4. 需求响应基础算法：线性规划、整数规划与动态规划

各位同学，今天咱们来聊聊需求响应里的三个基础算法。说实话，这三个算法就像工具箱里的三把扳手——各有各的用处，用对了地方事半功倍。我在电力系统干了十几年，跟这些算法打交道的时间比跟家人还多。嗯，咱们一个一个来看。

4.1 线性规划在DR中的应用

线性规划，说白了就是在约束条件下找最优解。你想想看，需求响应里最常见的问题是什么？——在满足用户用电需求的前提下，怎么调整负荷最省钱？这就是典型的线性规划问题。

我举个例子。假设一个工业园区有3条生产线，每条线都能降负荷。但降多少、什么时候降，都有讲究。咱们用线性规划来建模：

# 目标函数：最小化补偿成本
# 变量：x1, x2, x3 分别代表三条线的降负荷量（MW）
# 约束：总降负荷 ≥ 10MW，每条线降负荷范围 0-5MW

min z = 200*x1 + 150*x2 + 180*x3

s.t.
x1 + x2 + x3 ≥ 10
0 ≤ x1 ≤ 5
0 ≤ x2 ≤ 5
0 ≤ x3 ≤ 5

你看，这个模型很简单。但实际项目中，约束条件会多得多。我记得有一次做某省的需求响应试点，光约束条件就列了30多条——什么设备响应速度限制、用户舒适度要求、电网安全约束……写代码写了整整两天。

核心要点：线性规划适用于连续变量、线性约束的问题。在DR中，常用于日前调度、负荷聚合商优化等场景。

我的小技巧：用Python的PuLP库或者SciPy的linprog函数，上手很快。但要注意——实际数据往往有噪声，别太迷信最优解，留点裕量。

4.2 整数规划在DR中的应用

线性规划有个局限——变量必须是连续的。但现实中，很多设备只能开或关，不能半开半关。这时候就需要整数规划了。

为什么会这样？你想想看，空调要么开着要么关着，储能要么充电要么放电，这些状态都是离散的。用0-1变量来表示，就是整数规划。

我给大家看一个实际案例。某商业楼宇参与需求响应，有10台空调机组。每台机组可以关停，但关停后会影响部分区域的温度。怎么选？

# 目标：在满足降负荷要求的前提下，最小化舒适度影响
# 变量：y_i = 1 表示关停第i台机组，0表示保持运行

min z = Σ (舒适度影响系数_i * y_i)

s.t.
Σ (额定功率_i * y_i) ≥ 目标降负荷量
y_i ∈ {0, 1}

这个模型看着简单，但求解起来比线性规划难多了。我曾经踩过一个坑——用穷举法去解10台机组的问题，2^10=1024种组合，还行。但如果是100台机组呢？2^100，算到天荒地老。

避坑指南：我曾经在项目里直接用整数规划求解器处理大规模问题，结果跑了3小时没出结果。后来改用启发式算法+整数规划混合求解，10分钟搞定。记住——实际工程中，求解效率往往比精度更重要。

4.3 动态规划在DR中的应用

动态规划，我个人觉得是这三个算法里最巧妙的。它解决的是多阶段决策问题——比如储能系统怎么充放电最划算？

咱们用一张图来理解动态规划的核心逻辑：

动态规划在储能调度中的应用 t=1 t=2 t=3 t=4 t=5 S1 S2 S2' S3 S3' S4 S4' S5 状态：储能荷电状态（SOC） 箭头：充放电决策 目标：在电价低谷充电，高峰放电

这张图展示的是储能系统5个时段的调度过程。每个圆圈代表一个状态（比如剩余电量），箭头代表充放电决策。动态规划的核心思想就是——从最后一个时段往前推，每个时段只保留最优路径。

我给大家写个简单的动态规划代码框架：

# 储能调度动态规划
# dp[t][s] = 第t时段，电量为s时的最大收益

def dp_schedule(prices, capacity, max_charge, max_discharge):
    T = len(prices)  # 时段数
    dp = [[-float('inf')] * (capacity+1) for _ in range(T+1)]
    dp[0][0] = 0  # 初始电量为0
    
    for t in range(1, T+1):
        for s in range(capacity+1):
            # 尝试所有可能的充放电决策
            for action in range(-max_discharge, max_charge+1):
                prev_s = s - action
                if 0 <= prev_s <= capacity:
                    # 收益 = 放电收入 - 充电成本
                    profit = -action * prices[t-1] if action < 0 else 0
                    dp[t][s] = max(dp[t][s], dp[t-1][prev_s] + profit)
    
    return max(dp[T])

三种算法的对比：

算法 变量类型 典型应用 求解难度
线性规划 连续变量 负荷分配、日前调度 容易
整数规划 0-1变量 设备启停、机组组合 中等
动态规划 状态变量 储能调度、多时段决策 较难（状态空间爆炸）

我的建议：初学者先掌握线性规划，这是基础。整数规划要理解分支定界法的思想。动态规划嘛……嗯，多练几道题就熟了。我当年学动态规划时，把背包问题、最短路径问题各写了10遍，才真正理解它的精髓。

最后说一句——这三种算法不是孤立的。实际项目中，经常是混合使用。比如用线性规划做粗调度，再用整数规划做设备分配，最后用动态规划做时序优化。你想想看，是不是这个理？

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →