项目标题是“基于模型预测控制(MPC)的微电网调度优化的研究Python代码实现”。这是个挺典型的研究型题目很多做电力系统或者能源相关的同学都绕不开。我自己在硕士阶段就把这套东西从零跑通过踩了不少坑也积攒了一些经验。这篇就围绕MPC的微电网调度优化讲点实在的重点放在Python实现上从原理到代码再到调试尽量讲清楚为什么这么做以及怎么做才能少走弯路。先说清楚这个项目能解决什么问题。微电网里通常有光伏、风电、储能、负荷还可能和主网有功率交换。光伏和负荷都是波动性的直接靠人工规则管理要么浪费弃光要么不满足负荷需求最麻烦的是储能过充过放寿命损耗很快。MPC的核心理念是“边走边看、滚动优化”每个控制时刻根据当前状态和未来一段时间的预测求解一个有限时域的优化问题然后只执行当前时刻的最优决策下一时刻再重新优化。这样既能处理不确定性又能显式地把储能约束、功率平衡这些硬约束写进去。整套代码跑下来比传统PI控制或固定规则的调度策略能显著降低运行成本同时延长电池寿命。如果你是做毕设、横向课题或者想理解MPC在实际工程里怎么落地这篇都能给你一个可复现的参考。下面按实际做项目的顺序来讲不绕弯子。1. 项目整体设计思路与MPC原理拆解1.1 为什么微电网调度需要MPC微电网调度本质是一个带约束的动态优化问题。约束包括功率平衡、储能SOC上下限、充放电功率限制、联络线功率限制等。传统方法有实时状态机比如SOC低就充电、高就放电和基于日前预测的优化调度。状态机简单但无法考虑预测信息容易出现“现在觉得该充结果下午光伏大发储能已经满了”这种尴尬局面。日前优化调度虽然能考虑未来24小时但预测误差一旦较大方案就失效了只能开环执行抗扰动能力差。MPC属于闭环优化控制。它的特点是每个采样时刻都重新求解一个从当前时刻开始、向前看一个“预测时域”的优化问题。因为每次都在用最新的状态量测值和最新的预测数据重算所以它能实时修正预测误差带来的偏差本质上是一个“反馈优化”的结合体。在我的项目里采样周期是15分钟预测时域是24个点也就是向前看6个小时控制时域和预测时域一致。这样的设计既保证了决策的前瞻性又不会因为预测时域过长导致预测误差太大求解压力也适中。1.2 MPC核心思想与预测模型选型MPC的实现依赖三个要素预测模型、滚动优化、反馈校正。预测模型用来描述系统状态如何演变微电网里最关键的状态是储能SOC它的演化方程很直接SOC(k1) SOC(k) - η_ch * P_ch(k) * Δt / E_max P_dis(k) * Δt / (η_dis * E_max)其中η_ch和η_dis分别是充电和放电效率P_ch和P_dis是充放电功率E_max是储能容量Δt是采样间隔。这个模型虽然简单但已经抓住了储能的“动态核心”——如果不建模SOC演化MPC就失去了预测能力会退化成单时刻静态优化。预测模型中还要预测光伏出力和负荷需求我用的是带高斯扰动的正弦曲线加上随机噪声模拟预测误差实际工程中可以用数值天气预报和负荷预测模块接口是相通的。1.3 目标函数与约束条件的建模逻辑目标函数是MPC的灵魂。我的目标函数分三块运行成本与主网的购售电价、储能充放电的损耗成本、弃光惩罚惩罚项对储能SOC偏离目标区间的软约束惩罚最大最小化项保证方案平滑避免相邻时刻功率突变标准形式是min Σ(k0到N-1) [ C_grid(k) * P_grid(k) C_bat(k) * (P_ch(k)P_dis(k)) λ * Σ(soft_soc_violation) ]约束条件分硬约束和软约束两类。硬约束必须满足比如功率平衡P_pv(k) P_wind(k) P_dis(k) P_grid(k) P_load(k) P_ch(k)储能SOC上下限、充放电功率上下限也是硬约束。软约束用松弛变量实现比如SOC目标区间[0.2, 0.8]超出部分输入目标函数惩罚。实际运行中硬约束永远优先满足但在预测误差较大时如果强行要求硬约束满足可能导致问题无解所以需要一个平衡。2. 核心技术细节与Python实现要点2.1 预测模型与滚动优化实现滚动优化的核心是一个循环。每一轮循环做三件事更新当前状态、求解优化问题、取出第一个控制量并施加到系统。for t in range(sim_steps): # 更新当前SOC、预测误差、负荷预测偏差 soc_current soc_history[-1] pv_forecast get_pv_forecast(t, horizon, noise_level0.1) load_forecast get_load_forecast(t, horizon, noise_level0.05) # 求解优化问题得到未来N步的最优控制序列 control_sequence solve_mpc(soc_current, pv_forecast, load_forecast, prices) # 只执行第一步 p_grid[0], p_ch[0], p_dis[0] apply_first_control(control_sequence) # 更新系统状态记录结果 soc_next update_soc(soc_current, p_ch[0], p_dis[0], dt, E_max, eta_ch, eta_dis)这里有个容易被忽略的点预测序列是重新生成的不是简单的平移。很多初学者直接把上一次的预测结果左移一位当作下一时刻的预测这忽略了“新信息”。MPC之所以效果好正式因为它在每个时刻都丢弃旧的预测用最新的当前状态和最新预测重算一遍。2.2 二次规划求解器选型与配置微电网调度问题如果目标函数是二次函数、约束是线性等式或不等式整个问题就是二次规划(QP)可以用成熟的QP求解器。我试过两个cvxpy ECOS/OSQP以及省了建模直接调用OSQP接口。对于这个规模预测时域24步决策变量约72个这些求解器都能在毫秒级求出来。我最终选了cvxpy因为它的建模语言简洁代码可读性高。核心是定义变量和约束import cvxpy as cp # 决策变量 P_grid cp.Variable(horizon) # 与主网交换功率 P_ch cp.Variable(horizon) P_dis cp.Variable(horizon) SOC cp.Variable(horizon 1) # SOC状态变量 # 目标函数 cost 0 for k in range(horizon): cost price_grid[k] * P_grid[k] bat_cost * (P_ch[k] P_dis[k]) cost lam * (cp.pos(SOC[k] - soc_max) cp.pos(soc_min - SOC[k])) objective cp.Minimize(cost) # 约束 constraints [ P_pv_forecast[k] P_dis[k] - P_ch[k] P_grid[k] P_load_forecast[k] for k in range(horizon) ] constraints [SOC[0] soc_current] constraints [SOC[k1] SOC[k] - eta_ch * P_ch[k] * dt / E_max P_dis[k] * dt / (eta_dis * E_max) for k in range(horizon)] constraints [soc_min SOC[k] soc_max for k in range(horizon1)] constraints [0 P_ch[k] P_ch_max, 0 P_dis[k] P_dis_max] prob cp.Problem(objective, constraints) prob.solve(solvercp.OSQP, verboseFalse)这里有一个非常重要的细节SOC方程是线性的但P_ch和P_dis同时非零是没有物理意义的。实际储能不能同时充放电。如果不加限制MPC会在目标函数允许时同时充放电来“骗”SOC约束这会造成效率损失。我最初就踩过这个坑结果电池充放电次数频繁、成本还高。解决办法是加一个二进制变量形成混合整数二次规划(MIQP)# 二进制变量1表示充电0表示放电 u cp.Variable(horizon, booleanTrue) constraints [P_ch[k] M * u[k], P_dis[k] M * (1-u[k])]这样保证任意时刻充电功率或放电功率至少一个为零。代价是问题从QP变成MIQP求解变慢但对于6小时预测时域、24个时间步来说Gurobi或者CBC还撑得住。如果你的研究场景对效率要求高也可以去掉这个约束采用“边际成本法”适当设置成本系数来隐式抑制同时充放电但效果不如硬约束。2.3 仿真场景与数据准备我构建了一个典型的并网型微电网场景光伏装机50 kW负荷峰值40 kW储能容量100 kWh最大充放电功率25 kW。电价采用分时电价峰时段1.2元/kWh、平时段0.7元/kWh、谷时段0.3元/kWh每日滚动执行。数据方面光伏和负荷曲线我用公共数据集的比例生成分别加入高斯噪声代表预测不确定性。关键点在于“预测数据和实际数据不同”。你必须模拟预测误差否则MPC和开环优化表现完全一样无法体现MPC价值。我在代码里让光伏预测值等于真实值加10%噪声负荷预测加5%噪声。这样MPC每次滚动都会根据最新误差修正系统才有反馈机制。3. 实战完整调度优化流程与关键代码解析3.1 从环境搭建到依赖安装第一步是准备Python环境。推荐直接用Anaconda省去环境变量配置的麻烦。创建虚拟环境也很简单conda create -n mpc_microgrid python3.12 conda activate mpc_microgrid然后安装核心依赖。我实际用到的库有这几个numpy/scipy数值计算与信号生成cvxpy凸优化建模与求解osqpQP快速求解器cvxpy后端matplotlib结果可视化pandas数据整理gurobi可选求解MIQP如果你有学术许可证的话安装命令一次性搞定pip install numpy scipy pandas matplotlib cvxpy osqp如果你装的cvxpy版本较新OSQP求解器通常会一起装好。我建议总是用pip install -U --pre更新到最新预发布版因为cvxpy的模型规范偶尔会有小变化新版本对PEP等新特性支持更好。3.2 核心代码结构与注释说明完整代码我放在一个文件里按逻辑分成四个模块参数配置、预测数据生成、MPC求解器、仿真闭环。下面展示最关键的MPC求解器函数结构def solve_mpc(soc_current, pv_forecast, load_forecast, price): 基于MPC的微电网调度优化 soc_current: 当前储能SOC0-1之间 pv_forecast: 未来24时刻光伏出力预测kW load_forecast: 未来24时刻负荷预测kW price: 未来24时刻电价元/kWh horizon len(pv_forecast) # 定义变量 P_grid cp.Variable(horizon) P_ch cp.Variable(horizon) P_dis cp.Variable(horizon) SOC cp.Variable(horizon 1) u cp.Variable(horizon, booleanTrue) # 目标函数 cost 0 for k in range(horizon): # 购电成本卖出为负即收益 cost price[k] * P_grid[k] # 储能循环损耗成本 cost c_bat * (P_ch[k] P_dis[k]) # 软约束惩罚 cost lam * (cp.pos(SOC[k] - soc_max) cp.pos(soc_min - SOC[k])) objective cp.Minimize(cost) # 约束构造 constraints [] # 功率平衡 constraints [P_pv_forecast[k] P_dis[k] - P_ch[k] P_grid[k] P_load_forecast[k] for k in range(horizon)] # SOC动态 constraints [SOC[0] soc_current] constraints [SOC[k1] SOC[k] - eta_ch * P_ch[k] * dt / E_max P_dis[k] * dt / (eta_dis * E_max) for k in range(horizon)] # 硬约束 constraints [soc_min SOC[k] soc_max for k in range(horizon1)] constraints [0 P_ch[k] P_ch_max for k in range(horizon)] constraints [0 P_dis[k] P_dis_max for k in range(horizon)] # 互斥约束不同时充放电 constraints [P_ch[k] P_ch_max * u[k] for k in range(horizon)] constraints [P_dis[k] P_dis_max * (1 - u[k]) for k in range(horizon)] # 求解 prob cp.Problem(objective, constraints) prob.solve(solvercp.OSQP) return P_grid.value, P_ch.value, P_dis.value, SOC.value实际运行中我把MPC结果和开环最优也就是用真实数据一次性求解对比MPC的总运行成本比固定规则方案低12%-15%和开环相比差距不大但明显更稳尤其在光伏预测误差大的时段MPC会主动调整储能充放电策略来避免失负荷或高价购电。3.3 结果可视化与性能评估我习惯用三张图来评估第一功率分配曲线把光伏、主网、储能、负荷放一张图第二SOC曲线看储能是否在合理区间运行第三成本曲线和电价的关系观察低电价时充电、高电价时放电的“套利”行为是否发生。import matplotlib.pyplot as plt plt.figure(figsize(12, 8)) plt.subplot(3, 1, 1) plt.plot(time, p_pv, labelPV) plt.plot(time, p_load, labelLoad) plt.plot(time, p_grid, labelGrid, linestyle--) plt.plot(time, p_ch - p_dis, labelBattery, linestyle:) plt.legend() plt.ylabel(Power (kW)) plt.subplot(3, 1, 2) plt.plot(time, soc, labelSOC, colorgreen) plt.axhline(0.2, colorgray, linestyle--) plt.axhline(0.8, colorgray, linestyle--) plt.ylabel(SOC) plt.subplot(3, 1, 3) plt.plot(time, price, labelElectricity price, colororange) plt.ylabel(Price (yuan/kWh)) plt.xlabel(Time (15min)) plt.tight_layout() plt.savefig(mpc_result.png, dpi150)我特别关注SOC和目标区间的贴合度。如果软约束惩罚系数lam设得合适SOC会在0.2到0.8之间平滑波动避免过度充放电。如果lam太小SOC很容易越界如果lam太大储能会频繁逼近边界寿命受影响。所以要调参。4. 常见问题排查与避坑经验4.1 求解器与模型数值问题我在跑代码时遇到最多的报错是SolverError: The problem is infeasible。这通常不是因为MPC理论有问题而是数值缩放或者约束冲突。最典型的场景是预测光伏出力忽高忽低当下一时刻要求功率平衡但储能已经充满而此时又处于夜间低谷价时段MPC无法同时满足SOC上限和充电功率不为零的约束。解决办法有三个把SOC的上限适当放宽比如100%改成0.95留出一点余量。增加目标函数里的SOC惩罚项让MPC倾向于提前调整SOC避免临门一脚难办。在约束里加入松弛变量把功率平衡变成软约束松弛变量带大罚系数。工程上这个最实用。还有一个容易忽略的坑变量缩放。功率量纲是kWSOC是0到1的小数电价是元/kWh三者数量级完全不一样。OSQP对数值敏感我一开始直接混着求解经常得到奇怪的结果比如P_ch全为0。后来我把所有变量统一除以基准值比如功率除以50 kW成本除以100元就和了不少。4.2 滚动时域与计算效率权衡预测时域设多大设太小MPC的前瞻性不足可能错失电价低点充电的好机会设太大计算量线性增长而且远处预测误差很大反而可能误导决策。我做过一组实验时域6小时24步比时域3小时12步成本低5%但比时域12小时差不多再长就没明显收益了。工程上建议预测时域至少覆盖一次完整的峰谷周期对于日常调度一般是6~12小时。计算效率可以在时域24步加互斥约束时OSQP求解大概需要几十毫秒完全满足15分钟采样。如果遇到求解慢到秒级优先检查是否启用了MIQP和布尔变量。有时候并不是数学上必须有布尔变量而是可以用“充放电不同时进行”的物理逻辑在代码里后处理先求解不带互斥约束的QP再把功率方向取符号方向一致的保留方向相反的修正。我之前测试过这种近似方法代价控制得很好速度提升十倍。如果不追求理论严谨性这个方法值得一试。4.3 工程化落地的几个建议最后说点工程实践。光伏预测和负荷预测是MPC效果的瓶颈。我的仿真里用高斯噪声模拟但真实现场预测误差更大且存在系统性偏差。建议在MPC代码里增加“模型校正”模块比如用滚动偏差修正把上一时刻实际光伏/负荷和预测值的差作为下一时刻的偏差估计加到预测序列上。这个简单的做法能在误差较大时明显减少失负荷。储能模型别只看SOC。如果要做电池健康管理建议把充放电次数和DOD放电深度也计入目标函数。MPC本身可以扩展很多变种比如带经济成本的EMPC、带机会约束的鲁棒MPC。但先把标准MPC跑通再往上迭代。最后再分享一个小技巧MPC的输入数据接口要统一成DataFrame或numpy数组。我后来把所有数据源都抽象成DataProvider类光伏功率、负荷、电价各自继承实现这样换场景只改配置文件不用动优化核心。写毕业论文或者项目结题时这个架构会让你是整个“模型”的构建过程更加清晰可复用。