先说一句大实话：做微电网优化这个方向，很多人第一步不是倒在算法推导上，而是倒在一套能跑通的结果上。多微网电能互补、需求响应、双层优化，这几个词拆开看每个都有大量论文，但真正把三者放进同一个模型，还要用Matlab把代码撸出来，能稳定复现结果的资料其实不多。这篇就是想把这套东西从建模到求解的完整路径讲清楚。
这套模型解决的核心痛点很直接：单个微网里光伏、风机出力看天吃饭，本地负荷又时高时低，靠自己的储能和燃气轮机硬扛，成本高、新能源利用率低。而多个微网之间如果能通过联络线互相支援，再加上用户侧的需求响应来削峰填谷，整体运行成本能明显降下来。但难点在于，多微网的运营商和各微网内部的用户/分布式电源之间，存在一层“上级制定电价、下级跟随响应”的主从关系，普通单层模型表达不了这种博弈。所以要用双层优化模型来描述，上层做联合调度决策，下层做用户侧响应。
下面按我的实际经验，把这套模型的建模、代码实现、参数设计、调试避坑完整拆开讲。
1. 从“各自为政”到“多微网互助”：这个模型到底在解决什么问题
1.1 多微网电能互补：省钱的本质是“错峰余缺互济”
先想一个最简单的场景：两个微网并排挨着，微网A屋顶光伏装得多，中午发电量大到自己负荷用不完，储能又已经充满，这时候多余的电要么浪费掉，要么低价往回卖；微网B正好是商业负荷为主，午间用电高峰，买市电价格高企。如果能拉一条联络线让A把多余的电卖给B，两边都划算。
这就是多微网电能互补最朴素的价值。用专业一点的话说，各微网的分布式电源容量、负荷曲线、储能配置各不相同，净负荷（负荷减去可再生能源出力）在时间分布上有很强的互补性。通过微网之间的功率交换，把“弃光弃风时段”的发电量转移给“缺电时段”的微网，整体对主网的依赖就降下来了，购电成本和大网潮流压力同时减小。
我在实际建模时，会遇到一个很容易被忽略的点：微网间的交互功率是有方向性的，而且交换功率会产生线路损耗或交易成本。很多初版模型直接只设一个交互功率变量就完事，结果求解出来微网A“一边买高价电一边低价卖给B”，出现这种不合理结果，通常是缺少了交互功率的定价机制或方向限制。这个后面建模章节细讲。
1.2 需求响应：让用户侧不再是“局外人”
再往下一层，每个微网内部还有一类资源长期被低估：用户负荷本身的调节能力。传统调度把负荷当成硬性边界条件，用户用电多少是给定的，微网只能被动去追负荷曲线。需求响应（Demand Response, DR）的思路就是把用户侧变成可调节资源。
常用的建模方式有两种：价格型DR和激励型DR。价格型DR的核心是需求价格弹性，电价涨了用户就少用/转移用电，电价跌了用户就多用电，一般用弹性系数矩阵来描述负荷对电价的敏感程度。激励型DR则是微网和用户签协议，允许在特定时段切除或转移一部分负荷，微网给用户补偿费用，补偿费用通常是非线性递增的（切得越多，单位补偿价越高）。
国内微网研究里用得比较多的还是价格型DR，因为参数好设置、结果直观。实际操作中要设两个关键参数：自弹性系数（同一个时段负荷对电价的响应）和交叉弹性系数（其他时段电价对这个时段负荷的影响）。自弹性一般是负值，比如-0.2就表示电价上涨10%，该时段用电量下降2%。交叉弹性一般是正值，说明用户会把高电价时段的用电转移到低电价时段。
需求响应放进双层模型里，最大的好处是它天然属于“下层响应”的一部分。上层微网运营商给出分时电价，下层用户根据电价调整用电行为，再把调整后的用电负荷反馈给上层，这就是典型的Stackelberg博弈。
1.3 双层优化：单层模型表达不了“博弈关系”
现在关键问题来了：为什么要用双层优化模型？能不能把所有目标捏成一个单层模型？
能，但失真。如果直接写单层目标函数，就是“总成本最小”，然后微网间交互功率、售购电价格、用户负荷全部一起优化。这时候求解器可以把售电价定得很高，同时让用户负荷调得极低来降低成本，但现实中用户根本不会接受，因为没有考虑“用户也有自己的利益诉求”。
双层模型对应的是 Stackelberg 博弈结构。上层是领导者（多微网系统运营商或配网调度中心），做决策的先手，先给出微网间交互电价/零售电价、燃气轮机出力和储能充放电计划；下层是跟随者（各微网或用户），在给定上层电价后，以自己用电成本最小为目标，优化自身的购电量和可转移负荷。上层做决策时必须考虑到下层会理性响应，反过来下层又受上层决策的约束。这种“你中有我、我中有你”的递阶决策关系，单层模型是刻画不出来的。
做了这些年优化模型，我的体会是：如果你只是在做仿真实验，且算例规模不大，双层模型确实比单层麻烦不少；但只要你的研究内容涉及“上级定价格、下级做响应”，就踏踏实实双层建模，否则审稿人一眼就能看出模型缺陷。
2. 双层优化的数学模型：公式拆开其实没想象中难
2.1 上层模型：多微网系统总运行成本最小
先明确双层模型里各层的决策变量：
上层决策变量主要有：各微网购/售电功率（和主网的交互）、微网间联络线交换功率、微型燃气轮机出力、储能充放电功率、微网向用户售电的分时电价。
上层目标函数是系统总运行成本最小，我习惯写成：
min F = 主网购电成本 - 向主网售电收益 + 燃气轮机燃料成本 + 储能运行维护成本 + 需求响应补偿成本 + 微网间交易成本
其中主网购电成本等于从上级电网购电功率乘以购电价，这里购电价一般是分时电价或者实时市场出清价，是已知外部参数。燃气轮机燃料成本通常用二次函数 C(Pmt) = aPmt² + bPmt + c，二次项表示高出力时效率下降带来的附加成本，这个系数一般通过实测数据拟合。
上层约束包括：
- 每个微网的功率平衡约束：分布式电源出力 + 储能放电 + 购电功率 + 微网间受入功率 = 本地负荷 + 储能充电 + 售电功率 + 微网间送出功率
- 联络线传输容量约束：任何时候交换功率不能超过线路限值
- 储能SOC递推公式：SOC(t+1) = SOC(t) + (充电功率*充电效率 - 放电功率/放电效率) * Δt / 储能容量
- 储能SOC上下限约束、充放电功率约束、一个调度周期始末SOC保持一致（这是很多新手容易漏的约束，不加上容易出现“把储能电量用光”的不可行方案）
- 微型燃气轮机出力上下限和爬坡约束
上层还会给需求响应设定边界，比如可转移负荷占总负荷的比例上限，以及调整前后总用电量不变（移峰填谷不是削减总量，而是改变用电时段）。
2.2 下层模型：用户侧用电成本最小
下层是用户或者单个微网的用电优化问题，在给定上层电价后，用户决定各时段的购电量和可转移负荷。
下层目标函数一般是用电成本最小：
min f = Σ 各时段零售电价 * 该时段实际用电量
下层的约束主要是负荷调整的边界：实际用电量 = 原始负荷 + 转移进来的负荷 - 转移出去的负荷，同时可转移负荷在一定范围内，一个周期内的总转移量守恒。值得注意的是，下层问题通常是一个线性规划，这为后面的单层化转化提供了非常关键的性质——线性规划的强对偶成立。
2.3 双层模型的单层化：KKT条件 + 大M法线性化
双层模型没法直接用常规优化求解器求解，所以要把它转成单层。业内最常用的方法是把下层问题替换成它的KKT最优性条件，这样下层优化问题就变成了一层约束，整个问题变成一个带互补约束的数学规划（MPEC），再用大M法把互补约束线性化成混合整数线性规划。
具体操作分三步走。
第一步：写下层问题的拉格朗日函数，求偏导，得到平稳性条件、原始可行性条件、对偶可行性条件，以及互补松弛条件。
第二步：处理互补松弛条件。互补条件的形式是“对偶变量 ≥ 0，约束残差 ≥ 0，两者乘积 = 0”。这是个非线性约束，直接用会让求解器崩溃。工程上最稳的做法是用大M法离散化：引入0-1整数变量，把“乘积为0”转成二选一的逻辑约束。
第三步：处理上层目标函数里的双线性项。这是这个模型里最容易踩坑的地方。上层目标里，微网间交易成本 = 交互价格 * 交互功率，如果交互价格也是决策变量，那目标函数里就出现了“变量乘变量”的非线性项。解决办法有两个：一是如果交互价格是固定已知参数，那就不存在这个问题；二是如果交互价格也要优化，需要利用下层问题的强对偶条件对双线性项进行等价替换，把非线性项转成线性表达式，或者用辅助变量引入McCormick包络做线性松弛。不少论文在这个地方含糊带过，实际写代码时你会在这里卡很久，具体细节我在后面代码部分展开。
另外还要说明，KKT单层化要求下层问题是凸的。如果你的下层模型里有非线性约束和有整数变量，这个方法就不直接适用。所以设计下层模型时，尽量保持它是线性规划，这是能用商业求解器大规模求解的前提。
3. Matlab代码实现的关键环节：求解器和代码框架选型
3.1 求解器与工具箱的合理搭配
Matlab代码实现里，最推荐的组合是：Matlab + Yalmip + CPLEX（或Gurobi）。Yalmip是一个建模工具，它的核心价值是让你能用接近数学公式的语法直接写优化模型，不用手搓标准矩阵形式，极大地减少建模出错概率，同时可以无缝切换多种求解器。
我在实际使用中的版本建议：Matlab R2020a及以上，Yalmip的最新Release版本，CPLEX 12.10或Gurobi 9.5都可以。如果你的实验室只有CPLEX学术版，够用了；如果追求求解速度，Gurobi在混合整数线性规划上通常略快，但差距对这个规模的算例来说不太大。
需要提醒一句：CPLEX/Gurobi的安装路径不要带中文，否则Matlab调用时经常莫名报“license not found”的错。另外，运行前先在命令行输入yalmiptest测试Yalmip能否正确识别求解器，这一步能排除80%的环境问题。
3.2 代码模块结构与核心片段
写这种优化模型最忌讳的是把所有内容糊在主脚本里，后期改一个参数要翻半天。我通常按下面的模块拆分：
main.m 主程序：参数初始化、建模型、求解、保存结果 define_params.m 全局参数定义 build_upper.m 上层模型约束构建 build_lower.m 下层模型约束构建 build_kkt.m 下层KKT条件构建 + 大M线性化 solve_model.m 求解器配置与调用 plot_results.m 结果可视化下面是主程序核心骨架的伪代码，还原了建模层的核心逻辑：
%% 初始化 define_params; % 填入微网数量、时段时间、负荷曲线等 %% 上层变量 Pbuy = sdpvar(N_mg, T); % 各微网向主网购电功率 Psell = sdpvar(N_mg, T); % 各微网向主网售电功率 Pmt = sdpvar(N_mg, T); % 燃气轮机出力 Pch = sdpvar(N_mg, T); % 储能充电功率 Pdis = sdpvar(N_mg, T); % 储能放电功率 SOC = sdpvar(N_mg, T+1); % 储能荷电状态 Pex = sdpvar(N_mg, N_mg, T); % 微网间交互功率（带方向） price = sdpvar(N_mg, T); % 上层制定的零售电价（决策变量） %% 下层变量（用户需求响应后负荷） L_shift_in = sdpvar(N_mg, T); % 转移进入的负荷 L_shift_out = sdpvar(N_mg, T); % 转移出去的负荷 %% 下层KKT条件转上层约束 % 以用户成本最小为目标的下层线性规划，写出KKT条件后 % 通过大M法线性化，加入上层约束集合 Constraints = [Constraints, KKT_constraints]; %% 目标函数（已通过强对偶消除双线性项） Objective = sum(sum(price_buy_grid .* Pbuy)) + ... sum(sum(a.*Pmt.^2 + b.*Pmt + c)) + ... ... % 各项成本 sum(sum(price .* L_shift_in)) - sum(sum(price .* L_shift_out)) ... + big_M_linear_terms; % 对偶变量与参数组成的线性项 %% 求解 ops = sdpsettings('solver', 'cplex', 'verbose', 2); optimize(Constraints, Objective, ops);这里有个编程细节要特别提醒：在Yalmip里，变量和参数之间要用矩阵点乘. *而不是*。尤其是矩阵索引时，一个不注意就把矩阵乘法算成了维数错误，报错信息还不直观。写代码时统一用点乘来处理逐元素运算，能省很多调试时间。
还有个很实用的技巧：把所有约束分成几个cell数组，比如Cons_power = {}、Cons_storage = {}、Cons_kkt = {}，最后统一Constraints = [Cons_power{:}, Cons_storage{:}, ...]。这样当求解器报错时，能快速定位是哪一类约束出了问题。
3.3 参数标幺化与数量级控制
双层优化模型里变量众多，参数量级跨度非常大。微网功率可能是几千千瓦，电价是几毛钱一千瓦时，SOC是0到1的小数，目标函数里各项数值差了好几个数量级。如果不做处理，求解器的数值容差会出问题，表现出来就是：明明模型没问题，求解结果却歪得离谱，或者干脆报“numerical issues”。
我的经验是把功率统一用kW、电量用kWh、电价用元/kWh，SOC用标幺值0-1，时间步长取1小时。这样目标函数的量级基本在10^3到10^4之间，不会有极端量级差。还有一个做法是对所有变量做归一化，但归一化会导致约束含义不直观，调试不便，对于这个规模的优化问题其实没必要。
不过有一个时间单位的小细节要注意：如果Δt不是1小时，而是15分钟，那么储能递推式里的充放电功率必须乘以0.25小时的因子，否则储能SOC更新会出错。看起来是个小问题，实际跑出来曲线会完全不对。
另外，大M的取值也要讲究，不要图省事取个10^6或10^8。大M太大时，整数规划求解器在处理互补约束时会出现数值病态问题。通用做法是取“该约束可能达到的最大量级”再稍微放大一点。比如功率平衡残差约束的最大值不会超过总负荷规模5000kW，那M取50000就足够了，过大反而有害。
4. 算例设计与结果分析：怎么做出一套论文级图表
4.1 三微网典型日算例设计
我用的案例是三个微网互联，模拟一个工业园区场景。微网1是居民区为主，早高峰和晚高峰负荷明显；微网2是商业区，白天负荷高；微网3是小型工业区，负荷平稳但是总量大。每个微网都配置光伏、风机、微型燃气轮机和储能，其中微网1的光伏装机最大，中午出力峰值很高，弃光风险大。
这里我把每个微网的光伏、风机、负荷的24小时曲线说明一下。因为微网电能互补的核心价值就是利用出力曲线的错峰特性，所以案例设计有意识地让三个微网的净负荷峰谷时段错开。比如微网1午间净负荷最低（光伏大发），微网2午间净负荷最高（商业空调负荷），这样午间时段微网1向微网2送电才能明显体现互补收益。
算例时段取24小时，步长1小时，这是一个最经典的调度周期长度。储能SOC的初值设为0.2，末值约束到0.2，保证每天是一个完整调度周期。
4.2 四种方案对比：证明每个模块“确实有用”
很多读者问过我：双层模型都建好、代码也跑通了，怎么证明模型有效？我的做法是设置四个对照方案：
- 方案一：不考虑电能互补，不考虑需求响应，各微网独立运行（基准方案）
- 方案二：只考虑多微网电能互补，不开需求响应
- 方案三：只考虑需求响应，各微网不互联
- 方案四：电能互补和需求响应同时开启（完整模型）
运行下来，完整模型相对基准方案的总运行成本降幅通常在8%到15%之间。更重要的是，要看降本的路径是什么：互补带来的降本主要体现在减少向主网购电、减少弃光；需求响应带来的降本主要体现在把高价时段用电转移到低价时段，降低峰值购电电价。
比重成本更有说服力的是曲线对比。把方案一和方案四的联络线总功率画在一张图里，能清晰看到完整模型在午间时段让光伏富余的微网向负荷高峰微网送电。再画出用户负荷调整前后的曲线，能看到晚高峰被削掉一小块、低谷时段被填上，峰谷差明显收窄。
4.3 结果可视化：曲线怎么出才有论文感
Matlab画图这块，建议大家用统一的风格：图幅比例3:4较协调、线宽2.0、字号11-12、坐标网格用浅色虚线。我常用的输出有四张图：
- 各微网电功率平衡堆叠图（电源在上、负荷在下，直观展示功率平衡关系）
- 储能SOC曲线（确认SOC在规定范围内且收尾一致）
- 微网间交互功率曲线（正值方向表示送出，负值方向表示受入，用阶梯图加不同颜色区分）
- 需求响应前后负荷曲线对比图（原负荷、响应后负荷、电价曲线放同一坐标系双坐标显示）
我建议所有曲线最终都通过exportgraphics或print导出为矢量图（PDF或EPS格式），投论文时不会有像素糊的问题。这个问题在投稿阶段极其常见，图导出成PNG然后被期刊要求重做，不如一开始就养成输出矢量图的习惯。
5. 常见问题排查与避坑实录
下面这些问题是我从零复现这个模型时实际踩过、也帮学生排查过的坑，每个都有代表性。
5.1 求解器报“infeasible problem”怎么办
模型无解是最常见又最让人抓狂的问题。无解时的排查顺序，我建议严格按照下面的步骤走：
第一步，先查储能约束。把SOC的初始值和末值约束注释掉跑一次，如果求解成功，问题就在储能SOC约束上。大概率是SOC上限设置不合理，比如总容量1000kWh，初始SOC 0.9，又在负荷低谷时段强制大功率充电，一个时段就直接超过上限。
第二步，查功率平衡的“符号”。这类模型变量方向很混乱，购电是正、售电是负，充电是正、放电是负。功平衡方程写错正负号，在数学上也能“凑出一个目标值”，但物理上完全不对，表现在结果上就是储能边充电边放电、微网同时从主网购电又向主网售电。解决方法是所有关于功率的流进流出画一张方向图，对着图检查约束公式，别只在脑内心算。
第三步，查大M约束。如果互补松弛线性化后模型无解，检查整数变量是否需要互斥，同一个互补对里 z 和 1-z 方向是否写反了。这种错误十分隐蔽，因为单纯看每一行约束都像是“对的”。
5.2 求解慢：优化方向比改求解器参数更重要
24时段、3个微网、下层KKT全展开后，模型里的整数变量数量会很可观（每个互补约束配对引入一个0-1变量），混合整数线性规划的规模可能达到数千个变量。CPLEX/Gurobi在默认配置下会尝试开启多个求解线程，但瓶颈往往在于模型本身的Big-M松弛太松，导致分支定界树的节点爆炸。
我试过几个有效操作：
- 缩小大M的取值，M越小分支定界的上界越紧。但也不能太小，太小会割掉可行解。
- 尽量减少互补约束的数目。对于只需要一层KKT转化的问题，检查下层变量的维度，如果某个变量在最优解里不可能同时出现在两个互补约束里，就可以通过变量替换减少约束条数。
- 给求解器设置一个合理的MIPGap（比如1%或0.5%）。工程应用里没必要追求gap=0，尤其当数据本身精度有限时，1%的gap完全够用。
5.3 双线性项处理出错，结果出现“倒挂”
在处理双层模型时，如果上层的零售电价是决策变量，下层用户购电量也是决策变量，那么目标函数里会出现“电价 × 电量”的双线性项，这是整个模型里最麻烦的一个点。
处理的方法是利用KKT单层化后的强对偶关系。具体来说，下层问题是线性规划，最优解处强对偶成立（原问题最优值=对偶问题最优值），这样可以把目标函数里的双线性项替换成下层对偶变量与常参数的线性组合。我建议在代码里分步验证这个替换是否写对：先用一组固定电价手动计算用户最优负荷，再用对偶形式计算，对比两个数值是否一致。数值如果对不上，说明公式推导有误，不要急着跑全模型。
5.4 参数灵敏度：论文化输出不能只有一组曲线
最后说一个特别实用的技巧：只跑一组典型日曲线，论文是不够丰满的。评审一定会问，如果光伏渗透率翻倍呢？如果储能容量减半呢？所以在代码里把参数设置部分做好元结构，随时能改光伏容量系数、储能容量、DR弹性系数跑批量实验。
我的做法是在define_params.m里定义一组基础参数，然后在外层写一个for k = 1:cases循环，每个case修改某个参数并调用主程序求解，最后把多组结果汇总到一个综合指标表里。这种可扩展的算例结构，能让你在项目后期省下大量重复劳动。
综合指标建议包含：总运行成本、主网购电量、弃光率、峰谷差、DR响应量。用表格展示不同方案和参数变动下的指标变化，比单纯贴一堆曲线更有说服力。
最后再分享一个个人习惯：代码里的所有变量命名尽量和论文公式的符号保持一致，Pbuy、Psell、Pmt、SOC、Pex，不要让名字带上中文拼音缩写。模型和代码混着调试的时候，公式和变量名一一对应能节省大量脑力。这个项目做到后面，你会发现比起堆公式，把模型转换成清晰可维护的代码才是真正花时间的地方，而前期每一分建模规范，都会在后期十倍回报回来。
