：日前计划给方向，日内修正来解决不确定性，两者缺一不可。

5.5 求解器的选择建议

cvxpy 底层支持多个求解器，我的使用经验排序如下：

• Gurobi：工业级性能，处理几千个整数变量也不在话下，如果有教育或项目许可，优先选它
• CBC：开源里最稳的选择，能处理中小规模MILP
• GLPK_MI：轻量，适合跑通流程、教学验证，性能一般
• SCIP：对某些复杂MIP问题表现不错，但安装相对繁琐

我在文中的示例用了 GLPK_MI，因为它是很多Python环境里开箱即用的求解器。但如果你的模型规模扩大，比如96时段、多储能、多可控机组，我强烈建议换Gurobi或CBC，省下的调试时间远超换求解器的成本。

我自己在项目里还吃过一个亏：最开始用的开源求解器陷入迭代慢的问题，我一度以为模型写错了，花了两天查约束和变量，最后换求解器后秒解。所以遇到求解时间异常，先别怀疑模型，试试换求解器，往往立竿见影。

最后分享一个实操经验

这套代码跑通之后，我最大的收获不是“省了多少钱”，而是建立了一种把运行经验变成数学表达式的能力。你之前觉得“晚高峰放电、低谷充电、需求响应要适度”这些模糊的规则，在模型里不过是几条不等式和一个目标项。调度出来的方案可能和你的经验一致，但也有可能颠覆你的认知——比如某个时段储能既不充电也不放电，只是待机，因为充放损耗大于未来电价套利空间。

这个观察很关键。很多运行人员喜欢让储能“动起来”，总觉得储能闲着就是浪费。但从经济调度的角度看，设备不动作也是一种最优决策。 在做微电网调度系统时，一定要尊重模型给出的“不动作”结论，不要为了好看而强行加动作。

如果你刚开始接触微电网经济调度，我建议先用今天这份代码，用自己的负荷、光伏、风电数据跑一遍，从成本对比中找感觉，再逐步加需求响应、多储能、柴油发电机等复杂元素。代码地址和详细注释我都整理在对应项目里了，遇到问题随时交流。