综合能源系统中电池损耗模型的Matlab优化调度实现与对比分析

在综合能源系统的调度与规划里，储能电池一直扮演着“既要马儿跑、又要马儿少吃草”的角色。我们在用Matlab做优化调度时，通常把电池当作一个理想的能量容器：给它一个SOC上下限，再加上充放电功率约束，就完事了。但在实际项目里，这种简化往往会带来一个非常隐蔽的坑——调度策略算出来很美观，电池实际寿命却撑不到设计年限。原因很简单：循环充放电过程中，电池在持续承受不可逆的损耗，而这种损耗如果不在优化目标里体现，系统就会倾向于“可劲用”，把便宜电囤进来、贵电放出去，最后算经济账时才发现，换电池的成本把省下来的电费全吃回去了。

这篇文章想聊的就是如何把两种典型的电池损耗模型引入综合能源系统优化，并给出完整的Matlab实现思路。我用的场景是包含光伏、风机、热电联产机组、燃气锅炉、电储能和柔性负荷的典型园区级综合能源系统，优化目标是日运行成本最低，约束条件是电功率平衡、热功率平衡、设备出力上下限、爬坡约束和储能SOC连续性。核心区别在于储能成本项怎么建模：一种用的是基于安时积分法的线性损耗模型，另一种用的是基于雨流计数法的非线性损耗模型。两种模型各有适用场景，代码实现路径也完全不同。

如果你正在做微电网、园区综合能源、虚拟电厂或者储能容量配置相关的课题，这篇文章应该能帮你把“储能寿命建模”这一块从论文里落到代码上，搞清楚为什么不同损耗模型会得出截然不同的调度策略。

1. 整体方案设计与损耗模型选型逻辑

1.1 为什么要把电池损耗写进优化目标

先聊一个最基础的问题：为什么不能只靠SOC约束来保护电池？

很多初版代码确实只设置了SOC上下限，比如0.2到0.9。这个约束本质上只是防止过充过放，但它无法区分“浅充浅放”和“深度充放”——而后者对电池寿命的伤害远大于前者。在综合能源系统的优化调度里，电价峰谷差往往会诱导电池进行深度充放：谷电时段把电池从SOC 0.2充到0.9，峰电时段再放到0.2，一天一个完整循环，收益确实最大，但电池循环寿命可能只有不到3000次。如果改成0.4到0.6的浅循环，循环寿命能提升到8000次以上。

所以问题的本质是：SOC约束管的是“安全边界”，损耗模型管的才是“经济边界”。要真正实现储能全生命周期成本最小化，必须把损耗变量引入目标函数，让优化算法自己去权衡“多赚的峰谷价差”和“多损耗的电池寿命”哪个更划算。

1.2 两种损耗模型的选型思路

在Matlab环境下做综合能源系统优化，损耗模型选择主要取决于两个因素：一是你的优化问题是什么类型，二是你需要的精度层级。

第一种是安时积分法（Ah counting）配合线性折旧模型。这种思路把电池损耗折算成“等效完全循环次数”，然后按每次循环对应的折旧成本计入目标函数。它的形式非常简单：

C_loss = C_battery_total / N_lifetime × DOD × (Ah_throughput / (2 × Q_nom))

其中，N_lifetime是电池在100% DOD下的额定循环次数，DOD是实际放电深度，Ah_throughput是当前时段的安时吞吐量，Q_nom是额定容量。这个公式看起来有点吓人，实际上就是干一件事：把充放电量按比例折算成寿命损耗。它的好处是线性、可导、容易嵌入MILP或非线性规划目标函数，求解速度快，而且是凸的，不会引入额外的非凸难点。

第二种是雨流计数法（Rainflow counting）。它识别的是电池的“循环模式”——把复杂的SOC曲线拆解成一个个不同深度、不同次数的循环，再结合循环深度-寿命曲线计算累计损耗。这个方法精度高，能准确捕捉“部分循环叠加”对寿命的非线性影响，但它是基于历史数据的后验统计方法，没有办法直接写进在线优化的目标函数。它的典型用法是：先用线性模型做调度优化，再把优化得到的SOC曲线用雨流计数法做评估，如果损耗超过预期，再迭代调整参数。

我在实际项目中的选型原则很简单：做日前调度、实时经济调度，用安时积分法，因为它能直接进优化目标；做长时间的容量配置、寿命预估、不同调度策略的对比分析，用雨流计数法做后评估。这是一套“优化—评估—迭代”的组合拳。

1.3 综合能源系统场景的数据结构设计

在用Matlab做这个实例之前，需要把系统的各类数据组织清楚。这一步千万别偷懒，数据组织混乱会让后面的代码调试痛不欲生。

我的做法是定义几个struct数组：

• load_data：包含电负荷、热负荷、柔性负荷比例，每个都是24×1的列向量；
• price_data：分时电价、天然气价格、碳排放价格；
• device_data：包含CHP机组的发电效率、产热效率、上下限、爬坡速率，锅炉效率，光伏、风电的预测出力曲线；
• storage_data：电池容量、初始SOC、SOC上下限、充放电效率、额定功率、最大循环次数、置换成本。

这些数据全部外部化到Excel文件里，Matlab代码只负责读取和建模。这样一旦需要换场景、换参数，不需要动代码逻辑，只改Excel就行。这个习惯能让你在科研和工程项目里少走非常多弯路——相信我，评审专家或者甲方临时改参数是常态，代码写死参数会把你逼疯。

2. 电池损耗模型的核心细节与Matlab实现要点

2.1 安时积分损耗模型的原理与代码翻译

安时积分法损耗模型建立在这样一个认识上：电池每吞吐一定的安时电量，就消耗对应比例的循环寿命。它是一个“累积损伤”模型，精确程度取决于怎么定义“每吞吐多少安时对应一次循环”。

在代码实现上，最经典的做法是把损耗成本拆成两个部分：充电损耗成本项和放电损耗成本项。具体来说：

matlab复制% 损耗模型参数
Q_nom = 1000; % 电池额定容量 (kWh)
C_battery = 1200; % 电池单位容量投资成本 (元/kWh)
N_lifetime = 5000; % 100% DOD下额定循环次数
eff_ch = 0.95; % 充电效率
eff_dis = 0.95; % 放电效率
soc_min = 0.2;
soc_max = 0.9;
soc_init = 0.5;

% 单位折旧成本折算：每吞吐1 kWh电量对应的成本
alpha = C_battery * Q_nom / (N_lifetime * 2 * Q_nom);
% 充电时，实际从电网/其他电源输入到电池的电量是 P_ch * dt / eff_ch
% 放电时，实际从电池输出到负载的电量是 P_dis * dt * eff_dis
% 两种情况下，电池内部的化学吞吐量都约等于 P_ch * dt / eff_ch 和 P_dis * dt * eff_dis

这里有个容易踩坑的地方：损耗是发生在电池内部的电化学反应，所以应该用电池内部的“反应电量”来计算，而不是用充到电池端口的电量。充电时，外部输入P_ch，内部实际发生反应的Ah要多一些，因为有充电损耗；放电时，外部输出P_dis，内部反应Ah也多一些，因为有放电损耗。所以在计算吞吐量时，把这一层因素考虑进去会更准确。

在优化模型里，这个损耗成本是线性的，可以直接把它加入目标函数：

matlab复制% 在目标函数中追加损耗成本
loss_cost = alpha * (P_ch(t) / eff_ch + P_dis(t) * eff_dis) * dt;

这么做的好处是目标函数仍然是线性的，可以用milp求解器直接求解。如果是用yalmip建模，那直接在目标函数里加上这一项就完事。

2.2 雨流计数法损耗模型的原理与实现路径

雨流计数法（Rainflow Counting）是结构疲劳分析中常用的循环计数方法，后来被引入电池寿命评估领域。它的核心思想是从SOC时间序列中提取出一个个“循环”事件，并记录每个循环的平均SOC和DOD。然后根据电芯的循环寿命曲线（通常给出不同DOD下的最大循环次数），计算每个循环造成的寿命损耗，累加起来得到总损耗。

在Matlab中实现雨流计数法，可以直接用MATLAB的rainflow函数（需要Signal Processing Toolbox），也可以自己写一个简化版本。针对电池寿命评估，我建议用现成的实现，因为rainflow函数直接处理的是时间序列数据，输出的是循环的均值、幅值和次数。

matlab复制% 假设有一个SOC时间序列 soc_series (8760×1，小时值)
soc_p = max(0, min(1, soc_series)); % 确保SOC在0~1之间
cycle_counts = rainflow(soc_p);
% cycle_counts返回一个n×3的矩阵：cycle mean, cycle range, cycle count

但要注意，rainflow函数默认处理的输入是工程应力应变信号，输出单位与输入相同。SOC序列直接输入是没有问题的，它会识别出“从高到低再到高”的循环和“从低到高再到低”的反向循环。

拿到循环统计表后，再叠加损耗计算：

matlab复制% 不同DOD下的循环寿命拟合，来自电芯测试数据
% 假设循环寿命与DOD的关系：N(dod) = N_100 * (dod / 100)^(-0.9) （经验公式）
N_100 = 5000;
dod_vector = cycle_counts(:, 2); % 以百分比表示的循环幅值
loss_vec = cycle_counts(:, 3) ./ (N_100 * (dod_vector / 100).^(-0.9));
total_loss = sum(loss_vec);

这里有几个关键细节：一是平均SOC对寿命也有影响，一般SOC在0.5附近循环寿命最长，过高或过低的平均SOC都会让寿命劣化，这个因素要不要加进去取决于你手里的电芯数据够不够细；二是雨流计数法得到的循环里包含半循环，需要成对配对，好在rainflow函数的输出已经把半循环配对好了，直接除以额定寿命即可。

2.3 两种模型理论对比与工程适用边界

工程上最常见的误区是：有人试图把雨流计数法直接写进优化模型，觉得精度更高就能让调度更优。实际上这样做的代价极高——雨流计数法的输入是完整的SOC时间序列，而优化变量里的SOC每个时刻都是未知数，雨流计数法步骤本身包含了循环配对、极值检测、计数统计等不可导操作，根本没法直接嵌入求导。即便强行建模，也会变成一个极其复杂的混合整数非线性问题，求解器压根跑不动。

所以正确姿势是用安时积分法做优化，用雨流计数法做评估，如果评估结果不达标，通过调整损耗成本系数、SOC运行区间或者峰谷套利策略来迭代逼近最优解。整套流程跑通后，你会得到一个“优化—评估—再优化”的闭环。

3. Matlab实操：从基础模型到损耗模型嵌入

3.1 综合能源系统优化模型的基础框架

在写损耗模型之前，先搭好综合能源系统的优化框架。我这里用的是典型日前调度，时间步长为1小时，共24个时段。决策变量包括：

• P_ch(t)：电池充电功率，非负，0~额定功率；
• P_dis(t)：电池放电功率，非负，0~额定功率；
• P_chp(t)：CHP机组发电功率；
• P_boiler(t)：燃气锅炉产热功率；
• P_grid_buy(t)：从上级电网购电功率；
• P_grid_sell(t)：向上级电网售电功率；
• SOC(t)：储能荷电状态。

目标函数是最小化总运行成本：

matlab复制% 目标函数：购电成本 + 燃料成本 - 售电收益 + 电池损耗成本
objective = sum(price_buy .* P_grid_buy * dt - price_sell .* P_grid_sell * dt ...
    + gas_price * (P_chp / eta_chp_e + P_boiler / eta_boiler) * dt ...
    + alpha_loss * (P_ch ./ eff_ch + P_dis .* eff_dis) * dt);

这个目标函数基本涵盖了大宗成本项：向上级电网买电花钱，售电有收益，天然气发电/发热消耗燃料费，电池充放电产生损耗成本。

约束条件包括电功率平衡、热功率平衡、设备出力上下限、爬坡约束、储能SOC递推方程等。SOC递推方程是个关键：

matlab复制SOC(t+1) = SOC(t) + (P_ch(t) * eff_ch / Q_nom - P_dis(t) / eff_dis / Q_nom) * dt;

这里注意，SOC是状态变量，它由前一时刻SOC和当前时刻充放电功率共同决定，属于线性等式约束。在yalmip里用optimize()求解时直接写等式约束即可。

3.2 两种损耗模型的代码实现对比

先说安时积分法的完整代码实现。在yalmip建模环境中，关键是定义一个损耗成本项并叠加到目标函数中：

matlab复制%% 安时积分损耗模型
% 参数定义
Q_nom = 1000; % kWh
C_batt_invest = 1200; % 元/kWh
N_cycle_100 = 5000;
alpha_deg = C_batt_invest * Q_nom / (N_cycle_100 * 2 * Q_nom); % 元/kWh吞吐

% 损耗成本系数，附加在充放电功率上
deg_cost_ch = alpha_deg / eff_ch;
deg_cost_dis = alpha_deg * eff_dis;

% 在目标函数中
obj = ... + deg_cost_ch * sum(P_ch) * dt + deg_cost_dis * sum(P_dis) * dt;

这里有一个很多人会忽略的小细节：由于充放电效率的存在，充进去1 kWh和放出来1 kWh，电池内部的化学损耗并不是对称的。充电时外部供给的关键在于电化学反应需要的电量更高，放电时间同理。如果直接用P_ch + P_dis来计算损耗，在小规模系统里影响不明显，但放到长时间尺度或大容量储能上，误差会积累到不可忽视的程度。

雨流计数法作为后评估模型，代码上更偏向“分析”而非“优化”。它的输入是上面优化得到的SOC序列，输出的是评估报告：

matlab复制%% 雨流计数法损耗评估
soc_opt = value(soc); % 提取优化后的SOC序列（1×24）
% 如果是多日仿真，可以把SOC序列拼成长时间序列，比如8760点

% 雨流计数
cycles = rainflow(soc_opt);

% 预期寿命与累计损耗
dod = cycles(:, 1); % cycle range
cnt = cycles(:, 2); % cycle count
mean_soc = cycles(:, 3); % mean value

N_cycle_dod = N_cycle_100 * (dod * 100).^(-0.9);
loss_per_cycle = 1 ./ N_cycle_dod;
total_loss = sum(cnt .* loss_per_cycle);
remaining_life = 1 - total_loss;

3.3 不同损耗模型下的调度结果对比分析

实际运行一组算例后，两种损耗模型的调度策略差异非常明显。以我常用的测试数据为例（分时电价峰平谷比约为1.7:1:0.4，光伏出力充足，CHP机组效率约0.42），得到的结果如下：

看到没，没有损耗模型的时候，系统靠着全深度循环猛薅峰谷价差，日运行成本最低，但是电池寿命只有5年出头。加了损耗模型后，日运行成本略微上涨了不到3%，电池寿命却翻了一倍多。

这时候就可以算一笔明白账：一个1000 kWh的电池系统，如果每6年换一次电池和每11年换一次电池，在15年项目周期里的差别是巨大的。把置换成本摊到全生命周期里，反而是带损耗模型的调度策略总成本更低。

雨流计数法的后评估结果还揭示了一个线性模型看不到的问题：采用安时积分法优化的SOC曲线里，有几个“浅循环”事件被遗漏了。虽然安时积分法已经捕捉了大部分损耗，但实际雨流统计发现，由于负荷波动导致的微小SOC波动也会产生额外的循环事件，尤其是当调度周期内出现频繁的充放切换时，这种“抖动损耗”在线性模型里根本看不到。这也是为什么后期我坚持“线性模型+雨流后评估”双轨制的原因。

3.4 参数敏感性分析与单位一致性检查

写Matlab代码做优化，最痛苦也最容易被忽略的就是单位一致性。我举个例子，很多人在算损耗成本时会把“元/kWh”和“元/(kWh·次)”搞混。

在安时积分模型中，如果额定能量是Q_nom（kWh）、电池组成本是C_batt（元）、循环寿命是N_cycle（次），那么总寿命周期内可以吞吐的总电量约为2×Q_nom×N_cycle（kWh），所以单位成本是C_batt/(2×Q_nom×N_cycle)，单位是元/kWh。这个值乘以每次充放电的功率（kW）和时间（h），得到的就是损耗成本（元）。单位对不上，结果就会差出好几个数量级。

我建议在代码开头把所有的单位和换算关系写清楚，比如：

matlab复制% 单位说明
% 功率: kW, 能量: kWh, 时间: h
% 电价: 元/kWh, 气价: 元/kWh
% 热值: kWh/m³
% 损耗成本: 元/kWh吞吐

参数敏感性分析也不可缺。我会固定其他参数，分别扫一遍alpha_deg（取50%、100%、150%）、N_cycle_100（取3000、5000、8000），观察电池SOC曲线和充放电次数是怎么变的。实测下来结论很直观：损耗系数越大，电池越“懒”，调度策略越倾向于减少充放电次数，同时把充放电区间限制在SOC中间位置。如果你在论文里做灵敏度分析，这几个参数就是很好的切入点。

4. 常见问题与排查技巧实录

4.1 优化求解结果不收敛或者求解时间过长

这是做综合能源系统优化时最容易碰到的坑，特别是在引入了损耗模型之后。安时积分法还好，模型依然是线性的，求解速度影响不大。但如果你试图把雨流计数法相关约束加进去，求解时间分分钟暴涨几十倍，甚至直接跑不动。

排查思路三步走：第一步，检查变量类型定义。如果用yalmip，确保所有连续变量用sdpvar，整数变量才用binvar或intvar，不要混用；第二步，检查约束矩阵是否稀疏，避免在循环里反复赋值，尽量用向量化赋值方式；第三步，如果问题非凸，先简化模型看看能不能跑通，再加复杂度。

matlab复制% 代码层面的优化建议
% 不要这样写（循环内逐条添加约束）
for t = 1:24
    Constraints = [Constraints, P_ch(t) >= 0];
end

% 改成向量化约束
Constraints = [Constraints, P_ch >= 0];

逻辑一样，但向量化写法在构建大规模优化问题时能节省大量时间。如果你的问题模型里约束数量上百个，逐条循环的写法会让yalmip在建模阶段就慢得你想砸电脑。

4.2 损耗模型的SOC计算误差累积

这个问题在长周期仿真（比如一年8760小时）中特别突出。Simulink或者纯M语言循环计算SOC时，每步都可能产生微小截断误差，累积到一年可能就是几十个百分点的偏差。

解决方法是尽量不用前向欧拉法，改用精度更高的积分方法。Matlab的ode45可以直接求解SOC的微分方程，或者更简单一点——如果你用的是离散时段模型，务必保证SOC递推方程中的效率系数是准确的，并且在校验时以能量守恒作为兜底判据。

matlab复制% 校验SOC递推的合理性
energy_in = sum(P_ch * eff_ch) * dt;
energy_out = sum(P_dis / eff_dis) * dt;
final_soc_check = soc_init + (energy_in - energy_out) / Q_nom;

如果实际仿真结束时的SOC和校验值差超过1%，说明代码里有bug，可能是效率方向搞反了，也可能是约束漏写了一行。

4.3 雨流计数法在Matlab中运行报错

rainflow函数在MATLAB里需要Signal Processing Toolbox，没有这个工具箱的同学会直接报错。这里提供一个替代方案：自己写一个简单的循环计数脚本，或者退而求其次，用“SOC极值点”法近似循环。

近似法的思路是：找到SOC时间序列的局部极大值和极小值，把相邻的极大极小差值记为DOD，然后按DOD-寿命曲线计算损耗。虽然精度比雨流计数法低一些，但在数据有限、不想依赖工具箱时完全够用。

matlab复制% 简化版循环提取
soc_diff = diff(soc_series);
turn_points = find(soc_diff(1:end-1) .* soc_diff(2:end) < 0) + 1;

这么做能快速定位SOC曲线里的拐点，配合充放电事件的时间长度，可以估算出大致循环次数和DOD。但我要提醒一句，它没法识别小幅度波动叠加在大循环上的子循环，所以对于调度策略导致的SOC反复抖动，只能近似。

4.4 常用调试心得

我在做这个实例研究时总结了几条很有用的经验，写在这里供参考：

第一，先用最简单的场景验证模型正确性。比如设电价恒定、负荷恒定，这时候最优解一定是“电池不动”，因为没有任何套利空间。如果模型输出显示电池在充放电，那逻辑一定有问题。

第二，用损耗模型跑出来之后，把SOC曲线画出来，肉眼检查一下曲线是否平滑。如果SOC曲线出现锯齿状高频抖动，说明优化问题可能出现了病态，或者约束条件太松导致电池频繁切换。这时候适当增加充放电切换惩罚项，或者要求电池在一个时段内只能处于充电或放电一种状态，问题就解决了。

第三，对比实验是论文写作和工程汇报的利器。单独跑损耗模型看不出优劣，一定要设置三个对照组：无损耗模型、安时积分损耗模型、雨流计数法后评估，这样不同策略在成本、寿命上的差异一目了然。

第四，玩转参数扫描。当损耗成本系数从0增加到某个阈值时，电池的充放电策略往往会发生一次“跃变”：曲线从深度循环突然变成浅循环。这个阈值本身就是很好的研究点——它就是“何时值得让电池干活”的经济平衡点，对运营策略制定非常有价值。

5. 扩展应用：从单日调度到全年优化

5.1 分布式并行加速全年滚动优化

把单日调度扩展到全年365天滚动优化时，计算量会暴涨。这时候Matlab的分布式计算工具箱就派上用场了。批处理思路很简单：把365天的数据切分好，每天一个独立的优化问题，用parfor并行求解，最后汇总每天的SOC序列用于雨流计数法损耗评估。

matlab复制parfor d = 1:365
    [x_opt(d), cost(d)] = day_schedule(load_data(d), price_data(d));
end

实测下来，12核处理器的机器跑365天的单日优化，大概能快3到5倍。但注意，如果每天调度是完全独立的、没有跨天约束（比如前一天SOC和当天初始SOC无关），那这个解法才严格成立。如果SOC有跨天连续性要求，就得改成滚动时域方式：第t天优化时固定第t-1天的终态SOC作为初值，然后求解。

5.2 多场景对比与策略寻优

损耗模型的价值不只体现在单日调度上，用在多场景对比里更有说服力。我在实际项目里做过这样的对比：同样的光伏、负荷数据，分别评估“峰谷套利策略”“自消耗最大化策略”“需求响应参与策略”三种模式下的电池寿命消耗。

结果是很有意思的：峰谷套利模式虽然单日收益最高，但电池寿命消耗也最猛，折算下来全生命周期收益反而低于自消耗最大化策略。这个结论如果不做寿命评估是发现不了的——正是雨流计数法后评估让我看到了峰谷套利模式下的DOD分布明显偏深。

这类分析无论你是写论文还是做项目汇报，都是非常有力的论据。大家通常都会看“日运行成本”，但很少有人把电池置换成本折算到每天的固定支出里。你只要把这块补上，整个经济性分析的维度就上升了一档。

5.3 模型扩展的方向建议

如果想把这个实例继续做深，有几个方向可以参考。一是把电池老化带来的容量衰减（容量退化）和功率退化也建模进去，形成“损耗—性能退化—调度策略变化”的完整闭环；二是考虑温度对损耗速率的影响，尤其是北方园区冬天低温环境下电池可用容量下降的问题；三是把电池损耗模型从单一的充放电深度依赖扩展为同时包含放电倍率、温度和SOC位置的综合模型，这需要更精细的电芯实验数据支撑。

不过我要提醒一句，模型复杂度一定要和实际需求匹配。如果只是做课程设计、小规模园区调度，安时积分法足以应付；如果你在做的是百兆瓦时级储能电站的容量配置和经济性评估，那雨流计数法的精度就不可替代了。选什么模型，最终要看你的决策变量是“短期充放电功率”还是“长期装机容量”，这两个问题对精度要求的量级完全不同。

在实际跑代码的过程中，我发现一个很好用的技巧：把雨流计数法的评估结果做成动态曲线，和SOC曲线画在同一个图里，能非常直观地看到电池究竟是在哪些时间段被“过度消耗”的。一套数据、三个子图——电价曲线、SOC曲线、循环寿命损耗累积曲线，放在一起看，调度策略的优劣一目了然。这个图在写报告或者答辩的时候简直是加分项，也容易帮自己快速定位问题时间段。如果你也需要快速对比不同损耗系数对系统运行的影响，这套可视化思路可以直接拿来用。