考虑特性分布的储能电站多时间尺度源储荷协调调度策略-代码聚汇网

考虑特性分布的储能电站多时间尺度源储荷协调调度策略

Chrysalid·2026-09-02·阅读 22 GEO检测（免费）

储能电站多时间尺度源储荷协调

|难度：普通|阅读约 29 分钟

最近完整复现了“考虑特性分布的储能电站接入的电网多时间尺度源储荷协调调度策略”这个课题，从建模到Matlab代码调试前前后后花了不少精力。这个方向属于典型的工程需求驱动：新能源渗透率上来以后，单靠火电去调峰已经越来越吃力，储能就成了电网调节的重要抓手。但储能电站不是一台简单的“大充电宝”，站里成百上千个电池簇的特性差异很大，如果调度策略不考虑这些差异，生成的总功率指令在实际执行时往往跑不通。多时间尺度则是把日前、日内、实时三个时间维度放在同一套逻辑下面逐级逼近最优，让源、储、荷三方真正协调起来。这篇文章就按我自己的实现思路，把特性分布建模、多时间尺度协调框架、优化目标与约束、Matlab代码实现以及我踩过的几个坑，从头到尾说一遍。适合正在做电力系统优化调度、储能并网仿真或者刚接触源网荷储协调的学生和工程师参考，内容偏工程实操，不是纯理论堆公式。

1. 为什么储能调度必须考虑特性分布

1.1 储能电站实际上是一堆“性格各异”的电池簇

很多人在建模仿真时习惯把储能电站当成一个聚合节点，给一个总容量、总功率、一个SOC变量，然后参与优化。这在概念验证阶段没有大问题，但一旦把模型放到真实工程项目里，马上就会失效。原因很简单：储能电站由大量电池簇并联组成，不同簇的出厂批次、所处位置温度、循环老化程度都不一样，实际容量、充放电效率、SOC可用范围、响应速度都有差异。调度中心下发一个150MW充电指令到电站，站内能量管理系统需要把这个总指令拆分到几十个簇，但有些簇SOC已经接近上限，有些簇温度过高被限功率，有些簇容量衰减严重，如果建模时都用同一个理想SOC轨迹，拆下去就会产生某个簇无法执行指令的尴尬局面。

所以在调度模型里考虑特性分布，本质上不是花哨的学术包装，而是解决储能电站内部“异构性”问题。处理方式通常有两种：一是用概率分布描述参数不确定性，把容量、效率、初始SOC等作为随机变量；二是用聚类方法把电池簇划分为若干典型类别，每一类对应一组特征参数，再在优化模型里分别建立SOC状态和功率变量，最终聚合出电站整体的可调能力。从工程落地的角度看，第二种方式更实用，因为它保留了每类电池的运行约束，又不像逐簇建模那样让优化问题膨胀到不可解。

实际建模时，我一般先对电站的历史运行数据做分析，统计每个电池簇在相同工况下的容量衰减率、温差、充放电效率分布，然后用kmeans或层次聚类把电池簇分成3到5类。这个数字不是拍脑袋，聚类太多会让优化变量成倍增加，太少又体现不出差异。3到5类是个平衡点，既能让模型捕捉主要特征差异，又不至于让求解时间失控。

1.2 多时间尺度是电网调度的天然需求

电网调度本身就不是一次定终身的决策。新能源出力和负荷预测的精度随时间尺度不同差别很大：提前24小时的日前预测误差可能达到20%以上，提前4小时的日内预测误差能降到10%左右，而到了实时阶段，分钟级预测相对准确得多。如果只做一个时间尺度的优化，用低精度的预测数据做高精度决策，结果要么过于保守，要么频繁调整指令，都对实际运行不利。

多时间尺度调度的设计思路是逐级修正、分层递进。日前阶段根据中长期预测确定机组组合、开停机计划、储能日充放电总体策略，解决“明天大致怎么安排”的问题；日内阶段利用最新的超短期预测，在几分钟到几小时的时间窗口内滚动优化，修正新能源波动和负荷偏差，解决“接下来几小时怎么调整”的问题；实时控制层则响应秒级到分钟级的功率不平衡，储能、AGC机组等快速资源在此时发挥作用。三个尺度之间的信息传递是单向的：上一层决策为下一层提供基准，下一层在保证基准偏差尽量小的前提下做局部调整。

储能在不同时间尺度里的角色也不一样。日前主要做削峰填谷和备用容量，日内主要平抑新能源功率波动，实时层则参与频率调节或快速功率追踪。如果模型里不区分这些功能，只给储能一个简单的充放电功率变量，那调度结果应用到现场就会和实际功能脱节。这也是我在代码实现中把储能决策变量按时间尺度分开建模的原因。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 储能特性分布建模：从实测数据到可调度参数

2.1 真正需要建模的特性指标有哪些

储能特性分布建模，首先要明确哪些参数对调度结果影响最大。我根据实际测试经验，重点关注四类指标：

额定容量与可用容量：电池簇的实际可用容量受温度、老化、充放电倍率影响，通常不是出厂标称值。调度模型里用的容量应该是当前SOC窗口对应的可用容量，而不是铭牌容量。
最大充放电功率：受电池自身特性和PCS变流器限制，充电和放电的最大功率往往不等，而且会在SOC接近上下限时自动降功率。这个动态特性在优化里容易被忽略。
充放电效率：储能电站整体效率不是恒定值，低SOC充电效率略高，高SOC接近满充时效率下降；放电过程也有类似现象。调度模型通常取平均或分段线性化效率。
SOC初始值与可用范围：每个电池簇的初始SOC不同，出于安全和寿命考虑，SOC实际运行范围一般控制在10%到90%之间，有些簇因为一致性差，可用上限会更低。

在代码里我不会对每个指标都做完整概率分布建模，而是用正态分布描述主要参数，再通过聚类得到典型场景。这样既能保留统计特征，又不会让优化模型变成随机规划，大幅增加求解难度。比如容量可以用normal(1.0, 0.03)乘以基准容量表示，效率用normal(0.92, 0.02)，初始SOC用uniform(0.2, 0.8)采样。

2.2 用Matlab生成特性分布并聚类的完整操作

Matlab里做这件事非常顺手，核心就是用概率分布对象和聚类函数。下面是我常用的三段式操作。

先用makedist和random生成原始样本：

matlab复制% 假设电站有100个电池簇
n_cluster = 100;
mu_cap = 1.0; sigma_cap = 0.03;
mu_eff = 0.92; sigma_eff = 0.02;
mu_pmax = 1.0; sigma_pmax = 0.05;

dist_cap = makedist('Normal','mu',mu_cap,'sigma',sigma_cap);
dist_eff = makedist('Normal','mu',mu_eff,'sigma',sigma_eff);
dist_pmax = makedist('Normal','mu',mu_pmax,'sigma',sigma_pmax);

cap_factor = random(dist_cap, n_cluster, 1);
eff_factor = random(dist_eff, n_cluster, 1);
pmax_factor = random(dist_pmax, n_cluster, 1);
soc_init = 0.2 + 0.6 * rand(n_cluster, 1);

然后用kmeans聚类并提取典型参数：

matlab复制feature_matrix = [cap_factor, eff_factor, pmax_factor, soc_init];
k = 4; % 分成4类
cluster_idx = kmeans(feature_matrix, k, 'Replicates', 20);

% 计算每类的典型参数用于调度
for i = 1:k
    idx = cluster_idx == i;
    storage_class(i).cap_factor = mean(cap_factor(idx));
    storage_class(i).eff_factor = mean(eff_factor(idx));
    storage_class(i).pmax_factor = mean(pmax_factor(idx));
    storage_class(i).soc_init = mean(soc_init(idx));
    storage_class(i).n = sum(idx); % 该类电池簇数量
end

聚类之后，每一类电池在调度模型里可以用一个等值储能单元表示，所有同类簇共享SOC和功率变量。这样做的好处是优化模型中储能节点的数量由100个降到4个，求解规模大大减小，同时每一类的特性差异仍然保留在约束里。还要注意一点：分类数量k不是越大越好，我在测试中对比过k从2到8的情况，发现k=4时求解时间和结果精度最均衡。

画分布图和聚类散点图我一般用histogram和gscatter，方便直观检查生成的数据是否合理。

matlab复制figure;
histogram(cap_factor, 20);
xlabel('容量因子'); ylabel('簇数');
title('电池簇容量因子分布');

figure;
gscatter(cap_factor, eff_factor, cluster_idx);
xlabel('容量因子'); ylabel('效率因子');
legend('类别1','类别2','类别3','类别4');

以我自己的实测数据为例，100个簇里往往会出现两类极端：一批是投运较早、容量衰减到80%的老化簇，另一批是较新的高容量簇。如果调度模型把所有簇当成一个整体，SOC统一调度，老化簇极易在充电时提前触顶，导致PV出力被弃或指令执行偏差。

3. 源储荷协调调度的多时间尺度框架

3.1 日前调度：把基准计划定下来

日前调度的目标是确定未来24小时的基础运行计划。时间分辨率一般取15分钟或1小时，我习惯用15分钟，也就是96个时段。输入数据包括：预测的负荷曲线、风电/光伏预测出力、火电机组参数、储能电站聚合参数、联络线交换功率上限。

决策变量主要有：各火电机组的开停机状态、出力计划、备用容量，储能电站各类电池簇的充放电功率和SOC轨迹，还有弃风弃光量。目标函数综合考虑火电煤耗成本、储能退化成本、弃风弃光惩罚以及从主网购电的成本。这个阶段不追求对每个时段做极致优化，而是要让整体计划在预测场景下可行且经济。

日前阶段的一个关键约束是储能日SOC恢复约束。实际运行时储能不能在一天内把电全部放光，次日还需要留出调节余量。我通常设置调度周期末SOC等于初始SOC，或者允许在一个小范围内变化。这样处理会让优化结果更贴合实际，但也意味着可行域变紧，如果初始SOC设置不合理，容易出现无解。

日前调度完成后，输出各机组96点出力计划、储能SOC计划曲线以及备用安排。这些输出会作为日内滚动优化的基准输入，限制日内调整的幅度，防止机组频繁开关和储能过度充放。

3.2 日内滚动优化：用最新信息修正偏差

日内滚动优化的时间尺度一般是4小时预测窗口，每15分钟到1小时滚动一次。它的作用是修正日前预测偏差，比如实际风速低于预测，风功率下降，需要储能放电或增加火电出力来补足。

因为开停机状态在日前已经确定，日内优化通常不改变机组的启停状态，只调整连续变量，这样能大幅减少计算量。储能在日内阶段是最灵活的调节资源，可以在SOC约束范围内快速响应。我设置储能调整幅度相对于日前计划的允许偏差带，比如不超过±20%，避免过度修正导致机组爬坡压力太大。

日内滚动优化本质上是一个有限时域MPC问题。每个滚动周期求解一个带最新预测的优化问题，但只执行第一个时段的指令，下一周期根据新的预测重新优化。这个方法说起来简单，实现时要特别注意时序逻辑：预测数据必须与实际时间对齐，否则结果错位。我在代码里用一个时间索引数组控制滚动过程，每轮循环更新预测数据、SOC初值、机组当前出力，再重新求解。

3.3 实时控制层：让储能直接响应

实时控制层属于秒级到分钟级的时间尺度，对应的是储备电站参与AGC调频或者快速功率追踪。这一层不会重新求解大规模优化问题，而是在日前和日内确定的储能功率基值附近，按照系统频率偏差或区域控制偏差进行功率调整。

如果只做调度策略仿真，实时层可以用一个简单的比例控制器模拟。比如：

matlab复制% 频率偏差
df = f_measured - f_ref;
% 储能响应功率
P_resp = -K_f * df;
% 调整后的储能指令
P_storage_final = min(max(P_base + P_resp, P_min), P_max);

这个控制器的关键是要留出足够调节裕度。如果在日前和日内阶段把储能功率定得太贴近边界，实时层就没有上下调节空间了。所以我通常会在日前优化里给储能功率上下限加一个备用系数，比如最大功率的10%作为调频备用，这样三层时间尺度才能真正衔接起来。

4. 调度模型的目标函数与约束处理

4.1 目标函数怎么定权重才合理

目标函数的设置直接影响调度结果的经济性和可行性。我常用的目标函数形式为：

$$\min \sum_{t=1}^{T} \left[ \sum_{g \in G} C_g(P_{g,t}) + C_{ess}(P_{c,t}, P_{d,t}) + C_{curtail}(P_{curt,t}) \right]$$

火电煤耗成本C_g用二次函数拟合：$a_g P_g^2 + b_g P_g + c_g$。为了提高求解速度，我通常会在Matlab里对二次项做分段线性化，把问题转成MILP，用商业求解器能快速求出全局最优。储能退化成本C_ess，我常简化为充放电功率的二次函数，因为电池循环寿命损失和充放电深度、电流倍率有关，而功率越大间接表示电流倍率越大，用功率平方项可以近似反映额外损耗。弃风弃光惩罚成本C_curtail，我一般设为单位弃电损失乘以弃电量，数值上要比煤耗成本高，才能保证优化结果优先消纳新能源。

权重系数调整没有一个通用公式，更多依赖反复试算。我建议先跑一组不设置惩罚项的数据，观察弃风弃光量，再根据弃光率目标逐步提高惩罚权重。如果惩罚设得太高，可能让储能过度充电、SOC频繁顶格，得不偿失。比较可行的办法是给弃风弃光惩罚设一个封顶值，比如500元/MWh，避免极端情况下总成本异常。

4.2 储能约束里最容易被忽略的几个点

储能模型的约束是调度建模里最容易出bug的地方，我总结几个高频坑点。

充放电互斥约束。如果不加P_c * P_d = 0，优化器会为了让SOC保持不变同时让充电和放电都取非零值，白白增加成本，虽然最终结果未必离谱，但物理上不可行。常用处理是引入二进制变量：P_c <= M * u，P_d <= M * (1 - u)。这个约束会让问题变成MILP，求解时间变长，我还见过因为二进制变量放松不当导致的求解不可行，调试时要格外小心。
SOC连续性。很多初学者把SOC写成代数约束迭代到下一个时段时，忘了考虑充放电效率。正确的离散递推应该区分充电和放电：

matlab复制soc(k, t+1) = soc(k, t) + eta_c * P_c(k, t) * dt / E_cap(k) - P_d(k, t) * dt / (eta_d * E_cap(k));

动态功率上下限。储能最大充放电功率并不是常数。当SOC接近上限时，最大可充电功率会降低；接近下限时，可放电功率降低。工程上可以用分段线性函数描述这种关系，如果忽略，会让优化结果高估储能调节能力。
末端SOC约束。日前调度如果不设末端SOC约束，优化器可能为了低成本把储能放在SOC下限，导致次日无电可用。我通常在日前优化中加入等式约束，让调度周期结束SOC恢复到当前初始值，或者在日内优化中设置SOC目标区间。

还有一个坑：多类电池簇的功率边界不能直接加总成总功率边界。正确做法是保留每类簇的SOC和功率变量，在聚合层叠加输出。虽然变量增加，但模型真实反映场站内部分配能力，仿真结果更可信。

5. Matlab代码实现：从建模到求解

5.1 程序架构与数据流

Matlab实现这套调度策略，我不会把所有内容都写在一个脚本里，而是按模块拆分，方便调试和替换边界条件。整体结构如下：

主脚本 run_scheduling.m：设定全局参数、读取数据、生成储能特性分布、调用日前和日内优化、绘制结果。
数据准备函数 prepare_date.m：处理负荷曲线、新能源预测曲线、火电参数、储能参数。
储能聚类脚本 build_storage_clusters.m：完成2.2节的分布生成和聚类。
日前优化函数 day_ahead_schedule.m：建立并求解日前MILP。
日内滚动函数 intraday_schedule.m：实现滚动优化逻辑。
数据输出脚本 plot_results.m：绘制负荷、出力、SOC、储能功率等曲线。

这种划分最大的好处是，当需要调整储能参数时，不用动优化函数；当需要增加新的约束时，可以单独在约束构建部分修改，不影响数据流。

我用一个结构体数组保存储能各类别参数：

matlab复制storage.class(k).energy = 10 * cap_factor(k);     % MWh
storage.class(k).pmax_charge = 5 * pmax_factor(k); 
storage.class(k).pmax_discharge = 5 * pmax_factor(k);
storage.class(k).eta_charge = eff_factor(k);
storage.class(k).eta_discharge = eff_factor(k) * 0.98;
storage.class(k).soc_init = soc_init(k);
storage.class(k).soc_max = 0.9;
storage.class(k).soc_min = 0.1;

数据流是：主脚本生成各类储能参数后传给优化函数；优化函数返回各时段的P_storage、SOC等变量；主脚本再进行结果处理和画图。这样即使后面换成其他储能电站数据，也只需要替换参数生成部分，不需要重写优化模型。

5.2 关键代码段逐行拆解

这部分我挑几个关键代码段展开说明。

构建优化变量用Yalmip工具包：

matlab复制P_g = sdpvar(n_gen, T, 'full');          % 火电出力
P_w = sdpvar(n_wind, T, 'full');        % 风电消纳功率
P_pv = sdpvar(n_pv, T, 'full');         % 光伏消纳功率
P_c = sdpvar(n_storage_class, T, 'full'); % 储充功率
P_d = sdpvar(n_storage_class, T, 'full'); % 储放功率
SOC = sdpvar(n_storage_class, T+1, 'full'); % SOC
u_c = binvar(n_storage_class, T);       % 充电状态
u_d = binvar(n_storage_class, T);       % 放电状态

功率平衡约束直接加在一个等式约束里：

matlab复制Constraints = [];
for t = 1:T
    Constraints = [Constraints, sum(P_g(:,t)) + sum(P_w(:,t)) + sum(P_pv(:,t)) ...
        + sum(P_d(:,t)) - sum(P_c(:,t)) == P_load(t)];
end

储能SOC约束和互斥约束：

matlab复制for k = 1:n_storage_class
    for t = 1:T
        Constraints = [Constraints, ...
            SOC(k, t+1) == SOC(k, t) + ...
            storage.class(k).eta_charge * P_c(k, t) * dt / storage.class(k).energy - ...
            P_d(k, t) * dt / (storage.class(k).eta_discharge * storage.class(k).energy)];
        Constraints = [Constraints, ...
            SOC(k, t) <= storage.class(k).soc_max, ...
            SOC(k, t) >= storage.class(k).soc_min];
        Constraints = [Constraints, ...
            P_c(k, t) <= storage.class(k).pmax_charge * u_c(k, t), ...
            P_d(k, t) <= storage.class(k).pmax_discharge * u_d(k, t), ...
            u_c(k, t) + u_d(k, t) <= 1];
    end
end

这个写法比直接用非线性互斥约束好，因为MILP求解器能高效处理二进制变量和线性约束。需要注意，因为u_c和u_d是二进制变量，求解时间会变长。如果测试中觉得太慢，可以把部分时间段的互斥约束放宽为u_c + u_d <= 1，但这个约束本身已经很强了，不建议再放松。

目标函数这样写：

matlab复制Objective = 0;
for t = 1:T
    for g = 1:n_gen
        Objective = Objective + coeff_a(g) * P_g(g,t)^2 + coeff_b(g) * P_g(g,t) + coeff_c(g);
    end
    for k = 1:n_storage_class
        Objective = Objective + alpha_ess * (P_c(k,t) + P_d(k,t));
    end
    Objective = Objective + penalty_curtail * sum(P_w_max(t) - P_w(:,t)) + sum(P_pv_max(t) - P_pv(:,t));
end

二次项P_g^2会让问题变成MIQP。如果求解器对MIQP支持不好，就分段线性化。我的做法是先把出力区间分成20段，每段用线性函数近似，这样问题变成MILP，求解速度和稳定性都会更好。

5.3 求解器选择与参数整定经验

我在Matlab里最常用的是Yalmip + Cplex或Gurobi的组合。Cplex和Gurobi对MILP求解非常成熟，中小规模问题基本在几十秒内能出结果。如果只有Matlab自带环境，可以用intlinprog，但建模语法没那么方便，更适合教学验证。

求解器设置我一般这么调：

matlab复制options = sdpsettings('solver', 'cplex', 'verbose', 2, ...
    'cplex.mip.tolerances.mipgap', 1e-4, ...
    'cplex.mip.tolerances.absmipgap', 1e-4, ...
    'cplex.timelimit', 600);

mipgap设置太严可能导致求解时间过长，设置太松会得到次优解。我通常用1e-4，就是允许0.01%的差距。如果遇到求解时间爆炸，优先检查二进制变量是否过多。前面提到用4类储能，T=96，二进制变量有4962=768个，比火电机组启停变量还要多，所以求解效率很依赖变量的紧凑程度。

如果遇到Strictly infeasible，不要急着调求解器，先把约束拆开测试。我调试时会在每个约束块后面加一个status检查，定位是哪一类约束导致的问题。某些情况下是SOC初始值设置和约束冲突，比如所有电池初始SOC为0.9，而末端要求SOC 0.2，在短时域内无法完成放电，所以无解。

6. 实测踩坑记录和排查思路

6.1 求解器返回不可行

这个问题我遇到最多。最常见的不可行原因是储能末端SOC约束和初始SOC、容量之间的配合出问题。举个例子，如果储能容量为100MWh，初始SOC为0.5，末端要求SOC为0.5，但两个时段之间的最大充放电功率只有5MW，时间窗口只有1小时，那从0.5到0.2再回到0.5显然做不到。

排查思路：先在Debug模式下把SOC约束暂时放宽，看模型能否求解。如果能，说明问题出在SOC约束或约束耦合上。然后逐步收紧：先不加末端SOC约束，看SOC轨迹是否正常；再加上末端区间约束，不要一开始就设等式。等式约束是最强的，容易无解，一般先给一个区间，比如SOC_T在0.4到0.6之间，再提高收敛精度。

6.2 SOC频繁触界或越限

SOC频繁触界往往是因为储能退化成本设置太低，优化器倾向于把储能电量用满，以消纳更多新能源或降低火电成本。结果就是SOC频繁在上下限附近波动，实际运行中这会让电池寿命快速衰减。

解决方式有两个：一是在目标函数中加入SOC居中惩罚项，比如对SOC偏离0.5的部分加二次惩罚；二是在约束里把SOC运行范围改得保守一些，例如0.2到0.8，而不是0.1到0.9。我在代码里采用第二种方式，因为简单好调。不过这样做会牺牲部分调节能力，需要根据实际情况平衡。

另外，SOC越限的另一种原因是计算SOC时单位不统一。我吃过一次亏：容量用的是MWh，功率用的是MW，时间步长用的是小时，但代码里写成了分钟，导致SOC连续跑过头。所以代码里我统一用小时单位，时间步长dt = 0.25h，所有参数都用同一个单位系。

6.3 日内指令抖动严重

日内滚动优化经常出现储能指令“毛刺”很多的问题，主要是由于预测数据扰动、SOC初值更新和滚动窗口边界效应叠加。如果风电预测曲线在相邻滚动周期之间有跳变，优化结果自然跟着跳。

处理办法有三个：一是给日内优化增加指令变化率约束，比如P_storage(t) - P_storage(t-1)不超过5MW；二是对预测数据做平滑处理，用移动平均或者低通滤波；三是在目标函数里加入储能功率调整惩罚项，防止相邻时段功率差值过大。我实际操作中效果最明显的是加变化率约束，基本能去掉大部分抖动。

另外还有一个非常隐蔽的问题：滚动优化里每个周期都在用当前SOC作为初值，但上一个周期执行的是计划指令而非实际指令，如果仿真中引入了随机误差，SOC会出现累积偏移。稳妥做法是每个滚动周期开始时重新读取仿真中的实际SOC，而不是用上一周期计划SOC，这样才能避免误差累积。

7. 这个课题还能往哪些方向继续做

这版实现已经能跑通完整的日前-日内-实时协调框架，但还有很多可扩展的点。如果项目周期允许，我个人会优先考虑三个方向。

一是把储能的寿命衰减模型做得更细。现在用的是功率二次项近似，工程上更准确的方法是考虑循环次数、放电深度和温度影响的半经验寿命模型，还可以把寿命成本按实际SOC路径累加到目标函数里，这样调度策略会更偏向温和运行。

二是引入不确定性优化方法。新能源预测误差对调度结果影响很大，可以在现有确定性MILP基础上换成鲁棒优化或分布鲁棒优化，让调度结果在预测误差较大时仍然保持可行。这个方向做起来工作量会增加不少，但发表论文或实际项目的说服力会强很多。

三是把实时控制层从简单比例控制器换成模型预测控制。让储能实时响应频率偏差的同时，还能考虑SOC约束和功率变化率，减少机械磨损和电池应力。

我在实际测试中的一点体会是：这套策略的仿真结果和现场运行之间最大的差距通常不在优化算法本身，而在基础数据的准确性。储能参数分布、预测误差特性、机组爬坡限制这些细节才是决定调度结果好坏的关键。所以如果你也准备复现或改进这个课题，建议多花时间清洗数据、校准参数，而不是只盯着求解器参数调优。先把基础模型跑通，再一步步加复杂度，是这类项目最稳妥的推进方式。