很多剛開(kāi)始做電動(dòng)汽車調(diào)度的朋友都會(huì)把“基于V2G技術(shù)的電動(dòng)汽車實(shí)時(shí)調(diào)度策略”理解成“讓每輛車算一個(gè)充放電功率”。真上手之后才發(fā)現(xiàn)V2G實(shí)時(shí)調(diào)度更像是在管一支隨時(shí)有人進(jìn)出、電池狀態(tài)千差萬(wàn)別的車隊(duì)同時(shí)還要和電網(wǎng)的負(fù)荷曲線、分時(shí)電價(jià)、變壓器容量綁在一起做博弈。最近我完整實(shí)現(xiàn)了一遍這個(gè)策略用的是Matlab從建模、選算法到寫代碼調(diào)試前前后后折騰了近兩周。如果你也在做電動(dòng)汽車調(diào)度、微電網(wǎng)能量管理或者儲(chǔ)能優(yōu)化方向這篇筆記應(yīng)該能幫你少走很多彎路。1. 項(xiàng)目整體思路與調(diào)度模型構(gòu)建1.1 實(shí)時(shí)調(diào)度到底在調(diào)度什么V2GVehicle-to-Grid的核心價(jià)值是讓電動(dòng)汽車在“從電網(wǎng)取電”和“向電網(wǎng)送電”兩個(gè)方向都能靈活響應(yīng)。但真正落到調(diào)度問(wèn)題上事情就具體了每輛車有自己的接入時(shí)間、離開(kāi)時(shí)間、初始SOC、目標(biāo)SOC和充放電功率上限配電臺(tái)區(qū)有一條時(shí)變的基礎(chǔ)負(fù)荷曲線和一個(gè)變壓器容量約束電網(wǎng)側(cè)還有分時(shí)電價(jià)。實(shí)時(shí)調(diào)度要做的就是在每個(gè)調(diào)度周期比如每15分鐘根據(jù)當(dāng)前已經(jīng)接入車輛的狀態(tài)和未來(lái)一段時(shí)間的預(yù)測(cè)數(shù)據(jù)決定接下來(lái)每小時(shí)甚至幾分鐘內(nèi)每輛車的充放電功率。我用的模擬場(chǎng)景是某園區(qū)或小區(qū)充電站下面有20輛電動(dòng)汽車調(diào)度間隔取15分鐘一天96個(gè)周期。車輛之間互不共享電池但共享配電變壓器容量。這種場(chǎng)景非常典型既不會(huì)太簡(jiǎn)單到?jīng)]有說(shuō)服力也不會(huì)因?yàn)橐?guī)模太大導(dǎo)致Matlab跑不動(dòng)。如果只做單輛車的充放電策略你會(huì)發(fā)現(xiàn)約束太少算法沒(méi)什么可調(diào)但直接做大幾十輛車、上千個(gè)節(jié)點(diǎn)又容易陷入調(diào)試地獄。20輛車是個(gè)很好的中間起點(diǎn)。1.2 目標(biāo)函數(shù)與約束條件的數(shù)學(xué)表達(dá)調(diào)度目標(biāo)不能拍腦袋定成“費(fèi)用最低”。如果只優(yōu)化用戶充電費(fèi)用群體會(huì)自發(fā)把充電需求全部擠進(jìn)谷電時(shí)段結(jié)果峰谷差可能不減反增配電臺(tái)區(qū)在夜間又冒出一個(gè)新的負(fù)荷尖峰。所以我在目標(biāo)函數(shù)里做了多目標(biāo)權(quán)衡最小化所有車輛在預(yù)測(cè)窗口內(nèi)的凈購(gòu)電成本最小化配電臺(tái)區(qū)峰值負(fù)荷、平抑負(fù)荷波動(dòng)對(duì)頻繁放電帶來(lái)的電池?fù)p耗加一個(gè)懲罰項(xiàng)。目標(biāo)函數(shù)寫出來(lái)大致是[ \min \quad J \sum_{t \in T} \big[ \lambda_1 \cdot p_t \cdot \sum_i P_{net,i,t} \lambda_2 \cdot L_{peak} \lambda_3 \cdot \sum_i D_{i,t} \big] ]其中 (P_{net,i,t}) 表示車輛i在t時(shí)刻從電網(wǎng)取電的凈功率正值是充電負(fù)值是放電。(p_t) 是分時(shí)電價(jià)(L_{peak}) 是窗口內(nèi)最大負(fù)荷(D_{i,t}) 是電池退化相關(guān)的放電深度懲罰。實(shí)際求解時(shí)(L_{peak}) 我會(huì)寫成線性化形式也就是給峰值負(fù)荷增加一個(gè)輔助變量再加不等式約束。約束條件分為四類首先是配電臺(tái)區(qū)功率平衡約束。某個(gè)時(shí)刻變壓器出口總功率等于基礎(chǔ)負(fù)荷加上所有車輛的凈充電功率這個(gè)總功率不能超過(guò)變壓器容量上限低于安全下限的情況也盡量避免。其次是單車功率約束。每輛車在同一個(gè)調(diào)度周期內(nèi)不能既充電又放電充放電功率絕對(duì)值都不能超過(guò)車端變換器的額定功率。這個(gè)額定功率我按常見(jiàn)的7kW交流樁來(lái)設(shè)置電池容量取50kWh對(duì)應(yīng)現(xiàn)在主流的長(zhǎng)續(xù)航車型。再是電池SOC動(dòng)態(tài)方程[ SOC_{i,t1} SOC_{i,t} \frac{P_{ch,i,t} \cdot \eta_c \cdot \Delta t}{E_i} - \frac{P_{dis,i,t} \cdot \Delta t}{E_i \cdot \eta_d} ]這里 (P_{ch}) 是充電功率(P_{dis}) 是放電功率(\eta_c) 和 (\eta_d) 分別是充放電效率我統(tǒng)一取0.95。SOC的范圍設(shè)定在0.2到0.9之間避免過(guò)充過(guò)放對(duì)電池的傷害。最后是離網(wǎng)SOC約束。每輛車離開(kāi)的時(shí)候SOC至少要達(dá)到用戶設(shè)定的目標(biāo)值但也不需要強(qiáng)制充滿。這個(gè)約束最容易導(dǎo)致求解失敗因?yàn)檐囕v接入時(shí)間短、初始SOC低、充電功率有限很可能在離開(kāi)前充不到目標(biāo)值。后面我會(huì)專門講怎么處理。1.3 為什么“實(shí)時(shí)”比“日前”更適合V2G很多論文先做“日前調(diào)度”也就是基于預(yù)測(cè)曲線一次性算出24小時(shí)的充放電計(jì)劃再讓車輛執(zhí)行。這個(gè)方法在歷史負(fù)荷平穩(wěn)、車輛行蹤規(guī)律時(shí)效果還行但一旦遇到車輛接入時(shí)間隨機(jī)、臨時(shí)改計(jì)劃、或者天氣變化導(dǎo)致基礎(chǔ)負(fù)荷波動(dòng)日前計(jì)劃就失效了。實(shí)時(shí)調(diào)度采用“滾動(dòng)窗口”的思路每個(gè)調(diào)度周期只求解未來(lái)4小時(shí)或者1小時(shí)的控制指令但只執(zhí)行第一個(gè)周期的功率到下一個(gè)15分鐘再刷新?tīng)顟B(tài)、重新求解。這也是模型預(yù)測(cè)控制MPC的經(jīng)典框架。好處是對(duì)預(yù)測(cè)誤差的容忍度高車輛隨機(jī)接入也能隨時(shí)納入優(yōu)化不需要重跑全天計(jì)劃。代價(jià)是求解頻率變高算法必須足夠快。我在Matlab里用線性規(guī)劃實(shí)現(xiàn)滾動(dòng)窗口單次求解時(shí)間基本在幾十毫秒量級(jí)完全滿足15分鐘一個(gè)周期的實(shí)時(shí)性要求。2. 核心算法選型與Matlab實(shí)現(xiàn)要點(diǎn)2.1 幾種常見(jiàn)調(diào)度算法怎么選V2G調(diào)度算法從數(shù)學(xué)上看是一個(gè)約束優(yōu)化問(wèn)題可選的方法非常多。我自己做過(guò)對(duì)比把結(jié)論整理成表格算法類型優(yōu)點(diǎn)缺點(diǎn)適合場(chǎng)景線性規(guī)劃LP求解快、全局最優(yōu)、模型直觀目標(biāo)函數(shù)和約束必須是線性的功率變量連續(xù)、費(fèi)用和負(fù)荷優(yōu)化混合整數(shù)線性規(guī)劃MILP能建模0/1開(kāi)關(guān)、啟停狀態(tài)求解速度隨整數(shù)變量數(shù)明顯下降需要嚴(yán)格禁止同時(shí)充放電、多檔位控制動(dòng)態(tài)規(guī)劃理論上能得到全局最優(yōu)狀態(tài)空間爆炸車輛多時(shí)基本不可行單車或少車輛調(diào)度遺傳算法/粒子群適應(yīng)強(qiáng)非線性目標(biāo)參數(shù)敏感、每次結(jié)果可能不一致、實(shí)時(shí)性差離線方案設(shè)計(jì)、參數(shù)標(biāo)定MPC滾動(dòng)優(yōu)化能處理不確定性、滾動(dòng)修正需要模型和求解器配合實(shí)時(shí)調(diào)度、復(fù)雜系統(tǒng)控制我最終選了“滾動(dòng)時(shí)域LP”作為主方案。原因有兩個(gè)一是V2G調(diào)度模型在15分鐘粒度下SOC更新、功率約束都可以寫成線性關(guān)系不需要非線性求解二是LP能夠保證每次求解的穩(wěn)定性和速度方便我做重復(fù)實(shí)驗(yàn)對(duì)比不同參數(shù)。如果你想把“同周期不能同時(shí)充放電”這個(gè)邏輯做實(shí)可以在LP基礎(chǔ)上加0/1變量升級(jí)成MILP但需要接受更大的計(jì)算開(kāi)銷。我的經(jīng)驗(yàn)是在正常分時(shí)電價(jià)且目標(biāo)函數(shù)有費(fèi)用懲罰的前提下LP最優(yōu)解天然不會(huì)同時(shí)充放電顯式加上“功率之和小于上限”的約束已經(jīng)足夠了。2.2 滾動(dòng)時(shí)域LP的完整流程實(shí)時(shí)調(diào)度的主循環(huán)我用偽代碼表示會(huì)更清楚初始化時(shí)間戳、電價(jià)曲線、基礎(chǔ)負(fù)荷曲線、車輛參數(shù)。對(duì)每個(gè)調(diào)度周期k 1:T只保留當(dāng)前仍接入、且還沒(méi)到離開(kāi)時(shí)間的車輛更新每輛車的最新SOC讀取未來(lái)H個(gè)周期的電價(jià)預(yù)測(cè)和基礎(chǔ)負(fù)荷預(yù)測(cè)構(gòu)建LP模型定義決策變量、目標(biāo)函數(shù)、約束調(diào)用solve得到最優(yōu)功率序列只取第一個(gè)周期的控制指令更新車輛狀態(tài)存下結(jié)果進(jìn)入下一輪。這里有個(gè)容易被忽略的細(xì)節(jié)每個(gè)調(diào)度周期內(nèi)離開(kāi)時(shí)間早于預(yù)測(cè)窗口結(jié)束的車輛在離開(kāi)后的時(shí)段就不應(yīng)該再出現(xiàn)在約束里。實(shí)現(xiàn)時(shí)我會(huì)生成一個(gè)“可用車輛-時(shí)段”的掩碼矩陣所有功率變量都乘以這個(gè)掩碼。否則車輛已經(jīng)離開(kāi)SOC約束還在強(qiáng)制它參與調(diào)度這既不合理也會(huì)造成不可行。2.3 Matlab代碼的基本骨架與變量設(shè)計(jì)最開(kāi)始我把所有代碼堆在一個(gè)大腳本里結(jié)果改一個(gè)參數(shù)要翻半天后來(lái)重構(gòu)成了三個(gè)模塊參數(shù)定義、模型構(gòu)建、滾動(dòng)循環(huán)。車輛參數(shù)我統(tǒng)一用struct數(shù)組保存每個(gè)元素包含電池容量、最大功率、接入/離開(kāi)時(shí)間、初始SOC、SOC上下限、目標(biāo)SOC和充放電效率。核心的滾動(dòng)循環(huán)代碼長(zhǎng)這樣for k 1:totalPeriods horizon min(H, totalPeriods - k 1); active (veh.startTime k) (veh.leaveTime k); prob optimproblem(ObjectiveSense, minimize); Pch optimvar(Pch, nEV, horizon, LowerBound, 0); Pdis optimvar(Pdis, nEV, horizon, LowerBound, 0); % 目標(biāo)函數(shù)購(gòu)電成本 峰負(fù)荷懲罰 放電懲罰 cost 0; for t 1:horizon netLoad baseLoad(kt-1) sum(Pch(:,t)) - sum(Pdis(:,t)); cost cost price(kt-1) * sum(Pch(:,t) - Pdis(:,t)) ... penalty * netLoad; end prob.Objective cost; % 約束功率上限、變壓器容量、SOC更新等 prob.Constraints.powerUpper Pch Pdis veh.maxPower; prob.Constraints.transformer ... baseLoad(k:khorizon-1) sum(Pch,1) - sum(Pdis,1) transformerCap; [sol, fval, exitflag] solve(prob); ... end當(dāng)然這只是示意真正跑起來(lái)還需要把掩碼矩陣乘進(jìn)去并把SOC更新寫成矩陣形式。SOC更新如果放在LP模型內(nèi)部需要用到過(guò)去SOC作為初值我會(huì)把當(dāng)前SOC作為常量寫入而不是作為決策變量否則模型會(huì)變成一個(gè)動(dòng)態(tài)非凸問(wèn)題不能直接用LP求解。2.4 求解器與性能細(xì)節(jié)Matlab里solve會(huì)自動(dòng)調(diào)用默認(rèn)的線性規(guī)劃求解器對(duì)幾百個(gè)變量的LP來(lái)說(shuō)完全足夠。但如果你要跑很多組實(shí)驗(yàn)建議把求解選項(xiàng)固定下來(lái)比如設(shè)置“最大迭代次數(shù)”、“約束容差”避免每次求解都啟動(dòng)默認(rèn)邏輯。更快的做法是直接用linprog把目標(biāo)函數(shù)、不等式約束的矩陣和向量手動(dòng)組裝成標(biāo)準(zhǔn)形式。初期調(diào)試用optimproblem更容易定位問(wèn)題后期性能優(yōu)化再遷移到linprog。我要強(qiáng)調(diào)一個(gè)容易踩的坑optimvar的維度是nEV x horizon但寫約束時(shí)sum(Pch,1)得到的是一個(gè)1 x horizon向量而baseLoad可能是行向量也可能是列向量。Matlab對(duì)隱式擴(kuò)展有它的規(guī)則一旦方向不一致要么報(bào)維度錯(cuò)誤要么得到錯(cuò)誤的約束矩陣。我后來(lái)統(tǒng)一把時(shí)間維度固定為行向量車輛維度固定為列向量再也沒(méi)因?yàn)檫@個(gè)出過(guò)問(wèn)題。3. 實(shí)操過(guò)程與案例實(shí)現(xiàn)3.1 算例場(chǎng)景和參數(shù)設(shè)置為了讓結(jié)果可復(fù)現(xiàn)我給一個(gè)保守但貼近實(shí)際的案例。假設(shè)配電臺(tái)區(qū)變壓器額定容量500kW基礎(chǔ)負(fù)荷取典型的夏季工作日形狀高峰集中在傍晚18點(diǎn)到22點(diǎn)。調(diào)度周期15分鐘一天96個(gè)點(diǎn)。電動(dòng)汽車共20輛統(tǒng)一采用50kWh電池額定充放電功率7kW充放電效率95%。參數(shù)取值調(diào)度周期15分鐘預(yù)測(cè)時(shí)域H16步4小時(shí)車輛數(shù)20電池容量50 kWh最大充放電功率7 kWSOC范圍0.2 ~ 0.9目標(biāo)SOC0.9峰時(shí)電價(jià)0.8 元/kWh谷時(shí)電價(jià)0.3 元/kWh車輛接入時(shí)間我隨機(jī)分布在8點(diǎn)到20點(diǎn)之間離開(kāi)時(shí)間集中在17點(diǎn)到22點(diǎn)。這樣做能逼出問(wèn)題很多車下午接入晚上就要離開(kāi)充電窗口很短還正好撞上電網(wǎng)負(fù)荷高峰。如果沒(méi)有V2G這一大波充電需求會(huì)硬生生疊在負(fù)荷曲線峰值上變壓器壓力會(huì)非常大。3.2 從數(shù)據(jù)生成到滾動(dòng)求解的關(guān)鍵代碼我先把基礎(chǔ)負(fù)荷和電價(jià)生成好用數(shù)組保存然后寫一個(gè)車輛狀態(tài)更新函數(shù)function socNext updateSOC(soc, Pgrid, params) % Pgrid 正表示從電網(wǎng)取電負(fù)表示向電網(wǎng)放電 if Pgrid 0 socNext soc params.chargeEff * Pgrid * params.dt / params.batteryCapacity; else socNext soc Pgrid * params.dt / (params.batteryCapacity * params.dischargeEff); end end這里有一個(gè)非常重要的設(shè)計(jì)Pgrid是“和電網(wǎng)交換的功率”所以在放電時(shí)電池內(nèi)部實(shí)際消耗的功率是-Pgrid / dischargeEff而不是-Pgrid。這個(gè)符號(hào)如果搞反SOC更新就會(huì)出現(xiàn)“越放電電量越多”的靈異現(xiàn)象。我在調(diào)試時(shí)遇到過(guò)兩次代碼邏輯檢查了半小時(shí)才發(fā)現(xiàn)是效率取反。接著是LP模型構(gòu)建。為了兼顧速度和調(diào)試我直接調(diào)用linprog把目標(biāo)函數(shù)系數(shù)向量f和約束矩陣Aineq、bineq組裝出來(lái)。決策變量的排列方式我定為前nEV * H個(gè)變量是各周期各車的充電功率后nEV * H個(gè)變量是各周期各車的放電功率。這個(gè)排列順序一旦確定所有矩陣的列都要按它來(lái)。我建議在做矩陣拼裝時(shí)先把索引函數(shù)寫好比如chIdx (i,t) (t-1)*nEV i; disIdx (i,t) nEV*H (t-1)*nEV i;這樣寫約束時(shí)邏輯很直觀不容易索引錯(cuò)位。3.3 模擬結(jié)果怎么讀我對(duì)三種策略做了對(duì)比無(wú)調(diào)度車輛一接入就最大功率充電、單向分時(shí)充電只能充電不能放電、本文實(shí)時(shí)調(diào)度允許V2G雙向并滾動(dòng)優(yōu)化。模擬趨勢(shì)如下策略峰值負(fù)荷kW用戶平均充電費(fèi)用元平均離網(wǎng)SOC無(wú)調(diào)度45814.20.82單向分時(shí)充電42110.30.90V2G滾動(dòng)調(diào)度3858.60.90這說(shuō)明V2G對(duì)削峰填谷和用戶成本都有明顯作用。峰值負(fù)荷下降并不是因?yàn)樯俪淞穗姸前岩徊糠指叻宄潆娦枨笄耙仆瑫r(shí)讓部分車輛在傍晚高峰時(shí)放電給其他車輛騰出負(fù)荷空間。離網(wǎng)SOC在V2G調(diào)度下依然能保持0.90說(shuō)明放電并沒(méi)有犧牲用戶出行需求。當(dāng)然這個(gè)表里的數(shù)字只是模擬算例不能直接套到其他場(chǎng)景里。如果你把峰谷價(jià)差縮小V2G放電收益會(huì)明顯下降如果車輛數(shù)量增加而變壓器容量不變削峰空間也會(huì)跟著受限。所以做項(xiàng)目時(shí)一定要自己跑參數(shù)敏感性分析而不是照抄別人結(jié)論。4. 常見(jiàn)問(wèn)題與調(diào)試心得4.1 四個(gè)最容易遇到的求解報(bào)錯(cuò)我調(diào)這個(gè)項(xiàng)目時(shí)報(bào)錯(cuò)類型基本集中在四類整理成速查表報(bào)錯(cuò)或異?？赡茉蚪鉀Q辦法“Problem is infeasible”離網(wǎng)前充不到目標(biāo)SOC或變壓器容量過(guò)小導(dǎo)致所有車輛無(wú)法同時(shí)充電把目標(biāo)SOC改為軟約束加松弛變量求解成功但SOC越界調(diào)度循環(huán)里狀態(tài)更新與模型預(yù)測(cè)不一致檢查充放電效率正反方向、調(diào)度周期單位結(jié)果出現(xiàn)大量“既充又放”目標(biāo)函數(shù)缺少懲罰或電價(jià)有負(fù)值增加放電懲罰項(xiàng)或升級(jí)為MILP求解時(shí)間隨車輛數(shù)急劇上升用optimproblem頻繁創(chuàng)建問(wèn)題對(duì)象改用linprog、避免循環(huán)內(nèi)重定義峰值負(fù)荷反而更高只優(yōu)化費(fèi)用沒(méi)有加入峰負(fù)荷約束目標(biāo)函數(shù)中加入峰谷差或變壓器容量的罰項(xiàng)這里面最坑的是第一類。車輛接入時(shí)間短、初始SOC低時(shí)LP會(huì)連一個(gè)可行解都找不到。我的解決辦法是把離網(wǎng)SOC約束改成[ SOC_{i,leave} s_i \ge SOC_{i,target} ]其中 (s_i) 是松弛變量同時(shí)在目標(biāo)函數(shù)里加入 (M \cdot \sum s_i)M是一個(gè)很大的懲罰系數(shù)。這樣大部分場(chǎng)景都能求解車輛如果實(shí)在充不滿也會(huì)以最小的違約程度離開(kāi)。4.2 實(shí)時(shí)性優(yōu)化的幾條經(jīng)驗(yàn)剛開(kāi)始我用optimproblem跑20輛車、96個(gè)周期整個(gè)調(diào)度要兩三分鐘才能完成作為離線仿真勉強(qiáng)能忍但離“實(shí)時(shí)”差得很遠(yuǎn)。后來(lái)我發(fā)現(xiàn)瓶頸不在求解而在每次循環(huán)里反復(fù)構(gòu)造優(yōu)化問(wèn)題對(duì)象Matlab的面向?qū)ο蠓庋b開(kāi)銷非常大。把核心求解改成linprog之后同樣的算例壓縮到幾十秒。再進(jìn)一步采用離線預(yù)計(jì)算索引矩陣、全程向量化效果會(huì)更好。有一個(gè)更實(shí)用的技巧是縮小預(yù)測(cè)時(shí)域如果只做1小時(shí)預(yù)測(cè)也就是4個(gè)調(diào)度周期計(jì)算量會(huì)降到原來(lái)的四分之一而調(diào)度效果因?yàn)闈L動(dòng)更新的存在并不會(huì)劣化太多。如果你要處理上百輛車我建議直接用稀疏矩陣描述約束因?yàn)榇蟛糠旨s束矩陣都是對(duì)角塊結(jié)構(gòu)稀疏后會(huì)快很多。Matlab里sparse函數(shù)的應(yīng)用很值得花半小時(shí)研究。4.3 能量守恒是調(diào)試的第一道關(guān)卡調(diào)度算法寫完了怎么判斷它對(duì)不對(duì)我的方法只有一個(gè)先查能量守恒。把整個(gè)調(diào)度周期內(nèi)所有車輛的充電電量加起來(lái)減去放電電量再和SOC變化總量對(duì)比。對(duì)一輛車來(lái)說(shuō)關(guān)系是[ \sum_t P_{ch,i,t} \cdot \eta_c - \sum_t \frac{P_{dis,i,t}}{\eta_d} E_i \cdot (SOC_{i,end} - SOC_{i,start}) ]如果左端明顯大于右端說(shuō)明代碼可能在某個(gè)環(huán)節(jié)讓能量憑空產(chǎn)生。最常見(jiàn)的原因是放電效率用反或者SOC更新時(shí)用了與LP模型內(nèi)不同的公式。我記得有一次結(jié)果看起來(lái)特別好峰谷差小、成本低但車主平均離網(wǎng)SOC只有0.75明顯低于預(yù)期。一查發(fā)現(xiàn)是放電懲罰寫成了負(fù)的等于系統(tǒng)通過(guò)反復(fù)放電“賺錢”最后所有車都被放空了。所以做這類項(xiàng)目不能只看目標(biāo)函數(shù)值每個(gè)約束的實(shí)際狀態(tài)都要在結(jié)果里輸出出來(lái)檢查。4.4 我的調(diào)試工作流我現(xiàn)在的習(xí)慣是先跑一個(gè)3輛車、2小時(shí)的小場(chǎng)景把功率曲線和SOC曲線畫出來(lái)逐行確認(rèn)每輛車的動(dòng)作都符合預(yù)期。小場(chǎng)景沒(méi)問(wèn)題之后再逐步放大車輛數(shù)和時(shí)間窗口。每做一次改動(dòng)我都會(huì)記錄三個(gè)指標(biāo)總充電量、總放電量、全部車的離網(wǎng)SOC分布。如果這三個(gè)指標(biāo)相對(duì)基線有明顯異常就先停下加日志排查而不是繼續(xù)調(diào)參數(shù)。另外我會(huì)保留上一輪調(diào)度結(jié)果作為對(duì)照。有次為了測(cè)試新約束我把結(jié)果圖和前一天的舊圖疊在一起看一下發(fā)現(xiàn)新代碼在晚上8點(diǎn)后把所有車都強(qiáng)制放電了原因是變壓器約束那里的baseLoad索引寫錯(cuò)了一位把負(fù)荷序列整體左移了一個(gè)周期。這類索引錯(cuò)誤在沒(méi)有對(duì)照?qǐng)D時(shí)很難一眼看出來(lái)。5. 擴(kuò)展方向與個(gè)人體會(huì)5.1 從仿真到落地還要補(bǔ)哪些模塊仿真能跑通和真車能上線之間還有很大距離。第一個(gè)缺口是通訊延遲和數(shù)據(jù)質(zhì)量調(diào)度中心拿到的SOC、功率、車輛連接狀態(tài)都不是實(shí)時(shí)完美的需要考慮測(cè)量噪聲和丟包。第二個(gè)缺口是預(yù)測(cè)更新真實(shí)電價(jià)和負(fù)荷預(yù)測(cè)每隔幾分鐘就會(huì)更新滾動(dòng)優(yōu)化需要接入實(shí)時(shí)預(yù)測(cè)接口。第三個(gè)缺口是執(zhí)行偏差實(shí)際功率指令到達(dá)充電樁后可能因?yàn)檐囕d協(xié)議限制無(wú)法精確執(zhí)行。我目前還在擴(kuò)展的方向是把光伏發(fā)電的不確定性加進(jìn)MPC里。當(dāng)屋頂光伏出力預(yù)測(cè)有誤差時(shí)調(diào)度策略需要預(yù)留一部分電池容量來(lái)應(yīng)對(duì)功率偏差這就變成了隨機(jī)模型預(yù)測(cè)控制。目標(biāo)函數(shù)里還要加“預(yù)測(cè)偏差導(dǎo)致的不平衡懲罰”比確定性模型復(fù)雜不少但更貼近實(shí)際園區(qū)綜合能源系統(tǒng)的需求。5.2 代碼工程化與組織建議如果你打算長(zhǎng)期在這個(gè)項(xiàng)目上迭代我強(qiáng)烈建議把代碼模塊化。我的項(xiàng)目文件分成了三個(gè)層次配置層一個(gè)params_define.m集中管理所有參數(shù)包括車輛數(shù)、電池容量、效率、預(yù)測(cè)時(shí)域、懲罰系數(shù)。模型層一個(gè)build_problem.m根據(jù)當(dāng)前周期和車輛狀態(tài)構(gòu)建LP或MILP問(wèn)題返回目標(biāo)系數(shù)和約束矩陣。調(diào)度層一個(gè)run_scheduler.m負(fù)責(zé)滾動(dòng)循環(huán)、狀態(tài)更新、結(jié)果存儲(chǔ)。這樣當(dāng)你需要換一套電價(jià)曲線、換一組車輛參數(shù)或者換一個(gè)求解器時(shí)不需要?jiǎng)雍诵倪壿嫛Ｎ疑踔習(xí)涯繕?biāo)函數(shù)里的懲罰系數(shù)也做成數(shù)組方便做靈敏度分析時(shí)批量修改。存儲(chǔ)結(jié)果時(shí)我建議把所有中間變量統(tǒng)一寫進(jìn)一個(gè)states結(jié)構(gòu)體每個(gè)調(diào)度周期往里面追加一條記錄。最后畫圖時(shí)只用一段通用的畫圖函數(shù)從states里提取數(shù)據(jù)比在循環(huán)里散落一堆plot要清爽得多。5.3 個(gè)人體會(huì)這個(gè)項(xiàng)目做下來(lái)最深的感受是“算法本身不難難在驗(yàn)證”。市面上很多V2G調(diào)度論文展示的效果很漂亮但代碼細(xì)節(jié)往往經(jīng)不起反復(fù)推敲。最快的學(xué)習(xí)方式不是直接套用論文參數(shù)而是先寫一個(gè)最簡(jiǎn)單的規(guī)則調(diào)度做基線再上優(yōu)化算法。如果沒(méi)有對(duì)薄弱基線你會(huì)很難判斷峰值負(fù)荷下降究竟是因?yàn)檎{(diào)度算法有效還是因?yàn)槟承﹨?shù)調(diào)得順手。我自己踩過(guò)多次坑之后現(xiàn)在已經(jīng)形成習(xí)慣每一步改動(dòng)都留下一個(gè)可以回滾的腳本每次實(shí)驗(yàn)都保存結(jié)果數(shù)據(jù)和參數(shù)文件。這樣做雖然煩瑣但絕大多數(shù)項(xiàng)目里的“玄學(xué)問(wèn)題”最后都能在對(duì)比中找到答案。V2G實(shí)時(shí)調(diào)度是一個(gè)值得長(zhǎng)期深耕的方向如果你也想動(dòng)手做一遍我建議從今天這個(gè)20輛車、15分鐘粒度的案例開(kāi)始先把能量守恒跑通再逐步疊加預(yù)測(cè)和不確定性每一步都看得見(jiàn)摸得著比直接啃論文踏實(shí)得多。