企业官网建设流程全解析

做微电网优化调度这个方向有一段时间了，最近把一个比较完整的算例跑通了：基于风光储能和需求响应的微电网日前经济调度，用Matlab结合Yalmip建模，求解器走的是商用MILP求解器。整个过程从搭参数表、写约束、调数值到最终把调度结果画出来，前前后后花了不少精力。这篇文章就把这个算例完整拆开，从物理问题到数学模型，再到代码实现和调试经验，一次说清楚。适合正在做微电网能量管理、综合能源系统优化，或者准备写相关课程设计和论文的同学参考。

微电网这东西，说大不大，但麻雀虽小五脏俱全。风机、光伏、储能、可调负荷、上级电网，每个部分都有自己的运行约束和经济特性。把这些东西塞进一个优化模型里，让它在“满足所有运行约束”的前提下“一天的总运行成本最低”，就是日前经济调度的核心。真正动手写代码之前，如果不把物理过程理解透，后面调模型的时候会被各种莫名其妙的数值问题折磨到怀疑人生。

1. 先把问题拆清楚：微电网经济调度到底在算谁的钱

1.1 多源协同调度的目标拆解

这个问题的本质是一个多时段的资源分配问题。微电网里面有几种可用的“供电来源”：上级电网购电、风电、光伏、储能放电、微型燃气轮机发电，还有一面比较特殊的“柔性资源”——需求响应，它可以通过削减负荷来降低供电压力。

有来源就得有支出。购电要花钱，电费按照分时电价走；微燃机发电要烧天然气，有燃料成本；储能充放电会造成电池寿命损耗，可以折算成一个退化成本；需求响应需要给用户补偿；如果风机和光伏的预测出力没有被完全消纳，产生了弃风弃光，也要在经济性上受到惩罚。

把这些成本全部加起来，作为目标函数，然后让优化器去决定：每个时段，储能到底该充电还是放电、充放多少，微燃机发多少电，从电网买多少电，需求响应削减多少负荷，允许弃多少风、弃多少光。这个决策序列就是“日前调度计划”。

1.2 为什么调度周期选“日前”而不是实时

很多刚接触这个方向的人会问：为什么一定要做“日前”调度，实时调整不行吗？答案是：行，但那是另一个层面的问题。日前调度解决的是“计划”问题，实时调度解决的是“纠偏”问题。

储能的充放电决策、微燃机的出力调整、需求响应的提前通知，这些动作都有很强的时间惯性。你不可能等到电价涨了才发现需要储能放电，储能前一天晚上就得充满。分时电价、负荷预测、风电光伏预测，这些信息在日前尺度上是可以拿到且相对可靠的。所以工程上一般的做法是：先做日前计划，确定各个设备的运行基点；日内再根据实际出力偏差做滚动修正。这篇博文讨论的就是第一层，日前计划怎么做。

2. 四个参与主体的建模，每一步都不能含糊

2.1 风光出力：预测值加弃用惩罚怎么处理

风电和光伏在微电网里的角色比较特殊，它们的特点是：发电成本几乎为零，但有出力上限，而且上限值取决于天气。在日前调度里，我们把预测的风电和光伏出力当成“额定可用功率”，优化器只能在0到这个可用功率之间决定实际消纳多少。

那消纳不完的部分怎么办？工程上的做法是引入一个“弃用变量”。比如风电可用功率是 600 kW，优化器决定只消纳 550 kW，剩下的 50 kW 就是弃风量，目标函数里加上一个惩罚系数。这个系数不能随便设，它代表“浪费了本来可以白用的电”的机会成本。我之前算例里把弃风弃光惩罚设成 1.5 元/kWh，比峰时购电价（1.2 元/kWh）还高一点，这样优化器会优先想办法消纳风电，比如给储能充电，而不是直接弃掉。

注意：弃风弃光变量必须是非负的，而且不能超过该时段的可用功率。约束写的是 (0 \le P_{wc}(t) \le P_{w}^{avail}(t))，等会儿代码里会体现。

2.2 储能：SOC递推与充放互斥建模

储能是微电网里最“聪明”的元件，因为它有跨时段转移能量的能力。低电价时段充电，高电价时段放电，赚的就是峰谷价差。建模的时候，最关键的是一个递推公式：

[ SOC(t+1) = SOC(t) + \eta_{ch} P_{ch}(t) - \frac{P_{dis}(t)}{\eta_{dis}} ]

SOC是荷电状态，可以理解成储能的“油量表”。(\eta_{ch}) 和 (\eta_{dis}) 是充放电效率。注意这里有个小细节：充电时能量进去要打折扣，放电时能量出来也要打折扣，两个都不能省。很多初写模型的人只写了一个效率，算出来的经济性会偏乐观，实际工程上是不对的。

储能的充放电功率是有限制的，SOC也不能超过上下限。还有一条：同一个时段不能同时充电和放电。这个约束在数学上可以用两个二进制变量配合实现，也可以用互补约束，但互补约束不是线性约束，求解器处理起来麻烦。工程上最直接、最稳的方式就是引入两个二进制变量：

[ 0 \le P_{ch}(t) \le u_{ch}(t) P_{ch}^{max}, \quad 0 \le P_{dis}(t) \le u_{dis}(t) P_{dis}^{max}, \quad u_{ch}(t) + u_{dis}(t) \le 1 ]

这样一来，模型就变成混合整数线性规划（MILP）了，需要用支持0/1变量的求解器来解。

还有个容易被忽略的约束：调度周期结束时的SOC，一般要求回到初始值。为什么？因为微电网是天天连续运行的，如果今天结束时SOC是95%，明天结束时也是95%，那相当于每天都在从高荷电状态起步，长期看储能并没有“透支”能量，这个调度方案才具有周期可重复性。

2.3 需求响应：激励型DR的线性化表达

需求响应的建模要分两类：价格型DR和激励型DR。价格型DR需要描述电价变化如何影响用户用电行为，常用的工具是价格弹性矩阵，建模比较复杂，需要额外的历史数据支撑。我在这个算例里用的是激励型DR，也就是直接假设有一部分负荷是“可削减的”，优化器可以决定每个时段削减多少，削减了就要付补偿。

这个简化非常实用，而且完全线性。模型里只需要一个变量 (\Delta P_{DR}(t))，表示 t 时段削减的负荷量，约束是：

[ 0 \le \Delta P_{DR}(t) \le \delta_{DR} \cdot L(t) ]

其中 (\delta_{DR}) 是可削减负荷比例，一般取10%~20%。目标函数里加一项补偿成本，用固定的补偿单价乘以削减量。

补偿单价的选取很有讲究。如果补偿单价高于某些时段的购电价，比如平段电价0.75元/kWh，你把补偿设为0.88元/kWh，那么优化器永远不会在平段调用DR，因为削减负荷省下的购电费还没有付出的补偿多，不划算。但在峰段电价1.2元/kWh时，削减1 kWh负荷只花0.88元，却省了1.2元的购电费，净省0.32元，优化器就会积极调用DR。这个机制本质上是在让模型自己做“成本效益分析”，不需要我们人工指定每个时段削减多少。

2.4 与上级电网的交互：购电成本与联络线约束

微电网不是孤岛，运行时和上级电网之间有功率交换。这个交互环节的建模其实不难，就是给定一条联络线功率上限，以及分时购电价，然后把购电成本写进目标函数。

不过有两个地方值得提醒。第一，如果微电网允许向电网反送电（也就是售电），那就需要增加一个售电价格和售电变量；如果只是想研究最简单的情况，建议先只考虑购电，不让微电网倒送功率，模型会简单很多。第二，联络线功率约束要覆盖到每个时段，不能只在总体上有约束，否则模型可能在某个时段买电买超了。这是物理设备的硬限制。

现实工程里，微电网并网点的变压器容量是固定的，联络线功率一旦越限，可能直接触发保护动作。别问我怎么知道的，真实项目里这种问题很常见。

3. 目标函数和约束条件是怎么拧成一个数学模型的

3.1 目标函数：从总成本到每个分项

把前面的分析汇总，日前经济调度的目标函数可以写成这样：

[ \min \sum_{t=1}^{24} \left( \pi^{grid}(t) P_{grid}(t)

• c^{mt} P_{mt}(t)
• c^{dr} \Delta P_{DR}(t)
• c^{cur} (P_{wc}(t) + P_{pc}(t))
• c^{bat} (P_{ch}(t) + P_{dis}(t)) \right) ]

逐项解释一下：

• (\pi^{grid}(t) P_{grid}(t))：向电网购电的费用，电费随分时电价变化。
• (c^{mt} P_{mt}(t))：微燃机发电的燃料成本，按发电量线性计费。严格说还要考虑启停成本，但日前调度如果假设微燃机全天运行或者启停次数有限制，可以先忽略启停成本，简化模型。
• (c^{dr} \Delta P_{DR}(t))：需求响应补偿，每削减1 kWh发多少补贴。
• (c^{cur} (P_{wc}(t) + P_{pc}(t)))：弃风弃光惩罚，体现新能源消纳的优先级。
• (c^{bat} (P_{ch}(t) + P_{dis}(t)))：储能损耗成本。只要储能动作，就按吞吐量计损耗，这个模型对储能“无意义的来回充放”有天然的抑制作用。

3.2 约束条件：每一类都对应什么物理规律

完整模型里必须写的约束至少有五类。

第一类是功率平衡约束，这是模型中地位最高的等式约束。它表示任意时段，微电网内部所有电源出力之和等于所有负荷消耗之和。用数学式子表达就是：

[ P_{grid}(t) + P_{mt}(t) + P_{w}^{use}(t) + P_{pv}^{use}(t) + P_{dis}(t) = L(t) - \Delta P_{DR}(t) + P_{ch}(t) ]

注意等式右边的含义：原始负荷减去需求响应削减量，再加上储能充电功率。储能充电本质上也是一个“负荷”，它消耗电能，要放在等式的右侧。

第二类是储能约束，包括SOC递推式、SOC上下限、充放电功率上限、充放互斥约束以及始末SOC相等的循环约束。

第三类是微燃机约束，包括出力上下限和爬坡约束。爬坡约束很关键，它限制了微燃机相邻时段出力的变化速率。如果忽略爬坡约束，优化器可能会给出一个每5分钟跳变200 kW的出力计划，现实中任何机组都做不到。

第四类是联络线功率约束，写成交互功率上限。

第五类是需求响应约束，削减量比例限制。

这五类约束全部是线性的，加上目标函数里也都是线性项，整个模型就是一个标准的MILP，可以交给求解器去求解。

3.3 量纲与标度：求解器喜欢什么样的模型

这里分享一个非常容易踩坑的点：量纲和数值标度。

我之前遇到过一种情况，模型写出来逻辑上完全正确，但求解器一跑就是数值问题，或者解出来的结果里有非常微小的“抖动”。后来排查发现，问题出在数值量级差异太大。比如功率用的是kW（几千）、电费单价是元/kWh（零点几）、惩罚系数是1.5，而储能退化成本是0.2，它们之间没有数量级的问题。但如果你把负荷定义成了W，数值是几百万，而电费还是元/kWh，目标函数里几百亿的数加上零点几的数，求解器的容差很容易出问题。

建议做法是：统一用kW作为功率单位，kWh作为能量单位，元作为货币单位。目标函数的量级控制在 (10^2) 到 (10^5) 之间，求解器跑起来会非常舒服。这个细节看起来不起眼，但能帮你省掉大量的调试时间。

4. Matlab代码实战：从参数表到调度结果

4.1 代码总体结构与数据准备

Matlab代码的整体结构分四块：参数定义、决策变量声明、约束与目标函数构建、求解与结果输出。这里先给出一组完整的算例参数，建议直接照着敲进去。

数据准备部分，核心代码如下：

%% 基础数据定义 T = 24; % 调度时段数，单位小时 dt = 1; % 时段长度 % 24小时负荷预测曲线（kW） Load = [510 480 460 440 430 450 520 650 880 1200 1450 1520 ... 1480 1400 1420 1510 1580 1700 1820 1760 1600 1350 980 720]; % 24小时风电出力预测曲线（kW） Wind = [320 350 380 360 340 300 280 260 240 220 200 180 ... 160 170 190 210 230 250 260 250 240 220 200 180]; % 24小时光伏出力预测曲线（kW） PV = [0 0 0 0 0 20 80 180 300 400 450 480 ... 460 420 350 250 150 50 0 0 0 0 0 0]; % 分时购电价（元/kWh） price = zeros(1, T); price(1:7) = 0.35; % 谷段 23:00-06:00 price(8:17) = 0.75; % 平段 07:00-16:00 price(18:21) = 1.2; % 峰段 17:00-20:00 price(22:24) = 0.35; % 谷段 21:00-22:00

这里有意识地让风电出力集中在中夜时段，光伏集中在午间，负荷高峰出现在傍晚，三个特征叠加在一起就会形成一个非常典型的调度场景：白天光伏多，中午负荷相对低；晚上负荷冲高，光伏归零，这时候就是储能放电和微燃机出力的时候。这样的数据设置能让结果图看起来非常有“戏”。

4.2 基于Yalmip的建模代码实战

变量定义是建模的第一步。决策变量有：联络线购电功率、微燃机出力、储能充放电功率、两个二进制变量、SOC、需求响应削减量、弃风弃光量。

%% 决策变量声明 P_grid = sdpvar(1, T); % 购电功率 P_mt = sdpvar(1, T); % 微燃机出力 P_ch = sdpvar(1, T); % 储能充电功率 P_dis = sdpvar(1, T); % 储能放电功率 u_ch = binvar(1, T); % 充电状态 u_dis = binvar(1, T); % 放电状态 SOC = sdpvar(1, T+1); % 荷电状态，多一个末端点 P_dr = sdpvar(1, T); % 需求响应削减量 P_wc = sdpvar(1, T); % 弃风量 P_pc = sdpvar(1, T); % 弃光量

接下来构建约束条件。这里有个小技巧：SOC变量定义成 T+1 维，让 SOC(t+1) 有位置可放，递推式写起来更顺畅。SOC(1)就是初始值，SOC(25)是调度周期结束时的值。

%% 约束条件 Constraints = []; % 功率平衡约束 P_w_use = Wind - P_wc; P_pv_use = PV - P_pc; for t = 1:T Constraints = [Constraints, ... P_grid(t) + P_mt(t) + P_w_use(t) + P_pv_use(t) + P_dis(t) == ... Load(t) - P_dr(t) + P_ch(t)]; end % 储能SOC递推与约束 eta = 0.95; SOC_max = 0.9; SOC_min = 0.2; SOC_init = 0.45; P_bat_max = 200; Constraints = [Constraints, SOC(1) == SOC_init]; for t = 1:T Constraints = [Constraints, ... SOC(t+1) == SOC(t) + eta * P_ch(t) - P_dis(t) / eta]; Constraints = [Constraints, ... SOC(t+1) >= SOC_min, SOC(t+1) <= SOC_max]; Constraints = [Constraints, ... 0 <= P_ch(t) <= P_bat_max * u_ch(t)]; Constraints = [Constraints, ... 0 <= P_dis(t) <= P_bat_max * u_dis(t)]; Constraints = [Constraints, ... u_ch(t) + u_dis(t) <= 1]; end % 调度周期末SOC回到初始值，保证方案可循环执行 Constraints = [Constraints, SOC(T+1) == SOC_init]; % 微燃机约束 P_mt_min = 50; P_mt_max = 500; P_mt_ramp = 100; Constraints = [Constraints, P_mt >= P_mt_min * ones(1,T), ... P_mt <= P_mt_max * ones(1,T)]; for t = 2:T Constraints = [Constraints, ... abs(P_mt(t) - P_mt(t-1)) <= P_mt_ramp]; end % 联络线功率约束 P_grid_max = 1200; Constraints = [Constraints, 0 <= P_grid <= P_grid_max]; % 需求响应约束 dr_ratio = 0.15; Constraints = [Constraints, 0 <= P_dr <= dr_ratio * Load]; % 弃风弃光约束 Constraints = [Constraints, 0 <= P_wc <= Wind, 0 <= P_pc <= PV];

这里有两个运算细节说明一下。第一，sdpvar 是 Yalmip 工具箱定义的变量类型，本质上是一个“符号变量”的容器，配合 optimize 函数使用；如果你没用过 Yalmip，先花半个小时过一遍基础语法，后面就顺了。第二，微燃机的爬坡约束直接写了不等式，因为 P_mt 本身可正可负，abs 函数在 Yalmip 里会自动展开成线性不等式约束，不需要手动拆成两个约束。

目标函数的构建也很直接：

%% 目标函数 c_mt = 0.45; % 微燃机发电成本 元/kWh c_dr = 0.88; % 需求响应补偿单价 c_cur = 1.5; % 弃风弃光惩罚 c_bat = 0.2; % 储能退化成本 obj = sum(price .* P_grid) + c_mt * sum(P_mt) + c_dr * sum(P_dr) ... + c_cur * (sum(P_wc) + sum(P_pc)) + c_bat * (sum(P_ch) + sum(P_dis));

4.3 求解器配置与结果输出

求解器配置很简单，但这一步对求解速度影响很大。我一般用某个商业MILP求解器，在学术授权下可以正常使用。如果你没有商业求解器，Yalmip 也可以调用开源的 Cbc 求解器，面对这个规模的算例（24时段、几十个0/1变量）完全扛得住，只是求解时间会略长一点。

%% 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 2, ... 'showprogress', 0, 'savesolveroutput', 1); result = optimize(Constraints, obj, ops); if result.problem == 0 % 求解成功 P_grid_opt = value(P_grid); P_mt_opt = value(P_mt); P_ch_opt = value(P_ch); P_dis_opt = value(P_dis); SOC_opt = value(SOC); P_dr_opt = value(P_dr); P_wc_opt = value(P_wc); P_pc_opt = value(P_pc); else disp('求解失败，错误信息：'); disp(result.info); end

这里 result.problem == 0 表示求解成功，这是 Yalmip 的一个约定。如果返回的是别的数字，可以去查 Yalmip 的文档对照错误类型，后面调试部分会细说。

4.4 结果图表解读：从调度曲线到运行经济性

求解完成之后，画图这个环节千万不要偷懒。调度结果的合理性，很多时候一眼看图就能看出来，光看数值矩阵反而容易看花眼。

我建议至少画三张图。第一张是功率平衡堆叠图：横轴24小时，纵轴是功率，把购电、微燃机、风电消纳、光伏消纳、储能放电放在正值区，负荷曲线叠加在图上，能直观看到每个时段是哪几个电源在“顶”负荷。第二张是SOC曲线图，重点看SOC的变化是否平滑，有没有突然的锯齿，是否保持在上下限范围内，是否回到了初始值。第三张是需求响应削减量柱状图，和原始负荷、响应后负荷放一起对比。

从图里能读出什么？举我这次跑出来的结果为例：凌晨0点到5点，负荷处于低谷，电价0.35元/kWh，风电出力却很强，此时优化器选择给储能充电，把多余的风电吸收掉，同时少买电网电；早上6点到8点，光伏开始爬坡，电价进入平段，储能转成放电，配合光伏把早高峰顶下来；到了傍晚17点到20点，光伏归零、负荷冲到峰值，此时电价1.2元/kWh，优化器让储能全功率放电，同时调用了一大块需求响应，把峰时购电需求压到联络线限值以内。这套调度逻辑和“谷充峰放、削峰填谷”的工程直觉完全一致，说明模型建对了。

提醒一点：如果最终的SOC曲线在一天内几乎没怎么动，优化器给出的方案可能是“储能闲置”。这种情况要么是峰谷价差太小，要么是储能退化成本定得太高，导致套利收益覆盖不了损耗。不要急着改模型，先检查参数设置的合理性。

5. 跑模型踩过的坑：无解、锯齿和DR泛滥

5.1 模型无解的排查路径

初学者遇到“Infeasible problem”是最崩溃的。明明感觉所有约束都是对的，为什么无解？我的经验是按下面这个顺序排查：

第一，先查等式约束是否存在矛盾。功率平衡等式如果没有写对，比如储能充电负荷忘了放在等式右边，很可能在某个时段出现“发电机加起来都不够用”的局面。

第二，查SOC初值和上下限是否矛盾。比如你把SOC初值设成0.1，但下限是0.2，那第一个约束就无解，这个错误在模型初始化阶段就能找出来。

第三，查二进制互斥约束。u_ch加u_dis小于等于1，这个约束本身不会导致无解，但如果同时规定了充放电功率的上下限，而上限设置得太小，也可能让某些时段没有可行动作。

第四，用“逐步卸载法”做测试。先把目标函数去掉，只求一个可行解；如果可行解都没有，再逐个删约束，删到哪一条模型突然可解了，问题就出在哪一条上。这个方法虽然笨，但非常有效。

5.2 SOC曲线锯齿与数值振荡

另一种常见的异常是SOC曲线呈锯齿状，比如相邻时段SOC在0.45和0.5之间来回跳。出现这种情况，往往不是模型错了，而是最优解本身不唯一，目标函数对储能充放电的某些细节不敏感。比如峰谷价差比较小的时候，充多少电、放多少电对总成本差异不大，优化器就在多种等价方案里随意挑了一个，结果看起来就“抖”。

解决办法是给目标函数加一个小的正则项，比如对储能吞吐量加一个极小的惩罚系数，或者对储能出力变化率加一个小惩罚，让优化器偏向“少动”的方案。我一般把这种正则系数设成1e-4元/kWh，对总成本影响可以忽略，但能有效抑制锯齿。

5.3 需求响应“过度调用”的陷阱

需求响应补偿单价设置不当，会出现一个很有意思的现象：DR削减量几乎每个时段都顶到上限，优化器“逢峰必削”。如果补偿单价高于所有时段的购电价，模型当然会疯狂调用DR，因为它把DR当成“免费的负负荷”。

但现实中，用户不可能无条件接受削负荷。所以除了给DR设置比例上限之外，还要检查经济参数上DR是否被过度倾斜。一个工程上常用的做法是：把DR补偿单价定在峰段电价和平段电价之间，比如我算例里的0.88元/kWh。这样设计后，模型只会在电价超过0.88的时段调用DR，自动体现了经济选择性。

5.4 求解器报错与Yalmip版本问题

Matlab这套生态里，Yalmip本身是不熟的人容易出问题的点。有些老版本的Yalmip对二进制变量和sdpvar的运算规则支持不完整，建议直接装最新版。求解器方面，如果报“No appropriate solver for problem type”，说明求解器没装好或者没有被Yalmip识别。在Matlab命令行里跑一下yalmiptest，它会自动检测当前环境里有哪些可用的求解器。

另外，目标函数里如果把sum(price .* P_grid)写成了price * P_grid'，虽然Yalmip多数时候能正确处理，但还是建议保持维度习惯一致，都是1x24的行向量，直接用元素乘和sum，清楚又不容易出错。

6. 做完这个算例，还能往哪些方向继续深挖

6.1 不确定性建模：从确定性到场景法

日前调度用的是预测值，但风电和光伏预测不可能完全准确。工程上更严谨的做法是考虑不确定性，比如用场景法：生成一组典型的风光出力场景，每个场景带一个发生概率，目标函数变成所有场景的期望成本。这样模型规模会成倍增长，但调度方案对预测误差的适应性会强很多。

如果要进一步做鲁棒优化，那就是另一套建模思路了，需要把约束条件改造成“在最坏场景下也满足”的形式。鲁棒优化的好处是不需要假设概率分布，但计算复杂度更高，而且最优解可能偏保守。对初学者来说，我建议先把确定性模型吃透，再往场景法方向过渡。

6.2 碳交易与低碳调度

双碳目标下，碳排放约束已经成了微电网调度绕不开的话题。可以在目标函数中增加碳交易成本项：超过免费配额的部分要去碳市场购买，低于配额的部分可以卖出。碳排放主要来自上级电网购电（火电为主）和微燃机发电，风电光伏和储能不产生直接碳排放。碳价给到一个合理区间后，优化器会自发增加新能源消纳、减少峰时购电，结果往往比单纯的经济调度更符合政策导向。

6.3 考虑EV充电负荷与多微网协同

电动汽车大规模接入之后，微电网里的负荷结构会发生质变。EV充电桩既是负荷，也是潜在的移动储能资源，有序充电和无序充电对微电网运行成本的影响差异非常大。把EV充电功率作为可控变量加进模型，一共也就多几个约束和一个控制变量，但研究价值一下子提升不少。

多条微电网互联之后，彼此之间可以共享功率、互为备用，这时候就涉及到多主体协同优化的问题了，目标函数从单个微电网成本最小变成系统级社会福利最大化，求解算法也要升级成分解算法或者分布式优化方法。做完单个微电网的日前调度之后，往这个方向走，基本就是当前微电网领域比较活跃的研究前沿了。

我个人跑完这一整套算例，最大的体会是：模型的价值不在于用了多高深的算法，而在于每一处细节是否贴合物理实际。一个SOC递推公式的单位写错，能让整个优化结果失去工程意义；一个需求响应的补偿单价设得不合理，能让DR在结果里“疯狂打工”。如果你现在也正在啃微电网经济调度这个方向，建议先把这条文章里的基础算例完整复现一遍，再慢慢往里加自己的东西。调度曲线跑通的那一刻，你对整个微电网系统的理解，会有一次质的提升。