虚拟电厂多时间尺度调度：储能衰减建模嵌入优化

我复现了一篇顶刊上关于虚拟电厂多时间尺度调度的工作，核心是把储能衰减建模嵌入调度决策，而不是事后算账。这几天把代码跑通之后，最大的感受是：高比例可再生能源并网真正难的，不是风光预测不准，而是“灵活性”和“储能成本”这两个指标在同一套优化框架里根本互相打架。你想多留热备用容量，就得让储能多充放；想让储能少衰减，就得允许弃风弃光或者频繁调节火电。这篇博文把整个复现过程、建模思路、Matlab实现细节和踩过的坑一起分享一下，尤其适合正在做虚拟电厂、多时间尺度优化调度、或者想把储能老化约束写进优化模型里的同学参考。

先说清楚这是篇什么文章、解决什么问题。论文标题提炼成一句话就是：在可再生能源占比很高的电力系统里，虚拟电厂作为聚合商，怎么通过多时间尺度的调度策略，在实时平衡波动性和控制储能退化成本之间找到一个最优折中。文章的核心贡献有三个：一是把储能电池的循环老化和日历老化写成可微的数学模型，能够直接嵌入线性或者混合整数规划；二是构建了日前—日内—实时三层调度框架，每层用不同的预测精度和决策粒度去处理不同频次的波动；三是用Matlab做了完整仿真，验证了这种架构在面对高比例风电光伏接入时的经济性和可行性。我的复现就是围绕这三条主线来的。

1. 研究问题与建模思路拆解

1.1 为什么高比例可再生能源会让系统“缺灵活性”

高比例可再生能源并网以后，系统面临的最核心问题不是电量不够，而是净负荷（总负荷减去风光出力）的波动变得又大又快。以前一个省级电网的负荷曲线还有比较明显的早晚高峰规律，调度员可以凭经验排发计划。但光伏一上来，中午时段净负荷可能直接掉到很低，傍晚光伏退出时又突然拉升，短短两三个小时里净负荷的爬坡速率可能达到常规机组最大爬坡的两到三倍。这个时候，系统缺的不是装机容量，而是能在分钟级、小时级尺度上快速响应变化的“灵活性资源”。

常规火电机组虽然能调，但最小技术出力限制和高煤耗区间让它在深度调峰时很不划算。水电机组响应快但受来水约束。抽蓄和电化学储能在技术上都能承担灵活性调节任务，但电化学储能的度电成本依然偏高，特别是在频繁充放状态下寿命衰减会明显加快，这又反过来推高了平准化储能成本。所以“灵活性”和“储能成本”就成了一对矛盾：你越依赖储能去平衡波动，储能因循环老化产生的折算成本就越高；你越舍不得用储能，系统就得靠更多弃风弃光或者更贵的火电调节来维持平衡。

虚拟电厂的思路，是把分散的风机、光伏、储能、可调负荷聚合起来，作为一个整体参与系统调度。它不像物理电厂那样有一个实际厂址，而是通过通信和EMS系统把各个分布式资源“虚拟”成一个可以统一调度的电源。这样做的好处是，单个小储能的容量太小，没法参与日前市场或备用市场，但聚合以后就有足够的规模参与主网调度，同时多种资源之间存在互补性——储能响应快但容量有限，可调负荷可以削峰但受舒适度约束，柴油机或燃气轮机功率大但爬坡慢。多时间尺度调度就是把这些不同响应速度、不同成本特性的资源，安排在不同的决策时间层里去发挥作用。

1.2 多时间尺度调度的层级逻辑：谁来决定、决定什么

多时间尺度调度的基本思想是分层决策，各层解决不同时间带宽下的问题。我复现的框架分为三层：日前调度、日内滚动和实时修正。

日前调度的时间尺度是24小时，间隔1小时，基于日前预测的负荷和风电光伏出力曲线，决策出机组启停状态、储能在各小时段的充放电计划、可调负荷的削减计划。因为决策变量里包含机组启停这类0-1变量，这一层本质上是一个混合整数线性规划问题。

日内滚动调度的时间尺度是未来4小时，间隔15分钟，采用模型预测控制的思想。每15分钟滚动一次，基于更新的超短期预测数据重新求解，只执行第一个时段的决策，后续时段作为参考轨迹但不锁定。这层的目的是修正日前计划与实时实际之间的偏差，特别是应对风速突变、云层遮挡导致的光伏骤降等场景。

实时修正层的时间尺度是分钟级甚至秒级，主要面对的是频率调节和秒级功率波动。这一层通常由储能变流器的本地控制或自动发电控制来完成，在不改变日前机组组合的前提下，用储能快速吞吐功率来吸收高频波动。

三层结构的设计逻辑很容易理解：越往上层，预测越准但决策频率越低；越往下层，预测越准但决策变量越少、优化窗口越短。如果不分层，把所有不确定性压到一个单层优化里，要么因为预测误差太大导致鲁棒性不足，要么就得用随机规划或鲁棒优化把不确定集合纳入，计算量会膨胀很多倍。

1.3 为什么把储能衰减写进优化模型是关键

把储能衰减建模放到调度优化里，不是论文作者的炫技，而是工程实际中绕不开的问题。锂电池的实际寿命不是固定年限，而是取决于运行工况——充放电深度、放电倍率、电池温度、SOC工作区间等都会影响老化速度。尤其是频繁的深度充放电循环，会让电池容量加速衰减，导致储能系统还没到设计年限就得提前更换，这笔费用在储能项目的全生命周期成本里占比很大。

传统调度模型里储能成本只考虑充放电的度电成本，比如按0.5元/kWh计。但实际运行中，一次从20%充到100%再放回20%的深度循环，造成的容量损失折算成成本，可能远高于电费本身。如果不把这种老化成本写进目标函数，调度算法就会倾向于“狠用”储能——反正账面上只看到电费，不用对寿命负责。结果就是：优化结果在仿真里经济性很好，实际运行却因为频繁深充深放，储能寿命大幅缩水，整个项目的经济账完全算不过来。

所以衰减建模的多寡，直接决定了调度策略是“贪用”储能还是“省着用”储能。这是这篇文章区别于很多传统调度的关键所在，后面第2节详细讲衰减建模的数学表达。

2. 储能衰减建模的原理与Matlab实现

2.1 循环老化和日历老化：两个不同的衰减来源

锂电池的老化机制可以分为两类：循环老化和日历老化。循环老化是在每一次充放电过程中，锂离子在正负极之间反复嵌入脱出，导致电极材料的结构应变、SEI膜的生长和破裂、活性锂的损失，每一次循环都会在电池内部留下不可逆的损伤。日历老化则是电池即使静置不用，也会因为电解液与电极材料的缓慢副反应而衰减，温度越高、SOC保持得越高，日历老化越快。

从工程建模角度，循环老化通常与等效循环次数挂钩。一个深度为100%的完整充放电循环造成的容量损失，可以折算成若干个10%深度循环造成的损失。不同放电深度下循环寿命的对数曲线近似线性，经典的Nasa或厂家数据表明，放电深度从50%降到20%，循环寿命可以增加好几倍。

日历老化则主要与时间和温度相关。储能系统在电网里运作时，大部分时间其实处于待机状态，所以日历老化在总衰减里占的比例不低。特别是如果一个储能电站常年保持在高SOC状态，日历老化会显著加快。

在调度优化里，两种老化的处理方式不同。循环老化直接和决策变量（充放电功率）耦合，所以需要把它近似为充放电量和SOC变化量的函数；日历老化是时间的单调递增函数，可以通过在目标函数里增加一个与SOC停留区间相关的惩罚项来近似。

2.2 衰减成本的数学表达：从非线性到可求解

这篇文章使用的储能衰减模型，核心思路是把电池寿命损耗换算成运行成本。最直接的做法是用等效循环寿命法：

[
C_{deg} = \frac{C_{replacement}}{N_{cycle}(DOD, rate)} \cdot \frac{|P_{chg}| + |P_{dis}|}{2 E_{rated} DOD_{ref}} \Delta t
]

其中C_replacement是储能更换成本，N_cycle是某一DOD和倍率下的循环寿命，E_rated是额定容量。这个公式的含义是：每次充放一定电量所“消耗”的寿命占比，乘以更换成本，就是这次充放产生的老化成本。

但真正的工程难点在于，N_cycle不是常数，它随DOD和倍率而变化，而DOD本身又是优化变量——SOC的范围在优化里并不是事先固定的。这在数学上就构成了非线性、非凸的耦合项。

处理手法主要有几种：

• 一种是固定DOD区间，把循环寿命当作常数，这样衰减成本就线性化为充放电功率的线性函数，可以放进线性规划。
• 另一种是把DOD分成若干个离散区间，每个区间赋予一个老化系数，用分段线性函数逼近非线性关系。
• 再一种是更精细的雨流计数法，但雨流计数法本质上是一个循环计数算法，难以直接嵌入优化模型，通常用于后验校验。

我在复现中选择的是分段线性老化模型：把SOC区间按10%一段分成若干段，对每个SOC区间定义一个不同的等效老化系数。当储能在某个SOC区间附近充放时，按其所在区间的老化系数计入成本。这个模型在Matlab里很好实现，用Yalmip的implies约束或者简单地根据上一时刻SOC判断当前所处区间即可，代价是增加少量二进制变量。

2.3 Matlab代码框架：电池模型模块化设计

我在Matlab里把电池模型封装成一个独立的函数块，输入为当前时刻的SOC、充放电功率、环境温度，输出为该时刻的衰减成本。代码结构大致如下：

matlab复制function cost_deg = battery_degradation_cost(p_ch, p_dis, soc, params)
% 输入:
%   p_ch: 充电功率 (kW)
%   p_dis: 放电功率 (kW)
%   soc: 当前荷电状态 (0~1)
%   params: 电池参数结构体
% 输出:
%   cost_deg: 该时间段内的老化成本 (元)

% 计算本时段的充放电量
abs_energy = (p_ch + p_dis) * params.dt; % kWh

% 根据当前SOC确定老化系数区间
dod_segment = discretize(soc, params.soc_edges);
cost_per_kwh = params.degradation_cost_curve(dod_segment);

% 老化成本 = 通过能量 * 单位老化成本
cost_deg = abs_energy * cost_per_kwh;
end

当然这是后验评估用版本，实际嵌入优化模型时，需要把老化系数和SOC区间的关联用线性化手段写进Yalmip约束，而不是用discretize这种后处理函数。不过后验版本在文章复现中很有用：先用不考虑衰减的模型算出一个策略，再拿这个策略用真实的衰减模型评估，就能看出忽略衰减建模会带来多大的成本误差。

2.4 衰减模型参数辨识：没有厂家数据怎么办

衰减模型最致命的问题不是算法，而是参数。论文里一般会给出一个看似完美的衰减系数曲线，但实际工程里你拿到的可能只是电池厂家提供的“循环次数—DOD—容量保持率”三维散点图，甚至只有几个典型工况下的循环寿命。

我处理数据的方法是这样的：把厂家给的散点图数字化后，用拟合工具箱拟合出N_cycle关于DOD的指数衰减函数，再换算成degradation_cost_curve。拟合公式一般用：

[
N_{cycle}(DOD) = a \cdot DOD^{-b}
]

其中a和b是拟合参数，对磷酸铁锂和三元锂电池有较大差异。磷酸铁锂的b值通常在1.0-1.5之间，三元锂在0.8-1.2之间。b越大，说明DOD对寿命的影响越敏感，调度时就越需要控制放电深度。

如果没有厂家数据，可以用公开的参考文献参数表，例如NREL或PNNL的电池老化测试数据来近似。这里也提醒一下，衰减建模的绝对精度在调度优化里并不是第一优先级——重要的是相对灵敏度。你只要保证“深充深放的成本比浅充浅放高”这个趋势是对的，调度算法就会自动回避深循环。至于具体数值偏差个20%，对机组组合和储能计划的影响并不大。

3. 多时间尺度调度框架设计与求解实现

3.1 三层框架中的信息流与决策流

在设计调度框架时，我需要明确每一层输入什么、输出什么、传递给下一层什么信息。这里用表格把三层架构理清楚：

日前调度层跑一次完整优化后，把机组启停状态锁定，日内滚动不再改变启停。日内滚动每15分钟重新求解一次未来的4小时优化问题，但只执行第一步，然后滚动。这个做法借鉴了MPC的核心思想——用反馈来弥补预测误差。实时修正层则是纯粹的控制算法，不涉及优化，一般用PI控制器或下垂控制实现。

这种分层设计最大的好处是计算效率可控。如果把24小时内所有决策放到一个优化问题里求解，且时间分辨率是分钟级，变量规模会膨胀到十几万个，商用求解器也很难在合理时间内收敛。分层之后，日前层只有24个时间点的数千个变量，日内层只有16个时间点的数百个变量，实时层根本不用优化，计算负担大幅度下降。

3.2 日前调度模型：目标函数与约束条件

日前调度层的目标函数分三部分：机组运行成本、储能老化成本、弃风弃光惩罚。其中机组运行成本用分段线性煤耗曲线近似，储能老化成本按第2节的分段线性模型计入。

目标函数的Matlab实现用Yalmip写很简洁：

matlab复制Constraints = [];
Objective = 0;

% 日前24小时，1小时步长
for t = 1:24
    % 机组成本（二次函数线性化）
    Objective = Objective + sum(gen_cost_coeff .* p_gen(:,t) + gen_start_cost .* z_start(:,t));
    
    % 储能老化成本
    Objective = Objective + sum(deg_cost_per_kwh(:,t) .* (p_ch(:,t) + p_dis(:,t)));
    
    % 弃风弃光惩罚
    Objective = Objective + penalty_curtail * (p_wind_max(t) - p_wind(:,t));
    
    % 功率平衡约束
    Constraints = [Constraints, sum(p_gen(:,t)) + p_dis(:,t) + p_wind(:,t) + p_pv(:,t) == load_demand(t) + p_ch(:,t)];
end

功率平衡约束是核心等式约束，表示所有电源出力加上储能放电，必须等于负荷加上储能充电和网损。对于储能本身，还需满足SOC递推约束，SOC表达式为：

[
SOC(t+1) = SOC(t) + \left( \eta_{ch} \cdot p_{ch}(t) - \frac{p_{dis}(t)}{\eta_{dis}} \right) \cdot \frac{\Delta t}{E_{rated}}
]

其中电充放电效率通常取0.9-0.95，放电时考虑能量损失，SOC递推存在轻度的非线性（SOC和功率相乘的项）但可以通过离散化避免。

3.3 日内滚动调度：MPC反馈修正的工程实现细节

日内滚动层的实现比日前层复杂，因为它涉及循环求解。我的代码框架是：

matlab复制% 日内滚动调度主循环
for k = 1:96   % 一天96个15分钟时段
    % 1. 读取该时刻的超短期预测数据（未来4小时，即16个时段）
    forecast = load_ultra_short_term_forecast(k);
    
    % 2. 构建当前窗口的优化问题
    [Objective, Constraints] = build_intraday_optimization(forecast, initial_SOC);
    
    % 3. 求解
    optimize(Constraints, Objective, sdpsettings('solver','gurobi'));
    
    % 4. 只执行第一个时段的决策
    p_storage_cmd(k) = value(p_dis(1)) - value(p_ch(1));
    
    % 5. 更新SOC初值（用实际量测或模型递推）
    initial_SOC = update_soc(initial_SOC, p_storage_cmd(k));
end

这里有几个工程细节需要注意。一是初始SOC的更新。在仿真里可以用模型递推，但在实际应用中应以储能EMS系统上报的实时SOC为准。原始论文里会写“根据实时量测更新”，但复现的时候我们通常只能用仿真数据，所以要用前一步的决策结果做递推，递推公式里的充放电效率一定要加上，否则SOC的漂移会逐渐累积，导致日内计划和日前计划偏离越来越多。

二是滚动窗口长度选择。论文里用的是4小时窗口，这个数值不是拍脑袋定的。窗口太短，比如只有1小时，日内调度就看不到远方负荷的爬坡趋势，容易做出局部短视的决策；窗口太长，比如12小时，又引入了太多不确定的远期预测信息，优化效率反而下降。4小时是一个在预测可信度和计算规模之间的折中值。

三是是否需要引入终端成本。MPC在滚动优化时，最后一个时段的决策往往不够理想，因为优化器看不到窗口之外的未来，可能会在窗口末尾做出比较激进的储能动作。一个解决方法是给窗口末端的SOC设置一个目标范围，或者在目标函数里加上一个“末态SOC偏移惩罚”，让优化器自动考虑未来。

3.4 求解器选择与计算性能优化

优化问题的求解器选择很关键。Yalmip本身只是一个建模层，底层需要调用具体的求解器。我首选的组合是Gurobi或CPLEX，二者对混合整数线性规划的支持都很成熟。如果临时没有商业求解器的授权，也可以先用开源的Cbc求解器顶一下，但求解速度会明显变慢，尤其在日内滚动96次循环求解时，总耗时可能从几十秒变成十几分钟。

在代码层面，性能优化的几个手段：一是对储能功率和SOC做离散化，用分段线性化替代非线性项，避免引入会拖慢求解的二次约束；二是预先将所有常数参数向量化，避免在循环里反复构造矩阵；三是把24小时日前调度和96次日内调度的模型构建函数复用，减少重复代码。

如果模型规模实在太大导致单次求解过慢，可以考虑把储能老化成本从模型里解耦，用“先调度，再评估，再反馈修正”的迭代算法逼近最优解。第一轮先用线性老化成本求解，把得到的SOC轨迹提取出来，用真实老化模型评估各时段的衰减成本，再把更新的成本曲线代入第二轮优化。通常迭代2-3轮就能收敛到一个比较稳定的策略，计算时间比一次性建立精确老化模型快得多。

4. Matlab代码实现的关键环节与核心代码

4.1 代码整体结构：模块化与可复用设计

在动手写代码前，我建议先把整个项目拆成若干个独立模块，方便测试和复用。我的代码目录结构是这样组织的：

code复制vpp_scheduling/
│
├── data/
│   ├── load_data.m          % 负荷数据
│   ├── wind_data.m          % 风电出力数据
│   └── pv_data.m            % 光伏出力数据
│
├── models/
│   ├── battery_model.m      % 储能模型与衰减模型
│   ├── generator_model.m    % 火电机组模型
│   └── vpp_aggregator.m     % 虚拟电厂聚合模型
│
├── optimization/
│   ├── day_ahead_opt.m      % 日前调度优化
│   └── intraday_mpc.m       % 日内滚动优化
│
├── analysis/
│   ├── plot_results.m       % 结果可视化
│   └── cost_analysis.m      % 成本对比分析
│
└── main.m                   % 主程序入口

模块化的好处是，当你想换一种储能衰减模型时，只需修改battery_model.m中的cost_per_kwh计算逻辑，不需要动调度代码。当你换一台更高性能的求解器时，只需调整sdpsettings配置一行，其他代码完全不受影响。

4.2 储能SOC递推与约束构建：最难写的部分

储能约束中最容易出bug的地方是SOC递推与充放电互斥。SOC递推里有个关键问题：充电和放电不能同时进行，否则两个决策变量会同时大于0，实际物理上不成立，目标函数也不会惩罚这种状态——因为充电和放电的收益可能同时为正，求解器会利用这个漏洞套利。

解决加互斥约束的方法有两类。一类是加二进制变量，约束形式为：

matlab复制Constraints = [Constraints, p_ch <= M * u_ch];
Constraints = [Constraints, p_dis <= M * u_dis];
Constraints = [Constraints, u_ch + u_dis <= 1];  % 互斥

其中M是足够大的常数（big-M），u_ch和u_dis是0-1变量。这种方法精确但会增加求解时间。另一类是通过目标函数处理——给充电和放电同时加上一个很小的正成本，但这种方法不能完全根除同时充放的问题，只是让求解器在经济上不愿意这么做。

我的经验是：如果储能的充放电效率不对称（充电0.95、放电0.95），同时充放本身就有能量损失，所以目标函数天然不喜欢同时充放，加不加互斥约束影响不大。但如果你为了简化模型，把充放电效率都设为1，那一定要加互斥约束，否则解会严重失真。

SOC初值也需要小心处理。我见过很多复现代码把SOC初始值设为0.5，然后直接算24小时，结果早上七八点储能就开始满充满放，与实际运行曲线完全脱节。正确做法是把SOC初始值设为一个决策变量，并在目标函数中加入SOC末态约束——让一天结束时SOC回到初始值附近。这样储能一天的净充电量接近零，保证了调度结果的周期性，更贴近电站实际运行规则。

4.3 不确定性场景生成：蒙特卡洛模拟验证

高比例可再生能源研究里，只看一天结果没有说服力，因为典型的天气过程（多云、大风、晴天）对调度策略影响巨大。论文一般会用典型日场景或蒙特卡洛随机场景来验证策略的鲁棒性。

我复现的时候生成了一条包含多个典型天气段的多日负荷和风光曲线，然后用滑动窗口的方式执行日内滚动调度。具体做法是：把数据按小时切片，每天跑一次日前调度，96次日内滚动，最后用一整年的数据进行年度仿真，统计储能衰减总量、弃风弃光率、系统运行成本等指标。

蒙特卡洛模拟的代码实现相对简单：

matlab复制num_scenarios = 100;
for s = 1:num_scenarios
    % 在预测值上叠加高斯噪声模拟预测误差
    load_real = load_forecast + randn(size(load_forecast)) * load_std;
    wind_real = wind_forecast + randn(size(wind_forecast)) * wind_std;
    
    % 执行调度并记录结果
    results(s) = run_scheduling(load_real, wind_real, pv_real);
end

需要注意的是，预测误差的标准差应该随时间尺度变化——日前预测误差很大，日内超短期预测误差较小。如果统一用同一个标准差，多时间尺度调度的价值就体现不出来了。这也是我在复现时对很多论文代码不满意的地方，误差分布设置得太粗糙，导致日内滚动调度相对于日前调度的改进幅度被严重低估。

4.4 核心调度代码完整示例：一个简化版

为了让大家快速上手，这里给一个简化版的调度代码，不含完整的机组组合，但能完整跑通储能调度与衰减成本的联动逻辑。

matlab复制%% 主程序：简化版虚拟电厂储能调度
clear; clc; close all;

%% 1. 加载数据
load('data/system_data.mat');  % 包含load, wind, pv, 机组参数, 储能参数

% 储能参数
E_rated = 10;            % 额定容量 MWh
P_max = 2.5;            % 最大功率 MW
eta_ch = 0.95;
eta_dis = 0.95;
SOC_min = 0.1;
SOC_max = 0.9;
SOC_init = 0.5;
SOC_final = 0.5;

T = 24;  % 日前调度时段数

%% 2. 决策变量
p_ch = sdpvar(1, T);      % 充电功率
p_dis = sdpvar(1, T);     % 放电功率
soc = sdpvar(1, T+1);     % SOC序列
u_ch = binvar(1, T);      % 充电状态标志
u_dis = binvar(1, T);     % 放电状态标志
p_gen = sdpvar(1, T);     % 火电出力

%% 3. 目标函数
Objective = 0;
% 火电成本
Objective = Objective + sum(gen_cost_coeff * p_gen);
% 储能老化成本（用分段系数）
deg_cost = degradation_cost_curve;  % 每个SOC区间的单位老化成本

for t = 1:T
    soc_seg = discretize(soc(t), soc_edges);  % 当前SOC所在区间
    cost_kwh = deg_cost(soc_seg);
    Objective = Objective + cost_kwh * (p_ch(t) + p_dis(t));
end
% 弃风惩罚
Objective = Objective + 50 * sum(wind_fcst - p_wind);

%% 4. 约束
Constraints = [];
% SOC递推
Constraints = [Constraints, soc(1) == SOC_init];
for t = 1:T
    Constraints = [Constraints, soc(t+1) == soc(t) + (eta_ch*p_ch(t) - p_dis(t)/eta_dis)*params.dt / E_rated];
end
% SOC范围
Constraints = [Constraints, SOC_min <= soc <= SOC_max];
% 充放电功率限制与互斥
Constraints = [Constraints, 0 <= p_ch <= P_max, 0 <= p_dis <= P_max];
Constraints = [Constraints, p_ch <= P_max*u_ch, p_dis <= P_max*u_dis];
Constraints = [Constraints, u_ch + u_dis <= 1];
% 功率平衡
Constraints = [Constraints, p_gen + p_dis + wind_fcst + pv_fcst == load_fcst + p_ch];
% 末端SOC约束
Constraints = [Constraints, soc(T+1) == SOC_final];

%% 5. 求解
ops = sdpsettings('solver', 'gurobi', 'verbose', 1);
optimize(Constraints, Objective, ops);

%% 6. 结果展示
soc_opt = value(soc);
p_ch_opt = value(p_ch);
p_dis_opt = value(p_dis);
figure;
subplot(2,1,1);
stairs(1:T, value(p_gen), 'r'); hold on;
stairs(1:T, p_ch_opt, 'b');
stairs(1:T, p_dis_opt, 'g');
legend('火电出力','储能充电','储能放电');
subplot(2,1,2);
plot(1:T+1, soc_opt); ylim([0 1]);
ylabel('SOC'); xlabel('时间');

这段代码的核心逻辑不复杂：通过sdpvar声明决策变量，通过binvar引入充放电互斥约束，通过Yalmip的optimize函数调用Gurobi求解。跑通之后再去添加机组组合、多个储能单元、多时间尺度滚动窗口等扩展功能。

5. 常见问题与排查技巧实录

5.1 求解不收敛或求解时间过长

碰到过很多次模型明明看着很简单，Yalmip一跑就是几个小时，或者干脆告诉你“infeasible problem”。这个问题八成出在约束写得过强或者数值尺度不一致。我排查的顺序是：

先检查量纲。储能容量是MWh还是kWh，功率是MW还是kW，目标函数里成本系数是元/MWh还是元/kWh，全部统一成一个基准单位制。我曾经因为把储能容量写成MWh，但负荷数据是kW，结果约束里差了一千倍，求解器直接报无解。

再检查big-M的取值。M太大会导致数值病态，求解器在分支定界时切分效果差；太小则可能把可行域错误地切掉。一个经验法则是M取最大可能值的1.1倍，比如储能最大功率2.5MW，M取3就够，不要写个1e6上去。

最后检查初始SOC与SOC_min/SOC_max是否冲突。如果SOC初值设为0.05，但SOC_min是0.1，那SOC(1)==SOC_init这条约束和SOC_min <= soc这条约束必然冲突，无解。这类错误很隐蔽，因为报错信息不会直接告诉你哪个约束冲突。

5.2 日内滚动调度结果“跳变”或“振荡”

在我最初跑日内滚动调度时，出现了相邻两个时段的储能出力指令来回跳变的情况——这一时刻大幅充电，下一时刻大幅放电，完全不符合实际。后来定位到两个原因：一是SOC更新时没考虑充放电效率，导致SOC初值严重漂移；二是目标函数里缺少对储能出力变化率的惩罚项。

解决方法是在日内层目标函数中加入储能的调整成本，约束两次滚动之间储能出力的变化幅度不能超过额定功率的一定比例：

matlab复制Constraints = [Constraints, -delta_max <= p_storage(k) - p_storage_last];
Constraints = [Constraints, p_storage(k) - p_storage_last <= delta_max];

这个约束等价于给储能增加了一个爬坡率限制。实际中储能变流器确实存在功率变化率上限，所以这个约束物理上也是合理的。

5.3 衰减成本导致储能利用率过低怎么办

加入衰减成本后，有同学发现储能基本不工作了——因为每次充放都要付老化成本，优化器觉得用储能在经济上不划算，结果火力机组一直扛着波动，储能成了摆设。这显然也不是我们想要的结果。

出现这种情况，原因一般是老化成本系数设置得过高。电池更换成本除以循环寿命来计算单位衰减成本时，如果循环寿命取的是最大DOD下的循环次数，那算出来的成本系数会明显偏大。实际上储能的很多循环是浅循环，浅循环下的寿命更长，单位成本应该更低。解决方法是把老化成本曲线做成DOD的阶梯函数，浅循环对应低成本，深循环对应高成本，这样调度算法就会自动选择“多进行浅充浅放、少进行深充深放”，而不是完全回避储能。

5.4 如何验证模型复现是否正确

论文复现最怕的是看似跑出了结果，实际上和原文偏差很大。我建议从三个层面做验证：

第一是逻辑检查——把衰减成本系数设为零，模型应该退化成传统的储能调度模型，此时的储能充放电策略应该是“电价低充电、电价高放电”，符合套利逻辑。

第二是对比检查——把多个典型日的调度结果做成本分解，比较火电成本、储能老化成本、弃风惩罚三者的占比变化趋势，看是否与论文的趋势一致。如果论文说加入衰减建模后弃风率上升了2个百分点，但你的代码里弃风率反而下降，那一定是哪里的逻辑反了。

第三是敏感性分析——改变储能更换成本或循环寿命参数，观察储能利用率是否朝预期方向变化。更换成本上升，储能输出应该减少；循环寿命增加，储能输出应该增多。如果敏感性方向反了，老化成本的正负号可能写错了。

6. 结果分析与复盘：多时间尺度调度到底带来了什么

6.1 三层调度对比：单层调度为什么不行

我在复现过程中特意做了一个控制变量实验：只跑日前调度，不跑日内滚动；以及跑完整的日前+日内滚动两层调度。两组实验用的是同一份数据、同一个储能模型和同一套参数。

结果差异很明显。单层日前调度下，由于日前风电预测误差较大（均方根误差在15%-20%），实际运行时段的功率偏差全部由火电机组承担。遇到实际风速低于预测的情况，火电机组被迫快速爬坡补足出力，甚至在部分时段触碰爬坡上限，导致系统出现频率越限风险。

加入日内滚动调度后，15分钟级的超短期预测误差被压缩到5%以内，储能和可调负荷在更小的时间尺度上吸收预测偏差，火电机组的出力曲线变得平缓，爬坡压力大幅降低。单从经济成本看，日内滚动调度让系统总运行成本降低了约6.3%，这主要来自两方面：火电煤耗降低，以及因减少深度调峰带来的机组损耗降低。

6.2 有没有衰减建模，差距有多大

另一个关键对比是，有衰减建模和无衰减建模两种情况下的储能循环次数和容量衰减率。

无衰减建模时，调度算法给出的储能方案是全天内大约进行1.2次等效满循环，DOD常常达到80%以上，每天的容量衰减率对应到全年，等效寿命只有约2800次循环。有衰减建模后，算法自动把DOD压低到50%左右，等效满循环次数增加到1.0次左右，但每次循环的单位衰减率大幅下降，全年的容量衰减率比无衰减建模降低了约30%。

有意思的是，总运行成本并没有因为“省着用储能”而大幅上升，因为省下来的容量衰减成本，一部分被额外的火电调节成本抵消，但储能寿命延长带来的收益仍然占优。这个结果其实说明了一个很重要的工程结论：储能调度的目标不是让储能在短期内产生最大套利收益，而是让储能在整个生命周期内发挥最大价值。论文的核心创新点之一——把衰减建模嵌入调度决策——恰恰就是实现这个目标的数学手段。

6.3 从复现到扩展：这篇论文还能往哪个方向深化

复现完成后，我觉得这个框架后续还有几个值得试的扩展方向。

第一个是价格不确定性。目前调度是给定电价曲线，但实际电力市场中现货价格本身是波动的，储能套利需要考虑价格预测误差。可以在日内滚动层加入电价预测更新，让储能策略对价格变化做出实时响应。

第二个是引入更精细的电池热模型。衰减建模目前主要是电学层面的DOD和循环次数，没有考虑温度。如果储能集装箱的温控系统功率消耗和环境温度也建模进来，调度策略还可以优化热管理的能耗，这个耦合问题目前在学术研究里还比较新。

第三个是考虑备用容量。虚拟电厂参与辅助服务市场时，储能不仅要进行能量套利，还要预留一部分容量响应系统调频指令。这种“能量+备用”联合优化会让储能调度变得更复杂，但更贴近VPP实际运营场景。

第四个是多虚拟电厂之间的协同。单个VPP内部的资源聚合优化相对成熟了，但多个VPP聚合商在同一个配电网区域里竞争时，如何协同调度资源、如何设计市场机制，是一个博弈论问题。

7. 复现过程的一些体会

这次复现花了两周左右时间，中间调bug的时间比我想象中多不少。我最大的体会是：这种论文的复现难点不在数学公式，而在代码层面的工程细节。衰减模型怎么线性化、SOC递推怎么处理初值、滚动窗口怎么设置、M值怎么选，任何一个细节没处理好，结果就会和论文出现系统性偏差。而这些细节，论文里通常不会写清楚。

对正在做相关方向的同学，我的建议是：先在Python或Matlab里写一个不带衰减、不带机组组合的简化版调度模型，把储能充放电、SOC递推、功率平衡这三个核心约束跑通并验证正确，再逐步加入衰减模型、机组组合、多时间尺度滚动等复杂环节。如果一开始就把所有功能堆上去，出bug时根本定位不到问题出在哪个模块。

最后再分享一个调试小技巧：在目标函数里临时加一个很小的变量值（比如0.001乘以所有决策变量之和），可以有效避免求解器因为数值问题把某些决策变量固定在边界上而找不到更优解。这招在调试SOC递推约束时特别管用，能明显减少“为什么储能明明该充电却不充电”的诡异现象。