微电网的调度优化，本质上是一个"多能源协调决策"问题。光伏和风电出力具有强随机性，负荷波动更是难以精确预判，传统开环调度策略往往在偏差出现后才被动响应，导致成本失控或弃光弃风。模型预测控制（MPC）通过滚动时域优化与反馈校正，将"预测-优化-执行-再预测"闭环起来，是目前学术界和工程界公认的微电网能量管理主流方案。这篇内容我基于实际调试的经验来梳理，重点讲清楚 MPC 调度如何建模、如何在 Matlab 里落地、以及仿真中常踩的坑。适合正在做毕业设计、课题研究，或刚接触微电网能量管理的初学者，也适合想从传统优化切换到 MPC 方案的技术人员参考。

1. 微电网调度问题的模型构建

1.1 为什么选 MPC 而不是传统单次优化

微电网调度常见的传统做法是"日前优化"，即提前一天根据次日预测数据计算一次机组出力计划，然后全天照单执行。这种方式最大的问题是：预测不可能完全准确，一旦实际光照、负荷与预测偏差较大，原计划就失去最优性，甚至出现功率越限。

MPC 的优势在于它只对未来很短的一个时域做优化，比如 15 分钟到 1 小时，每个控制周期都基于最新的实时数据重新计算一遍未来若干步的调度计划，但只执行第一步。这样滚动下去，始终让调度决策"贴着"最新的运行状态走。

打个比方：普通优化像是出门前看一次天气预报然后决定全天穿什么，中途降温只能硬扛；MPC 则是每隔一段时间就重新看一次天气，随时调整穿搭。虽然每次规划都很短视，但正是这种高频修正，让它在不确定性环境下的总成本表现接近甚至优于"上帝视角"的日前全局优化。

1.2 微电网系统的组成与数学建模

构建调度模型前，先把微电网的结构框定清楚。一个典型的孤岛或并网型微电网，通常包含以下设备：

• 光伏发电单元（PV）：出力受光照强度影响，调度中通常作为不可控电源处理，预测值直接参与功率平衡。
• 储能系统（BESS）：核心调节资源，通过充放电实现削峰填谷，受 SOC 上下限和功率约束限制。
• 柴油发电机（或微型燃气轮机）：可控电源，作为后备与稳定出力单元，成本函数通常是非线性凸函数。
• 负荷：需求侧，分为可平移负荷和刚性负荷，调度中优先保障刚性负荷供电。
• 与大电网的交换功率：并网模式下可双向传输，购售电价不同。

在此基础上，模型预测控制的状态空间表达通常写成如下形式：

x(k+1) = A·x(k) + B·u(k) + D·d(k)

其中状态变量 x 常用 SOC（荷电状态），控制变量 u 表示储能充放电功率或柴油机出力，扰动 d 则为光伏预测出力和负荷预测值。

SOC 的离散动态方程是最关键的一环：

SOC(k+1) = SOC(k) - η_c · P_ch(k)·Δt / E_cap + (1/η_d) · P_dis(k)·Δt / E_cap

注意充放电效率的放法。充电时电池吸收的能量要打个折扣，放电时电池释放的能量也要乘一个效率因子。很多初学者的模型在这里直接把效率写成线性项，忽略了充放电方向，导致 SOC 轨迹和实际物理过程对不上。

1.3 成本函数与约束条件的取舍

MPC 的优化目标通常考虑多类成本加权：

J = Σ ( C_gen·P_gen(k) + C_grid·P_buy(k) - C_sell·P_sell(k) + λ·ΔP_bat(k)^2 )

其中 C_gen 是柴油发电成本系数，C_grid 和 C_sell 是购售电价，最后一项是储能功率变化惩罚项，用来防止充放电功率频繁突变损伤电池寿命。

约束条件分三类：

• 功率平衡约束：P_pv + P_gen + P_bat + P_grid = P_load，等式约束，必须严格满足。
• 设备约束：储能功率上下限、SOC 上下限、柴油机功率上下限及爬坡约束。
• 电网交换约束：并网联络线功率上限，这是实际微电网中最常被忽视、却又最容易触发的问题。

一个容易犯的错是：在目标函数里只写购电成本，不写售电收益项。这会导致储能策略"只充不放"，因为在某些时段，向电网卖电的价格低于购电成本时，模型会倾向于把电存在电池里等到高价时段再放，这样目标函数值不同，策略也就完全不同。所以目标函数必须同时包含购售双向电价信息，调度行为才是物理合理的。

2. 预测模型与滚动优化机制

2.1 预测模型的构建思路

MPC 的性能上限，直接取决于预测信息的质量。这里要区分两个概念：预测模型和优化模型。预测模型负责给出未来 N 个步长的光伏出力与负荷估计值，优化模型则基于这些估计值求解控制序列。

在 Matlab 中，常见的预测数据获取方式有：

• 直接读取历史同期数据，加上随机扰动模拟预测误差；
• 使用时间序列模型（如 ARIMA、BP 神经网络）离线训练后在线预测；
• 使用官方实测数据集中某天的数据，并主动叠加一定比例的高斯噪声模拟不完美预测。

实操上建议：初期仿真先用"完美预测"做基准，再逐步引入误差。这样能够把 MPC 算法本身的性能与预测精度的影响分开评估，问题定位会清晰很多。

预测时域和控制时域也不一定相同。如果预测时域 N_p=24（小时），控制时域 N_c=4，意味着"看 24 小时的风光负荷趋势，但只精细规划未来 4 步的储能出力"，其余步长用简化策略填充。这种分离设计能显著降低求解维度，同时对结果影响很小。

2.2 滚动时域优化的执行流程

MPC 的每一次循环，都包含以下步骤：

1. 读取当前时刻系统状态：SOC、实际出力、实际负荷；
2. 更新未来 N 个步长的预测序列；
3. 构建当前时刻的优化问题（目标函数 + 约束）；
4. 求解得到未来 N 步最优控制序列；
5. 仅执行第一步的控制指令；
6. 进入下一个采样周期，重复步骤 1。

这个流程的关键点在第 5 步——只执行第一步。如果把 N 步全部执行掉，就退化成了开环优化，失去反馈校正能力。这也是 MPC 与"多点预测+单次求解"的最大区别。

仿真中实现滚动优化的结构常用 for 循环：

for k = 1:T_total % 获取当前状态 x_current = SOC_history(k); % 获取预测序列（未来 Np 步） P_pv_pred = P_pv_actual(k:min(k+Np-1, T_total)); P_load_pred = P_load_actual(k:min(k+Np-1, T_total)); % 构建并求解优化问题 [u_opt, fval] = solve_mpc(x_current, P_pv_pred, P_load_pred, params); % 只取第一步 P_bat(k) = u_opt(1); % 状态更新（考虑实际扰动，而不是预测值） SOC_history(k+1) = update_soc(SOC_history(k), P_bat(k), params); end

这个循环结构是所有 Matlab MPC 仿真的骨架，理清它，后面的代码都是在往这个骨架里填充具体的模型与求解方法。

2.3 反馈修正环节

反馈校正常见两种做法：

第一种是"状态更新法"。每个采样周期开始前，把当前实测 SOC 值赋给优化模型，而不是沿用上一步预测计算出来的 SOC。这一步看似简单，却是 MPC 鲁棒性的来源。因为只要模型存在误差，开环递推的 SOC 会越偏越远，用实测 SOC 强制矫正，就把误差限制在了一个步长内。

第二种是"输出校正法"。比较当前实测功率与模型预测的偏差，将偏差以一定权重叠加到后续步长的预测值上。这种做法的实现形式是：

P_pv_corrected = P_pv_pred + alpha * (P_pv_actual(k) - P_pv_pred(1));

alpha 是修正系数，通常取 0.1~0.5。值太大容易过冲，太小则修正作用不明显。实际调试中可以从 0.3 起步，逐次微调。

3. Matlab 代码实现与关键步骤

3.1 代码整体架构与模块划分

Matlab 实现 MPC 调度时，如果全部写在一个脚本里，后期调试会非常痛苦。建议按模块拆分成函数：

• 参数初始化模块：定义设备容量、效率、电价、预测时域、约束上下限等；
• 数据处理模块：读入负荷/光伏数据，生成预测序列；
• 优化求解模块：接收当前状态与预测序列，调用求解器输出控制序列；
• 系统仿真模块：按实际扰动更新状态，记录各功率序列；
• 结果可视化模块：绘制功率曲线、SOC 曲线、成本曲线。

这种拆分方式最大的好处是：当求解器报错或结果不合理时，可以独立测试每个模块，缩小问题范围。优化求解模块单独拿一组测试数据验证逻辑，比在完整仿真里大海捞针高效得多。

变量命名建议统一使用"前缀+含义"结构。例如所有预测序列加 pred 后缀，所有实际值加 act 后缀。这样在阅读代码和排查问题时，一眼能分辨数据来源，避免把预测值和实际值搞混。

3.2 核心求解函数与求解器选择

MPC 优化问题在 Matlab 中有多种求解路径，我按推荐程度排列：

第一种是使用 Yalmip 工具箱建模，调用 Gurobi 或 CPLEX 求解。这是目前科研圈最主流的做法。Yalmip 的建模语法接近数学表达式，代码可读性高，而且对于整数变量、二次目标的支持非常友好。安装配置稍有门槛，但一次性配好后效率提升明显。

第二种是直接使用 Matlab 自带的优化工具箱函数。如果模型是线性规划（LP）问题，可以用 linprog；如果是二次规划（QP），可以用 quadprog。这种方式无需额外工具箱，但建模过程相对繁琐，需要手动展开矩阵。

在我接触的微电网 MPC 场景中，如果忽略电池寿命损耗的二次项，问题就是 LP；加上二次项或者引入启停整数变量，就需要 QP 或 MILP 求解器。建议从 LP 入手跑通全流程，再逐步增加复杂度。

核心求解函数的 Yalmip 写法如下：

function [P_bat_seq, fval] = solve_mpc(x_current, P_pv_pred, P_load_pred, p) % 定义决策变量 P_bat = sdpvar(1, p.Np, 'full'); P_gen = sdpvar(1, p.Np, 'full'); P_grid_buy = sdpvar(1, p.Np, 'full'); P_grid_sell = sdpvar(1, p.Np, 'full'); SOC = sdpvar(1, p.Np+1, 'full'); % 约束集合 Constraints = []; SOC(1) = x_current; for k = 1:p.Np % 功率平衡 Constraints = [Constraints, P_pv_pred(k) + P_gen(k) - P_bat(k) + P_grid_buy(k) - P_grid_sell(k) == P_load_pred(k)]; % 储能约束 Constraints = [Constraints, -p.P_bat_max <= P_bat(k) <= p.P_bat_max]; Constraints = [Constraints, p.SOC_min <= SOC(k) <= p.SOC_max]; % 柴油机约束 Constraints = [Constraints, p.P_gen_min <= P_gen(k) <= p.P_gen_max]; % 电网交换约束 Constraints = [Constraints, 0 <= P_grid_buy(k) <= p.P_grid_max]; Constraints = [Constraints, 0 <= P_grid_sell(k) <= p.P_grid_max]; % SOC 动态 if P_bat(k) >= 0 Constraints = [Constraints, SOC(k+1) == SOC(k) - P_bat(k)*p.dt/p.E_cap/p.eta_ch]; else Constraints = [Constraints, SOC(k+1) == SOC(k) - P_bat(k)*p.dt*p.eta_dis/p.E_cap]; end end % 目标函数 Objective = sum(p.C_gen * P_gen) + sum(p.C_buy * P_grid_buy) - sum(p.C_sell * P_grid_sell) + p.lambda * sum(diff(P_bat).^2); % 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 0); sol = optimize(Constraints, Objective, ops); if sol.problem == 0 P_bat_seq = value(P_bat); fval = value(Objective); else error('MPC 求解失败: %s', sol.info); end end

注意一个代码细节：储能动态方程中充放电效率的判断，我使用if分支来处理。Yalmip 本身是支持这种逻辑判断的，因为P_bat(k)在赋值前要通过 sdpvar 声明，判断时 matlab 会把它当变量处理。不过为了严谨，也可以在建模时将功率正负表达的语义做得更清晰——正值放电、负值充电，这样更容易对应到物理含义。

3.3 关键参数初始化的建议

参数初始化直接决定仿真的合理性和收敛性，我总结了一份常用范围参考表：

这里要特别强调 SOC 初始值的设置。如果初始 SOC 设为 0.9，而当天负荷低谷时段又有大量光伏，储能会无空间可充，产生大量弃光。更合理的做法是让 SOC 初始值在 0.5~0.6 附近，留出双向调节空间。或者干脆做敏感性分析，测试不同初始 SOC 对日运行成本的影响，这样能更直观地理解储能裕度的重要性。

4. 算例设置与仿真结果分析

4.1 仿真场景与数据准备

构造算例是检验 MPC 效果的关键环节。我通常采用以下配置来搭建标准测试场景：

• 光伏额定功率：500 kW，使用夏季晴天典型日出力曲线；
• 负荷峰值：400 kW，含明显的早晚高峰特征；
• 储能系统：容量 1000 kWh，最大充放电功率 250 kW，充放电效率 0.95；
• 柴油发电机：额定功率 300 kW，最小出力 50 kW，发电成本系数 0.6 元/kWh；
• 分时电价：峰时 1.2 元/kWh，谷时 0.4 元/kWh；
• 预测时域 24 步，步长 1 小时。

数据准备阶段，我会把光伏和负荷曲线统一处理成列向量，并确保数据长度为T_total + Np，否则滚动过程中索引会越界。这个细节看起来不起眼，但几乎所有初学跑 MPC 仿真报"数组索引超限"的人都栽在这里。

预测误差的模拟，我常用这个方式：

P_pv_pred = P_pv_actual + 0.1 * P_pv_actual .* randn(size(P_pv_actual)); P_load_pred = P_load_actual + 0.05 * P_load_actual .* randn(size(P_load_actual));

光伏预测误差 10%、负荷预测误差 5%，这是相对真实的场景假设。为了让仿真结果可复现，记得在脚本开头固定随机种子（rng(2024)之类），否则每次跑出来的成本曲线不同，写报告时前后数据对不上会非常麻烦。

4.2 结果解读与对比分析

跑完仿真后，不必急于看成本数字。第一步先看功率平衡曲线，确认任意时刻P_pv + P_gen + P_bat + P_grid = P_load都严格成立。这是 MPC 调度结果正确的基本前提。

第二步看储能 SOC 曲线的变化趋势。合理的 SOC 曲线应该呈现"低谷充电、高峰放电"的特征。如果 SOC 曲线在某个时段出现剧烈的锯齿形跳变，大概率是储能功率约束或效率设置有问题。

第三步对比 MPC 和传统日前优化的日运行成本。以我常用的测试算例来说，MPC 的日运行成本大约比日前优化低 5%～15%，这部分收益主要来自光伏预测误差引起的偏差修正。如果优化参数设置得当，这种对比能非常直观地说明 MPC 的优势。

下面给出一个典型的仿真输出片段，用表格展示两种策略的关键结果：

MPC 的储能循环次数略多，原因是每个滚动步长根据新信息做出调整，策略更积极。这是正常现象，不是 bug。如果循环次数过多导致寿命损耗成为担忧，可以在目标函数中增大功率变化惩罚系数 lambda，做一个成本-寿命的敏感性权衡。

4.3 实操技巧与心得

我在实际调试中总结了几条通用原则：

第一，先把目标函数简化为纯成本最小化，先不考虑功率变化惩罚项，跑通基础逻辑。确认功率平衡和 SOC 动态都对以后，再加入 lambda 项调整平滑性。这种方式能最快定位是建模问题还是参数问题。

第二，绘制"MPC 执行功率与日前计划功率"的对比图时，不要把两条曲线画在同一张图上直接对比。因为采样频率可能不同，延迟几步会导致视觉上"错位"。更合理的做法是分别画出功率曲线和 SOC 曲线，再画一张成本累计曲线，信息呈现更清晰。

第三，每次调参后，记录下改变了什么参数、结果发生了什么变化。我通常会维护一个简单的电子表格，逐行记录"参数-现象-解决措施"，三个月后回头看，这份记录比任何学习资料都有价值。

5. 常见问题与排查技巧实录

5.1 求解器报错与精度问题

MPC 仿真中最常遇到的第一个问题是"求解失败"或"求解器返回 infeasible"。

出现不可行问题，首先要检查约束是否自相矛盾。最常见的矛盾是：在某个时段，负荷很高、光伏为零、储能 SOC 到达下限、柴油机已到最大出力、购电功率已到上限——此时功率平衡方程无法满足，约束必然冲突。

排查方法：在求解前先计算"极端场景"下的功率平衡：

% 极端场景可供给能力 max_supply = P_pv_min + P_gen_max + P_bat_max + P_grid_max; min_demand = P_load_max;

如果max_supply < min_demand，那就需要在约束里允许切负荷（加一个松弛变量）或者扩容设备。工程上更稳妥的做法是在功率平衡约束中引入松弛变量并加以惩罚，保证任何时刻都有可行解：

s_slack = sdpvar(1, p.Np, 'full'); Constraints = [Constraints, P_pv_pred(k) + P_gen(k) - P_bat(k) + P_grid_buy(k) - P_grid_sell(k) + s_slack(k) == P_load_pred(k)]; Objective = Objective + 1e6 * sum(s_slack.^2);

松弛变量的惩罚系数要远大于正常调度成本，这样才能保证它在正常情况下被压到零，仅在极端场景下"兜底"。

5.2 储能 SOC 与功率约束的常见错误

SOC 曲线越界是最典型的"模型写得对但结果不对"的情况。如果 SOC 长期固定在 0.5 附近不变，说明储能根本没有参与调节。这时优先检查目标函数中储能相关项是否真的存在——如果只写了购电成本和发电成本，储能"无利可图"，自然一动不动。

另一种情况是 SOC 频繁触碰上限。原因通常是充电效率设置太低，导致模型需要很长时间把电充进去，因此倾向于"一直充"。检查效率参数是否在 0.9~0.98 范围内，并确认充电功率的单位换算是否正确。一个小建议：所有功率用 kW、容量用 kWh、时间用小时，这样效率可以直接写成小数，避免单位混乱。

5.3 滚动仿真速度过慢的优化策略

当预测时域设为 96 步（15 分钟步长跑一天）时，for 循环加每次求解 MILP 很容易把仿真时间拖到几分钟甚至十几分钟。这种情况下有几种提速方案：

• 使用 LP/QP 替代 MILP。如果不需要启停整数变量，线性规划求解只需毫秒级。
• 缩小预测时域 Np 到 24~48，并通过加权方式加强近期步长的约束。
• 将问题转化为单次求解的稀疏矩阵形式，而不是循环内反复调用 sdpvar。

我个人最推荐第一种方案。在实际微电网能量管理中，除非必须建模柴油机启停的整数状态，否则使用连续变量 LP 就能满足大多数调度需求。省略整数变量不仅加快求解速度，也大幅降低了数值稳定性问题的发生概率。

5.4 预测模型失准对 MPC 的影响评估

在写论文或做项目汇报时，"预测误差对 MPC 的影响"往往是评审最关注的问题。想认真评估这个问题，可以用一组对照实验：

• 无误差场景：预测曲线等于实际曲线；
• 小误差场景：叠加 5% 标准差的正态扰动；
• 中等误差场景：叠加 10% 扰动；
• 大误差场景：叠加 20% 扰动，并额外加入持续偏差项（模拟光伏组件衰减或气象误判）。

每组场景跑 20 次蒙特卡洛仿真，统计日成本均值和标准差。MPC 的优势应该表现为：随着误差增大，成本上升的幅度远小于开环优化。若结果不符合这个趋势，优先检查反馈校正是否真正生效——如果每次循环没有把实测 SOC 传回求解器，MPC 就成了"带预测误差的开环优化"，结果自然不好看。

不同误差水平下的成本变化表：

从表中能清楚看到，误差越大，MPC 相对日前优化的优势越突出，这才是 MPC "以反馈换预测精度"价值的最佳证明。

5.5 几个独家避坑经验

最后分享几条常规文档里不会写的经验。

第一条：初始 SOC 不要设成 0.5 就完事，要先跑一次无误差仿真，看日末 SOC 与初始 SOC 的差值。如果差值很大，说明储能"吃掉了"外部系统的能量，此时应该设置末端 SOC 约束，或者在后端时间增加 SOC 恢复项，否则逐日仿真中 SOC 会漂移。

第二条：Yalmip 模型中使用value(P_bat)取结果时，偶尔会遇到 "Unable to evaluate" 的报错。原因是模型求解成功但某些变量未赋值。这种情况大多发生在目标函数里引用了未定义的参数向量。检查自定义函数中是否有变量名冲突，尤其要避免参数变量与 Yalmip 变量同名。

第三条：在写英文注释时，注意区分 charge 和 discharge 的方向。许多项目里定义 P_bat > 0 为放电，有的则定义为充电，方向不统一是代码移植和团队协作时最大的隐性 bug。建议在代码开头用注释块明确写出"P_bat > 0 表示放电，P_bat < 0 表示充电"，并在所有函数中保持一致。

从实际调试的经验来看，微电网 MPC 项目的技术难点往往不在算法本身，而在模型细节的严谨性上：充放电效率的方向、SOC 动态的离散化方式、松弛变量的引入时机、反馈校正在循环中的位置。这些细节每一个看起来都微不足道，真正跑起来会发现全部是决定仿真能否通过验收的关键点。建议动手之前先把模型方程用纸笔完整推导一遍，把每个变量的物理意义和单位在注释里写清楚，再动手敲代码。这个习惯能帮你省下大半的调试时间。