光储充换电站用户充电负荷与分时电价双层博弈优化

1. 从标题拆解到模型落地：这个"互动"到底在研究什么

拿到这个标题的第一反应是：这又是一个"大而全"的优化模型复现。但真正开始动手之后才发现，这个题目的核心并不在"光储充换电站"这六个字上，而在"用户充电负荷"和"最优分时电价"之间的那个"互动"上。这才是整篇文章的灵魂所在，也是复现过程中最值得花时间去理解的地方。

先把这个题目翻译成人话。传统的光储充换电站调度，通常是"电网给电价，电站做优化"，用户只是一个被动的用电方，电价给多少就是多少，用户该什么时候充就什么时候充，双方之间没有信息交互。而这个模型想做的事情是：电价不再是一成不变的固定值，而是充电站需要去优化决策的变量；用户的充电行为也不是固定的负荷曲线，而是会随着电价变化而变化的响应型负荷。电站通过制定分时电价来引导用户的充电行为，用户的行为反过来决定了电站的总负荷曲线，两者相互影响、彼此迭代，直到达到一个均衡状态。这是典型的"供给侧定价-需求侧响应的双层博弈"结构。

标题里的"光储充换电站"则是这个模型的物理载体。光伏负责发电，储能负责平抑波动，充电桩负责给电动车充电，换电站负责给电池换电。四个部分在一个站点内耦合，涉及电能在源、储、荷三个环节的流动。而"考虑用户充电负荷-最优分时电价互动"，则是在这个物理载体的基础上叠加了一层市场机制。

这类模型的核心输出一般是以下几样东西：

• 最优分时电价方案（一天的24小时价格曲线）；
• 用户响应后的充电负荷曲线（分时电价引导之后的结果）；
• 光伏、储能、电网购电之间的功率分配方案；
• 各类成本与收益的明细（用户充电费用、电站收益、储能套利收益等）；
• 与固定电价模式下的对比结果（用于说明分时电价机制的有效性）。

复现这类模型的难点，从来不在某个单一模块，而在于把"电价优化"和"用户响应"这两个环节耦合起来迭代求解。如果只是把每个模块单独建模再拼在一起，那跑出来的结果十有八九是不收敛的。后面我会详细展开这一部分。

先说明一下我的复现环境：MATLAB R2022a，YALMIP工具箱，求解器用的是GUROBI 9.5。YALMIP负责建模，GUROBI负责求解MILP问题。这个组合在这个场景下是通用选型，如果手头没有GUROBI也可以用Cplex替代，建模部分差异不大。

2. 为什么"互动"是核心：充电负荷与电价的博弈逻辑

2.1 用户不是"负荷"，是会响应价格的理性个体

要复现这个模型，第一步要理解作者为什么要把用户侧单独拎出来建模。在很多传统调度模型中，负荷曲线是外生给定的，今天几点到几点是峰、几点到几点是谷，这在优化开始前就已经定死了。但在这个模型里，用户的充电时段选择是内生变量——电价高的时候，用户会选择少充或者不充；电价低的时候，用户会选择多充或者把充电时间挪到低价时段。

这个行为逻辑背后的理论支撑是需求价格弹性。简单来说，电价上涨1%，用户充电量会下降一定比例；电价下降1%，用户充电量会上升一定比例。这个比例就是弹性系数。充电需求不像生活用电那样刚性——电车的充电时间相对灵活，用户可以选择在波谷时段充电来省钱，所以充电负荷的价格弹性比常规居民负荷更显著。

原模型里对用户行为的建模通常会写成下面这样的形式：

$$
P_{user}(t) = P_{base}(t) - \alpha \cdot (C(t) - C_{ref}(t)) + \varepsilon(t)
$$

其中 $P_{user}(t)$ 是考虑电价响应后的充电负荷，$P_{base}(t)$ 是用户的基础充电需求（不考虑电价影响），$C(t)$ 是当前时刻的电价，$C_{ref}(t)$ 是参考电价（一般取平均电价或基准电价），$\alpha$ 是价格响应系数，$\varepsilon(t)$ 是随机波动项。实际复现中，$\alpha$ 的取值可以通过历史充电行为数据拟合，也可以用弹性系数矩阵来表达交叉时段的影响。

2.2 电站侧：如何在满足用户的前提下最大化收益

充电站作为运营方的目标是"收益最大化"。收益来自于向用户卖电的收入，成本包括从电网购电的成本、光伏运维成本、储能充放电的损耗成本。用户的充电负荷越高，卖电收入越高；但为了吸引用户充电，电价又不能定得太高。这里就出现了一个典型的博弈问题：电价定太高，用户减少充电，收入反而下降；电价定太低，用户充电量上来了，但单位利润被压缩了。

最优电价一定会落在这两个极端之间，也就是"拉弗曲线"式的中间值。这个最优值的求解，就是这个模型最核心的数学问题。

2.3 双层模型的数学结构与迭代逻辑

有了上面两方的行为逻辑，模型的结构自然就浮现出来了——这是一个双层优化问题。

• 上层：电站运营商作为领导者，以收益最大化为目标，决策决策变量是24小时的分时电价方案 $C(1), C(2), \ldots, C(24)$，同时需要满足光储充换电站的运行约束（储能SOC范围、充放电功率限制、光伏出力范围、功率平衡、变压器容量上限等）。
• 下层：用户作为跟随者，在电价为参量的条件下，以自身充电成本最小为目标，决策各时段的充电量。

求解方法上，复现时最常用的是KKT条件法，把下层优化问题转化为上层问题的约束条件，然后用KKT互补松弛条件处理。或者也可以采用迭代求解法：先给一组初始电价，让用户在此电价下优化充电策略，然后电站根据用户的充电方案重新优化电价，反复迭代直到电价和用户充电策略都不再变化，即达到均衡。

两种方法我在复现时都试过。KKT条件法数学上严谨，一次求解就能得到结果，但对于下层的非线性模型，KTT条件的推导会比较复杂；迭代法容易实现，但需要设置收敛判据，且可能收敛到局部均衡点。这里需要根据论文中描述的求解方法选择复现路线。

3. 光储充换电站的物理建模：比想象的更细

这个模型的名字里包含了"光储充换"四类设备，在建模时必须把每一类设备的物理约束都表达清楚，否则优化结果就是一堆不符合实际的数值。

3.1 光伏：出力曲线不是靠猜的，要用实际模型

光伏出力的建模通常基于辐照度和温度数据，实际中可以直接用光伏出力的典型日曲线作为输入。但如果你想做得更精细一些，可以用下面的公式实时计算：

$$
P_{PV}(t) = \eta_{PV} \cdot A_{PV} \cdot G(t) \cdot [1 - \beta \cdot (T_{cell}(t) - T_{ref})]
$$

其中 $G(t)$ 是某时刻的太阳辐照度，$A_{PV}$ 是光伏板面积，$\eta_{PV}$ 是光电转换效率，$\beta$ 是温度系数，$T_{cell}(t)$ 是电池板温度，$T_{ref}$ 是标准测试温度25°C。不过在复现那个模型时，我建议优先采用"给定最大出力曲线+可用系数"的方式，因为大部分论文的核心创新点在电价互动机制上，光伏模型太复杂反而会引入非线性问题。

光伏建模要注意边界条件：每一时刻的出力不能超过预测值；光伏弃光是可以接受的，但一般需要加一个弃光惩罚系数，避免优化器轻易选择弃光来迁就电价策略。

3.2 储能电池：SOC不是简单的"充电加、放电减"

储能部分是模型里约束最多的地方。基础约束包括充电功率上下限、放电功率上下限、以及某个时刻的SOC范围限制。此外还要补充一条关键约束：

$$
SOC(t) = SOC(t-1) + \frac{P_{ch}(t) \cdot \eta_{ch} \cdot \Delta t}{E_{cap}} - \frac{P_{dis}(t) \cdot \Delta t}{E_{cap} \cdot \eta_{dis}}
$$

其中 $\eta_{ch}$ 和 $\eta_{dis}$ 分别是充放电效率，$E_{cap}$ 是电池容量。这里有一个非常容易踩的坑：很多复现代码里只写了"$SOC_{min} \le SOC \le SOC_{max}$"，却没有注意SOC的时间耦合关系。严格来说，SOC是一条随调度周期递推的连续轨迹，而不是互相独立的24个变量。如果你在MATLAB里只用标量变量表示每个时刻的SOC，而忘记用等式把它们串起来，那优化器就会给出一个荒谬的结果——前一刻满电、下一刻空电、再下一刻又满电——因为SOC之间的连续性没有被约束住。

充放电功率变量也需要特别注意同时性问题。现实中的电池不可能同时充电又放电，但在数学模型里，如果不加约束，优化器很可能会让充电变量和放电变量同时为正，然后靠效率差来"套利"。正确的做法是用二进制变量把充放电视为互斥状态：

$$
0 \le P_{ch}(t) \le P_{ch}^{max} \cdot u(t), \quad 0 \le P_{dis}(t) \le P_{dis}^{max} \cdot (1 - u(t))
$$

这样模型就会变成混合整数线性规划问题（MILP）。这也是为什么需要用GUROBI这类MILP求解器的原因。

3.3 充电桩与换电站：负荷特征完全不同

充电桩的负荷是"实时功率+持续时长"，一个典型的直流快充桩功率在60到120kW之间，一辆车充满需要40到60分钟。换电站则不一样，换电站的负荷是"离散大功率脉冲"，换一次电相当于在短时间内抽取一块电池的全部能量，负荷峰值高、持续时间短。

在建立换电负荷模型时，需要区分"电池充电功率"和"用户换电需求功率"。电池可以在换下来之后用较低功率慢慢充，避开在高峰时段集中充电。因此在模型中，换电站的电能消耗并不是直接等于用户换电需求，而是等于"换下来的电池的充电功率之和"——这是换电站负荷灵活性的核心来源。复现时可以把换电负荷建模为"可平移负荷"，即换电需求一定，但充电时间可以根据电价自由安排。

3.4 功率平衡约束：整个站的"物质守恒定律"

所有设备最后通过一条功率平衡约束耦合起来：

$$
P_{PV}(t) + P_{dis}(t) + P_{grid_buy}(t) = P_{ch}(t) + P_{user}(t) + P_{EV_swap}(t) + P_{grid_sell}(t)
$$

左边是电源侧，右边是负荷侧。$P_{grid_buy}(t)$ 和 $P_{grid_sell}(t)$ 是向电网购电和向电网售电的功率，在实际中一般是互斥的（不会同时买电又卖电），所以也要加二进制变量约束。同时，$P_{grid_buy}(t)$ 还需要受变压器容量的限制。

这个约束是整个模型的物理基础，如果这个等式不满足，那别的任何结果都没有意义。建议在代码中单独写一个验证函数，求出所有变量值后检查这个等式的残差。

4. MATLAB代码实现的全流程：从数据准备到结果可视化

4.1 数据准备

复现模型的第一步是准备输入数据。我整理了一份典型日数据：

这份数据只是一个典型场景，可以根据实际项目需要替换。注意光伏出力是百分比形式，需要乘上光伏装机容量才能得到实际功率。

基础负荷代表的是"不考虑电价响应时用户原本的充电需求"，参考电价则是模拟"如果采用固定电价时"的价格基准。分时电价优化后，价格会在这个基础上发生变化。

4.2 上层模型：电站收益最大化

上层模型的决策变量是24小时电价 $C(1..24)$，目标函数是电站总收益最大：

$$
\max \sum_t (C(t) \cdot P_{user}(t) - p_{buy}(t) \cdot P_{grid_buy}(t))
$$

外加储能低充高放的套利收益、光伏自用的节省。用户充电负荷 $P_{user}(t)$ 不只是一个固定的参数，它会通过价格弹性方程受 $C(t)$ 影响，所以目标函数里的两个变量之间存在隐式耦合关系。这也是这个模型比传统调度模型更难求解的根本原因。

上层约束包括功率平衡约束、储能SOC递推约束、充放电功率限制、变压器容量约束、光伏出力约束、电量平衡约束等。电价上下限一般取 $[0.2, 1.5]$ 元/kWh，这是为了防止优化器给出不合理的极端价格。

4.3 下层模型：用户充电费用最小化

下层模型的目标函数是用户充电总费用最小：

$$
\min \sum_t C(t) \cdot P_{user}(t)
$$

约束条件是用户一天的总充电需求（总充电量）不低于某个最低值，各时段的充电量不能超过一定的上限（受充电桩数量和充电时长的限制），另外还可以加入"充电延迟容忍"约束——用户不是必须马上充电，可以在一天内的任意时间充电，但最迟需要在某个时刻前完成。

4.4 迭代求解代码的框架

以下是我复现时使用的迭代求解框架（伪代码）：

matlab复制% 初始化
C_init = repmat(0.6, 24, 1);  % 初始电价:全天0.6元/kWh
C = C_init;
max_iter = 30;
tol = 1e-4;
history = [];  % 记录每次迭代的电价变化

for iter = 1:max_iter
    % 步骤1: 给定当前电价C, 求解下层用户模型, 得到用户充电负荷P_user
    P_user = solve_user_model(C, params);
    
    % 步骤2: 将P_user作为参数, 求解上层电站模型, 得到新的电价C_new
    [C_new, P_grid, P_ch, P_dis, SOC, profit] = solve_station_model(P_user, params);
    
    % 步骤3: 检查收敛
    delta = norm(C_new - C);
    history = [history; delta];
    fprintf('iteration %d, delta=%.6f\n', iter, delta);
    
    if delta < tol
        break;
    end
    
    % 更新电价:引入阻尼系数λ防止振荡
    lambda = 0.3;
    C = lambda * C_new + (1 - lambda) * C;
end

这里的阻尼系数是一个很关键的经验参数。如果不加阻尼，迭代过程很容易在两个状态之间来回振荡——电价升上去，用户负荷降下来，收益下降，电价又降下来，用户负荷升上去，收益上升，电价又升上去，无限循环。加入阻尼后，可以有效抑制这种振荡。

我推荐把阻尼系数设置为0.3到0.5之间，收敛速度会稍微慢一点，但是稳定性好很多。如果模型比较小，可以设到0.6加速收敛；如果模型比较复杂，建议从0.2开始试。

4.5 变量定义与YALMIP建模示例

核心变量定义：

matlab复制% 决策变量
C = sdpvar(24, 1);                    % 分时电价
P_user = sdpvar(24, 1);               % 用户充电负荷
P_pv = sdpvar(24, 1);                 % 光伏实际出力
P_buy = sdpvar(24, 1);                % 电网购电
P_sell = sdpvar(24, 1);               % 电网售电
P_ch = sdpvar(24, 1);                 % 储能充电功率
P_dis = sdpvar(24, 1);                % 储能放电功率
SOC = sdpvar(24, 1);                  % 储能荷电状态
u_ch = binvar(24, 1);                 % 充电状态(0/1)
u_dis = binvar(24, 1);                % 放电状态(0/1)
u_buy = binvar(24, 1);                % 购电状态
u_sell = binvar(24, 1);               % 售电状态

约束条件示例：

matlab复制constraints = [];

% 功率平衡
for t = 1:24
    constraints = [constraints, 
        P_pv(t) + P_dis(t) + P_buy(t) == P_ch(t) + P_user(t) + P_sell(t)];
end

% 储能SOC递推
for t = 2:24
    constraints = [constraints,
        SOC(t) == SOC(t-1) + P_ch(t)*eta_ch*dt/Ecap - P_dis(t)*dt/(Ecap*eta_dis)];
end
constraints = [constraints, SOC(1) == SOC_init];

% 充放电互斥
for t = 1:24
    constraints = [constraints, 
        0 <= P_ch(t) <= P_ch_max * u_ch(t),
        0 <= P_dis(t) <= P_dis_max * u_dis(t),
        u_ch(t) + u_dis(t) <= 1];
end

% 电价-负荷耦合关系(用户响应)
for t = 1:24
    constraints = [constraints,
        P_user(t) == P_base(t) - alpha(t) * (C(t) - C_ref(t))];
end

% 电价上下限
for t = 1:24
    constraints = [constraints, C_min <= C(t) <= C_max];
end

4.6 换电站部分的关键建模

换电站与本模型的关系需要单独提一下。换电站的负荷特点是它可以分时充电——换下来的电池不需要立即充满，可以在接下来几个小时内慢慢充电。这就给了优化模型"削峰填谷"的操作空间：在电价高的时刻，电池不充电；在电价低的时刻，加快充电速度。模型中可以将换电站每天总换电需求作为硬约束，充电功率作为可调度变量：

matlab复制% 换电站总换电需求约束
% 其中E_swap_total是当天所有换电所需的总电量
constraints = [constraints, sum(P_swap_ch) * dt == E_swap_total];

% 换电站充电功率限值
constraints = [constraints, 0 <= P_swap_ch <= P_swap_ch_max];

由于换电站的电池充电过程实际上是一个长长的队列（换下来的电池进入充电架，充完电的电池进入等待区，用户再来取），严格建模需要用到队列论。但在一个每日优化尺度上，用总电量等式约束+功率限值约束来近似，效果已经很好了。如果要精度更高，可以加入"分时电池库存"状态变量。

4.7 结果输出与绘图

求解完成后，用下面的代码输出核心图像：

matlab复制% 电价与负荷曲线对比图
figure;
subplot(3,1,1);
bar(1:24, C, 'r');
ylabel('电价(元/kWh)');
xlabel('时间(h)');
title('最优分时电价方案');

subplot(3,1,2);
plot(1:24, P_base, 'b--o', 'LineWidth', 1.5); hold on;
plot(1:24, value(P_user), 'r-s', 'LineWidth', 1.5);
ylabel('充电功率(kW)');
xlabel('时间(h)');
legend('基础负荷', '响应后负荷');
title('用户充电负荷响应对比');

subplot(3,1,3);
plot(1:24, value(SOC)*100, 'g-o', 'LineWidth', 1.5);
ylabel('SOC(%)');
xlabel('时间(h)');
title('储能SOC曲线');

4.8 收敛性调试与边界情况处理

复现时最容易遇到的问题就是迭代不收敛或结果震荡。我复盘了我自己的调试过程，大概经历了这么几个阶段：

• 不加阻尼系数，电价上下限很宽→ 结果震荡，反复横跳；
• 加上阻尼系数0.5，调整电价上下限为[0.2, 1.5] → 收敛速度明显改善；
• 加入用户响应系数$\alpha$太小 (0.01) → 电价优化几乎没效果，响应后负荷还是"一条直线"；
• 加入$\alpha$太大 (0.5) → 电价稍微波动，用户负荷就剧烈变化，难以收敛，甚至出现负荷跑出合理范围的情况；
• 最后把$\alpha$设为0.15，配合阻尼0.4，收敛稳定，大约8到12次迭代就能达到10^-4的精度。

另外有一个细节容易被忽略：求解器和YALMIP的数值容差设置。GUROBI默认的MIP Gap是1e-4，有时候优化器会提前停止。在复现论文数值结果时，建议把MIP Gap调小：

matlab复制ops = sdpsettings('solver', 'gurobi', 'gurobi.MIPGap', 1e-6, 'verbose', 0);
optimize(constraints, -objective, ops);

如果发现结果和论文对不上，先去查MIP Gap，再查数据单位，最后查约束条件——大多数对不上都是这三个原因造成的。

5. 复现中的暗坑：那些论文里不会告诉你的细节

5.1 电价与负荷的"鸡生蛋"问题

第一个暗坑来自下层的用户响应和上层的电站优化之间的循环依赖。电站优化电价时需要知道用户负荷，而用户决定负荷时需要知道电价。在数学上，这是一个互补性问题，而不是普通的嵌套优化。很多复现代码直接把两个模型串行求解——先算用户负荷，再算电站优化——这其实没有真正解决"互动"问题，只是在算了一个单次响应的结果。

要真正复现"互动"，必须使用迭代算法或KKT条件单层化。迭代算法的收敛性依赖于弹性系数的选取和阻尼设置，而KKT方法虽然在数学上是直接求解，但推导过程比较复杂，且要求下层模型是凸的。我在复现过程中同时实现了两种方法，最终推荐使用KKT单层化方法，因为它在数学上有完备的最优性保证——但对于初始研究阶段，迭代法已经足够说明机制和趋势。

5.2 换电站与充电桩的负荷耦合

第二个坑是换电站与充电桩负荷的耦合关系。很多文献会把充电桩负荷和换电站负荷简单相加作为"总负荷"，但从实际工程角度看，两者的可控性完全不同，在模型中必须分开处理。充电桩负荷的灵活性受"用户在场等待"限制，用户可能随时到达，随时离开；换电站负荷则相当于一个"电池充电管理问题"——可以提前充电，也可以推迟充电。

如果模型把这两者合并为"总负荷"并让上层统一决策，可能会导致一个后果：优化器把换电站的负荷全部安排在凌晨电价最低时段，但是忽视了换电站作为服务设施的约束——白天用户来换电时，电池必须已经充满。要避免这个情况，需要单独定义"待换电电池的SOC状态变量"，并限制每个时段换电时必须有足够已满电池可用。简化处理时，可以给换电负荷加一个"服务完成时间窗"约束。

5.3 可再生能源的时序耦合与不确定性

第三个坑是光伏出力的时序耦合。光伏出力预测值的准确度直接决定了优化结果的可用性。如果复现时直接用一个典型的"正弦型"光伏出力曲线，那结果往往会过于理想化——储能几乎不工作，电价也几乎不优化。原因是：光伏在中午出力大而且平价，储能和用户负荷恰好错开，整个系统的优化空间被压缩了。

实际中，光伏出力要加入一定的波动性和不确定性。复现时建议在光伏预测值上叠加一个正态分布的预测误差项，让模型必须为不确定的光伏出力留出裕度。这样储能的作用才能真正体现出来，电价优化的敏感度也会更真实。

5.4 不同参数取值下的结果敏感性分析

我在复现时做了几组敏感性分析，这里分享一组结果（仅供参考，具体取值依数据而定）：

这些结果可以帮助你判断论文中数据的合理性。如果复现出来的电价曲线与论文差异过大，先检查这几个参数的取值。

6. 从复现到改进：这个框架还能往哪些方向扩展

复现的目的是理解，理解的目的是举一反三。这个模型框架本身具有很强的扩展性，我在复现代码的基础上，尝试过以下几个方向的改进。

6.1 从"单站"扩展到"多站协同"

单站模型的优化结果只反映了一个站点内的资源配置，但在一个区域内，多个充电站之间是存在竞争关系的——用户会选择电价更低、服务更好的站点。如果要把模型推广到城市级，需要增加站点间竞争的博弈层，变成"多领导者-多跟随者"的双层多主体博弈模型。阶数会暴涨，求解难度也大幅上升。

6.2 从"确定性"扩展到"随机规划"

光伏出力和用户需求本质上都是随机的，为了体现不确定性，可以把单层确定性模型扩展为两阶段随机规划。第一阶段决定电价和储能自立状态，第二阶段根据实际光伏出力和需求实时调整功率分配。这是目前工业界比较认可的做法。

6.3 从"电价引导"扩展到"碳价引导"

如果是在双碳的大背景下做研究，可以考虑在目标函数中加入碳排放约束或碳价机制。电价和碳价联动后，用户充电行为不仅受电价影响，还受碳成本影响。这种"价格-碳价"双重引导机制，是当前研究的一个较新的方向。

6.4 从"数学求解"到"深度强化学习"

传统优化方法在问题规模变大时求解速度明显下降。如果模型扩展到秒级实时调度，YALMIP+GUROBI的组合就不太够用了。深度强化学习的方法（如DDPG、PPO）可以直接学习"状态-动作"映射，训练完成后几乎实时输出调度策略。但这已经是另一个大的技术方向了，需要单独展开。

7. 盘点和总结：复现时最值得投入时间的地方

回到最初的问题：这个标题到底值不值得复现？我的判断是：非常值得，但复现的核心不是"代码跑通"，而是"理解互动"。

如果只是想把代码跑通，那大概一天时间就够了——数据准备好，模型约束抄下来，YALMIP一跑，图一出，看起来就是一个"完整的成果"。但如果真的理解了电价和负荷的互动逻辑，理解了双层博弈的求解思路，理解了储能SOC的时间耦合，那这个模型就是通往更复杂能源系统优化的一个入口。

我在复现过程中最值得投入时间的地方有三个：

一是用户响应模型的参数校准。这个参数直接决定了电价优化的结果能否收敛、是否合理，也是最容易被忽略的地方。论文里一般只会给一个α值，不会告诉你它是怎么来的。我建议用真实充电数据来做拟合，如果没有数据，也要至少做一个较完整的敏感性分析。

二是储能SOC的建模细节。这个细节决定了模型结果在物理上是否可执行。如果没有SOC时间耦合约束，优化结果再"漂亮"也只是一堆数学公式，无法指导实际运行。

三是双层模型求解方法的选择。迭代法容易编程、易调试，适合复现初期探索；KKT法数学严谨、求解效率高，适合出正式结果。两种方法对比验证，可以确保模型结果的可靠性。

最后再分享一个调试技巧：在设置电价初始值的时候，不要从零开始，而要从"固定电价模式"的最优解附近开始。这样可以显著减少迭代次数，提高收敛稳定性。我实测下来，初始电价设为0.5-0.6元/kWh的平段价格，比从0或1.5开始要稳定得多。