电力系统日前-日内两阶段调度与敏感性分析的Matlab实现

做电力系统调度的同学应该都有体会，调度问题最难的不是模型本身，而是"预测不准"这四个字。负荷预测有偏差，光伏风电更是说变就变，如果只做一个阶段，要么机组组合太保守导致成本虚高，要么太激进导致日内频繁启停、甚至供不上电。所以现在主流的处理思路就是"日前-日内两阶段调度"——先用日前预测把大框架定下来，再用滚动更新的日内预测做精细修正，既保证经济性，又给实时运行留出调整余地。

我最近把一个日前-日内两阶段优化调度项目用Matlab完整实现了一遍，并且对电价、光伏、风电、负荷四个参数分别做了独立的敏感性分析。这套东西表面上看起来就是"建模+求解+画图"，但真正跑起来会发现，模型怎么取舍、约束怎么写、敏感性分析怎么设计才不会被审稿人或者导师挑毛病，每步都有讲究。这篇文章把我从建模到求解再到敏感性分析的全过程拆开讲，中间穿插我实际调试时踩过的坑，给正在做同类项目，或者写论文需要跑敏感性分析的朋友当个参考。

1. 项目在做什么：两阶段调度到底解决什么问题

1.1 为什么必须分成"日前"和"日内"两个阶段

先打个比方。你计划一次自驾游，出发前一周你会定好大行程：哪天到哪个城市、住哪、走哪条高速，这是"日前计划"阶段。但真上了路，你可能因为堵车、天气变化临时改道、调整休息点，这是"日内调整"阶段。如果出发前把所有细节都锁死，路上稍微有点变化就全盘崩溃；如果完全不做规划，走到哪算哪，成本又不可控。两阶段调度的逻辑就是这个。

放到电力系统里，日前调度的任务是解决"机组组合"（Unit Commitment, UC）问题：哪些机组明天要开机、哪些停机、大概带多少负荷。这里面的核心难点是启停状态是0-1整数变量，一旦决定了，当天基本不会再动，因为火电机组启停一次成本很高，而且有最小启停时间限制。所以日前阶段必须在拿到负荷、光伏、风电预测曲线后，把整天的机组启停方案定下来。

日内调度的任务则是"经济调度"（Economic Dispatch, ED）的滚动修正：每隔一段时间（比如1小时或者15分钟），系统拿到更新的超短期预测数据，重新计算各机组在已定启停状态下的最优出力，把光伏和风电波动、负荷突变造成的功率缺口补上。日内阶段一般不再动整数变量，只调整连续出力，这样计算快、结果也稳定。

两阶段放在一起的好处很直接：日前阶段考虑全局经济性，日内阶段应对局部不确定性。如果你只做日前，当天光伏突然被云遮了，你就只能干瞪眼；如果你只做日内，完全不管机组启停的经济性，那就可能为了几分钟的波动反复启停机组，成本高到离谱。两阶段本质上是在"经济性"和"可靠性"之间做权衡。

1.2 敏感性分析要回答的三个问题

我把电价、光伏、风电、负荷四个参数各做一遍独立敏感性分析，很多人第一反应是"你是不是为了凑图表才这么干"。实际上不是，敏感性分析在调度项目里有非常具体的价值，我总结下来就三个问题：

第一，哪个参数的不确定性对总成本影响最大？如果负荷预测偏了5%，成本会涨多少？光伏偏了5%呢？电价偏了5%呢？把这些量化出来，你才知道有限的预测资源该往哪儿投入。

第二，方案的鲁棒性边界在哪里？比如电价跌到什么时候，某台机组就该停机？光伏出力超过多少，系统需要开始弃光？敏感性分析能帮你画出这个边界，而不是靠拍脑袋。

第三，给后续改进提供方向。如果结果显示总成本对光伏出力特别敏感，那下一步工作重心就该放在光伏预测精度提升上；如果对电价特别敏感，那重点就是市场报价策略或者购电策略。说白了，敏感性分析是指明灯，不是装饰图。

2. 两阶段调度模型拆解与数学化表达

2.1 日前阶段的决策变量与目标函数

日前阶段我采用的是混合整数线性规划（MILP）框架，目标函数是所有机组在24个调度时段内的总运行成本最小化。先定义决策变量：

• 机组启停状态：u(g,t)，取值0或1，1代表开机；
• 机组出力：P(g,t)，连续变量，MW；
• 机组启动/停机动作辅助变量，用于计费启停成本。

目标函数写出来就是：

min Σ_t Σ_g [ C_g(P(g,t)) + SU_g · y(g,t) + SD_g · z(g,t) ]

其中C_g(P)是机组g的燃料成本函数。工程上常用二次函数形式C = a·P² + b·P + c，但在MILP里二次项不好处理，一般会做分段线性化，或者直接用线性成本系数。我项目里用的是分段线性化，这样既贴近机组真实成本曲线，又不牺牲求解速度。

启停成本这里要注意，很多初写模型的人会漏掉"启动"和"停机"动作的区分，直接写成u(g,t) - u(g,t-1)大于零就完了，但这样在优化里等价于把启停成本摊进了目标函数的系数里，结果往往不对。正确做法是引入两个非负辅助变量y和z，用约束把启动动作和停机动作"钳制"出来：

y(g,t) ≥ u(g,t) - u(g,t-1)
z(g,t) ≥ u(g,t-1) - u(g,t)

目标函数里加上SU·y和SD·z，求解器自然会只在有动作时让这些变量取1，平时取0，不会多算成本。

2.2 日内滚动修正的建模方式

日内阶段我采用的是滚动时域（Rolling Horizon）思路，每1小时滚动一次，每次只优化未来4小时，但只执行当前时段的出力指令，下一小时再刷新预测、重新优化。这种"走一步看一步"的做法非常实用，既避免了一天所有时段一起优化的计算负担，又能持续吸收最新预测信息。

日内目标函数的写法跟日前不一样，核心不是"最小化全天总成本"，而是"在尽量不偏离日前计划的前提下完成功率平衡修正"。所以日内目标我做成了两部分叠加：

min Σ_g [ λ1 · (P_g - P_g_dayahead)² + λ2 · ΔP_g ]

前半项是惩罚机组出力偏离日前计划，后半项是调整成本。λ1和λ2是权重系数，需要根据实际运行偏好调。如果你希望系统稳定一些，λ1就大一点；如果你更看重跟随最新预测、减少弃风弃光，λ2就大一点。这个权重调起来是有讲究的，我后面在"常见问题"里会专门讲一个我踩过的坑。

为什么日内不直接重新做一遍全额优化？因为日内再优化一次机组组合，很可能出现"上午刚开机的机组下午又要求停机"这种情况，实际系统里调度员不会接受的。日内阶段尊重日前定下来的启停方案，只修正出力，是工程上非常普遍的做法。

2.3 约束条件一条条讲清楚

模型里的约束条件我整理了下面这张表，每一类都标了物理含义，方便照着建模：

功率平衡约束是最基础的，但要注意模型中要不要包含网络潮流约束——也就是要不要做成带网架的多节点模型。我这个项目做的是单节点模型，也就是把所有机组和负荷都看成一个整体，只考虑功率平衡，不考虑线路潮流和节点电压。如果题目本身不涉及输电阻塞分析，单节点模型完全够用，而且求解快很多。如果要做多节点，就得引入直流潮流方程或者交流潮流，工作量会明显上升。

爬坡约束这里特别提醒一下，日前和日内的爬坡约束写法是一样的，但日内因为步长更短（有的项目是15分钟），爬坡速率要按比例换算。比如机组爬坡限值是60MW/h，日内调度步长是15分钟，那单步最大爬坡就是15MW。很多跑出来的结果一会在某时段"突跳"，十有八九是步长没换算对。

3. 四个参数的敏感性分析方案怎么设计

3.1 "一次一个变量"的独立扰动策略

敏感性分析最经典的方法是OAT（One-At-a-Time），中文叫"一次一个变量"。做法很简单：基准情景保持不变，每次只扰动一个参数，其他三个参数都维持基准值，跑完一遍完整的两阶段调度，记录关键输出指标，然后换下一个参数。

为什么必须"独立"扰动？因为如果同时把四个参数都改掉，结果变量变化了，你根本分不清是哪一参数起的作用——这在统计上叫"混杂"。独立扰动虽然没法捕捉参数之间的交互作用，但对于我们想回答的"哪个参数单独影响最大"这个问题，是最直接、最不容易被质疑的做法。

实际操作中要注意一个细节：扰动的基准是什么。我的基准是原始预测曲线，扰动方式是给整条曲线乘一个缩放系数。比如负荷基准曲线是24个点的数组P_load_forecast，扰动系数λ=1.1，那么参与调度的负荷就是1.1 × P_load_forecast，每个时点等比放大。这样处理的好处是保持了负荷曲线的形状特征（早晚高峰相对关系不变），更贴近实际预测误差的表现形式。

3.2 扰动区间与步长的选择依据

我选的扰动区间是基准值的80%到120%，步长5%，也就是λ遍历[0.80, 0.85, 0.90, 0.95, 1.00, 1.05, 1.10, 1.15, 1.20]，一共9个情景，4个参数就是36次完整的两阶段调度，加上基准情景1次，总共跑37次。

区间为什么取±20%而不是±50%？两个原因：一是实际工程中，负荷和新能源的日前预测误差基本在±20%以内，超出这个范围的扰动没有业务意义，只会浪费时间；二是扰动范围太大，可能会导致调度模型在某些极端情景下无解（比如光伏降20%叠加日内爬坡约束绷紧），增加无谓的调试成本。

步长取5%是经验和精度之间的平衡。步长再细到1%，确实能画出更平滑的曲线，但计算量涨5倍，而且每个情景本身有求解器容差，最后曲线上的微小抖动可能只是数值噪声。5%步长下，9个点连成曲线，已经能非常清楚地看出趋势和拐点了。

3.3 敏感性指标的定义：不只是看总成本

敏感性分析评价指标，很多人的第一反应就是"看总成本怎么变"。但只盯总成本会漏掉很多信息。我在每个情景下额外记录了四类输出：

• 总运行成本（含燃料、启停、弃风弃光惩罚）；
• 机组组合变化情况（24小时内启停状态变化次数）；
• 弃风弃光总量（MWh）；
• 失负荷量（MWh，理想情况应该始终为0）。

用这些输出，我计算了每个参数的"弹性系数"，公式是：

S_P = (ΔTC / TC_base) / (ΔParam / Param_base)

也就是成本变化百分比除以参数变化百分比。S_P=0.3意味着该参数变化1%，总成本变化0.3%。这个指标的好处是归一化了，四个参数之间可以直接比较大小、排序。

我建议所有做敏感性分析的人都把这个公式记下来，论文里写"XX参数对调度结果最敏感"时，必须配上这个量化的弹性系数，否则就是主观结论，站不住脚。

4. Matlab代码实现：从数据结构到求解器配置

4.1 原始数据的组织与预处理

这个项目所有数据我都用结构体（struct）装，放一个script文件里统一加载，后续建模和循环跑情景都直接取字段，不用到处复制粘贴。机组参数我放在一个表格里：

matlab复制% 机组参数表：机组编号, 最大出力MW, 最小出力MW, 爬坡限值MW/h, 启动成本, 停机成本
gen_data = [
    1   300   100   120   5000   4000;
    2   200    80   100   4000   3200;
    3   150    50    80   3000   2400;
    4   120    30    60   2500   1800;
];

成本曲线参数（二次函数系数a、b、c）单独放一个矩阵，跟gen_data的行顺序对应。负荷、光伏、风电的日前预测数据分别放在1×24的数组里；日内滚动时用的超短期预测数据则是一个4×24的矩阵，第1行是初始预测，后面每行代表滚动更新后的预测。

数据预处理我觉得最重要的一步是单位统一。成本单位用元，功率单位用MW，时间单位用小时。如果电价是元/MWh、光伏出力是MW，那电价乘功率再乘时间就是元。别小看单位这事，我见过不少跑出来的结果数量级不对，最后排查半天发现光伏数据给的其实是kW，直接差了1000倍。

4.2 YALMIP建模核心代码

建模我用的是YALMIP工具箱，好处是不用跟具体求解器的API打交道，同样一套模型代码，换求解器只改一行。假设你已安装YALMIP并配置好求解器，日前调度的核心建模代码如下：

matlab复制T = 24;  Ng = size(gen_data, 1);

% 决策变量
u = binvar(Ng, T, 'full');        % 启停状态
p = sdpvar(Ng, T, 'full');        % 出力
y = binvar(Ng, T, 'full');        % 启动动作
z = binvar(Ng, T, 'full');        % 停机动作

% 目标函数：燃料成本(分段线性用矩阵形式) + 启停成本
fuel_cost = 0;
for t = 1:T
    for g = 1:Ng
        fuel_cost = fuel_cost + c_linear(g) * p(g,t);
    end
end
start_cost = sum(sum(SU * y));
stop_cost  = sum(sum(SD * z));
obj = fuel_cost + start_cost + stop_cost;

% 约束集合
Constraints = [];

% 出力上下限
Constraints = [Constraints, u .* repmat(Pmin, 1, T) <= p <= u .* repmat(Pmax, 1, T)];

% 爬坡
Constraints = [Constraints, -repmat(RD, 1, T) <= diff(p, 1, 2) <= repmat(RU, 1, T)];

% 启动/停机动作钳制
Constraints = [Constraints, y >= diff([zeros(Ng,1), u], 1, 2)];
Constraints = [Constraints, z >= -diff([u, zeros(Ng,1)], 1, 2)];
Constraints = [Constraints, y + z <= 1];

% 功率平衡
Constraints = [Constraints, sum(p, 1) + P_pv + P_wt == P_load];

% 求解
options = sdpsettings('solver', 'gurobi', 'verbose', 0);
sol = optimize(Constraints, obj, options);

这段代码里最容易被忽略的是diff的维度处理。YALMIP的diff会沿指定维度做差分，结果矩阵会少一列，直接写diff(p,1,2)得到的爬坡约束只覆盖第2到第24时段，第1时段没有约束。所以我在启停动作钳制那里用了diff([zeros(Ng,1), u], 1, 2)这样的小技巧，先把前一天最后一个时段的变量补上（这里补的是0，即假设初始全停机），保证差分后的矩阵还是24列，每个时段都有约束。这个问题不仔细看代码根本发现不了，我当初也是对着约束维度检查了很久才意识到。

4.3 两阶段循环调度的实现方式

日内阶段我用了一个for循环做滚动优化，外层按小时推进，内层求解未来4小时的优化问题。核心伪代码如下：

matlab复制% 日内滚动
for k = 1:T   % T = 24，每小时滚动一次
    % 取第k时刻最新的超短期预测
    pv_now = pv_intraday(k, k:k+3);   % 未来4小时光伏预测
    wt_now = wt_intraday(k, k:k+3);
    load_now = load_intraday(k, k:k+3);

    % 固定日前启停方案
    u_fixed = value(u(:, k:k+3));

    % 定义日内优化问题（只含连续变量p）
    p_intra = sdpvar(Ng, 4, 'full');
    Constraints = [...];  % 含功率平衡、爬坡、出力上下限
    obj_intra = sum(sum((p_intra - p_dayahead(:, k:k+3)).^2)) ...
              + weight * sum(sum(abs(diff(p_intra, 1, 2))));

    optimize(Constraints, obj_intra, options);
    % 只执行第1个时段的指令
    p_dispatch(:, k) = value(p_intra(:, 1));
end

这里有个关键点：日前阶段求解完，变量u和p的value结果要保存下来。日内阶段固定u时，我直接把日前算出的u浮点值传进去——但要注意YALMIP解MILP得到的0-1变量虽然是二进制，传值后依然可能带着浮点误差（比如0.0001或0.9999）。用的时候建议先round一下，否则约束里出现u_fixed * p这样的项，会引入微小的数值扰动，累积起来影响不小。

另外，日内优化我只优化当前滚动窗口内的4个时段，但爬坡约束一定不能只写这4个时段内部，要把滚动窗口起始时刻的前一个时刻出力作为初始条件约束进去。否则每个窗口都从零开始，爬坡约束形同虚设，日内计划会出现反复横跳。

4.4 敏感性分析的自动化批量跑批

敏感性分析就是上面的求解过程套一层循环。我单独写了一个函数，输入是参数名称和扰动系数，输出是这个情景下的所有评价指标：

matlab复制function [tc, uc_changes, curtail, shed] = run_sensitivity(param_name, lambda, base_data)
    % 根据param_name对对应参数做扰动
    switch param_name
        case 'price'
            data.price = lambda * base_data.price;
        case 'pv'
            data.pv = lambda * base_data.pv;
        case 'wind'
            data.wt = lambda * base_data.wt;
        case 'load'
            data.load = lambda * base_data.load;
    end
    % 调用日前+日内两阶段求解函数
    [tc, uc_changes, curtail, shed] = two_stage_schedule(data);
end

主脚本就是一个双层循环：

matlab复制param_list = {'price', 'pv', 'wind', 'load'};
lambda_list = 0.8:0.05:1.2;
result = zeros(length(param_list), length(lambda_list));

for i = 1:length(param_list)
    for j = 1:length(lambda_list)
        [tc, ~, ~, ~] = run_sensitivity(param_list{i}, lambda_list(j), base_data);
        result(i, j) = tc;
    end
end

跑完这36个情景，把result矩阵存成.mat文件，后面画图就不需要重新求解了。这一步建议一定要做——因为调度求解本身耗时，如果画图时不小心关掉了figure窗口，重新跑一遍全流程，白白浪费几个小时。

4.5 结果可视化：敏感性曲线怎么画最直观

可视化我用的是最常规的折线图：横轴是扰动系数λ，纵轴是总成本，四条曲线分别对应四个参数。为了让对比更直观，我做了两点优化：

第一，把总成本做了归一化，显示成"相对基准成本的变化率"，也就是(TC(λ) - TC基准) / TC基准 × 100%。这样四条曲线能画在同一张图里，纵轴单位统一成百分比，曲线位置高低直接反映敏感程度。

第二，在图形标注里高亮基准点λ=1.0的位置，并画一条参考竖线。读者一眼就能看出每条曲线在基准点附近的斜率，斜率越大说明越敏感。如果你想进一步量化，可以在基准点附近对曲线做局部线性拟合，把斜率数值标注在图上，这就是前面说的弹性系数。

画图代码很简单：

matlab复制figure;
hold on;
plot(lambda_list, result(1,:), 'o-');  % 电价
plot(lambda_list, result(2,:), 's-');  % 光伏
plot(lambda_list, result(3,:), '^-');  % 风电
plot(lambda_list, result(4,:), 'd-');  % 负荷
legend('电价', '光伏', '风电', '负荷', 'Location', 'northwest');
xlabel('扰动系数 \lambda');
ylabel('总成本变化率 (%)');
grid on;

5. 仿真结果怎么看：典型曲线与结论提炼

5.1 各参数敏感性对比表

我跑完37个情景之后，惯例先把四条曲线的基准点斜率整理成一个汇总表。下面这个是我项目里比较有代表性的结果形态（具体数值因系统和参数而异，但趋势很有参考性）：

这个排序是我预期之内的：负荷直接影响功率平衡约束的右侧，是所有调度的"硬约束"，它的扰动会直接传导到每一台机组的出力和成本；光伏和风电作为零边际成本电源，它们的扰动影响的是"有多少新能源出力能替代火电出力"，替代量越大，火电成本和总成本变化就越大；电价的影响路径相对间接，它影响的主要是购电成本或者说市场结算成本，在纯成本最小化调度模型里，电价的杠杆作用确实不如物理量那么直接。

5.2 光伏与负荷为何往往最"敏感"

很多人会问，为什么光伏比风电敏感？这个跟具体算例的系统配置有关，但有一个通用的解释：如果算例里光伏装机容量占比明显高于风电，那么光伏出力扰动覆盖的功率范围更大，对火电出力的替代效果也更明显，成本变化自然更大。反过来如果风电装机更大，排序就会反过来。所以敏感性分析结果不是普适结论，它反映的是"你这个特定系统"的特点。

这里有个特别值得说的现象：当负荷扰动系数大于1（也就是负荷比预测高）时，总成本曲线往往会加速上升，显现出"上凸"趋势；而当光伏扰动系数小于1（光伏比预测低）时，总成本也会明显抬升。这说明系统在应对"负荷高于预期"和"新能源低于预期"这两种不利情景时，裕度是有限的。这类拐点和非对称性，恰恰是敏感性分析最有价值的产出——它指出了系统的薄弱环节在哪里。

5.3 从敏感性排序反推调度策略改进方向

做完敏感性分析不是为了交差，而是为了指导下一步行动。我的做法是把结果整理成三条策略建议：

第一，既然负荷敏感性最高，那么负荷预测精度是提升调度经济性的第一杠杆。实际项目中可以考虑引入更精细的负荷预测模型，或者对历史负荷数据做更充分的挖掘，把日前负荷预测误差控制在2%以内，成本收益非常可观。

第二，光伏敏感性排在第二，并且光伏出力在午间往往过剩，下午又骤降，这种"鸭子曲线"特性会让爬坡约束变得异常紧张。应对思路是配置储能，或者调整机组组合策略，在午间让部分机组压出力运行，为晚高峰爬坡预留空间。

第三，电价敏感性相对最低，说明在当前模型设置下，电价波动对调度决策的影响不大。但如果你的模型扩展成含购售电的市场环境，电价权重就会显著上升——到时候敏感性分析需要重新做，不能拿旧结论直接套。

6. 实操中踩过的坑与排查心得

6.1 求解器选型与数值稳定性

建模语言选了YALMIP之后，求解器我建议优先选Gurobi或CPLEX，学术授权免费，求解MILP的速度远超MATLAB自带的intlinprog。如果没有授权，退而求其次可以用intlinprog，但要注意YALMIP里求解器选项的配置方式略有不同：intlinprog没有MIPGap参数直接对应，需要用sdpsettings('solver','intlinprog')，然后在求解时打印日志看一下gap收敛情况。

数值稳定性方面，我踩过一个非常典型的坑：成本系数和功率量纲数值差距太大（比如成本上万、功率只有几百），导致KKT矩阵条件数很差，求解器报"matrix is singular"或者收敛缓慢。解决办法是把成本单位从"元"改成"千元"，让目标函数数值控制在几百的量级。这种缩放不影响最优解，但能让求解器数值表现好很多。

6.2 爬坡约束导致的无解问题

项目中期我遇到过一次"某些情景下无解"的现象，排查了很久。现象是：在光伏扰动系数λ=0.8的极端情景下，日前调度报infeasible。

排查思路是先松约束定位。我把功率平衡、出力上下限、爬坡约束依次注释掉，看哪一个约束被移除后问题可行。最后定位到是爬坡约束和光伏出力骤降叠加导致的——前一天晚高峰机组满发，夜间光伏出力预测降到接近零，机组爬坡速率根本跟不上，于是无解。

解决方法是引入松弛变量，给爬坡约束加一个惩罚项，允许极端情况下小幅违反爬坡限值，但付出极高惩罚成本。这样做的物理含义是：极端预测误差下，系统可以短暂超爬坡运行，代价是设备寿命损失和运行风险，总比无解强。代码上就是在爬坡约束右侧加一个非负松弛变量s：

matlab复制s = sdpvar(Ng, T-1, 'full');
Constraints = [Constraints, -RD - s <= diff(p,1,2) <= RU + s];
obj = obj + 1e6 * sum(s, 'all');

这个1e6的惩罚系数不是拍脑袋定的，它必须高于任何合理情景下其他成本项的边际值，确保松弛变量只在真正必要时才被激活。我一般会先跑一遍基准情景，看目标函数里燃料成本的总量级，然后让惩罚系数比它高一两个数量级。

6.3 敏感性曲线不单调的真实原因

我一开始画的敏感性曲线，理论上应该平滑单调，但实际图上总是有锯齿，尤其在风电和光伏的曲线上。我怀疑是不是自己代码写错了，排查了大半天。

后来结论是：这些微小的"锯齿"来自MILP求解器的MIP gap容差。默认情况下Gurobi的MIPgap是1e-4，但对于大规模调度问题，求解器会在某个可行解附近提前停止，不同情景下的次优程度不同，反映到总成本上就是百分之零点几的波动。这种波动在敏感性分析里很讨厌，因为它会掩盖真实的趋势。

解决办法两个：一是把MIPGap调紧，比如设成1e-6，代价是求解时间明显上升；二是在所有情景里使用固定随机种子和固定求解器参数，确保可比性。我最后用的是方案二，把sdpsettings('gurobi.MIPGap', 1e-4, 'gurobi.Seed', 42)固定下来，曲线变得平滑多了。这个细节如果不说，很多人跑完敏感性看到锯齿曲线会白白焦虑半天。

6.4 数据边界与单位换算

还有一类问题不致命但特别消耗时间：数据边界检查。我遇到过光伏数据在个别时段出现负值（原始数据里缺测值被填成了-999），会导致调度结果出现"光伏负出力"这种物理上不可能的数值，更严重的是它会让功率平衡约束被"虚假"的电源满足，把火电出力压低，总成本算出来明显偏低。

后来我在数据预处理里加了严格的边界检查：所有新能源出力数据都必须大于等于0，负荷数据必须大于0，有异常就插值或者用相邻时段均值填补，并在日志里打印警告。这段代码不复杂，但价值极高：

matlab复制pv_data(pv_data < 0) = nan;
pv_data = fillmissing(pv_data, 'linear');
assert(all(pv_data >= 0), '光伏数据仍有负值');

说实话，这个习惯帮我在后续项目里省了大量返工时间。数据质量永远是优化模型的上限，模型再漂亮，喂进去的是脏数据，出来的就是垃圾结果。

7. 最后再分享一个小技巧

灵敏度分析跑完后，我习惯把每组情景下的机组组合变化情况单独导出来看，而不只是看总成本曲线。因为有时候总成本变化不大，但机组启停方案已经面目全非了——这种"隐性敏感"在总成本曲线上看不出来，却对系统运行有重大影响。比如某个机组在基准情景下全天开机，在光伏扰动λ=1.2的情景下变成了中间停机4小时，这个信息对运行人员来说比"总成本降了3%"重要得多。

我在导出的表格里专门加了一列"机组启停差异次数"，统计每台机组在敏感性情景和基准情景下启停状态不同的时段数。这个指标配合总成本曲线一起看，能让敏感性分析的结论扎实很多。如果你在写论文，审稿人大概率会问"你只看了经济指标，运行方案层面的影响呢"，这时候拿出这张表，问题就迎刃而解了。

两阶段调度加敏感性分析这套流程，我第一次完整跑通大概花了两周，其中一半时间在跟约束无解和数值问题较劲。把过程中的经验和坑点整理成这篇文章，希望你能绕开我走过的弯路。如果你在复现过程中遇到别的坑，欢迎在评论区留言，我看到了会回复。