手上有个做了一半的研究项目，刚好跟最近很多人在后台问的方向对上了——可再生能源发电与电动汽车的协同调度。这篇文章我把整个思路、建模过程、Python实现代码和踩过的坑一次性写完，包含了完整的可复现示例，不是那种只贴一段代码就完事的。项目场景设定为含风电场、光伏电站、传统火电机组和三种类型电动汽车（私家车、公交车、出租车）的区域微电网，调度周期24小时、步长1小时。目标是让总运行成本最低，同时兼顾电动汽车用户的充电需求。代码用PuLP库求解混合整数线性规划，完整代码在2.3节和2.4节，可以直接跑，跑完用matplotlib画出来的图就是3.2节那种效果。

先说清楚这篇文章适合谁看：正在写电力系统优化调度方向毕业论文或者课程设计的学生，做园区微电网/充电站运营的技术人员，以及想入门"用Python做优化调度"但是不知道从哪下手的同行。文章不要求你有很深的电力系统背景，但是最好懂一点线性规划的基本概念，比如什么叫决策变量、什么叫约束条件，行话不用全懂，知道大概意思就行。

1. 问题定义与调度场景假设

1.1 为什么要做协同调度

先聊一个很现实的问题：为什么可再生能源发电和电动汽车充电不能各管各的，非要"协同"？

风电和光伏的出力是波动的，中午光伏大发、晚上几乎没有，风电则看天气脸色。电动汽车充电负荷也有明显的峰谷特性，早晚高峰扎堆充。如果这两者各管各的，很容易出现一个尴尬场景：中午光伏出力最高的时候，电网调度的火电机组不能停（因为要保证供电可靠性，停了下午负荷上来就来不及开机），光伏电只能弃掉；晚上下班回家一堆电动车同时开始充电，用电负荷又冲上一个高峰，火电被迫快速爬坡顶上，成本飙升。

协同调度要解决的核心问题就是：在时间维度上把"可再生能源出力曲线"和"电动汽车充电负荷曲线"进行匹配和错峰。本质是让一部分灵活性负荷（电动汽车的充电时间、充电功率）去跟随波动性的发电出力，削峰填谷，降低对传统机组的依赖。这篇博文里我把问题简化成一个典型的日前调度（day-ahead scheduling）问题，生成一个未来24小时的调度计划，告诉调度员每个时刻火电发多少、电动汽车充多少、弃风弃光多少。

1.2 系统结构与调度场景设定

系统的物理结构其实很简单：一条母线上挂着火电机组、风电场、光伏电站、电动汽车充电站和常规基础负荷（居民、商业用电）。这里"协同"的体现在于：电动汽车的充电计划不是固定不变的，而是作为决策变量，由优化模型统一调度，在满足用户充电需求的前提下灵活安排各时段的充电功率。

具体假设如下：

• 调度周期为24小时，时间步长1小时，即 t = 1, 2, ..., 24。
• 日前风速和光照预测数据已知（模拟生成），对应风电和光伏的可用出力上限已知。
• 火电机组作为平衡机组，负责填补缺口，有出力上下限和爬坡速率限制。
• 电动汽车按用途分为3类：私家车、公交车、出租车，每类有各自的充电需求曲线和可用充电时段。
• 目标函数是最小化总运行成本，包括火电发电成本、弃风弃光惩罚成本、电动汽车充电成本/收益。

这里有个很重要的建模决策：电动汽车充电成本如何计算？如果只看电网侧总成本，那EV充电费只是内部转移支付（电费从EV用户转移给电网），不改变总社会成本。但如果加入"弃风弃光惩罚"或者"碳排放成本"，就可以通过调整EV充电时段来减少弃风和火电出力，从而实现真正的协同效益。我在模型中加入了弃风弃光惩罚项，用经济手段引导EV在可再生能源富余时段充电。

2. 数学模型与Python代码实现

2.1 决策变量与目标函数设计

先定义决策变量。我把问题建模为混合整数线性规划（MILP），主要原因下面细说。核心决策变量有以下几组：

• P_g(t)：t时段火电机组的出力（连续变量，MW）。
• P_ev_k(t)：第k类电动汽车在t时段的总充电功率（连续变量，MW）。
• P_curtail_wind(t)、P_curtail_pv(t)：t时段的弃风、弃光功率（连续变量，MW）。
• u_g(t)：火电机组的启停状态（0/1整数变量），1表示运行，0表示停机。
• u_soc_k(t)：第k类EV集群在t时段的充电状态切换标志（部分模型中用，用于描述"不能同时充放"或"最小充电时长"约束）。

目标函数是最小化总成本：

min ∑_t [ a * P_g(t)^2 + b * P_g(t) + c * u_g(t) + λ_wind * P_curtail_wind(t) + λ_pv * P_curtail_pv(t) ]

其中第一项是火电的发电成本，我用了二次函数近似，在MILP里需要做分段线性化处理。第二项和第三项是弃风弃光惩罚成本，λ_wind和λ_pv是惩罚系数（单位：元/MWh）。

这里有一个非常关键的设计：火电成本用二次函数。如果不做线性化，直接丢给求解器（比如Gurobi或COPT），求解器会把它识别为二次约束规划（QP）来解，也能解，但速度慢。如果全部转成线性约束（MILP），求解速度会快很多。我在这篇文章里用了分段线性化（Piecewise Linearization），这也是实际工业调度软件里最常用的做法。

2.2 约束条件梳理

约束条件是好几个维度叠加的，我按物理对象一个一个列清楚。

系统功率平衡约束：

P_g(t) + P_wind(t) + P_pv(t) = P_load_base(t) + ∑_k P_ev_k(t)

其中P_wind(t) = P_wind_forecast(t) - P_curtail_wind(t)，光伏同理。这个约束是整个模型中最重要的约束，它保证任何时刻系统发电和用电严格相等。实际电力系统调度中还会有备用约束，但为了简化我先不加。

火电机组约束：

• 出力上下限：P_g_min ≤ P_g(t) ≤ P_g_max
• 爬坡约束：-RD ≤ P_g(t) - P_g(t-1) ≤ RU，RD和RU分别表示向下/向上爬坡速率。
• 最小启停时间约束：这里先不加，加了这个会让模型规模膨胀很多，而且对于1小时步长的日前调度来说，机组组合问题（UC）的最小启停时间约束虽然重要，但对结果的影响在单机场景下没那么明显。

电动汽车集群充电约束：

• 充电功率上限：0 ≤ P_ev_k(t) ≤ P_ev_k_max * u_soc_k(t)，其中P_ev_k_max是第k类EV集群的最大总充电功率。
• 日充电需求约束：∑_t P_ev_k(t) * Δt = E_k_demand，即一天下来每类EV必须充入指定的电量。
• 电池SOC约束：EV集群的SOC不直接出现在模型中，而是用"充电需求总量+功率上限"来等效描述。如果想精细化建模，需要加入SOC状态变量：SOC_k(t+1) = SOC_k(t) + η * P_ev_k(t) * Δt / B_k，并限制SOC_k_min ≤ SOC_k(t) ≤ SOC_k_max。

这里我掉过一次坑：一开始只加了"充电功率上限"和"总充电量需求"，没加SOC约束，结果模型给出了一个非常不合理的充电曲线——部分EV在十几个小时内以极低功率涓流充电，虽然经济上最优，但实际电池管理系统根本不允许这种操作。所以后来我加上了SOC的逐时段递推约束。完整约束代码如下。

可再生能源出力上限约束：

0 ≤ P_wind(t) ≤ P_wind_forecast(t)，0 ≤ P_pv(t) ≤ P_pv_forecast(t)。

实际上这个约束我直接用弃风弃光变量来等价表达：P_wind(t) = P_wind_forecast(t) - P_curtail_wind(t), 且 P_curtail_wind(t) ≥ 0，这样更简洁，也方便在目标函数里加惩罚系数。

2.3 完整可运行的Python代码实现

环境依赖很简单：pulp（求解器接口）、pandas（数据处理）、numpy（数值计算）、matplotlib（可视化）。用到的求解器我默认是CBC，PuLP自带的，装好pulp就有。如果你想用Gurobi或者COPT，把pulp.PULP_CBC_CMD换成pulp.GUROBI_CMD或pulp.CPLEX_CMD即可。完整代码如下：

python复制import pulp
impor