提到区域综合能源系统调度大部分人第一反应还是传统经济调度的路子一个目标函数、一堆约束条件、一次求解完事。但等你真正拿到一套基于多主体主从博弈的区域综合能源系统低碳经济优化调度代码打开主程序看到上层模型下层模型两个模块还有Stackelberg博弈、KKT条件、碳交易配额这些词反复出现多半会愣一下——为什么要拆成上下两层直接把整个园区当一个整体优化不就完了吗这个问题如果不先想透后面改参数、调代码、分析结果都会发懵。这篇文章我就结合我自己复现和调试这类分层主从博弈模型的经历从模型为什么要分层讲起一直讲到Matlab代码实现、算例设计、常见坑位把这条链路完整走一遍。适合正在做综合能源系统调度、需要复现论文算法、或者准备用小论文毕设的读者参考。1. 从集中式最优到主从博弈为什么单一决策模型在园区里走不通1.1 集中调度的隐含假设与实际冲突传统电力系统经济调度之所以能用一个集中模型描述是因为在很长一段时间里电网公司既是电网的运营者也是发电资源的调度者自上而下发指令电厂和用户都按指令执行。这个模式成立的前提是系统里只有一个决策主体或者所有主体都愿意放弃自己的利益诉求服从统一调度。但区域综合能源系统的情况完全不同。园区里至少有两类角色一类是综合能源服务商或园区运营商手里握着燃气轮机、储能、余热锅炉这些物理设备负责电、热、冷等多种能源的供应另一类是负荷聚合商或者直接就是终端用户他们关心的是自己用能方不方便、舒不舒服、花多少钱。这两类角色的利益是错位的运营商想把能源价格定得高一点、把设备利用率拉满从而多赚钱用户希望能源价格低一点用能计划能贴合自己的生活习惯。你让用户无条件削峰填谷他凭什么配合如果运营商只是下发一个你必须在低谷时段多用电的指令用户完全可以不接招。所以当我们讨论区域综合能源系统的优化调度时实际上面对的是一个多决策主体问题。每个主体都有自己的目标函数也有自己的约束条件谁也没有办法完全命令谁。这个时候一个中心、两个基本点式的集中优化就不适用于实际场景了或者说它只是理论上的理想情况。1.2 主从博弈如何把决策权分给不同主体主从博弈Stackelberg博弈恰好就是为这种上下级决策场景设计的。它的核心思想是有一个领导者先行动公布自己的策略比如运营商公布分时售电价、售热价跟随者观察领导者的策略后再做出自己的最优反应比如负荷聚合商根据电价决定各时段买多少电、买多少热。关键是领导者做决策时不能无视跟随者的反应他必须预测到如果我定这个价格用户会怎么响应这个响应反过来又会怎样影响我的收益这个先动优势和理性预测的结构天然就是分层的。上层是领导者的决策问题下层是跟随者的响应问题上下层通过价格信号和购能计划这两个变量耦合在一起。把这两个问题写成一个整体来看它就是一个双层优化模型也就是我们常说的分层模型。为什么分层模型比纯集中式模型更贴近实际原因在于它把不同主体的利益边界画清楚了。上层运营商在最大化自己收益的时候要考虑下层用户的反应下层用户在最小化用能成本的时候只能把价格当作给定参数。这个结构逼着上层收敛着点定价否则过度抬价会导致用户减少购能最终反而损害自己的收入。这才是真实市场里价格的自我约束机制。理解了这一点后面看Matlab代码里的上层模型和下层模型两个模块就不会再觉得它们是随意拆分的了。2. 分层模型架构拆解上层IESO与下层负荷聚合商的决策边界2.1 上层IESO的价格制定与设备出力联合决策上层模型对应的是区域综合能源系统运营商我这里统一叫IESOIntegrated Energy System Operator。IESO的目标函数通常可以写成这样一个结构最大化自身净收益包括售电和售热收入减去从上级电网购电的成本、购买天然气的成本、设备运行维护成本再减去或加上碳交易产生的成本或收益。IESO的决策变量有两类。第一类是能源价格包括各时段的售电价格、售热价格有些模型里还会售冷第二类是设备出力包括燃气轮机的电出力、热出力、储能的充放电功率、与外网购电交互功率等。为什么要把价格和出力放在一起优化因为两者是联动的电价高了用户买得少燃气轮机可能就得少发电价低了用户买得多燃气轮机就得顶上。价格信号是引导下层行为的杠杆而出力计划是兑现收益的执行手段它们不能分开决策。上层约束条件在代码里也很典型电功率平衡约束佛系理解就是发出的电加上买来的电等于卖出去的电加上损耗、热功率平衡约束、燃气轮机爬坡约束、出力上下限约束、储能SOC约束还有价格上下限约束。价格上下限这个约束容易被忽略但它很重要——实际场景里价格不可能无限高监管和市场接受度都会给价格设天花板。在模型里如果不设价格上限优化器很可能给出一个离谱的高价然后靠着下层用户不得不买的刚性负荷来薅羊毛这在数学上可行但物理和市场上都说不通。2.2 下层负荷聚合商在价格下的用能响应下层模型对应负荷聚合商或者终端用户群体。下层的主体不拥有供能设备他们的决策变量主要是各时段从IESO购买的电量、热量以及自己用电行为的调整量比如可转移负荷的平移量、弹性负荷的削减量。下层目标函数相对简单通常是最小化总用能成本也就是各时段的购电量和对应电价乘积求和加上购热量和对应热价乘积求和。如果模型里还考虑用能舒适度会在目标函数里加入一个用能满意度惩罚项或者把用能需求设计成有上下界的区间而不是固定值。这个细节很有用如果负荷是刚性的那么无论上层怎么定价用户都必须买那么多能博弈的意义就大打折扣。把负荷设计成有一定弹性的价格才能真正发挥作用用户也才能在峰谷价差下调整自己的用能曲线。下层的约束条件主要就是各时段购电量、购热量不超过上限一天总用能量满足某个最低需求可转移负荷的转移总量守恒转出去的负荷等于转进来的负荷以及负荷调整前后的用能体验不能跌破某个阈值。这些约束刻画的是一个有理性但有限制的用户他想省钱但也不能为了省钱让工厂停产、让屋里冷到没法待。2.3 上下层之间的耦合变量与反馈闭环双层模型和普通单层模型最核心的区别在于上下层之间存在耦合变量而且这个耦合是闭环的。上层把能源价格作为决策变量传给下层下层把这些价格当作给定参数优化出自己的购能计划这个购能计划又反过来作为上层售能收入的依据进入上层的目标函数。上层在下一次迭代或者求解时要基于下层的反应重新评估自己的价格策略是否最优。在Matlab代码里这个耦合关系通常表现为上层模型中的售能收入项 各时段价格 × 下层返回的购能量下层模型中的购能成本项 各时段价格 × 购能量。变量是同一批只是从不同角度看名字不同。用博弈论的语言说最后要达到的是一个均衡点在这个点上上层给定自己当前的价格决策下层已经做到了最优而下层当前的最优购能计划又恰好支撑了上层价格决策的最优性。谁都没有单方面改变策略的动机了这个解就是Stackelberg均衡。这个均衡概念在后面写代码时非常关键因为不管你用哪种求解方法最后判别的都是这个均衡条件是否成立。3. 碳交易机制如何把低碳变成一张经济账3.1 基准线配额与碳排放核算讲低碳经济优化调度绕不开碳交易机制。我国碳市场目前主流的是基准线法配额分配主管部门根据行业的排放基准和历史活动水平给排放主体发放一定量的免费碳排放配额。如果你的实际碳排放量低于配额富余的部分可以拿到市场上出售变成收益如果实际排放量超出配额就得到市场上购买缺口产生额外成本。具体到区域综合能源系统的算例里碳排放核算一般包括两块一是从上级电网购电对应的间接碳排放需要用购电量和电网平均碳排放因子折算二是天然气在燃气轮机里燃烧产生的直接碳排放用购气量和天然气碳排放因子折算。光伏、储能这种零碳设备不产生碳排放。也有的模型更精细会在碳排放约束里加入碳捕集与封存CCS设备但基础版本通常不涉及先把前两块算清楚就够用了。这里有个单位上的坑后面实操部分我还会展开说天然气排放因子的单位往往是kgCO2/m³电网排放因子的单位是kgCO2/kWh而碳交易的价格单位是元/t做目标函数的时候如果不把千克换算成吨结果会差三个数量级整个模型的最优解都会跑偏。3.2 碳成本进入目标函数后的调度行为变化碳交易机制的妙处在于它没有直接给调度问题增加一个复杂的低碳约束而是把碳排放量换算成一项成本塞进了原本只有经济账的目标函数里。碳交易成本公式可以写成碳交易成本 碳价 ×实际排放量 - 免费配额。当实际排放量大于配额时这一项是正的成本当实际排放量小于配额时这一项变成负的相当于额外收入。这样一来原本经济性和低碳性这两个看似矛盾的目标在碳交易的框架下被统一成一个经济目标了。调度模型不再需要做复杂的多目标加权或帕累托前沿搜索只需要把碳交易成本写进上层目标函数优化器就会自动权衡多买一度煤电成本上升了碳排也上升了可能要多买碳配额改用气电多发一度电购电成本可能下降但购气成本上升、碳排放也增加到底划不划算完全由碳价这个杠杆来调节。这就是低碳经济优化调度的本质不是强制要求系统必须减排多少而是通过碳价让减排行为变得有利可图或者得不偿失让优化器自己找到那个经济最优和碳排放之间的平衡点。碳价低的时候系统会倾向于少考虑碳排放怎么省钱怎么来碳价高的时候减排本身就成了省钱的手段系统会自动调整设备出力和价格策略把碳排放压下来。3.3 碳价敏感性分析的设计思路既然碳价是模型里最关键的杠杆参数那么算例里做碳价敏感性分析就是水到渠成的事。典型做法是固定其他参数不变把碳价从0元/t开始按20元/t、50元/t、100元/t、150元/t这样梯度增加观察几个输出指标的变化系统总碳排放量、IESO总收益、平均售电价、用户总购能成本、燃气轮机出力占比等。做这种敏感性分析的意义在于验证模型行为的合理性。一个可信的模型应该呈现出这样的规律碳价升高碳排放量单调下降但下降速度会越来越慢因为便宜且边际减排空间大的措施先用完了再减排就得动大手术成本很高同时系统总成本和用户购能成本通常也会上升因为减排是要付出代价的。如果代码跑出来的结果是碳价越高、碳排放越高或者碳价变化对碳排放毫无影响那基本可以断定模型在哪一层写错了——最常见的是碳交易成本没有真正进入上层目标函数或者是把碳排放当成了硬约束导致碳价只是个摆设。4. 双层模型的求解路线KKT单层化与启发式嵌套怎么选4.1 KKT条件替换下层原理与适用前提双层模型写出来了接下来是怎么求解。最经典的路线是把下层优化问题用它的KKT条件替换掉从而把双层问题转成单层问题。这个思路的理论依据是当下层问题是凸优化问题线性规划或二次凸规划并且满足约束规范条件比如Slater条件时KKT条件是下层问题取得最优解的充分必要条件。也就是说与其单独去解下层问题不如把下层问题的KKT方程组直接作为约束塞进上层问题里。这样原来先算下层再算上层的嵌套结构就变成一个上层约束多了很多组方程的单层优化问题。转化后的单层问题在学术上有个名字叫MPECMathematical Program with Equilibrium Constraints带均衡约束的数学规划。这个转化最大的好处是一次求解就能得到整个双层问题的均衡解不需要反复迭代也不需要人为设置收敛判据。但代价是模型里的约束数量大幅膨胀而且KKT条件里的互补松弛约束是非线性的处理起来比较麻烦。4.2 互补松弛条件的大M线性化KKT条件里最让人头疼的是互补松弛条件它长这个样子拉格朗日乘子 μ 和约束函数的乘积必须等于0μ ≥ 0约束函数的值 ≥ 0但两者不能同时大于0。这是一个非线性的非凸约束直接把整个问题变成了难以求解的非线性规划。工程上最常用的处理办法是大M法引入一个二进制变量把互补松弛条件拆成两条线性不等式。思路是当约束起作用时约束函数0令二进制变量为1强制拉格朗日乘子为0附近的浮动范围当约束不起作用时约束函数0令二进制变量为0强制乘子固定为0。用数学语言说就是 μ ≤ M·zg(x) ≤ M·(1-z)z ∈ {0,1}。这样一来原来的非线性互补条件就被近似成一对线性约束问题变成了混合整数线性规划MILP可以直接交给CPLEX、Gurobi这类商业求解器处理。大M的取值是整个线性化里最考究的地方。M太小会把原本应该为正的乘子或者约束函数错误地压到0附近导致求解出来的最优解根本不是原问题的解M太大又会让MILP的线性松弛变得很松分支定界过程要走很多节点求解速度急剧下降。我的经验是M应该根据每个约束的实际物理上下界来取比如价格上限约束对应的M取价格上限的2到5倍而不是全篇统一拍一个大数。这个细节后面专门讲因为它太容易被坑了。4.3 启发式嵌套与交替迭代实现简单但收敛要看运气另一条求解路线是启发式嵌套典型做法是上层用一个智能算法比如粒子群、遗传算法来搜价格策略每更新一次价格就把价格传给下层用YALMIPCPLEX快速求解下层线性规划拿到购能计划后返回上层计算上层目标函数作为智能算法的适应度评价如此反复迭代到收敛。这条路线实现起来比KKT单层化直观很多不用处理互补松弛也不用引入二进制变量代码结构清晰。但代价也很明显智能算法本身收敛慢每次适应度评价都要完整解一次下层问题如果粒子数50、迭代次数100就意味着要解5000次下层线性规划算力开销非常大。而且智能算法是启发式不保证找到全局最优解每次跑结果可能还有随机波动。这就需要把随机种子固定、把收敛判据设置合理还得花时间调粒子个数、惯性权重这些参数。还有一种介于两者之间的交替迭代法不引入智能算法而是上层和下层各自作为独立优化问题交替求解。先给一组初始价格解下层得到购能计划把购能计划代入上层解上层得到新价格再把新价格代入下层循环往复直到两次迭代之间的价格和负荷变化量小于阈值。这个方法在理论上和Stackelberg均衡并不严格等价实际是否能收敛到均衡取决于问题的凹凸性。我试过的经验是对于线性双层问题交替迭代通常能收敛但可能出现振荡需要加上阻尼因子调整步长。4.4 两条路线的对比与选型建议我个人的选择逻辑很简单如果算例规模不大燃气轮机、储能、负荷聚合商数量都有限优先用KKT单层化虽然建模时间长一点但求解稳定、结果可复现、不需要调智能算法的参数如果后续想扩展多领导者、多均衡分析这类方向再考虑启发式嵌套因为KKT单层化在多领导者博弈里会变得非常复杂。用一张表总结一下两条路线各自的特点对比项KKT单层化启发式嵌套/交替迭代建模难度高需处理KKT和互补松弛线性化低模型直观易写求解速度快一次求解MILP慢需多次求解下层LP全局最优性对线性/二次凸问题能保证不保证受算法参数影响可复现性好同参数结果完全一致较差启发式有随机性后续扩展多领导者、多均衡时复杂更灵活易改博弈结构适合场景中小规模、论文复现、结果对比大规模、非线性复杂设备、方法对比5. Matlab代码实现的完整链路从建模到均衡判定5.1 环境准备Matlab YALMIP 求解器代码层面我推荐的环境组合是Matlab YALMIP CPLEX或Gurobi。YALMIP是Matlab里非常成熟的建模工具箱把变量定义、约束写入、目标函数表达、求解器调用都封装得很舒服。版本方面Matlab R2020b之后的版本基本都够用不需要追新版本稳定最重要。求解器上如果你有学术版或者校网授权的CPLEX、Gurobi直接用这两个如果没有可以考虑用YALMIP自带的求解器或者开源的SCS、ECOS但处理MILP的效率会差不少。做KKT单层化之后的问题本质是MILP强烈建议用商业求解器否则计算时间可能让人崩溃。安装完之后在Matlab命令行输入yalmiptest看到一堆测试通过就没问题了。5.2 代码结构与数据初始化这类项目的代码我建议按模块切分别把几百行全塞在一个脚本里。推荐这样一个结构main.m % 主程序控制求解流程 data_define.m % 所有参数初始化负荷曲线、设备参数、碳价等 build_upper.m % 上层模型变量、目标、约束 build_lower.m % 下层模型变量、目标、约束 solve_kkt.m % KKT单层化求解可选路线 solve_iterative.m % 交替迭代求解可选路线 plot_result.m % 结果可视化数据初始化是很多人忽略但最容易出错的地方。典型参数包括24时段的分时购电价格峰平谷、天然气价格、燃气轮机的电效率和热电比、储能容量和充放电效率、光伏出力曲线、各类负荷曲线、碳排放因子、免费配额、碳价。这些参数全部放在data_define.m里用结构体保存比如params.price_buy [...];params.emission_factor_grid 0.997;这样求解时不会出现变量作用域混乱的问题。5.3 上层/下层模型的YALMIP建模示例用YALMIP建模的关键是分清楚决策变量的类型。上层变量包括能源价格和出力下层变量包括购能计划。写代码的时候上下层的变量名一定要区分开比如上层价格变量叫sell_price下层购能变量叫load_buy不要为了省事全都叫x不然后面耦合的时候根本分不清谁是谁。上层模型的YALMIP示例大致长这样% 时间维度 T 24; % 上层决策变量售电价、售热价、燃气轮机出力、储能充放电 sell_p sdpvar(1, T); % 售电价 sell_h sdpvar(1, T); % 售热价 p_gt sdpvar(1, T); % 燃气轮机发电出力 h_gt sdpvar(1, T); % 燃气轮机热出力 p_ch sdpvar(1, T); % 储能充电功率 p_dis sdpvar(1, T); % 储能放电功率 % 目标函数示意售能收入 - 购电成本 - 购气成本 - 碳交易成本 obj -sum(sell_p .* load_buy_p sell_h .* load_buy_h) ... sum(price_buy_grid .* p_grid_buy) ... sum(price_gas .* gas_consumption) ... carbon_price * (total_emission - free_quota); % 注意这里load_buy_p、load_buy_h是下层返回的变量若用KKT单层化则同时作为变量下层模型的YALMIP示例% 下层决策变量各时段购电量、购热量 load_buy_p sdpvar(1, T); load_buy_h sdpvar(1, T); % 目标函数示意购能成本最小 obj_lower sum(sell_p .* load_buy_p sell_h .* load_buy_h); % 约束 Constraints_lower []; Constraints_lower [Constraints_lower, load_buy_p load_p_min]; Constraints_lower [Constraints_lower, load_buy_p load_p_max]; Constraints_lower [Constraints_lower, sum(load_buy_p) total_p_demand]; % 热负荷、可转移负荷等按需添加看到这里你可能会意识到上下层两个问题的目标函数里都有sell_p .* load_buy_p这一项只是符号相反。这个乘性耦合项正是双层模型的精髓所在——价格和购能互相影响谁都不能单独决定最终结果。5.4 KKT单层化与交替迭代的代码骨架如果走KKT单层化路线代码的核心是把下层问题的KKT条件手工写出来或者利用YALMIP的kkt命令自动生成。YALMIP有一个很方便的功能[kkt_system, details] kkt(Constraints_lower, obj_lower);可以自动把下层问题的KKT条件导出来。不过我建议你至少手工推导一遍小规模例子理解结构之后再用自动化命令否则KKT条件哪里写错了都找不到。手工构建KKT单层化的骨架大致是% 下层问题的拉格朗日乘子 mu_min sdpvar(1, T); mu_max sdpvar(1, T); % KKT条件平稳性、原始可行性、对偶可行性、互补松弛 % 互补松弛用大M法线性化 M 100; % 根据约束物理范围调整 z_min binvar(1, T); z_max binvar(1, T); % 互补松弛线性化示意 Constraints_kkt [Constraints_kkt, ... mu_min M * z_min, ... (load_buy_p - load_p_min) M * (1 - z_min)];如果走交替迭代路线主循环的骨架是% 初始价格 sell_p_init 0.6 * ones(1, T); sell_h_init 0.4 * ones(1, T); price_tol 1e-4; alpha 0.5; % 阻尼系数抑制振荡 for iter 1:max_iter % 1. 固定当前价格求解下层得到购能计划 [load_buy_p_now, load_buy_h_now] solve_lower(sell_p_now, sell_h_now); % 2. 固定购能计划求解上层得到新价格 [sell_p_new, sell_h_new] solve_upper(load_buy_p_now, load_buy_h_now); % 3. 价格更新加阻尼避免振荡 sell_p_now alpha * sell_p_new (1 - alpha) * sell_p_now; sell_h_now alpha * sell_h_new (1 - alpha) * sell_h_now; % 4. 收敛判定 if max(abs(sell_p_now - sell_p_old)) price_tol break; end end阻尼系数alpha是交替迭代法能不能稳定收敛的命门。我踩过好几次迭代发散或者两个价格之间来回跳的坑后来在更新公式里加了0.5左右的阻尼因子问题基本解决。记住别一上来就用alpha 1那是纯替换线性问题还好稍微带点非线性就不稳了。5.5 均衡判定与结果输出不管用哪种方法算完之后都要做一个均衡性的验证。具体做法是把求解得到的最优价格代回下层模型重新求解一次下层问题看得到的购能计划是否和均衡解一致再把购能计划代回上层求解一次上层问题看价格是否还是原来那一组。如果两边都对得上说明这确实是Stackelberg均衡点。这一步在写论文时很有说服力也特别适合用来排查代码错误——如果均衡验证对不上要么是KKT条件写错要么是交替迭代没收敛。结果输出部分除了画出各时段的电负荷、热负荷、价格曲线、燃气轮机出力、储能SOC我还建议输出几个汇总指标IESO总收益、用户总成本、系统总碳排放、碳交易成本、燃气轮机在总供能中的占比。这些指标是后面做碳价敏感性分析和场景对比的基础。6. 算例验证碳价如何改变均衡点与用能行为6.1 算例设置一个典型园区的基本参数为了让模型验证有说服力我设计了一个简化但典型的园区算例一个区域综合能源系统包含一台燃气轮机、一组储能电池、若干光伏板可以从上级电网购电可以购买天然气。系统同时供应电负荷和热负荷负荷有一定弹性用户可以在一定范围内调整自己各时段的购能计划。基础参数如下电网购电价格为典型峰平谷分时电价峰时0.83元/kWh、平时0.49元/kWh、谷时0.17元/kWh天然气价格2.5元/m³天然气热值按9.7kWh/m³折算燃气轮机发电效率40%热电比1.2电网平均碳排放因子0.997 kgCO2/kWh天然气碳排放因子2.162 kgCO2/m³免费碳配额按基准线法取系统基准排放量的80%。这些参数都来自行业常用数据的量级具体项目里需要根据实际地区和电网情况调整。6.2 三组场景结果对比我跑了三组场景场景1是不考虑碳交易也就是碳价设为0免费配额设为一个极大值等价于完全没有碳排放成本场景2是碳价50元/t场景3是碳价100元/t。其他参数完全一致。用KKT单层化求解Gurobi做MILP求解器单次求解时间在十几秒到几十秒量级规模可以接受。结果汇总如下指标无碳交易碳价50元/t碳价100元/t系统总成本万元12.8613.2413.71IESO收益万元4.124.354.58系统总碳排放t21.618.316.9燃气轮机发电占比52%61%67%高峰时段外购电MWh3.22.41.8平均售电价元/kWh0.580.610.63这套数据和碳排放从21.6吨降到16.9吨的幅度基本符合碳价升高激励低碳替代的物理直觉。6.3 结果解读价格-负荷-碳排的传导链条看这张表能清晰看到一条传导链条。碳价升高碳交易成本在上层目标函数里权重变大IESO开始调整自己的设备组合减少从上级电网买煤电增加燃气轮机的出力占比因为燃气轮机的综合碳排放强度在算例参数下低于外购电网电。这个调整让系统总碳排放下降了但天然气消耗增加推动系统总成本上升。更微妙的联动在价格端。由于燃气轮机满发后热出力也跟着增加热力供给变得充裕IESO在制定价格策略时会把一部分成本增长转嫁给用户表现为平均售电价小幅上升。用户面对更高的价格会主动把一部分高峰时段负荷平移到低价时段高峰外购电需求下降这又反过来减轻了系统高峰时段的供能压力。整个系统在碳价信号下自发实现了低碳-经济-负荷调节的多重目标。这个结果也验证了主从博弈模型的独特价值碳价不是直接命令用户节能减排而是通过上层运营商的价格策略传递下去最终引导用户改变行为。这个传导链条在集中式模型里是看不到的因为集中式模型里用户没有决策权价格也不会内生变化。7. 最容易翻车的几个实操细节大M、线性化与收敛性7.1 大M取值不当导致的最优解偏移大M法看着简单实际操作里坑很深。我见过太多人图省事把所有互补松弛约束的M统一设成1e6结果MILP求解时间暴涨好几倍有时还会因为数值问题解出一个明显偏离物理直觉的结果。我的建议是分约束取M。对于价格上下限约束M取价格上限值的2到5倍就够对于负荷上下限约束M取最大负荷的2倍左右对于功率平衡类的约束M取该节点最大功率的3倍左右。判断M是否合适的一个实用办法是解完问题后检查互补松弛条件在原问题中的实际残差——把最优解代回去看 μ·g(x) 是不是接近0如果偏差超过1e-3量级说明M取小了需要调大。7.2 单位换算与碳排放核算的隐蔽错误单位换算是我见过发生频率最高的低级错误。碳排放因子里电网排放因子通常是kgCO2/kWh天然气排放因子是kgCO2/m³而碳价是元/吨碳配额。模型目标函数里如果漏了从千克到吨的换算等于碳价被放大了1000倍整个模型会被碳交易成本主导结果就是燃气轮机疯狂满发、用户负荷被削得很离谱看起来很低碳但经济上完全不合理。另外还要注意热值单位。天然气价格是元/m³热值如果用kWh/m³那么转换成天然气购气成本的时候得先换算成单位热量的价格再乘燃气轮机消耗的热量中间每多一步换算就多一个出错的机会。我的建议是写代码的时候把所有物理量统一到同一个单位体系比如全部用kW、kWh、元的SI单位体系数据初始化阶段就完成换算模型内部不要做任何隐含的单位调整。7.3 交替迭代震荡的处理经验如果你选择交替迭代路线震荡是大概率会遇到的问题。具体表现是迭代到某一步价格在两组值之间来回跳永远满足不了收敛判据。我遇到过的最常见原因是上层目标函数对价格和购能计划的敏感度太高一步更新跨度太大直接从解的一侧跳到另一侧。处理办法有两个层次。第一层加阻尼系数把上一轮价格和新求解价格做加权平均alpha从0.5开始调第二层如果阻尼系数调到0.2仍然振荡说明问题本身的响应函数不光滑这时候就别硬调了换KKT单层化路线更省事。我的经验是线性下层的双层问题里KKT单层化的稳定性和效率都明显优于交替迭代只有那些下层带整数变量、KKT条件写不出来的情况才值得在交替迭代上花时间。7.4 一个值得养成的调试习惯最后分享一个我自己踩坑踩出来的习惯任何一次跑完结果先不要急着看目标函数值先把均衡验证的那一步做了。把最优价格代回下层重新求解把最优购能计划代回上层重新求解看两边能不能复现原结果。这个验证不花多少时间但能一次性过滤掉大M取错、KKT漏约束、迭代未收敛、单位换算错误这几类问题。我后来几乎把这一步当作代码的标配求解完、验证完、再画图、再分析顺序不能乱。如果验证对不上也不用慌。用一个小规模的测试算例比如把24时段缩成4时段设备数量减少到一台燃气轮机和一组储能然后自己手工推导一遍KKT条件和YALMIP自动生成的约束对比。绝大部分模型错误在这种小规模对照下会无所遁形。模型本身没问题了再放回24时段的完整算例去跑能省下大量盲目调试的时间。
