基于碳交易的微电网优化调度建模与Matlab实现

做微电网优化调度这个方向有几年了早些年大家一提优化默认就是经济调度光伏、风电、储能、柴油机、市电怎么搭配能让日运行成本最低。但碳交易机制上线后这个题的边界变了——系统不仅要满足负荷平衡还得对碳排放负责。多排的额度要花钱买少排的部分可以卖出去换收益于是“成本最低”本身就被重新定义了。基于碳交易的微网优化模型核心就是把这些碳排放成本塞进目标函数让微网在算经济账的同时把碳账也算了。这篇文章不聊太抽象的算法重点放在能直接复现的建模套路和Matlab实现细节上。适合刚接触微网优化的研究生、给园区或楼宇做能源调度的工程师以及想把毕业论文从纯理论升级到仿真验证的同学。如果你手里已经有一套不带碳交易的经济调度模型这篇文章能帮你快速把它升级成“经济碳”双目标版本如果是从零开始按下面的步骤一步步搭也能跑通。1. 微网优化为什么绕不开碳交易方案怎么选1.1 传统经济调度的短板正好被碳交易戳中做微网调度的时候最典型的思路就是让日运行成本最小化。模型里通常会包含购售电成本、分布式电源运维成本、储能折旧成本以及柴油机这类可调机组的燃料成本。这套做法从经济性角度没问题但它天然会偏向“谁的账面上便宜就多用谁”。举个例子如果分时电价在夜间特别低优化结果很可能就是大量从电网买电哪怕这些电来自高排放的火电。从微网自己的钱包看是省了但从整个系统的碳账本看并不是最优。碳交易机制的设计本质上是把碳排放的外部性变成内部成本。系统先获得一个免费碳排放配额比如一天允许排放多少吨二氧化碳实际运行结束后如果排放超过配额就要按碳价购买差额如果排放低于配额富余部分可以卖掉变现。这样一来碳排放不再是目标函数里面一个可有可无的“环保指标”而是直接进入了经济性计算。微网优化就从“单目标经济调度”变成了“兼顾经济与排放”的综合优化问题。1.2 碳交易进入模型后的基本逻辑把碳交易机制翻译成数学模型其实很简洁。设配额为 W实际总排放为 E碳价为 Pc那么如果 E W碳交易成本 Pc × (E - W)这是一个正的惩罚项如果 E W碳交易收益 Pc × (W - E)这相当于负成本目标函数会自动鼓励这种做法。问题在于“多排要花钱”之后微网的运行策略会被明显改写。原来只买便宜市电的调度方案现在要对比“市电价格高但排放因子高”和“储能放电或光伏多发但运维成本稍高”之间的关系。碳价越高模型就越倾向于用清洁能源、减少从电网购电、把储能挪到高碳电价时段去削峰。这也是整个模型最核心的价值把碳价当作一个可变的调度信号观察微网在不同碳价下的运行行为。1.3 这个模型适合谁能解决什么场景我在实际项目里接触比较多的是三类场景工业园区微网、海岛或者偏远地区微网、楼宇光储充一体的智慧能源系统。这些场景共同的点是内部有光伏、风电、储能等分布式资源又有和外部电网的交易接口控制变量多靠人工经验拍脑袋做不过来了必须用优化模型去解。如果只是单纯的家庭光伏配储能负荷小、约束少倒不一定要上碳交易模型但只要是容量上了几百千瓦甚至兆瓦级系统交互复杂碳成本就不能忽略。从使用者角度来说这种模型最适合两类人。一类是电力专业研究生做课题时需要对比有无碳交易机制下的调度差异另一类是能源服务公司的工程师需要给实际项目做运行策略评估比如算一算提高碳价之后光伏配储项目是不是更划算。后面你会看到这套Matlab仿真框架里的参数都是可以调的改配额、改碳价、改负荷曲线就能快速适配不同场景。2. 把“电的账”和“碳的账”揉在一起数学模型拆解2.1 目标函数不是简单加一项而是要统筹成本建模的第一步是把优化目标定清楚。微网日运行成本至少包含三块第一块是电网交互成本。每个时刻从电网买电花的钱减去向电网卖电挣的钱即 Σ[买入电价 × 购入功率 - 售出电价 × 售出功率] × Δt。注意这里的Δt不要漏写因为功率乘以时间才是能量能量才对应电费。第二块是设备运维成本。光伏、风电、储能、柴油机都有单位出力的运行维护费用通常用一个很小的单位成本系数乘以出力累计量比如锂电池运维成本约0.02-0.05元/kWh。这部分数值不大但规划容量大的时候不能省。第三块就是碳交易成本。这是整套模型区别于传统经济调度的关键项。如果用简化形式表达C_carbon Pc × max(E - W, 0)。但如果要做严格的双向交易我会推荐引入两个非负变量e_buy 表示需要购买的碳配额量e_sell 表示可以出售的富余配额量然后满足 e_buy - e_sell E - W目标里写成 Pc × e_buy - Pc × e_sell。这样如果排放低于配额收益自动体现不会被max函数卡掉。有些模型还会加上柴油机的启停成本或者可中断负荷的补偿成本。核心思想都一样一切跟这个微网系统真实发生的资金流出、流入都进目标函数最终求的是综合成本最小。2.2 约束条件功率平衡、储能、购售电和碳配额优化模型能不能求解成功约束条件比目标函数更重要。微网模型里最基础的是功率平衡约束每个时刻系统内的发电、购电、放电要和负荷、充电、售电严格相等。写成式子就是 P_load P_ch P_sell P_pv P_wt P_dis P_buy。电压、频率那些暂态问题在这个模型阶段不涉及我们做的是小时级或15分钟级稳态调度所以功率平衡是最核心的等式约束。储能约束是另一个容易出错的点。储能电池的状态就像一个水库SOC是水位充电是进水放电是放水。约束至少包括三部分充放电功率上下限、SOC的上下限、SOC的动态递推关系。递推关系写成 SOC(t1) SOC(t) (P_ch × η_ch - P_dis / η_dis) × Δt / E_cap。η_ch和η_dis分别是充电和放电效率E_cap是电池容量。还要注意同一个时段不能同时充电和放电这一步需要引入二进制变量后面代码里会讲。购售电约束也要写清楚。微网和电网的连接通常有限流比如变压器容量限制所以0 ≤ P_buy ≤ P_buy_max、0 ≤ P_sell ≤ P_sell_max不能省。最后是碳相关约束E_total Σ(光伏排放因子 × 光伏出力 风电排放因子 × 风电出力 电网排放因子 × 购电量) × Δt再和配额比较形成碳交易量。2.3 碳交易成本函数的两种表达方式初学者最容易在碳成本建模上分不清方向。第一种是最简单的线性碳价碳成本直接用 Pc × (E_total - W) 计算允许结果为负数也就是排放低于配额时收益。这种方式适合做敏感性分析因为它只有一个参数趋势清晰。第二种是阶梯碳价模拟现实中碳价随超排量上升而上升的机制。比如超排量在0~100t内按60元/t100~200t按80元/t。这种分段线性函数可以用二进制变量做分段线性化或者用YALMIP中的piecewise方法辅助建模。阶梯碳价更贴近真实交易规则但调试复杂度也会上升新手建议先把单区间线性碳价跑通再扩展成阶梯版本。我在实际项目里通常把两种版本做成两个脚本共用同一组参数文件这样对比起来非常方便。2.4 建模阶段最值得注意的三个细节第一个细节是储能互斥约束不要写成非线性。有些建模者喜欢写成 P_ch × P_dis 0这在实际求解中会引入非线性且增加难度还会让结果出现莫名其妙的小数。正确做法是用两个二进制变量 u_ch 和 u_dis约束 u_ch u_dis ≤ 1然后让充电功率和放电功率分别绑定各自的二进制变量。第二个细节是碳排放量的单位换算。很多新手在Matlab里算着算着碳成本突然大到离谱往往是单位没换算。光伏和风电是零排放电网购电的排放因子通常是0.6-0.9 tCO2/MWh而你的功率变量单位如果是kW一小时产生的能量是kWh必须除以1000换算成MWh才能和排放因子相乘得到吨。少除一个1000碳成本就放大一千倍。第三个细节是SOC的初始值和末值约束。如果只限制初始SOC为0.5不约束末值优化器很可能在最后几个时段把电池放电放到下限因为这样能省电费。但次日调度就会出问题。实际建模中要加上SOC_end ≥ SOC_init或者让SOC_end直接等于SOO_init保证运行策略是可持续的。3. Matlab 实现参数、数据、求解器与核心代码3.1 仿真场景与参数设置我给一个具体的参考场景后面所有代码和结果分析都围绕它展开。假设某个园区微网包含光伏额定容量600kW风电额定容量400kW储能容量1000kWh、最大充放电功率500kW日峰值负荷约1000kW市电交换上限800kW。调度周期取24小时时间间隔1小时。分时电价我采用了常见的三段式低谷0.3元/kWh平段0.6元/kWh高峰1.0元/kWh。售电价格按购电价的80%算也就是储能和光伏在富余时可以低价上网。碳排放参数方面电网排放因子取0.85 tCO2/MWh光伏和风电取0碳价初始设为60元/t日免费配额设为6吨。这个配额数值不是随便拍的它大约对应园区一天正常购电量6-8 MWh时电网侧产生的排放既能产生约束又不至于让模型直接无解。仿真环境方面我用的是Matlab R2023b搭配YALMIP建模工具箱和Gurobi求解器。你如果机器上暂时没有Gurobi退一步用Matlab自带的intlinprog也能跑只是需要手动把约束写成矩阵形式工作量会大不少。3.2 数据准备阶段的两个硬性要求一个优化模型跑出来的结果准不准很大程度上取决于输入数据的口径。这里有两个硬性要求。第一所有时间序列必须对齐。光伏出力曲线、风电出力曲线、负荷曲线必须以同一时间间隔采样起始时刻一致。常见错误是光伏数据用15分钟间隔负荷数据用1小时间隔Matlab不报错但优化结果完全乱套。我一般会写一个预处理脚本统一用T 24或者T 96控制长度再通过interp1把不同来源的数据插值到同一时间尺度。第二单位必须全局统一。我的习惯是功率统一用kW电价统一用元/kWh碳排放因子统一用tCO2/MWh配额统一用吨。代码注释里把这些单位写清楚后面调参的时候能少很多折腾。有些论文喜欢用MW和元/MWh换算本身不难就怕一个模型里混着用碳成本算出来数量级对不上。3.3 求解器选型为什么我推荐 YALMIP MILP微网优化模型里面有储能充放电互斥的二进制变量所以本质上是混合整数线性规划问题。Matlab自带的linprog只支持连续变量没法处理二进制变量fmincon可以处理非线性约束但面对整数变量和较大的调度维度时效率低、容易陷入局部最优。最省心的方案是用YALMIP建模把数学表达式直接写进去然后调用Gurobi或CPLEX这类商业MILP求解器。有人可能会问我直接用Matlab自带的intlinprog行不行当然可以但代价是要把所有的等式和不等式约束手工整理成矩阵A、b、Aeq、beq约束一多少写一行、写错一行排查起来非常痛苦。YALMIP的最大价值就是它把数学表达式几乎原封不动地保留了下来功率平衡、SOC递推、碳配额约束这些看着就像教材里的公式你检查代码的时候思路不会被矩阵下标打断。3.4 核心代码框架与逐段说明下面这段代码是我项目里精简过的核心框架去掉了绘图和统计部分保留优化主体。你复制到Matlab后补上数据变量就能运行。%% 参数区 T 24; % 调度时段数 dt 1; % 时间间隔小时 E_cap 1000; % 储能容量kWh P_ch_max 500; % 最大充电功率kW P_dis_max 500; % 最大放电功率kW SOC_init 0.5; % 初始SOC SOC_min 0.2; SOC_max 0.9; SOC_end_min 0.5; % 末值约束 eta_ch 0.9; % 充电效率 eta_dis 0.9; % 放电效率 P_buy_max 800; % 购电上限kW P_sell_max 800; % 售电上限kW Pc 60; % 碳价元/t quota 6; % 免费配额t E_grid 0.85; % 电网排放因子tCO2/MWh %% 预测数据实际项目中从历史数据或预测模型导入 P_pv_forecast [0,0,0,0,0,10,40,120,260,380,420,400,360,280,180,90,30,0,0,0,0,0,0,0]; % kW P_wt_forecast [120,110,130,140,150,160,150,140,120,130,140,150,160,150,140,130,120,110,100,90,80,70,80,90]; % kW P_load [320,300,280,260,280,350,520,700,900,950,900,860,820,800,850,880,760,650,560,480,420,400,420,480]; % kW %% 决策变量 P_buy sdpvar(1,T); P_sell sdpvar(1,T); P_pv sdpvar(1,T); P_wt sdpvar(1,T); P_ch sdpvar(1,T); P_dis sdpvar(1,T); SOC sdpvar(1,T); u_ch binvar(1,T); u_dis binvar(1,T); e_buy sdpvar(1,1); e_sell sdpvar(1,1); %% 约束 C []; for t 1:T % 功率平衡 C [C, P_load(t) P_ch(t) P_sell(t) P_pv(t) P_wt(t) P_dis(t) P_buy(t)]; % 光伏和风电全额消纳 C [C, P_pv(t) P_pv_forecast(t)]; C [C, P_wt(t) P_wt_forecast(t)]; % 购售电限值 C [C, 0 P_buy(t) P_buy_max]; C [C, 0 P_sell(t) P_sell_max]; % 储能功率及互斥约束 C [C, 0 P_ch(t) P_ch_max * u_ch(t)]; C [C, 0 P_dis(t) P_dis_max * u_dis(t)]; C [C, u_ch(t) u_dis(t) 1]; % SOC递推与上下限 C [C, SOC_min SOC(t) SOC_max]; if t 1 C [C, SOC(t) SOC_init (P_ch(t)*eta_ch - P_dis(t)/eta_dis) * dt / E_cap]; else C [C, SOC(t) SOC(t-1) (P_ch(t)*eta_ch - P_dis(t)/eta_dis) * dt / E_cap]; end end % 末时段SOC约束保证可持续调度 C [C, SOC(end) SOC_end_min]; %% 碳排放与碳交易约束 E_total sum( (E_grid * P_buy) / 1000 ); % 单位t购电排放 C [C, e_buy - e_sell E_total - quota]; C [C, e_buy 0, e_sell 0]; %% 目标函数 price_buy repmat([0.3,0.6,1.0], 1, 8); % 示意低谷、平段、高峰循环 price_sell price_buy * 0.8; C_elec sum(P_buy .* price_buy - P_sell .* price_sell) * dt; C_om 0.02 * sum(P_buy P_sell P_ch P_dis); % 简化运维成本 C_carbon Pc * e_buy - Pc * e_sell; obj C_elec C_om C_carbon; %% 求解 options sdpsettings(solver, gurobi, verbose, 1); optimize(C, obj, options); %% 结果提取 P_buy_opt value(P_buy); P_sell_opt value(P_sell); P_ch_opt value(P_ch); P_dis_opt value(P_dis); SOC_opt value(SOC); E_total_opt value(E_total); C_total_opt value(obj);这段代码里有两个隐含细节值得说明。一是P_pv和P_wt虽然声明为决策变量但约束里直接让它等于预测值相当于固定了光伏和风电出力这样做的目的是先跑通核心框架。如果要做弃光弃风分析只需要把等式约束改成0 P_pv(t) P_pv_forecast(t)目标函数里加上弃光惩罚项。二是SOC递推里的效率位置充电时功率乘以效率放电时功率除以效率写反会让电池能量越用越多属于会直接导致结果荒谬的低级错误。4. 仿真结果怎么读调度曲线、敏感性与趋势验证4.1 典型日调度结果的四个看点跑完代码后建议先把24小时的P_buy、P_ch、P_dis、SOC画在一张图里统一用kW和kWh两个坐标轴。我一般会先看四件事。第一看功率平衡是否真的闭合。把每个时刻的负荷、光伏、风电、储能和购售电加起来必须正好相等。这是优化模型正确性的底线。第二看储能行为是否符合经济直觉。正常情况下模型应该在电价低谷或光伏大发时充电在电价高峰时放电。如果SOC曲线跟电价曲线完全无关那大概率是目标函数矩阵写错了或者储能约束没生效。第三看购售电有没有同时发生。虽然模型没有强制互斥但经济最优一般不会在同一时刻既高价买电又低价卖电。如果结果出现同时买售检查一下售电价格是不是高于购电价格或者约束里漏掉了上限。第四看碳交易量方向。配额6吨时如果当天购电排放算出来高于6吨e_buy就是正值目标函数里会体现碳购买成本如果低于6吨e_sell是正值发生碳收益。这个方向如果不合理多半是碳排放因子或者单位换算出了问题。4.2 碳价变化对运行策略的影响碳交易模型最有意思的地方就是观察碳价变化对运行策略的重塑。固定配额6吨不变把碳价依次设为0、30、60、120元/t跑四次仿真结果趋势通常是这样碳价(元/t)购电量(MWh/日)碳排放量(t/日)碳交易量(t/日)综合运行成本(元/日)012.810.9买4.989203011.59.8买3.890806010.28.7买2.791601208.97.6买1.69230这是示意数据具体数值会随负荷曲线和电价结构变化但变化方向很明确碳价越高模型越不愿意从电网多购电因为每度电背后都隐含排放成本。购电量减少会降低总排放但综合运行成本不一定下降因为省下来的排放成本可能被增大的设备运维成本或储能的充放电损耗抵消了。这种趋势图非常适合放在论文或项目报告中用来论证碳价对微网低碳运行的引导作用。4.3 配额松紧程度对成本和排放的影响配额是另一个可调的政策工具。固定碳价60元/t把配额从4吨逐步调到10吨观察结果变化配额(t/日)碳排放量(t/日)碳交易方向综合运行成本(元/日)49.5买5.5968069.6买3.6926089.7买1.79020109.8卖0.28750这个例子揭示了一个很实际的现象配额松紧主要影响的是成本分配而不是排放行为的剧变。只要碳价还不是特别高微网的物理运行策略可能变化不大但碳交易成本会随配额增大而明显下降甚至从成本变成收益。做园区能源规划时可以用这张表告诉业主如果碳配额给得宽松碳成本压力小如果配额收紧则需要叠加储能扩容或光伏增配才能控制综合成本。4.4 写论文/报告时常用的两个评价指标每次仿真跑完建议顺手计算两个指标后面做对比分析、画图、写报告都用得上。第一个是碳减排率。定义一个基准场景比如不带碳交易的传统经济调度结果或者实际历史运行数据。减排率 (基准碳排放量 - 优化碳排放量) / 基准碳排放量 × 100%。这个指标能直观说明碳交易机制带来的减排效果是很多学术评审关注的重点。第二个是碳成本占比。碳交易成本除以综合运行成本能反映碳因素在决策中的分量。碳价从0涨到120元/t碳成本占比会明显上升这比单纯堆数据更有说服力。要提醒的是碳减排率的基准口径一定要在论文里写清楚不同基准算出来的数字可能相差很大不注明的话容易被质疑。5. 仿真中常见的问题与排查心得5.1 无可行解先按这个顺序查运行代码最常碰到的报错就是“infeasible problem”或者求解器提示无可行解。遇到这个不要急着改求解器按顺序排查。第一步先注释掉碳交易相关约束和SOC末值约束看模型能不能解。如果能解问题出在后面加的约束上如果不能解说明基础模型已经有问题优先检查功率平衡等式。第二步检查储能SOC递推的时间索引。t1时刻的SOC公式和t1时刻的公式必须分开写很多新手把公式统一写成一个带t-1的表达式结果t1时出现SOC(0)Matlab直接把数组下标弄乱约束就错了。第三步检查SOC的上限和下限。如果初始SOC设为0.5但SOC上限设成0.4那就不可能可行。还有电池容量和充放电功率的数量级要一致别把500kW充电功率和1000kWh容量混在一起后忘记换算。第四步检查功率平衡约束的方向。负荷加充电加售电等于光伏加风电加放电加购电每一项是否写反会导致约束集存在矛盾。我调试的时候习惯把每个时段的约束数值打印出来用Excel核对一下比盯着代码想快得多。5.2 SOC 出现跳变或负值的修复如果求解器明明给出了解但SOC曲线出现从0.5直接跳成0.9、或者在某几个时段变成负值这是常见的病态结果。大概率是两件事。一件事是充放电互斥约束没加。没有u_chu_dis≤1的约束优化器可以让电池在同一时刻既充电又放电能量凭空增加SOC自然失真。解决方案就是代码里的二进制变量互斥约束。另一件事是效率参数放错了位置。放电效率η_dis应该放在分母上充电效率η_ch应该放在分子上。如果反过来电池每次充放电循环后电量不减反增SOC会越滚越高最后顶到上限并且伴随功率平衡失真。这个错误非常隐蔽因为目标函数和约束看起来都是线性关系数值上却会积累出明显的能量异常。5.3 碳交易成本建模中三个隐蔽错误碳交易相关建模有三个错误我每次帮人看代码都会先扫一遍。第一是“max函数直接用”。YALMIP里直接写 max(E_total - quota, 0) 虽然语法不报错但它引入了非线性表达式在MILP模型里会导致求解器拒绝或者结果不稳定。线性化方式就是引入e_buy和e_sell两个非负辅助变量让它们的差等于E_total-quota。第二是忘记考虑卖出配额的收入。有些实现只写了购买碳配额的成本没有写富余配额出售的收益这会让模型低估低碳运行的回报结果偏向于多购电。严谨的双边碳交易模型必须同时支持买碳和卖碳两个方向。第三是把碳排放因子的时间口径搞错。如果时间步长是15分钟而你还是拿功率乘以1小时二氧化碳排放量就会被放大4倍。正确做法是统一用能量单位计算排放量 功率(kW) × 时间间隔(h) × 排放因子(t/MWh) / 1000。写一个独立的碳计算子函数反复调用能有效避免在多个约束里重复换算时出错。5.4 求解器不听话时的调试经验用YALMIP调用Gurobi时如果求解时间过长先看看问题规模。24时段、5-6组决策变量、几十个约束正常应该在几秒内解完。如果卡住通常是二进制变量出了问题。比如储能互斥之外的冷热电联产机组启停也用了二进制变量但约束没写全导致分支枚举量指数级增长。这时候可以先固定一部分机组启停状态把问题降成LP跑一遍验证其余逻辑是否正确。Gurobi报错“Out of memory”的情况不算多遇到时优先检查是不是把两个时段的变量互相关联给写成了全连接比如用双重循环给所有时段之间加了约束。微网调度一般只需要相邻时段关联不需要跨24小时全局关联写全连接约束会让约束矩阵非零元素急剧膨胀。我个人早期调试时还有一个习惯先把目标函数里的碳成本项注释掉让模型退化成纯经济调度确认结果符合常识再把碳交易项加回来。这样做的好处是一旦结果异常你至少能确定新增部分的问题如果一上来就全模型分析到处都是嫌疑点反而浪费时间。最后分享一个实际项目里很受益的小经验把配额和碳价定义成结构体或者独立脚本变量不要写死在目标函数里。我一开始直接把60元/t和6吨写死在目标函数表达式里结果后来做敏感性分析每个碳价都要新建一个脚本改来改去非常容易漏。现在统一放在参数区循环调用求解函数几十组敏感性场景几分钟就能批量跑完。这套“参数驱动 核心求解函数复用”的思路比任何代码技巧都更能提升实际效率。你的项目起步时也建议先这样把框架搭干净后面加再多的风光储和碳交易扩展都不容易乱。