基于双层优化的微电网系统规划设计方法（Matlab代码实现）

原创于 2025-08-29 11:04:09 发布 · 817 阅读

29 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #开发语言 #支持向量机

👨‍🎓个人主页

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

💥1 概述

微电网系统可将多种类型的分布式发电单元组合在一起，有效发挥单一能源系统的优点，实现多

种能源互补，提高整个微电网系统的效率、能源利用率和供电可靠性。根据其是否与常规电网相连接，微电网可以分为并网型微电网和独立型微电网[1]。微电网接入配电网并网运行，不仅可以充分利用微电网内部的绿色可再生能源，还可以提高整个电网的安全性，是中国建成智能电网的重要环节。同时，独立型微电网系统是解决偏远地区和海岛供电的有效手段之一[2-3]。

规划设计是微电网系统核心技术体系之一，它直接关系到系统经济性、环保性和可靠性[4]。在规

划设计的过程中，需要考虑可再生能源的间歇性、灵活多变的系统组合方案和不同系统运行控制策

略，这些因素的存在使微电网系统优化规划变得较为复杂[5-7]。本文将从分布式电源的综合优化(优化组合、优化容量)和分布式电源间的优化调度两个方面出发，对微电网系统优化规划展开研究。围绕微电网系统的优化规划，很多学者已对其开展了一定研究，提出一系列运行控制策略和优化规划方法。微电网系统运行控制策略可分为固定策略和优化策略，固定策略以事先拟定的优先级制定系统运行规则，优化策略则根据相应目标函数求解系统最优运行规则[8]。在美国国家新能源实验室(NERL)开发的 Hybrid2[9]仿真软件中，提出十几种独立微电网系统固定运行策略，包括平滑功率策略(Traditional Power Smoothing, TPS)、硬充电策略(Hard Cycle Charge, HCC)等，较为全面地概括了独立微电网系统固定策略控制模式。在该软件中所提出的硬充电策略的基础上，文献[10]提出了一种适用于风光柴储独立微电网系统的修正硬充电策略，可有效延长蓄电池使用寿命。在微电网系统的优化调度方面，通常选取系统调度周期内运行费用最小为优化目标，文献[11-12]研究了独立微电网系统的优化调度方法，文献[13]提出了并网型风光柴微电网系统的微电网动态经济调度模型。

微电网系统结构

本文研究的微电网系统结构如图1所示。风力发电机、光伏发电和储能系统等通过各自的变流器接

入交流微电网系统，并通过公共连接点(PCC)与配电网连接，组成并网型微电网。通过对该微电网的控制，可实现微电网的孤岛和并网运行。柴油发电机采用同步发电机发电，直接并入交流微电网。在优化规划设计中，忽略线路阻抗引起的损耗。

微电网系统双层规划设计结构

本文采用双层优化规划方法对微电网系统进行优化，上层为容量优化模块，用于寻找系统最优

配置，包括系统各设备类型、台数和容量，下层为调度优化模块，用于计算系统最优运行方案。

双层优化含有两个层次，上层决策结果一般会影响下层目标和约束条件，而下层则将决策结果反

馈给上层，从而实现上下层决策的相互作用，如图2 所示为本文双层优化逻辑图。

双层优化模型

Bracken J 和 McGill J T 于 1973 年最早提出了多层规划的概念，已解决多层规划/优化问题，双层

规划是多层规划的特例。双层规划在输电系统、无功优化、配电系统优化规划等领域已有研究报道。数学上双层优化可描述为

$\begin{array}{l} \left\{\begin{array}{l} J_{1}=\min _{x} F\left(x, y_{1}, y_{2}, \cdots, y_{m}\right) \\ \text { s.t. } \quad G(x) \leq 0 \end{array}\right. \\ \end{array}$

$\left\{\begin{array}{ll} J_{2}=\min _{y} f\left(x, y_{1}, y_{2}, \cdots, y_{m}\right) \\ \text { s.t. } g\left(x, y_{1}, y_{2}, \cdots, y_{m}\right) \leq 0 \end{array}\right.$

式中：F(•)为上层优化的目标函数；x 为上层优化的决策向量；G(•)为上层优化所需满足的约束条件；f(•)为下层优化的目标函数；y 为下层优化的决策向量；g(•)为下层优化所需满足的约束条件。

上层容量优化模型

下层调度优化模型

一、双层优化方法的基本原理及在微电网规划中的作用

双层优化是一种具有层级耦合关系的数学规划模型，由外层规划层和内层运行层构成，通过迭代求解实现全局最优：

外层规划模型
- 目标函数：以系统全生命周期成本最小化为核心，包括：

初始投资成本（光伏、风机、储能等设备购置）
运维成本、设备替换成本
购售电成本（如与主网交互费用）
- 决策变量：设备类型、容量配置、网架结构设计。

内层运行模型
- 目标函数：在给定配置方案下优化短期运行，如：

最小化运行成本（燃料费用、维护费用）
最大化供电可靠性或电压稳定性
- 关键技术：采用二阶锥松弛法（Second-Order Cone Relaxation）转化非线性潮流约束为可求解的凸优化问题。

迭代机制
- 外层传递配置方案至内层 → 内层模拟运行并反馈经济/技术指标 → 外层调整配置直至收敛。
- 优势：兼顾长期规划经济性与短期运行稳定性，避免单层模型的局部最优问题。

二、微电网系统规划设计的关键要素

依据技术标准及研究文献，规划需涵盖以下核心环节：

负荷需求分析
- 包括负荷类型（工业/居民）、最大供电负荷、典型日/季节负荷曲线，需结合空间特性采用改进负荷密度法或人工神经网络预测。
发电资源评估
- 可再生能源（风/光/水）潜力量化，辅以天然气/柴油备用电源，优先配置可再生能源。
分布式电源与储能配置
- 电源组合优化（光伏容量、风机台数、储能类型及并联支路数）
- 储能需满足充放电功率约束、荷电状态（SOC）限制及寿命模型（如雨流计数法计算循环寿命）。
网架结构与控制系统
- 电压等级选择（如10kV/380V）、接线形式（放射状/环网）
- 二次系统设计：继电保护、能量管理系统（EMS）、黑启动能力。

三、双层优化在微电网中的具体应用场景与案例

风光氢储多微网系统容量配置（刘忠等，2025）
- 外层：最小化风-光-电-氢混合储能全生命周期成本。
- 内层：采用二阶锥松弛优化潮流，实现多能互补调度。
工业园区光储经济性优化（李嘉丰等，2024）
- 外层：以投资回收期、内部收益率为经济指标。
- 内层：以供电可靠性为约束，制定储能充放电策略，削减峰谷差。
微电网群协同调度
- 上层：协调微电网间功率交换，最小化群总成本。
- 下层：各微网内部设备优化（如BMAPPO算法处理功率不平衡）。
低碳-经济协同优化（谭玲玲等，2024）
- 引入碳交易机制，外层优化设备容量，内层通过需求响应调整负荷曲线。

四、数学建模方法与约束条件处理

（一）典型双层模型结构

层级	目标函数	约束条件	求解方法
外层	min 总成本/投资回收期	设备容量限值、网架拓扑约束	NSGA-II、灰狼优化算法
内层	min 运行成本/碳排放量	功率平衡、SOC限制、爬坡率、备用容量	MILP、二阶锥规划

（二）多目标优化处理方法

目标整合方式：
- 经济性（成本）与环保性（碳排放）通过碳交易成本货币化。
- 可靠性指标（如LPSP）转化为缺电损失费用。
约束条件分类：
- 系统级：功率平衡、联络线传输限值。
- 设备级：柴油机最小启停时间、储能充放电深度。
- 环境级：可再生能源出力波动性（采用盒式不确定集合鲁棒优化）。

五、双层优化求解算法及实现路径

Benders分解法
- 应用于并/离网协同调度：

主问题（并网）：机组组合优化（0/1变量）。
子问题（离网）：优化潮流计算（连续变量）。
- 优势：迭代次数减少40%（42次→27次），加速收敛。

交替方向乘子法（ADMM）
- 分布式求解流程：

各微电网独立计算期望交换功率 → 相邻微网交换边界变量 → 更新拉格朗日乘子 → 收敛判断。
- 隐私保护：仅交互功率信息，避免泄露内部成本函数。

智能算法融合
- 外层：改进NSGA-II（拥挤距离排序保持Pareto解多样性）。
- 内层：深度强化学习（如BMAPPO算法处理不确定性）。

六、关键参数对优化的影响与设计建议

分布式电源容量
- 过高导致弃风弃光，过低增加购电成本，需通过内层运行反馈调整。
储能配置
- 容量不足降低可靠性，过量配置延长投资回收期（案例：工业园按负荷重要性分级可削减储能容量30%）。
负荷特性
- 峰谷差大的负荷需配置高灵活性储能，平缓负荷可减少储能依赖。

七、研究局限与发展方向

当前挑战
- 高维变量求解效率低（如风光不确定性导致模型规模膨胀）。
- 历史数据依赖性强，孤岛微电网经济性优化难度大。
未来趋势
- AI融合：结合迁移学习减少数据依赖，提升孤岛调度适应性。
- 即插即用架构：支持动态增删设备的重构型微电网设计。
- 政策耦合：将碳配额、绿证交易纳入外层目标函数。