Matlab+YALMIP+CPLEX求解带储能的微电网优化调度问题
最近在折腾微电网优化调度的课题，发现用Matlab+YALMIP+CPLEX这套组合拳处理这类问题贼方便。特别是涉及到储能系统的时间耦合约束，用YALMIP建模比手写矩阵舒服太多了。今天咱们就通过一个24小时调度案例，看看怎么用这些工具搞定包含光伏、风电、柴油机和储能电池的系统。
先来看系统结构：光伏板白天发电，风机看天吃饭，柴油机当备胎，储能电池负责削峰填谷。目标是最小化总运行成本（柴油发电成本+储能损耗），同时满足负荷需求。关键约束包括功率平衡、储能SOC限制、设备出力范围等。
建模第一步定义决策变量：
% 24小时各设备出力变量 P_pv = sdpvar(24,1); % 光伏出力 P_wind = sdpvar(24,1); % 风机出力 P_diesel = sdpvar(24,1); % 柴油机出力 P_charge = sdpvar(24,1); % 储能充电功率 P_discharge = sdpvar(24,1);% 储能放电功率 SOC = sdpvar(24,1); % 储能荷电状态这里用sdpvar声明优化变量，注意储能需要定义SOC状态量，这个变量会形成时间耦合——当前时刻的SOC取决于上一时刻的值。
接着处理约束条件，重点看储能部分：
constraints = []; % 储能动态约束 for t = 2:24 constraints = [constraints, SOC(t) == SOC(t-1) + P_charge(t)*eta_c - P_discharge(t)/eta_d]; end % 充放电互斥约束 constraints = [constraints, P_charge >= 0, P_discharge >= 0, P_charge.*P_discharge == 0]; % 关键！不能同时充放电这里有个坑要注意：直接写Pcharge和Pdischarge不同时非零可能导致求解困难，更聪明的做法是引入二进制变量，不过对于小规模问题可以用乘积归零约束先凑合。
目标函数设定也讲究技巧：
fuel_cost = sum(C_diesel * P_diesel); % 柴油成本 battery_wear = sum(0.1*abs(P_charge) + 0.15*abs(P_discharge)); % 简化损耗模型 objective = fuel_cost + battery_wear;这里用绝对值处理充放电损耗，实际工程中可能需要更精细的循环寿命模型，但作为示例够用了。
求解环节才是见证奇迹的时刻：
options = sdpsettings('solver','cplex','verbose',1); optimize(constraints, objective, options);跑完记得检查求解状态：
if result.problem == 0 % 提取结果做可视化 plot(1:24, [value(P_diesel), value(P_pv), value(P_wind)]); stairs(1:24, value(SOC), 'LineWidth',2); else error('求解失败，检查约束是否冲突'); end典型结果会显示储能系统在电价高峰时段放电，在光伏出力过剩时充电。有个实用技巧：遇到模型不可行时，用YALMIP的diagnostics功能快速定位冲突约束：
diagnostics(constraints, objective)最后说点血泪经验：处理24小时调度时，记得给SOC加边界约束（0.2~0.9），避免电池过充过放；柴油机出力建议加上爬坡率限制；实际数据导入可以用xlsread直接读Excel表格里的负荷曲线和预测发电量。
这套方案实测在普通办公电脑上求解时间不超过5秒，比某些智能算法快得多。关键是模型修改灵活——想加需求响应？改两行约束的事。想考虑不确定性？YALMIP也支持ROBUST优化模块，不过那就是另一个故事了。
