企业官网建设流程全解析

做虚拟电厂优化调度研究的朋友，一定体验过那种“图表能复现、逻辑也对得上，但结果就是不对”的崩溃。我第一次照着某篇SCI论文的多时间尺度框架去写Matlab代码时，光是日前调度和日内调度的衔接就调了整整一周，后来才意识到问题出在储能SOC的边界传递上。这篇博文就把我这段经历消化后的完整方案写出来：虚拟电厂为什么必须做日前和日内两个时间尺度的优化，两个尺度分别解决什么问题，模型怎么建，Matlab环境下用什么思路去实现，以及复现这类SCI论文时最容易踩的坑。无论你是刚接触虚拟电厂方向的研究生，还是已经在做电力系统优化、想快速把一个多时间尺度框架跑通的开发者，这篇内容都应该能帮你少走不少弯路。

我默认你具备基本的电力系统知识和Matlab操作能力，但我会尽量把每个环节的“为什么”也说清楚，方便不同基础的人都能顺着思路把代码搭起来。

1. 为什么虚拟电厂必须走“日前+日内”双时间尺度

1.1 单一时间尺度解决不了的两个矛盾

虚拟电厂本质上是一个聚合平台，把光伏、风电、储能、柴油机、可调负荷这些分散资源打包成一个整体，对外参与电力市场交易、对内协调各类设备的运行。问题在于，虚拟电厂面对的信息是分层的：明天的电价、明天的光伏出力、明天的负荷曲线，这些都是预测值，误差不可避免；而到了当天，光伏实际出力可能和预测差一大截，负荷也在不断波动。

如果只做一个时间尺度的优化，比如只做日前调度，把一天的机组出力和储能充放电计划全部定死，那么当天一旦出现预测偏差，整个计划就可能失衡，不是出现功率缺口，就是储能容量被提前耗尽。如果只做日内调度，完全不参考日前的开机安排，又会面临机组启停来不及、储能频繁深度充放电、整体经济性失控的问题。这两个矛盾，单一时间尺度都兜不住。

1.2 双时间尺度的分工逻辑：先定节奏，再微调动作

所谓“日前+日内”，本质上是一种分层决策思想。日前调度做的是“节奏安排”：提前一天，基于24小时或96个时段的分时电价、预测风光出力、预测负荷，决定哪些机组需要开机、储能何时充电何时放电、可调负荷在哪些时段被调用——这时候时间分辨率通常是1小时，因为日前阶段的核心诉求是全局经济性和机组启停的合理分配。

日内调度做的是“动作修正”：到了当天，滚动获取更新的光伏功率、负荷实测数据，以15分钟甚至5分钟为步长，对未来4到6小时进行滚动优化，根据最新的预测偏差调整储能出力、微调柴油机功率、决定是否追加切负荷。它不会轻易改变日出确定的开机状态，而是在开机计划已经定的前提下，做更精细的功率分配。

用一个生活化的比喻：日前调度像一个家庭月初做预算，确定这个月哪几天有大额开销、什么时候该存钱；日内调度则是每周根据实际开销调整本周的零花钱使用方式。预算不变，但具体怎么花可以弹性调整。

1.3 两个尺度的关键参数对比

理解了这个分工，才能明白后面模型里的目标函数和约束为什么那样设。很多复现者把两个尺度的代码混在一起，目标函数、决策变量全搅成一锅，结果自然对不上。

2. 虚拟电厂各单元建模：决定优化结果上限的细节

2.1 虚拟电厂的典型构成和建模思路

一个标准的虚拟电厂测试系统，通常包含光伏电站、储能系统、柴油机（或燃气轮机）、可调负荷四类可调度资源，外加与大电网的交互购售电。建模的好坏直接决定了优化结果的上限——模型太粗糙，结果没有参考价值；模型太复杂，求解时间又让人无法接受。复现SCI论文时，单元建模的核心是平衡“论文所用的精度”和“代码可实现的复杂度”。

我建议把每个单元单独封装成一套参数结构体，用Matlab的struct数组统一管理，这样写约束时索引清晰，后续改参数也不用到处翻代码。

2.2 光伏和风电的出力建模

光伏的功率输出通常采用环境预测直接给定出力序列的方式，而不是去建物理模型。也就是说，把光伏预测功率作为一个已知参数序列输入优化模型。公式上可以写为：

[ P_{PV}(t) = P_{PV}^{forecast}(t) ]

如果考虑不确定性的椭圆/区间场景，一般会在预测值上加减一个偏差带。日前调度用的是典型预测场景，日内调度则根据最新的超短期预测值更新这个序列。

风机的建模与光伏类似，区别在于风机出力波动幅度更大，爬坡事件更频繁，日内调度的修正压力也更大。在代码实现上，光伏和风电建模其实只涉及一个参数向量，但要注意单位统一：论文里经常混用MW和kW，一旦换算错误，所有结果都失真。

2.3 储能系统的关键约束

储能是整个虚拟电厂的“缓冲器”，也是模型中最容易出错的部分。核心约束有四个：

• 荷电状态（State of Charge，SOC）递推约束： [ SOC(t+1) = SOC(t) + \eta_{ch} \cdot P_{ch}(t) \cdot \Delta t / E_{rated} - P_{dis}(t) \cdot \Delta t / (E_{rated} \cdot \eta_{dis}) ] 其中 ( \eta_{ch} ) 和 ( \eta_{dis} ) 是充放电效率，( \Delta t ) 是时段时长（小时），( E_{rated} ) 是额定容量。

• 充放电功率上限约束： [ 0 \le P_{ch}(t) \le P_{ch}^{max} \cdot u_{ch}(t) ] [ 0 \le P_{dis}(t) \le P_{dis}^{max} \cdot u_{dis}(t) ] ( u_{ch} ) 和 ( u_{dis} ) 是0-1变量，保证不会同时充放电。

• SOC上下限约束： [ SOC^{min} \le SOC(t) \le SOC^{max} ]

• 终端SOC约束，比如要求每个调度周期结束时的SOC恢复到初始值，这个在日前调度中尤其常见，保证储能不以耗尽电量换取短期经济性。

我见过很多人复现时把充放电效率写反，或者忘了乘以 ( \Delta t )，导致SOC曲线要么剧烈波动要么越界。这一步值得多花点时间核对量纲。

2.4 柴油机、可调负荷和购售电建模

柴油机建模相对传统：出力上限约束、爬坡率约束、最小启停时间约束、启动成本和燃料成本。燃料成本一般用二次函数近似：

[ C_{DG}(P) = a \cdot P^2 + b \cdot P + c ]

这个二次项在MILP里面需要做分段线性化，复现时要留意论文中给的是直接二次成本还是分段成本。

可调负荷分为可削减负荷和可转移负荷两类。可削减负荷的特点是特定时段可以少用电，但需要支付补偿成本；可转移负荷则要求总用电量在时间窗内守恒，只是用电时间平移。建模时前者用削减量作为决策变量并加入惩罚项，后者需要额外加入“转移后的负荷总和等于原负荷总和”的约束。

与外电网交互的部分，购买电力和售电通常分别设置价格和功率上限。复现时还要注意是否允许同时购售电——很多SCI论文设定了一个互斥约束，防止套利。

2.5 一套可参考的测试系统参数

下面是我复现时常用的一套典型参数，可以用作代码验证，单位统一用MW和MWh：

这套参数配合典型的分时电价（峰、平、谷三段），基本能跑出一个符合直觉的结果：低谷充电、高峰放电、柴油机只在负荷峰值时增发。

3. 日前调度模型：全局经济性和机组启停的优化

3.1 明确决策变量和目标函数

日前调度的决策变量分为两类：0-1变量和连续变量。0-1变量包括柴油机的启停状态、储能的充放电状态、是否购电/售电；连续变量包括各时段的柴油机出力、储能充放电功率、可削减负荷量、购售电功率。

目标函数是所有成本之和最小，通常包含五块：

• 向外部电网购电的成本（减去售电收益）
• 柴油机的燃料成本和启动成本
• 储能设备的充放电老化折算成本
• 可削减负荷的补偿成本
• 失负荷的惩罚成本（如果允许失负荷的话）

写成数学形式大致是：

[ \min \sum_{t=1}^{T} \left[ C_{buy}(t) \cdot P_{buy}(t) - C_{sell}(t) \cdot P_{sell}(t) + \sum_{i} C_{DG,i}(t) + C_{ESS}(t) + C_{curtail}(t) + C_{loss}(t) \right] ]

这个目标函数的每一项在代码里都是一个数组，用YALMIP表达时非常直观。

3.2 约束条件的完整集合

日前调度的约束分五组：

• 功率平衡约束：每个时段光伏+风电+柴油机+储能放电+购电 = 负荷 + 储能充电 + 售电 + 可调负荷削减前的被削减部分（或者说削减后的负荷等于所有电源供电之和）。
• 机组运行约束：柴油机的出力上下限、爬坡约束、启停状态与出力逻辑。
• 储能约束：SOC递推、充放功率限制、互斥限制、SOC上下限、终端SOC约束。
• 可调负荷约束：削减量在0和最大可削减量之间。
• 电网交互约束：购售电功率上限及互斥约束。

这里有一个非常值得注意的点：为了给日内调度留出余地，日前调度往往会对储能的SOC设定一个“目标带”，而不是简单把终端SOC等于初始值。也就是说，让储能在日末落在比如40%至60%的区间里，这样第二天上午即便光伏预测不准，储能也还有足够的上下调节空间。这个细节是很多论文中“多时间尺度协调”思想的真正体现。

3.3 日前调度是典型的MILP问题

因为包含0-1变量，日前调度是一个混合整数线性规划（MILP）。复现时建议用YALMIP这个Matlab建模工具箱，配合商业求解器求解。建模时用binvar声明0-1变量，用sdpvar声明连续变量，约束写成一个set或约束数组，然后调用optimize。

下面是一段简洁的日前调度核心建模框架：

%% 日前调度建模框架（MILP） T = 24; u_DG = binvar(2, T, 'full'); % 2台柴油机启停状态 P_DG = sdpvar(2, T, 'full'); % 柴油机出力 P_ch = sdpvar(1, T, 'full'); % 储能充电功率 P_dis = sdpvar(1, T, 'full'); % 储能放电功率 u_ch = binvar(1, T, 'full'); u_dis = binvar(1, T, 'full'); SOC = sdpvar(1, T+1, 'full'); P_buy = sdpvar(1, T, 'full'); P_sell = sdpvar(1, T, 'full'); P_curt = sdpvar(1, T, 'full'); % 可削减负荷量 Constraints = []; % 功率平衡 for t = 1:T Constraints = [Constraints, ... P_PV(t) + sum(P_DG(:,t)) + P_dis(t) + P_buy(t) == ... P_load(t) - P_curt(t) + P_ch(t) + P_sell(t)]; end % 储能SOC递推、上下限、充放互斥...（略） Objective = sum(C_buy .* P_buy) - sum(C_sell .* P_sell) ... + sum(C_DG_fuel) + ... ; % 详细成本项自行补全 ops = sdpsettings('solver', 'gurobi', 'verbose', 2); optimize(Constraints, Objective, ops);

这段代码只是框架，实际复现时要把所有约束写全。求解完成后，日前调度会输出一组完整的次日计划：各时段柴油机的启停和出力、储能的充放电曲线、购售电计划、可削减负荷的调用时段。这份计划就是日内调度的“参考基准”。

4. 日内调度：滚动修正和日前计划的衔接设计

4.1 为什么日内调度必须采用滚动窗口

日内调度的本质是模型预测控制（MPC）思想。所谓滚动窗口，是指在每个执行时刻，只对未来一段有限时域做优化，执行最前面一个时段的决策，然后等下一个时刻到来，配合新的实测数据，再把窗口向前滚动一步。这比一次性算完整日的日内计划要灵活得多，因为每次优化都能吸收最新的预测信息。

时间步长一般取15分钟，这样一天有96个时段。滚动窗口取4到6小时，也就是16到24个时段。对虚拟电厂来说，15分钟步长已经能覆盖大部分负荷波动和光伏波动的特征，5分钟步长计算负担会明显加重，除非论文特别要求，否则15分钟是复现时的合理选择。

4.2 日内调度的目标函数和日前计划传递

日内调度同样以成本最小为目标，但一个关键差异是：目标函数里必须加入“对日前计划的偏离惩罚”。如果完全不设偏离惩罚，日内调度可能会把储能的充放电方式彻底改写，导致日前制定的机组启停策略失去意义，虚拟电厂对外表现出的特性也会和申报给电网的计划不一致。

常见的处理方法是把日前计划的各单元出力作为参考值，在日内目标函数中加入偏差项，例如：

[ \min \sum_{t \in W} \left[ \text{成本项} + \omega_1 \cdot (P_{ch}(t) - P_{ch}^{DA}(t))^2 + \omega_2 \cdot (P_{dis}(t) - P_{dis}^{DA}(t))^2 + \omega_3 \cdot |P_{DG}(t) - P_{DG}^{DA}(t)| \right] ]

其中 ( W ) 表示滚动窗口内的时段集合，上标 ( DA ) 表示日前计划值，( \omega ) 是偏离惩罚权重。实际代码中，二次项在YALMIP里可以直接表达，求解器处理起来也很快。

还有一个容易被忽视的衔接点：日内调度开始时的储能SOC初值，必须取日前计划在对应时段的SOC值，或者取当前实测的SOC值。如果把SOC初始化成一个固定值，日内滚动几轮之后储能就会“漂移”出合理范围。

4.3 日内调度的执行流程

我把日内调度在代码里的执行步骤拆成六步，复现时可以直接照这个流程来实现：

1. 初始化：读取日前调度结果，设定当前时刻，载入最初的实测负荷、光伏功率数据。
2. 更新预测：用最新的超短期预测覆盖滚动窗口内的光伏和负荷序列。
3. 构建优化模型：决策变量是窗口内各时段的储能出力、柴油机调整量、可削减负荷量，约束条件与日前类似，但窗口更短、执行时段的变量更多。
4. 求解并执行第一个时段决策：把optimize结果中第一时段的储能、柴油机出力指令下发给各个资源模拟执行。
5. 推进窗口：当前时刻加15分钟，读取新的实测值，裁剪预测序列到新窗口。
6. 重复第2到第5步，直到一天结束。

这种滚动逻辑用循环实现很清晰，但要特别注意索引的换算：日前调度是24个时段，日内调度是96个时段，两者之间的对应关系是t_da = ceil(t_intra / 4)，错过这一步，日前计划根本取不准。

5. Matlab实现关键细节：从模型到可运行代码

5.1 环境与求解器配置

复现这类优化问题，我首推Matlab + YALMIP + Gurobi的组合。YALMIP负责建模，Gurobi负责求解MILP，两者配合在学术复现里最省心。没有Gurobi的话，Cplex或者开源的CBC也能跑，但求解速度会慢一些。

安装好以后，在Matlab里运行yalmiptest确认求解器被识别。Gurobi的licence需要单独申请，一般学术license覆盖大学场景，提前备好就行。

5.2 参数预处理和索引映射

代码的第一步不是建模，而是把参数整理成向量或矩阵。所有与时段相关的数据（负荷、光伏预测、电价）都要统一长度，日前为24，日内为96。我之前因为负荷向量长度没对齐，目标函数里出现维度不匹配，optimize直接报错，排查半天才发现是多了一个元素。

索引映射建议单独写一个函数或者一段注释清晰的映射语句：

% 日前时段到日内时段的映射 t_da = ceil((t_intra - 1) / 4) + 1; % 15min转1h

5.3 储能互斥约束和SOC递推在代码中的实现

储能互斥约束有三种常见写法：直接把SOC递推关系写成等式约束；用0-1变量u_ch和u_dis分别约束充放功率；再加一个互斥不等式u_ch + u_dis <= 1。第三种写法最常用，也是在YALMIP里表达最直观的方式。

SOC递推约束在代码里写成：

for t = 1:T Constraints = [Constraints, ... SOC(1, t+1) == SOC(1, t) + ... (eta_ch * P_ch(1, t) - P_dis(1, t) / eta_dis) * dt / E_rated]; end

dt要注意单位：如果时间分辨率为1小时，dt=1；如果是15分钟，dt=0.25。我一再强调这一点，是因为我见过不少复现代码里这里出错的案例，包括我自己早期也栽过一次。

5.4 求解参数设置与耗时预估

用Gurobi求解这类MILP，建议主动设置三项参数：

ops = sdpsettings('solver', 'gurobi', ... 'gurobi.MIPGap', 1e-3, ... % 相对MIP间隔 'gurobi.TimeLimit', 300, ... % 单次求解时间上限 'verbose', 1);

对于上面那套测试系统，日前调度（24时段，2台柴油机+储能+可调负荷）通常几秒到几十秒内收敛；日内调度因为滚动执行96次，单次窗口16个时段，全部加起来也就几分钟。如果模型加了复杂的启停约束或分段成本线性化，耗时可能翻倍，此时适当把MIPGap放到1e-2也能接受，毕竟工程复现看重的是趋势合理而不是绝对最优。

5.5 结果输出和可视化

跑完之后，把日前和日内的曲线画在同一张图上对比：光伏出力的预测值和实际值、储能SOC曲线、柴油机出力曲线、购售电功率。日内曲线跟随实际场景调整的幅度、日前和日内SOC曲线的差异，这些直接展示了多时间尺度的协调效果。

建议把日前结果存成result_da.mat，日内模块加载它作为参考计划，这样两个尺度的代码可以分开调试，互不干扰，也符合模块化复现的习惯。

6. SCI复现过程的易错点、调试路线和经验总结

6.1 复现前先做数学公式清单，再写代码

复现SCI论文遇到结果不一致，九成问题出在“模型理解偏差”而不是“代码能力”。我复现时有一个固定习惯：第一遍看论文，把目标函数、每个约束的数学表达式、变量定义全部手工抄到一张清单上；第二遍对着符号逐项检查代码里的变量是否一一对应。特别是那些带有上下标的约束——储能SOC的时序索引、滚动窗口的边界时段——一旦错位，后面所有结果都会偏离。

尤其要注意论文中公式里括号、下标和求和范围的细节。很多顶级期刊的公式排版有隐藏信息，比如SOC约束里的t=1,...,T+1还是t=1,...,T，直接决定变量长度。

6.2 六个高频坑点排查表

6.3 调试路线：先简化再还原

不要一上来就复现完整模型。我的调试习惯是先跑一个“降级版”：把0-1变量全部去掉，让储能自由充放、柴油机自由出力，看看连续松弛后的问题能不能得到合理结果；能的话再逐层加回0-1约束、启停约束、爬坡约束、偏差惩罚。每一步加约束后都跑一遍，并对比结果变化。这样做的好处是出错时能精准定位到“是哪一组约束搞坏了模型”，而不是在完整模型里面对几十条约束无从下手。

另一个实用技巧是：单独写一个小规模数值测试，比如2个时段、1台柴油机、1个储能，手算最优解，然后看代码结果是否一致。这个测试用例跑通后，再扩展到24时段、96时段。看似多花了半小时，但能避免在复杂模型里反复试错。

6.4 结果合理性判据：如何确认代码跑对了

当代码跑通后，怎么判断结果真的合理？我总结了四个经验判据：

• 储能SOC曲线应该有明显的周期性：低谷时段充电上升，高峰时段放电下降，末端回到目标区间。如果SOC曲线是杂乱锯齿状，多半是效率参数或约束写错。
• 柴油机只在负荷峰值或光伏出力低的时段分配较高出力，平时保持较低出力甚至停机。如果柴油机全天满发，说明目标函数里燃料成本权重可能设错了。
• 购电高峰期与高电价时段重合，售电则正好相反。如果出现高电价时段大量购电，要么是功率平衡需要，要么是约束写错了。
• 日内调度相对日前调度的调整量不会突变：偏差惩罚的作用就是让日内曲线贴着日前计划走，只有在预测偏差大的时段才会明显偏离。如果日内全天大幅偏离日前计划，说明惩罚权重需要重新校准。

6.5 关于“复现”本身的一点看法

复现SCI论文和做自己的优化研究是两回事。复现的难点不在求解器，而在“把论文没写清楚的细节补全”。很多论文的附录里有详细的参数表，但也有一部分细节藏在图表里，需要靠观察图的曲线特征去反推约束设计，比如从SOC曲线初末值判断终端约束的类型，从柴油机出力阶梯判断爬坡约束的松紧。

我的建议是：拿到论文后先快速搭一个“最小闭环”，即用最简单的约束跑通流程，确认日前日内数据传递的路径没问题，再逐步替换成论文里的复杂约束。这个闭环一旦通了，后面所有的调试都有参照物，心理压力也会小很多。等你把一套多时间尺度框架完整跑通，后面换论文、换数据，基本就是改参数和微调约束的工作量了。