基于粒子群算法的配电网分布式电源经济调度与MATLAB实现

搞配电网优化调度的人，应该都有这种感觉：当分布式电源不再是规划图上的方块，而是真的接入到线路、台区甚至用户屋顶之后，调度这活儿就从“跟负荷跑”变成了“跟账本跑”。风机、光伏出力是波动的，柴油机和燃气轮机可以调但烧钱，储能能削峰填谷但充放次数和损耗都得记在成本里，外网购电还有峰谷价差。这么多因素搅在一起，核心问题就一句话：在满足负荷的前提下，怎么安排每台电源的出力，让系统总运行成本最低。这就是“配电网优化调度”里分布式电源经济调度要做的事，也正是本文要拆解的内容——用粒子群算法（PSO）去解决分布式电源经济调度，并在一个24小时调度周期里实现成本最小化。

这套东西适合谁看？我觉得三类人最合适：一是刚入行微电网、综合能源方向的工程师，想搞清楚调度策略具体怎么建模、怎么落地；二是在校学生，正在学智能优化算法，想知道粒子群算法原理之外它到底怎么接真实问题；三是已经在跑线性规划、但遇到非线性或非凸调度场景，想换一种求解思路的研究者。文章会从问题建模讲起，到粒子群算法的关键设计，再到MATLAB实操、参数调优和常见坑位，最后聊一聊现在微电网调度里很受关注的滚动时域思路。不夸张地说，把这套逻辑完整跑通之后，你再去看具体的能量管理平台，会发现很多模块都是这套框架的变体。

1. 为什么配电网经济调度值得做：从“发够”到“发得便宜”

1.1 分布式电源接入后，调度逻辑彻底变了

传统配电网的调度，本质上是“跟着负荷走”。负荷曲线是外部给定的事实，电网通过调度变电站和大电厂出力来满足末端需求，功率流向基本是从大电网到用户。这个时候的成本问题也存在，但多体现在输配电价和网损里，调度员操心的主要还是“够不够用”和“安不安全”。

分布式电源大量接入之后，问题变得完全不一样。一个很常见的场景是：某工业园区屋顶装了光伏，旁边配了一台柴油发电机作为保安电源，又加装了一套锂电池储能参与需求响应，同时它还从大网购电。此时“电网”不再是单向供电源，而是一个由多个可控或半可控电源、储能和柔性负荷共同组成的局部电力系统。调度要决策的事情，不再是“要不要拉闸”，而是变成了一串经济性问题：“光伏大发时，是给储能充电还是直接倒送？”“柴油发电机是在电价峰值时段开，还是在电价低的谷段备用？”“电网购电和自己发电，哪个组合更划算？”

这就是分布式电源经济调度的来源。它本质上是一个带约束的非线性规划问题：以各可控电源出力、储能充放电功率、联络线交换功率为决策变量，以系统运行总成本最低为目标函数，同时满足功率平衡、机组出力上下限、储能SOC约束、联络线容量约束等。手动安排这种调度几乎不可能，因为决策变量通常几十个甚至上百个，它们之间还有充放电时序耦合，单靠人的经验很难逼近全局最优解，必须交给优化算法来算。

1.2 经济调度的成本账：谁在花钱、怎么省钱

做经济调度，先要把“钱花在哪”理清楚。一个典型的分布式配电网，日运行成本通常由这几块构成：

• 可控机组的燃料费用。柴油机、燃气轮机的燃料成本通常与出力呈二次函数关系，出力越大，边际成本越高。
• 外网购电成本。买电是跟着分时电价走的，峰段贵、谷段便宜，差价可能接近三倍。
• 运行维护成本。光伏、风电虽然燃料免费，但设备运维、组件清洗、逆变器损耗等都要摊进成本。
• 储能的损耗与寿命成本。储能充放电有能量损耗，而且循环次数直接影响电池寿命，不能“白嫖”。
• 启停成本。如果可控机组一天内频繁启停，启停成本和寿命折损也要算进去。

我常用一个家庭做饭的类比来解释：厨房里有燃气灶、电磁炉、电蒸锅，燃气灶火力猛但燃气贵，电磁炉便宜但加热慢，电蒸锅预热要耗电，家里还分了峰谷电价。晚饭要同时做三个菜，怎么安排三口锅的功率和启动时间，才能让这一顿饭的电费加燃气费最省？这和配电网经济调度是同一个逻辑，只不过“锅”变成了机组，“菜”变成了24小时的负荷曲线。

经济调度的目标，就是把这笔账从“凭经验拍脑袋”变成“数学上可验证的最优解”。

2. 分布式电源系统建模：先给每个设备算一笔账

2.1 成本函数怎么写

调度模型的第一步，是把各个电源的成本特性写成数学表达式。常规处理方式如下。

对于柴油机或微型燃气轮机，燃料成本一般用二次多项式拟合：

C_i(P_i) = a_i * P_i² + b_i * P_i + c_i

其中P_i是机组i的有功出力，a_i、b_i、c_i是成本系数。二次项描述的是机组在高负荷区效率下降带来的边际成本上升，一次项是主要燃料成本，常数项是空载损耗或最低燃料消耗。

从大网购电的成本则是时段电价乘以购电功率：

C_grid(t) = price(t) * P_grid(t)

price(t)是分时电价，P_grid(t)是联络线功率，正值表示从大网购电。如果允许倒送电，倒送部分可以按上网电价计为负收益；如果电网侧不允许倒送，则要在约束里强制P_grid(t) ≥ 0。

光伏和风电在计算经济调度时通常只计运行维护成本，而且数值相对很小，比如0.02～0.05元/kWh。储能可以按其充放电量和折算后的维护成本来计，也可以单独建一个“充放行为惩罚”项，用来抑制高频次的浅充浅放。

这样，整个系统的目标函数可以写成：

min F = Σ_t=1^T [ Σ_i=1^NG C_i(P_i(t)) + C_grid(t) + C_om(t) ]

其中T是调度时段数，一天就是24，NG是可控机组台数。

2.2 约束条件怎么列

目标函数只是把“想省钱”的方向说清楚了，真正让结果可信的是约束条件。经济调度的约束大概分四类。

第一类是最核心的功率平衡约束，任意时刻所有电源出力之和必须等于负荷：

Σ_i P_i(t) + P_pv(t) + P_sto(t) + P_grid(t) = P_load(t)

这个约束必须每个时段都严格成立。如果忽略它，调度方案就是空中楼阁，现实中根本执行不了。

第二类是机组出力上下限：

P_i_min ≤ P_i(t) ≤ P_i_max

对柴油机这类可控机组，下限通常取技术最小出力，不是0，因为低负载区域燃烧效率差甚至无法稳定运行。上限是额定容量。

第三类是储能约束，既包括单时段的充放电功率限制：

-P_sto_max ≤ P_sto(t) ≤ P_sto_max

也包括跨时段的SOC动态约束：

SOC(t+1) = SOC(t) - P_sto(t) * Δt / (η_dis * Cap) （放电时）

SOC_min ≤ SOC(t) ≤ SOC_max

第四类是联络线容量约束和爬坡约束：

|P_grid(t)| ≤ P_grid_max

-Δ_i ≤ P_i(t+1) - P_i(t) ≤ Δ_i

爬坡约束在小型柴油机组上经常被忽略，但如果调度周期是5分钟或15分钟，机组的物理爬坡能力就必须写进去，否则优化结果会让机组瞬间满载，实际跟不上。

2.3 储能为什么特殊

储能是整个调度模型里最特别的一个元素，因为它引入了跨时段耦合。普通机组每一时段的出力是独立的，但储能不是：你决定在凌晨给电池充电，它就会影响白天放电的SOC水平；SOC过低，午后可能的负荷高峰就无法响应。换句话说，储能单元把原本互相独立的24个时段“拴”在了一起。

打个比方，储能就像家里楼顶的水箱。你可以决定什么时候开泵抽水，什么时候放水洗澡，但水箱水位不能漫出来，也不能抽干。抽水要花电费，放水能换来“用热水”，而水位的上下限是硬约束。调度算法要同时决定“什么时候抽、什么时候放、放多少”，并且保证水位全程不越界，这比单独优化每个时段的用电要难得多。

在粒子群算法里，储能SOC的正确处理方式，不是把它作为独立决策变量去搜，而是在每个粒子评估适应度时，沿着时段顺序把SOC递归计算出来，再检查是否越界。越界的粒子通过罚函数压低适应度，引导搜索往可行域走。

3. 粒子群算法进场：为什么它能啃下这个非线性问题

3.1 粒子群算法的核心逻辑

配电网经济调度目标函数是非线性的，约束种类多，变量还耦合，传统线性规划和枚举法都不好使。这时候粒子群算法就显出了价值。它的名字很形象，就是对鸟群觅食行为的一种数学模拟。

想象一群鸟在一片未知区域找食物，每只鸟不知道食物在哪，但知道当前位置离食物有多远，而且整个鸟群中总有一只鸟离食物最近。其他鸟会一边回忆自己飞过的“最佳位置”，一边朝那只最近鸟的位置靠近，同时保留一点自己的随机性。粒子群算法把这个过程数学化之后，每个粒子就是解空间中的一个候选解，速度向量决定下一步飞行的方向和步长。

每次迭代中，粒子按照两个公式更新：

v_i^(k+1) = w * v_i^k + c1 * r1 * (pbest_i - x_i^k) + c2 * r2 * (gbest - x_i^k)

x_i^(k+1) = x_i^k + v_i^(k+1)

这里w是惯性权重，v是粒子速度，x是粒子位置，pbest_i是该粒子历史最优位置，gbest是整个群体历史最优位置，c1和c2是学习因子，r1和r2是[0,1]之间的随机数。

这个公式拆开看很有意思：第一项wv保留粒子之前的运动惯性，相当于“别突然停，继续搜”；第二项c1r1*(pbest-x)是自我认知项，让粒子朝自己曾经找到的最好位置靠拢；第三项c2r2(gbest-x)是社会认知项，让粒子学习群体最优经验。三个力量的拉扯，构成了粒子群搜索的基本动力。

粒子群算法为什么适合配电网经济调度？核心原因有三条：不需要求导，能直接处理非凸、非线性、甚至带离散变量的目标函数；实现简单，几十行代码就能搭出主流程；扩展性好，可以和罚函数、局部搜索、变异操作轻松结合。

3.2 参数怎么选：w、c1、c2、粒子数和迭代次数

粒子群算法效果好坏，很大程度上由参数决定。我实测下来比较稳妥的起点如下。

惯性权重w是最重要的参数，控制全局探索和局部开发之间的平衡。w大，粒子速度快，搜索范围广，但收敛慢；w小，局部搜索精细，但容易过早聚集。常见的做法是让w从0.9线性递减到0.4，前期跳得远，后期收得细。如果问题不算复杂，固定w=0.7也能跑出不错的结果。

学习因子c1和c2一般取2，或者1.5。c1过大会让每个粒子只按自己的路径走，群体协同变差；c2过大会让粒子过早被某个局部最优“吸”过去。也有的改进算法让c1从2.5降到0.5，c2从0.5升到2.5，前面多探索，后面多收敛。

粒子数和迭代次数要根据问题维度来定。像24时段、3个可调单元的算例，决策变量是72维，粒子数取100，迭代300次，基本能稳定收敛。如果维数更高，粒子数可以增加到150到200，但运行时间也会线性增长。速度上限Vmax通常设为变量区间宽度的10%～20%，过大会导致粒子直接穿过最优点，过小则爬山坡很慢。

我习惯把这些参数做成一个表，不同业务场景直接查表选初值：

3.3 约束处理：罚函数法与边界修正怎么配合

使用粒子群算法，难点不在更新公式，而在如何让粒子生成的解满足各类约束。约束处理不好，算法跑出来的“最优解”根本没法用。

针对上下限约束，最简单的做法是边界裁剪。粒子更新后，凡是超出Pmin或Pmax的维度，直接拉回到边界值。这种情况在储能功率上同样适用，超出最大充放电功率就截断。

针对功率平衡这样的等式约束，更合适的做法是把其中一个变量设计为“平衡变量”。在我的算例里，P_grid不参与粒子编码，而是在适应度函数中由功率平衡直接解出来：

P_grid(t) = P_load(t) - P_pv(t) - P1(t) - P2(t) - Psto(t)

这样一来，等式约束在构造上就被自动满足，粒子群不需要去硬搜那部分维度，搜索维度变少，收敛速度也会更快。剩下的只是对P_grid做上限和不允许倒送的处理。

针对SOC这样的跨时段耦合约束，更实用的方式是罚函数法。扩展的适应度函数写成：

fitness = 原始目标函数 + λ1 * Σ(max(0, SOC - SOC_max)²) + λ2 * Σ(max(0, SOC_min - SOC)²) + λ3 * Σ(max(0, -P_grid)²)

罚函数系数λ的选择是个经验活。太小，粒子会找到一个成本很低但SOC严重越界的“假最优解”；太大，粒子的搜索注意力全部放在满足约束上，可能错过真正经济的最优区域。我的做法是先用小数量级（如100）试跑，观察约束违例情况，逐步加大到能稳定满足约束的最小罚系数。

4. MATLAB实操：从零写一个经济调度求解器

4.1 算例场景与参数准备

下面给一个可以直接参考的算例：一个小型配电网，包含2台柴油发电机、1套锂电池储能、1个光伏电站，可向大网购电，调度周期是24小时，时间粒度1小时。机组和系统参数如下表：

储能容量200kWh，SOC上限0.9，下限0.2，初值0.5，充放电效率0.95。光伏预测出力和负荷曲线我采用一组典型示例数据，实际工程中可直接替换成SCADA或预测系统给我的数值。

电价采用典型分时电价：

• 谷段（23点～次日7点）：0.4元/kWh
• 平段（7～10点、15～18点、21～23点）：0.8元/kWh
• 峰段（10～15点、18～21点）：1.2元/kWh

4.2 粒子编码与适应度函数设计

在这个24时段算例中，粒子需要编码的有三个块：

• P1：DG1在24个时段的出力，维度24
• P2：DG2在24个时段的出力，维度24
• Psto：储能在24个时段的充放电功率，维度24，正值为放电

粒子总维度是72。P_grid不作为编码变量，而是在每个粒子内部通过功率平衡实时计算出来。

适应度函数由三部分组成：第一部分是所有柴油机24小时的燃料成本，第二部分是购电成本（对P_grid为正的部分计费），第三部分是储能和光伏的运维成本，最后加上SOC越界和P_grid倒送的罚函数。

4.3 核心代码实现

以下代码展示核心逻辑，在MATLAB里基本可以直接运行，但负荷、光伏、电价等数据需要按实际场景替换。

matlab复制% 粒子群算法求解配电网经济调度（简化示例）
clear; clc; close all;

%% 基础数据
T = 24;                       % 调度时段数
dim = 3 * T;                  % 决策变量维度：DG1(24) + DG2(24) + 储能(24)

% 负荷曲线、光伏出力、分时电价（示例数据）
P_load = [850 820 800 780 790 830 900 1050 1200 1350 1400 1450 ...
          1420 1380 1320 1280 1350 1500 1550 1450 1350 1250 1100 950];
P_pv   = [0 0 0 0 0 20 80 160 240 300 330 340 320 280 220 150 90 40 10 0 0 0 0 0];
price  = [0.4 0.4 0.4 0.4 0.4 0.4 0.8 0.8 1.2 1.2 1.2 1.2 ...
          1.2 1.2 0.8 0.8 0.8 1.2 1.2 1.2 0.8 0.8 0.8 0.4];

% 柴油机参数
a = [0.0005; 0.0008];
b = [1.2; 1.0];
c = [20; 15];
Pmin = [30; 20];
Pmax = [300; 200];

% 储能参数
capSto = 200;         % 容量 kWh
soc0 = 0.5;           % SOC初值
socMin = 0.2;
socMax = 0.9;
eta = 0.95;           % 充放电效率
PstoMax = 100;        % 最大充放电功率 kW

%% PSO参数
nPop = 100;
maxIter = 300;
wMax = 0.9;
wMin = 0.4;
c1 = 2;
c2 = 2;
Vmax = 0.2;           % 速度上限比例

%% 初始化种群
x = zeros(nPop, dim);
v = zeros(nPop, dim);
for i = 1:nPop
    x(i, 1:T)        = Pmin(1) + (Pmax(1) - Pmin(1)) * rand(1, T);
    x(i, T+1:2*T)    = Pmin(2) + (Pmax(2) - Pmin(2)) * rand(1, T);
    x(i, 2*T+1:3*T)  = -PstoMax + 2 * PstoMax * rand(1, T);
    v(i, :) = -Vmax + 2 * Vmax * rand(1, dim);
end

pbest = x;
fval_pbest = inf(nPop, 1);
for i = 1:nPop
    fval_pbest(i) = fitness(x(i,:), P_load, P_pv, price, ...
                            a, b, c, Pmin, Pmax, capSto, soc0, socMin, socMax, eta, PstoMax);
end
[fval_gbest, idx] = min(fval_pbest);
gbest = pbest(idx, :);

%% 粒子群主循环
for iter = 1:maxIter
    w = wMax - (wMax - wMin) * iter / maxIter;
    for i = 1:nPop
        r1 = rand(1, dim);
        r2 = rand(1, dim);
        v(i, :) = w * v(i, :) + c1 * r1 .* (pbest(i, :) - x(i, :)) ...
                                + c2 * r2 .* (gbest - x(i, :));
        % 限速
        v(i, :) = max(min(v(i, :), Vmax), -Vmax);
        % 位置更新
        x(i, :) = x(i, :) + v(i, :);
        % 边界裁剪
        for t = 1:T
            x(i, t)       = min(max(x(i, t), Pmin(1)), Pmax(1));
            x(i, T+t)     = min(max(x(i, T+t), Pmin(2)), Pmax(2));
            x(i, 2*T+t)   = min(max(x(i, 2*T+t), -PstoMax), PstoMax);
        end
        % 适应度计算与更新
        fval = fitness(x(i,:), P_load, P_pv, price, ...
                       a, b, c, Pmin, Pmax, capSto, soc0, socMin, socMax, eta, PstoMax);
        if fval < fval_pbest(i)
            fval_pbest(i) = fval;
            pbest(i, :) = x(i, :);
        end
        if fval_pbest(i) < fval_gbest
            fval_gbest = fval_pbest(i);
            gbest = pbest(i, :);
        end
    end
    fprintf('迭代 %d/%d，当前最优成本 %.2f 元\n', iter, maxIter, fval_gbest);
end

%% 输出最优调度
P1_opt = gbest(1:T);
P2_opt = gbest(T+1:2*T);
Psto_opt = gbest(2*T+1:3*T);
Pgrid_opt = P_load - P_pv - P1_opt - P2_opt - Psto_opt;

% 可视化调度结果
figure;
t = 1:T;
plot(t, P_load, 'k-o', 'LineWidth', 1.5); hold on;
plot(t, P1_opt, 'r-s', 'LineWidth', 1.2);
plot(t, P2_opt, 'b-^', 'LineWidth', 1.2);
plot(t, Pgrid_opt, 'g-d', 'LineWidth', 1.2);
plot(t, Psto_opt, 'm-x', 'LineWidth', 1.2);
legend('负荷', 'DG1出力', 'DG2出力', '电网交换', '储能功率');
xlabel('时段/h');
ylabel('功率/kW');
grid on;

适应度函数单独拆开来写如下：

matlab复制function f = fitness(x, P_load, P_pv, price, a, b, c, Pmin, Pmax, ...
                     capSto, soc0, socMin, socMax, eta, PstoMax)
    T = 24;
    P1 = x(1:T);
    P2 = x(T+1:2*T);
    Psto = x(2*T+1:3*T);

    % 功率平衡解出电网交互功率
    Pgrid = P_load - P_pv - P1 - P2 - Psto;

    % 目标函数1：柴油机燃料成本
    cost = sum(a(1) * P1.^2 + b(1) * P1 + c(1) ...
             + a(2) * P2.^2 + b(2) * P2 + c(2));

    % 目标函数2：购电成本（只计正向购电，负值不加收益）
    cost = cost + sum(price .* max(Pgrid, 0));

    % 目标函数3：储能、光伏运维成本（简化示例）
    cost = cost + 0.05 * sum(abs(Psto)) + 0.02 * sum(P_pv);

    % 罚函数：SOC越界
    pen = 0;
    soc = soc0;
    for t = 1:T
        if Psto(t) > 0
            soc = soc - Psto(t) / (eta * capSto);
        else
            soc = soc - Psto(t) * eta / capSto;
        end
        if soc < socMin
            pen = pen + 1e4 * (socMin - soc)^2;
        elseif soc > socMax
            pen = pen + 1e4 * (soc - socMax)^2;
        end
    end

    % 罚函数：不允许倒送电
    pen = pen + 1e5 * sum((Pgrid < 0) .* (Pgrid.^2));

    f = cost + pen;
end

这段代码设计里有两个关键选择值得说明。一是把Pgrid通过功率平衡解出来，而不是作为决策变量搜索，这样等式约束天然满足，粒子搜索维度也从96降到72，效率提升明显。二是SOC越界罚函数选用二次型而不是线性罚，因为二次型的梯度在越界越深时越大，能把粒子更有效地“推”回可行域。

4.4 一次典型运行的结果分析

以示例数据跑出来的结果，大致呈现出这样几个稳定规律。

从迭代曲线看，前50代目标值下降非常快，这说明群体很快找到了一个可行且较优的区域；150代之后曲线趋于平缓，300代基本收敛。如果在工程上追求计算速度，200代左右其实已经可以得到一个很接近最优解的结果，完全没有必要死磕300代之后那一点点改善。

从调度策略看，谷段电价低，系统倾向于从大网购电，两台柴油机维持技术最小出力，储能趁低谷充电；峰段电价高，柴油机基本满负荷运行，储能转为放电，把低谷充的电量释放出来。光伏大发的中午时段，P_grid会明显下降，说明本地光伏优先供应本地负荷，减少了高价购电。

从成本结构看，燃料成本、购电成本、运维成本占比大约在六成、三成、一成附近。这是很典型的含柴油机分布式系统结构，柴油机作为可调主力虽然灵活，但燃料成本也高，所以优化算法会尽量把它的出力空间留给电价高峰时段。

要特别说明的是，不同随机种子、不同罚函数系数下，粒子群优化结果会有小幅波动，这是启发式算法的正常现象。如果某个法方案每次跑出来的总成本相差超过5%，那大概率是罚函数权重或粒子数不合适，需要回到调参环节处理。

5. 调参经验、常见问题与坑位实录

5.1 粒子群参数调试的实测方向

基本粒子群算法看起来简单，真正拿去跑实际问题，要踩的坑不少。我在做这个算例时，总结出几条比较实在的经验。

第一条，先把模型跑通，再调参数。我第一次做调度优化时，花了一晚上调惯性权重和粒子数，后来发现结果不对的根源是适应度函数里SOC初值写错了，跟算法参数一点关系都没有。经济调度这种问题，模型和约束占七成，算法只占三成，模型不准确，再怎么优化也是在错误的地图里找宝藏。

第二条，w的线性递减区间，0.9到0.4是通用值，但要注意它和Vmax的配合。如果Vmax设得比较大，w后期降到0.4还是容易在最优解附近来回震荡；这时候把Vmax同步缩减，或者w降到0.3，效果会更好。

第三条，粒子群对初始种群比较敏感。单纯随机初始化，粒子可能在SOC越界区域大量聚集，前期浪费很多代去修正约束。我后来采用“部分继承”的策略，把上一轮滚动时域优化的gbest经过扰动后作为本轮初始种群的一部分，收敛速度快得明显。

5.2 常见问题与排查速查表

把实际工作中经常遇到的问题整理成一个表，排查起来效率会高很多：

5.3 局部最优与搜索停滞的应对：别只靠基本PSO

基本粒子群算法在这个问题上的最大问题是“早熟”，也就是种群过早聚集到某个局部最优点，失去了继续探索的能力。对配电网经济调度来说，局部最优往往意味着一种“次优的发电组合”，比如该让DG1多出力的时候，粒子们全都挤在让DG2多出力的方案里，而且怎么都跳不出来。

解决办法可以从两个方向入手。第一个方向是给算法加“扰动”，比如在迭代后期，当gbest连续20代没有改善时，随机选择部分粒子的若干维度重新初始化。第二个方向是改变颗粒度，用不同大小的扰动幅度混合搜索，避免所有粒子都沿着几乎相同的轨迹移动。

还有一种工程上很有效的方式：先用粒子群快速跑一个大致的全局区域，再用局部搜索算法（如fmincon或模式搜索法）对gbest做精修。粒子群负责找“山谷在哪个方位”，局部搜索负责在最优解附近认真爬坡。两套思路配合起来，既保留了粒子群的全局搜索能力，又把最终解的精度提上去了。

6. 从调度到实战：滚动时域与扩展方向

6.1 滚动时域控制在微电网调度中的价值

聊到微电网经济调度，前两年大家讨论的是“怎么把一天算完”，现在越来越多人在讨论“怎么把一天切成一段一段算”，这就是滚动时域控制，也叫滚动优化或模型预测控制思想在调度中的应用。

为什么会出现这种变化？因为静态优化假设“全天预测都准”，现实条件根本不满足。光伏出力随云量漂移，负荷预测到了傍晚容易偏差，你凌晨算出来的“全天最优方案”，到了中午可能已经完全不符合实际情况了。这时候按原计划走，轻则经济性变差，重则出现功率不平衡或储能过充。

滚动时域的流程很简单，可以概括成“短窗预测、在线求解、只执行第一步”：

1. 在t时刻，基于最新预测，求解未来一段窗口（比如4小时）内的最优调度；
2. 只执行t时刻这一个时段的控制指令；
3. 到t+1时刻，滚动窗口向前推一个时段，用最新预测数据重新求解。

这个思路对配电网经济调度特别有价值。外网购电价格会变，光伏出力会变，负荷也会变，滚动优化让调度策略始终基于“最新信息”，相当于给方案加了反馈修正机制。

静态优化和滚动时域的区别可以这样理解：

滚动时域窗口内的求解依然可以用粒子群算法。窗口缩短之后，粒子维度大幅下降，比如4小时窗口只有4×3=12维，粒子群迭代几十次就能得到结果，完全满足分钟级调度的实时性要求。

6.2 多目标与不确定性：下一步可以怎么走

成本最小化只是分布式电源经济调度的第一层目标。工程实际中，“又好又省”往往是多个目标同时要兼顾：既要成本低，又要碳排放少，还要减少弃风弃光。把碳排放系数叠加到燃料成本里是一种最简单的单目标化处理，但如果要真正权衡多个冲突目标，就需要多目标粒子群（MOPSO）、NSGA-II这类算法，在一次优化后得到一组帕累托前沿，再由调度员根据实际偏好挑选方案。

不确定性是另一个绕不开的方向。光伏和负荷预测都有误差，把随机性直接放进优化模型，可以使用场景法：生成若干典型光伏/负荷场景，对每个场景做调度，以期望成本最小为目标。也可以使用鲁棒优化思路：保证在最恶劣场景下约束仍然满足，代价是方案偏向保守，经济性会略差。

我个人的看法是，针对中小型配电网，滚动时域加上粒子群已经是一个性价比很高的组合。它没有复杂理论的高门槛，但能解决真实运行中最让人头疼的“预测不准”问题。等系统复杂度再上一个台阶，再考虑多目标和不确性建模也不迟。

回看我最早做粒子群经济调度那会儿，最大的教训就是“先把模型整明白，再碰算法”。很多同学上来就纠结粒子数取80还是120、惯性权重取0.7还是0.8，结果跑了半天发现适应度函数里功率平衡都没写对。经济调度这活儿，模型准确占七成，算法只占三成。你把成本和约束写清楚，粒子群哪怕用最基础版本的参数，都能得到一个合理的结果；模型错了，算法再高级也是白搭。后来我在做实时能量管理时，基本都在滚动时域框架下用粒子群，窗口压短之后不但求解快，抗预测误差的能力也好了不少。希望这篇内容能帮你少踩几个坑，把调度模型真正跑起来。