探索多时间尺度滚动优化的多能源微网双层调度模型

xutSwIpZotzM

502人浏览 · 2026-03-17 11:00:00

xutSwIpZotzM · 2026-03-17 11:00:00 发布

多时间尺度滚动优化的多能源微网双层调度模型参考文档：《Collaborative Autonomous Optimization of Interconnected Multi-Energy Systems with Two-Stage Transactive Control Framework》代码主要做的是一个多能源微网的优化调度问题，首先对于下层多能源微网模型，考虑以其最小化运行成本为目标函数，通过多时间尺度滚动优化求解其最优调度策略，对于上层模型，考虑运营商以最小化运营成本为目标函数，同时考虑变压器过载等问题，构建了一个两阶段优化模型，通过互补松弛条件以及KKT条件，对模型进行了化简求解。

在能源领域不断发展的当下，多能源微网的优化调度成为了研究热点。今天咱就来聊聊多时间尺度滚动优化的多能源微网双层调度模型，参考的是《Collaborative Autonomous Optimization of Interconnected Multi - Energy Systems with Two - Stage Transactive Control Framework》这篇文档。

下层多能源微网模型

先看看下层多能源微网模型，这里的目标是最小化运行成本。想象一下，这就好比你经营一个小型能源综合体，要尽可能花最少的钱，维持能源的合理供应。

为了达到这个目标，通过多时间尺度滚动优化来求解最优调度策略。啥是多时间尺度滚动优化呢？简单说，就是把时间切成不同的尺度，比如短期、中期、长期，然后一步步滚动着去找到每个时间阶段最适合的能源调度方式。

下面咱们用代码来感受一下（这里为简化示意，使用伪代码）：

# 定义相关参数
cost_coefficient = [0.1, 0.2, 0.15]  # 不同能源的成本系数
energy_demand = [100, 120, 110]  # 不同时段的能源需求

# 初始化运行成本
total_cost = 0

# 多时间尺度滚动优化
for time_scale in ['short', 'medium', 'long']:
    if time_scale == 'short':
        # 短期调度策略
        for i in range(len(energy_demand)):
            energy_supply = energy_demand[i]
            cost = cost_coefficient[i] * energy_supply
            total_cost += cost
    elif time_scale == 'medium':
        # 中期调度策略，可能需要考虑一些设备维护等额外因素
        # 这里简单假设中期成本系数有调整
        medium_cost_coefficient = [0.12, 0.22, 0.16]
        for i in range(len(energy_demand)):
            energy_supply = energy_demand[i] * 1.1  # 假设中期需求有一定增长
            cost = medium_cost_coefficient[i] * energy_supply
            total_cost += cost
    else:
        # 长期调度策略
        long_cost_coefficient = [0.13, 0.23, 0.17]
        for i in range(len(energy_demand)):
            energy_supply = energy_demand[i] * 1.2  # 假设长期需求增长更多
            cost = long_cost_coefficient[i] * energy_supply
            total_cost += cost

print("最小化运行成本:", total_cost)

在这段代码里，我们模拟了不同时间尺度下能源调度和成本计算。首先定义了成本系数和能源需求，接着在循环中针对不同时间尺度，根据需求计算供应能源所需成本，最后累加得到总的运行成本。这就像实际中，我们会根据不同时间的能源需求和成本变化，去调整能源供应策略，以达到最小化运行成本的目的。

上层模型

再说说上层模型，这里是站在运营商的角度，目标是最小化运营成本。这就好比你是一个大的能源运营商，要让自己运营的整个多能源微网系统花费最少，同时还要考虑变压器过载等问题。

运营商构建了一个两阶段优化模型。第一阶段可能是宏观的规划，第二阶段就是基于第一阶段的结果，做更细致的调整。

为了求解这个模型，用到了互补松弛条件以及 KKT 条件对模型进行化简求解。这两个条件就像是解谜的钥匙，能把复杂的模型变得更容易处理。

这里用一个简单的线性规划问题（同样是伪代码示意），来体现类似的求解思路：

# 定义变量和约束条件
import numpy as np
from scipy.optimize import linprog

c = np.array([2, 3])  # 目标函数系数
A = np.array([[-1, -2], [1, 0], [0, 1]])
b = np.array([-2, 4, 3])

# 求解线性规划问题
res = linprog(c, A_ub = A, b_ub = b)

print("最优解:", res.x)
print("最小化运营成本:", res.fun)

在这个代码里，linprog 函数利用给定的目标函数系数和约束条件，求解出最优解和最小化的目标值。就如同在实际的上层模型中，利用互补松弛条件和 KKT 条件，求解出运营商最小化运营成本的方案。只不过实际的多能源微网上层模型要复杂得多，但基本思路类似。