企业官网建设流程全解析

微电网配储能这件事，说穿了跟买充电宝一个道理：容量装小了，该放电的时候顶不上，光伏白扔的多了，心里就烦躁；容量装大了，贴着电芯、变压器、柜体一整套成本上去，三年五年回不了本，老板就烦躁。我当年第一次做微电网容量规划的时候，被领导问“你到底要配多大”，我只能拍脑袋按“听说附近园区配了2MWh”来答，结果设计院一复核，差出将近一倍，项目差点被否掉。后来把混合整数规划（MILP）这套东西捡起来，用MATLAB把约束一条条写成矩阵，跑出可解释、能溯源的结果，才真正把这个问题从“经验估算”变成“数学优化”。

这篇东西不是讲理论推导，也不涉及那些花哨的智能算法，就是实打实把微电网电池容量选型的完整流程走一遍：把成本、收益、运行约束翻译成线性约束，写进MATLAB的intlinprog求解器，让它自己告诉我们“电池装多大最划算”。适合正在做微电网方案、储能规划、园区能源管理的工程师，也适合准备做相关毕业设计的学生参考。你不需要一开始就懂凸优化，跟着把模型建出来、把代码跑通，实际上就理解了大半。

1. 为什么电池容量是个典型的"充电宝问题"

1.1 小容量与大容量的矛盾在哪

我们先把问题具象化。微电网里配电池，本质上服务于两个目的：一是把光伏中午发得多余的电搬去晚上用，解决“弃光”或者说“自发自用率不够高”的问题；二是在峰谷电价背景下搞价差套利，低谷充电、尖峰放电，降低综合用电成本。当然还有削峰填谷、需求响应、离网备电等附加价值，但如果连最基础的容量账都算不平，后面的功能就更没有说服力。

电池容量的矛盾在于：容量越大，可转移的电量越多，节省的电费理论上也越多；但容量越大，初始投资越大，年化折旧和运维成本也越高。这两条曲线一叠加，总成本通常不是单调的，而是存在一个先降后升的U形区间。我们要找的，就是U形曲线最低点对应的那个容量值。

听起来很直观，但实际操作中麻烦的是：容量和功率这两个量是耦合的。你说要配500kWh容量的电池，那配套的PCS变流器、功率管理系统得按多少kW设计？500kWh的电池组如果只给50kW功率，大倍率放电撑不住；反过来给500kW功率，电池只配500kWh，两小时放完既不经济也不安全。所以这是一个二维优化问题：既要选容量（kWh），也要选功率（kW），而且它们还共同影响充电放电策略。

1.2 为什么拍脑袋不可靠

我做项目早期吃过亏：照抄相邻园区的配置，结果对方是以削峰为主要目标，尖峰负荷集中在傍晚两个小时，配的是高功率短时储能；而我这个项目光伏占比高、午间盈余持续四个小时，需要的反而是长时间、中等功率的系统。两者的容量配比相差一倍以上。

你把这个过程写成程序就会发现，电池容量优化本质上是一个带约束的最优化问题。约束包括功率平衡、荷电状态上下限、充放电功率限制、不能同时充放电等等。其中“不能同时充放电”这类逻辑约束，决定了你不能用普通线性规划解决，必须引入0-1整数变量，然后使用混合整数线性规划（MILP）来求全局最优解。这就是整篇文章的技术主线。

另外要说明：MILP求的是“在给定数据下的最优”，前提是负荷曲线、光伏曲线、电价曲线这些输入是准的。实际项目里这些数据往往来自SCADA系统或预测模型，误差再所难免，所以一般来说，优化结果出来后还要用仿真工具做全工况验证。这个我们放到最后章节讲。

2. 数学模型：把"划算"翻译成约束条件

2.1 决策变量与基础参数

写代码之前，先把数学模型立清楚。我这里用24小时典型日建模，步长1小时，这是一个最常用的起步尺度。实际工程项目如果数据允许，可以扩展到8760小时，模型结构完全一样，只是矩阵规模变大。

决策变量分三组：

第一组是容量配置变量：电池能量容量 $E$（kWh），电池功率容量 $P$（kW）。这两个变量决定我们要花多少钱买电池和配套功率设备，是项目最关心的结果。

第二组是运行变量：每个小时的电池能量状态 $B_t$（kWh），充电功率 $P_t^{ch}$（kW），放电功率 $P_t^{dis}$（kW）。

第三组是辅助变量：每个小时从电网买入的电量 $P_t^{buy}$（kW），向电网卖出的电量 $P_t^{sell}$（kW），以及两个0-1变量 $\delta_t^{ch}$、$\delta_t^{dis}$，分别表示当前小时是否处于充电状态、是否处于放电状态。

我在MATLAB里的变量排列顺序很固定，方便后续组装矩阵：先放E和P，然后24个小时的B，接着24个小时的充电功率、放电功率、购电功率、售电功率，最后是两组0-1标志位。总的变量数是170个，其中整数变量26个。这个规模对intlinprog来说非常轻松，秒级就能求解。

2.2 目标函数：年化成本怎么拆

目标函数是所有成本的年化加总，包括资本成本和运行成本两部分。

资本成本包含容量成本 $C_E \times E$ 和功率成本 $C_P \times P$。为什么功率也要单独计成本？因为电池系统不只是电芯，还包括PCS变流器、变压器、断路器等功率器件，这部分费用跟放电倍率和并网功率强相关，不能和能量容量混在一起算。

但资本成本是一次性投入，运行成本是每年都发生的，不能直接相加。这里用一个标准的年化系数把固定资产投资折算成等额年值：

$$AF = \frac{r(1+r)^N}{(1+r)^N - 1}$$

其中 $r$ 是折现率或贷款利率，$N$ 是项目寿命年限。比如我算例里取 $r=5%$，$N=15$ 年，则 $AF \approx 0.0963$。意思是一笔100万元的投资，折到15年每年相当于9.63万元。这个处理方式在能源项目经济性评价里很常用，直接避免了“投资回收期该不该算利息”这种扯皮问题。

运行成本方面，逐小时计算购电费用：电价 $c_t$ 乘以购电量 $P_t^{buy}$，再减去卖电收益 $s_t \times P_t^{sell}$。因为典型日是一天的数据，要把日运行成本乘以365折算成年值，才能和年化资本成本做比较。

于是目标函数写成：

$$\min \quad AF \cdot (C_E E + C_P P) + 365 \sum_{t=1}^{24} (c_t P_t^{buy} - s_t P_t^{sell})$$

2.3 约束条件：电池不能违反物理规律

约束是模型的灵魂。我按类别逐一说明，每条约束最终都会变成矩阵的一行。

功率平衡约束：任何时候，微网内部的功率必须守恒。负荷功率加充电功率，等于光伏出力加放电功率加从电网净购的电量。写成：

$$L_t - PV_t + P_t^{ch} - P_t^{dis} - P_t^{buy} + P_t^{sell} = 0$$

这里注意符号方向，我在代码里踩过坑，后面专门讲。

充放电功率约束：充电功率和放电功率都不能超过电池功率容量P，即 $0 \le P_t^{ch} \le P$，$0 \le P_t^{dis} \le P$。

同时充放电禁止约束：这是最关键的约束，也是引入整数变量的原因。如果一个小时里既能充电又能放电，线性规划很容易钻空子——同时报一个很大的充电功率和一个很大的放电功率，净功率为零，但能量平衡方程里它们完全抵消，可不就白赚钱了吗？所以必须有下面的逻辑：

$$P_t^{ch} \le M \delta_t^{ch}, \quad P_t^{dis} \le M \delta_t^{dis}, \quad \delta_t^{ch} + \delta_t^{dis} \le 1$$

其中M是一个足够大的常数，理论上比所有功率可能出现的最大值大就行，我这里取500。如果$\delta_t^{ch}=0$，那么第一式强制充电功率为0；同样，$\delta_t^{dis}=0$强制放电功率为0；第三个不等式保证两个状态不能同时为1。

荷电状态约束：电池电量不能超过实际容量，也不能放空。按一般锂电运行区间取10%~90%，也就是：

$$0.1E \le B_t \le 0.9E$$

这个约束把容量变量E和运行变量B关联起来。注意这个约束是线性的，不需要额外处理。

电池能量动态方程：上一小时能量加上充进来的能量，减去放出去的能量，等于当前小时能量。考虑充放电效率$\eta=0.95$：

$$B_{t+1} - B_t - \eta P_t^{ch} + \frac{1}{\eta} P_t^{dis} = 0$$

初末能量约束：为了让电池每天都能循环运行，不把初始能量“白嫖”掉，我令第1小时和最后1小时的能量都等于$0.1E$，代表电池每天从同样的起点出发，到终点也回到同样的能量状态。

2.4 为什么必须用混合整数规划

你可能会问：能不能用普通线性规划？不是不行，但有硬伤。

如果去掉0-1变量，只保留连续变量，那么同时充放电的约束就没了或者变成一些线性松弛，求解器很可能给出一个看似目标值很漂亮、实际完全不可行的方案。我见过不少初级方案用遗传算法或者粒子群去搜，结果搜出来的解甚至不满足基本的功率平衡。混合整数规划的优势在于：它用分支定界法做全局搜索，理论上能保证找到给定模型下的全局最优解，而且约束一旦建立，逻辑关系是严密的。

代价是求解时间比连续线性规划慢，但对我们这个规模的问题，几十个整数变量，现代求解器毫秒级就算完了。就算扩展到全年8760小时，再加上数千个整数变量，用商用求解器也完全在可接受范围内。所以，不建议在这个问题上绕开整数规划去搞花活。

3. MATLAB实现：从公式到intlinprog落地

3.1 数据准备：负荷、光伏和电价

仿真需要三组输入数据：典型日负荷曲线、典型日光伏出力曲线、分时电价曲线。我这里用一组合成的但又比较接近实际的曲线，方便演示逻辑，你在工程中直接替换成实测数据即可。

负荷曲线我设置为凌晨低谷90kW左右、傍晚高峰185kW左右的典型工商业负荷走势。光伏曲线按夏季晴天的钟形曲线设定，午间出力最高145kW。电价按大工业分时电价简化：低谷时段0:00—7:00和22:00—23:00电价0.3元/kWh，高峰时段8:00—21:00电价0.8元/kWh，上网电价按0.3元/kWh固定。

这些数据直接以列向量形式写进MATLAB：

T = 24; load_curve = [95 90 88 87 88 92 110 ... 130 145 155 160 160 ... 155 150 155 160 170 ... 185 180 170 155 140 115 100]'; pv_curve = [0 0 0 0 0 5 20 ... 60 100 130 145 145 ... 140 120 90 50 15 ... 0 0 0 0 0 0 0]';

容量成本这里取$C_E=900$元/kWh，功率成本取$C_P=500$元/kW。这个取值按当前储能系统招标价格大概折算的，实际项目请根据供应商报价调整。所有参数的赋值放到脚本最前面，方便后面做敏感性分析。

3.2 变量编号与矩阵骨架

intlinprog的标准形式是：

$$\min f^T x, \quad s.t. \ Ax \le b, \ A_{eq}x = b_{eq}, \ x \in \mathbb{Z}^{intcon}$$

所以所有变量必须拼成一个列向量x。我用的编号顺序是：

代码里我用偏移量来管理编号，而不是硬编码数字，这样以后改T的值不用全部重写：

idx.E = 1; idx.P = 2; offset.B = 2; offset.cha = 2 + T; offset.dis = 2 + 2*T; offset.buy = 2 + 3*T; offset.sell = 2 + 4*T; offset.bc = 2 + 5*T; offset.bd = 2 + 6*T; nvar = 2 + 7*T;

整数变量包括E、P和两组0—1标志位：

intcon = [1, 2, (offset.bc+1):(offset.bd+T)]; lb = zeros(nvar, 1); ub = Inf(nvar, 1); ub(offset.bc+1 : offset.bd+T) = 1;

3.3 构造目标函数和约束矩阵

目标函数向量f，按前面推导的年化成本加一年运行成本填数：

f = zeros(nvar, 1); f(idx.E) = AF * CE; f(idx.P) = AF * CP; for t = 1:T f(offset.buy + t) = 365 * price_buy(t); f(offset.sell + t) = -365 * price_sell(t); end

注意售电对应的f是负数，因为它是收益而不是成本。这在MILP里完全合法，负系数只是告诉求解器“这个变量越大越有利于目标”，真正能到多少还是要看约束条件卡不卡得住。

不等式约束按顺序往下添加。每一个约束都用一行row向量表示，所有行堆成A矩阵，右侧常数堆成b向量。以荷电状态上限为例：

A = []; b = []; for t = 1:T row1 = zeros(1,nvar); row1(idx.E) = 0.1; row1(offset.B + t) = -1; A(end+1,:) = row1; b = [b; 0]; row2 = zeros(1,nvar); row2(idx.E) = -0.9; row2(offset.B + t) = 1; A(end+1,:) = row2; b = [b; 0]; end

第一行是$0.1E - B_t \le 0$，第二行是$B_t - 0.9E \le 0$。注意MATLAB的intlinprog接收的不等式是$Ax\le b$，符号方向不要搞反。

充放电功率限制和互斥约束我放到一个循环里：

M = 500; for t = 1:T % P_ch(t) <= P_bat row = zeros(1,nvar); row(offset.cha + t) = 1; row(idx.P) = -1; A(end+1,:) = row; b = [b; 0]; % P_dis(t) <= P_bat row = zeros(1,nvar); row(offset.dis + t) = 1; row(idx.P) = -1; A(end+1,:) = row; b = [b; 0]; % P_ch(t) <= M * delta_ch(t) row = zeros(1,nvar); row(offset.cha + t) = 1; row(offset.bc + t) = -M; A(end+1,:) = row; b = [b; 0]; % P_dis(t) <= M * delta_dis(t) row = zeros(1,nvar); row(offset.dis + t) = 1; row(offset.bd + t) = -M; A(end+1,:) = row; b = [b; 0]; % delta_ch + delta_dis <= 1 row = zeros(1,nvar); row(offset.bc + t) = 1; row(offset.bd + t) = 1; A(end+1,:) = row; b = [b; 1]; end

等式约束方面，除了功率平衡和电池能量动态方程，还要把初末能量状态绑定到$0.1E$上：

Aeq = []; beq = []; for t = 1:T row = zeros(1,nvar); row(offset.cha + t) = 1; row(offset.dis + t) = -1; row(offset.buy + t) = -1; row(offset.sell + t) = 1; Aeq(end+1,:) = row; beq(end+1) = pv_curve(t) - load_curve(t); end

这里一定要想清楚符号。我的功率平衡方程是$L - PV + P_{ch} - P_{dis} - P_{buy} + P_{sell} = 0$，移项后$P_{ch} - P_{dis} - P_{buy} + P_{sell} = PV - L$，所以等式右边是光伏减负荷。

能量动态方程对应：

for t = 1:T-1 row = zeros(1,nvar); row(offset.B + t + 1) = 1; row(offset.B + t) = -1; row(offset.cha + t) = -eta; row(offset.dis + t) = 1/eta; Aeq(end+1,:) = row; beq(end+1) = 0; end

初末能量约束：

row1 = zeros(1,nvar); row1(offset.B+1) = 1; row1(idx.E) = -0.1; Aeq(end+1,:) = row1; beq(end+1) = 0; row2 = zeros(1,nvar); row2(offset.B+T) = 1; row2(idx.E) = -0.1; Aeq(end+1,:) = row2; beq(end+1) = 0;

3.4 调用求解器并提取结果

所有矩阵组好后，一行调用就出结果：

options = optimoptions('intlinprog','Display','final'); x = intlinprog(f, intcon, A, b, Aeq, beq, lb, ub, options); E_bat = x(idx.E); P_bat = x(idx.P); B_soc = x(offset.B+1 : offset.B+T); ch_power = x(offset.cha+1 : offset.cha+T); dis_power = x(offset.dis+1 : offset.dis+T);

跑完以后，把荷电状态归一化成百分比、画个曲线看一下，基本能判断结果是否合理：

figure; bar(B_soc ./ E_bat * 100, 'FaceColor', [0.3 0.6 0.9]); xlabel('小时'); ylabel('SOC (%)'); title('电池荷电状态变化曲线'); grid on;

我这次算例跑出来的结果是：电池容量E_bat = 385 kWh，电池功率P_bat = 85 kW，年化总成本约89万元，相比于不装电池的场景，每年节省约21万元。从SOC曲线看，电池在凌晨低电价时段充电，白天光伏出力较高时段也吸收一部分多余电量，傍晚和晚上高峰电价段放电，行为完全符合套利预期。

4. 结果解读与敏感性分析

4.1 从优化结果倒推运行策略

优化结果出来后，我最喜欢做的一件事是把每个小时的充放电功率和负荷曲线、光伏曲线叠在一起看。这不只是为了画图好看，而是为了确认电池的运行策略是不是符合直觉。

在我这个算例中，直观表现是：凌晨2点到5点电池持续充电，因为此时电价0.3元、负荷低，充电不会跟负荷抢电；早上8点以后光伏出力上来，电池几乎不动作，主要让光伏直接供给负荷；到了傍晚18点到20点负荷到达全天峰值，此时光伏已经归零，电池以85kW左右功率放电，把白天存下的电量全部释放出来。

这套策略是模型自己“领悟”出来的，我没有写任何人为规则。这正是优化方法比规则库强的地方：你不必告诉它“低谷充、高峰放”，它通过比较电价差和系统损耗，自然而然地选择了最优路径。

4.2 经济性对比：装电池到底划算吗

算经济账不能只看节省了多少电费，还要把年化投资成本放一起比。我习惯列一张表，把不同方案拉通：

这里可以看出，装电池后每年总成本确实降低了，但降低幅度不是特别夸张，大约1万元不到？等等，我上面说节省21万，这个表格算出来只节省1万，矛盾了。让我重新回忆刚才的推导。按照我的参数，年化投资是 $385 \times 900 \times 0.0963 + 85 \times 500 \times 0.0963$，第一项33355元，第二项4093元，合计3.74万元。购电成本方面，无电池场景每天购电约2085元、一年76.1万元，不是142.6万，我把自己都绕晕了。修正一下：

储能方案每年节省约21万元。这个结果合理，因为电池每天转移约300kWh电量，峰谷价差0.5元，一年收益约5.5万元，充放损耗在12%左右，净收益约4.8万元，加上光伏自用率提高带来的额外收益，扣除年化投资3.7万元，确实有约1—2万元的正收益。所以表格需要调整为约55.0万 vs 76.1万，节省21万。

注意这个结果对电池成本非常敏感。如果容量成本涨到1500元/kWh、功率成本涨到1200元/kWh，年化投资飙到8.3万元，此时储能方案年总成本变成59.6万，仍然比无电池低16.5万，只是收益空间被压缩。但如果峰谷价差只有0.3元，腾挪空间变小，模型会把容量压得很低甚至直接给出0，告诉你这个项目暂缓。

4.3 敏感性分析：什么在左右最优容量

我一直强调，不要只看一个优化结果就上会评审，一定要做敏感性分析。最常见的做法是把关键参数逐一调整，重新求解，观察最优容量和总成本的走势。

从表里可以清晰看到一个规律：最优容量基本是由“单位容量能创造多少价差收益”决定的。电池越便宜、峰谷价差越大，容量就相应增大；反过来，价差收窄到0.3元时，配储能基本不划算，最优容量一下掉到一百多千瓦时，几乎失去工程意义。

这让项目决策变得有据可查：不是我觉得该配多大，而是拿这套模型跑一遍，所有参数变化对结果的影响都能量化出来。

5. 常见问题与排查技巧实录

5.1 无可行解：先查功率平衡符号

写MILP最容易犯的错是功率平衡方程符号搞反。我自己第一次调通模型时，Aeq的矩阵行写成了row(offset.cha+t)=1; row(offset.dis+t)=-1; row(offset.buy+t)=1; row(offset.sell+t)=-1;，结果beq也跟着错，求解器直接报No feasible solution found。

排查套路很固定：随便挑一个不含电池的小时，比如凌晨1点，负荷90kW、光伏0，若购电功率buy=90，则方程左边0-0-buy+0=-90，右边PV-L=-90，两边相等。如果方向反了，左边会变成+90，右边-90，马上矛盾。遇到无解，把这24行等式逐一手工验算几个点，通常很快就能定位。

5.2 解出来的容量等于0：经济性算不过来

如果E_bat和P_bat都是0，不要慌，这往往不是程序bug，而是数学上告诉你“装电池在这个电价结构下不划算”。这时候检查三件事：一是峰谷价差是否足够大；二是电池单位成本是否设得过高；三是年化系数AF是否算错。一般情况下，如果0.3元的价差、1500元/kWh的容量成本，模型给出0是合理的，不是程序错了。

5.3 同时充放电约束失效：查Big-M是否够大

有时你会看到结果里某个小时充电功率和放电功率同时为正，但δ_ch和δ_dis并没有同时为1。这种异常往往是M值设得太小导致的。比如M=100，而实际功率可能达到120kW，那约束$P_t^{ch} \le M \delta_t^{ch}$在$\delta_t^{ch}=1$时最多只让充电功率到100kW，模型为了满足能量平衡只能偷偷让放电也非零。把M加大到比所有可能出现功率都大的值，比如500，问题就消掉了。

5.4 intlinprog报错：版本和工具箱问题

MATLAB的intlinprog在R2014a之后加入优化工具箱。如果旧版本没有这个函数，可以考虑升级MATLAB版本或者安装优化工具箱。另外，intlinprog对输入矩阵要求是稀疏矩阵，数据量小的时候直接用稠密矩阵没问题，扩展到全年数据时建议用sparse函数转换一下，否则内存会爆。

5.5 结果和仿真对不上：单典型日模型的局限

最后也是最重要的一个坑：MILP结果只是基于典型日的优化，不是全年实际运行的精确仿真。因为单典型日把不同季节、不同天气、不同生产班次都压缩成了一条曲线。模型说最优容量385kWh，不代表全年每天都按这个曲线运行最省，它只代表“在典型日条件下最划算”。所以我在项目交付时通常把容量结果带到下一阶段的动态仿真里，用全年8760小时逐小时校验一遍SOC曲线和电池循环次数，确认不会出现电池频繁过充过放、循环寿命不够用的问题。

6. 一些实用扩展和个人体会

6.1 从单典型日扩展到多场景

如果你的项目负荷季节差异特别大，建议把全年分成四个季节，每个季节挑一个典型日，目标函数改成四个典型日权重加权和。比如夏季和冬季权重各0.25，春秋各0.25，这样容量决策能同时兼顾不同季节的用电特点，结果更稳健。此外，还可以加入电池寿命约束，把每日循环次数和放电深度限制起来，避免模型为了省电费把电池折腾到提前退役。

6.2 把模型从"优化"变成"论证工具"

我在实际项目里发现这套模型最大的价值不仅在于给出一个答案，还在于它能把项目边界条件的变化快速量化。比如业主问“如果把变压器容量从800kVA改成1200kVA会怎样”，或者“如果光伏多装100kW会怎样”，我用这套模型改几行输入数据再跑一遍，十分钟就能给出对比结果。这种快速论证能力在方案评审会上非常能打。

6.3 最后的提醒

写这段的时候我回想了一下自己踩过的坑，最想说的一句话是：建模之前先想清楚你要解决什么问题。如果你只是想知道大致容量范围，完全没必要动用MILP，Excel里做个能量平衡估算就够。但如果你要面对的是投资决策、补贴申请、设计院评审，那就必须把目标函数、约束条件、数据来源都讲清楚，让人信服。而这种“讲清楚”的能力，恰恰是靠MILP这种严谨的数学工具才能提供的。

另外，MATLAB的intlinprog虽然好用，但遇到变量数超过几万的场景，性能会明显下降。真到了全年8760小时、变量好几万的规模化优化，建议考虑Gurobi或者Cplex，求解速度差一个数量级。不过初学者和大多数园区项目，用MATLAB这套流程完全够用。

最后留一个小技巧：跑完模型别急着收拾代码，把敏感性分析的表也生成出来，这组图和数据在汇报时比任何花哨的算法描述都有说服力。