微电网光储配置优化：基于8760仿真的最优容量一键生成

1. 为什么微电网设计总卡在"算配置"这一步

先说个我自己的经历。几年前接了一个园区微电网的咨询项目，业主上来就丢给我一堆数据：屋顶光伏大概能铺八千平，负载峰值差不多1.2兆瓦，但用电曲线波动很厉害，白天有一个大尖峰，晚上又有几个设备间歇性启动。然后问我："你说我装多少光伏、配多大储能合适？"

我当时心里很清楚，这个问题根本不是拍脑袋能回答的。光伏装多了，午间发电用不完，上网电价又低，回收期遥遥无期；储能配小了，晚上削峰填谷效果不明显，系统该花的钱一分没少花；储能配大了，初期投资直接压垮项目收益。更麻烦的是，这个问题还跟当地电价政策、负载特性、光伏倾角、电池循环寿命、甚至未来三五年的用电增长预期全部纠缠在一起。

那时候的常规做法是什么？用Excel加经验公式，或者拿PVsyst、HOMER这类工具慢慢算。但说实话，这类软件学习成本高不说，很多参数对于非专业背景的决策者来说就是天书，光是一个"损耗系数"怎么填就能劝退一半人。而且传统工具更像"仿真验证"，你得先假设一个配置，再跑结果看合不合理，不行就回来改参数再跑，来回迭代非常耗时。

后来我逐渐意识到，真正卡住微电网落地的，往往不是设备选型本身，而是"从需求数据到推荐配置"这段路太绕了。业主想要的是：你给我输入用电量、可装光伏面积、电价，然后直接告诉我最优的光伏容量、储能容量、大概的投资额和回收期。至于是怎么算出来的，背后的灵敏度分析、全年8760小时时序仿真，应该是系统帮我完成的事情，而不是我去理解的事情。

这就是"智慧微电网设计模拟：最优光储配置一键生成"这个方向的出发点。它不是一个单点的算法创新，而是把负荷分析、光伏建模、储能运行策略、经济性评估、优化搜索这几件事串成一条自动化流水线，最终让"输入基础数据、输出推荐配置"成为可能。这篇文章我就结合自己做过的实际项目，把这套流程从原理到实操完整拆开讲一遍，包括怎么处理负载数据、怎么建立光伏和储能的数学模型、优化算法怎么选、一键生成的结果怎么验证与落地。

无论你是正在做微电网可行性研究的工程师，还是园区业主想搞清自己该投多少钱装多大系统，或者纯粹是对"光储配置优化"感兴趣的技术爱好者，这篇文章应该都能给你一些可以直接拿去用的思路和代码骨架。

2. 先把边界划清楚：一键生成的背后到底要解决什么问题

在写任何一行代码之前，我习惯先把问题定义清楚。很多人在微电网设计上栽跟头，不是因为算法不够高级，而是从一开始就把问题简化错了。这里有一个很重要的区分：我们要做的不是"验证某个配置行不行"，而是"在所有合法配置里找到最优的那一个"。这两个问题的难度完全不在一个量级。

2.1 两类设计任务：验证型仿真与寻优型设计

传统的光储系统设计软件，比如PVsyst，本质上是一个验证型工具。它做的事情是：你告诉它"我要装500千瓦光伏、1兆瓦时储能"，然后它基于气象数据和负载曲线，模拟出全年发电量、自消纳率、收益现金流，输出一份报告告诉你这个配置大概怎么样。这套逻辑适合设计院做施工图设计阶段，因为那时候系统规模基本已经定了，需要的是精细化校核。

但在一键生成最优配置的场景里，我们面对的是另一类问题——寻优型设计。我们不知道最优解长什么样，只知道有一个目标函数（比如"全生命周期净现值最大化"或者"投资回收期最短"），以及一组约束条件（比如"屋顶面积有限""变压器容量有限""储能SOC不能越界"）。需要在几十万甚至几百万种可能的"光伏装机+储能容量"组合里，找到让目标函数最优的那个点。

这两种任务的差别，打个比方就是：验证型仿真像你拿到一张菜单，凭经验点了几个菜，然后算一算总价和热量；寻优型设计像是厨师要根据你的预算、忌口、用餐人数，在整个菜品的组合空间里自动配出一桌最优的菜。前者可以手工完成，后者必须依赖系统化的搜索或优化算法。

2.2 优化变量、目标函数与约束条件的三层定义

把寻优问题落到数学层面，需要定义三样东西。

第一层是优化变量。对于最典型的光储微电网，变量就是两个：光伏装机容量（单位kW或kWp），储能系统容量（单位kWh）。如果更精细一点，还可以把储能额定功率（kW）作为第三个变量，因为同样一度电的电池，配不同功率的PCS，成本和调度灵活性差别很大。但如果做初步设计，固定功率和容量的配比（比如按0.5C充放倍率选取）也能简化问题。我自己在工程咨询阶段，通常把光伏容量和储能容量当变量，储能功率单独根据负载尖峰需求去校核。

第二层是目标函数。这一层最关键，也最容易引发争议，因为"最优"的定义因项目而异。对工商业业主来说，可能最关心的是全投资内部收益率（IRR）；对政府示范项目，可能更看重自消纳率或碳排放削减量；对离网型微电网，核心目标是供电可靠性，经济性反而是次要的。我的做法是默认用"全生命周期净现值（NPV）最大化"作为主目标，因为NPV把投资成本、运维成本、电费节省、补贴收益、电池更换成本全部折现到同一个时间轴上，最接近"这个项目到底值不值得做"的本质。在NPV最大化的基础上，再输出回收期、IRR、自消纳率作为辅助决策指标。

第三层是约束条件。约束分两类，一类是物理约束，一类是工程约束。物理约束包括：光伏装机不能超过可安装面积对应的上限；储能SOC必须在安全范围内（比如10%到90%，预留过充过放保护）；微电网与电网的交换功率不能超过变压器容量；离网模式下必须保证任意时刻发电与负荷的功率平衡。工程约束更多来自实际诉求：投资总额不能超过预算、储能占地面积不要超过预留空间、噪音或消防间距要满足规范等。

下面的表格总结了一个典型工商业并网微电网优化问题的定义框架，这基本上是我在需求调研阶段跟业主对齐方案时的标准模板：

把这些定义搞清楚以后，后面所有建模、算法、代码才有方向。如果你跳过了这一步直接去调包，结果大概率是"算出来一个数，但没人敢用"。

2.3 时间分辨率的选择：为什么我坚持用8760小时逐时数据

这里必须展开一个很多入门者容易忽略的细节：时间分辨率。

光伏发电和负载都有很强的日内波动性和季节性。夏天中午光伏大发但空调负载可能还没到峰值，冬天傍晚光伏出力趋近于零而照明取暖负载正高。如果只用"典型日"的几条曲线去代表全年，会严重低估储能充放电循环次数和变压器反向送电的风险。反过来，如果时间步长取到分钟级甚至秒级，8760小时的数据量乘以60，优化求解的耗时就会爆炸式增长，工程上根本不实用。

折中的方案就是用8760小时逐时数据，即一年中每一小时的负载功率和光伏发电功率都参与仿真。这个分辨率足以捕捉日内的充放电规律、季节性的发电差异，也足以让储能运行策略在小时级尺度上近似真实调度。并且对绝大多数初设阶段的决策来说，1小时的误差完全可以接受。

所以，在一键生成配置的流水线里，第一个前置工作就是准备两个长度为8760的数组：一个代表逐时负载功率，一个代表逐时光伏单位千瓦出力。后者后面会详细讲，通常是基于典型气象年的水平面辐照度，经过倾角、方位角折算后得到的每千瓦装机的小时发电量序列。

3. 数据准备：负载曲线与光伏出力模型是全部可信度的基础

这个部分想聊一个很多人不重视但实际决定成败的事情。配置优化再怎么智能，也是"垃圾进、垃圾出"的游戏。如果输入的负载曲线是一个拍脑袋造的假曲线，那优化出来的配置再好看也是空中楼阁。我在实际项目中，数据准备工作往往要占到整个项目周期的40%以上的时间。

3.1 负载数据采集的三种路径与清洗技巧

负载数据从哪来？我总结下来有三条路径，适用场景各不相同。

第一条路径是已有电表数据导出。很多工商业园区都配备了智能电表，部分甚至每15分钟或每小时记录一次冻结电量。直接从电表管理后台导出一整年的有功功率曲线是最理想的。但这里有个坑：导出来的原始数据往往存在数据缺失和异常尖峰，比如某天凌晨出现一个3000kW的瞬时读数，明显是电表冻结异常或通讯干扰造成的，必须通过中值滤波或者基于相邻点的插值修复，否则优化算法会把这个尖峰当成真实需求，导致储能容量被显著放大。

第二条路径是负荷实测。如果项目还在前期，园区没装智能电表，或者只有总表没有分项数据，就需要安排临时测量。便携式电能质量分析仪夹在进线柜上连续测一到两周，再结合生产检修排班、季节因素做缩放修正，推导出全年曲线。这个方法精度不如一整年电表数据，但比完全拍脑袋强得多。

第三条路径是典型负荷曲线估算。某些场景下（比如新建园区、机房改造），没有历史数据可测，只能用行业典型日负荷曲线乘以峰值负载和年用电量来合成。这个方法误差最大，适合可研阶段粗算，不建议用于最终投资决策。

数据到手之后，清洗工作非常关键。我通常在代码里做四步处理：第一，把超出合理物理范围的数据点剔除，比如功率大于变压器容量1.5倍的读数直接标异常；第二，用前后各24小时的滑动中位数填充缺失值；第三，检查是否有持续超过2小时的零值区段，这种通常是表计冻结时段而不是真实掉电；第四，把反向有功（也就是光伏反送电网的时段）单独拆出来核对，确认是否真的存在上网电量，避免跟负载数据混淆。

3.2 光伏单位千瓦出力的计算逻辑：从辐照度到发电量

光伏出力模型是一键生成配置的另一条腿。这里我们需要的是一个"单位千瓦装机在特定地点、特定安装条件下的逐时发电功率序列"，简称为每千瓦出力曲线，单位是kW/kWp。有了它，任意光伏容量P_pv的逐时出力就是每千瓦出力曲线乘以P_pv。

计算这条曲线的核心链路是：典型气象年辐照度 → 倾斜面辐照度折算 → 组件有效辐照（扣除遮挡和光谱损失）→ 组件转换效率（考虑温度修正）→ 逆变器和线缆效率 → 并网点交流功率。

第一步，典型气象年的水平面总辐照GHI数据可以来自NASA POWER、Meteonorm或当地气象站的典型年数据，通常包含逐小时的GHI、DNI、DHI、环境温度、风速。第二步非常关键，水平面辐照度必须折算到组件倾斜面。因为光伏组件是按一定倾角（比如20度到30度）安装的，倾斜面接收到的辐照跟水平面差异很大，尤其在高纬度地区，冬季倾斜面可能比水平面多接收20%以上的辐照。折算公式通常采用Hay-Davies或Perez各向异性模型，把总辐照拆成直射、散射、地面反射三部分，分别折算后相加。

第三步考虑温度对组件效率的影响。光伏组件的标称效率是在STC（25℃，1000W/m²）下测的，实际工作时组件温度往往超过45℃，效率会下降。用NOCT（额定工作温度）模型估算组件温度：

T_cell = T_ambient + (NOCT - 20) / 800 × G_tilt

其中G_tilt是倾斜面辐照度(W/m²)。组件温度每升高1℃，单晶硅组件效率大约下降0.35%到0.4%。这个修正项在夏天中午尤其显著，忽略它的话全年发电量会被高估5%到8%。

第四步到第五步，考虑系统损耗。组件失配损失约2%到3%、线缆损耗约1%到2%、逆变器效率约97%到98.5%、灰尘遮挡损失根据地区和清洗频率约3%到10%。把这些乘在一起，得到系统综合效率PR（Performance Ratio），通常在0.78到0.86之间。算出来的每千瓦出力曲线乘以光伏容量，就是并网口的光伏交流功率序列。

顺便说一个反直觉的结论：很多人以为光伏出力最大时刻一定在正午12点，但组件朝正南倾斜安装后，最大出力通常出现在下午1点到2点左右，因为这时候太阳方位角更匹配组件朝向，而且大气透明度往往比上午略高。这个特性对储能充放电策略制定有直接影响——储能如果固定中午12点开始充电，很可能错过了光伏真正出力最大的时段。

3.3 储能模型简化到什么程度才够用

储能的仿真建模，是很多人容易犯"过头"错误的地方。有人用等效电路模型，把电池内阻、极化电压、荷电状态与开路电压的非线性关系都建进去，精度确实高，但计算量巨大，而且很多参数（尤其是老化和温度特性）在初设阶段根本拿不到准确值。也有人反过来，把储能当成一个理想能量容器，只算容量，完全不考虑充放电效率、SOC限值和循环寿命，这种过度简化同样危险，因为会低估实际的成本和运行损耗。

我推荐的做法是"能量平衡模型加关键效率修正"。具体来说，储能系统的建模只要抓住四件事。

第一件事是SOC的更新。每个小时，SOC按照下面的公式更新：

SOC(t+1) = SOC(t) + η_charge × P_charge(t) × Δt / E_battery - P_discharge(t) × Δt / (η_discharge × E_battery)

其中充放电功率P_charge、P_discharge不能同时为正，ΔT是1小时，E_battery是电池容量，η_charge是充电效率（含电池效率和PCS效率），η_discharge是放电效率。实际工程中，综合往返效率通常取90%到93%，也就是充进去1度电，放出来大约0.9到0.93度。

第二件事是SOC边界约束。上一节已经提过，典型取10%到90%。为什么不是0%到100%？因为锂离子电池在极端SOC下循环会加速衰减，而且系统需要留出紧急备电的冗余。这个约束会对储能容量优化产生显著影响：表面上看配了1000kWh的电池，实际可用电量只有800kWh，优化算法会自动把这个"可用容量"算进去，不会天真地认为1000kWh能削峰1000kWh。

第三件事是充放电功率约束。储能额定功率决定了它一小时最多能充或放多少电。如果功率容量比是0.5C，意味着1000kWh电池的PCS功率是500kW。功率约束不仅影响削峰能力，还决定了大容量储能在高功率尖峰场景下能否起作用——一个500kW/1000kWh的系统，遇到1.2MW的负载尖峰，就算电池满电也只能支撑不到1小时的高峰放电。

第四件事是循环寿命对更换成本的折算。储能电池的循环寿命通常在6000到8000次（以80% DOD为基准），在20年项目周期里可能不够用。工程上常用的处理方式是：根据运行策略模拟出的全年等效满充循环次数，计算寿命结束时点，在NPV模型中安排一次电池更换成本。

4. 运行策略是隐藏的主角：同一套配置，策略不同收益差10%以上

很多优化模型有一个隐蔽的逻辑漏洞：它们把充放电策略当成固定的规则写死，然后在同一个策略下只改变光伏和储能的容量去搜索最优。这样做当然也能得到结果，但忽略了运行策略对最优配置的影响。举个例子，在峰谷电价差很大的地区，储能主要靠峰谷套利赚钱，策略重点是"谷充峰放"；在光伏配储的工商业场景里，储能可能主要用于提高光伏自消纳率，策略重点是"光伏大发时充电、晚高峰放电"；而在需量电费比重高的场景，储能的策略核心是"在负载尖峰时段放电压低最大需量"。同一套2MW/4MWh的配置，用不同策略跑出来的年收益可能差10%到20%，而最优的光伏配储比例也跟着变。

4.1 两种运行策略模型：规则策略与理想预测策略

在一键生成的框架里，我通常会并行实现两种运行策略。

第一种是规则策略，也叫启发式策略。它不需要预测，只依赖当前时刻的状态来判断充放电动作。常见规则包括：当光伏出力大于负载（即有多余电量）且储能SOC低于上限时，用多余光伏给储能充电；当负载大于光伏出力且SOC高于下限时，储能放电弥补差额；在电价低谷时段强制给储能充电，在电价高峰时段放电。规则策略的优点是鲁棒性强、工程上可执行、控制逻辑透明，缺点是效率不是全局最优——比如它没法知道明天中午是阴天还是晴天，也就无法在晴天来临前提前预留电池容量。

第二种是理想预测策略（也叫MPC或全局最优策略）。它假设整个仿真周期内负载和光伏出力是已知的，用线性规划或动态规划在每个时刻决定最优的储能充放电功率，目标可以是"全年电费最小"或者"光伏弃电率最低"。这在实际工程中当然无法完全实现，因为谁也无法预知未来一年的天气和负载。但它有一个重要价值：告诉我们某个配置方案的收益理论上限在哪里，为现实中的规则策略提供对标参照。

我做可行性研究时，通常分两步走：先用理想预测策略在全球优化搜索中粗略筛选出候选配置区间（因为此时要在上万次仿真中寻求收敛，速度优先），然后对候选配置用规则策略做详细的时序仿真，校验出更接近实际可落地效果的收益指标。两步结合，既保证了搜索效率，又保证了优化结果不至于太乐观。

4.2 峰谷套利与需量管理叠加时的优先级处理

实际项目里，储能很少只承担一种功能，特别是工商业场景，往往是峰谷套利和需量管理同时要兼顾。这里就牵涉到一个关键问题：放电的优先级怎么排？

我的经验是，需量管理优先于峰谷套利。原因很简单，需量电费的单价通常很高，而且它是按"月内最大需量"计费的，哪怕一年中只有一个月出现了一个15分钟的尖峰，整年的基础电费都会被抬高。储能在关键月份的关键时段放电压尖峰，省下的需量电费是不可逆的；而峰谷套利只是把一天的充放电价差赚回来，错过一个时段影响有限。

但是，需量管理在时序仿真中不好建，因为需量是按月统计的，它和逐时的充放电决策存在跨时间尺度的耦合。你需要用一个"月内滚动最大需量"的状态变量去参与控制逻辑判断。例如，在月初第一次出现负载超过历史最高点时，储能立即放电压低这个峰值，并且在当月后续时段持续跟踪更新这个动态阈值，防止下一个月初又出现新高。

4.3 一个实操中的容量搜索案例与收益对比

用一个近期做过的咨询案例来展示这个过程的具体数据。项目背景是某制造业工厂，变压器容量2500kVA，年用电量约1800万kWh，白天生产两班倒，负载峰值大约2100kW，电价结构是"大工业两部制电价"，峰平谷三段，峰谷价差约0.78元/kWh，基本电费按需量计费（42元/kVA·月）。

我先用网格式搜索跑了一轮理想预测策略下的收益地图：光伏容量从0到1500kWp步长50，储能容量从0到2000kWh步长100，每个组合算一次全年时序电费节省。结果最优区落在了光伏900到1100kWp、储能1200到1600kWh附近。有意思的是，在纯峰谷套利逻辑下（不叠加需量管理），最优储能容量偏小（800-1000kWh），因为储能充放一次赚的价差有限，容量再大边际收益迅速递减；而叠加需量管理后，最优储能容量显著变大，因为大容量储能有能力在连续多个月的尖峰时段出力，把全年月需量都压下来。

随后我对最优区间的候选组合（光伏1000kWp、储能1400kWh）替换为规则策略后仿真，结果显示全年可节省电费约181万元，其中峰谷套利贡献约96万元，需量电费节省约85万元。相比未加储能的纯光伏方案（光伏自发自用节省约112万元），储能额外贡献约69万/年。总投资约1170万元，全投资IRR约12.4%，回收期约7.5年。

这不是一个理论推演，而是把策略建完后真跑出来的数字。它说明了策略模型如果只做峰谷套利，会低估储能20%以上的收益，进而影响最优配置的判断。

5. 优化求解器怎么选：遗传算法、网格搜索还是线性规划

配置优化的求解方法，我在不同项目里试过很多种，踩过不少坑，这里把经验梳理一下。一键生成的最优配置，本质上是在一个二维或三维的参数空间里搜索极值，同时每一次评估都伴随一个全年8760小时的时序仿真，计算量不可小觑。选择哪种求解器，直接决定了精度、速度和代码复杂度。

5.1 网格搜索/暴力枚举

最简单直接的方法是网格搜索。对光伏容量和储能容量分别设定一个范围，按固定步长枚举所有组合，逐一跑仿真并计算目标函数。这个方法有两个致命弱点：第一，维数灾，两个变量还好，一旦把储能功率、光伏倾角、电池更换周期等因素都划进来，组合数会爆炸；第二，计算开销巨大，假如光伏步长10kW、范围0到1000kW（100个点），储能步长50kWh、范围0到2000kWh（40个点），总共4000次仿真，每次仿真要跑8760小时逐时计算，普通Python程序可能跑几个小时，商用软件更慢。

但网格搜索有一个无可替代的优点：结果可控、路径透明、不会收敛到局部最优然后告诉你"全局最优"的大话。我在方案汇报阶段经常用网格搜索结果做热力图展示，业主能直观地看到"为什么选这个点以及收益地图长什么样"，这比直接甩一个黑盒答案更容易被信任。

网格搜索的改进版是"粗细两阶段网格"。先用大步长把最优区域圈出来，比如光伏每100kW、储能每200kWh扫一遍全范围，圈出收益最高的子区域，再在这个子区域用小步长加密搜索。这个方法能把计算量压缩到原来的十分之一甚至更低，我在十几年前内存和CPU还比较紧张的时代就开始用，到今天依然有效。

5.2 遗传算法的适用边界与参数调节

遗传算法是很多"智能优化"文章里喜欢用的方法。它的好处是不需要目标函数可导，可以比较灵活地处理非线性约束和离散变量，适合那些搜索空间不规则、变量之间存在强耦合的问题。

但我不建议在光储配置这类问题上无脑上遗传算法。原因有两点。第一，光储配置问题本身只有两三个变量，函数曲面还算平滑，还远远没到遗传算法必须登场的复杂度；网格搜索加启发式缩小的计算量完全够用。第二，遗传算法有大量超参数要调——种群规模、交叉概率、变异概率、精英保留数量——任何一个参数不合适，都可能收敛到某个局部区域而不自知，而微电网项目的经济性评估又要求结果的可解释性很高，你很难跟业主解释"算法迭代了80代收敛到1200kWh，但为什么不是1100kWh"。

如果变量扩展比较多（比如同时优化光伏容量、储能容量、储能功率、光伏倾角、甚至未来是否分期扩容），遗传算法就有价值了。我用过deap库，也试过pymoo，个人体感是把种群规模设在60到100，交叉概率0.8左右，变异概率0.1到0.2，精英保留5到8个，迭代150到250代基本可以稳定收敛。初始种群用拉丁超立方采样比完全随机均匀采样更好，因为能覆盖更大的参数空间。

5.3 线性规划在运行策略层的高效性

还有一种方法是线性规划或混合整数线性规划，它不在容量寻优层用，而是在运行策略层用。前面提到的"理想预测策略"就可以建模成线性规划：已知全年8760小时的光伏出力和负载，决策变量是每一小时的储能充电功率、放电功率、电网购电功率，目标是最小化总购电费用，约束是功率平衡、SOC更新、SOC上下限、充放电功率限值等。

这一层模型的规模其实不小：8760个小时，每个小时有几个决策变量和几个约束，加起来是一个几万行几万列的大规模线性规划。好在现在的开源求解器性能已经相当可以，我用HiGHS解这类问题通常几秒到几十秒就能收敛到全局最优，远比遗传算法快得多。这也是一键生成能够实现的重要技术基础——如果没有高效的线性规划求解器，理想预测策略层的收益评估会慢到难以支撑外层容量寻优的反复调用。

所以在我的代码架构里，外层容量优化用两阶段网格搜索，内层运行策略评估调用线性规划算全年最优电费，两者嵌套但分工明确。这个架构跑一个从数据清洗到输出推荐配置的完整流程，普通笔记本上大约需要几分钟到十几分钟，完全符合"一键生成"的交互体验预期。

6. 从裸数据到一键出结果：我推荐的系统架构与代码骨架

光讲概念和价值还不够，我把这套系统在工程实践中的推荐架构分享出来，并且给出一个能够直接跑通的代码骨架。代码是最有说服力的语言，尤其是当你把"从数据输入到配置输出"的完整流程串起来之后，你会发现自己对微电网设计的理解完全上了一个台阶。

6.1 核心函数与数据处理流程

系统的输入是三类数据：负载逐时功率数组、气象数据（用于生成光伏每千瓦出力）、电价参数与项目边界条件。输出是三个核心结果：最优光伏容量、最优储能容量、对应的经济性指标表。

下面的Python骨架可以视为整个系统的最小可行实现。为了便于阅读，我将数据加载和完整业务逻辑省略，只保留骨架和关键函数签名：

python复制import numpy as np
from scipy.optimize import linprog

def load_load_profile(file_path):
    """读取负载8760小时逐时功率序列, 单位kW"""
    # 实际实现需要处理缺失值、异常值清洗
    return load_kw  # np.array, shape (8760,)

def compute_pv_per_kw_profile(lat, lon, tilt, azimuth, year_weather_file):
    """基于气象数据计算每kW光伏装机的逐时出力, 单位kW/kWp"""
    # 核心步骤: GHI->倾斜面辐照->组件温度修正->系统损耗折减
    return pv_per_kw  # np.array, shape (8760,)

def simulate_pv_load(pv_capacity_kw, load_kw, pv_per_kw):
    """计算给定光伏容量下净负载序列"""
    pv_output_kw = pv_capacity_kw * pv_per_kw
    net_load_kw = load_kw - pv_output_kw
    return net_load_kw

def linear_programming_scheduler(net_load_kw, battery_capacity_kwh, battery_power_kw,
                                 eta_charge, eta_discharge, soc_min, soc_max,
                                 price_buy, price_sell):
    """线性规划求解全年最优储能调度, 返回最小购电成本及SOC序列"""
    hours = len(net_load_kw)
    # 决策变量 x = [P_charge_0..H-1, P_discharge_0..H-1, E_soc_1..H]
    # 目标函数: 购电成本 - 售电收益, 具体建模需要展开...
    # 使用 scipy.optimize.linprog 求解
    pass

def grid_search_optimize(load_kw, pv_per_kw, price_plan, battery_model,
                         pv_range, battery_range):
    """两阶段网格搜索最优化配置"""
    best_npv = -np.inf
    best_config = None
    # 先大步长粗筛, 后小步长细搜
    return best_config

def compute_storage_dispatch_rule(net_load_kw, battery_capacity_kwh, battery_power_kw,
                                  price_plan, soc_init=0.5):
    """基于规则策略的储能调度, 返回SOC序列、电网交互功率序列、电费序列"""
    # 规则策略: 谷充峰放、光伏富余充电、峰值放电
    return soc_seq, grid_power_seq, cost_seq

def npv_analysis(capex, opex_annual, revenue_annual, discount_rate, years, battery_replace_year=None):
    """净现值分析"""
    # 现金流折现计算
    pass

核心思路是每一步分解成独立的函数模块，最后有一个主函数调用它们并打印结果。这样构建清晰方便测试和调参。比如上面的linear_programming_scheduler和compute_storage_dispatch_rule分别对应两种运行策略，在实际系统里会实现为一个公共接口下的两个子类，方便上层调用时切换策略类型。

6.2 环境依赖与性能实测

用到的Python库有numpy用于数值计算、pandas用于数据清洗和表格输出、scipy.optimize用于线性规划和部分数值优化、matplotlib用于结果可视化（画出全年收益热力图和SOC曲线图）。如果要用遗传算法，加入pymoo或deap。不建议一上来就引入深度学习或强化学习的库，因为光储配置优化问题不是只有"数据驱动"一条路，反而基于物理和线性规划的方法在解释性和稳定性上更可靠。

性能上，以6.1中的系统为例，如果用l频网格搜索（粗网格50个光伏点x30个储能点，细网格10x10，内层线性规划求解），在i5处理器、16GB内存的机器上跑完整个过程大约需要3到8分钟。这在过去是不可想象的——五年前同样规模的计算里，内层如果跑动态规划，一小时都未必出结果。如今这个速度让"一键生成"这种交互方式真正成为可能：用户在输入必要数据后，喝杯咖啡的时间就能看到结果。

这里还要提一个性能优化的技巧：在进行网格搜索时，很多重复计算可以提前缓存。比如光伏不同容量下的逐时出力，乘以容量系数就能得到，不需要为每个容量重新跑一次光伏模型；再比如，负载曲线和光伏单位出力曲线的逐时数组一旦算好，内层线性规划中的一些常数项（如无储能时的基础购电成本）可以预先算好，省去每次重复累加的时间。

6.3 可视化输出：让业主愿意看你的结果

最后但同样重要的是结果可视化。你费尽心思构建了一套优化系统，但如果最后呈现给业主的是一堆密密麻麻的表格和代码输出，那前面的功夫就相当于白费了。我通常至少生成四张图。

第一张是全年逐时负载与光伏出力曲线图（可以抽代表四季的几周展示），让业主直观地看到光伏和负载的重合度以及净负载的峰谷形态。第二张是储能SOC的全年运行热力图，横轴是小时，纵轴是周或月，颜色代表SOC水平——这张图能帮助业主看到储能是不是经常充满或者放空，以及是否存在充放频繁但SOC变化不大的不合理调度。第三张是配置搜索的收益热力图，横轴储能容量纵轴光伏容量，颜色代表NPV或IRR，最优配置点用星级标记，并标出约束边界。第四张是项目全生命周期的逐年现金流柱状图以及累计净现值曲线，清晰显示回收期。

一张好的热力图比十页计算书更有说服力。收益热力图会自然呈现出一个"等高线盆地"——盆地底部就是最优配置区域，而业主往往会发现，最优区域附近很大一片配置的收益差异只有几个百分点。这时候我会告诉他们一个更实际的经验：如果最优配置是光伏1000kWp、储能1400kWh，那么光伏900到1100kWp、储能1200到1600kWh范围内的方案差距都不大，建议根据设备采购价格波动和现场安装条件选择一个执行起来最方便的配置，而不是教条地追求那个精确的数字最优解。

7. 一键生成后的验证清单：算法说行，不代表方案能落地

这部分是给那些真正要把优化结果拿去落地实施的读者的。算法跑出"光伏1050kWp、储能1450kWh、IRR 12.1%"这个结果之后，你的工作才刚刚开始。作为有经验的工程师，你需要按下面这个清单逐项验证，剔除那些在纸面上漂亮但落到现场会出问题的配置。

7.1 并网与变压器容量的校核

优化算法可能给出了一个刚需比（用户变压器容量与光伏装机之比）很高的配置，比如一台500kVA的变压器下面挂了800kWp光伏。这在净计量或全额上网政策下或许账面上可行，但在自发自用模式下会出大问题：午间光伏大发时负载吃不完，多余电量需要反送电网，然而变压器反向送电的容量限制往往比正向还要紧，而且电网公司对并网逆变器的出力限制是依据变压器容量来批复的。如果最优结果里的光伏装机明显超过历史最大负载，你要高度怀疑算法是不是在"白送电量"。

校核方法是把全年逐时的"负载-光伏"序列拉出来，看看净输出功率（即光伏-负载的差值）超过核准上网容量的时长和电量有多少。如果一年有上百小时的倒送电量超过变压器限值，要么调低光伏容量，要么把上网模式改成"余电不上网、只防逆流"的限功率模式。

7.2 储能倍率与功率匹配的现实约束

一个常见的疏漏是储能容量优化得很准，但忘了校核功率。例如最优结果是1200kWh的电池，如果按0.5C配PCS，功率是600kW——这能支撑的最大连续放电负载其实只有600kW，对某些尖峰负载意义不大。反过来，如果为了应付2MW的短时尖峰，把PCS功率配到2MW，电池容量却只有1200kWh，那么满功率只能放36分钟。对不同负载尖峰持续时间，需要分别测算。

实际操作中，我会把负载的年度功率持续时间曲线（把全年8760个小时功率从高到低排序画成的曲线）调出来看，在曲线上找到三个关键点：全年最高尖峰的持续时长、超过变压器容量80%以上的小时数、以及平均峰值负荷水平。然后针对性校验储能电池+PCS的组合到底能不能在功率和能量两个维度都满足削峰需求。凡是只报"容量最优"而不看功率约束的方案，都有可能在投运后变成一台"充不满也放不完"的昂贵的闲置设备。

7.3 经济性参数的敏感性边界

最后一项校核是经济性敏感性分析。NPV和IRR都是用一组"最可能"的参数算出来的，但现实中任何一个参数都会波动。我至少会做三组敏感性测试：光伏上网电价或者自发自用的替代电价下降10%会怎么样；储能系统每kWh采购成本上涨15%会怎么样；负载年增长率比预期低5%会怎么样。

有一类配置方案在经济性上特别脆弱：为了追求"自消纳率100%"而把储能容量配得特别大，期望把夏天的每一度光伏电都存起来晚上用。这种方案在电价平稳地区非常危险，因为储能每度电的存储成本（循环寿命折算到每kWh的折旧）可能超过峰谷价差。我见过不止一个项目，核算下来发现新增储能的边际收益接近零，甚至为负——算法为了满足"光伏自消纳率高达90%"这个指标，硬生生配出了一套经济上不划算的系统。敏感性分析就是用来杜绝这种情况的：如果光伏电价一降，整个项目的IRR就掉到8%以下，那你要考虑的不是修配置，而是根本要不要在这个电价政策下做配储。

8. 几个我踩过的坑和最终建议

做这块做了这么久，最后分享几个代码和工程层面的具体经验。

第一个坑是SOC初始值设置不当导致的冷启动偏差。在小规模测试中，如果SOC初始化设定为0.5，运行一年后由于季节性光照差异，SOC年末值与年初值可能偏差巨大，这会让全年购电成本算不准。解决办法是在线性规划或规则策略仿真前，先跑一年"预热循环"，用第一年的末端SOC作为第二年的初始SOC，这样能消除冷启动偏差。理想预测型线性规划则可以在模型里加一个约束：SOC最后时刻等于初始值，这样全年能量守恒，避免模型利用初始SOC"免费放电"来压低成本。

第二个坑是电价时间颗粒度与仿真时间颗粒度的错配。很多地区的分时电价是以30分钟或者15分钟为颗粒度变化的，而仿真步长是1小时。如果直接把小时平均电价填进模型计算，在峰谷转换的边界小时（通常是8点、11点、17点等），储能的充放电动作会失真明显，因为优化模型可能认为这个小时电价很高就整小时放电，但实际情况是这个小时只有前15分钟处于高电价段。我建议将15分钟或30分钟电价聚合到小时时，按电量加权平均而不是算术平均。如果条件允许，把仿真步长细化到15分钟，精度会提升不少，但计算量增加4倍，需要平衡。

第三个坑是光伏组件老化和储能容量衰减的线性化处理。光伏组件第一年衰减约2%，此后每年约0.55%，如果不考虑老化，20年内的发电总量会被高估8%到10%。储能电池容量也不是恒定值，循环到3000次以后，可用容量衰减到初始的80%很正常。如果NPV模型把这些当成常数，回收期会被低估约半年到一年。推荐的做法是将容量衰减按年度折算成逐年递减的"等效容量"进入仿真，或者至少在经济性计算时按全生命周期平均容量修正。

最后一个建议是：不要忘记人工复核这个"最老的工具"。一键生成的系统再智能，它也是在把你的历史数据、你对未来的判断、以及一套假设封装成模型之后给出的结果。模型的假设是否需要更新，边界条件是否发生改变，这些最终要靠人来判断。系统能在30秒内算出上万种配置组合的全年仿真，这已经让人很难靠手动方式追赶了；但作为设计者，你至少要能读懂系统给出的答案"为什么是这个配置"，并且能够在业主质疑的时候，从物理直觉、经济逻辑和仿真细节三条路径给出解释。

把繁琐但必要的重复计算交给自动化，把判断与决策的责任自己扛起来，这个思路能让你从繁琐的试错中解放出来，真正花时间思考那些对微电网项目真正重要的东西——负载的未来演进、政策电价走向、以及储能在更长生命周期里的角色变化。希望这篇文章能帮你少走几步弯路，更快地让"一键生成"在你自己的项目中落地。