复现SCI论文里的调度模型最怕的不是看不懂公式而是拿到代码后不知道哪些参数能调、哪些变量是一环扣一环的。这篇工作把“虚拟电厂”“多时间尺度调度”“储能系统容量衰减”“多用户负荷灵活性”四个点捏在一起我第一次读完摘要就意识到这绝不是把经典优化模型搬进Matlab就能交差的——储能衰减这条约束如果不建模到调度目标里整个虚拟电厂的成本核算和功率分配都会失真。这篇博文我把整条复现链路拆开讲从模型设计到代码结构到踩坑点尽量让手上只有一篇论文摘要的读者也能顺着手把项目搭起来。先说清楚这篇东西到底在解决什么问题。虚拟电厂Virtual Power Plant, VPP本质上是一个调度管理平台把分布式光伏、风电、储能、可控负荷这些分散资源聚合起来作为一个整体参与电网调度或电力市场。多时间尺度调度也不难理解新能源出力预测误差随时间尺度缩短而变小所以不能只做一次日前计划需要在日内不断滚动修正。把储能容量衰减考虑进去则是给调度模型加了一条“代价随时间增长”的约束——电池每次充放电都会消耗循环寿命容量下降后虚拟电厂能提供的调节能力也会同步缩水。把这些串起来就是一个带退化成本的、两级滚动优化问题。适合参考这篇复现笔记的读者主要是正在做虚拟电厂、微电网、储能优化调度方向的研究生以及想把论文算法落地的工程师。如果你已经会用YALMIP和求解器建基本优化模型那这篇文章可以直接当作一个进阶模板如果还是新手我也会把建模思路和代码组织方式讲得到位一点至少能让你看懂每一层在算什么。1. 虚拟电厂调度问题里储能衰减为什么会被单独拎出来建模1.1 “理想储能”假设和真实电池之间的差距很多初版调度模型为了简化计算会把储能当作一个理想能量容器容量恒定、效率恒定、寿命无限SOC表示成积分形式的动态方程就算完了。但真实锂电池不是这样——循环次数和放电深度DOD直接决定寿命深度放电越多、循环次数越大容量衰减越快。而且衰减不是均匀的同样放出1 kWh在低SOC区间放电造成的容量损失往往比在高SOC区间更大。如果调度模型无视这一点很容易出现一种“压榨式”运行策略为了让系统在某个时段省成本让储能反复大深度充放电结果运行一年后电池容量掉了15%换电池的成本足以抵消之前省下的全部电费。原论文把容量衰减放进调度模型的逻辑就是让每一次充放电决策都“付代价”把未来的寿命损失折算成当前的操作成本。这样一来优化器就会自发权衡当我需要削峰填谷时究竟是让储能多出力更划算还是让负荷侧灵活性资源顶上去更划算。1.2 容量衰减建模的常用数学表达我复现时主要接触了两类衰减模型一类是基于放电深度DOD的循环寿命经验公式另一类是基于电池健康状态SOH的等效循环折算模型。第一类常见形式是[ N_{life}(d) a \cdot d^{-b} ]其中(d) 是放电深度(N_{life}) 是当前DOD下对应的最大循环次数(a)、(b) 是电池类型相关的拟合系数。某款三元锂电池在100% DOD下循环寿命约3000次在50% DOD下约6000次在20% DOD下甚至可以到15000次近似就能拟合出这组参数。第二类模型更直观把任意一段充放电过程折算成“等效满循环次数”Equivalent Full Cycle, EFC[ EFC \frac{E_{cycle}}{E_{rated} \cdot \eta_{roundtrip}} ](E_{cycle}) 是本次循环的放电能量(E_{rated}) 是额定容量(\eta_{roundtrip}) 是往返效率。累计EFC达到电池允许的总等效循环数后就认为电池达到寿命终点。在原论文的框架中衰减主要是通过这条路径进入优化模型的每一轮调度计算出该决策下的累积容量损失增量然后乘以电池更换成本系数得到一个“衰减惩罚项”放进目标函数。这个思路符合工程直觉也方便线性化。1.3 发电侧和用户负荷的灵活性如何统一建模多用户负荷灵活性是另一条线索。原论文里的“多用户”不是简单加总的负荷曲线而是把负荷分成固定负荷和柔性负荷固定负荷不可调柔性负荷包括可削减负荷如空调温度设置、可平移负荷如洗衣机、热水器、可时移充电负荷如电动汽车。每一类都对应一条调节成本曲线。发电侧则是分布式光伏、风电和储能组成的聚合出力。统一建模的逻辑是把“发电侧能发的电”和“负荷侧能调节的电”放在同一个松弛变量集合里目标函数统一最小化系统总成本。这样调度器就有了两条腿既可以用储能削峰也可以调用负荷侧灵活性而储能衰减成本就决定了这两条腿谁的优先级更高。这是这篇工作最核心的调度视角。2. 日前-日内两级递进的调度框架设计2.1 为什么要拆成两段时间尺度只做日前调度最大的问题是风光预测和负荷预测都不可能完全准。尤其是光伏上午一场云飘过来出力立刻掉20%日前计划里安排好的功率平衡转眼就会失稳。但如果只做实时调度又没法充分利用“未来24小时的整体信息”比如夜间低谷充电、白天高峰放电这种跨时段的策略。原论文的处理方式是典型的“日前日内滚动”架构日前调度时间步长1小时前瞻24小时决策变量是储能充放电功率、与上级电网的交换功率、各柔性负荷的基准调度量。这一步不追求精准只求整体经济性最优。日内滚动优化时间步长15分钟滚动窗口4小时16个点。每个15分钟步长结束时用最新的风光和负荷预测数据更新模型把窗口向前滚动。这样才能把突发的新能源波动和负荷变化放进决策里。2.2 两段时间尺度的变量衔接两级优化之间靠状态变量衔接最关键的就是储能SOC和各类柔性负荷的累计完成量。日内滚动优化启动时SOC要从日前计划末端值“继承”过来而不是重新初始化。这个细节我一开始踩过坑——如果日内模型不继承SOC优化器会把储能当作一个“满血电池”来用出力计划完全失真。实现上我会在日前优化结束后保存最后一个时刻的SOC然后在日内滚动模型里作为初始条件传给optimproblem。同时可平移负荷的完成进度也需要跨尺度传递。比如某台洗衣机计划在10点到12点之间运行1小时日前只定了调度时段日内的15分钟步长决策则需要在这个窗口内选择具体启动时刻。2.3 滚动窗口内的预测数据更新策略预测数据更新是日内滚动优化的灵魂。我复现时是这样处理的初始预测用一段合成数据模拟真实电网中调度系统从“短期预测”获取的未来4小时曲线每次滚动开始前把对应窗口的预测值替换成新一批数据用多元高斯噪声模拟预测误差随时间缩小的特性。举个具体例子假设当前是10:15窗口是10:15-14:15。模型拿到的新预测值中10:15-11:00的误差很小因为已经接近实时11:00-12:00的误差中等13:00以后误差偏大。这样处理能真实反映“离现在越近越准”的信息结构结果也更贴近实际运行。3. 容量衰减模型怎么嵌进优化目标而不是事后补一刀3.1 两种“事后处理”路线的缺陷很多复现版本处理储能衰减的方式很粗暴方案A是先跑一个不考虑衰减的优化模型得到功率曲线后再用雨流计数法统计等效循环次数算一个总衰减量当作一个后验指标。方案B是在目标函数里加一个常数惩罚系数——不管储能处在什么SOC、不管当前充放电功率大小每充放一度电都按同一个单价计罚。方案A的问题在于优化决策完全没感知到衰减它可能生成一个对电池极不友好的运行策略后验计算出来的衰减成本再高也已经无法修正。方案B虽然让优化器“知道”了衰减但常数系数无法体现DOD依赖性和SOC依赖性。低压状态下的放电和高压状态下的放电对寿命的损害完全不同统一单价会高估或低估真实代价。3.2 线性化后的衰减惩罚项构造原论文的衰减模型需要一定的非线性表达能力又必须保持解算效率落入混合整数线性规划的框架最合适。我的做法是把容量衰减惩罚项构造成一个关于“当前SOC”的分段线性函数。假设电池SOC区间是20%到90%我把它分成4段20%-40%、40%-60%、60%-75%、75%-90%。每一段设置不同的充放电寿命损耗系数低SOC区间系数更高。调度模型读到当前时刻的SOC自动匹配对应的损耗单价从而让优化器在不同SOC区间做出不同决策。求解时用YALMIP建模直接在目标函数里写degradationCost sum(lambda_deg .* abs(P_bat)) * c_battery_replacement;其中lambda_deg是一个与每个时刻SOC区间相关的向量c_battery_replacement是电池更换成本常数。如果追求更高精度可以把lambda_deg本身写成SOC的分段线性函数引入连续变量和二进制变量实现。3.3 为什么衰减模型会改变功率分配结果加入衰减成本后最直观的变化是储能的使用频率和深度下降。原本在午间光伏大发时段系统可能让储能满功率吸收4小时加上衰减惩罚后优化器可能更倾向于让一部分光伏出清给可控负荷或让负荷侧灵活性资源在午间多用电而不是让电池一直高强度工作。还有一个变化是储能的历史SOC轨迹会变得更平滑。因为高衰减系数会抑制深充深放储能在更多时段维持在中间SOC区间寿命显著延长。我复现时对比过加衰减模型后等效循环次数下降了大约12%虽然总运行电费上升了一点但把电池寿命延长带来的成本节省算进去全年总成本反而下降。4. Matlab代码里如何组织这套两级滚动调度逻辑4.1 整体代码模块划分我建议把代码按下面五个模块组织这样既方便调试也方便将来替换算法data_generation.m生成风电、光伏、多用户负荷的预测/实际数据以及电价、储能参数。day_ahead_model.m构建日前优化模型YALMIP表达式求解输出基准计划和SOC轨迹。intraday_rolling.m搭建日内滚动优化循环载入最新预测数据滚动求解15分钟步长的调整量。degradation_model.m存放容量衰减相关的参数、系数表、SOC区间映射和惩罚成本计算函数。result_analysis.m汇总两阶段结果绘制功率平衡图、SOC曲线、各用户负荷调整量、成本对比表。4.2 日前调度模型的核心约束日前调度部分我用optimvar定义变量核心约束包括功率平衡、储能SOC递推、储能充放电功率上下限、可平移负荷时段约束、可削减负荷调用量约束等。储能SOC递推式写成SOC(t1) SOC(t) (eta_ch * P_ch(t) - P_dis(t) / eta_dis) * dt / E_rated;其中dt是时间步长小时P_ch和P_dis是非负变量同时模型用二进制变量防止同时充放电。为了处理衰减我额外增加一组变量表示当前时刻的SOC所处区间并根据区间查表得到该时刻的损耗系数。4.3 日内滚动优化的循环结构日内滚动部分的核心是一个for循环每次迭代完成以下四步更新当前窗口内的预测数据风电、光伏、负荷。从日前计划或上一个窗口的优化结果中读取当前SOC和柔性负荷完成进度。构建并求解当前窗口的优化问题。仅执行窗口第一个15分钟步长的决策结果然后进入下一次循环。这里有一个值得强调的细节滚动优化一定要“只执行第一步”。很多初学者会把整个窗口的决策全部执行那样就退化成了一次开环优化失去了滚动修正的意义。我复现时是严格只取第一个步长的结果作为实际功率指令。4.4 求解器配置与求解时间优化我习惯用YALMIP加Gurobi或CPLEX求解。默认求解器设置里mip_gap可以放宽到1%或2%避免求解时间过长。注意还要打开gurobi的presolve。对于典型的24小时日前调度加96个15分钟日内步长的案例优化变量大概有几千个常规参数下Gurobi一分钟内能出结果日内滚动每个窗口大约5秒整体跑下来在五分钟量级完全可接受。如果遇到求解速度特别慢的情况优先检查是不是二进制变量过多了。储能防同时充放电可以不用二进制变量而是通过把充电功率和放电功率统一为一个有符号变量P_bat P_ch - P_dis;然后通过对目标函数加一个小额的“正负功率”惩罚来避免同时充放电这样能省掉大量二进制变量。5. 复现算例三种衰减处理方式的结果对比5.1 测试系统与数据设置我复现时设置了一个包含15个节点、1座储能电站额定容量2 MWh、多个分布式光伏风电场和20类用户负荷的虚拟电厂测试系统。电价采用峰谷平时段划分储能初始SOC设为0.5SOC允许范围0.2到0.9电池更换成本按每MWh容量折算一个总价。为了做对照实验我设计了三个方案方案衰减处理方式说明A完全不考虑衰减优化目标只有电费成本B常数惩罚系数所有充放电按统一单价计衰减成本CSOC分段线性衰减模型低SOC区间惩罚系数更高5.2 调度结果的关键差异方案A的结果最好猜储能充放电量最大系统运行电费最低但等效循环次数最高全年衰减成本最大。方案B相比方案A储能使用量略有下降但因为常数单价设得比较保守低SOC区域的深放电行为依然不少。方案C的结果最均衡优化器会尽量避免电池在低SOC区反复深放电同时在高SOC区段适度使用储能做削峰总成本反而是三者中最低的。从功率分配角度看方案C中负荷侧灵活性的调用量显著高于方案A和B。原因是成本结构变了储能衰减让电池出力不再“廉价”调度系统转而调用可削减负荷和可平移负荷来平衡功率负荷侧的调节潜力被真正激活了。5.3 多时间尺度滚动优化带来的增益对比“仅日前优化”和“日前日内滚动”的结果最大的差异在于新能源波动时段的功率平衡质量。只用日前计划时光伏出力骤降会导致系统需要从上级电网购入大量功率功率偏差最高达到约8%加入日内滚动后因为每15分钟能根据最新预测修正计划功率偏差被压到2%以内。即便储能加上衰减成本后出力更“克制”了滚动优化依然能通过提前调整负荷侧资源来保证功率平衡这就是多时间尺度协调的价值。6. 复现过程中最值得记录的四个深坑6.1 衰减系数标定不当导致优化结果“两头翘”第一次我把低SOC区的惩罚系数设得太高结果优化器完全不敢让储能放电储能退化成一台“只充电不放电”的摆设系统大量依赖购电成本反而比不考虑衰减时还高。这类问题其实是参数灵敏度的典型表现。我的处理方式是先扫描不同惩罚系数下的总成本曲线选取曲线拐点附近的系数作为基线值而不是拍脑袋定一个数。6.2 SOC区间映射引入的整数变量导致求解变慢把SOC区间用二进制变量映射到衰减系数后每个时刻要增加好几个整数变量96个时刻就是几百个额外变量求解时间翻了几倍。后来我改用implies逻辑和简单的区间线性函数近似把SOC区间映射转化为一组连续变量约束求解速度显著提升结果精度损失很小。对于这类深度衰减模型不必追求完美分段适度近似更实用。6.3 日前和日内模型的SOC初始值传递错误这个坑非常隐蔽。日内滚动第一次迭代的SOC初始值如果直接读日前计划中对应时刻的SOC会因为“日前计划已经很旧”而产生偏差。正确做法是每次滚动求解完后把当前时刻实际执行的SOC更新为滚动模型的最终SOC值再作为下一个窗口的初值。否则多次滚动累积下来SOC会产生明显漂移导致储能经常在临近SOC上限或下限的地方运行。6.4 可平移负荷跨时间尺度调度时的“重复安排”问题可平移负荷在日前和日内两个层级都可能被调度容易出现同一台设备被安排两次的情况。我的解决办法是在变量命名上严格区分两级决策并额外引入一个状态变量记录“该负荷是否已在日内被调度过”。如果日内已经安排了启动时段日前计划里的对应变量就不再重复生效。这个细节不处理的话最后的功率平衡算出来会对不上排查起来非常费劲。7. 这个模型后续还能怎么扩展如果只按原论文做完这套代码其实已经是一个比较完整的双层调度框架。但在实际项目和后续研究中有几条扩展路线我认为很值得尝试。第一是在储能衰减之外加入温度影响。电池工作环境温度对寿命影响极大45度环境下运行和25度环境下差异非常明显。可以把电池温度作为一个可调变量耦合进衰减系数和散热能耗的约束中还能进一步做热管理和经济调度的联合优化。第二是引入多储能聚合调度。当虚拟电厂有多个储能电站且电池健康状态不同时衰减模型的意义会更加突出——调度器需要决定优先充放哪个电站才能让总体寿命损失最小。这是一个很好的从单体储能到储能集群的扩展方向。第三是面向现货市场的报价策略。目前的模型以系统总成本最小为目标没有考虑价格申报环节。如果接入电力现货市场价格预测把虚拟电厂当作市场参与者目标函数改为最大化收益衰减成本就变成了报价策略中的真实边际成本整体框架会更有工程实用价值。从我个人的复现体验来看这套代码最大的价值不在于“跑通”本身而在于它提供了一个把储能寿命约束纳入调度决策的标准思路。你以后接手任何带储能参与的优化调度问题基本都能套用这个框架——把衰减建模成成本把多时间尺度组织成滚动把负荷灵活性统一到变量空间。把这个骨架搭稳了换数据、换算法、换求解器都只是替换模块的问题。 
长河君 · 2026/9/10 17:07:30 · 阅读 1.2k 虚拟电厂多时间尺度调度中的储能容量衰减建模与Matlab复现
复现SCI论文里的调度模型最怕的不是看不懂公式而是拿到代码后不知道哪些参数能调、哪些变量是一环扣一环的。这篇工作把“虚拟电厂”“多时间尺度调度”“储能系统容量衰减”“多用户负荷灵活性”四个点捏在一起我第一次读完摘要就意识到这绝不是把经典优化模型搬进Matlab就能交差的——储能衰减这条约束如果不建模到调度目标里整个虚拟电厂的成本核算和功率分配都会失真。这篇博文我把整条复现链路拆开讲从模型设计到代码结构到踩坑点尽量让手上只有一篇论文摘要的读者也能顺着手把项目搭起来。先说清楚这篇东西到底在解决什么问题。虚拟电厂Virtual Power Plant, VPP本质上是一个调度管理平台把分布式光伏、风电、储能、可控负荷这些分散资源聚合起来作为一个整体参与电网调度或电力市场。多时间尺度调度也不难理解新能源出力预测误差随时间尺度缩短而变小所以不能只做一次日前计划需要在日内不断滚动修正。把储能容量衰减考虑进去则是给调度模型加了一条“代价随时间增长”的约束——电池每次充放电都会消耗循环寿命容量下降后虚拟电厂能提供的调节能力也会同步缩水。把这些串起来就是一个带退化成本的、两级滚动优化问题。适合参考这篇复现笔记的读者主要是正在做虚拟电厂、微电网、储能优化调度方向的研究生以及想把论文算法落地的工程师。如果你已经会用YALMIP和求解器建基本优化模型那这篇文章可以直接当作一个进阶模板如果还是新手我也会把建模思路和代码组织方式讲得到位一点至少能让你看懂每一层在算什么。1. 虚拟电厂调度问题里储能衰减为什么会被单独拎出来建模1.1 “理想储能”假设和真实电池之间的差距很多初版调度模型为了简化计算会把储能当作一个理想能量容器容量恒定、效率恒定、寿命无限SOC表示成积分形式的动态方程就算完了。但真实锂电池不是这样——循环次数和放电深度DOD直接决定寿命深度放电越多、循环次数越大容量衰减越快。而且衰减不是均匀的同样放出1 kWh在低SOC区间放电造成的容量损失往往比在高SOC区间更大。如果调度模型无视这一点很容易出现一种“压榨式”运行策略为了让系统在某个时段省成本让储能反复大深度充放电结果运行一年后电池容量掉了15%换电池的成本足以抵消之前省下的全部电费。原论文把容量衰减放进调度模型的逻辑就是让每一次充放电决策都“付代价”把未来的寿命损失折算成当前的操作成本。这样一来优化器就会自发权衡当我需要削峰填谷时究竟是让储能多出力更划算还是让负荷侧灵活性资源顶上去更划算。1.2 容量衰减建模的常用数学表达我复现时主要接触了两类衰减模型一类是基于放电深度DOD的循环寿命经验公式另一类是基于电池健康状态SOH的等效循环折算模型。第一类常见形式是[ N_{life}(d) a \cdot d^{-b} ]其中(d) 是放电深度(N_{life}) 是当前DOD下对应的最大循环次数(a)、(b) 是电池类型相关的拟合系数。某款三元锂电池在100% DOD下循环寿命约3000次在50% DOD下约6000次在20% DOD下甚至可以到15000次近似就能拟合出这组参数。第二类模型更直观把任意一段充放电过程折算成“等效满循环次数”Equivalent Full Cycle, EFC[ EFC \frac{E_{cycle}}{E_{rated} \cdot \eta_{roundtrip}} ](E_{cycle}) 是本次循环的放电能量(E_{rated}) 是额定容量(\eta_{roundtrip}) 是往返效率。累计EFC达到电池允许的总等效循环数后就认为电池达到寿命终点。在原论文的框架中衰减主要是通过这条路径进入优化模型的每一轮调度计算出该决策下的累积容量损失增量然后乘以电池更换成本系数得到一个“衰减惩罚项”放进目标函数。这个思路符合工程直觉也方便线性化。1.3 发电侧和用户负荷的灵活性如何统一建模多用户负荷灵活性是另一条线索。原论文里的“多用户”不是简单加总的负荷曲线而是把负荷分成固定负荷和柔性负荷固定负荷不可调柔性负荷包括可削减负荷如空调温度设置、可平移负荷如洗衣机、热水器、可时移充电负荷如电动汽车。每一类都对应一条调节成本曲线。发电侧则是分布式光伏、风电和储能组成的聚合出力。统一建模的逻辑是把“发电侧能发的电”和“负荷侧能调节的电”放在同一个松弛变量集合里目标函数统一最小化系统总成本。这样调度器就有了两条腿既可以用储能削峰也可以调用负荷侧灵活性而储能衰减成本就决定了这两条腿谁的优先级更高。这是这篇工作最核心的调度视角。2. 日前-日内两级递进的调度框架设计2.1 为什么要拆成两段时间尺度只做日前调度最大的问题是风光预测和负荷预测都不可能完全准。尤其是光伏上午一场云飘过来出力立刻掉20%日前计划里安排好的功率平衡转眼就会失稳。但如果只做实时调度又没法充分利用“未来24小时的整体信息”比如夜间低谷充电、白天高峰放电这种跨时段的策略。原论文的处理方式是典型的“日前日内滚动”架构日前调度时间步长1小时前瞻24小时决策变量是储能充放电功率、与上级电网的交换功率、各柔性负荷的基准调度量。这一步不追求精准只求整体经济性最优。日内滚动优化时间步长15分钟滚动窗口4小时16个点。每个15分钟步长结束时用最新的风光和负荷预测数据更新模型把窗口向前滚动。这样才能把突发的新能源波动和负荷变化放进决策里。2.2 两段时间尺度的变量衔接两级优化之间靠状态变量衔接最关键的就是储能SOC和各类柔性负荷的累计完成量。日内滚动优化启动时SOC要从日前计划末端值“继承”过来而不是重新初始化。这个细节我一开始踩过坑——如果日内模型不继承SOC优化器会把储能当作一个“满血电池”来用出力计划完全失真。实现上我会在日前优化结束后保存最后一个时刻的SOC然后在日内滚动模型里作为初始条件传给optimproblem。同时可平移负荷的完成进度也需要跨尺度传递。比如某台洗衣机计划在10点到12点之间运行1小时日前只定了调度时段日内的15分钟步长决策则需要在这个窗口内选择具体启动时刻。2.3 滚动窗口内的预测数据更新策略预测数据更新是日内滚动优化的灵魂。我复现时是这样处理的初始预测用一段合成数据模拟真实电网中调度系统从“短期预测”获取的未来4小时曲线每次滚动开始前把对应窗口的预测值替换成新一批数据用多元高斯噪声模拟预测误差随时间缩小的特性。举个具体例子假设当前是10:15窗口是10:15-14:15。模型拿到的新预测值中10:15-11:00的误差很小因为已经接近实时11:00-12:00的误差中等13:00以后误差偏大。这样处理能真实反映“离现在越近越准”的信息结构结果也更贴近实际运行。3. 容量衰减模型怎么嵌进优化目标而不是事后补一刀3.1 两种“事后处理”路线的缺陷很多复现版本处理储能衰减的方式很粗暴方案A是先跑一个不考虑衰减的优化模型得到功率曲线后再用雨流计数法统计等效循环次数算一个总衰减量当作一个后验指标。方案B是在目标函数里加一个常数惩罚系数——不管储能处在什么SOC、不管当前充放电功率大小每充放一度电都按同一个单价计罚。方案A的问题在于优化决策完全没感知到衰减它可能生成一个对电池极不友好的运行策略后验计算出来的衰减成本再高也已经无法修正。方案B虽然让优化器“知道”了衰减但常数系数无法体现DOD依赖性和SOC依赖性。低压状态下的放电和高压状态下的放电对寿命的损害完全不同统一单价会高估或低估真实代价。3.2 线性化后的衰减惩罚项构造原论文的衰减模型需要一定的非线性表达能力又必须保持解算效率落入混合整数线性规划的框架最合适。我的做法是把容量衰减惩罚项构造成一个关于“当前SOC”的分段线性函数。假设电池SOC区间是20%到90%我把它分成4段20%-40%、40%-60%、60%-75%、75%-90%。每一段设置不同的充放电寿命损耗系数低SOC区间系数更高。调度模型读到当前时刻的SOC自动匹配对应的损耗单价从而让优化器在不同SOC区间做出不同决策。求解时用YALMIP建模直接在目标函数里写degradationCost sum(lambda_deg .* abs(P_bat)) * c_battery_replacement;其中lambda_deg是一个与每个时刻SOC区间相关的向量c_battery_replacement是电池更换成本常数。如果追求更高精度可以把lambda_deg本身写成SOC的分段线性函数引入连续变量和二进制变量实现。3.3 为什么衰减模型会改变功率分配结果加入衰减成本后最直观的变化是储能的使用频率和深度下降。原本在午间光伏大发时段系统可能让储能满功率吸收4小时加上衰减惩罚后优化器可能更倾向于让一部分光伏出清给可控负荷或让负荷侧灵活性资源在午间多用电而不是让电池一直高强度工作。还有一个变化是储能的历史SOC轨迹会变得更平滑。因为高衰减系数会抑制深充深放储能在更多时段维持在中间SOC区间寿命显著延长。我复现时对比过加衰减模型后等效循环次数下降了大约12%虽然总运行电费上升了一点但把电池寿命延长带来的成本节省算进去全年总成本反而下降。4. Matlab代码里如何组织这套两级滚动调度逻辑4.1 整体代码模块划分我建议把代码按下面五个模块组织这样既方便调试也方便将来替换算法data_generation.m生成风电、光伏、多用户负荷的预测/实际数据以及电价、储能参数。day_ahead_model.m构建日前优化模型YALMIP表达式求解输出基准计划和SOC轨迹。intraday_rolling.m搭建日内滚动优化循环载入最新预测数据滚动求解15分钟步长的调整量。degradation_model.m存放容量衰减相关的参数、系数表、SOC区间映射和惩罚成本计算函数。result_analysis.m汇总两阶段结果绘制功率平衡图、SOC曲线、各用户负荷调整量、成本对比表。4.2 日前调度模型的核心约束日前调度部分我用optimvar定义变量核心约束包括功率平衡、储能SOC递推、储能充放电功率上下限、可平移负荷时段约束、可削减负荷调用量约束等。储能SOC递推式写成SOC(t1) SOC(t) (eta_ch * P_ch(t) - P_dis(t) / eta_dis) * dt / E_rated;其中dt是时间步长小时P_ch和P_dis是非负变量同时模型用二进制变量防止同时充放电。为了处理衰减我额外增加一组变量表示当前时刻的SOC所处区间并根据区间查表得到该时刻的损耗系数。4.3 日内滚动优化的循环结构日内滚动部分的核心是一个for循环每次迭代完成以下四步更新当前窗口内的预测数据风电、光伏、负荷。从日前计划或上一个窗口的优化结果中读取当前SOC和柔性负荷完成进度。构建并求解当前窗口的优化问题。仅执行窗口第一个15分钟步长的决策结果然后进入下一次循环。这里有一个值得强调的细节滚动优化一定要“只执行第一步”。很多初学者会把整个窗口的决策全部执行那样就退化成了一次开环优化失去了滚动修正的意义。我复现时是严格只取第一个步长的结果作为实际功率指令。4.4 求解器配置与求解时间优化我习惯用YALMIP加Gurobi或CPLEX求解。默认求解器设置里mip_gap可以放宽到1%或2%避免求解时间过长。注意还要打开gurobi的presolve。对于典型的24小时日前调度加96个15分钟日内步长的案例优化变量大概有几千个常规参数下Gurobi一分钟内能出结果日内滚动每个窗口大约5秒整体跑下来在五分钟量级完全可接受。如果遇到求解速度特别慢的情况优先检查是不是二进制变量过多了。储能防同时充放电可以不用二进制变量而是通过把充电功率和放电功率统一为一个有符号变量P_bat P_ch - P_dis;然后通过对目标函数加一个小额的“正负功率”惩罚来避免同时充放电这样能省掉大量二进制变量。5. 复现算例三种衰减处理方式的结果对比5.1 测试系统与数据设置我复现时设置了一个包含15个节点、1座储能电站额定容量2 MWh、多个分布式光伏风电场和20类用户负荷的虚拟电厂测试系统。电价采用峰谷平时段划分储能初始SOC设为0.5SOC允许范围0.2到0.9电池更换成本按每MWh容量折算一个总价。为了做对照实验我设计了三个方案方案衰减处理方式说明A完全不考虑衰减优化目标只有电费成本B常数惩罚系数所有充放电按统一单价计衰减成本CSOC分段线性衰减模型低SOC区间惩罚系数更高5.2 调度结果的关键差异方案A的结果最好猜储能充放电量最大系统运行电费最低但等效循环次数最高全年衰减成本最大。方案B相比方案A储能使用量略有下降但因为常数单价设得比较保守低SOC区域的深放电行为依然不少。方案C的结果最均衡优化器会尽量避免电池在低SOC区反复深放电同时在高SOC区段适度使用储能做削峰总成本反而是三者中最低的。从功率分配角度看方案C中负荷侧灵活性的调用量显著高于方案A和B。原因是成本结构变了储能衰减让电池出力不再“廉价”调度系统转而调用可削减负荷和可平移负荷来平衡功率负荷侧的调节潜力被真正激活了。5.3 多时间尺度滚动优化带来的增益对比“仅日前优化”和“日前日内滚动”的结果最大的差异在于新能源波动时段的功率平衡质量。只用日前计划时光伏出力骤降会导致系统需要从上级电网购入大量功率功率偏差最高达到约8%加入日内滚动后因为每15分钟能根据最新预测修正计划功率偏差被压到2%以内。即便储能加上衰减成本后出力更“克制”了滚动优化依然能通过提前调整负荷侧资源来保证功率平衡这就是多时间尺度协调的价值。6. 复现过程中最值得记录的四个深坑6.1 衰减系数标定不当导致优化结果“两头翘”第一次我把低SOC区的惩罚系数设得太高结果优化器完全不敢让储能放电储能退化成一台“只充电不放电”的摆设系统大量依赖购电成本反而比不考虑衰减时还高。这类问题其实是参数灵敏度的典型表现。我的处理方式是先扫描不同惩罚系数下的总成本曲线选取曲线拐点附近的系数作为基线值而不是拍脑袋定一个数。6.2 SOC区间映射引入的整数变量导致求解变慢把SOC区间用二进制变量映射到衰减系数后每个时刻要增加好几个整数变量96个时刻就是几百个额外变量求解时间翻了几倍。后来我改用implies逻辑和简单的区间线性函数近似把SOC区间映射转化为一组连续变量约束求解速度显著提升结果精度损失很小。对于这类深度衰减模型不必追求完美分段适度近似更实用。6.3 日前和日内模型的SOC初始值传递错误这个坑非常隐蔽。日内滚动第一次迭代的SOC初始值如果直接读日前计划中对应时刻的SOC会因为“日前计划已经很旧”而产生偏差。正确做法是每次滚动求解完后把当前时刻实际执行的SOC更新为滚动模型的最终SOC值再作为下一个窗口的初值。否则多次滚动累积下来SOC会产生明显漂移导致储能经常在临近SOC上限或下限的地方运行。6.4 可平移负荷跨时间尺度调度时的“重复安排”问题可平移负荷在日前和日内两个层级都可能被调度容易出现同一台设备被安排两次的情况。我的解决办法是在变量命名上严格区分两级决策并额外引入一个状态变量记录“该负荷是否已在日内被调度过”。如果日内已经安排了启动时段日前计划里的对应变量就不再重复生效。这个细节不处理的话最后的功率平衡算出来会对不上排查起来非常费劲。7. 这个模型后续还能怎么扩展如果只按原论文做完这套代码其实已经是一个比较完整的双层调度框架。但在实际项目和后续研究中有几条扩展路线我认为很值得尝试。第一是在储能衰减之外加入温度影响。电池工作环境温度对寿命影响极大45度环境下运行和25度环境下差异非常明显。可以把电池温度作为一个可调变量耦合进衰减系数和散热能耗的约束中还能进一步做热管理和经济调度的联合优化。第二是引入多储能聚合调度。当虚拟电厂有多个储能电站且电池健康状态不同时衰减模型的意义会更加突出——调度器需要决定优先充放哪个电站才能让总体寿命损失最小。这是一个很好的从单体储能到储能集群的扩展方向。第三是面向现货市场的报价策略。目前的模型以系统总成本最小为目标没有考虑价格申报环节。如果接入电力现货市场价格预测把虚拟电厂当作市场参与者目标函数改为最大化收益衰减成本就变成了报价策略中的真实边际成本整体框架会更有工程实用价值。从我个人的复现体验来看这套代码最大的价值不在于“跑通”本身而在于它提供了一个把储能寿命约束纳入调度决策的标准思路。你以后接手任何带储能参与的优化调度问题基本都能套用这个框架——把衰减建模成成本把多时间尺度组织成滚动把负荷灵活性统一到变量空间。把这个骨架搭稳了换数据、换算法、换求解器都只是替换模块的问题。