2. 虚拟电厂调度问题建模：面对储能衰减与多用户灵活性，具体在做哪个层面的决策优化

虚拟电厂这个题目，我在不同场合被问过很多次，但“多时间尺度调度”加上“储能容量衰减”和“多用户负荷灵活性”这三个关键词组合在一起，确实是一个非常典型的学术场景。先说结论：这个项目的核心不是“把虚拟电厂的调度跑通”，而是要在同一个优化框架里同时回答三个问题——储能在不同时间尺度上怎么充放电才划算、储能衰减怎么折算成调度成本、以及分散的用户负荷弹性怎么被聚合起来当作调度资源使用。

先说为什么要复现这类顶刊工作。虚拟电厂（Virtual Power Plant, VPP）的概念在工程界已经不算新鲜，但它真正落地时要面对的坑，论文里往往一笔带过。储能电池不是理想器件，它在每一次充放电循环中都会产生容量衰减，而且衰减速率跟充放电深度、温度、充放电次数强相关；用户负荷呢，也不是固定不变的刚需，它有一部分是可以平移的、有一部分是可以中断的、还有一部分是可以通过价格信号引导的。这三件事单独建模都不难，难的是把时间尺度拉开——日前调度管一天的总出力计划，日内滚动调度管未来几小时的修正，实时反馈管当下几分钟的平衡。

我复现过不少类似的调度模型，最直观的感受是：这类项目的难点不在于优化理论，而在于工程建模与求解可行性的平衡。你如果试图把储能衰减的多因素非线性特性、用户负荷的微观行为、以及多时间尺度滚动优化的复杂度全部塞进一个模型里，优化器基本是跑不动的。所以，真正能发表在顶级期刊上的做法，通常是对模型做合理简化，保留关键耦合关系，再用分层或者多阶段求解的方式去逼近全局最优。

这篇博文，我会把整个项目从问题定义、模型构建、代码实现到结果分析完整拆开讲。你如果正打算复现类似的虚拟电厂调度工作，或者只是想搞清楚“储能容量衰减到底怎么建模”“多用户负荷灵活性怎么量化”，那这篇内容应该能帮你省下不少查文献的时间。

2.1 系统架构与问题边界

先框定一下这个虚拟电厂需要管理哪些实体。一般标准的VPP聚合结构包括分布式光伏、分散式风电、储能系统（BESS）以及同一配电网区域内的一批终端用户负荷。用户侧负荷不是单个大用户，而是多个差异性明显的用户群——有的用户负荷集中在白天，有的集中在晚间，有的用户负荷可以被灵活转移，有的用户负荷带有关键生产属性不能随便中断。

在这个项目里，虚拟电厂和上层电网之间存在一个交互机理：VPP作为一个整体对外上报运行计划，向上参与电网调度，向下协调内部各类资源。这个结构有两个含义——第一，VPP向下看到的用户负荷越灵活，向上报计划时就越有底气；第二，储能系统一旦发生容量衰减，它的可用容量会逐年缩水，也就意味着VPP对外承诺的调节能力会随之打折。这就是为什么储能衰减必须放进调度决策里，而不是在仿真结束后算一笔总账就完事。

为了把问题说清楚，下面用表格把模型涉及的主要对象和其输入输出列出来，方便在后文编写Matlab代码时逐一对号入座。

你注意看这个表，它本质上已经框定了优化模型要包含的四类决策变量。分布式电源的出力变量是最底层的，储能系统因为是带状态量（SOC）的，所以会引入时序耦合约束，用户负荷灵活性则是问题域里最需要精细建模的部分，因为它不是一个连续物理量，而是由大量用户行为聚合出来的统计特性。

2.2 多时间尺度的含义：不是三个模型拼起来，而是三层决策的联动

很多人一看到“多时间尺度”就以为是要跑三个独立的优化模型——日前跑一次、日内跑一次、实时再跑一次。这个理解有道理，但不够完整。多时间尺度调度的本质是：不同时间尺度上，决策者的信息掌握程度不一样，决策的刚性和柔性也不一样。

日前调度是在未来24小时的风电、光伏、负荷预测曲线上做的，它要回答的问题是“明天电池应该在哪些时段充电、哪些时段放电、哪些用户的负荷要提前预调度”，此时不确定性的来源主要是预测误差。日内滚动调度一般是每15分钟到1小时触发一次，用的预测信息更新，决策窗口缩短到未来4～8小时，这时候重点是校正日前计划的偏差。实时反馈层管的是几分钟内的功率平衡，解决的是预测误差和日内计划之间最后的偏差。

在Matlab代码里，这三层决策的关系通常用一个层级调用的主循环来实现。简单说：先跑日前优化，得到一组基准计划；然后在日内层循环里滚动调用小规模优化问题，把日前计划作为参考值或约束条件来修正；最后实时层通过简单的启发式规则（比如优先调整储能出力或用户中断量）把小时间尺度的功率失衡补平。

我实际复现时发现，这三层模型有两个容易出问题的地方。第一，日前层和日内层的时间颗粒度要统一，否则跨层传递数据时会有很多索引对齐的坑。第二，日内层修正如果幅度过大，会导致储能的充放电循环次数增加，老化成本急剧上升，所以日内层的目标函数里必须同样包含储能衰减项，而不能只考虑购电成本。这是很多初版复现里最容易忽略的细节。

3. 储能容量衰减建模：从“能用多少年”到“每一次循环该收多少钱”

储能系统的容量衰减，是这篇论文里最需要花心思建模的部分，也是Matlab代码里最容易出现非线性、导致求解失败的部分。衰减本身是一个多物理场耦合过程，如果要完全精确，得做电化学模型，但那显然不适合放在调度优化里。所以项目里采用的是工程化的经验寿命模型——用放电深度（DOD）、循环次数（Cycle）和温度这些宏观参数来近似老化速度。

3.1 容量衰减的两种来源：循环老化与日历老化

储能容量衰减大体上分成两种：循环老化和日历老化。循环老化指的是电池每经历一次充放电循环后，因为电极材料结构变化、电解液分解等原因造成的容量损失，其大小和放电深度密切相关——同样放10度电，每次放满5度电放两次，和每次放满10度电放一次，对电池寿命的影响差别很大。日历老化是指在电池静置存放期间也会发生的容量衰减，它主要和温度、SOC滞留水平相关。

在虚拟电厂调度中，日历老化一般是按年或按月来评估的，属于偏慢的变量；而循环老化是逐时段累计的，和调度决策关系最紧密。所以大多数顶刊模型都会把循环老化纳入日调度优化目标函数，把日历老化当作储能寿命评估的基线减去。

从代码实现角度，循环老化通常用一个线性分段函数来表示每次充放电造成的容量损失百分比。一个常用的公式是：

code复制Loss_per_cycle = k1 * (DOD)^k2

其中k1和k2是电池特性参数，不同型号的电池取值不同。磷酸铁锂电池的k1大概在0.0006～0.0015之间，k2在0.8～1.2附近。这个公式的好处是：它是一个幂函数，可以通过分段线性化把非线性项转成混合整数线性规划（MILP），从而继续用高效的商业求解器求解。

3.2 衰减成本怎么进目标函数：不是算一笔总账，而是折算成边际成本

储能衰减进入调度目标函数的方式，决定了优化器是否愿意“多用储能”。如果衰减不入目标函数，那么优化器会倾向于让储能频繁充放电来套利或平衡负荷，这对短期运行成本有利，但长期来看会加速电池退役，总账不划算。所以，调度模型要把“每一次充放电对应的容量损失”折算成货币化成本，和购电成本、用户补偿成本一起放进同一个目标函数里。

折算公式的思路是这样的：已知电池全生命周期总充放电循环次数对应的总容量损失，以及电池更换成本，那么每次循环的等效成本可以写成：

code复制Cost_per_cycle = ReplacementCost / (TotalCycles_to_EOL)

这里的TotalCycles_to_EOL是电池的可循环次数，通常是一个和放电深度关联的参数表。例如，某电池在100%放电深度下可循环3000次，在50%放电深度下可循环7000次。这样，储能每次充放电成本就由“放电深度对应的单次循环成本”乘以“充放电量”来决定。

实现时要注意：这里的成本本质上是非线性函数，因为DOD是决策变量，而它的指数、查表关系都不是线性的。我的做法是做成DOD分档的分段线性成本函数——把DOD从0.1到1分成若干区间，每个区间对应一个边际循环成本系数，然后用Yalmip的implies()或者大M法把DOD映射到对应档位。这样做在求解效率和成本精度之间取得了比较好的平衡。

3.3 衰减约束的两种放置位置：目标函数 vs 约束条件

容量衰减既影响目标函数，也影响约束条件。在约束层面，关键问题是如何限制SOC始终保持在允许范围内，以及如何处理“放电深度不能超过某个值”这样的寿命保护约束。

约束条件一般包括：储能SOC动态方程、充放电功率上下限、SOC上下限、以及可选的最大DOD保护线。其中SOC动态方程是线性差分方程：

code复制SOC(t+1) = SOC(t) + Pc(t)*eta_c*dt - Pd(t)/eta_d*dt

在Matlab中，这个可以用一个for循环来生成约束矩阵，也可以用Yalmip的sdpvar变量直接写。

一个需要特别注意的地方是：如果你直接把“SOC必须保持在20%～90%”写成硬约束，那么优化结果可能就是储能永远只在这个区间内运行，相当于默认限制了最大DOD。但是，调度模型如果没有给最大DOD限值，优化器可能会在电价尖峰时段让储能深度放电，短期看省钱，但长期看对电池寿命极不友好。所以，我的经验是在目标函数里加入衰减成本，而不是在约束里强行限制DOD，因为前者允许优化器在“狠用一次”和“寿命折损”之间做经济权衡，后者则直接剥夺了这种权衡的可能性，不灵活，也不符合物理实际。

4. 多用户负荷灵活性建模：怎么把用户的“愿意变”翻译成调度决策能用的参数

负荷灵活性是虚拟电厂调度区别于传统电力调度的核心增量。传统调度把负荷当作刚性的，虚拟电厂则把负荷当作可以一定程度改变的资源。但这个“可以改变”不是无限的，也不是没有代价的。

4.1 三类柔性负荷的数学表达

为了避免模型变成难以求解的大规模混合整数规划，项目里一般把用户负荷灵活性按响应机制分成三类：可转移负荷、可中断负荷、可平移负荷。

可转移负荷是指在一定的时间窗口内，总用电量不变但用电时段可变的负荷。典型的例子是电动汽车充电、洗衣机、蓄热式电采暖。数学上，这类负荷的约束是“转移前后各时段负荷之和相等”，即：

code复制sum(P_transfer_schedule(t, user)) = E_total(user)

同时每个时段的负荷不能超过该用户最大可转移功率。

可中断负荷是指可以在短时间内削减一部分用电量，但总用电量会减少的负荷。典型的是空调、照明等非关键负荷。这类负荷的约束就是每个时段中断量不超过该用户的可中断上限，并且为了不影响用户体验，一天内累计中断次数或中断时长要受限。

可平移负荷这一点在理解上经常和可转移混淆。可平移负荷指的是整条负荷曲线作为一个块整体移动，开始时间可以提前或推后，但块内负荷曲线形状保持不变。这是一个整数决策问题——需要决定平移的起始时刻，所以会引入二进制变量。

在Matlab里，这三类负荷分别用不同的约束表达，前两类可以写成线性约束，第三类通常需要增加二进制变量。如果用户数量非常大，每类用户都单独建模，那么决策变量的规模会迅速膨胀。所以，实际操作中，我通常是先对同类型用户做聚类，把一个用户群的负荷特性聚合成数个“虚拟用户”，再用这三个虚拟用户参与优化。这一步可以在保证精度的前提下大幅缩短求解时间，也便于在代码里做参数调整。

4.2 灵活性量化：弹性系数和可调度潜力曲线

在调度层面，用户负荷灵活性不能只是一句“可以调节”，它必须变成一个可量化、可调用的量。项目里常用的做法是负荷弹性系数法和可调度潜力曲线法。

负荷弹性系数法：用一个弹性系数表示价格变化对负荷变化的响应程度，即负荷变化百分比除以电价变化百分比。但这种系数在调度模型里存在滞后性和非线性的问题，直接作为约束略粗糙。论文中更常用的做法是潜力曲线法——对每个时间段，统计各类柔性负荷可上调、可下调的最大容量。这样，调度模型只需要在“用户愿意配合”的上限内去调用灵活性，约束就变成简单的不等式：

code复制0 <= P_up(user, t) <= P_up_max(user, t)
0 <= P_down(user, t) <= P_down_max(user, t)

我在代码里用的是潜力曲线法，因为它的物理意义清晰，而且不会引入非线性的价格弹性关系，求解稳定性和解释性都更好。

4.3 别把灵活性和“让用户不舒服”混为一谈：补偿成本怎么进模型

用户让渡灵活性是有代价的，这个代价在模型里就是补偿成本。很多初版复现里会把补偿成本设为固定值，比如每调整1千瓦时给用户0.3元。但这不太符合实际——用户在一个调度周期内被频繁中断负荷，和只是偶尔调整一次，心理感受差异巨大。所以在进阶模型中，会设置阶梯式补偿成本：调用量越大，边际补偿单价越高。

这个阶梯式补偿在优化模型里也是一个分段线性函数，和前面储能衰减成本的线性化思路类似。用Yalmip实现时，可以采用pwf函数或者手写大M约束。

受益于这种成本结构，优化器调用用户灵活性时会更加克制：它会在“向电网高价购电”和“支付高额用户补偿”之间做取舍，而不是无节制地调用负荷侧资源。

5. Matlab代码实现：分层优化框架、求解器配置与踩过的坑

这一章直接进入代码实现层面。我会把整个项目的Matlab实现拆成几个模块来讲，并标注我在调试过程中遇到过的核心问题。

5.1 整体代码结构

推荐的文件组织方式是这样的：

code复制vpp_scheduling/
├── main.m                 % 主程序入口
├── data_load.m            % 载入负荷、新能源出力、电价数据
├── parameters.m           % 集中定义所有模型参数
├── build_day_ahead.m      % 日前调度约束构建
├── build_intraday_sc.m    % 日内滚动调度约束构建
├── solve_optimizer.m      % 统一求解函数
├── post_process.m         % 结果出图与指标计算
└── results/               % 结果保存目录

主程序的大致逻辑是：先加载数据、初始化参数，然后调用日前调度，得到日前计划后，进入日内滚动循环，最后把结果输出到post_process。这个结构与文献中的经典递进式结构是一致的。

5.2 Yalmip建模的关键语法

我强烈建议用Yalmip作为建模层，求解器用Gurobi或Cplex。直接用Matlab自带的linprog / intlinprog也能实现，但约束多起来以后，矩阵拼装很容易出错，Yalmip的符号建模方式可以极大减少索引错乱问题。

基础建模代码如下：

matlab复制% 初始化
yalmip('clear')
define_variables;

% 定义连续变量和二进制变量
P_cha = sdpvar(1, 96, 'full');       % 储能充电功率
P_dis = sdpvar(1, 96, 'full');       % 储能放电功率
SOC   = sdpvar(1, 97, 'full');       % SOC状态，多一个初始时刻
P_user_up = sdpvar(96, N_user, 'full'); % 用户负荷上调量

% 目标函数
objective = sum_electricity_cost + sum_storage_degradation_cost + sum_user_compensation;

% 约束
constraints = [];
for t = 1:96
    constraints = [constraints, SOC(t+1) == SOC(t) + P_cha(t)*eta_c*dt - P_dis(t)/eta_d*dt];
    constraints = [constraints, SOC_min <= SOC(t+1) <= SOC_max];
    constraints = [constraints, 0 <= P_cha(t) <= P_cha_max];
    constraints = [constraints, 0 <= P_dis(t) <= P_dis_max];
    constraints = [constraints, P_cha(t) + P_dis(t) <= P_cha_max]; % 防同时充放电
end

这里有一个显著的坑：P_cha(t) + P_dis(t) <= P_cha_max 这个约束并不能严格防止储能同时充放电。如果你不显式加上二进制变量来限制充放电互斥，Gurobi有时会在同一个时段给出充电和放电都大于0的解（尤其是当效率不为1时，它可能通过“边充边放”来骗取效率差的能量）。最稳妥的做法是引入两个二进制变量，用大M法强制互斥。

5.3 储能衰减项的处理：线性化与参数标定

储能衰减项的线性化，前面提过要按DOD分档。具体实现时，我会计算每个时段末的DOD，即：

matlab复制DOD(t) = 1 - SOC(t+1);   % 简化处理

然后把这个连续的DOD变量映射到成本档位上。最直接的方法是用Yalmip的pex或pwf构建分段线性函数，但偶尔会报错“Convexity requirement not met”，因为衰减成本函数不是凸的。遇到这种情况，我的替代方案是：把每个DOD档位单独做一个二进制变量，用implies把它激活，对应成本用大M约束加到目标函数里。虽然二进制变量多一些，但求解器在变量规模不大的情况下（96个时段、4个档位）完全hold得住。

参数标定这一点容易被人忽略：k1和k2不是随便取的，你需要根据具体电池数据做一个最小二乘拟合。我在代码里预置了几组典型参数，如果你换电池型号，只需要在parameters.m里更新这两项，以及全生命周期循环次数表。这也是仿真代码“可复现性”的关键。

5.4 求解性能优化的几点心得

这一部分说几个我在实际调试中反复踩过的坑：

坑1：模型里不小心引入了非凸的双线性项。 储能功率和DOD相乘来算衰减成本，这会产生一个非线性项。如果不做处理，Gurobi会直接拒绝求解。解决方案就是前面讲的分段线性化。

坑2：目标函数里数据量级不一致。 购电成本动辄是上万元，用户补偿是几百元，储能衰减成本可能只有几十元。如果各个成本项没有归一化或加权，优化器会完全忽略衰减成本。我在代码里统一换算成“元/kWh”的量级，并且在结果显示时拆分展示各项成本，避免调参时抓瞎。

坑3：滚动时域控制里状态变量初始化错误。 日内滚动调度外循环里，每个周期开始时的SOC应该是上一个周期结束时的SOC，这要求在循环体内把上一周期结果传递进来。如果初始化写错了，你会看到SOC曲线在日内段的衔接处出现明显跳变。出现这种问题时，先在post_process里单独画SOC曲线，一眼就能看出来。

坑4：用户数太多导致求解超时。 当用户数量超过50个，且每个用户都建模可中断、可转移、可平移三类变量时，问题规模会变得很大。我的经验是：先对用户做K-means聚类，再用聚类中心作为典型用户参与优化。这样解释性会下降一点，但可行性大幅提升，而且聚类后的结果在总成本方面的差异通常在1%以内。

6. 仿真结果怎么解读：储能衰减、负荷灵活性、多时间尺度滚动之间的耦合效应

复现一个工程类论文，最怕的就是跑完代码、出完图，却说不清结果里的因果关系。这一章我会给出典型的数值结果解读方法，并结合几次实验对比，说明参数变化会带来什么连锁反应。

6.1 关键结果曲线和需要检查的指标

仿真输出通常包括以下几张图：

1. 日前调度计划曲线：功率平衡图，包括光伏出力、风电出力、储能充放电、购电功率、用户负荷调整前后对比。
2. 储能SOC曲线：用于验证SOC动态方程的正确性和是否触碰到上下限。
3. 储能累计衰减曲线：观察一天/一周内衰减是否在合理范围内。
4. 用户灵活性调用情况图：各时段上调/下调量、补偿成本柱状图。
5. 滚动调度修正量曲线：日内层对日前计划的修正幅度，用于分析预测误差的影响。

要看的核心指标是：运行总成本、弃风弃光率、储能寿命消耗折算成本、用户负荷满意度（中断/转移比例）。我一般会把这些指标汇总成一张表格，方便和原文数据做对比。

6.2 加入衰减项后，调度策略会发生什么变化

这是复现中最有意思的部分。第一次复现时，我用不带衰减成本的目标函数运行，然后再把衰减成本加进去，对比两者结果。一个很典型的现象是：不加衰减成本时，储能会在午间光伏大发时段和晚间电价尖峰时段分别做一次“充满再放空”的大深度循环，日等效循环次数约1.2次。加入衰减成本后，优化器会自动降低放电深度，增加浅充浅放的频次，日等效循环次数降到0.7次左右。

这背后的机理其实很好理解：深度循环的单次老化成本高，浅循环的单次老化成本低，但浅循环需要更频繁地切换充放电状态。优化器是对比“深度循环的成本”和“频繁切换带来的更高效的电价套利收益”之后做出的最终决策。这就是储能衰减项进入目标函数后对调度策略的直接影响。

6.3 多时间尺度协同的效果：日前与日内的偏差修正

滚动调度层的价值，通过一组预测误差场景会更明显。把光伏预测误差设定为±15%、负荷预测误差设定为±8%，对比“纯日前调度”和“日前+日内滚动”两种模式。纯日前模式下，系统只能靠实时层的储能在最后时刻硬平衡，储能动作幅度大且突然，累计衰减成本反而更高；滚动模式下，日内层每1小时重新优化一次，可以提前一小时把部分功率偏差分摊到用户灵活性上，储能只需要做小幅修正。

数据上，纯日前模式的总运行成本通常比“日前+日内滚动”高3%～6%，这个差异主要来自两方面：一是实时功率平衡时不得已额外购买了高价电，二是储能大幅调节引起的附加衰减。这也说明了为什么要做多时间尺度调度——不是它在理论上的复杂度好看，而是它在应对预测误差时能把调节成本更均匀地分配到不同资源上。

6.4 用户灵活性参数敏感性：可转移比例对储能衰减的直接遏制

再做一个参数分析：把用户的“可转移负荷比例”从10%逐步提高到30%，观察储能日循环次数和总成本的变化。直觉上，用户越灵活，系统越应该“省成本”。但仿真结果往往不是单调下降的。原因在于，用户灵活性的调用需要支付补偿成本，可转移比例提高后，储能和用户灵活性之间存在资源竞争：当电价尖峰出现时，系统既可以放电，也可以上调用户负荷转移量来削减购电功率。如果用户补偿成本高于储能衰减成本，优化器反而会优先用储能，可转移比例提高带来的收益不明显。

这组实验能给很多VPP运营商的启发是：负荷灵活性的提升，不必然意味着运行成本的下降，灵活性的价值高度依赖于“补偿价格”和“储能老化成本”之间的相对关系。如果你要把这套代码用于实际项目评估，我的建议是无论如何先跑一遍灵敏度分析，不要只看单一场景下的结论。

7. 复现代码时几个最值得注意的工程细节

在最后这部分，我集中聊一些代码层面的实战细节。这些东西论文里几乎不会写，但对复现成败影响很大。

7.1 时间颗粒度和采样时刻的选择

原论文如果用的是15分钟一个时段，那么一天就是96个点。我的代码默认就是96时段。但如果你用的是1小时颗粒度，一天只有24个点，滚动调度的窗口逻辑完全不同。建议先统一所有输入数据的时间戳，把光伏出力、风电出力、用户负荷、电价都插值到同一时间网格上。插值方法我推荐用线性插值，除非你有明确的物理约束要求平滑曲线，否则高阶插值可能引入不必要的振荡，反而干扰优化结果。

7.2 SOC初值与终值的一致性

所有周期性运行的问题都要考虑SOC的“日循环闭合”问题。如果你的调度窗口是24小时，那么调度结束时的SOC应该接近初始SOC，否则模型可以“白拿”储能能量：第一天放光不给第二天留，最终导致成本虚低。我在代码里提供了一个可选的约束SOC(end) == SOC(1)，默认放开一定的容差（比如允许偏差在5%以内），这样既保证了时间的周期性，又不会过度限制优化器。

如果你研究的是跨天连续运行，滚动调度会天然解决这个问题，因为每天结束后SOC会自动传递到第二天。但如果你只做单日前调度，忘了加SOC终值约束，那仿真结果会明显偏差，需要特别注意。

7.3 求解器超时后的降级策略

Gurobi在某些复杂场景下可能超过你设定的时间限制（比如10分钟）。这时候不要直接放弃，而是要分两步来排查：先检查是不是二进制变量过多，尝试减少DOD分段数或用户聚类数量；如果减少后求解时间仍过长，可以修改求解器的MIPGap参数，设成0.02（即允许2%的次优解），实测可以把求解时间缩短到原来的20%左右。对你这种规模的调度模型来说，2%的次优解偏差完全可以接受。

matlab复制ops = sdpsettings('solver', 'gurobi', 'verbose', 2, ...
                  'gurobi.MIPGap', 0.02, ...
                  'gurobi.TimeLimit', 600);

7.4 结果可视化的几个建议

绘图脚本用Matlab的原生函数即可，不需要额外工具箱。我比较建议画三类图：第一类是功率平衡堆叠图，把可再生能源、储能、购电、用户负荷画在同一张图里；第二类是储能SOC和充放电功率的双轴图；第三类是用户灵活性调用量的热力图，横轴是时段，纵轴是用户群，颜色深浅表示调用量大小。热力图对展示“不同用户群的灵活性调用时序差异”尤为直观。

在导出数据时，务必把每一层调度结果都保存下来（如日前计划、日内修正计划、实际执行计划），不要只存最终结果。因为论文的数据对比往往需要“分层对比”，比如需要说明“日内修正计划相比于日前计划减少了多少弃风”，你如果没有保留中间结果，后面想补数据就得重新跑整个模型，耗时又容易出错。

8. 一点个人经验总结

这个项目我前后花了大概三周时间才跑出让人满意的结果。第一周基本都耗在储能衰减项的线性化和求解器报错上，第二周在搭建滚动调度框架时被SOC传递问题卡了很久，第三周才把用户灵活性部分补进去并完成了系统性的参数分析。回头看一下，如果当时能先想清楚“储能衰减项要不要做成分段线性”“SOC终值约束要不要加”“用户数做不做聚类”这三个问题，应该能省下至少五天的时间。

所以我最后想说的是，复现顶刊工作最忌讳的就是拿到代码就闷头跑。花一天时间把论文里的公式、约束、变量一一对应地梳理成自己的笔记，再动手搭框架，看起来慢，实际上快很多。遇到求解器报错时也不用慌，先把模型规模缩到最小——比如把96时段缩到24时段、把5个用户缩到2个用户——把最小模型跑通，再逐步放大规模，排查效率是最高的。

如果你在复现过程中遇到某个约束在你手头的数据结构下不知道怎么表达，或者Gurobi报了一些莫名其妙的错误，欢迎在评论区把具体代码片段和报错信息贴出来，我看到后会尽量帮你定位。这类优化调度模型的调试，很多问题其实是共通的，多说一句也许就能帮你少走一段弯路。