风电、光伏、储能(含电池和废弃矿井小型抽水蓄能)互补调度运行研究Matlab代码实现)搞新能源调度快十年了这两年最明显的感受就是单打独斗的风电场、光伏电站越来越难混不是被弃电限发就是出力曲线难看被考核。真正解决痛点的路子是把风、光、储能揉在一个调度框架里让它们互相补位。这个方向我断断续续做了小一年最近用Matlab把整套互补调度模型跑通了从建模、求解到结果分析踩了不少坑拿出来跟大家聊聊。这套模型解决的核心问题一句话说就是在风电、光伏出力都不可控的前提下怎么靠电池储能和废弃矿井改造的小型抽水蓄能把联合出力曲线“熨平”到满足并网要求同时让综合收益最大化。听起来是个优化问题做起来牵扯到功率平衡、设备约束、电价机制、非线性效率曲线每一处都是细节。下面我把整个研究思路、Matlab实现的关键环节和踩坑记录都拆开讲。1. 项目整体框架与调度思路拆解1.1 为什么要做风光储互补调度光看风电场或光伏电站的单点出力波动性特别大。风电是“晚上未必有风”光伏是“白天晴转多云就坐过山车”。如果并网功率波动超过限值调度机构考核罚款是小事严重的会被要求限发白白损失发电量。储能的价值不是“多发电”而是“择时释放”。电池响应快毫秒级跟踪指令没问题适合平抑短时波动抽水蓄能响应慢一些但容量大、寿命长、度电成本低适合做日内的能量搬移和削峰填谷。把两者放在一起就形成了一条“快慢搭配”的调节链条。另一个更现实的驱动力是电价机制。现在很多省份实行分时电价甚至现货市场已经铺开峰谷价差很大。如果光靠风、光自然出力中午光伏大发的时候电价可能正是低谷晚上用电高峰风电反而没出力。储能的存在把低成本时段弃电时段的电能搬到高电价时段去卖收益结构完全改变了。1.2 废弃矿井抽水蓄能——一个被低估的储能选项大家平时谈抽水蓄能多半想到的是大型抽蓄电站投资几十亿建设周期五六年小项目根本玩不起。但废弃矿井这个场景天然具备上下水库的雏形。煤矿关停后地下巷道和采空区空间很大地面塌陷区也能形成天然洼地。只需要在井下建一个地下水库、地面建一个小型上库加上一套可逆式水泵水轮机就能形成一个小型抽水蓄能系统。这跟电池比前期建设成本还是要高一些但胜在规模大、寿命长而且把废矿盘活了土地和矿井空间再利用在政策上也有支持。在调度模型里废弃矿井抽蓄跟常规抽蓄的建模思路基本一致只是容量参数更小、效率参数更保守而且需要额外考虑井下水位变化对可用容量的影响。这套模型中我把它的额定功率设为25MW有效库容对应4小时满发时长作为日内的“主力调节电源”。1.3 互补调度的三层决策逻辑整个调度的核心逻辑我会拆成三层来看。第一层是功率平衡层也就是每一时刻风电光伏电池放电抽蓄放电必须等于负荷或并网指令电池充电抽蓄抽水。这是硬约束任何一个时刻打破平衡模型就跑不下去。第二层是设备约束层每台设备都有出力上下限、爬坡速率、能量状态约束。电池不能过充过放抽蓄不能频繁启停光伏逆变器不能超发。第三层是经济优化层在满足前两层约束的前提下把运行收益最大化。收益来自售电收入成本来自购电费用和设备损耗折算目标函数就是一个时段的净收益最大化。这三个层次之间是嵌套关系数学上落到一个混合整数线性规划问题。为什么要用混合整数因为抽蓄的“抽水/发电”两种工况切换是离散决策电池的充放电状态切换理论上也是离散的。把离散状态变量和连续功率变量放在一起优化自然就引入了0-1整数变量。1.4 为什么选择Matlab搭建整套模型干这行的都知道Matlab在电力系统领域生态太成熟了。从数据读取、矩阵运算到优化求解、结果画图一条龙下来非常顺。另一个原因是很多老师、工程师、研究生手头的算例和测试数据都是Matlab格式的拿过来直接能用。对比Python虽然开源库多但电力系统专业的同学对Matlab的接受度普遍更高。这个项目用到了YALMIP工具箱做建模求解器选的是GurobiMatlab做上层驱动三者的配合非常成熟。Matlab代码还有一个优势就是面向过程的写法很容易读。我不需要像C那样管理内存不需要像Python那样反复纠结环境和包的版本一个脚本文件从头读到尾逻辑清清楚楚。这对课题组传承代码、学生上手改参数都是很友好的。2. 核心数学模型与约束条件详解2.1 目标函数调度到底在优化什么我做的是日前调度时间尺度取24小时步长1小时一共24个时段。调度目标是让全天的净收益最大。目标函数我写成这样max F sum_t ( price_sell(t) * P_grid_out(t) - price_buy(t) * P_grid_in(t) )其中P_grid_out(t)是t时段向电网售出的功率P_grid_in(t)是从电网购入的功率。实际运行中风、光、储联合体既可以上网卖电也可能在储能充电时需要从电网买电。收益最大化意味着高电价时段尽量多放电、多卖电低电价时段尽量多充电、少卖电。有些文献会把弃风弃光惩罚也加进目标函数比如beta * (P_wind_avail(t) - P_wind(t))。我这里用了一个更自然的做法把弃风弃光的损失折算成机会成本直接在目标函数里加入一个很小的正系数乘上弃电量。这样做的目的不是真的要惩罚而是给优化器一个“优先消纳新能源”的导向避免出现为了收益最大化而主动弃掉可再生电力的反直觉结果。有人可能会问储能充放效率带来的损耗怎么体现我的做法是在约束里已经把充电功率和放电功率分开建模效率损耗直接反映在“充1度电只能放0.9度电”的物理关系上。这部分损耗会在功率平衡约束里自然体现不需要在目标函数里额外加惩罚项。2.2 功率平衡约束每时每刻都要守恒功率平衡约束是整个模型最核心的等式约束。我把它写成P_wind(t) P_pv(t) P_bat_dch(t) P_psh_gen(t) P_grid_in(t) P_load(t) P_bat_ch(t) P_psh_pump(t) P_grid_out(t)左边全是“源”右边全是“荷”。注意这个模型是并网型的所以电网侧既可以作为源购电也可以作为荷售电。P_load(t)是本地负荷我这里设为一个工商业园区的典型日负荷曲线峰值大约60MW。这个等式约束在Matlab里用YALMIP写起来非常直接Constraints [Constraints, ... P_wind P_pv P_bat_dch P_psh_gen P_grid_in ... P_load P_bat_ch P_psh_pump P_grid_out];这里有个细节容易忽略P_grid_in和P_grid_out不能同时为正否则就会出现“一边买电一边卖电”的荒谬结果。虽然目标函数会自动避免这种情况因为买卖价差的存在但为了数值稳定性我建议还是加上约束让它们的乘积为0或者用一个小epsilon来防止优化器钻空子。2.3 储能系统建模电池与抽蓄的差异化处理电池储能我建模为能量型储能。核心约束是三组功率上下限、爬坡速率、电量状态SOC递推关系。SOC(t1) SOC(t) eta_ch * P_bat_ch(t) * dt / E_bat - P_bat_dch(t) * dt / (eta_dch * E_bat)其中eta_ch取0.95eta_dch取0.95额定容量E_bat是20MWh额定功率P_bat_max是10MW。SOC范围限制在10%到90%之间防止过充过放损伤寿命。这里我踩过一个坑SOC的递推关系式里充电和放电效率不要合并成一个eta_round。很多论文里图省事把充放效率合成一个综合效率0.9看起来简化了模型但实际上会导致“充电便宜、放电贵”的经济信号被扭曲。分开写效率优化器才能正确感知到每一次充放电循环带来的能量损耗成本。抽水蓄能稍微复杂一点因为它的运行模式是离散的。我引入两个0-1变量u_gen(t)表示发电工况u_pump(t)表示抽水工况。约束上强制这两个变量互斥u_gen(t) u_pump(t) 1发电功率和抽水功率的上下限通过这两个0-1变量来约束u_gen(t) * P_psh_gen_min P_psh_gen(t) u_gen(t) * P_psh_gen_max u_pump(t) * P_psh_pump_min P_psh_pump(t) u_pump(t) * P_psh_pump_max抽蓄的库容递推类似电池但要注意抽水效率和发电效率是分开的。小型废弃矿井抽蓄的综合效率通常不到75%比大型抽蓄的80%要低。我取发电效率0.78、抽水效率0.85两者相乘约等于0.66这个参数取值偏保守但更贴近实际改造项目的水平。还有一个细节抽蓄启停有成本频繁切换工况对设备不友好。我在目标函数里加了一个很小的启动惩罚项系数取50元/次。这个数值不来自什么标准纯粹是工程经验的量级估计。有了这个惩罚项优化结果里就不会出现每分钟都在抽水/发电来回切换的“抖振”解。2.4 机组爬坡与弃电约束工程可行性的底线风电和光伏的出力上限是预测值实际出力只能在0到预测值之间连续调节。这对应弃风弃光约束0 P_wind(t) P_wind_ava(t) 0 P_pv(t) P_pv_ava(t)注意这里隐含了一个假设风、光可以主动限发也就是“弃风弃光”是被允许的只是会损失电量。这个假设在调度模型里是标准做法因为如果不允许弃那么储能容量不足的时段模型就无解了。电池和抽蓄的爬坡约束也得写。电池响应快10MW功率可以在1分钟内完成调整在小时级模型里基本不用考虑爬坡约束。但抽蓄的爬坡会慢一些我设了每分钟0.5MW的爬坡限制等效到小时模型里就是30MW/h的限制一般不会触发但写上去更严谨。还有一组容易被忽略的约束是同时性约束。比如抽蓄机组在发电工况时不能同时处于抽水工况电池在充电时也不能同时放电。前面已经用0-1变量互斥约束处理了抽蓄电池还需要额外加一组约束P_bat_ch(t) M * (1 - u_bat_dch(t)) P_bat_dch(t) M * u_bat_dch(t)这里的u_bat_dch(t)是0-1变量M是一个足够大的正数比如100MW。有人说电池充放电同时进行在物理上不可能但如果在模型里不加这组约束优化器真有可能给出“同时充电和放电”的解——因为这样可以同时满足功率平衡和能量递推甚至在某些目标函数下还能增加所谓的“收益”。这绝对是做优化调度最容易犯的错误之一。2.5 分时电价与并网考核模型的经济信号来源分时电价是整个经济优化的核心驱动力。我用了典型的峰谷电价结构时段电价元/MWh说明0:00-8:00250谷段8:00-12:00800峰段12:00-14:00400平段14:00-18:00800峰段18:00-22:001000尖峰段22:00-24:00400平段这个电价结构不是某个省份的精确复制但形状跟很多省份的工商业分时电价很接近。峰谷价差达到4倍甚至有尖峰和谷段的4倍价差这给储能套利留出了充分的收益空间。并网考核部分我引入了并网功率波动约束任意两个相邻时段的并网功率变化不能超过15MW。这个约束写起来很简单-P_ramp_limit P_grid(t1) - P_grid(t) P_ramp_limit但正是这组约束让“互补”变得有实际意义。风电的出力可能在某个小时内从40MW掉到10MW如果没有储能补上并网功率就严重越限了。储能此时的角色就是填补这个缺口让联合出力看起来像一个平滑可控的电源。3. Matlab代码实现与求解实战3.1 工具箱选型YALMIPGurobi的搭配这个项目我用的求解链路是Matlab YALMIP Gurobi。YALMIP是一个建模层工具能把优化问题用接近数学表达式的语法写出来然后翻译成求解器能识别的标准形式。Gurobi是商业求解器求解混合整数线性规划MILP的速度非常快对于24时段、几十个变量的小规模问题几乎是秒解。之前我也试过只用Matlab自带的linprog和intlinprog求解。说实话对于纯线性规划问题linprog完全够用但一旦引入0-1整数变量intlinprog的求解速度远不如Gurobi。尤其在模型规模扩大到几百个节点、上千个时段的时候差距非常明显。YALMIP的安装很简单把下载的文件夹放到Matlab路径里运行yalmiptest验证是否安装成功即可。Gurobi需要申请学术许可证或商业许可证然后在Matlab里用gurobi_setup添加路径。整个过程不超过10分钟网上教程多不细说。3.2 主程序结构设计我的代码目录大致是这样一个布局wind_pv_storage/ ├── main_scheduling.m % 主程序入口 ├── load_data.m % 数据加载模块 ├── build_model.m % 模型构建模块 ├── solve_and_report.m % 求解与报告输出 ├── data/ │ ├── wind_data.csv % 风电预测出力 │ ├── pv_data.csv % 光伏预测出力 │ ├── load_data.csv % 负荷曲线 │ └── price_data.csv % 分时电价 ├── results/ │ ├── dispatch_result.mat % 调度结果 │ └── figures/ % 输出图件 └── utils/ ├── plot_dispatch.m % 画调度结果图 └── summary_table.m % 生成统计表主程序的逻辑分三步走读数据→建模型→求解输出。代码骨架大概长这样%% 初始化 clear; clc; close all; addpath(genpath(./utils)); load_data(); %% 参数设置 T 24; % 调度时段数小时 dt 1; % 时间步长小时 % 储能参数 E_bat 20; % 电池容量 MWh P_bat_max 10; % 电池最大功率 MW eta_ch 0.95; % 充电效率 eta_dch 0.95; % 放电效率 % 抽蓄参数 E_psh 100; % 抽蓄等效库容 MWh P_psh_gen_max 25; % 发电最大功率 MW P_psh_pump_max 25; % 抽水最大功率 MW eta_psh_gen 0.78; % 发电效率 eta_psh_pump 0.85; % 抽水效率 %% 定义决策变量 P_wind sdpvar(1, T); % 风电实际出力 P_pv sdpvar(1, T); % 光伏实际出力 P_bat_ch sdpvar(1, T); % 电池充电功率 P_bat_dch sdpvar(1, T); % 电池放电功率 u_bat_ch binvar(1, T); % 电池充电状态0-1变量 u_bat_dch binvar(1, T); % 电池放电状态0-1变量 P_psh_gen sdpvar(1, T); % 抽蓄发电功率 P_psh_pump sdpvar(1, T); % 抽蓄抽水功率 u_psh_gen binvar(1, T); % 抽蓄发电工况 u_psh_pump binvar(1, T); % 抽蓄抽水工况 SOC_bat sdpvar(1, T1); % 电池SOC V_psh sdpvar(1, T1); % 抽蓄库容 P_grid_out sdpvar(1, T); % 电网友出力 P_grid_in sdpvar(1, T); % 电网购入电力注意SOC和库容的维度是T1因为需要初始状态和结束状态。我在代码里把SOC(1)设为0.5同时加了SOC(T1) 0.5的约束让储能系统在调度周期结束时回到初始状态这样每天的调度策略可以重复执行不会出现“今天把电放光了明天没电可用”的尴尬局面。3.3 模型构建与求解的完整流程模型构建部分的代码核心是把第2节讲的约束逐条翻译成YALMIP语法。我做了一个大函数build_model.m输入参数是结构体params输出是Constraints、Objective和Operations用于提取结果。function [Constraints, Objective, params] build_model(params) % 变量定义略同主程序 % 约束条件集合 Constraints []; %% 功率平衡约束 Constraints [Constraints, ... P_wind P_pv P_bat_dch P_psh_gen P_grid_in ... P_load P_bat_ch P_psh_pump P_grid_out]; %% 新能源出力上下限 Constraints [Constraints, ... 0 P_wind P_wind_ava, ... 0 P_pv P_pv_ava]; %% 电池约束 for t 1:T % 充放电功率上下限 Constraints [Constraints, ... 0 P_bat_ch(t) P_bat_max * u_bat_ch(t), ... 0 P_bat_dch(t) P_bat_max * u_bat_dch(t), ... u_bat_ch(t) u_bat_dch(t) 1]; % SOC递推 Constraints [Constraints, ... SOC_bat(t1) SOC_bat(t) eta_ch * P_bat_ch(t) * dt / E_bat ... - P_bat_dch(t) * dt / (eta_dch * E_bat)]; end Constraints [Constraints, ... SOC_bat(1) 0.5, ... SOC_bat(T1) 0.5, ... 0.1 SOC_bat 0.9];抽蓄的约束类似但多了库容水位约束和工况互斥约束。所有约束加完后目标函数按照第2.1节的写法组装最后调用求解器ops sdpsettings(solver, gurobi, verbose, 2); sol optimize(Constraints, Objective, ops);sdpsettings里的verbose参数我建议调试时设成2可以看求解器日志跑批量算例时设成0省去屏幕输出的开销。如果模型无解sol.problem会返回非0值这时sol.info会给出具体原因是数值问题还是约束不可行。3.4 结果可视化与数据后处理求解完成后我最喜欢做的事情是画两张图。第一张是“调度结果总览图”叠加展示风电出力、光伏出力、电池充放电功率、抽蓄发电/抽水功率、并网功率和负荷曲线一眼看出互补效果。第二张是“SOC与库容变化图”看储能设备的日内运行轨迹。画图用Matlab自带的绘图功能就够了。我习惯把风电画成绿色实线光伏画成黄色虚线电池放电画成红色柱状抽蓄发电画成蓝色柱状充电和抽水画成向下延伸的柱子。负值表示充能正值表示放能图形非常直观。数据后处理包括几个指标全天售电收益、购电成本、弃风弃光量、储能循环次数、并网功率最大波动幅度。这些指标汇总成一个表格方便横向对比不同方案。%% 结果统计 total_revenue sum(price_sell .* P_grid_out) - sum(price_buy .* P_grid_in); total_abandon sum(P_wind_ava - P_wind) sum(P_pv_ava - P_pv); max_ramp max(abs(diff(P_grid))); fprintf(全天净收益: %.2f 元\n, total_revenue); fprintf(弃风弃光量: %.2f MWh\n, total_abandon); fprintf(最大并网波动: %.2f MW/h\n, max_ramp);4. 仿真结果分析与方案对比4.1 一个典型日的调度结果长什么样我跑了一组真实风格的算例风电预测数据来自某平原风电场某典型日最大出力45MW最小出力只有6MW波动非常剧烈。光伏预测数据取夏季晴天的典型曲线中午峰值40MW早晚接近0。负荷曲线是工业园区类型早晚双峰日峰60MW。优化求解后调度结果的几个关键特征如下第一中午时段出现明显的电池充电行为。此时光伏大发电价处于平段电池以满功率10MW充电把多余的光伏电量储存起来。第二傍晚尖峰时段抽蓄和电池同时放电。18:00-22:00尖峰电价高达1000元/MWh此时抽蓄满发25MW电池释放近10MW风电出力也在高位联合并网功率达到峰值收益最丰厚。第三凌晨低谷时段抽蓄抽水。0:00-5:00谷段电价250元/MWh风电夜间出力较高抽蓄以满功率抽水把风电的低价电量搬移到白天的高价时段。电池此时基本不动作因为电池的容量较小、效率损失大跨时段套利不如抽蓄划算。第四并网功率波动被严格限制在15MW/h以内。对比无储能场景下并网功率最大波动接近40MW/h互补调度后的联合出力曲线平滑了很多。这直接说明储能互补的价值。4.2 有储能与无储能的收益对比为了量化储能的价值我做了三组对比无储能、仅电池储能、电池抽蓄储能。结果非常有说服力方案全天净收益元弃风弃光率最大并网波动MW/h无储能318,5008.7%38仅电池352,2003.2%19电池抽蓄385,6000.8%13无储能时弃风弃光率接近9%因为光伏大发的中午时段电网接纳不了那么多电。加上电池后弃电率降到3.2%收益增加约3.3万元。再把抽蓄加进来弃电率几乎降到0收益相比仅电池又增加了3.3万元。这个对比最大的启示是电池擅长解决“短时、高频”的波动问题抽蓄擅长解决“跨时段、大规模”的能量搬移问题。两者互补带来的增益不是简单相加而是“削峰”和“填谷”配合之后产生的协同效应。做课题的时候建议把这组对比跑出来一张表就能说明方案价值。4.3 灵敏度分析什么参数最影响收益我还做了几个参数的灵敏度分析结论供大家参考电价峰谷差是影响收益的第一要素。峰谷价差从3倍扩大到5倍系统总收益会增加25%以上。原因很直观价差拉大后储能套利的空间变大同样一次充放循环赚得更多。抽蓄容量的影响是边际递减的。容量从50MWh涨到100MWh收益明显增加但从100MWh涨到200MWh收益增量就小很多了。因为受到日调节周期限制抽蓄一天最多完成一个充放循环盲目加大容量只会让设备利用率下降。电池效率的敏感性比很多人想象的高。电池充放效率从90%提高到95%看似只涨了5个百分点但全天的能量损耗减少了一半对应收益提升约6%。这说明在电池选型时效率指标比单纯的容量指标更值得关注。5. 常见问题与避坑指南5.1 模型无解或求解极慢怎么办这是初学者最常遇到的问题。我自己的经验可以按照以下顺序排查第一步检查约束是否过紧。比如SOC范围设成5%到95%抽蓄库容下限设得太高这些都可能让模型无解。先放宽到10%到90%试试能解出来再看要不要收紧。第二步检查是否有“互斥约束”遗漏。电池充放电互斥、抽蓄抽水发电互斥这两组约束漏了任何一个模型都可能出现物理上不合理但数学上“有解”的结果。第三步检查是否存在数值量级问题。比如电价是300元/MWh功率是30MW电量是100MWh这些量级本身没什么问题。但如果某个系数是1e-6某个系数是1e6数值范围跨度过大求解器内部的容差设置就可能出问题。遇到这种情况可以把所有变量归一化到1到100的范围内再求解。如果模型能解但求解很慢优先检查是不是整数变量过多。减少整数变量的方法包括把抽蓄的最小连续运行时间约束按阻塞方式建模或者把一天24小时聚合成典型时段再求解。对于科研算例来说24时段的MILP规模Gurobi通常几秒到几十秒就能出结果超过这个时间就要怀疑是不是约束写得太冗余。5.2 电池SOC没回到初始值怎么办这是一个非常隐蔽的坑。如果不加SOC(T1) SOC(1)的约束优化器会把电池在最后一个时段放空因为“未来不需要为明天考虑”。这在单日调度里是合理的但如果要做多日滚动调度或者全年模拟这种“日末清空”策略会让第二天的调度起点变得很差。我的做法是加一个终端约束要求调度周期结束时的SOC不低于初始值。这样每日调度是自洽的可以连续滚动运行。对于抽蓄库容也是一样的道理V(T1) V(1)。当然有些情况下你会故意放开这个约束比如做“电池寿命损耗最小化”分析时允许SOC在调度周期内自然漂移。这取决于你的研究目标不是绝对的对错。5.3 如何验证模型结果的合理性跑出结果之后不要急着画图写报告。我有一个“三问”自检法第一个问题功率平衡是否处处满足把每时段的源、荷分别加总差值的绝对值应该小于1e-6的数值容差。如果对不上说明约束组装有遗漏。第二个问题设备出力是否越限检查风电、光伏是否超过预测上限电池功率是否超过额定值抽蓄是否出现同时抽水和发电的坏解。第三个问题经济信号是否符合直觉低谷时段应该充电、尖峰时段应该放电、光伏大发的中午不应该出现弃电但电池满充的悖论。如果出现明显反直觉的行为比如高电价时段还在充电大概率是目标函数或电价数据的符号搞反了。这三关过了模型基本就是可信的。5.4 数据准备环节最容易忽略的事风电和光伏的预测数据要注意单位统一。有些人从不同渠道拿数据有的是kW、有的是MW有的是日平均、有的是瞬时值混在一起用结果必然乱套。我习惯在load_data.m里统一转成MW并且画一张原始数据的快速预览图肉眼扫一眼量级对不对再往下走。电价数据的时段对齐也是常见坑。有的电价表是按“半小时”一个点发布的有的是按“小时”发布的。我的模型步长是1小时如果拿到半小时粒度的电价需要先做聚合取每小时的均值再输入模型。负荷曲线的数据如果是“实际负荷”而不是“预测负荷”要注意调度模型里用的是预测值。在日前调度场景下实际值还没发生只能用预测值做决策。这一点在做对比分析时特别容易引起误会。6. 我的几点实操心得代码跑通之后回头看最大的体会是这类研究的难点从来不在求解算法本身而在于把物理约束转化成数学表达式时有没有把工程细节想透。0-1变量的引入看起来只是多写几行代码实际上代表了你对“设备工况切换”这个物理过程的理解深度。第二个体会是参数标定要贴着工程实际。电池效率95%、抽蓄综合效率66%这些数字不是越优越好而是越真实越好。审稿人也好、工程客户也好最反感的就是拿着不可能达到的效率去画大饼。我宁可把效率写保守一些得出的结论才经得起推敲。第三个体会也是最重要的一点调度模型的经济性结论很大程度上被电价结构主导。换一组电价数据最优策略可能完全变样。所以做方案对比时一定要固定电价输入否则对比的就不是“储能配置”而是“电价套利空间”了。最后分享一个我自己惯用的小技巧在跑正式算例之前先用一组构造的“理想数据”测试模型。比如设风电恒定30MW、光伏恒定20MW、负荷恒定40MW、电价为恒定300元/MWh这种无聊的场景下最优解应该是“储能不动作、并网功率等于风电光伏-负荷”。如果模型在这种平凡场景下还能给出出人意料的结果那一定是代码有bug不要急着上真实数据。这个自检方法帮我抓出过好几个隐蔽的约束写错问题建议人手一份。