Matlab代码：微电网的优化调度，利用Yalmip/Cplex求解器求解，程序注释详细，带说明文档，适合初学者
最近在折腾微电网调度优化，发现用Matlab+Yalmip这对黄金组合简直不要太方便！今天咱们就手把手整一个麻雀虽小五脏俱全的demo，顺便聊聊建模时那些容易掉进去的坑。
先看核心问题——我们要在24小时内安排柴油发电机、储能系统和风电的出力，既要保证用电需求，又要让总成本最低。这相当于给三个"打工仔"排班，还得算清楚谁干活更省钱。
上硬菜之前得备料。建议先把Yalmip工具箱和CPLEX求解器配置好（记得去IBM官网申请学术许可）。这里有个小技巧：可以用yalmiptest命令检查求解器是否认出来了，要是CPLEX没亮绿灯，八成是路径没设对。
% 基础参数设置 T = 24; % 时间刻度 P_load = [50 48 46 44 40 ...]; % 用电负荷（假装这里填满了24个数据） P_wind = [30 28 25 22 20 ...]; % 风电预测目标函数这块儿要注意，柴油机的成本曲线可不是直线。老司机们一般用二次函数来近似：
% 定义决策变量 P_dg = sdpvar(T,1); % 柴油机出力 P_bat = sdpvar(T,1); % 储能充放电 Bat_SOC = sdpvar(T,1); % 储能荷电状态 % 成本系数 a = 0.15; b = 2.3; c = 10; % 柴油机成本参数 cost_dg = a*P_dg.^2 + b*P_dg + c; % 二次成本函数 total_cost = sum(cost_dg); % 总成本目标约束条件就像孙悟空的紧箍咒，少了哪条都会出乱子。储能系统的充放电逻辑最容易写错，这里用了个小聪明——用单变量表示充放电，正值为放电，负值为充电：
constraints = []; % 功率平衡 constraints = [constraints, P_dg + P_wind' + P_bat == P_load']; % 储能动态 for t = 2:T constraints = [constraints, Bat_SOC(t) == Bat_SOC(t-1) + 0.9*P_bat(t)*0.25 % 充放电效率换算 Bat_SOC(t) >= 20, Bat_SOC(t) <= 100 % SOC上下限 P_bat(t) >= -30, P_bat(t) <= 30 % 充放电功率限制 ]; end求解环节最考验耐心，遇到过不去的模型先别慌。试试这组调试三连：
- 打印约束数量是否正常
- 注释掉部分约束看是否可行
- 用
value函数检查变量取值
ops = sdpsettings('solver','cplex','verbose',1); optimize(constraints, total_cost, ops); % 结果可视化 plot(1:T, value(P_dg), 'r', 'LineWidth', 2); hold on; stairs(value(P_bat), 'b--'); xlabel('时间/h'); ylabel('功率/kW'); legend('柴油机','储能','Location','best');跑完程序可能会发现：凌晨时段风电充足时，柴油机居然还在低功率运行！这不是模型bug，而是受限于柴油机的最小运行功率约束。这时候就该考虑给模型加上启停状态变量了——当然，复杂度也会升级为混合整数规划，这就是后话了。
最后唠叨几句避坑指南：
- 时间尺度要统一，别把kW和kWh混着用
- 储能充放电效率别忘记开根号（充放电路径损耗）
- 多利用Yalmip的向量化建模，比for循环快10倍不止
- 遇到infeasible先检查约束冲突，推荐用
diagnostics功能
完整代码包已经打包了风电预测数据处理脚本和参数敏感性分析模块，解压后记得先把案例数据mg_case1.xlsx放到工作路径。遇到报错欢迎来撩，不过更建议先翻翻说明文档里的Q&A部分，毕竟自己折腾明白的记忆更深刻不是？
