简介这份资源面向电力系统调度、储能优化方向的学习者与研究人员聚焦火电机组与储能电站的联合调度问题帮助理解如何通过协同运行提升电网效率与供电稳定性。包内共1个文件为Matlab编写的.m源码压缩包约1KB核心内容围绕火电与电池储能的联合优化建模展开涉及数学建模、优化算法与实时数据处理等环节。资源标签涵盖储能调度、储能优化、thermalpowerplant与电网储能适合具备一定电力系统基础、希望动手复现联合调度算法的读者。目前已有433人学习下载可作为研究储能与火电协同调度的入门参考帮助读者梳理1分钟级高频调度下的充放电策略、约束条件与目标函数设计思路并对照代码理解优化算法在电网储能场景中的落地方式为后续扩展至抽水蓄能、可再生能源波动平抑等场景提供可借鉴的代码框架与建模视角。1. 储能调度与 Joint optimization从一次真实的电网侧考核说起去年冬天一个省级电网侧储能电站的调度曲线被考核得很难看。电站按峰谷套利逻辑充放白天光伏大发时段充电、晚高峰放电单看储能本身收益不错但整条联络线的负荷波动反而变大了火电机组被迫频繁深度调峰煤耗上升、考核罚款直接吃掉储能收益。问题不在储能设备而在调度目标只优化了储能自己没有和 thermalpowerplant 火电机组的运行成本放在同一个目标函数里。这就是 Joint optimization 储能调度要解决的事把储能充放策略、火电出力计划、电网联络线功率约束放进一个联合优化模型里同时求解而不是各算各的。它适合电网调度、储能电站运营、新能源场站配储的从业者也适合做电力系统优化的算法工程师。下面从建模、求解到落地踩坑把这条路走一遍。2. 联合优化模型怎么搭目标函数、约束与时间尺度2.1 为什么不能把储能和火电分开优化分开优化的典型做法是储能按峰谷价差独立决策火电按日前负荷预测安排出力。两者之间只通过联络线功率间接耦合没有任何协调。这种解在数学上叫序贯优化它得到的联合成本一定不低于通常明显高于联合优化的全局最优解。原因在于储能充电会抬高净负荷火电需要多出力储能放电会压低净负荷火电需要降出力。火电的煤耗曲线是凸的频繁在低负荷和额定负荷之间切换单位煤耗会显著上升。如果储能调度时不知道火电的成本曲线它就会选择那些对自己套利最有利、但对火电最不友好的充放时段。联合优化的核心思路是把两者放进同一个目标函数min Σ_t [ C_fuel(P_thermal(t)) C_startup(t) C_deg(P_bess(t)) - R_arbitrage(t) ]其中 C_fuel 是火电燃料成本通常是出力的二次函数C_startup 是启停成本C_deg 是储能充放带来的寿命衰减成本常用吞吐量线性折算R_arbitrage 是储能峰谷套利收益。约束包括功率平衡、火电出力上下限和爬坡率、储能 SOC 上下限和充放功率限值、联络线功率限值。这样求解出来的储能充放曲线会自动避开那些会让火电成本飙升的时段。2.2 时间尺度选择15 分钟还是 1 小时时间分辨率直接决定模型规模和求解难度。常见做法是日前调度用 1 小时粒度、24 个时段日内滚动用 15 分钟粒度、96 个时段。1 小时粒度下火电爬坡约束比较宽松储能 SOC 变化也平缓求解快适合做日前计划。15 分钟粒度能捕捉到光伏出力短时波动和负荷尖峰但变量数翻四倍MILP 求解时间可能从几秒涨到几分钟。我一般会做两步先用 1 小时粒度求日前计划再把日前计划作为初始解用 15 分钟粒度做日内滚动修正。滚动窗口取 4 小时、步长 15 分钟只优化窗口内变量窗口外固定为日前计划值。这样既保证了精度又不至于让求解器跑不动。2.3 储能退化成本怎么建模才不离谱很多模型把储能退化成本设成一个很小的常数结果求解器为了省火电成本让储能一天两充两放甚至三充三放实际运行几个月后容量衰减远超预期。合理的做法是按吞吐量线性折算每 MWh 吞吐量对应一个衰减成本系数这个系数可以从电池厂家的循环寿命曲线反推。假设电池循环寿命 6000 次、每次循环吞吐 2 MWh、更换成本 200 万元那么每 MWh 吞吐的退化成本约为 200万 / (6000 × 2) ≈ 167 元/MWh。这个值放进目标函数后储能就不会为了几块钱的峰谷价差去频繁充放。参数需要根据实际电池类型和更换成本调整磷酸铁锂和三元锂的循环寿命差异很大不能混用。3. 用 Python Pyomo 跑通一个最小联合调度算例3.1 环境准备与数据构造先装依赖。Pyomo 负责建模HiGHS 或 CBC 负责求解 MILPpandas 处理时序数据。pip install pyomo pandas highspy # 如果 HiGHS 装不上可以用 CBCconda install -c conda-forge coincbc构造一条 24 小时的净负荷曲线和光伏出力曲线。净负荷 总负荷 - 光伏出力火电和储能共同满足净负荷。import numpy as np import pandas as pd T 24 hours np.arange(T) # 净负荷夜间高、午间低光伏顶掉一部分 net_load np.array([320, 300, 290, 285, 290, 310, 350, 380, 400, 410, 390, 360, 340, 350, 370, 390, 410, 430, 450, 440, 420, 390, 360, 340], dtypefloat) # 峰谷电价尖峰、高峰、平段、低谷 price np.array([0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.65, 0.65, 1.05, 1.05, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 1.05, 1.05, 1.05, 0.65, 0.65, 0.35, 0.35, 0.35]) df pd.DataFrame({hour: hours, net_load: net_load, price: price}) print(df.head())这段代码构造了 24 个时段的净负荷和电价。净负荷单位是 MW电价单位是元/kWh。实际项目中这些数据来自 SCADA 和电力交易中心这里用模拟数据保证可复现。3.2 Pyomo 建模目标函数与约束import pyomo.environ as pyo m pyo.ConcreteModel() m.T pyo.RangeSet(0, T - 1) # 火电参数 P_th_max 500.0 # 火电最大出力 MW P_th_min 150.0 # 火电最小出力 MW ramp_up 80.0 # 上爬坡 MW/h ramp_dn 80.0 # 下爬坡 MW/h a, b, c 0.001, 0.28, 12.0 # 煤耗成本系数 # 储能参数 P_ch_max 100.0 # 最大充电功率 MW P_dis_max 100.0 # 最大放电功率 MW E_max 400.0 # 容量 MWh SOC_min 0.1 SOC_max 0.9 eta_ch 0.95 eta_dis 0.95 deg_cost 167.0 # 元/MWh 吞吐退化成本 # 变量 m.P_th pyo.Var(m.T, bounds(P_th_min, P_th_max)) m.P_ch pyo.Var(m.T, bounds(0, P_ch_max)) m.P_dis pyo.Var(m.T, bounds(0, P_dis_max)) m.SOC pyo.Var(m.T, bounds(SOC_min, SOC_max)) m.u_ch pyo.Var(m.T, domainpyo.Binary) m.u_dis pyo.Var(m.T, domainpyo.Binary) # 目标函数火电燃料成本 储能退化成本 - 套利收益 def obj_rule(m): fuel sum(a * m.P_th[t]**2 b * m.P_th[t] c for t in m.T) deg sum(deg_cost * (m.P_ch[t] m.P_dis[t]) / 1000 for t in m.T) arb sum(price[t] * (m.P_dis[t] - m.P_ch[t]) * 1000 for t in m.T) return fuel deg - arb m.obj pyo.Objective(ruleobj_rule, sensepyo.minimize) # 功率平衡 def balance_rule(m, t): return m.P_th[t] m.P_dis[t] - m.P_ch[t] net_load[t] m.balance pyo.Constraint(m.T, rulebalance_rule) # 火电爬坡 def ramp_up_rule(m, t): if t 0: return pyo.Constraint.Skip return m.P_th[t] - m.P_th[t-1] ramp_up m.ramp_up pyo.Constraint(m.T, ruleramp_up_rule) def ramp_dn_rule(m, t): if t 0: return pyo.Constraint.Skip return m.P_th[t-1] - m.P_th[t] ramp_dn m.ramp_dn pyo.Constraint(m.T, ruleramp_dn_rule) # SOC 递推 def soc_rule(m, t): if t 0: return m.SOC[t] 0.5 (eta_ch * m.P_ch[t] - m.P_dis[t] / eta_dis) / E_max return m.SOC[t] m.SOC[t-1] (eta_ch * m.P_ch[t] - m.P_dis[t] / eta_dis) / E_max m.soc pyo.Constraint(m.T, rulesoc_rule) # 充放互斥 def mutex_rule(m, t): return m.u_ch[t] m.u_dis[t] 1 m.mutex pyo.Constraint(m.T, rulemutex_rule) def ch_limit_rule(m, t): return m.P_ch[t] P_ch_max * m.u_ch[t] m.ch_limit pyo.Constraint(m.T, rulech_limit_rule) def dis_limit_rule(m, t): return m.P_dis[t] P_dis_max * m.u_dis[t] m.dis_limit pyo.Constraint(m.T, ruledis_limit_rule)目标函数里火电燃料成本用二次函数储能退化成本按吞吐量线性折算套利收益是放电收入减充电支出。约束部分功率平衡保证火电加储能放电减储能充电等于净负荷爬坡约束限制火电相邻时段出力变化SOC 递推描述储能电量变化充放互斥用二进制变量保证同一时段不会同时充放。参数说明deg_cost 取 167 元/MWh 是前面算的示例值实际要按电池采购合同里的循环寿命和更换成本重新算。eta_ch 和 eta_dis 取 0.95 是常见工程值如果电站有实测效率曲线应该用分段线性化替代固定效率。3.3 求解与结果解读solver pyo.SolverFactory(highs) results solver.solve(m, teeFalse) print(f求解状态: {results.solver.status}) print(f目标函数值: {pyo.value(m.obj):.2f} 元) result_df pd.DataFrame({ hour: hours, net_load: net_load, P_th: [pyo.value(m.P_th[t]) for t in m.T], P_ch: [pyo.value(m.P_ch[t]) for t in m.T], P_dis: [pyo.value(m.P_dis[t]) for t in m.T], SOC: [pyo.value(m.SOC[t]) for t in m.T], }) print(result_df.round(2).to_string(indexFalse))求解后重点看三件事火电出力曲线是否平滑、储能是否只在峰谷价差足够大时才充放、SOC 是否在 0.1 到 0.9 之间且首尾接近。如果火电出力频繁触到上下限说明净负荷曲线和火电容量不匹配需要检查 P_th_min 和 P_th_max 设置是否合理。如果储能一天充放超过两次说明退化成本系数偏低求解器在“薅”电池寿命。4. 联合调度落地时最容易翻车的五个地方4.1 火电煤耗曲线用错线性替代二次导致储能策略完全跑偏现象模型求解很快但储能充放时段集中在电价最高的两个小时火电出力在相邻时段剧烈波动实际运行煤耗比预期高 8%。原因为了降低求解难度把火电煤耗成本从二次函数简化成了线性函数。线性成本下火电多出力一 MW 的成本恒定模型没有动力去平滑火电出力储能就会选择最激进的套利策略。解决保留二次项或者用分段线性化逼近二次曲线。分段线性化需要引入额外变量和约束但求解速度比直接二次规划快适合大规模系统。分段数取 5 到 8 段通常够用段数太多收益递减。4.2 SOC 首尾不闭合第二天调度计划直接失效现象日前计划求解成功但第二天早上储能 SOC 只有 0.15而计划假设是 0.5日内滚动修正时储能没有足够电量放电晚高峰出现功率缺额。原因SOC 递推约束只写了相邻时段关系没有约束最后一时段的 SOC 等于初始 SOC。求解器为了最大化套利会把电池“用干”。解决加一条终端约束m.SOC[T-1] 0.5或者允许一定偏差但加惩罚项。如果做多日滚动终端 SOC 应该等于下一日初始 SOC形成闭环。4.3 充放互斥约束太松储能同时充放导致 SOC 计算失真现象结果里某些时段 P_ch 和 P_dis 都大于零SOC 变化和预期不符。原因只加了u_ch u_dis 1但没把 P_ch 和 P_dis 与二进制变量绑定或者求解器容差设置过大把 0.001 的充放功率当成了有效值。解决确保P_ch P_ch_max * u_ch和P_dis P_dis_max * u_dis两条约束都在。求解器容差可以设到 1e-6但不要为了追求“干净”的解把容差设得太小否则求解时间会暴涨。工程上允许 0.01 MW 以内的同时充放对 SOC 影响可以忽略。4.4 联络线功率约束漏写储能套利把线路潮流推到越限现象模型算出来的储能充放策略在仿真里运行联络线功率多次超过热稳定极限。原因目标函数和约束里只考虑了功率平衡没有把联络线功率作为独立约束。储能充电时相当于增加本地负荷放电时相当于减少本地负荷如果储能容量占联络线输送容量比例较大充放策略会直接改变线路潮流。解决加联络线功率约束-P_line_max P_line(t) P_line_max其中 P_line(t) 根据网络拓扑由火电出力和储能充放共同决定。如果是辐射状配电网可以用灵敏度因子近似如果是输电网需要直流潮流模型。4.5 求解器选型不当MILP 问题用 NLP 求解器跑到天亮现象模型里既有二进制变量又有二次目标函数用 IPOPT 求解跑了半小时还没出结果。原因IPOPT 是 NLP 求解器不擅长处理二进制变量。充放互斥约束引入了二进制变量问题变成 MINLP求解难度比 MILP 高一个量级。解决如果火电成本二次项可以接受分段线性化整个问题就变成 MILP用 HiGHS 或 CBC 几秒内出解。如果必须保留二次项可以用 Gurobi 或 CPLEX 的 MIQP 求解器但要注意许可证成本。开源方案里HiGHS 对 MILP 支持很好SCIP 对 MINLP 支持较好但速度慢。5. 从日前计划到日内滚动联合优化的进阶用法与验证习惯日前计划做完只是第一步真正决定收益的是日内滚动修正。我一般会保留日前计划作为基准每 15 分钟用最新超短期预测更新净负荷和光伏出力在 4 小时滚动窗口内重新求解但只执行第一个时段的储能充放指令。这样既跟踪了实际工况又不会因为预测误差导致策略频繁翻转。验证联合优化效果不能只看目标函数值降了多少要看三个指标火电出力标准差、储能日均吞吐量、联络线功率越限次数。火电出力标准差下降说明联合优化真的在平滑火电储能日均吞吐量下降说明退化成本在起作用联络线越限次数为零说明约束写全了。我习惯在模型上线前跑一周历史数据回测把这三个指标和独立优化方案对比如果火电标准差没降或者储能吞吐量反而升了说明目标函数权重需要调。还有一个容易忽略的点储能 SOC 的初始值。日前计划假设 SOC 从 0.5 开始但实际运行中每天结束时的 SOC 取决于当天策略。如果做多日连续优化应该把 SOC 作为跨日状态变量而不是每天重置。我现在的做法是保留一个 SOC 滚动文件每天优化前读取实际 SOC 作为初始值优化结束后把最后一个时段的 SOC 写回去。这个习惯帮我避免了好几次“计划电量对不上实际电量”的翻车。联合优化不是一劳永逸的净负荷曲线、电价政策、电池衰减都在变。我一般每季度重新校准一次退化成本系数每半年重新拟合一次火电煤耗曲线。这些参数不更新模型算得再快也是刻舟求剑。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/13 1:19:19 · 阅读 1.2k 储能调度联合优化：Python+Pyomo实战与避坑指南
简介这份资源面向电力系统调度、储能优化方向的学习者与研究人员聚焦火电机组与储能电站的联合调度问题帮助理解如何通过协同运行提升电网效率与供电稳定性。包内共1个文件为Matlab编写的.m源码压缩包约1KB核心内容围绕火电与电池储能的联合优化建模展开涉及数学建模、优化算法与实时数据处理等环节。资源标签涵盖储能调度、储能优化、thermalpowerplant与电网储能适合具备一定电力系统基础、希望动手复现联合调度算法的读者。目前已有433人学习下载可作为研究储能与火电协同调度的入门参考帮助读者梳理1分钟级高频调度下的充放电策略、约束条件与目标函数设计思路并对照代码理解优化算法在电网储能场景中的落地方式为后续扩展至抽水蓄能、可再生能源波动平抑等场景提供可借鉴的代码框架与建模视角。1. 储能调度与 Joint optimization从一次真实的电网侧考核说起去年冬天一个省级电网侧储能电站的调度曲线被考核得很难看。电站按峰谷套利逻辑充放白天光伏大发时段充电、晚高峰放电单看储能本身收益不错但整条联络线的负荷波动反而变大了火电机组被迫频繁深度调峰煤耗上升、考核罚款直接吃掉储能收益。问题不在储能设备而在调度目标只优化了储能自己没有和 thermalpowerplant 火电机组的运行成本放在同一个目标函数里。这就是 Joint optimization 储能调度要解决的事把储能充放策略、火电出力计划、电网联络线功率约束放进一个联合优化模型里同时求解而不是各算各的。它适合电网调度、储能电站运营、新能源场站配储的从业者也适合做电力系统优化的算法工程师。下面从建模、求解到落地踩坑把这条路走一遍。2. 联合优化模型怎么搭目标函数、约束与时间尺度2.1 为什么不能把储能和火电分开优化分开优化的典型做法是储能按峰谷价差独立决策火电按日前负荷预测安排出力。两者之间只通过联络线功率间接耦合没有任何协调。这种解在数学上叫序贯优化它得到的联合成本一定不低于通常明显高于联合优化的全局最优解。原因在于储能充电会抬高净负荷火电需要多出力储能放电会压低净负荷火电需要降出力。火电的煤耗曲线是凸的频繁在低负荷和额定负荷之间切换单位煤耗会显著上升。如果储能调度时不知道火电的成本曲线它就会选择那些对自己套利最有利、但对火电最不友好的充放时段。联合优化的核心思路是把两者放进同一个目标函数min Σ_t [ C_fuel(P_thermal(t)) C_startup(t) C_deg(P_bess(t)) - R_arbitrage(t) ]其中 C_fuel 是火电燃料成本通常是出力的二次函数C_startup 是启停成本C_deg 是储能充放带来的寿命衰减成本常用吞吐量线性折算R_arbitrage 是储能峰谷套利收益。约束包括功率平衡、火电出力上下限和爬坡率、储能 SOC 上下限和充放功率限值、联络线功率限值。这样求解出来的储能充放曲线会自动避开那些会让火电成本飙升的时段。2.2 时间尺度选择15 分钟还是 1 小时时间分辨率直接决定模型规模和求解难度。常见做法是日前调度用 1 小时粒度、24 个时段日内滚动用 15 分钟粒度、96 个时段。1 小时粒度下火电爬坡约束比较宽松储能 SOC 变化也平缓求解快适合做日前计划。15 分钟粒度能捕捉到光伏出力短时波动和负荷尖峰但变量数翻四倍MILP 求解时间可能从几秒涨到几分钟。我一般会做两步先用 1 小时粒度求日前计划再把日前计划作为初始解用 15 分钟粒度做日内滚动修正。滚动窗口取 4 小时、步长 15 分钟只优化窗口内变量窗口外固定为日前计划值。这样既保证了精度又不至于让求解器跑不动。2.3 储能退化成本怎么建模才不离谱很多模型把储能退化成本设成一个很小的常数结果求解器为了省火电成本让储能一天两充两放甚至三充三放实际运行几个月后容量衰减远超预期。合理的做法是按吞吐量线性折算每 MWh 吞吐量对应一个衰减成本系数这个系数可以从电池厂家的循环寿命曲线反推。假设电池循环寿命 6000 次、每次循环吞吐 2 MWh、更换成本 200 万元那么每 MWh 吞吐的退化成本约为 200万 / (6000 × 2) ≈ 167 元/MWh。这个值放进目标函数后储能就不会为了几块钱的峰谷价差去频繁充放。参数需要根据实际电池类型和更换成本调整磷酸铁锂和三元锂的循环寿命差异很大不能混用。3. 用 Python Pyomo 跑通一个最小联合调度算例3.1 环境准备与数据构造先装依赖。Pyomo 负责建模HiGHS 或 CBC 负责求解 MILPpandas 处理时序数据。pip install pyomo pandas highspy # 如果 HiGHS 装不上可以用 CBCconda install -c conda-forge coincbc构造一条 24 小时的净负荷曲线和光伏出力曲线。净负荷 总负荷 - 光伏出力火电和储能共同满足净负荷。import numpy as np import pandas as pd T 24 hours np.arange(T) # 净负荷夜间高、午间低光伏顶掉一部分 net_load np.array([320, 300, 290, 285, 290, 310, 350, 380, 400, 410, 390, 360, 340, 350, 370, 390, 410, 430, 450, 440, 420, 390, 360, 340], dtypefloat) # 峰谷电价尖峰、高峰、平段、低谷 price np.array([0.35, 0.35, 0.35, 0.35, 0.35, 0.35, 0.65, 0.65, 1.05, 1.05, 0.65, 0.65, 0.65, 0.65, 0.65, 0.65, 1.05, 1.05, 1.05, 0.65, 0.65, 0.35, 0.35, 0.35]) df pd.DataFrame({hour: hours, net_load: net_load, price: price}) print(df.head())这段代码构造了 24 个时段的净负荷和电价。净负荷单位是 MW电价单位是元/kWh。实际项目中这些数据来自 SCADA 和电力交易中心这里用模拟数据保证可复现。3.2 Pyomo 建模目标函数与约束import pyomo.environ as pyo m pyo.ConcreteModel() m.T pyo.RangeSet(0, T - 1) # 火电参数 P_th_max 500.0 # 火电最大出力 MW P_th_min 150.0 # 火电最小出力 MW ramp_up 80.0 # 上爬坡 MW/h ramp_dn 80.0 # 下爬坡 MW/h a, b, c 0.001, 0.28, 12.0 # 煤耗成本系数 # 储能参数 P_ch_max 100.0 # 最大充电功率 MW P_dis_max 100.0 # 最大放电功率 MW E_max 400.0 # 容量 MWh SOC_min 0.1 SOC_max 0.9 eta_ch 0.95 eta_dis 0.95 deg_cost 167.0 # 元/MWh 吞吐退化成本 # 变量 m.P_th pyo.Var(m.T, bounds(P_th_min, P_th_max)) m.P_ch pyo.Var(m.T, bounds(0, P_ch_max)) m.P_dis pyo.Var(m.T, bounds(0, P_dis_max)) m.SOC pyo.Var(m.T, bounds(SOC_min, SOC_max)) m.u_ch pyo.Var(m.T, domainpyo.Binary) m.u_dis pyo.Var(m.T, domainpyo.Binary) # 目标函数火电燃料成本 储能退化成本 - 套利收益 def obj_rule(m): fuel sum(a * m.P_th[t]**2 b * m.P_th[t] c for t in m.T) deg sum(deg_cost * (m.P_ch[t] m.P_dis[t]) / 1000 for t in m.T) arb sum(price[t] * (m.P_dis[t] - m.P_ch[t]) * 1000 for t in m.T) return fuel deg - arb m.obj pyo.Objective(ruleobj_rule, sensepyo.minimize) # 功率平衡 def balance_rule(m, t): return m.P_th[t] m.P_dis[t] - m.P_ch[t] net_load[t] m.balance pyo.Constraint(m.T, rulebalance_rule) # 火电爬坡 def ramp_up_rule(m, t): if t 0: return pyo.Constraint.Skip return m.P_th[t] - m.P_th[t-1] ramp_up m.ramp_up pyo.Constraint(m.T, ruleramp_up_rule) def ramp_dn_rule(m, t): if t 0: return pyo.Constraint.Skip return m.P_th[t-1] - m.P_th[t] ramp_dn m.ramp_dn pyo.Constraint(m.T, ruleramp_dn_rule) # SOC 递推 def soc_rule(m, t): if t 0: return m.SOC[t] 0.5 (eta_ch * m.P_ch[t] - m.P_dis[t] / eta_dis) / E_max return m.SOC[t] m.SOC[t-1] (eta_ch * m.P_ch[t] - m.P_dis[t] / eta_dis) / E_max m.soc pyo.Constraint(m.T, rulesoc_rule) # 充放互斥 def mutex_rule(m, t): return m.u_ch[t] m.u_dis[t] 1 m.mutex pyo.Constraint(m.T, rulemutex_rule) def ch_limit_rule(m, t): return m.P_ch[t] P_ch_max * m.u_ch[t] m.ch_limit pyo.Constraint(m.T, rulech_limit_rule) def dis_limit_rule(m, t): return m.P_dis[t] P_dis_max * m.u_dis[t] m.dis_limit pyo.Constraint(m.T, ruledis_limit_rule)目标函数里火电燃料成本用二次函数储能退化成本按吞吐量线性折算套利收益是放电收入减充电支出。约束部分功率平衡保证火电加储能放电减储能充电等于净负荷爬坡约束限制火电相邻时段出力变化SOC 递推描述储能电量变化充放互斥用二进制变量保证同一时段不会同时充放。参数说明deg_cost 取 167 元/MWh 是前面算的示例值实际要按电池采购合同里的循环寿命和更换成本重新算。eta_ch 和 eta_dis 取 0.95 是常见工程值如果电站有实测效率曲线应该用分段线性化替代固定效率。3.3 求解与结果解读solver pyo.SolverFactory(highs) results solver.solve(m, teeFalse) print(f求解状态: {results.solver.status}) print(f目标函数值: {pyo.value(m.obj):.2f} 元) result_df pd.DataFrame({ hour: hours, net_load: net_load, P_th: [pyo.value(m.P_th[t]) for t in m.T], P_ch: [pyo.value(m.P_ch[t]) for t in m.T], P_dis: [pyo.value(m.P_dis[t]) for t in m.T], SOC: [pyo.value(m.SOC[t]) for t in m.T], }) print(result_df.round(2).to_string(indexFalse))求解后重点看三件事火电出力曲线是否平滑、储能是否只在峰谷价差足够大时才充放、SOC 是否在 0.1 到 0.9 之间且首尾接近。如果火电出力频繁触到上下限说明净负荷曲线和火电容量不匹配需要检查 P_th_min 和 P_th_max 设置是否合理。如果储能一天充放超过两次说明退化成本系数偏低求解器在“薅”电池寿命。4. 联合调度落地时最容易翻车的五个地方4.1 火电煤耗曲线用错线性替代二次导致储能策略完全跑偏现象模型求解很快但储能充放时段集中在电价最高的两个小时火电出力在相邻时段剧烈波动实际运行煤耗比预期高 8%。原因为了降低求解难度把火电煤耗成本从二次函数简化成了线性函数。线性成本下火电多出力一 MW 的成本恒定模型没有动力去平滑火电出力储能就会选择最激进的套利策略。解决保留二次项或者用分段线性化逼近二次曲线。分段线性化需要引入额外变量和约束但求解速度比直接二次规划快适合大规模系统。分段数取 5 到 8 段通常够用段数太多收益递减。4.2 SOC 首尾不闭合第二天调度计划直接失效现象日前计划求解成功但第二天早上储能 SOC 只有 0.15而计划假设是 0.5日内滚动修正时储能没有足够电量放电晚高峰出现功率缺额。原因SOC 递推约束只写了相邻时段关系没有约束最后一时段的 SOC 等于初始 SOC。求解器为了最大化套利会把电池“用干”。解决加一条终端约束m.SOC[T-1] 0.5或者允许一定偏差但加惩罚项。如果做多日滚动终端 SOC 应该等于下一日初始 SOC形成闭环。4.3 充放互斥约束太松储能同时充放导致 SOC 计算失真现象结果里某些时段 P_ch 和 P_dis 都大于零SOC 变化和预期不符。原因只加了u_ch u_dis 1但没把 P_ch 和 P_dis 与二进制变量绑定或者求解器容差设置过大把 0.001 的充放功率当成了有效值。解决确保P_ch P_ch_max * u_ch和P_dis P_dis_max * u_dis两条约束都在。求解器容差可以设到 1e-6但不要为了追求“干净”的解把容差设得太小否则求解时间会暴涨。工程上允许 0.01 MW 以内的同时充放对 SOC 影响可以忽略。4.4 联络线功率约束漏写储能套利把线路潮流推到越限现象模型算出来的储能充放策略在仿真里运行联络线功率多次超过热稳定极限。原因目标函数和约束里只考虑了功率平衡没有把联络线功率作为独立约束。储能充电时相当于增加本地负荷放电时相当于减少本地负荷如果储能容量占联络线输送容量比例较大充放策略会直接改变线路潮流。解决加联络线功率约束-P_line_max P_line(t) P_line_max其中 P_line(t) 根据网络拓扑由火电出力和储能充放共同决定。如果是辐射状配电网可以用灵敏度因子近似如果是输电网需要直流潮流模型。4.5 求解器选型不当MILP 问题用 NLP 求解器跑到天亮现象模型里既有二进制变量又有二次目标函数用 IPOPT 求解跑了半小时还没出结果。原因IPOPT 是 NLP 求解器不擅长处理二进制变量。充放互斥约束引入了二进制变量问题变成 MINLP求解难度比 MILP 高一个量级。解决如果火电成本二次项可以接受分段线性化整个问题就变成 MILP用 HiGHS 或 CBC 几秒内出解。如果必须保留二次项可以用 Gurobi 或 CPLEX 的 MIQP 求解器但要注意许可证成本。开源方案里HiGHS 对 MILP 支持很好SCIP 对 MINLP 支持较好但速度慢。5. 从日前计划到日内滚动联合优化的进阶用法与验证习惯日前计划做完只是第一步真正决定收益的是日内滚动修正。我一般会保留日前计划作为基准每 15 分钟用最新超短期预测更新净负荷和光伏出力在 4 小时滚动窗口内重新求解但只执行第一个时段的储能充放指令。这样既跟踪了实际工况又不会因为预测误差导致策略频繁翻转。验证联合优化效果不能只看目标函数值降了多少要看三个指标火电出力标准差、储能日均吞吐量、联络线功率越限次数。火电出力标准差下降说明联合优化真的在平滑火电储能日均吞吐量下降说明退化成本在起作用联络线越限次数为零说明约束写全了。我习惯在模型上线前跑一周历史数据回测把这三个指标和独立优化方案对比如果火电标准差没降或者储能吞吐量反而升了说明目标函数权重需要调。还有一个容易忽略的点储能 SOC 的初始值。日前计划假设 SOC 从 0.5 开始但实际运行中每天结束时的 SOC 取决于当天策略。如果做多日连续优化应该把 SOC 作为跨日状态变量而不是每天重置。我现在的做法是保留一个 SOC 滚动文件每天优化前读取实际 SOC 作为初始值优化结束后把最后一个时段的 SOC 写回去。这个习惯帮我避免了好几次“计划电量对不上实际电量”的翻车。联合优化不是一劳永逸的净负荷曲线、电价政策、电池衰减都在变。我一般每季度重新校准一次退化成本系数每半年重新拟合一次火电煤耗曲线。这些参数不更新模型算得再快也是刻舟求剑。希望帮到你。本文还有配套的精品资源点击获取