李枝蔚前一阵子我在一个园区级综合能源系统的日前经济调度研究里，遇到了一个非常典型的坑：储能电池的模型只写了荷电状态上下限、充放电功率约束，优化跑出来非常漂亮，结果把调度策略放到长期仿真里一推演，不到预期年限电池容量就衰减得很厉害。后来我花了几周时间，把两类电池损耗模型分别嵌入到同一个综合能源系统框架里做对比，一套偏向工程简化的循环损耗，一套偏向电化学经验的半经验老化，才发现不同损耗假设对调度结果的影响比很多人想象中大得多。这篇文章就把这两套模型的原理、Matlab实现思路，以及它们在综合能源系统里的实际应用差异一次性讲清楚。
这篇文章适合正在做综合能源系统优化调度、储能容量配置或者微电网经济性评估的同行。如果你目前的 Matlab 代码里储能还是“只要不过充不过放就不会坏”，那这篇应该能帮你补上一课；如果你已经知道电池要考虑损耗，但不知道选哪种模型更合适，后面的对比结果也能作为参考。
1. 综合能源系统的调度优化里，电池损耗为什么绕不开
1.1 储能电池在综合能源系统中的真实工作方式
综合能源系统里的储能，并不是像独立储能电站那样单纯做电网侧调峰调频。在含热电联产机组、燃气锅炉、光伏、热泵和蓄热罐的系统里，电池通常承担的是“时间错配”的任务：光伏大发时把电存下来，晚上负荷高峰再放出去；燃气轮机白天发电产生余热供给热负荷，如果热负荷不足，电池可以替代一部分机组出力；峰谷电价明显时，还能利用低谷电给电池充电，高峰时段放电套利。
这种多能互补背景下，电池的充放电策略往往比单一电力系统里的储能策略更复杂，因为它要同时跟热负荷、电负荷、燃气成本、购电成本耦合决策。我见过不少调度模型里，储能电池被写成一条简单的能量平衡约束，然后优化程序为了降低购电费用，会让电池每天在 SOC 上下限之间反复满充满放。如果不把损耗放进目标函数，这种“暴力使用”在成本层面是最优的，因为算法认为电池既不会老化，也不需要更换。
1.2 “零损耗假设”诱导出的极端策略
我在跑一个 600kWh 磷酸铁锂电池参与的园区算例时，做了个对照组：一组完全不考虑电池损耗，另一组只加一个很简化的吞吐量损耗成本。第一组的典型调度结果让我印象很深刻——电池几乎每个峰时段都以最大功率放电，从近满电放到 SOC 下限，然后谷时段再充满。单看当日购电成本确实省了不少，但折算下来等效循环次数很高。
这里的关键问题是：综合能源系统的调度周期通常是一天或者几天，而电池寿命是按几年甚至十几年来计的。日调度里一个很小成本差异，放到电池全生命周期里可能变成几十上百万的更换成本。如果优化目标里没有任何损耗项，求解器当然会选择“往死里用电池”，因为从它的视角看，电池放电是零边际成本的，放着不用反而是浪费。
1.3 损耗模型要回答的三个问题
经过这次之后，我自己总结了一个观点：在综合能源系统的调度优化里，电池损耗模型至少需要能回答三个问题：
- 每一次充放电行为对电池寿命的折损是多少？
- 这个折损的成本如何折算进当前时段的优化目标？
- 不同的运行区间、运行深度、充放电倍率和温度，对折损的影响是否得到了合理区分？
要做到这三点，可以选型的损耗模型并不只有一种。下面两节介绍的就是我自己在 Matlab 里实际对比过的两条技术路线，为了描述方便，这里分别记为 Model A 和 Model B。
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. Model A：基于循环次数折算的简化线性损耗模型
2.1 这种模型的工程依据在哪里
Model A 在工程上非常常见，它的出发点是厂家给出的循环寿命曲线。大部分磷酸铁锂电池厂家会标明“在 25℃、1C 充放电、80% DOD 条件下循环寿命 6000 次”，这里的 DOD 是放电深度，SOC 从 90% 放到 10%，放电深度就是 80%。也就是说，如果你每次都把电池从将近满电放到将近没电，理论上能完成 6000 个这样的完整循环，之后容量衰减到初始容量的 80%，电池进入退役状态。
但调度优化过程中，你不可能预测未来每一次充放电的深度再用雨流计数法去数循环，那样问题会变得极其复杂。于是工程上产生了非常经典的简化思路：把“循环寿命 × 放电深度 × 电池容量”折算成电池全生命周期可处理的总吞吐电量，然后认为每一次充放电都在消耗这个总吞吐预算。这就是常用的等效吞吐量损耗模型。
这种模型相当于把电池看成一台有固定加工寿命的机器，所有充放电行为都在消耗它的累计加工时间，无论机器是在轻载还是重载状态下运行，只要加工总能量相同，损耗就相同。
2.2 损耗成本如何进入目标函数
以 600kWh、250kW 的磷酸铁锂电池为例，假设系统单价为 1500 元/kWh，电池总投资约 90 万元。厂家给出 80% DOD 下循环寿命 6000 次，那么整个生命周期可以处理的放电吞吐量为：
600kWh × 0.8 × 6000 = 2,880,000 kWh
如果按照电量和充电量双边吞吐统计，即把充电过程和放电过程都算入吞吐，那么全生命周期吞吐量为 5,760,000 kWh。每吞吐 1kWh 对应的电池损耗成本就是：
900,000 元 ÷ 5,760,000 kWh ≈ 0.156 元/kWh
这个成本系数非常直观，调度里每产生 1kWh 的充电或放电电量，就在目标函数中额外计入 0.156 元的损耗成本。用 Matlab 写出来也极其简洁，下面的目标函数片段可以直接套进 Yalmip 框架：
matlab复制% ===== Model A 线性损耗成本接入示例 =====
% P_ch / P_dis : 优化变量，长度为 T 的充放电功率
% delta_t : 调度时间步长，单位 h
% dep_cost_a : 0.156 元/kWh，标定得到的单位吞吐损耗成本
objective = objective ...
+ sum(dep_cost_a * (P_ch + P_dis) * delta_t);
这里有个容易出错的地方，要提醒一下：如果你没有把充电功率加入吞吐统计，就需要把 dep_cost_a 翻倍，否则损耗成本会少算一半。我最初实现的时候只统计了放电功率，算出来的损耗成本明显偏低，导致优化结果里电池还是偏向于频繁使用。后来统一采用充放双边吞吐口径，并用上述系数，结果才合理。
2.3 Model A 的适用边界和明显短板
Model A 最大的优点是线性、稳定、求解快。在 Yalmip 的 MILP 框架里，它不需要新增任何额外变量，也不需要非线性约束，可以随主问题一起求解，适合做日前调度、滚动优化，甚至多场景随机优化。而且它的物理含义很好向非技术背景的运营人员解释：你多充放一度电，就多消耗电池寿命里的一度电预算。
但它的短板同样明显。第一，它不区分 SOC 工作区间。电池在 SOC 90% 时大功率放电和 SOC 50% 时放电，消耗的吞吐预算是完全一样的，实际情况却不是这样。磷酸铁锂电池长期在 80% 以上的高压区运行，正极材料和电解液界面的副反应会显著加剧。第二，它不区分充放电倍率，250kW 功率下的损耗和 50kW 下的损耗被看成一样。第三，它不区分温度。冬天和夏天的电池老化速率差异很大，但 Model A 对此完全无感。
所以我在实际使用 Model A 的时候，通常把它当作一种“保守的、快速的寿命成本估算方式”，适合在方案对比阶段用，但不适合精细的 SOC 管理策略优化。如果你想把 Model A 做得更完善一点，可以在调度结束后，再用雨流计数法对 SOC 曲线做后评估，按各次循环的实际 DOD 查厂家寿命曲线，得到更真实的寿命折损结果。后评估部分的雨流统计和调度优化解耦，计算量不大，但能显著提高报告的说服力。
3. Model B：基于运行应力的半经验电化学老化模型
3.1 从电池衰减机理出发建模
如果说 Model A 是从“机器加工寿命”的角度看电池，那 Model B 就是从“电化学反应”的角度看电池。锂离子电池的老化本质上是活性锂损失、正负极材料结构退化、电解液分解等一系列电化学反应共同导致的容量衰减。这些反应速率跟温度、SOC 电位、电流密度强相关。
半经验老化模型的核心形式通常是一个包含了 Arrhenius 温度项、SOC 应力项和吞吐项的容量衰减方程。我参考的常见形式大致如下：
Q_loss = B × exp(-Ea / (R × T_abs)) × f(SOC) × g(C_rate) × Ah^z
这里 Q_loss 是容量衰减量，Ea 是活化能，R 是气体常数，T_abs 是电池绝对温度，Ah 是累计安时吞吐量，z 是时间指数。直接把这个方程放进日调度优化里不太现实，因为它是非线性且耦合累计量的。真正用于调度的 Model B，通常需要把老化应力转变成运行成本。
我自己的做法是，将每时段的损耗成本建模成 SOC 水平和充放电深度的二次惩罚函数。以磷酸铁锂电池为例，在 SOC 40%-60% 区间运行的老化速率比较低，SOC 过高或者过低，老化速率都会明显上升；从 SOC 60% 放到 55% 这种浅循环，和从 90% 放到 30% 这种深循环，寿命损耗差异也非常大。于是每时段的瞬时损坏成本可以写成：
r_b(t) = α × (SOC_mid(t) - SOC_opt)^2 + β × ΔSOC(t)^2
其中 SOC_mid(t) 是 t 时段起始和结束 SOC 的平均值，SOC_opt 是老化最优工作点，ΔSOC(t) 是该时段的 SOC 变化量。这个形式不是从某篇论文里直接抄的，而是我根据一组老化实验数据进行拟合后得到的工程化表达。你需要根据自己电池的实测或者文献数据来标定 α 和 β，不要直接照搬任何代码里的数值。
3.2 为什么要在目标里加入 SOC 区间惩罚和变化惩罚
加 SOC 区间惩罚，是为了避免优化结果让电池长期停留在高 SOC 或低 SOC 区间。综合能源系统里有个常见现象：光伏大发时段电池很快充满，但晚间峰段还有好几个小时才到，电池被迫在接近满电