惚兮最近在复现一篇比较典型的SCI论文：含可再生能源与储能的区域微电网最优运行，核心在于应对风光出力不确定性时，如何保证调度解既具备鲁棒性，又满足非预见性。这类文章在IEEE Trans. Smart Grid、Applied Energy上很常见，摘要里的关键词几乎固定是“不确定性”、“鲁棒优化”、“储能”、“两阶段决策”。老实说，读的时候觉得方法逻辑很清晰，但真正打开Matlab工工程想复现时，坑一个接一个。这篇博文就把我完整走通一遍之后的建模思路、求解器代码、后验检验方法和踩坑记录都整理出来，给正在啃这类论文的同学一点参考。
1. 先想清楚：这个微电网到底在调度什么
1.1 一个典型园区微电网的物理结构
题目里说的“区域微电网”，落到具体场景里通常是一个工业园区、一片大学校区、一个村镇或一座海岛上的独立供能系统。最典型的拓扑是：若干组光伏阵列、几台分布式风机、一组集中式储能电池，加上一条与上级电网相连的联络线。负荷则由园区本身的用电需求决定，可能是工业负荷、商业负荷或者居民负荷。
调度任务是：在24小时的运行周期内，决定储能电池什么时候充电、什么时候放电，联络线什么时候从大电网购电、什么时候向电网反送电，必要的时候是否主动弃风弃光。目标是在满足本地负荷需求的前提下，让总运行成本尽量低。储能的存在赋予了系统灵活性——白天光伏大发时把多余电量存起来，晚高峰或夜间光伏归零后再放出来；风大的时段充电、风小或无风的时段放电，本质上就是“时间搬移”能量，削峰填谷。
听起来不复杂，但一旦老天爷不配合——云飘过来光伏瞬间掉一半、风速突然增大或骤减——这套计划就很可能出问题。光伏预测值说中午一个小时能发500kW，实际只发了200kW，按原计划不给储能充那么多电、还要从电网买背景功率，那就得临时调整。买电多花的钱还能接受，要是储能已经把电放光了、联络线功率又到达上限，负荷还得照样供，那就只能切负荷，这在工程上是重大事故。不确定性优化的价值，正在于把这类风险提前兜住。
1.2 “完美预测闭环”为什么在现实中不成立
很多刚接触优化调度的同学，第一步写的都是确定性模型：直接用风电、光伏出力预测曲线作为输入，求一个最小成本调度方案。这个方法在论文里叫Deterministic Look-Ahead Optimization，代码跑通很快，结果也非常“漂亮”。但拿到现场之后会发现，预测数据和真实数据之间的误差，足以让计划彻底走样。
风光出力的预测误差有一个共性：它不是简单的高斯白噪声，而是呈现明显的时段相关性和偏态分布。比如太阳辐照在午前云量增多时，光伏出力预测误差往往在一个小时内从正偏差跳到负偏差；风电更是出了名的“反调峰”——夜间预测风速可能不准，实际风速却偏大，导致凌晨出现高出力，但负荷又特别低，这时如果不提前安排储能消纳，就只能弃风或者反送电网。负荷预测误差相对小一点，但在极端高温天气下，空调负荷的爬升速度同样可能超过预期。
换句话说，调度决策本质上是一个“在一个已知预测误差边界的世界里做决定”的问题。你不可能预知真实的风速、辐照、负荷曲线，但你必须提前敲定一部分决策变量。这就是信息结构与决策时间线的问题。理解这一点，才能理解后文为什么要把模型拆成两阶段，以及所谓的非预见性约束到底约束的是什么。
1.3 解鲁棒性与非预见性：两个容易被混淆的概念
标题里的“解鲁棒性”和“非预见性”，是这类论文中两个极易被混为一谈、但内涵不同的概念。
解鲁棒性（Solution Robustness）描述的是：当一个调度方案在不确定参数发生变化时，它的目标函数值会不会剧烈恶化。换句话说，我们寻找的解不一定是某个预测场景下的最优解，而是在任何一个可能的真实场景下都不会过于拉胯的解。如果一组储充计划只在“预测值恰好命中”的情况下成本最低，而一旦光伏偏差5%成本就暴涨，那这个解就是鲁棒性差的解。工程中常用的“最坏情况后悔值”就是在量化这一点。
非预见性（Non-anticipativity）则是一个更底层的信息约束。它说的是：在决策时刻，你只能利用决策时刻之前已经获得的信息，不能使用未来的任何信息。举个例子，如果周一上午制定周一的储能计划时，算法却“偷看”了周三将有大风、周四负荷骤降的信息，从而提早调整了周一的策略，这个方案在滚动优化里就不可执行——因为周三的信息在周一根本没发生。数学模型里，非预见性要求处于同一信息集的场景在决策上必须一致。对两阶段优化而言，第一阶段决策不带任何场景标记、不依赖不确定实现，天然满足这一约束；但如果建模时不注意，把本来应该分成两阶段的决策写成“所有时段联合已知场景后统一优化”，就会违反非预见性，得到所谓的“上帝视角解”。
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. 数学模型搭起来：从确定性MILP到两阶段鲁棒
2.1 确定性模型的决策变量与目标函数
先写确定性版本，这是一个混合整数线性规划（MILP）问题。调度周期设为24小时，时间分辨率取1小时，单位步长Δt=1。决策变量分成三类：储能充电功率Pch(t)、放电功率Pdch(t)以及对应的充放电状态二进制变量u_ch(t)、u_dch(t)；联络线购电功率Pbuy(t)、售电功率Psell(t)；弃风弃光变量Pcurt_wt(t)、Pcurt_pv(t)。
目标函数是全天运行成本最小化：
min ∑_{t=1}^{24} [ c_buy(t)·Pbuy(t) − c_sell(t)·Psell(t) + c_wt_om·(Pwt_pred(t)−Pcurt_wt(t)) + c_pv_om·(Ppv_pred(t)−Pcurt_pv(t)) + λ·(Pcurt_wt(t)+Pcurt_pv(t)) ]
其中c_buy是分时购电价，c_sell是上网电价，通常售电价格低于购电价格，这个价差是储能套利空间的主要来源。c_wt_om、c_pv_om是风电和光伏的单位运维成本，乘以实际消纳量。最后一项是弃风弃光惩罚，用来防止模型为了省成本而主动丢弃免费的可再生电量。这里有个小坑：如果惩罚系数设置太低，模型会倾向于弃足够多的风光来减小储能充放电损耗，这在Matlab实现里非常常见，后面章节会专门说。
2.2 约束条件：功率平衡、储能SOC、联络线限值
等式约束首先是节点功率平衡：
Pdch(t) + (Pwt_pred(t)−Pcurt_wt(t)) + (Ppv_pred(t)−Pcurt_pv(t)) + Pbuy(t) = Pload(t) + Pch(t) + Psell(t)
这个式子一定不能写反方向，常规做法是把所有流入母线侧放左边，负荷、储能充电、售电这些流出项放右边。储能荷电状态SOC的递推关系是：
SOC(t+1) = SOC(t) + η_ch·Pch(t)·Δt − Pdch(t)·Δt/η_dch
注意充电效率η_ch乘在充电功率上，放电时则把η_dch放在分母上。很多人复现时容易把两个效率都写成乘法，结果导致储能“能量越充越多”，算出来成本异常低，找半天找不到原因。
储能充放电还需要互斥约束，否则求解器在价差合适时会出现“同时充电又同时放电”的荒谬行为，相当于让能量在电池内部循环一圈，白白消耗损耗却给目标函数带来虚构的套利收益。通常引入互斥约束：
u_ch(t) + u_dch(t) ≤ 1
0 ≤ Pch(t) ≤ u_ch(t)·Pch_max
0 ≤ Pdch(t) ≤ u_dch(t)·Pdch_max
这里Pch_max、Pdch_max是储能功率上限。SOC也要限制上界下界，并附加始末状态约束SOC(0)=SOC(24)，保证一天一个循环周期，这是园区储能最常见的调度约束——不可能连续运行几天把电彻底耗尽而不管明天的工况。
联络线约束相对简单，Pbuy(t)不能超过变压器容量上限，Psell(t)不能超过反送功率允许上限，通常是一个较小值；有些地方电网不允许分布式电源反送电，那Psell就必须直接固定为0。
2.3 把不确定性装进模型：从预测值到不确定集合
确定性模型已经能出结果，但它把风电预测值当成了“真实值”，忽略了误差。处理不确定性的思路，比较常用的是鲁棒优化。鲁棒优化的核心不是求期望，而是考虑“最坏情况”下成本最低且约束仍然可行的方案。
首先把不确定参数写成预测值加扰动的形式：
Pwt(t) = Pwt_pred(t) + ξ_wt(t)，其中 |ξ_wt(t)| ≤ ξ_wt_max(t)
光伏和负荷同理，只需要把变量换成Ppv和Pload。ξ的上限通常取预测值的5%~20%，或根据历史预测误差统计得到的置信区间。这构成了一个盒式不确定集合U：
U =
盒式集合的优点是最直观简单，缺点是它允许最坏情况在每个时段同时发生——现实中，所有时刻风光同时达到最大偏差的概率极低，这导致方案过于保守。所以很多论文会引入“预算约束”：即所有偏差总量有限，比如总共不超过若干时段的全偏差，数学形式是∑|ξ(t)|≤Γ。这相当于告诉优化器：对手（大自然）虽然可以在某些时段把参数拉到极端，但整体上不能24小时都极端。用预算约束能有效调节鲁棒性和经济性之间的平衡，是一个非常实用的工具。
在Matlab中实现预算约束时需要额外引入连续辅助变量z(t)来代表|ξ(t)|，并配上大于等于ξ和−ξ两组约束，最后加到不确定集合描述里。
2.4 两阶段决策结构和min-max-min问题
到这里，调度问题自然演化成两阶段结构。第一阶段在日前完成：储能充放电的二进制启停状态必须提前确定，因为现实中不可能每5分钟就让电池从充电切到大功率放电——设备寿命不允许，通信和控制的实时性也不允许。第二阶段则是在当天运行中，根据实际风光出力和负荷变化，进行“再调度”：在已有的启停框架内调节储能功率、联络线功率、弃风弃光量。
用数学模型写出来就是：
min_x { c^T x + max_{ξ∈U} min_{y∈F(x,ξ)} d^T y }
这里的x代表第一阶段决策变量（含二进制状态变量），y是第二阶段连续决策变量。外层min是第一阶段的日前决策，中间的max是寻找最坏情况的不确定参数实现，内层的min是第二阶段在已知x和ξ后的最优调整。
这种结构就是典型的两阶段鲁棒优化问题。它比单纯随机优化难解的地方在于max-min这一层不是常规凸优化可直接处理的；但它的价值也很大——它给出的日前计划保证：即使之后出现了不确定集合内最恶劣的风光波动，系统依然可以通过第二阶段调整维持运行，不切负荷、不违反储能极限。如果用生活打比方，这就像你提前订了一张可改签的机票，虽然买票时要付一个稍高的价格，但无论会议临时改到哪一天，你都能用改签规则抵达现场。鲁棒优化就是在为这种“确定性可行性”买单。
3. 求解算法与Matlab实现要点
3.1 为什么选择C&CG而不是纯对偶转化
把上面的min-max-min问题直接扔给Cplex或Gurobi是不行的，它们只能解单层优化问题。实际上两种主流解法：一种是利用强对偶理论把内层min转化为max，与外层max合并，最后等效成一个单层max问题，然后整体作为约束/目标放进主问题；另一种就是列与约束生成（Column and Constraint Generation, C&CG）。
个人经验是：C&CG远比写对偶公式更稳健，尤其是当你的第二阶段约束里带二进制变量或等式约束很多的时候。对偶法需要推导每个约束的Lagrange乘子，符号、维度稍有不慎就出错，而且一旦模型规模变大，对偶变量数量膨胀得很厉害。C&CG的思路则是“迭代识别最坏场景”：
初始化时先选一个最保守或最普通的场景ξ0作为主问题MP的第一个场景；求解MP，得到第一阶段决策x和当前下界LB；固定x后，求解第二阶段子问题SP，SP会自己找出一个让运行成本最大的不确定参数场景ξ*；如果这时目标值对应的上界UB与LB之间差距收敛，就停止；否则把新找到的ξ*作为新一列加入MP的约束集，继续循环。
C&CG的每一次迭代都会让MP规模变大，但由于新增的是“更坏”的场景，通常迭代5~10次内就能收敛到稳定值，相比场景数动辄上千的随机规划，计算速度还是很可观的。
3.2 C&CG主问题和子问题的Matlab/YALMIP骨架
在Matlab里我习惯用YALMIP建模，它能让约束堆叠和求解器调用的代码结构清晰很多。下面给出一个核心骨架，不是完整代码，但把关键思路列出来。
主问题MP在每轮迭代中需要累积已发现的全部场景，并添加对应的运行约束。场景用ξk标记，代表最坏偏差的一种具体实现。以储能SOC为例，对迭代生成的场景也要满足：
for k = 1:K
Constraints = [Constraints,
soc_k(1) == soc0];
for t = 1:24
Constraints = [Constraints,
soc_k(t+1) == soc_k(t) + eta_ch*Pch_k(t) - Pdch_k(t)/eta_dch,
Pbuy_k(t) + Pdch_k(t) + Pwt_pred(t)+ξk(t)... == Pload_pred(t)+... + Pch_k(t) + Psell_k(t)];
end
end
子问题SP在固定第一阶段决策u*（充放电状态）和部分边界后，需要求解：
max_{ξ∈U} min_y d^T y
由于子问题内层是线性连续优化问题，可以用对偶将min部分提升到max，形成一个大MILP，直接交给求解器。这里有一个复现中最容易卡住的点：如果第二阶段仍然包含二进制变量来表征实时充放电状态切换，那么内层min问题就不是LP，强对偶理论不成立，整个C&CG推导就失效了。解决办法通常是假设储能的充放电状态是在第一阶段就已经决定的，第二阶段只在这个既定状态下调整功率大小；或者将储能的互斥约束简化成只约束不出现“充电和放电同时为正”的线性形式。
代码层面这个子问题可以写成：
Constraints = [];
for t = 1:24
Constraints = [Constraints,
Pbuy(t) + Pdch(t) + (Pwt_pred(t) - Pcurt_wt(t)) + ... == Pload_pred(t) + Pch(t) + Psell(t) ...
];
end
这里的ξ_wt(t)、ξ_pv(t)、ξ_load(t)都是sdpvar变量，并纳入不确定集合约束。目标用minimize + sdpsettings里设置’solver','cplex'即可，Cplex会自行处理对偶结构。
3.3 求解效率优化：松弛、初值和big-M技巧
两阶段鲁棒模型跑起来之后，最直接的问题是慢。第一阶段是MILP，第二阶段也是带二进制的MILP，且整个C&CG流程里要反复求解它们。几个实测有效的优化习惯：
不要在一开始就把Γ设为24，即预算取最大保守值。先用较小Γ跑通流程，再逐步提高，观察总成本的变化趋势，既能验证结果合理性，也方便调试。
储能充放电二进制变量可以用一个大M参数线性化互补条件……但big-M不要取太大，工程上取该约束对应功率上限的两倍即可。太大时求解器数值条件恶化，会出现微小伪量导致约束误判。
如果你的模型允许第二阶段功率在连续范围调节，并可以忽略启停切换成本，可以尝试直接从主问题去掉充放电二进制变量，改用线性互补约束。很多园区场景下储能一天内的充放次数本来就少，这么做牺牲很小，速度飞升。
初始化阶段不一定要对称设置全部场景。第一个MP的输入场景用预测值（ξ=0）最合适，相当于在确定性方案基础上找第一轮最坏场景，迭代起点合理收敛快。
4. 两个核心验证实验：解鲁棒性与非预见性如何体现
4.1 如何在代码里设计“蒙特卡洛回测”
论文或者报告里如果只说“我的模型是鲁棒的”，是不够的，必须有后验验证环节。我的做法是：先运行C&CG得到日前调度计划（含第一阶段决策变量x*），然后独立抽样生成N=1000组蒙特卡洛误差实现。每组误差对应一条真实的风光负荷曲线，利用固定x*，调用第二阶段模型去计算实际可调整的最优成本和约束违反情况。
回测指标一般关注三个：一是平均运行成本，反映方案经济性；二是最大运行成本或95分位成本，反映方案抵御极端风险的能力；三是越限次数，比如SOC越界、联络线功率越限、切负荷量出现的次数。把鲁棒解和确定性解同时做回测并放在一张表格里对比，效果非常直观。确定性解看起来平均成本低，但你大概率会发现它有若干组越限案例；鲁棒解在平均成本上高出几个百分点，但极端成本的大尾巴被削平了。这个现象就是“鲁棒代价”——用少量平均成本换取方案可行性。
补充一个细节：回测时的不确定集合要和你建模时的一致，否则回测没有意义。比如你在模型中考虑的是相对预测偏差±10%的集合，回测抽样也应该限定在这个范围内生成。若抽取超出建模集合的场景，理论上鲁棒优化并不承诺保护，不要在结果里硬吹。
4.2 “上帝视角解” vs 非预见性解
验证非预见性更巧妙，做法是设计一个违反非预见性的对照模型。具体来说，把两阶段问题改写成“先知道整日真实曲线，再统一优化全时段决策”的开环模型。这个模型可以在Matlab中直接把24小时所有变量都当作一个优化问题求解，没有任何决策顺序概念。它得知了全部未来信息，属于标准的“上帝视角”或“事后诸葛亮”。
对比两个模型的结果会发现，上帝视角解的总成本显著更低，因为它可以根据未来的真实信息完美安排储能的每一次充放时刻。但在实际滚动调度中，你根本不知道10小时后风会怎么变，所以这个解不具现实意义。两者之间的成本之差，就是非预见性约束带来的信息价值损失，学术上叫“value of perfect information”。如果你在滚动优化用的模型里不小心让当前时段的决策依赖了未来N个时段的数据，就相当于偷看了未来，结果会比真实可执行方案乐观很多。复现和实验时，我建议在代码里把它单独列出来，跑出差距，再去解释自己方法的优越性。
4.3 不确定度和预算参数的敏感性分析
为了把复现结果的机理讲透，还需要跑一组敏感性分析。固定其他参数不变，分别将风电预测偏差上界从5%逐渐增大到20%，观察总成本和运行方案的变化。你会看到成本单调上升，但上升速度逐渐放缓，说明系统最迫切的“恶天气”其实集中在少数几个时段。再取光伏和负荷的同时不确定性，结果会更复杂，因为光伏与负荷在午间存在天然的互补关系——光伏多时通常负荷也高，最坏情况不见得是所有偏差同时极端。
在此过程中我还注意到一个值得记录的现象：储能容量在这个系统里的“保险”作用。不确定性增强到一个临界点后，最优鲁棒方案会倾向于在日前多保留一点SOC备用，甚至出现“全天少充少放”的保守策略。导致储能的循环次数下降。这从侧面说明，储能策略本质上是在用容量买保险。如果你的模型算出来储能整天纹丝不动，不用怀疑建模错误，很可能是不确定性集合过大、鲁棒性过强的正常产物。
4.4 与随机规划对比的补充视角
再延伸一步，如果你的论文还要比较随机规划，可以额外生成500个场景的随机规划等价模型。随机规划用期望值代替最坏情况，成本上通常介于确定性解和鲁棒解之间，但它的鲁棒保证弱于鲁棒解。好的论文往往把两类方法同时放在结果对比表里，从平均成本、最坏成本、可行率三个维度讲清楚各自的适用场景。
这部分在Matlab里要注意的是：随机规划的场景规模会导致变量规模爆炸，不要对全部24个时段同时加500个场景变量，可以降到8~12个典型场景，再加场景削减或采样平均近似，否则会内存报错或求解时间不可控。
5. 复现过程中最常见的坑与排查建议
5.1 版本兼容和数值异常问题
Matlab、YALMIP、Cplex三者之间版本不匹配是最初级的坑。例如某些Matlab版本搭配旧版Cplex时，YALMIP的求解器传递接口会出现不可读的错误。个人建议用Matlab自带的Optimization Toolbox先对纯确定性MILP模型做简单验证，再切换到Cplex/Gurobi。如果碰到求解器返回NaN或infeasible，可以先检查sdpsettings里的’verbose’设为2，把求解器输出打开，几乎能看到是哪条约束提出了冲突。这个习惯帮我省下过大量无意义的debug时间。
还有一个来自SOC更新公式的坑，前面提到过效率方向问题，但这还不够——很多人还会在SOC上限处“恰到好处”地漏掉末端约束SOC(24)≥SOC(0)，导致模型天天把电池用尽，次日再重新充满，表面成本极低但实际不可运行。强烈建议在所有仿真中把末状态约束和首状态约束一起写上。
5.2 储能同时充放电与目标函数中的“套利漏洞”
即使加了互斥二进制，仍然不建议把储能运维成本设成0，否则求解器在某些特殊电价结构下会把储能当作无成本缓冲器来绕开功率平衡。传统电力市场下购电价格和售电价格之间有价差，理论模型不会出现充电—放电同时为正的情况；但在鲁棒优化的子问题中，由于不确定性集合和外部电网功率共同作用，偶尔会出现优化器觉得“充电后又放电虽然损失效率，但换取了对某些约束的松弛”从而产生怪异的数值结果。一旦看到这种结果立刻增加储能循环损耗系数，例如每充放1kWh设0.002元的运行维护费用，问题就能消除大半。
5.3 C&CG迭代不收敛或者震荡怎么处理
迭代到一定轮次后gap不降反升，最常见原因是子问题求出的“最坏场景”并没有真正以最大偏差形态覆盖到主问题新增变量，而主问题新增变量的目标系数导致原来的一些约束被改写，产生虚假上界。排查思路是先检查不确定集合的建模有没有把连续变量和二进制变量混在一起。
如果子问题中出现ξ变量与第二阶段y决策相乘的双线性项，问题就变成非凸，C&CG严格收敛的理论前提不再成立。工程上的变通办法是把这类双线性项通过big-M线性化，将ξ视为离散候选值集合，或者不把双线性项放到目标，而是放到约束条件中通过“多面体顶点”枚举来求解。这部分代码最复杂，建议单独抽成一个函数并写单元测试，确保固定场景下结果合理，再嵌回C&CG大框架。我在实际工程中总要把这一块隔离测试几遍再跑全模型。
5.4 结果不合理？先从参数校验开始
如果复现得到的成本远低于论文里的成本，别急着怀疑自己代码写错，先检查购电价格和售电价格的单位。价格通常单位是元/kWh，而功率是kW，时间步长是小时，使用时直接乘起来就是成本元。但很多数据集给的是元/MWh，如果不转换就会出现1000倍差距。
然后检查负荷和可再生出力的数量级是否匹配。光伏额定容量、风电额定容量是否和负荷曲线峰值在同一个数量级。如果光伏装机远大于负荷，鲁棒优化方案可能把所有多余的都弃掉，结果成本主要由弃能惩罚和储能损耗组成，看起来“过度保守”；如果储能容量又过小，系统没有任何调节能力，鲁棒解和确定性解差异将微乎其微。想做出有价值的对比，参数设计上应当保证可再生渗透率在30%~80%之间，储能容量能容纳日发电量的20%以上，这样不确定性对系统的影响才有可观察空间。
6. 复现后的扩展方向：把代码变成自己的武器
代码框架一旦跑通，扩展其实很快。你可以考虑先对第二阶段加装需求响应柔性负荷，让部分可转移负荷参与功率平衡，这只需要修改功率平衡约束，并且把负荷变量的一部分变成可调区间。然后可以尝试把居民充电桩当作柔性负荷，在午后光伏大发时充电，本质上对风光消纳非常有益。最后再考虑从单一储能推广到多储能或氢储能等混合系统，这需要重新写SOC跟踪逻辑，但框架不用动。
再到方法层面，如果你觉得两阶段鲁棒优化的结果过于保守，可以把U集合的构造从盒式区间换成数据驱动的方法。用历史误差样本构造不确定性凸包，或者用分布鲁棒优化给出一个“包含真实分布但不过度保守”的模糊集，这类方向在顶刊上热度很高，而且在你已有的C&CG框架上修改不大——只是把原来子问题的max_ξ∈U改成max_P∈D，并配套概率约束的松弛处理。这种“从工程问题到方法创新”的演路径，是我个人觉得最值得投入时间的方向，因为每一步都是在你已经调试通过的Matlab框架上拓展，不容易翻车。
回到个人体会，一个两阶段鲁棒优化代码从零到稳定收敛，本身就是一个需要耐心的过程。因为最大的困难往往不是模型公式本身，而是你写完代码后根本不知道这个结果对不对，所以建议所有初学者都先记住一个“三步验证法”：先跑确定性模型，跟直接用历史实际运行数据的成本做对比，确认成本量级合理；再把预测不确定性设为±1%的小集合跑鲁棒模型，结果必须跟确定性模型几乎一致；最后才把系数放大到10%以上，观察成本上升趋势和储能动作是否直觉上合理。这个流程走完，你的代码才真正可信，论文里的图和表也有底气拿出去见人。