基于双层优化的微电网系统规划容量配置方法 摘要：与目前大部分的微网优化调度代码不同，本代码主要做的是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。 出图效果也非常清楚，具体可以看下图。 代码非常精品，注释几乎一行一注释；实现效果见下图，结果合理。

微电网规划这事儿听起来像在玩策略游戏——既要考虑光伏板铺多少、风机装几台，还得琢磨储能电池的容量够不够撑过阴雨天。传统优化方案往往只盯着调度策略，但真到了要掏钱建电站的时候，才发现设备容量配置才是成本大头。最近扒到个双层优化代码，直接把容量规划和运行调度两个层面打通了，像极了游戏里先布局防御塔再实时调整战术的操作。

先看上层模型的暴力美学——这里用遗传算法搞组合优化。代码里初始化种群那段特别有意思：

def initialize_population():
    pop = np.random.randint(low=[50,100,200], high=[500,800,1000], size=(POP_SIZE,3))
    return pop * 0.01  # 转换成兆瓦单位

简单粗暴地生成几百组随机配置方案，光伏容量在0.5-5MW之间波动。注意这里的单位转换细节，工程场景里这种量纲处理不当分分钟让成本计算翻车。

下层的调度模型才是真正的算力黑洞。看这段购电成本计算：

def calculate_operation_cost(config):
    # config是上层传入的容量配置
    model = gp.Model()  # Gurobi真香警告
    power_grid = model.addVars(24, lb=-config['storage'])  # 允许反向卖电
    
    # 典型的时间电价机制
    buy_price = [0.35 if 8<=h<22 else 0.2 for h in range(24)]
    model.setObjective(gp.quicksum(power_grid[h]*buy_price[h] for h in range(24)))
    
    # 这里省略了风机出力约束和储能循环逻辑...
    return model.optimize()

这段代码把分时电价机制玩得很溜，早上8点到晚10点按高峰电价计算。注意power_grid变量的lb参数设为负的储能容量，意味着允许储能系统反向卖电给电网——这个负号要是漏了，整个经济性模型直接崩盘。

基于双层优化的微电网系统规划容量配置方法 摘要：与目前大部分的微网优化调度代码不同，本代码主要做的是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。 出图效果也非常清楚，具体可以看下图。 代码非常精品，注释几乎一行一注释；实现效果见下图，结果合理。

最带劲的是双层模型的数据传递方式。上层在评估每个个体适应度时，会触发下层模型的完整求解：

def fitness_function(config):
    op_cost = lower_layer_schedule(config)  # 下层求解
    invest_cost = config.sum() * UNIT_PRICE  # 单位容量造价
    return invest_cost + op_cost * 365  # 年化成本

这种嵌套调用在代码结构上看着简单，实际运行时计算量爆炸。好在用了Gurobi的快速求解器，不然普通规划软件估计得卡成PPT。

可视化部分藏着个骚操作——用桑基图展示能量流动：

plt.stackplot(time, pv_output, wind_output, grid_power, 
             labels=['PV','Wind','Grid'], colors=['gold','cyan','gray'])
plt.fill_between(time, storage_soc, alpha=0.3)  # 储能荷电状态

金色代表光伏出力，青色是风机发电，灰色部分显示电网交互。储能SOC的透明度填充让充放电过程一目了然，比单纯折线图更有层次感。

折腾完这套代码最大的感悟是：好的优化模型得像洋葱一样有层次。上层负责战略布局，下层处理战术执行，两者用成本核算这根线串起来。不过真要落地应用的话，可能得在风机出力预测模型里加些机器学习的花活——毕竟靠历史数据生成的典型日曲线，在风光波动剧烈的场景下还是有点虚。