这两年做新能源并网分析遇到最多的需求不是算新能源发了多少电而是“电网为了消纳风电光伏到底多花了多少钱、这笔钱该由谁承担”。调峰成本这个词以前基本只出现在学术论文里现在却成了电网调度、电力交易部门天天要面对的现实问题。我最近把高比例可再生能源电力系统的调峰成本量化与分摊模型在 Matlab 里完整实现了一遍从机组组合求解、成本增量计算到基于合作博弈的分摊整条链路都跑通了。这篇就把模型思路、代码框架、参数设置和踩过的坑一次性整理出来给正在做电力系统经济调度、电力市场课题的同学做个参考。1. 项目背景与整体设计思路1.1 高比例新能源系统为什么绕不开调峰成本风电和光伏的出力由天气决定不具备传统火电那样的可调度性。风大的夜晚、光照强烈的午间新能源大发往往压过负荷需求逼迫火电机组从原本高效的基荷运行状态变成频繁升降出力、甚至深度压负荷运行。而负荷高峰时段新能源出力骤减又需要机组快速爬坡顶上。这个“追着净负荷跑”的过程本质上是在消耗常规机组的调节能力而这种消耗直接体现为煤耗增加、机组启停次数增多、设备寿命折损这些加起来就是调峰成本。高比例可再生能源系统的净负荷曲线呈现两个典型特征一是峰谷差被显著拉大二是净负荷变化率爬坡速度变得很陡。前者考验系统的调峰深度后者考验系统的爬坡速率。火电在深度调峰区间运行时会偏离设计工况锅炉燃烧效率下降单位电量的煤耗明显上升频繁启停则带来大量的启动燃料消耗和汽轮机热应力损耗。这些成本在低比例新能源时代不明显因为机组大部分时间都稳定在额定出力附近运行调峰需求有限。当新能源装机占比超过一定阈值后调峰成本开始指数级增长成了必须量化、必须分摊的显性费用。1.2 模型整体框架与设计取舍我搭建的这套模型分三层数据层、优化层和分摊层。数据层负责输入负荷曲线、风光出力序列、机组技术参数与成本参数优化层通过求解机组组合Unit CommitmentUC问题得到系统在不同场景下的最小调度成本分摊层则基于优化层输出的成本增量把调峰成本公平合理地在各责任主体之间分配。设计时我做了三个关键取舍第一量化调峰成本采用“增量成本法”而不是直接核算绝对成本。调峰成本本身不是一种独立可观测的费用它混杂在燃料成本、启停成本、检修成本当中。增量成本法的思路是先求一个不含新能源接入的基准场景调度成本再求含新能源场景的调度成本两者之差就是新能源并网带来的调峰成本增量。这样做的好处是基准清晰、物理意义明确也方便后续分摊。第二机组组合模型用混合整数线性规划MILP求解。UC本质上是含启停状态变量的非凸优化问题整数变量和连续变量并存目前工程界标准做法就是MILP。Matlab 自带的intlinprog可以直接解或者用 YALMIP 调 Gurobi、CPLEX 等商用求解器。我在模型里对煤耗曲线做了分段线性化处理既保留了精度又避开了二次规划带来的求解效率问题。第三分摊阶段同时实现了两种路线一种是指标分摊法按净负荷峰谷差增量的贡献比例分配另一种是合作博弈法用 Shapley 值衡量每个新能源场站对调峰成本增量的边际贡献。两种方法互相校验工程报告里一般用指标法讲清楚“谁的责任大”学术论文里则用 Shapley 值论证公平性。2. 调峰成本的构成与量化建模2.1 常规煤耗成本与出力特性建模火电机组的煤耗特性通常用二次函数拟合F_i(P_i) a_i · P_i² b_i · P_i c_i其中 F_i 是单位时间燃料成本P_i 是出力a_i、b_i、c_i 是由机组热力试验得到的煤耗系数。二次函数能反映机组偏离最优工况后煤耗率上升的特性但把它直接放进 MILP 会引入非线性项。工程上常用的处理办法是分段线性化把出力范围切成若干段每段用一条直线近似再引入连续变量和 SOS2 约束或者直接用分段线性约束。我在代码里用的是更简单的一种近似把二次项在一个运行点附近做一阶展开或者干脆把煤耗曲线拆成三段直线拟合。实际算例显示分段数取 3~4 段时煤耗成本误差能控制在 0.5% 以内对调峰成本这种本身就带有估算性质的指标来说完全够用。如果你用的是 YALMIP其实可以保留二次目标函数直接甩给 Gurobi 处理非凸 MIQP但求解时间会长不少而且非凸问题容易陷入局部最优不如线性化稳当。2.2 深度调峰与启停带来的额外成本这是调峰成本量化的核心难点也是最容易被人忽略的部分。常规机组在设计上有最小稳定出力限制一般为其额定容量的 40%~50%。当净负荷低谷迫使机组压到最小技术出力以下运行时就进入了深度调峰区间。深度调峰阶段锅炉燃烧稳定性变差可能需要投油助燃汽轮机末级叶片面临湿蒸汽侵蚀加剧金属部件热应力循环加速疲劳。这些损耗在会计上不直接体现在燃料账单里但对机组寿命的影响是实打实的所以在量化模型中必须折算成费用。我采用的模型是C_dp,i k_dp,i · (P_min,i − P_dp,i) · Δt其中 P_min,i 是常规最小稳定出力P_dp,i 是深度调峰阶段的实际出力k_dp,i 是深度调峰补偿系数单位为元/MWh取值一般参考当地调峰辅助服务市场的补偿标准大致在 100~300 元/MWh 区间。如果你手头有特定机组的寿命损耗试验数据也可以把 k_dp 换成关于出力深度和持续时间的函数精度更高但参数获取难度也更大。启停成本同样不可忽略。一次冷态启动的燃料消耗可能相当于机组满负荷运行好几个小时而且热态、温态、冷态启动成本差异很大划分依据一般是停机时长。我在模型中用分段函数处理停机 8 小时内为热启动8~48 小时为温启动超过 48 小时为冷启动对应不同的启动成本系数。这个细节对结果影响不小因为高比例新能源场景下机组的启停频次明显增加如果统一按热启动成本算会把调峰成本明显低估。2.3 以基准场景差值为核心的量化逻辑有了上面各类成本的分项模型量化过程就变成两次 UC 求解第一次求基准场景假设没有新能源接入系统只靠常规火电满足负荷曲线得到一个总运行成本 C_base。这个场景里机组基本处于稳定的调峰状态成本构成相对简单。第二次求含新能源场景把风电、光伏出力作为负的负荷叠加进功率平衡约束重新做 UC得到总运行成本 C_re。由于新能源出力具有反调峰特性这个场景的成本会显著高于基准场景。调峰成本增量 ΔC C_re − C_base。这里有个容易被质疑的地方基准场景选择不同量化结果会差很多。如果把基准场景设为“机组全部按最低出力持续运行”那调峰成本增量会非常大如果设为“机组完全自由优化”则增量会偏小。我在项目中采用的是后者也就是从调度优化的角度衡量新能源接入后系统最优运行方式变化带来的成本上升。这样做逻辑自洽也方便后续用 UC 模型直接复现。报告中要写清楚基准场景的定义方式否则评审专家一定会问。3. 调峰成本分摊机制设计3.1 按净负荷增量责任的分摊法成本量化解决的是“总共花了多少”的问题分摊解决的是“谁该承担多少”的问题。我用的第一种分摊方法基于净负荷增量责任核心逻辑很简单每个新能源场站对系统净负荷峰谷差和爬坡需求的贡献不同谁造成的调峰压力大谁就多承担调峰成本。具体计算时先对各场站的出力序列做基线修正。设场站 i 的日前预测出力为 w_i(t)整个系统的原始负荷为 L(t)净负荷为L_net(t) L(t) − Σ w_i(t)然后分别计算接入单一场站 i 后的净负荷曲线与无该场站时的净负荷曲线比较提取峰谷差增量 ΔD_i 和最大爬坡增量 ΔR_i。将两者归一化加权后得到每个场站的调峰责任系数ρ_i α · ΔD_i / Σ ΔD_i (1−α) · ΔR_i / Σ ΔR_iα 是权重系数反映调峰深度和爬坡速率在成本形成中的相对重要性一般取 0.5~0.7。最后场站 i 分摊的调峰成本为 ρ_i · ΔC。这个方法计算简单、直观、可解释性强适合工程落地。但它的缺陷也明显没有考虑场站之间的交互作用。两个出力曲线相似的场站一起接入时它们对净负荷峰谷差的影响不是简单叠加而是存在“112”或者“112”的非线性效应按比例法会高估或低估某些场站的责任。这个缺陷促成了第二种方法。3.2 合作博弈与 Shapley 值分摊Shapley 值来自合作博弈论解决的就是上述“交互作用”问题。把每个新能源场站视为博弈参与者任意一个参与者集合 S 构成一个联盟联盟对应的调峰成本 v(S) 定义为“只有该联盟内场站接入系统时所产生的调峰成本增量”。这样v(S) 就包含了联盟内部的协同效应。场站 i 的 Shapley 值定义为φ_i(v) Σ_{S⊆N{i}} [ |S|!·(n−|S|−1)! / n! ] · [ v(S∪{i}) − v(S) ]这个公式的物理解释是在所有可能的接入顺序中把场站 i 加入某个联盟时引起的调峰成本增量取平均。由于每一个接入顺序都被等概率考虑Shapley 值具备唯一性和公平性且满足有效性所有场站的 Shapley 值之和等于总增量成本 ΔC。我在 Matlab 里实现了一个完整的 Shapley 值计算模块。前提是写一个函数v(S)输入联盟 S 的成员集合内部构造对应的 UC 模型并求解返回该联盟场景下的调峰成本增量。然后枚举所有不含 i 的子集按公式累加。核心循环代码如下function phi shapley_cost(v_func, N) % v_func: 联盟成本函数句柄输入为0/1掩码向量返回该联盟的调峰成本增量 phi zeros(N, 1); for i 1:N for mask 0:2^N - 1 % 跳过包含参与者i的联盟 if bitand(mask, 2^(i-1)) ~ 0 continue; end nS sum(bitget(mask, 1:N)); % 联盟S的大小 w factorial(nS) * factorial(N - nS - 1) / factorial(N); cost_with v_func(bitor(mask, 2^(i-1))); cost_without v_func(mask); phi(i) phi(i) w * (cost_with - cost_without); end end end这段代码的瓶颈在于v_func每次都要调用一次 UC 求解器。当参与分摊的新能源场站数量为 N 时需要求解 2^N 次 UC 问题。N8 时是 256 次N12 时是 4096 次再往上就非常吃力了。所以该方法更适合场站数量较少、或者先把同质场站聚合成几个集群再计算的场景。3.3 核仁法与工程简化Shapley 值处理的是“公平性”问题但对部分联盟的约束可能引发争议。核仁法Nucleolus的思路是寻找一组分摊结果使得所有联盟中“对分得不满意程度”最大的那个联盟的不满意度尽可能小也就是最小化最大超额。核仁法的计算结果通常需要通过线性规划迭代求解Matlab 里可以用linprog实现。从项目实际交付角度我建议不要一上来就上核仁法。原因很简单核仁法需要解一个规模不小的 LP 序列而且结果对成本函数 v(S) 的数值误差很敏感一旦 UC 求解精度不够核仁法很容易算出数值上不稳定的小数。工程报告中更常见的折中方案是用 Shapley 值计算结果作为参考用指标法计算结果作为结算依据两者偏差控制在合理范围内即可。我做过一个 6 个新能源场站的算例对比指标法和 Shapley 值的分摊结果偏差大约在 3%~8% 之间在可接受范围内。所以如果你不是做纯理论研究建议优先把指标法做扎实再补一个 Shapley 值做交叉验证。4. Matlab 实现的前期准备4.1 数据结构与算例设计开始写代码前先把数据结构设计好。我建议用结构体或表格把输入数据组织清晰不要到处散落变量。推荐建一个input_data结构体包含以下字段字段内容维度load_profile负荷时序数据MWT×1wind_profile各风电场站出力时序T×Nwpv_profile各光伏电站出力时序T×Npgen_param机组参数表ng×6cost_param煤耗及调峰成本参数ng×5机组参数表gen_param的每一行对应一台火电机组六列分别是额定容量、最大出力、最小稳态出力、深度调峰极限出力、爬坡速率、初始状态。成本参数表则包含煤耗系数 a、b、c启停成本深度调峰补偿系数。这些数据可以从 IEEE RTS 算例系统获取也可以根据实际电厂参数整理。算例的典型配置是 24 小时调度周期、时间分辨率为 1 小时机组数量取 6~10 台新能源场站取 3~6 个。时间尺度上注意一点如果研究的是调峰成本和系统爬坡压力1 小时分辨率会低估爬坡约束的严格性。建议在关键场景下把时间分辨率细化到 15 分钟代价是 UC 求解时间翻几倍。我一般先在 1 小时尺度上跑通逻辑确认模型无误后再加密到 15 分钟做灵敏度分析。4.2 建模方式选择intlinprog 还是 YALMIPMatlab 里实现 UC 模型有两条主流路线纯intlinprog和YALMIP 外部求解器。纯intlinprog的好处是不依赖第三方工具箱Matlab 自带优化工具箱就能跑。坏处是所有约束都需要手工写成矩阵不等式形式变量索引关系稍不留神就错。尤其是最小启停时间约束和爬坡约束涉及相邻时段耦合矩阵构造非常繁琐调试体验比较痛苦。YALMIP 的好处是建模语言接近数学表达式binvar、sdpvar定义变量约束直接写在Constraints集合中目标函数也很直观。求解时只要机器上装了 Gurobi 或 CPLEX通过sdpsettings(solver, gurobi)指定求解器即可。缺点是 YALMIP 本身是第三方工具箱需要额外安装而且它对高版本 Matlab 的适配偶尔会有小问题。我的选择是项目原型用 YALMIP 建模快速验证逻辑交付版本如果客户环境没有 YALMIP再改写为intlinprog。下面给出的核心代码以 YALMIP 为主同时我会标注intlinprog的等价实现思路。5. 核心代码实现与结果解析5.1 主程序与机组组合求解主程序分四步加载数据、定义决策变量、构造约束与目标、调用求解器。先看整体框架% 主程序 main_uc.m clear; clc; close all; load(input_data.mat); T 24; % 调度时段数 ng size(gen_param, 1); % 火电机组数 % 决策变量 u binvar(T, ng, full); % 0/1启停状态 P sdpvar(T, ng, full); % 机组出力 SU binvar(T, ng, full); % 启动动作 SD binvar(T, ng, full); % 停机动作 Constraints []; % 功率平衡约束 for t 1:T wind_total sum(wind_profile(t, :)); pv_total sum(pv_profile(t, :)); Constraints [Constraints, sum(P(t, :)) wind_total pv_total load_profile(t)]; end % 出力上下限约束含深度调峰区间 for t 1:T for i 1:ng % Pmin_cv是常规最小稳定出力P_deep是深度调峰极限 Constraints [Constraints, u(t,i) * gen_param(i,4) P(t,i) u(t,i) * gen_param(i,2)]; end end % 爬坡约束 for t 2:T for i 1:ng Constraints [Constraints, P(t,i) - P(t-1,i) gen_param(i,5)]; Constraints [Constraints, P(t-1,i) - P(t,i) gen_param(i,5)]; end end % 启动/停机动作约束 for t 2:T Constraints [Constraints, SU(t,:) u(t,:) - u(t-1,:)]; Constraints [Constraints, SD(t,:) u(t-1,:) - u(t,:)]; end % 目标函数煤耗 启停 深度调峰损耗 Objective 0; for t 1:T for i 1:ng Objective Objective cost_param(i,1) * P(t,i)^2 ... cost_param(i,2) * P(t,i) ... cost_param(i,3) * u(t,i); Objective Objective cost_param(i,4) * SU(t,i) ... cost_param(i,4) * SD(t,i); % 深度调峰损耗当出力低于常规最小稳定出力时按差值计费 Objective Objective cost_param(i,5) * max(0, gen_param(i,3) - P(t,i)); end end ops sdpsettings(solver, gurobi, verbose, 0); optimize(Constraints, Objective, ops);这里目标函数里出现了平方项P(t,i)^2YALMIP 会把问题转成 MIQP 丢给 Gurobi。如果求解器不支持 MIQP或者想用intlinprog就必须先做分段线性化。我常用的是把二次函数在几个运行点处线性插值然后用二进制变量激活对应分段这部分代码比较长放在函数linearized_cost.m里统一处理。实际项目中我强烈建议默认走线性化路线虽然系数矩阵变大但求解稳定性好得多。深度调峰损耗项里的max(0, gen_param(i,3) - P(t,i))本质上是 max 函数非光滑。YALMIP 在 MIQP 框架下能处理这种形式但为了稳妥我一般引入辅助变量dp(t,i)代替 max并加约束dp(t,i) gen_param(i,3) - P(t,i); dp(t,i) 0;然后用 dp 的加权和作为该部分成本。这个技巧建议收藏很多需要分段计费的成本比如阶梯电价、阶梯碳价都可以照这个套路建模。5.2 成本量化模块UC 求解完成后需要把结果拆解成成本结构清单。我写了一个后处理函数输出各类成本的数值% 成本量化模块 cost_report.m function report cost_report(P, u, SU, SD, gen_param, cost_param, T, ng) report.fuel_cost 0; report.startup_cost 0; report.shutdown_cost 0; report.deep_peakshaving_cost 0; for t 1:T for i 1:ng report.fuel_cost report.fuel_cost ... cost_param(i,1)*P(t,i)^2 cost_param(i,2)*P(t,i) cost_param(i,3)*u(t,i); report.startup_cost report.startup_cost cost_param(i,4)*SU(t,i); report.shutdown_cost report.shutdown_cost cost_param(i,4)*SD(t,i); if P(t,i) gen_param(i,3) report.deep_peakshaving_cost report.deep_peakshaving_cost ... cost_param(i,5) * (gen_param(i,3) - P(t,i)); end end end end跑完基准场景和含新能源场景后ΔC C_re − C_base就得到调峰成本增量。我习惯把这个增量再拆成“煤耗增量”“启停增量”“深度调峰增量”三部分画一张堆积柱状图。这样能直观看出新能源并网后成本涨在哪里是频繁启停带来的还是深度调峰工况变多导致的。5.3 Shapley 值分摊模块在 3.2 节已经给出了 Shapley 值计算的核心循环。实际使用时v_func函数需要接收联盟掩码向量返回该联盟对应的调峰成本增量。实现如下% 联盟成本函数 function deltaC coalition_cost(mask, Nw, base_cost, ... wind_profile, load_profile, gen_param, cost_param) % 根据mask确定接入哪些新能源场站 active find(mask(1:Nw) 1); wind_active sum(wind_profile(:, active), 2); T length(load_profile); % 构造UC模型并求解返回总成本 total_cost solve_uc(wind_active, 0, gen_param, cost_param); deltaC total_cost - base_cost; end注意每次调用solve_uc都是独立求解一个 UC 问题中间不共享信息。当联盟数量较多时这是很自然的并行化切入点。Matlab 的parfor可以直接替换外层循环把 N 个 Shapley 值计算并行化实测 6 个场站、24 个时段的问题并行后耗时能从几分钟降到几十秒。另一个工程技巧是对称性缩减。如果两个场站的出力序列完全一致比如同一风电基地的两期项目它们在 Shapley 值计算中地位等同可以合并为一个参与者权重按场站容量折算能大幅减少联盟数量。同时对于出力曲线相似度超过阈值的场站可以先用 K-means 聚类把同质场站聚合成一个集群再对集群做 Shapley 值分摊最后按组内容量比例二次分摊。这种方法在参与主体多、数据差异小的场景下特别好用。5.4 结果可视化结果可视化我用三张图搞定第一张是净负荷曲线图把原始负荷、新能源出力、净负荷画在同一张图上直观展示峰谷差变化。第二张是机组组合甘特图横轴是时间纵轴是机组编号用色块表示启停状态。这张图能快速暴露模型问题比如某台机组频繁启停、或者出力长时间贴着上下限。第三张是分摊结果堆积柱状图每个新能源场站一根柱子柱子里按常规煤耗、启停、深度调峰三类成本分层填色。这张图是交付报告的核心直接回答“谁该承担多少”。figure; bar_handle bar(cost_share_matrix, stacked); legend({煤耗成本增量, 启停成本增量, 深度调峰成本增量}, Location, northwest); set(gca, XTickLabel, {风电场1, 风电场2, 光伏站1, 光伏站2}); ylabel(分摊成本万元); title(各新能源场站调峰成本分摊结果); grid on;6. 工程落地中的常见坑与调试心得6.1 求解不出可行解的排查思路这是做 UC 最常遇到的坑。模型报“infeasible”的时候先不要怀疑求解器按下面的顺序排查第一检查功率平衡约束是否和机组总容量矛盾。比如负荷低谷时段所有机组都压到最小技术出力仍然大于净负荷那就说明系统中常规机组的最小出力总和过高必须允许某些机组停机。这时要检查最小启停时间约束是否阻止了这些机组停机。第二检查爬坡约束和出力上下限是否冲突。有些机组爬坡速率太慢在 1 小时尺度下从最小出力爬到最大出力需要好几个时段如果在相邻时段强制要求它大幅度调整就会无解。解决办法是把爬坡约束放到机组启停时间窗口中处理或者细化时间分辨率。第三用松弛法定位不可行约束。在约束后面加一个小的非负松弛变量把约束写成“变量 slack 需求”的形式求解后看哪些 slack 不为零不可行的根源就暴露出来了。这个方法虽然会让目标函数略微失真但作为调试工具非常有效。6.2 Shapley 值计算组合爆炸的简化处理前面提过N 个参与者的 Shapley 值需要 2^N 次 UC 求解N 超过 12 基本就受不了。我实际项目里用过两个替代方案方案一是抽样估计。从所有联盟中等概率抽取 M 个子集用这些子集的 v(S) 值通过回归或者随机采样近似 Shapley 值Matlab 里可以直接调fitrgp做高斯过程代理模型M 取 1000~3000 时精度就比较可观了。方案二是 Douglas 分解或者按时间窗口拆解。调峰成本本质上与净负荷曲线形态强相关可以把 24 小时按峰、平、谷分成三个典型时段先分别计算各时段的调峰成本增量再在各时段内部用 Shapley 值分摊最后按时段加权汇总成全天结果。时间窗口拆解后每个窗口内的 UC 问题规模变小求解速度显著提升而且不会损失太多精度。如果只是做工程结算我更推荐前面的指标分摊法配合 3~5 个典型场景做灵敏度分析基本就能满足报告要求了。6.3 结果合理性校验技巧模型跑完不等于结果可靠拿到数字先做三件事第一检查总成本与分项成本比例。正常情况下煤耗成本占大头启停成本次之深度调峰损耗最小。如果算出来深度调峰成本占了一半以上先检查是不是把深度调峰区间设置得太宽或者补偿系数 k_dp 取值过大。第二检查 Shapley 值之和是否严格等于调峰成本增量 ΔC。这是 Shapley 值有效性的数学性质任何代码实现都不能违背。如果对不上优先检查联盟成本函数 v(S) 是否一致特别是基准成本 base_cost 有没有在每次调用时都被正确扣除。第三把结果和物理直觉对照。比如某风电场夜间的出力高峰正好对应负荷低谷那么它的深度调峰责任一定大某光伏站在午间强出力时段反而帮助削峰它的分摊额应相对较小。如果计算结果与这些直觉明显矛盾大概率是数据预处理出了问题比如时间对齐错误、出力序列单位不统一。我在实际项目里曾经因为把小时数据和分钟数据混在一起导致净负荷曲线出现严重跳变UC 结果完全失真。查了一天最后发现是xlsread读数据时多读了一列。所以强烈建议在做任何计算前先用plot把每条输入曲线画出来看一遍这个习惯能省掉大量排查时间。最后再说一个小技巧。整套模型跑完后一定要把机组组合结果和成本结构导出成 Excel 或 CSV方便在报告中直接引用。Matlab 的writetable可以一行代码把表格数据写出去result_table table(load_profile, sum(wind_profile,2), sum(P,2), ... VariableNames, {Load, Wind, Thermal}); writetable(result_table, dispatch_result.xlsx);这个项目做完后我最大的体会是调峰成本建模的难点往往不在数学公式而在“基准场景定义”和“成本边界划分”这两个看似简单的问题上。基准场景稍微变一下成本增量就能差出百分之三四十深度调峰成本算不算启停损失各家理解也不一致。做这类课题之前先把边界条件和各方利益诉求摸清楚想清楚分摊结果拿来做什么用——是作为市场结算依据还是作为政策评估参考——再决定用多复杂的模型。模型不是越复杂越好但代码框架一定得留足扩展空间因为等新能源占比再上一个台阶储能、需求响应、抽蓄这些调节资源都会被纳入进来现在的分摊模型很可能要在这个框架上继续长出新东西。 
长河君 · 2026/9/16 3:52:20 · 阅读 1.2k 基于Matlab的高比例新能源调峰成本量化与分摊模型
这两年做新能源并网分析遇到最多的需求不是算新能源发了多少电而是“电网为了消纳风电光伏到底多花了多少钱、这笔钱该由谁承担”。调峰成本这个词以前基本只出现在学术论文里现在却成了电网调度、电力交易部门天天要面对的现实问题。我最近把高比例可再生能源电力系统的调峰成本量化与分摊模型在 Matlab 里完整实现了一遍从机组组合求解、成本增量计算到基于合作博弈的分摊整条链路都跑通了。这篇就把模型思路、代码框架、参数设置和踩过的坑一次性整理出来给正在做电力系统经济调度、电力市场课题的同学做个参考。1. 项目背景与整体设计思路1.1 高比例新能源系统为什么绕不开调峰成本风电和光伏的出力由天气决定不具备传统火电那样的可调度性。风大的夜晚、光照强烈的午间新能源大发往往压过负荷需求逼迫火电机组从原本高效的基荷运行状态变成频繁升降出力、甚至深度压负荷运行。而负荷高峰时段新能源出力骤减又需要机组快速爬坡顶上。这个“追着净负荷跑”的过程本质上是在消耗常规机组的调节能力而这种消耗直接体现为煤耗增加、机组启停次数增多、设备寿命折损这些加起来就是调峰成本。高比例可再生能源系统的净负荷曲线呈现两个典型特征一是峰谷差被显著拉大二是净负荷变化率爬坡速度变得很陡。前者考验系统的调峰深度后者考验系统的爬坡速率。火电在深度调峰区间运行时会偏离设计工况锅炉燃烧效率下降单位电量的煤耗明显上升频繁启停则带来大量的启动燃料消耗和汽轮机热应力损耗。这些成本在低比例新能源时代不明显因为机组大部分时间都稳定在额定出力附近运行调峰需求有限。当新能源装机占比超过一定阈值后调峰成本开始指数级增长成了必须量化、必须分摊的显性费用。1.2 模型整体框架与设计取舍我搭建的这套模型分三层数据层、优化层和分摊层。数据层负责输入负荷曲线、风光出力序列、机组技术参数与成本参数优化层通过求解机组组合Unit CommitmentUC问题得到系统在不同场景下的最小调度成本分摊层则基于优化层输出的成本增量把调峰成本公平合理地在各责任主体之间分配。设计时我做了三个关键取舍第一量化调峰成本采用“增量成本法”而不是直接核算绝对成本。调峰成本本身不是一种独立可观测的费用它混杂在燃料成本、启停成本、检修成本当中。增量成本法的思路是先求一个不含新能源接入的基准场景调度成本再求含新能源场景的调度成本两者之差就是新能源并网带来的调峰成本增量。这样做的好处是基准清晰、物理意义明确也方便后续分摊。第二机组组合模型用混合整数线性规划MILP求解。UC本质上是含启停状态变量的非凸优化问题整数变量和连续变量并存目前工程界标准做法就是MILP。Matlab 自带的intlinprog可以直接解或者用 YALMIP 调 Gurobi、CPLEX 等商用求解器。我在模型里对煤耗曲线做了分段线性化处理既保留了精度又避开了二次规划带来的求解效率问题。第三分摊阶段同时实现了两种路线一种是指标分摊法按净负荷峰谷差增量的贡献比例分配另一种是合作博弈法用 Shapley 值衡量每个新能源场站对调峰成本增量的边际贡献。两种方法互相校验工程报告里一般用指标法讲清楚“谁的责任大”学术论文里则用 Shapley 值论证公平性。2. 调峰成本的构成与量化建模2.1 常规煤耗成本与出力特性建模火电机组的煤耗特性通常用二次函数拟合F_i(P_i) a_i · P_i² b_i · P_i c_i其中 F_i 是单位时间燃料成本P_i 是出力a_i、b_i、c_i 是由机组热力试验得到的煤耗系数。二次函数能反映机组偏离最优工况后煤耗率上升的特性但把它直接放进 MILP 会引入非线性项。工程上常用的处理办法是分段线性化把出力范围切成若干段每段用一条直线近似再引入连续变量和 SOS2 约束或者直接用分段线性约束。我在代码里用的是更简单的一种近似把二次项在一个运行点附近做一阶展开或者干脆把煤耗曲线拆成三段直线拟合。实际算例显示分段数取 3~4 段时煤耗成本误差能控制在 0.5% 以内对调峰成本这种本身就带有估算性质的指标来说完全够用。如果你用的是 YALMIP其实可以保留二次目标函数直接甩给 Gurobi 处理非凸 MIQP但求解时间会长不少而且非凸问题容易陷入局部最优不如线性化稳当。2.2 深度调峰与启停带来的额外成本这是调峰成本量化的核心难点也是最容易被人忽略的部分。常规机组在设计上有最小稳定出力限制一般为其额定容量的 40%~50%。当净负荷低谷迫使机组压到最小技术出力以下运行时就进入了深度调峰区间。深度调峰阶段锅炉燃烧稳定性变差可能需要投油助燃汽轮机末级叶片面临湿蒸汽侵蚀加剧金属部件热应力循环加速疲劳。这些损耗在会计上不直接体现在燃料账单里但对机组寿命的影响是实打实的所以在量化模型中必须折算成费用。我采用的模型是C_dp,i k_dp,i · (P_min,i − P_dp,i) · Δt其中 P_min,i 是常规最小稳定出力P_dp,i 是深度调峰阶段的实际出力k_dp,i 是深度调峰补偿系数单位为元/MWh取值一般参考当地调峰辅助服务市场的补偿标准大致在 100~300 元/MWh 区间。如果你手头有特定机组的寿命损耗试验数据也可以把 k_dp 换成关于出力深度和持续时间的函数精度更高但参数获取难度也更大。启停成本同样不可忽略。一次冷态启动的燃料消耗可能相当于机组满负荷运行好几个小时而且热态、温态、冷态启动成本差异很大划分依据一般是停机时长。我在模型中用分段函数处理停机 8 小时内为热启动8~48 小时为温启动超过 48 小时为冷启动对应不同的启动成本系数。这个细节对结果影响不小因为高比例新能源场景下机组的启停频次明显增加如果统一按热启动成本算会把调峰成本明显低估。2.3 以基准场景差值为核心的量化逻辑有了上面各类成本的分项模型量化过程就变成两次 UC 求解第一次求基准场景假设没有新能源接入系统只靠常规火电满足负荷曲线得到一个总运行成本 C_base。这个场景里机组基本处于稳定的调峰状态成本构成相对简单。第二次求含新能源场景把风电、光伏出力作为负的负荷叠加进功率平衡约束重新做 UC得到总运行成本 C_re。由于新能源出力具有反调峰特性这个场景的成本会显著高于基准场景。调峰成本增量 ΔC C_re − C_base。这里有个容易被质疑的地方基准场景选择不同量化结果会差很多。如果把基准场景设为“机组全部按最低出力持续运行”那调峰成本增量会非常大如果设为“机组完全自由优化”则增量会偏小。我在项目中采用的是后者也就是从调度优化的角度衡量新能源接入后系统最优运行方式变化带来的成本上升。这样做逻辑自洽也方便后续用 UC 模型直接复现。报告中要写清楚基准场景的定义方式否则评审专家一定会问。3. 调峰成本分摊机制设计3.1 按净负荷增量责任的分摊法成本量化解决的是“总共花了多少”的问题分摊解决的是“谁该承担多少”的问题。我用的第一种分摊方法基于净负荷增量责任核心逻辑很简单每个新能源场站对系统净负荷峰谷差和爬坡需求的贡献不同谁造成的调峰压力大谁就多承担调峰成本。具体计算时先对各场站的出力序列做基线修正。设场站 i 的日前预测出力为 w_i(t)整个系统的原始负荷为 L(t)净负荷为L_net(t) L(t) − Σ w_i(t)然后分别计算接入单一场站 i 后的净负荷曲线与无该场站时的净负荷曲线比较提取峰谷差增量 ΔD_i 和最大爬坡增量 ΔR_i。将两者归一化加权后得到每个场站的调峰责任系数ρ_i α · ΔD_i / Σ ΔD_i (1−α) · ΔR_i / Σ ΔR_iα 是权重系数反映调峰深度和爬坡速率在成本形成中的相对重要性一般取 0.5~0.7。最后场站 i 分摊的调峰成本为 ρ_i · ΔC。这个方法计算简单、直观、可解释性强适合工程落地。但它的缺陷也明显没有考虑场站之间的交互作用。两个出力曲线相似的场站一起接入时它们对净负荷峰谷差的影响不是简单叠加而是存在“112”或者“112”的非线性效应按比例法会高估或低估某些场站的责任。这个缺陷促成了第二种方法。3.2 合作博弈与 Shapley 值分摊Shapley 值来自合作博弈论解决的就是上述“交互作用”问题。把每个新能源场站视为博弈参与者任意一个参与者集合 S 构成一个联盟联盟对应的调峰成本 v(S) 定义为“只有该联盟内场站接入系统时所产生的调峰成本增量”。这样v(S) 就包含了联盟内部的协同效应。场站 i 的 Shapley 值定义为φ_i(v) Σ_{S⊆N{i}} [ |S|!·(n−|S|−1)! / n! ] · [ v(S∪{i}) − v(S) ]这个公式的物理解释是在所有可能的接入顺序中把场站 i 加入某个联盟时引起的调峰成本增量取平均。由于每一个接入顺序都被等概率考虑Shapley 值具备唯一性和公平性且满足有效性所有场站的 Shapley 值之和等于总增量成本 ΔC。我在 Matlab 里实现了一个完整的 Shapley 值计算模块。前提是写一个函数v(S)输入联盟 S 的成员集合内部构造对应的 UC 模型并求解返回该联盟场景下的调峰成本增量。然后枚举所有不含 i 的子集按公式累加。核心循环代码如下function phi shapley_cost(v_func, N) % v_func: 联盟成本函数句柄输入为0/1掩码向量返回该联盟的调峰成本增量 phi zeros(N, 1); for i 1:N for mask 0:2^N - 1 % 跳过包含参与者i的联盟 if bitand(mask, 2^(i-1)) ~ 0 continue; end nS sum(bitget(mask, 1:N)); % 联盟S的大小 w factorial(nS) * factorial(N - nS - 1) / factorial(N); cost_with v_func(bitor(mask, 2^(i-1))); cost_without v_func(mask); phi(i) phi(i) w * (cost_with - cost_without); end end end这段代码的瓶颈在于v_func每次都要调用一次 UC 求解器。当参与分摊的新能源场站数量为 N 时需要求解 2^N 次 UC 问题。N8 时是 256 次N12 时是 4096 次再往上就非常吃力了。所以该方法更适合场站数量较少、或者先把同质场站聚合成几个集群再计算的场景。3.3 核仁法与工程简化Shapley 值处理的是“公平性”问题但对部分联盟的约束可能引发争议。核仁法Nucleolus的思路是寻找一组分摊结果使得所有联盟中“对分得不满意程度”最大的那个联盟的不满意度尽可能小也就是最小化最大超额。核仁法的计算结果通常需要通过线性规划迭代求解Matlab 里可以用linprog实现。从项目实际交付角度我建议不要一上来就上核仁法。原因很简单核仁法需要解一个规模不小的 LP 序列而且结果对成本函数 v(S) 的数值误差很敏感一旦 UC 求解精度不够核仁法很容易算出数值上不稳定的小数。工程报告中更常见的折中方案是用 Shapley 值计算结果作为参考用指标法计算结果作为结算依据两者偏差控制在合理范围内即可。我做过一个 6 个新能源场站的算例对比指标法和 Shapley 值的分摊结果偏差大约在 3%~8% 之间在可接受范围内。所以如果你不是做纯理论研究建议优先把指标法做扎实再补一个 Shapley 值做交叉验证。4. Matlab 实现的前期准备4.1 数据结构与算例设计开始写代码前先把数据结构设计好。我建议用结构体或表格把输入数据组织清晰不要到处散落变量。推荐建一个input_data结构体包含以下字段字段内容维度load_profile负荷时序数据MWT×1wind_profile各风电场站出力时序T×Nwpv_profile各光伏电站出力时序T×Npgen_param机组参数表ng×6cost_param煤耗及调峰成本参数ng×5机组参数表gen_param的每一行对应一台火电机组六列分别是额定容量、最大出力、最小稳态出力、深度调峰极限出力、爬坡速率、初始状态。成本参数表则包含煤耗系数 a、b、c启停成本深度调峰补偿系数。这些数据可以从 IEEE RTS 算例系统获取也可以根据实际电厂参数整理。算例的典型配置是 24 小时调度周期、时间分辨率为 1 小时机组数量取 6~10 台新能源场站取 3~6 个。时间尺度上注意一点如果研究的是调峰成本和系统爬坡压力1 小时分辨率会低估爬坡约束的严格性。建议在关键场景下把时间分辨率细化到 15 分钟代价是 UC 求解时间翻几倍。我一般先在 1 小时尺度上跑通逻辑确认模型无误后再加密到 15 分钟做灵敏度分析。4.2 建模方式选择intlinprog 还是 YALMIPMatlab 里实现 UC 模型有两条主流路线纯intlinprog和YALMIP 外部求解器。纯intlinprog的好处是不依赖第三方工具箱Matlab 自带优化工具箱就能跑。坏处是所有约束都需要手工写成矩阵不等式形式变量索引关系稍不留神就错。尤其是最小启停时间约束和爬坡约束涉及相邻时段耦合矩阵构造非常繁琐调试体验比较痛苦。YALMIP 的好处是建模语言接近数学表达式binvar、sdpvar定义变量约束直接写在Constraints集合中目标函数也很直观。求解时只要机器上装了 Gurobi 或 CPLEX通过sdpsettings(solver, gurobi)指定求解器即可。缺点是 YALMIP 本身是第三方工具箱需要额外安装而且它对高版本 Matlab 的适配偶尔会有小问题。我的选择是项目原型用 YALMIP 建模快速验证逻辑交付版本如果客户环境没有 YALMIP再改写为intlinprog。下面给出的核心代码以 YALMIP 为主同时我会标注intlinprog的等价实现思路。5. 核心代码实现与结果解析5.1 主程序与机组组合求解主程序分四步加载数据、定义决策变量、构造约束与目标、调用求解器。先看整体框架% 主程序 main_uc.m clear; clc; close all; load(input_data.mat); T 24; % 调度时段数 ng size(gen_param, 1); % 火电机组数 % 决策变量 u binvar(T, ng, full); % 0/1启停状态 P sdpvar(T, ng, full); % 机组出力 SU binvar(T, ng, full); % 启动动作 SD binvar(T, ng, full); % 停机动作 Constraints []; % 功率平衡约束 for t 1:T wind_total sum(wind_profile(t, :)); pv_total sum(pv_profile(t, :)); Constraints [Constraints, sum(P(t, :)) wind_total pv_total load_profile(t)]; end % 出力上下限约束含深度调峰区间 for t 1:T for i 1:ng % Pmin_cv是常规最小稳定出力P_deep是深度调峰极限 Constraints [Constraints, u(t,i) * gen_param(i,4) P(t,i) u(t,i) * gen_param(i,2)]; end end % 爬坡约束 for t 2:T for i 1:ng Constraints [Constraints, P(t,i) - P(t-1,i) gen_param(i,5)]; Constraints [Constraints, P(t-1,i) - P(t,i) gen_param(i,5)]; end end % 启动/停机动作约束 for t 2:T Constraints [Constraints, SU(t,:) u(t,:) - u(t-1,:)]; Constraints [Constraints, SD(t,:) u(t-1,:) - u(t,:)]; end % 目标函数煤耗 启停 深度调峰损耗 Objective 0; for t 1:T for i 1:ng Objective Objective cost_param(i,1) * P(t,i)^2 ... cost_param(i,2) * P(t,i) ... cost_param(i,3) * u(t,i); Objective Objective cost_param(i,4) * SU(t,i) ... cost_param(i,4) * SD(t,i); % 深度调峰损耗当出力低于常规最小稳定出力时按差值计费 Objective Objective cost_param(i,5) * max(0, gen_param(i,3) - P(t,i)); end end ops sdpsettings(solver, gurobi, verbose, 0); optimize(Constraints, Objective, ops);这里目标函数里出现了平方项P(t,i)^2YALMIP 会把问题转成 MIQP 丢给 Gurobi。如果求解器不支持 MIQP或者想用intlinprog就必须先做分段线性化。我常用的是把二次函数在几个运行点处线性插值然后用二进制变量激活对应分段这部分代码比较长放在函数linearized_cost.m里统一处理。实际项目中我强烈建议默认走线性化路线虽然系数矩阵变大但求解稳定性好得多。深度调峰损耗项里的max(0, gen_param(i,3) - P(t,i))本质上是 max 函数非光滑。YALMIP 在 MIQP 框架下能处理这种形式但为了稳妥我一般引入辅助变量dp(t,i)代替 max并加约束dp(t,i) gen_param(i,3) - P(t,i); dp(t,i) 0;然后用 dp 的加权和作为该部分成本。这个技巧建议收藏很多需要分段计费的成本比如阶梯电价、阶梯碳价都可以照这个套路建模。5.2 成本量化模块UC 求解完成后需要把结果拆解成成本结构清单。我写了一个后处理函数输出各类成本的数值% 成本量化模块 cost_report.m function report cost_report(P, u, SU, SD, gen_param, cost_param, T, ng) report.fuel_cost 0; report.startup_cost 0; report.shutdown_cost 0; report.deep_peakshaving_cost 0; for t 1:T for i 1:ng report.fuel_cost report.fuel_cost ... cost_param(i,1)*P(t,i)^2 cost_param(i,2)*P(t,i) cost_param(i,3)*u(t,i); report.startup_cost report.startup_cost cost_param(i,4)*SU(t,i); report.shutdown_cost report.shutdown_cost cost_param(i,4)*SD(t,i); if P(t,i) gen_param(i,3) report.deep_peakshaving_cost report.deep_peakshaving_cost ... cost_param(i,5) * (gen_param(i,3) - P(t,i)); end end end end跑完基准场景和含新能源场景后ΔC C_re − C_base就得到调峰成本增量。我习惯把这个增量再拆成“煤耗增量”“启停增量”“深度调峰增量”三部分画一张堆积柱状图。这样能直观看出新能源并网后成本涨在哪里是频繁启停带来的还是深度调峰工况变多导致的。5.3 Shapley 值分摊模块在 3.2 节已经给出了 Shapley 值计算的核心循环。实际使用时v_func函数需要接收联盟掩码向量返回该联盟对应的调峰成本增量。实现如下% 联盟成本函数 function deltaC coalition_cost(mask, Nw, base_cost, ... wind_profile, load_profile, gen_param, cost_param) % 根据mask确定接入哪些新能源场站 active find(mask(1:Nw) 1); wind_active sum(wind_profile(:, active), 2); T length(load_profile); % 构造UC模型并求解返回总成本 total_cost solve_uc(wind_active, 0, gen_param, cost_param); deltaC total_cost - base_cost; end注意每次调用solve_uc都是独立求解一个 UC 问题中间不共享信息。当联盟数量较多时这是很自然的并行化切入点。Matlab 的parfor可以直接替换外层循环把 N 个 Shapley 值计算并行化实测 6 个场站、24 个时段的问题并行后耗时能从几分钟降到几十秒。另一个工程技巧是对称性缩减。如果两个场站的出力序列完全一致比如同一风电基地的两期项目它们在 Shapley 值计算中地位等同可以合并为一个参与者权重按场站容量折算能大幅减少联盟数量。同时对于出力曲线相似度超过阈值的场站可以先用 K-means 聚类把同质场站聚合成一个集群再对集群做 Shapley 值分摊最后按组内容量比例二次分摊。这种方法在参与主体多、数据差异小的场景下特别好用。5.4 结果可视化结果可视化我用三张图搞定第一张是净负荷曲线图把原始负荷、新能源出力、净负荷画在同一张图上直观展示峰谷差变化。第二张是机组组合甘特图横轴是时间纵轴是机组编号用色块表示启停状态。这张图能快速暴露模型问题比如某台机组频繁启停、或者出力长时间贴着上下限。第三张是分摊结果堆积柱状图每个新能源场站一根柱子柱子里按常规煤耗、启停、深度调峰三类成本分层填色。这张图是交付报告的核心直接回答“谁该承担多少”。figure; bar_handle bar(cost_share_matrix, stacked); legend({煤耗成本增量, 启停成本增量, 深度调峰成本增量}, Location, northwest); set(gca, XTickLabel, {风电场1, 风电场2, 光伏站1, 光伏站2}); ylabel(分摊成本万元); title(各新能源场站调峰成本分摊结果); grid on;6. 工程落地中的常见坑与调试心得6.1 求解不出可行解的排查思路这是做 UC 最常遇到的坑。模型报“infeasible”的时候先不要怀疑求解器按下面的顺序排查第一检查功率平衡约束是否和机组总容量矛盾。比如负荷低谷时段所有机组都压到最小技术出力仍然大于净负荷那就说明系统中常规机组的最小出力总和过高必须允许某些机组停机。这时要检查最小启停时间约束是否阻止了这些机组停机。第二检查爬坡约束和出力上下限是否冲突。有些机组爬坡速率太慢在 1 小时尺度下从最小出力爬到最大出力需要好几个时段如果在相邻时段强制要求它大幅度调整就会无解。解决办法是把爬坡约束放到机组启停时间窗口中处理或者细化时间分辨率。第三用松弛法定位不可行约束。在约束后面加一个小的非负松弛变量把约束写成“变量 slack 需求”的形式求解后看哪些 slack 不为零不可行的根源就暴露出来了。这个方法虽然会让目标函数略微失真但作为调试工具非常有效。6.2 Shapley 值计算组合爆炸的简化处理前面提过N 个参与者的 Shapley 值需要 2^N 次 UC 求解N 超过 12 基本就受不了。我实际项目里用过两个替代方案方案一是抽样估计。从所有联盟中等概率抽取 M 个子集用这些子集的 v(S) 值通过回归或者随机采样近似 Shapley 值Matlab 里可以直接调fitrgp做高斯过程代理模型M 取 1000~3000 时精度就比较可观了。方案二是 Douglas 分解或者按时间窗口拆解。调峰成本本质上与净负荷曲线形态强相关可以把 24 小时按峰、平、谷分成三个典型时段先分别计算各时段的调峰成本增量再在各时段内部用 Shapley 值分摊最后按时段加权汇总成全天结果。时间窗口拆解后每个窗口内的 UC 问题规模变小求解速度显著提升而且不会损失太多精度。如果只是做工程结算我更推荐前面的指标分摊法配合 3~5 个典型场景做灵敏度分析基本就能满足报告要求了。6.3 结果合理性校验技巧模型跑完不等于结果可靠拿到数字先做三件事第一检查总成本与分项成本比例。正常情况下煤耗成本占大头启停成本次之深度调峰损耗最小。如果算出来深度调峰成本占了一半以上先检查是不是把深度调峰区间设置得太宽或者补偿系数 k_dp 取值过大。第二检查 Shapley 值之和是否严格等于调峰成本增量 ΔC。这是 Shapley 值有效性的数学性质任何代码实现都不能违背。如果对不上优先检查联盟成本函数 v(S) 是否一致特别是基准成本 base_cost 有没有在每次调用时都被正确扣除。第三把结果和物理直觉对照。比如某风电场夜间的出力高峰正好对应负荷低谷那么它的深度调峰责任一定大某光伏站在午间强出力时段反而帮助削峰它的分摊额应相对较小。如果计算结果与这些直觉明显矛盾大概率是数据预处理出了问题比如时间对齐错误、出力序列单位不统一。我在实际项目里曾经因为把小时数据和分钟数据混在一起导致净负荷曲线出现严重跳变UC 结果完全失真。查了一天最后发现是xlsread读数据时多读了一列。所以强烈建议在做任何计算前先用plot把每条输入曲线画出来看一遍这个习惯能省掉大量排查时间。最后再说一个小技巧。整套模型跑完后一定要把机组组合结果和成本结构导出成 Excel 或 CSV方便在报告中直接引用。Matlab 的writetable可以一行代码把表格数据写出去result_table table(load_profile, sum(wind_profile,2), sum(P,2), ... VariableNames, {Load, Wind, Thermal}); writetable(result_table, dispatch_result.xlsx);这个项目做完后我最大的体会是调峰成本建模的难点往往不在数学公式而在“基准场景定义”和“成本边界划分”这两个看似简单的问题上。基准场景稍微变一下成本增量就能差出百分之三四十深度调峰成本算不算启停损失各家理解也不一致。做这类课题之前先把边界条件和各方利益诉求摸清楚想清楚分摊结果拿来做什么用——是作为市场结算依据还是作为政策评估参考——再决定用多复杂的模型。模型不是越复杂越好但代码框架一定得留足扩展空间因为等新能源占比再上一个台阶储能、需求响应、抽蓄这些调节资源都会被纳入进来现在的分摊模型很可能要在这个框架上继续长出新东西。