最近在搞综合能源系统规划，发现双层优化建模挺有意思。今天咱们就来聊聊怎么用双层模型搞定微电网的多电源容量配置，手把手带你撸一遍代码实现
基于双层优化的综合能源系统规划设计 采用kkt条件，大M法，对偶理论求解 代码注释齐全，cplex求解 良心代码，适合新手学习。 主要内容:微网的多电源容量优化配置，规划出最佳的微电网光伏、风电、储能等多电源的容量配置方案，此外，代码采用双层模型，上层以周期内运维成本以及投资成本之和最低为目标函数，下层则以调度周期内购售电成本以及燃料成本最低为目标函数，上层得出最佳容量配置方案，下层得出最佳运行策略。
先说说这个双层模型的结构。上层负责容量规划，要考虑光伏板装多少、风机选多大、储能电池怎么配。下层得实时调度，协调买电卖电、燃料消耗这些日常运营的事。举个栗子，这就好比装修房子，上层决定买几台空调，下层决定每天什么时候开空调省电费。
上层的数学表达大概长这样：
% 上层目标函数：投资成本+运维成本 f_upper = sum(Cap_cost.*x) + sum(OM_cost.*x) + beta*theta;这里的x是决策变量，代表各设备的装机容量。beta是惩罚系数，theta用来关联下层问题的最优值。
下层模型更关注日常运营成本：
% 下层目标函数：购电成本+燃料成本 f_lower = sum(grid_price.*P_grid) + sum(fuel_cost.*P_fuel);这里要协调电网购电、柴油发电机出力这些实时调度决策。
重点来了，怎么把两层模型揉在一起求解？这里用到了KKT条件。把下层问题转化为上层的约束条件，就像把下属的工作报告变成领导的决策依据。具体操作时用大M法处理互补松弛条件，避免出现if-else式的逻辑判断。
看看代码里处理互补松弛条件的部分：
% 大M法处理互补条件 for t = 1:T cons = [cons, mu(t) <= BigM*(1-b(t))]; % 互补条件1 cons = [cons, lambda(t) <= BigM*b(t)]; % 互补条件2 end这里的BigM取值很关键，太小会导致约束不生效，太大会造成数值不稳定。建议先做参数敏感性分析，一般取系统最大功率的2-3倍。
基于双层优化的综合能源系统规划设计 采用kkt条件，大M法，对偶理论求解 代码注释齐全，cplex求解 良心代码，适合新手学习。 主要内容:微网的多电源容量优化配置，规划出最佳的微电网光伏、风电、储能等多电源的容量配置方案，此外，代码采用双层模型，上层以周期内运维成本以及投资成本之和最低为目标函数，下层则以调度周期内购售电成本以及燃料成本最低为目标函数，上层得出最佳容量配置方案，下层得出最佳运行策略。
变量初始化部分要注意维度匹配：
% 决策变量定义 x = sdpvar(3,1); % 光伏、风电、储能容量 P_grid = sdpvar(T,1); % 各时段购电量 mu = sdpvar(T,1); % 对偶变量 b = binvar(T,1); % 布尔辅助变量新手常在这里翻车，记得每个变量的维度要和时间周期T对应上。建议用结构体封装变量，避免索引混乱。
求解器配置也有讲究：
ops = sdpsettings('solver','cplex','verbose',1); ops.cplex.options.threads = 4; % 调用多线程加速 ops.cplex.timelimit = 3600; % 设置超时时间CPLEX的求解日志要仔细看，特别是遇到infeasible的情况。常见问题包括约束冲突、变量范围不合理等。可以先用小规模数据测试，逐步放大到全年8760小时的场景。
最后看看输出结果怎么处理：
disp('最优容量配置:') fprintf('光伏: %.2f kW\n', value(x(1))); fprintf('储能容量: %.2f kWh\n', value(x(3))); fprintf('总成本: %.2f 万元\n', value(f_upper));建议把结果可视化，画个24小时的典型日调度曲线。储能系统的充放电曲线如果出现高频振荡，可能是模型参数需要调整。
这个模型在实际应用中还要考虑不确定性。比如光伏预测误差可以用鲁棒优化处理，或者用随机规划生成多个场景。代码扩展性不错，后续想加电动汽车、氢能系统的话，直接在变量和约束里追加模块就行。
完整代码已经传在GitHub，包含详细的注释说明。遇到问题欢迎留言，看到都会回复。搞能源系统优化的朋友可以多交流，这行既需要数学功底，又得懂点电力系统常识，调参过程确实挺折磨人，但跑出合理结果的那一刻还是很有成就感的。