企业官网建设流程全解析

做电力系统优化的人，最近两年应该会频繁碰到一个词——虚拟电厂。我刚拿到这套“日前调度+日内调度”两时间尺度调度优化的Matlab代码时，第一反应是标题很大，但真正跑通以后发现，这个项目的核心思路其实特别清晰：把虚拟电厂内部的风电、光伏、储能、可控负荷这些资源，放在两个不同的时间尺度上分别做优化，一个管全天的大节奏，一个管接下来几小时的细账，最后整理成两条互补的调度曲线。对于正在做分布式能源、微电网或者储能调度方向的同学来说，这确实是个非常值得花时间吃透的复现工作。这篇文章我就把整个模型的拆解思路、Matlab代码实现细节、以及复现过程中容易踩的坑一起盘一盘。

1. 项目到底在做什么：把标题拆开看调度体系

1.1 虚拟电厂和它要解决的真实问题

虚拟电厂不是什么铁塔电线建出来的物理电厂，而是把分散的分布式资源用通信和算法“拧”成一股绳，对外整体表现为一个可控电源。一个写字楼屋顶的光伏、一个园区的储能柜、一批可以错峰启停的空调负荷，单独拿出来都不够调度部门正眼看一下，但聚合起来可能是几兆瓦的调节能力。虚拟电厂的价值就在于聚合和协同，而协同的关键就是调度。

调度在这里解决的是一个非常现实的问题：明天光伏大发的时候储能要不要充电、充多少；负荷晚高峰的时候是让储能放电还是削减一部分可中断负荷；电价低谷时段要不要从电网多买点电存起来。这些问题必须提前做一个相对合理的安排，不然等到实时运行再反应，就已经来不及了。这套复现项目做的事情，就是把这个“提前安排”的过程用数学优化模型写了下来，并且在两个时间尺度上分别做了一遍。

1.2 为什么非要分两个时间尺度：一锤子买卖不靠谱

刚开始接触这个方向的人最大的疑问往往是：为什么不干脆做一个整体优化，把所有时段和所有设备一把算完，非要分开做“日前”和“日内”两层？

原因很简单，预测精度和决策时机的矛盾。离实际运行时间越远，新能源出力和负荷的预测误差越大。你提前24小时看明天的光伏曲线，基本只能看个大概；但如果提前1小时甚至15分钟再看，准确度就高很多。如果只做日前调度，等于拿一个粗糙的水晶球制定全部计划，实际运行必然对不上；如果只做日内调度，储能和机组启停这种需要提前准备的决策又来不及反应。

所以业界标准的做法就是分层决策，长周期定大方向、短周期做修正。日前调度以小时为颗粒度优化未来24小时，得出一个基准计划；日内调度以15分钟甚至更细的颗粒度滚动优化近几个小时的调整量。两层之间有数据传递、有约束衔接，这就构成了本项目的完整闭环。

2. 日前调度：提前一天的大节奏规划

2.1 日前调度到底在优化什么

日前调度的任务是在“看到”未来24小时负荷预测、新能源出力预测和电价的基础上，决定未来一天虚拟电厂内部各设备的运行计划。目标函数一般有两种写法，一种是运行成本最小化，一种是收益最大化。我这次复现采用的是成本最小化框架，本质上两者等价，只是符号和价格项的位置不同。

成本项通常包含：向上级电网购电的费用、燃气轮机或者柴油机的发电成本、储能充放电的损耗折价、以及调用可中断负荷的补偿费用。收益项则是向电网售电的收入。目标函数的数学形式如下：

min ∑(购电成本 + 机组燃料成本 + 储能老化成本 + 可中断负荷补偿 − 售电收入)

这里有个细节容易被新手忽略：储能本身没有燃料成本，但如果完全不设置充放电的“使用代价”，优化器就会让储能频繁动作，甚至出现为了几分钱来回倒腾的情况。在实际电力系统中这叫“短时往复调度”，对电池寿命很不友好。所以复现时最好在储能项加一个很小的单位成本系数，哪怕只有每千瓦时几厘钱，也能让结果稳定合理得多。

2.2 决策变量和约束条件的实际含义

日前调度的决策变量包括：各时段向电网购电功率、售电功率、储能充电功率、储能放电功率、可中断负荷的削减量。如果虚拟电厂里还有燃气轮机，那么机组的启停状态、出力大小也是决策变量，这就引入了0-1整数变量，模型也从线性规划升级成混合整数规划。

约束条件里最重要的几条，我按实际建模顺序列一下：

• 功率平衡约束：任何时候总发电加上购电，必须等于总负荷加售电加储能充电。这个约束把整个虚拟电厂内部的电能流动串成一条线。
• 储能SOC递推约束：剩余电量等于上一时段加充电减放电，还要乘上充放电效率。充放电效率的取值很敏感，一般充电取0.9到0.95，放电同样。如果这个参数写错，整个调度结果的SOC曲线会出现明显的物理不守恒现象。
• 充电和放电互斥约束：模型必须限制同一时段不能既充电又放电。这个在建模时用两个0-1变量就能实现。虽然在理论上充放互斥属于常识，但如果不显式建模，求解器真的会让你看到电同时流进流出这种滑稽结果。
• 爬坡约束：机组出力和储能功率在相邻时段的调整量不能超过上限，否则设备实际跟不上计划的调整速度。
• 可中断负荷约束：削减量不能超过合同约定的上限，也不能让总削减量超过当天可用的总量。

2.3 一个典型的24小时算例

为了让模型落地，我在复现时自己构造了一份接近真实特征的测试数据。负荷曲线取了典型的双峰形状，早高峰出现在9点到11点，晚高峰出现在18点到21点。光伏出力做了个钟形曲线，中午12点到14点达到峰值。风电设成一个相对稳定的基荷加上一点随机波动。分时电价采用峰平谷三段结构，低谷时段电价大约只有高峰的40%。这个典型日设置非常关键，因为只有把峰谷差和新能源波动做得明显，日前调度才能看出有意安排的“谷充峰放”响应行为。

跑完日前优化以后，你会得到一条全天24小时的购电计划曲线，以及储能各时段是充还是放的序列。比如光伏大发的中午时段，如果光伏出力超过负荷，储能大概率会进入充电状态；晚高峰电价高的时候，储能就会放电替电网分忧。这个结果虽然看上去“理所应当”，但它背后是上千个约束条件同时满足后得到的最优解，而不是靠规则拍脑袋拍出来的。

3. 日内调度：滚动优化的误差修正机制

3.1 日内调度为什么必须滚动着算

日内调度的核心机制是滚动优化，工业界叫模型预测控制。基本思路是：每15分钟触发一次优化，但并不是一下子把后面96个时段全部定死，而是只看未来4个小时的窗口，算出结果后只执行下一个15分钟的动作，等到下一个触发时刻，用最新的超短期预测数据重新优化一遍窗口。

这个过程有点像导航软件，每次重新规划路线，但只看着下一个路口怎么走。因为超短期预测（未来4小时）明显比中期预测（未来24小时）准，所以每次重新规划都能把最新的误差信息吸收进来，主动修正偏差，而不是等着偏差累积到最后爆发。

3.2 日内调度目标和约束与日前有什么不同

日内调度不是简单地把日前模型的时间分辨率改细再算一遍，它的核心逻辑从“全局最优”变成了“跟踪和修正”。目标函数通常由两部分组成：一是运行成本项，二是偏差惩罚项。偏差惩罚项衡量的是日内出力计划与日前计划之间的偏离程度，偏离越大惩罚越重。

这样设计的原因很直白：日前计划已经对电网做过申报，日内如果大幅度偏离，相当于违约，会产生考核费用。所以日内调度是在“尽量守住日前承诺”和“尽量少花新成本”之间做权衡。

约束上与日前的差异在于：日内时段粒度更细，比如15分钟一个断面，一个4小时的滚动窗口就有16个时段；储能设备的物理约束不变，但SOC初值必须取当前实际量测值，而不是理论推算值。这个“初值取真实值”的细节是系统能否闭环的关键，如果还是用日前的SOC计算值做初值，误差就会在一天内不断滚动累积，最终日内调度完全失控。

3.3 偏差惩罚系数怎么调

偏差惩罚系数是整个日内调度模型里最敏感的系数。设得太小，日内结果可能和日前计划完全脱节，失去跟踪意义；设得太大，日内模型又几乎不敢做任何调整，一旦实际光伏和日前预测差别很大，系统就硬扛着，反而浪费了日内预测精度高的优势。

实际操作中我习惯先看量级。先把成本项里的电价放进去，再把偏差惩罚设为电价的2到5倍，做一个基准版本跑一遍。然后检查日内调度给出的出力曲线和功率平衡情况：如果曲线频繁剧烈波动，说明惩罚系数偏小；如果曲线几乎和日前计划重合，但实际负荷预测发生了明显变化，说明惩罚系数偏大。做两三次敏感性测试基本就能定下来。这个调参过程不是玄学，本质上是你对模型“胆子”和“稳定性”的主动控制。

4. Matlab复现的工程细节与代码逻辑

4.1 工具链选型：YALMIP还是intlinprog

Matlab做优化调度，首先面对的是建模工具选择。这个项目我推荐直接使用YALMIP，理由很实际：它可以用人类能读懂的方式写约束和目标，而不是把所有约束手动塞进矩阵A和向量b里。模型复杂的时候，矩阵方式非常容易写错行列号，而且错了极难排查。YALMIP的底层再调用具体求解器，既可以用Gurobi，也可以用Cplex，没有商业授权的话用开源的SCIP或者Matlab自带的intlinprog也能顶一阵。

我在本地用的是YALMIP加Gurobi的组合，Gurobi在求解混合整数规划问题上速度确实快，尤其是日内调度要滚动跑几十次优化，每轮都要在几百毫秒内出结果，求解器性能非常影响体验。

4.2 核心代码结构拆解

整个Matlab代码建议按功能拆成四大块，而不是一个主脚本从头写到尾：

第一块是数据准备模块。所有负荷、新能源出力、电价、设备参数都放在结构体或者表格里，集中管理。这样后面无论是改数据还是做敏感性分析都很方便。第二块是模型搭建模块，定义决策变量、约束和目标函数。第三块是求解模块，调用求解器并处理返回结果。第四块是结果后处理和出图模块。

日前调度模型搭建的核心代码框架大致如下：

%% 日前调度模型框架（示意） % 24时段决策变量 Pbuy = sdpvar(1, 24, 'full'); % 购电功率 Psell = sdpvar(1, 24, 'full'); % 售电功率 Pch = sdpvar(1, 24, 'full'); % 储能充电 Pdis = sdpvar(1, 24, 'full'); % 储能放电 u_ch = binvar(1, 24); % 充电状态 u_dis = binvar(1, 24); % 放电状态 Constraints = []; % 功率平衡、储能SOC、上下限、互斥等约束依次添加 Constraints = [Constraints, Pbuy >= 0, Pbuy <= Pbuy_max]; % ... 省略中间大量约束写法 Objective = sum(price .* Pbuy) - sum(price_sell .* Psell) ... + sum(C_fuel * Pg) + sum(C_load * Pcut); sol = optimize(Constraints, Objective, sdpsettings('solver','gurobi'));

日内调度则是在这个基础上套了一层循环，外层每15分钟推进一次，内层做当前窗口的优化模型，优化完取第一个时段的决策结果存下来，然后更新SOC状态，进入下一轮。这个滚动循环是整套代码的枢纽，看似简单，但状态变量的传递和初值更新非常容易出bug，我后面会专门讲。

4.3 结果分析：不是画出图就完事了

优化跑完，用Matlab的plot函数画出购电曲线、储能SOC曲线、新能源出力和负荷曲线是基本操作。但作为复现，更重要的是验证结果是否符合物理直觉和预期规律。我的检查顺序一般是这样：先看功率平衡残差，确认每个时段发电、购电、用电都是严格守恒的；然后看储能SOC初值和末值，一个完整日内调度周期SOC首尾偏差不能太大，否则说明存在能量的“凭空产生”；最后看充放电状态序列，确认没有同段充放、没有跨越上下限的功率越界。

如果这三项都通过，复现结果基本可信。如果发现SOC曲线在某个时段突然跳变，别急着调参数，先回去查约束定义是不是漏掉了一行SOC递推。

5. 复现过程中常见的坑与解决实录

5.1 求解器层面的坑

我复现这套代码时踩的第一个坑是YALMIP报出“No suitable solver”错误。原因很简单，机器里装了YALMIP但没装任何求解器，或者装有Gurobi但Matlab找不到它的路径。解决办法是把Gurobi安装目录下的mex文件路径添加到Matlab搜索路径，并在YALMIP里执行yalmiptest验证求解器是否可用。

还有一个很容易踩的坑是求解器性能设置。默认参数下Gurobi求解混合整数规划有时会很慢，原因不是模型太大，而是求解器默认开启了很多冗余策略。实际用的时候可以把求解器输出关掉，设置合理的MIP gap，比如0.05%到1%之间，对大多数调度应用来说已经足够精确，速度却能快一个数量级。

5.2 模型层面的坑

模型层面最经典的bug之一就是储能SOC递推公式里的时间步长系数乘错。日前调度步长是1小时，日内调度步长是0.25小时，如果从日前代码复制到日内时忘记把Δt从1改成0.25，整个日内优化的结果会平庸到让你怀疑人生——储能几乎不动，因为模型认为充一小时才增加一点电量，收益远低于实际预期。

另一个常见问题是约束里变量的维度没对齐。YALMIP对维度不一致通常只是警告，不会直接报错，但你调用求解器后会发现结果莫名其妙，可能某个约束里变量全被赋予了0。遇到这种问题，最直接的办法是逐个约束检查size是否一致。

我还遇到过可中断负荷约束漏写上界，结果优化器为了省成本直接把所有负荷都“中断”掉了，出现全天负荷大幅削减。这种结果在数据上可能严格满足所有约束，但物理上完全不合理。所以运行完一定要检查关键决策变量的上下限有没有被结构性突破。

5.3 问题速查表

5.4 几个值得试一试的扩展方向

如果基础版本已经跑通，我建议可以往两个方向扩展，让这个项目更有深度。一个是把不确定性建模加进去，用场景法或者机会约束替代目前的确定性预测，这样能对比出确定性模型在光伏预测误差大时的局限性。另一个是把需求响应更精细化，比如给可中断负荷添加响应时间约束，模拟工业用户和商业用户不同的响应特性。这些扩展方向每加一个，模型复杂度上一个台阶，但可解释性和工程价值也会明显提升。

我个人在实际操作中的体会是，这种多时间尺度调度模型的复现，最大的收获不在模型本身，而在跑通全流程后对“预测、决策、执行、修正”这个闭环的理解。调度不是算一次就完事，而是动态跟踪和滚动修正的连续过程。如果你只把代码跑通画个图就收手，那这套复现的功力只发挥了三成。真正值得花时间的是把滚动窗口的每一步掰开看，理解每个时段的决策为什么在变、变化是数据驱动的还是模型结构导致的。这套思路吃透以后，不管后面是继续搞微电网优化、储能调度还是参与市场出清，底层逻辑都是通的。