多时间尺度优化调度在冷热电联供综合能源系统中的实战指南

清晨六点，值班室里的调度员打开日前计划界面，屏幕上显示的是昨天基于预测数据生成的一组燃气轮机启停指令和储能充放电曲线。眼前这台冷热电联供综合能源系统的复杂程度远超一台单纯的火电机组——电、热、冷三条母线交织在一起，燃气轮机的每一度电都伴随一定比例的余热，而这个余热既要供应厂区热水，又要驱动吸收式制冷机满足办公楼的冷负荷。如果只做一次性的日前调度，下午光伏出力一旦偏差达到30%，整个计划就会彻底失真；但如果每五分钟就重新求解一次全局优化，几百个变量的混合整数规划又根本算不完。这就是多时间尺度优化调度模型存在的真正理由：把问题拆成慢决策和快决策两个层次，各司其职。

这篇博文完整讲清楚一套可落地的冷热电联供综合能源系统优化调度模型——从设备建模、目标函数、约束集，到日前-日内-实时三级调度框架的设计逻辑，再到我实际跑算例时踩过的坑和参数选择经验。适合正在做综合能源系统方向的研究生、刚接触微网优化的工程师，以及想评估多时间尺度调度投资价值的业主方技术人员。

1. 为什么冷热电联供系统必须做多时间尺度调度

1.1 冷热电强耦合带来的"牵一发动全身"

冷热电联供系统（CCHP，Combined Cooling, Heating and Power）最核心的特点就是三条能量母线之间不是独立的。燃气轮机烧天然气发电，发电效率通常只有35%左右，剩下约55%的能量变成烟气余热和缸套水余热。如果不做余热回收，这部分能量就直接排掉了；做了余热回收，它可以去制热水、供暖，也可以驱动吸收式制冷机产冷水。

这就产生了一个明显的耦合关系：你说"今天下午要多发100度电"，实际上同时带来了约120度热的余热收益（取决于热电比），这部分热要么被利用，要么被浪费。 反过来，如果你为了多制冷而让吸收式制冷机多吸热，那吸收式制冷机的热量到底是从余热回收来，还是从燃气锅炉补燃来，又会影响电侧的决策。传统电力调度只需要盯住有功平衡这一条线，而CCHP调度是三个平衡方程联立，任何一方的调整都会波及其他两方。

这种耦合在建模上最直接的体现就是：燃气轮机不是一台独立的电源，它的电出力上下限其实是一个随运行状态变化的多边形，而不是一个简单的 [Pmin, Pmax] 区间。再加上蓄热罐的存在，热侧的灵活性又能够反过来支撑电侧的调节。所以建模型之前，必须先把冷热电三侧的设备拓扑和耦合关系摊开理清楚，否则后面加再精妙的算法都是空中楼阁。

1.2 预测误差和电价波动把单层调度逼到了死角

单层调度（只做一次日前优化）的核心问题是：它假设未来24小时的负荷、光伏出力和电价都是准确已知的。但实际上这三个量都有不同程度的不确定性。

光伏预测误差是最大的变量。晴天的超短期预测误差可以控制在5%以内，但多云天午后半小时内的短时波动可以轻松超过30%。冷热负荷的预测相对稳定一些，但建筑物使用模式变化、节假日切换、极端天气这些因素仍会带来不小的偏差。电价信号虽然提前公布，但现货市场的节点边际电价跟随供需波动，峰谷时段边界经常会漂移。

当各种预测误差叠加在一起时，单层日前调度给出的机组启停计划可能还是基本可用的——因为燃气轮机的启停结构是慢变量，预测误差不太容易改变"这台机组今天该不该开"的结论——但出力设定值和储能充放电计划会产生系统性偏差。假如日前计划要求下午两点储能以80kW放电，实际光伏比预测多了200kW，这时候储能继续放电会导致多余电量上网，如果上网电价低于购电价，就等于白白损失了收益；更严重的是，如果实际负荷比预测高，而燃气轮机已经满发、储能已经放空，系统就没有余量去应对，只能被动切负荷。

结论是：不确定性不是某一层的专属问题，它分散在不同时间尺度上。这就需要调度框架本身分层去匹配不确定性——宏观层面定结构，中观层面修偏差，微观层面做收敛。

1.3 多时间尺度调度到底在"拆"什么

多时间尺度调度本质上干了一件事：把原本一个大规模混合整数规划问题，按照决策的响应速度拆成三个子问题。

• 日前调度（Day-ahead）：时间步长1小时，决策的是机组启停、设备投切这类结构型变量。这些变量变化慢、惯性大、一旦定下来当天很难改，所以放在最前端，用最完整的预测信息和最全的系统模型去算。
• 日内滚动（Intra-day rolling）：时间步长15分钟，预测窗口4小时，只调整设备出力设定值、储能充放电目标这类连续型变量。每滚动一个周期就重新采集一次最新预测数据，把日前计划的偏差逐步修正掉。
• 实时修正（Real-time feedback）：采样周期1到5分钟，基于当前实测数据对执行偏差做最后收敛，只动最灵活的设备（储能、可快速响应的机组），目标是保证功率平衡和电压/频率不越限。

打个比方，这就像你从北京去上海出差：日前调度相当于提前定好高铁班次（这是结构性决策），日内滚动相当于到了上海后根据实时路况决定是打车还是坐地铁（修正方案），实时修正则相当于在最后一个路口根据红绿灯和车流选择具体车道（微调动作）。三层各干各的事，但目标一致——让整个行程的成本和风险都可控。

三层结构还有一个工程上的好处：每一层的求解规模都小得多。日前模型虽然包含24小时/96个时段的机组组合，但可以一次性求解；日内模型每15分钟才需求解一次，哪怕耗时一两分钟也能接受；实时模型更快，只能用几秒钟。如果全部揉进一个模型里实时求解，求解器根本跑不动。

2. 系统拓扑与设备建模：把冷热电母线关系先理清

2.1 典型园区级CCHP微网的设备构成

我做的项目是一个典型的南方产业园区微网，包含光伏、燃气轮机、余热锅炉、燃气锅炉、吸收式制冷机、电制冷机、电储能和蓄热水箱。结构上就是标准的三母线架构：电母线连接市电、光伏、燃气轮机、电储能、电制冷机和电负荷；热母线连接余热回收、燃气锅炉、蓄热水箱和热负荷；冷母线连接吸收式制冷机、电制冷机和冷负荷。热母线还通过吸收式制冷机向冷母线供冷，燃气轮机通过余热回收向热母线供热，这就是冷热电联供的核心能量流。

设备清单和各设备在模型里的角色如下表所示：

这个配置不是随便拍的。燃气轮机容量选在电负荷峰值的60%左右，是综合考虑热电比、负荷曲线、设备利用率和投资回收周期后的常见工程取法。光伏容量受屋顶面积限制，电储能则主要用来吸收午间光伏盈余和晚上峰谷电价差套利。

2.2 核心设备的输出模型与效率参数

设备建模追求的不是完美复现物理过程，而是在调度算法可求解的精度范围内，抓住每个设备最主要的变量关系。

燃气轮机部分，模型里用的是输入燃料热量到电输出、热回收的简化关系：

[
P_{GT,elec}(t) = \eta_{GT} \cdot F_{GT}(t)
]
[
H_{HRU}(t) = \eta_{HRU} \cdot (1 - \eta_{GT}) \cdot F_{GT}(t) \cdot \gamma
]

其中 (F_{GT}(t)) 是燃气轮机消耗的燃料热量，(\eta_{GT}) 是发电效率，(\eta_{HRU}) 是余热回收效率，(\gamma) 是烟气中可回收热量的比例。实际建模时更常用的是给一个简化的热电比 (\lambda)，让 (H_{HRU}(t) = \lambda \cdot P_{GT,elec}(t))。这样做的原因是：在调度模型中，核心变量是电出力，余热再通过一个固定系数派生出来，可以显著减少变量数量。

燃气锅炉就是一个燃料热量到热功率的线性转化，效率0.9左右。吸收式制冷机和电制冷机分别是热/电到冷的转化，只需给出制冷系数COP，输出冷功率与输入热/电功率就是简单的线性比例。

储能的建模要稍微细致一点。电储能用一个SoC状态变量递推描述：

[
SOC(t+1) = SOC(t) + \left( P_{ch}(t)\eta_{ch} - \frac{P_{dis}(t)}{\eta_{dis}} \right) \frac{\Delta t}{E_{cap}}
]

其中 (P_{ch}) 和 (P_{dis}) 分别是充放电功率，(\eta_{ch})、(\eta_{dis}) 是充放电效率，(E_{cap}) 是额定容量。蓄热水箱也是类似的能量递推模型，只是没有充放互斥的强约束——水箱当然可以同时进水和出水，只是进出热量相减得到净变化。

2.3 热电耦合与蓄热解耦的关键处理

CCHP系统建模里最有特色的约束来自热电联产比例。在简单模型里，燃气轮机的电出力和回收热出力满足比例关系，这看起来是个等式约束，但如果完整考虑燃气轮机的运行区间，模型应该这样描述：

[
H_{HRU}(t) = f_{HRU}(P_{GT,elec}(t))
]

当这个函数是线性的时候，问题就变成了一个混合整数线性规划，可以用CPLEX或Gurobi高效求解；如果要用二次曲线描述更精确的效率变化，问题就升级成MIQP，求解难度上一个台阶。我的建议是：第一版模型用线性近似把整个框架跑通再说，后续有需要再细化。

蓄热装置的存在相当于在热母线上加了一个缓冲池，它最大的价值是解耦热电的实时绑定。没有蓄热时，燃气轮机一发电阻断了回收热，吸收式制冷机和热负荷能消纳多少就要用多少，用不完的只能浪费；有了蓄热水箱，多余的余热可以存起来，等热负荷高峰再放出来。这意味着燃气轮机为了追逐高电价时段多发的那部分电，并不会因为"热用不完"而受到制约。很多人在建模时意识不到这一点，把蓄热装置当成可选项，实际上在多时间尺度调度里，蓄热恰恰是连接日前计划和日内修正的关键关节。

3. 三级调度框架：日前、日内滚动与实时修正怎么做

3.1 日前调度：解决机组组合这一层结构决策

日前调度在每天零点前执行一次，以1小时为步长，覆盖未来24小时。它的核心任务是确定结构型决策变量：燃气轮机的启停状态、储能是否参与、吸收式制冷机的投切状态，以及各设备在全天的基准出力曲线。这些变量直接决定第二天系统的基本运行方式，因为机组不能在几分钟内启停，结构一旦定下来，当天的调节空间就基本被框住了。

日前调度的输入是未来24小时的负荷预测、光伏预测、电价曲线。目标函数是最小化全天总运行成本，包括市电购电费用、天然气燃料成本、设备运行维护成本，同时可以加入弃光惩罚项和碳排放惩罚项。需要注意的是，日前调度求解出来的所有变量不都是"必须执行"的，它更像是一个基准参考。后续日内滚动会把其中连续型变量慢慢修正掉，但启停状态一般不会轻易推翻——除非日内预测出现了极端偏差，比如原计划不开机，下午负荷突然暴涨，这种情况下日内层可以重新求解一次带启停决策的优化，但会额外加约束防止机组频繁启停。

3.2 日内滚动：预测更新与偏差修正的核心环节

日内滚动是三级调度体系的枢纽，也是"多时间尺度"价值体现最充分的一层。我采用的标准做法是：以15分钟为步长，滚动窗口长度为4小时（16个时段），每15分钟重新求解一次。

具体流程是这样的：在每个滚动时刻 (k)，系统采集最新的电负荷、热负荷、冷负荷预测和光伏超短期预测，然后求解一个以当前系统状态为初始条件的有限时域优化问题。模型求解后只执行第一个时段的指令（比如未来15分钟的储能出力设定值），然后等到下一个时刻 (k+1) 再重新采集数据、重新滚动求解。这就是模型预测控制（MPC）的标准滚动优化思想。

日内滚动模型和日前模型的差别在于三处：

• 求解规模小了，因为它只看未来4小时而不是24小时；
• 状态更准了，因为SoC、水箱储热量的初值来自实时采集而不是预测推算；
• 目标函数多了一个"偏差惩罚"项，用来限制日内指令和日前计划的偏离程度，避免燃气轮机出力一会儿大一会儿小、储能来回切换。

偏差惩罚的设置是我在实际测试中反复调整的重点。惩罚系数太小，日内层会大幅推翻日前计划，机组频繁爬坡；系数太大，日内的修正作用又体现不出来。工程师可以先按"燃料成本乘以0.1~0.3"这个量级给一个初始值，再根据仿真中对爬坡次数的统计去微调。

3.3 实时修正：储能与机组爬坡兜底

实时修正层解决的是最末端的问题：日内滚动给出的指令是基于预测的，但实际运行中每一时刻的真实负荷和光伏出力都会与预测有偏差，如果不处理，功率平衡会被打破，严重时触发保护动作。

实时修正层的采样周期我在项目中设为2分钟一次。它的模型极简，只包含几个变量：储能充放电功率的微调量、燃气轮机出力的微调量（如果有足够的爬坡余量）、以及从电网的购电微调量。目标函数是一个最小化偏差和调节代价的二范数问题：

[
\min \quad \left| \Delta P_{balance} - \sum_{i} \alpha_i \Delta P_i \right|^2 + \lambda_{reg} \sum_{i} \left( \Delta P_i \right)^2
]

这个问题的规模很小，用内点法或者二次规划求解器可以在毫秒级完成。在实际工程中，实时层往往不直接做完整优化，而是用一个查表策略或者PID调节器处理一部分场景——比如储能SoC在安全区间内、偏差在可容忍范围内时，直接按固定比例分配调节量。等到偏差超出阈值，才触发完整的优化求解。这样既保证了响应速度，又降低了系统对实时求解器的依赖。

三层数据流的关系可以这样理解：日前层给日内层提供基准计划和边界，日内层给实时层提供目标设定值和可调区间，实时层向上反馈实际执行情况和偏差统计，日内层根据这些统计调整下一步的偏差惩罚系数，形成闭环。

4. 目标函数与约束集：构建优化模型的细节

4.1 目标函数的核心组成及成本参数

我用的目标函数如下：

[
\min \sum_{t=1}^{T} \left[
c_{buy}(t)P_{buy}(t) - c_{sell}(t)P_{sell}(t) +
c_{gas}\left( \frac{P_{GT}(t)}{\eta_{GT}} + \frac{H_{GB}(t)}{\eta_{GB}} \right) +
c_{OM,GT}P_{GT}(t) + c_{OM,GB}H_{GB}(t) +
c_{OM,ES}(P_{ch}(t)+P_{dis}(t)) +
c_{curtail}P_{curtail}(t)
\right]
]

各项含义和实际取值逻辑：

在实际项目中，天然气价格如果在3元/m³左右，热值按36MJ/m³计，折算到单位kWh热量大概0.3元/kWh。燃气轮机发电效率35%时，发一度电的燃料成本约0.85元，和工商业峰时电价（1.1元/kWh）有价差，这也是燃气轮机经济上能跑起来的核心逻辑。

4.2 约束集的完整清单

调度模型的核心约束可以分成四组，我在项目里是这么组织的：

第一类，功率平衡约束。三条母线各自满足，但注意电母线上多了和市电的交互项，冷母线上的吸收式制冷和电制冷互为补充，热母线连接热源、蓄热水箱和热负荷。构造方式是每条母线写成"供应等于需求"的等式，储能充放电在电平衡里一正一负，蓄热水箱的热功率在热平衡里一正一负。

第二类，设备运行边界。包括燃气轮机的出力上下限、爬坡速率限制、最小连续运行/停机时间约束。最小连续运行时间这一条特别容易被忽略，但它决定了一个重要事实：燃气轮机不能为了5分钟的高电价开一下又关掉。燃气锅炉和制冷机相对简单，只要设上下限就行。

第三类，储能系统约束。包括充放电功率上下限、SoC动态方程、SoC上下限、以及最重要的充放电互斥约束。标准写法是引入布尔变量 (u_{ch})，强制：

[
0 \le P_{ch}(t) \le u_{ch}(t)P_{ch,max}, \quad
0 \le P_{dis}(t) \le (1-u_{ch}(t))P_{dis,max}
]

第四类，联络线功率约束。园区和上级电网的交换功率不能超过变压器容量，这是经常被忽略的硬约束，很多关于微网调度优化的论文里没有这个限制，但工程中必须加上。

4.3 建模中容易踩的三个坑

第一个坑：储能同时充放。刚写模型时最容易出现的问题就是求解器允许储能一边充电一边放电，两边功率相减等于净输出，物理上实际是同时进行，但能量效率上白白损耗了两次。解决要从建模上入手，像我上面写的，加一个布尔变量做互斥，或者用互补约束（功率乘积为零）——后者会让模型变成非线性，尽量别用。用布尔变量加在大M项上，模型还是MILP。

第二个坑：目标函数的单位不统一。电网购电的单位是元/kWh，天然气单位是元/m³，如果不统一折算到能量单位，目标函数各项的数量级差异可能达到100倍以上，求解器数值稳定性会出问题，收敛速度也慢。我一般将所有能量单位统一成kWh，天然气按热值折算，储能成本按每kWh吞吐量折算。必要时对变量做标幺化，把量纲差异压到三个数量级以内。

第三个坑：约束里的大M取值。引入布尔变量后，"if A then B=0"这类约束需要一个大数M，M取太小会切掉可行解，取太大会导致数值病态。比如储能充放电功率上限是150kW，M取200就够，不要图省事写个100000。合理的M应该紧贴该变量物理可达的最大值去设，这条我在调试求解器报错时反复踩过。

下面是日内滚动模型在MATLAB+YALMIP环境下的一个骨架示例，展示关键变量和约束的组织思路：

matlab复制% 参数
H = 16;                 % 滚动窗口 4h / 15min
dt = 0.25;              % 时间步长 15min
Ecap = 300;             % 储能容量 kWh
Pgt_max = 500; Pgt_min = 100;
Pes_max = 150;

% 变量
Pgt = sdpvar(1, H, 'full');         % 燃气轮机出力
SOC = sdpvar(1, H+1, 'full');       % SoC 轨迹
Pch = sdpvar(1, H, 'full');         % 充电功率
Pdis = sdpvar(1, H, 'full');        % 放电功率
u = binvar(1, H, 'full');           % 充放互斥: 1充电, 0放电
Pbuy = sdpvar(1, H, 'full');        % 购电

Constraints = [];
% 储能递推与互斥
for t = 1:H
    Constraints = [Constraints, ...
        SOC(t+1) == SOC(t) + (Pch(t)*0.95 - Pdis(t)/0.95) * dt / Ecap];
    Constraints = [Constraints, ...
        0 <= Pch(t) <= u(t)*Pes_max, ...
        0 <= Pdis(t) <= (1-u(t))*Pes_max];
end
% 日前基准偏移惩罚
Objective = cost_power + cost_gas + dev_penalty * norm(Pgt - Pgt_da, 2);
ops = sdpsettings('solver', 'gurobi', 'verbose', 0);
optimize(Constraints, Objective, ops);

这个骨架省略了负荷平衡和设备上下限等约束，但储能递推、互斥逻辑和偏差惩罚的核心框架都在里面了。

5. 模型验证与结果分析：一个园区算例的对比实验

5.1 基础数据与算例场景

为了说明多时间尺度调度的实际效果，我在仿真环境里搭建了一个对照组实验。算例数据来自我之前做过的某南方园区项目（处理后）：夏季典型日，光伏额定容量400kW，预测最大出力约320kW；电负荷有双峰特性，早高峰出现在10~12点，约700kW，下午高峰出现在14~17点，最高约820kW。冷负荷随气温在14点达到峰值580kW，热负荷以生活热水为主，全天较平稳。

分时电价按常见的工商业峰谷平三段设置：峰时（8-11时，18-21时）1.1元/kWh，平时（11-18时，21-23时）0.68元/kWh，谷时（23时-次日8时）0.33元/kWh，上网电价0.45元/kWh。天然气价格折算成单位kWh热值约0.3元/kWh。

实验对比了三种调度策略：策略A是只有日前调度，所有指令按日前计划执行，不滚动更新；策略B是日前+日内滚动，15分钟步长、4小时窗口；策略C是完整的三级调度，加上实时修正层。

5.2 三种策略的结果对比

三种策略下的关键指标汇总如下：

从成本看，策略B比策略A节省约6.4%，核心原因有两点：一是日内滚动及时修正了光伏超短期预测的偏差，午间光伏大发时调整了储能充电策略，避免了大量弃光和逆送电；二是日内层根据最新的电价和负荷信息优化了燃气轮机在峰时段的出力，比日前计划的盲区小很多。

从越限次数看，策略C的优势非常突出，12次降到1次。实时修正层虽然对成本的直接贡献只有约1%，但它把系统从"计划执行偏差可接受"提升到了"基本不会越限"的状态，这一步对实际工程部署的意义往往比成本数字更大——因为越限意味着保护动作，而一次非计划停机带来的损失可能是上万元级别。

5.3 敏感性分析与边界条件

单看一组仿真结果不够，我又做了两组敏感性分析。

第一组是改变光伏预测误差的幅值。把超短期预测误差从5%逐步增加到25%，策略B相对策略A的成本优势从4%拉大到近12%。这说明多时间尺度调度的价值不是恒定的，预测不确定性越大的系统，日内滚动带来的增益越明显。反过来，如果系统的光伏占比很低、负荷很稳定，单层日前调度完全够用，上三层框架反而增加了系统复杂度。

第二组是改变储能配置容量。从200kWh增加到600kWh，策略对比显示日内滚动的边际收益呈递减趋势——储能容量足够大时，日前调度靠储能自身的缓冲就能吸收一部分预测偏差，日内层的增益被摊薄。这提醒我们做方案时别盲目加大储能，要先估计负荷侧的不确定性水平，再决定缓冲区配置和滚动调度要不要上。

还有一个容易被忽略的边界条件：通信和采集系统的可靠性。三层调度能够发挥全部效能的前提是采集的数据足够新、足够准，如果某些设备的数据刷新周期超过5分钟，实时修正层基本形同虚设。项目现场如果遇到数据质量差的站点，我建议把实时层降级成简单的功率跟踪控制，等数据链路补强后再启用完整优化逻辑。

6. 工程落地的几点经验和建议

6.1 从仿真到部署，最容易忽视的是初始化和切换逻辑

实验室里跑通模型只是第一步。实际部署时，日内滚动层的每个时刻都需要真实的SoC、水箱储热量和当前出力作为初值，这些数据如果从SCADA系统里读不到或者读错，滚动优化就变成了"开着地图开车但车的位置标错了"，结果必然跑偏。所以工程上要提前做好关键状态量的采集接口和校核逻辑，如果SoC数据缺失，至少要用一段时间内的充放电积分来估计。

另一个是三层之间的切换逻辑。调度策略不能在这三层之间跳来跳去，否则操作人员会困惑于"到底听谁的"。我建议按系统状态分模式：正常运行用三级联动，通信故障降级用日前计划+手动调整，负荷突变或极端天气时直接切到日内快速模式，跳过日前基准。模式的切换条件和优先级要提前写清楚。

6.2 参数标定是模型精度的生命线

模型里的效率参数和热电比，理论值和实际值差距大得惊人。燃气轮机的热电比在额定点可能是1.2，但在50%负荷率时可能降到1.0以下，真用固定热电比去建模，几个小时后误差就会累积到不可接受的程度。我做过一次实测标定：连续采集一周的燃气轮机运行数据，用发电功率和回收热功率做统计回归，得到的实际热电比特性和厂家样本值差了约8%。

更简单的做法是给热电比一个随负荷率变化的线性修正系数，至少分高、中、低三档负荷来定义，对日前和日内两层模型都要更新。储能充放电效率同样需要标定，温度影响下锂电池效率浮动明显，冬夏两季最好各标一次。

6.3 什么时候值得上多时间尺度

不是所有项目都需要多时间尺度调度。我总结的判断标准是：光伏渗透率超过30%，或者冷热负荷有较明显的波动，或者电价信号有明显的峰谷价差，三者占一项以上才值得做。如果只是一个负荷稳定的工厂热电联供系统，日前调度加上简单的储能策略就能跑得不错，上三层框架只会增加维护成本，白白消耗运维团队的精力。

另外，多时间尺度调度更适合以"增量"方式部署——先在现有EMS系统上做数据接口和日前调度，验证稳定后再逐步开放日内和实时的控制权限。一步到位全部切换成自动调度，一旦出现边界情况，运维人员对系统行为的理解跟不上，很容易出事故。我见过不止一个项目因为上线太激进，最后又退回手动模式。

6.4 给初学者的学习路径建议

如果是刚接触这个方向，我的建议是不要一上来就啃大模型论文。先在MATLAB或Python里搭一个不含储能的纯CCHP单日前模型，用线性规划求解器跑通，重点理解三条母线的平衡逻辑和热电耦合约束。然后把储能和蓄热加上，升级成MILP，体会互斥约束和大M项带来的求解难度变化。最后再加日内滚动层，这时你才会真正理解模型预测控制窗口长度和冻结节的意义。每一步都对照算例多看几次求解结果，成本下降了、约束满足了、结果变化趋势合理了，再进入下一步。

我个人在实际操作中的体会是，这类模型的工程量八成不在算法而在数据组织和边界条件的处理上。设备多、时间尺度多、约束类型混合，变量命名和约束分组的规范性直接决定你的调试效率。建议一上来就用结构体或类来组织变量，每个设备建一个子模块，别用一堆混乱的独立变量。这样后面无论是换求解器、改参数还是加新设备，都不用重写整个框架。