做电动汽车充放电调度这个方向算起来也有一段时间了。第一次接到这类项目时我一上来就想把所有电动汽车、所有时段、所有不确定性全部塞进一个超大型优化模型里结果光建模就折腾了一个月求解又慢又容易崩最后算出来结果还经常没法落地。后来踩了几次坑才真正想明白充放电调度的核心不是“一个模型打天下”而是把问题拆成“先算总账”和“实时纠偏”两个层次——也就是标题里说的“从全局到局部”。这篇文章就围绕我自己在Matlab环境下的完整实践来展开。我会讲清楚全局优化层日前调度和局部优化层滚动修正各自解决什么问题目标函数和约束怎么建模linprog调用怎么写模型预测控制MPC怎么实现以及我从“模型跑不通”到“结果能落地”之间踩过的具体坑。适合正在做电动汽车聚合调度、微电网能量管理或打算用Matlab做优化调度毕设的同学参考。内容不整虚的全是能直接抄进代码里的思路。1. 先说清楚为什么是“从全局到局部”而不是一把梭1.1 全局调度解决什么问题电动汽车充放电调度中“全局”这个词通常指事前优化行业里更常见的叫法是日前调度。它做的事情很简单根据对未来一天24小时或者更长的预测信息把所有电动汽车的充放电计划一次性算出来。这里的“预测信息”包括分时电价曲线、基础负荷曲线、每辆车的到达时间、离开时间、初始SOC、期望SOC。全局调度的任务是回答一个问题在满足所有车辆出行需求和设备约束的前提下怎样安排每一辆车在每一时段的充放电功率才能让整个系统在经济性、负荷平抑等目标上做到最优。为什么这个步骤省不掉因为充放电调度不是一个纯实时控制问题。如果只看眼前几分钟你没法判断现在给车充到80%是不是浪费了半夜的谷电也没法判断现在放电会不会导致用户早上开不走车。全局调度等于站在“上帝视角”先把总账算明白给所有车辆划出一张可行的充放电时间表。这是整个调度框架的“计划层”。1.2 局部调度为什么离不开但光有全局计划就够了吗不够而且在实际项目里一定会出问题。原因是预测永远有误差。你今天上午算出来某辆车晚上6点离开、初始SOC是45%结果下午3点用户提前拔枪走了或者中途插进了一辆计划外的新车。更常见的情况是基础负荷和光伏出力如果系统里有跟预测对不上。面对这些实时变化全局计划就是一张过期的地图照着走必定跑偏。局部调度也叫日内滚动优化或实时修正层作用正是应对不确定性。它不需要重新计算全天96个时段的全部计划而是以更短的周期比如每15分钟重新求解一个“短时域”的优化问题预测未来1到2小时的情况计算当前到未来一小段时间内每辆车该充多少、放多少然后只执行当前时段的第一个动作等下一个周期再滚动计算。这就是模型预测控制的基本套路也是标题里“局部”的真正含义。1.3 两层框架的分工与衔接用一个生活化的类比来理解全局调度像你出门前用导航规划出一条最优路线局部调度像开车途中遇到堵车或红灯时导航实时重新计算前方几公里的绕行方案。前者负责大局后者负责应变两者配合才是一个能落地的调度系统。两层之间怎么衔接这是项目成败的关键点。我的做法是全局层算出的计划作为局部层的“参考轨迹”局部层在保经济性的同时尽可能跟踪这条参考轨迹只有当跟踪会导致严重违反实时约束时才允许偏离全局计划。最优调度的“最优”因此不是某一个模型算出来的最优而是“全局最优参考 局部可行跟踪”这个组合框架下的整体最优。2. 全局调度层日前优化模型的Matlab实现2.1 目标函数与决策变量的定义先固定一个典型场景。假设系统内有N辆电动汽车参与调度调度周期为T个时隙。如果间隔取30分钟那么24小时就是T48个时隙。每辆车在每个时隙内的充放电功率是决策变量记作P_i(t)。由于车辆既能充电又能放电P_i(t)可正可负我约定正的P_i(t)表示充电负值表示放电单位是kW。把所有车辆的功率按时间顺序拼接就得到一个N×T维的决策向量x这是所有优化算法都要用到的标准形式。目标函数怎么选我做项目时最常用的是经济性目标在分时电价下最小化总充电费用放电时收入为负费用相当于赚取峰谷价差。目标函数写成min sum_i sum_t price(t) * P_i(t) * Δt这里的price(t)是第t个时段的电价Δt是时隙长度小时。若price(t)0且P_i(t)0对应项就是负成本表示放电收益。如果想侧重削峰填谷可以改为最小化系统净负荷基础负荷充电功率的方差或者把两个目标加权合并。我在实际项目中通常先跑纯经济性目标再在约束里加一个配变容量限制这样既兼顾经济性又不至于把电网压力全甩给变压器。2.2 约束条件的矩阵化写法很多初学者栽在约束条件上原因是想清楚了物理含义却不知道怎么转成Matlab求解器需要的A、b矩阵。其实只要按规范整理并不复杂。第一类约束是功率上下限。每辆车有最大充电功率P_ch_max和最大放电功率P_dis_max于是-P_dis_max ≤ P_i(t) ≤ P_ch_max写成矩阵形式就是把lb和ub向量按对应位置填好。注意如果你用linprog直接在lb和ub参数里写即可不需要单独构造不等式矩阵。第二类约束是SOC动态方程。SOC_i(t1) SOC_i(t) (η_ch * max(P_i(t),0) - max(-P_i(t),0) / η_dis) * Δt / C_i其中C_i是电池容量kWhη_ch和η_dis分别是充放电效率。这个方程本身是线性的但max符号会让它变成分段函数。在连续线性规划里我会引入两个非负变量P_c和P_d分别表示充电功率和放电功率令P P_c - P_d然后对每个时隙写SOC递推约束。这个展开会引入2倍数量的变量但换来的是问题保持线性能直接用linprog或intlinprog求解。第三类约束是SOC边界和用户需求。整个调度过程中SOC始终要在[SOC_min, SOC_max]区间内。最重要的是离站约束车辆离开时SOC要达到用户设定的期望值比如90%。这类约束本质上是多个递推方程的累加最终会变成关于所有P_i(t)的一个线性等式或不等式手工推一遍就能写成Aeq或Aineq的一行。还有一条容易被忽略的约束是配变容量限制。如果所有车同时快充可能直接把变压器干过载。所以每一时隙要有P_base(t) sum_i P_i(t) ≤ P_limit(t)P_base(t)是基础负荷P_limit(t)是配变允许的上限。这一条往往是让“经济最优”变成“可落地最优”的关键。2.3 用linprog求解的完整流程搭建好模型之后Matlab里最直接的求解器就是Optimization Toolbox的linprog。完全线性化之后标准形式是min f * x满足 Aineq * x ≤ bineqAeq * x beqlb ≤ x ≤ ub代码骨架大致是这样% 变量排列先排第1辆车所有时隙再排第2辆依次类推 x_idx reshape(1:N*T, N, T); % 目标函数系数电价重复N次 f repmat(price(:), N, 1) * dt; % 构建SOC递推约束示意需根据实际展开 % Aeq、beq 记录每个时隙SOC关系 % Aineq、bineq 记录配变容量限制和SOC上下限 options optimoptions(linprog, Display, iter, Algorithm, dual-simplex); [x_opt, fval, exitflag] linprog(f, Aineq, bineq, Aeq, beq, lb, ub, options);这里我的经验是先把变量索引表建好也就是x_idx后续所有约束矩阵的填充都靠它定位可以省掉很多维度混乱导致的bug。另外linprog的Algorithm选项用dual-simplex在大规模问题上通常比默认算法稳健尤其在约束比较多的时候不太容易卡死。如果模型里引入了“同一车辆不能同时充放电”的互斥约束就需要二进制变量y_i(t)此时问题变成混合整数线性规划要改用intlinprog。多数情况下由于分时电价的自然激励系统不会出现同一辆车又充又放的情况所以纯线性版本已经够用。项目早期可以用连续模型跑通流程需要严格互斥再加整数变量。2.4 全局调度结果怎么看全局层跑完后输出是一张大矩阵。我的习惯是立刻画三张图第一张是每辆车的SOC曲线重点检查有没有越界第二张是分车型的充放电功率堆叠图看有没有出现不合理的高频振荡第三张是系统总负荷与基础负荷的对比观察削峰填谷的效果。画图用plot和area组合先把车辆功率按时间求和再与基础负荷叠加一眼就能看出调度是否真的把负荷峰值压下来了。值得提醒的是全局结果即使数学上最优也不代表实际能原样执行。它只是给出了一个“参考标杆”。如果发现SOC曲线在某些时段贴着边界走后续局部层跟随时很可能会违约此时建议在全局层主动预留5%~10%的SOC安全裕度让约束变成SOC_i(t) ∈ [SOC_minmargin, SOC_max-margin]。3. 局部调度层基于MPC滚动优化的实现3.1 MPC的基本思想与参数选择全局计划算完了接下来进入局部层。我在局部层用的是模型预测控制MPC它在工业过程控制和能量管理里很成熟核心就五个字“滚动只执行第一步”。具体操作是每个控制周期比如15分钟基于当前实测状态——各车当前SOC、实际接入车辆集合、最新负荷预测——重新求解一个短时域的优化问题预测未来N个时隙通常1~2小时对应N取4或8。求解完成后只把第一个时隙的控制指令下发执行下一个周期再重复。这样做的好处是每个周期都把最新的信息“吸收”进模型里不会让误差像滚雪球一样越滚越大。参数选择上预测时域N和控制周期Δt是一对需要配合的参数。我常用15分钟采样周期加2小时预测时域也就是N8。如果预测时域太短局部层看不到谷电时段的收益太长则预测误差变大计算量也增大实时性受影响。初学者可以先试N4和N8对比一下总费用和平抑效果再定。3.2 局部优化问题的目标函数设计局部层的目标函数要同时干两件事尽量省钱尽量跟住全局计划。直接写成min sum_{k1..N} [ λ_price * price(tk) * P_local(k) * Δt λ_track * (P_local(k) - P_global(tk))^2 ]其中P_global(tk)是从全局计划里截取的参考轨迹λ_price和λ_track是两个权重。λ_price太大局部层会只顾眼前电价完全偏离全局计划λ_track太大又失去了应变的灵活性。我实际调参发现把λ_track设成λ_price对应量纲值的5~10倍比较稳能尽量贴近全局经济性同时允许短期偏离来满足实时约束。这里有一个实际工程里很好用的改进不要把跟踪项写成对功率的惩罚而是写成对“未来SOC轨迹”的惩罚。比如希望局部层的SOC轨迹尽量贴合全局计划给出SOC轨迹这样能更直观地保证用户离站时有足够的电量。我两种都试过SOC轨迹跟踪的鲁棒性更好原因是它天然约束了累计电量误差功率跟踪只约束瞬时值容易产生长期偏差。3.3 滚动更新与状态估计的Matlab实现MPC主循环的Matlab结构并不复杂难的是状态更新和约束矩阵在每个周期要动态重建。我习惯的代码骨架如下% 初始化各车当前SOC soc_now soc_init; % 主循环 for k 1:K_total % 更新当前接入车辆、最新负荷预测、最新电价 veh_active get_active_vehicles(k); load_pred get_load_forecast(k); % 构建局部N步优化问题 % 决策变量是N步内各车功率维度随接入车辆数变化 [Aineq, bineq, Aeq, beq, lb, ub, f] build_local_model(soc_now, veh_active, load_pred); % 求解 x_loc linprog(f, Aineq, bineq, Aeq, beq, lb, ub, options_loc); % 只取第一步下发给充电桩 u_step x_loc(1:num_active_vehicles); % 仿真执行一步根据功率更新SOC记录实际值 soc_now update_soc(soc_now, u_step, dt); end这段代码看似简单但有两个细节直接决定能不能跑通。第一个是维度问题局部层只考虑当前接入车辆所以矩阵大小每个周期可能不一样写build_local_model函数时一定要动态计算变量数量别用写死的N。第二个是SOC更新函数里必须考虑充放电效率不对称充电时用η_ch放电时用1/η_dis否则算出来的SOC会累计漂移。3.4 跟踪全局计划的松弛策略MPC跑了一段时间之后你会发现一个现象因为某些车提前离开实际执行结果和全局计划偏差越来越大到后期局部层可能为了满足剩余车辆的离站SOC而彻底偏离全局计划。这时候盲目增大λ_track反而不行因为问题出在“计划本身已不可行”而不是跟踪力度不够。我的处理办法是给全局计划加一个松弛修正每次MPC执行完把实际SOC变化量反馈到全局计划里将后续时段的全局参考SOC整体平移修正。这个方法在学术上可以理解为“反馈补偿参考轨迹更新”代码上就是每次循环后把soc_now与全局SOC计划之差作为偏置项叠加到后续参考轨迹上。这样既不会让局部层为了追一个过时计划而牺牲可行性又能最大程度保留全局经济性。4. 仿真场景搭建与结果对比4.1 典型算例的场景参数没有具体参数任何调度代码都只是玩具。这里给出一套我反复用来验证算法的基准场景你可以直接替换数据用。假设有10辆电动汽车电池容量统一为60kWh最大充放电功率均为7kW充放电效率分别取0.95和0.92。车辆到达时间和初始SOC服从一定随机分布离开时间设定在早上8点前后期望离站SOC不低于90%。调度时段从当天18:00到次日18:00时间间隔30分钟共48个时隙。分时电价按常见的峰平谷三段设置峰段08:00-11:00、18:00-21:00电价1.0元/kWh平段06:00-08:00、11:00-18:00、21:00-22:00电价0.6元/kWh谷段22:00-次日06:00电价0.3元/kWh。基础负荷曲线用一条带早晚高峰的典型日负荷曲线配变容量上限设为120kW。全局优化层、MPC局部层都在这套参数下跑。4.2 三种策略的对比横向对比最能说明框架价值。我通常把三种策略放在同一个场景下做实验策略A无调度即插即充车来了就按最大功率充到SOC上限或车主取车为止。策略B仅全局层直接执行日前计划不处理任何实时偏差。策略C全局局部双层调度全局层给出参考计划局部层用MPC滚动修正。结果几乎每次都是策略A总费用最高且配变容易在基础负荷高峰时段过载策略B在预测精准的理想条件下费用最低但一旦加入随机扰动某辆车晚到、基础负荷突变SOC违约率明显上升策略C的总费用比策略A低20%~30%比理想条件下的策略B只高几个百分点但约束违约率几乎为零。这个结论也从侧面说明把两层拆开不是性能妥协而是工程上的必要分工。4.3 评价指标与画图技巧评估调度效果不能只看总费用我习惯同时盯三个指标总充电费用元、配变峰值负荷kW、SOC违约率离站时未达到期望SOC的车辆比例。有光伏或可再生能源接入时还可以加一个可再生能源利用率指标。每次跑完实验把指标打印成表格我一般要求SOC违约率严格为0否则无论费用多好看都算不可行。画图时我强烈推荐把“无调度/仅全局/双层调度”三条结果画在同一张图里纵轴是系统总负荷横轴是时间。三条曲线放一起读者能直观看到峰值的降低和谷段的填充。另一个有用的图是SOC热力图横轴时间、纵轴车辆编号、颜色代表SOC高低整车调度过程的状态一眼尽收眼底。Matlab里用imagesc加colormap就可以做比逐条画SOC曲线更清晰。5. 常见问题与避坑实录5.1 求解无界或无可行解全局层用linprog时最容易遇到的两个报错是“The problem is infeasible”和“The problem is unbounded”。无界通常是因为忘了给功率变量写下限比如把充放电变量定义成自由变量却没有加lb和ub约束求解器当然会一路把功率推向无穷大。无可行解则几乎都是约束自相矛盾典型例子是某辆车初始SOC是30%电池容量60kWh期望离站SOC是95%但接入时间只有1小时、最大充电功率7kW满打满算只能充7kWh从30%只能提到41%。这种矛盾从建模阶段就埋下了求解器只会告诉你无解。排查的思路很简单先把约束全部注释掉只留边界约束确认问题能解再逐步把SOC递推、配变容量、离站SOC一层层加回来每加一层都跑一遍定位到是哪一类约束导致无解。这样做虽然笨但比盯着矩阵看半天有效得多。5.2 效率参数带来的SOC漂移局部层跑久了我发现一个非常隐蔽的问题仿真模型里充放电效率如果处理得不仔细SOC会在几十个时隙后出现累计漂移比如实际电量比模型预测多出2%~3%。原因很简单我仿真执行时用的是真实效率但局部模型预测时把效率简化成了固定值两个模型不一致每步都差一点点。解决办法有两个层面。模型层面把效率表换成随功率或SOC变化的查表函数例如低温、低SOC时充电效率降低5%局部模型预报就更准。控制层面在每个MPC周期开始时用实测SOC重置模型状态别让上一次的预测误差带进下一次滚动。我后来固定用后者作为兜底前者能提升性能上限。5.3 求解速度优化与整数变量处理如果系统里车辆数量上百、时隙数量上百linprog的矩阵规模也会很大求解时间可能从毫秒级涨到秒级MPC实时性就打折扣了。我自己常用的三个提速手段一是把矩阵改成稀疏矩阵再传入求解器Matlab里用sparse函数对BP问题提速非常明显二是减少约束中的重复行把多辆车相同结构的约束用矩阵批量生成三是用方案前缀“冷启动”——把上一周期的最优解当作当前周期的初始可行解传入linprog的x0参数虽然对linprog效果有限但对intlinprog能省大量分支搜索。涉及整数变量时比如严格要求充放电互斥我的建议是先跑连续松弛版本确认问题可行再加Integer变量试intlinprog。如果规模实在太大可以用big-M法把互斥约束松弛成连续问题再通过后处理规则修正少数异常时隙。工程上这个做法损失极小效率提升巨大。5.4 实践中的几个小技巧最后分享几个代码层面的经验。第一所有与EV相关的数据统一用结构数组管理比如ev(i).soc_arrive、ev(i).time_depart、ev(i).capacity别用一堆无规律的独立变量后面改场景能省一半时间。第二时间序列数据用Matlab的timetable类型管理对时间对齐、重采样和画图都非常友好。第三把电价、负荷、SOC值的单位全部统一到“小时”维度尤其是Δt用小时为单位否则功率乘以时间算电量时很容易差60倍。第四所有优化求解结果立刻做一次可行性校验跑一下约束残差别信exitflag因为exitflag为1也不保证每条约束都误差满足。这套“全局参考计划局部MPC滚动修正”的框架在我实际跟进的多个仿真项目和课题里都验证过通用性很强。换一组电价曲线、换一种电池容量分布甚至换成包含光伏和储能的微电网场景只需要修改模型参数和约束类型主体框架不用动。对于刚接触这个方向的同学我建议先不要追求复杂的随机优化或强化学习把这条从全局到局部的链路完整跑通你就能真切理解调度问题中“优化”到底在优化什么“约束”到底在约束什么。有了这个基础再往随机规划、多智能体或者数据驱动方向扩展都只是在这个框架上做增量。