风光储互补调度模型：废弃矿井抽蓄与电池储能协同优化-北京尧图网络

做过新能源消纳或者源网荷储协同研究的人应该都遇到过这么一个问题配了风光、配了储能但调度策略还在靠经验拍脑袋。白天光伏大发的时候把电池充满晚上风电出力上来了电池却早就没电了大电网负荷尖峰出现在晚八点抽水蓄能却因为上水库没水而无法顶峰。说到最后缺口往往不是设备而是没有一个能同时看见“发、储、用”全局的调度器。这篇文章要聊的就是把这个调度器用数学建模和Python代码落地的全过程——风电、光伏、电池储能、废弃矿井小型抽水蓄能放在同一个优化框架里的互补调度运行研究。这套东西适合谁看如果你是做电力系统运行优化、新能源消纳、储能规划方向的研究生或者你正在负责某个微电网、增量配电网、源网荷储一体化项目的调度策略设计那今天的内容基本就是为你准备的。我会把模型的每一层拆开讲为什么要做互补调度、废弃矿井抽水蓄能在模型里怎么处理、目标函数和约束条件怎么编码、求解器怎么选以及我在实际调参过程中踩过的那些坑。看完之后你至少能自己搭一套可运行的风光储互补调度模型而不是拿着别人的代码改两行就交差。先给一个总览式的判断这类调度问题的本质是一个多时间尺度、多能源形态、带0-1整数变量的大规模优化问题。它的数学模型可以归结为混合整数线性规划MILP求解工具用Python的PuLP、cvxpy或直接调Gurobi都行。结构上并不复杂但魔鬼全在约束细节里。1. 为什么风光储非要“互补调度”而不是各干各的1.1 新能源的两大硬伤波动性与反调峰在讲互补调度之前得先把“为什么要调度”这件事说透。风电和光伏是典型的强随机性电源风电看天气光伏看日照两者都不是“命令它发多少就发多少”的机组。这种出力不可控性带来两个直接问题一个是波动性一个是反调峰。波动性很好理解云飘过来光伏出力十分钟内可能掉一半风速从6米/秒变到11米/秒风机出力能从额定值的20%冲到90%。电网要求发电和用电时时刻刻相等这种快速波动如果全扔给电网去扛常规火电的爬坡能力根本跟不上所以必须靠储能去平抑。反调峰则更隐蔽光伏恰好是中午出力最大而午间往往是负荷低谷风电则是夜间出力大夜间也是负荷低谷。也就是说新能源大发的时间段电网恰恰最“闲”这就导致弃风弃光成为常态。我见过不少新能源基地日报白天光伏弃电率超过20%晚上风电又在弃同时晚高峰还从电网买高价电——听着很荒诞但这就是没有统一调度时的真实状态。解决这两个硬伤靠的就是储能这个“缓冲池”。但储能本身也分类型不同类型的响应速度和持续放电时间完全不同这就引出了下面的关键逻辑。1.2 电池与抽蓄在时间尺度上的分工电池储能和抽水蓄能虽然都被叫“储能”但在调度模型里的角色差异非常大。电池的本质是功率型储能响应时间毫秒级到分钟级能量密度高但容量相对有限而且循环寿命是硬约束——频繁深充深放两三年就衰减得没法用了。抽水蓄能则是典型的能量型储能单机容量大库容可以支撑数小时甚至十小时以上的持续发电机械寿命很长但响应偏慢从抽水工况切换到发电工况往往需要几分钟。这就决定了它们在互补调度里的分工电池负责“平波动”也就是高频分量比如午间光伏突降、晚高峰负荷爬坡这些分钟级到小时级的扰动抽蓄负责“削峰填谷”把午间的富余电量存起来放到晚高峰甚至次日凌晨去用。更细一点说抽蓄做的是能量在一天甚至几天尺度上的时空转移电池做的是功率在分钟小时尺度上的动态平衡。两者叠加才能覆盖风光出力的全频段波动。回到标题里的“小型抽水蓄能”其实这里隐藏了一个很实际的考虑大型抽蓄站选址要求高需要天然落差大、水源充足不是随便哪里都能建。而废弃矿井恰恰提供了现成的竖井和巷道空间把采空区或巷道改造成上、下水库能显著降低土建成本。这类小型抽蓄的容量通常只有几兆瓦到几十兆瓦响应特性和电池正好互补——它装不了太多功率但持续放电时间能到几个小时单位千瓦时成本比电池低得多。在模型里它和常规抽蓄的建模逻辑没有本质区别只是参数数量级完全不同。1.3 弃风弃光也是一笔成本不能只看电价很多初做调度模型的人容易犯一个错误目标函数里只写购电成本和售电收益忽略了弃电。但在实际运行里弃风弃光对电站来说是实打实的经济损失对电网来说是调峰资源的浪费。如果你的模型里没有弃电惩罚项求解器就会倾向于“少用储能、多用电网”因为从纯购电成本看这可能是经济最优的——可这样一来储就白装了。一个合理的做法是在目标函数里给弃风、弃光设置一个惩罚系数让求解器在“多买电但少弃电”和“多储电但少弃电”之间自行权衡。惩罚系数的取值一般要高于购电电价的边际成本这样才能真实反映消纳优先级。这也是为什么我在后面的代码里会专门加一个c_curtail参数它就是用来告诉求解器“每弃一万度风光相当于损失多少钱”的。2. 废弃矿井小型抽水蓄能这个题目的隐藏主角2.1 为什么抽水蓄能会看上废弃矿井聊这个之前先说一个背景全球不少矿区在关停后竖井、巷道、采空区往往被闲置但其中相当一部分地质结构稳定、防水条件好具备改造成储水空间的潜力。把上层巷道改造成上库下层巷道改造成下库中间用已有的竖井做输水通道再安装水泵水轮机组就成了一座小型抽水蓄能电站。这种做法的好处有几条一是地面工程少、生态扰动小审批压力相对轻二是利用已有矿井设施建设周期和投资都远低于新建常规抽蓄三是矿井本身往往离负荷中心不远接入电网方便。当然它也有明显的局限能用的废弃矿井必须具备足够的水源补给条件同时巷道围岩不能有大的渗漏风险否则运行成本会急剧上升。所以在做完可行性分析、确认某座矿井具备改造条件之后它在调度模型里就是一个“带库容约束的抽蓄电站”数学上和常规抽蓄没差别我只提醒一点小型机组的水头变化大效率往往不是固定值建模时要考虑用分段线性化去逼近效率曲线或者干脆用保守的固定效率在结果里留出裕度。2.2 抽蓄建模时的关键约束在调度模型里抽蓄电站的核心变量是发电功率、抽水功率、上库水量、下库水量以及运行工况标志0-1变量。它的物理约束主要有这么几类。第一运行工况互斥。同一时刻只能处在发电流态或抽水态不能又抽又发这是基本的物理逻辑也避免模型钻空子。在MILP里这就是一对互斥的0-1变量发电工况1时抽水工况必须0反过来也一样。第二上下库容限制。上水库水量有上限和下限下限是为了保证有足够水头上限是库容硬约束下水库也是同理。在模型里就是水量递推方程加上下限约束。第三水能转换关系。发电流量乘以效率折算成发电出力抽水功率乘以效率折算成抽水流量这里要特别注意效率乘在哪一侧。很多初学者把效率乘错位置结果能量不守恒模型跑出来“凭空多出”几千度电。我的习惯是抽水时ΔV_up η_pump × P_pump × Δt / 能量转换系数发电时P_gen η_turbine × ΔV_down × 能量转换系数 / Δt两个效率都放在功率到流量这一侧。第四水库水量日平衡或调度周期平衡。如果模型是滚动调度的每天零点不一定要求上库水位回到初始值但要给一个约束或惩罚让它在周期内不至于把库放空或长期堆满否则调度结果在日与日之间没法衔接。这个约束看起来不起眼但直接影响下一个调度周期的可行性。2.3 电池储能和矿井抽蓄的差异对比直接决定约束写法为了帮助大家理解我把这两类储能的关键参数和模型处理方式列成一张表特性电池储能矿井小型抽水蓄能典型容量10MW / 20MWh10MW / 40MWh响应速度毫秒级~分钟级分钟级启动切换时间无可秒切抽发切换需数分钟建模中通常设最小切换时间或直接忽略次小时效应持续放电时间1~4小时4~10小时循环寿命数千次受DOD影响大机械寿命可近50年建造成本较高且随容量线性上升前期土建低但受矿井条件限制往返效率约90%~95%约70%~80%模型关键约束SOC范围、充放功率上限、功率互斥上/下库容、水量递推、发电/抽水互斥、日末水量衔接从表格能看出来电池建模的核心是SOC荷电状态递推和功率互斥抽蓄建模的核心是水量递推和工况切换。SOC递推本质上是能量守恒下一时刻的SOC等于当前SOC加上充电量减去放电量再乘效率。水量递推也是一样的结构只不过把“电量”换成了“水量”把“SOC”换成了“上库蓄水量”。理解了这一点你在写代码的时候就会发现两类储能可以共用同一套递推模板只是变量名和泛化系数不同。3. 调度运行的数学模型怎么把“想法”变成“公式”3.1 目标函数最小化综合运行成本前面铺垫了那么多物理逻辑现在落到数学上。这个调度模型的优化目标我建议写成“综合运行成本最小化”它不只包含买电钱而是把弃电损失、储能损耗都折算进去。典型的表达式是min Σ_t [ c_buy(t)·P_buy(t) − c_sell(t)·P_sell(t) c_curtail·(P_wind_avail(t) − P_wind_use(t) P_pv_avail(t) − P_pv_use(t)) c_bat_degrade·(P_ch(t) P_dis(t)) c_phs_om·(P_gen(t) P_pump(t)) ]其中c_buy(t)是分时购电价c_sell(t)是上网售电价P_buy、P_sell是关口功率c_curtail是弃电惩罚单价P_wind_avail和P_pv_avail是风光可用出力P_wind_use和P_pv_use是实际消纳出力两者之差就是弃电量。后面两项是电池退化损耗和抽蓄运行维护成本数值通常设得很小目的是让求解器在多个同成本方案之间有个明确的倾向避免出现“电池被无意义地频繁充放”这种数学解。重点解释一下为什么把弃电惩罚放进目标函数而不是约束条件。如果你把它写成硬约束“弃电率必须小于5%”那么在某些极端天气连续阴雨天加上无风系统可能根本做不到模型就直接不可行。而把它放进目标函数就成了软约束求解器会在“惩罚多弃电”和“花钱买电”之间做一个经济权衡这个行为更贴近真实运行逻辑。3.2 功率平衡与电网交互约束整个调度模型的第一条约束永远是节点功率平衡在单母线结构里就是“发用电时刻相等”。写成公式就是P_buy(t) P_wind_use(t) P_pv_use(t) P_bat_dis(t) P_phs_gen(t) P_load(t) P_sell(t) P_bat_ch(t) P_phs_pump(t)这里每个变量都要带时间索引上下标要仔细核对别把充放电方向写反。P_buy和P_sell在现实中不会同时为正但模型如果没有统一关口功率变量就可能出现“一边买高价电一边低价卖电”的套利Bug。解决办法有两种一是直接不允许同时买卖的网络约束财政转移逻辑二是设一个大M惩罚把同时买卖的变量组合压下去。我更推荐直接用约束P_buy(t) * P_sell(t) 0的线性化版本或者干脆在目标函数里让c_buy恒大于c_sell这样求解器自己就不会干傻事。电网交互还有一条边界约束关口交换功率不能超过配变容量。这条经常被忘掉但实际特别重要。很多风光储项目接入的是10kV或35kV配电网变压器容量就那么多你模型里如果不限制P_buy(t)和P_sell(t)的上限求解器会毫无顾忌地让关口功率冲到几百兆瓦结果拿到现场根本没法用。我的做法是把关口功率上限设为一个显式参数P_grid_max同时在结果分析时再检查一下“功率平衡的平均值是否为零”用来做快速校验。3.3 两类储能的状态递推与工况切换约束电池侧的核心递推关系是SOC方程SOC(t1) SOC(t) (η_ch·P_ch(t) − P_dis(t)/η_dis)·Δt/E_bat注意这里有两个效率充电效率和放电效率是分开的。有些简化模型用同一个往返效率的平方根但我建议分开写因为厂商资料里通常会给充电效率和放电效率分开写更准确也更方便后续换成真实的效率曲线。SOC还要加一个运行范围的约束一般取10%~90%这是为了保护寿命也给调度的灵活性留一点余地。抽蓄侧的核心递推是上库水量方程V_up(t1) V_up(t) (η_pump·P_pump(t)·Δt − P_gen(t)/η_turbine·Δt)/k其中k是单位换算系数把电量和库容单位对齐。如果模型里用MWh和万立方米这两个单位不统一就得通过水头折算成同一个单位。我习惯把水头固定在一个设计值附近做线性化这样做模型简单、计算快对于“小型抽蓄、调节范围有限”的场景精度完全够用。工况切换约束是抽蓄建模里最需要小心的部分。单纯的功率上下限约束允许“发电功率为0同时抽水功率也为0”这种情况没问题但如果只设功率上限而不设互斥求解器可能给出“同时有发电功率和抽水功率”的结果物理上就是水轮机在倒转显然不现实。标准写法是引入两个0-1变量u_gen和u_pump加上约束u_gen u_pump ≤ 1然后把功率变量和对应的0-1变量做乘积绑定P_gen(t) ≤ u_gen(t) · P_gen_max P_pump(t) ≤ u_pump(t) · P_pump_max这样写完之后模型才真正具备了“要么抽水、要么发电、要么停机”的物理语义。4. Python代码实现从矩阵到求解器的关键步骤4.1 数据准备和参数初始化代码的第一步不是写模型方程而是把数据整理成干净的DataFrame。我会构造一个标准的24小时调度场景时间颗粒度取1小时你也可以改成15分钟粒度但要注意求解规模会翻四倍。需要准备的数据包括典型日的风电可用出力曲线、光伏可用出力曲线、负荷曲线、分时购电价以及两类储能的物理参数。下面是一段参数初始化的示例直接把数值拿过去改成你自己的就行import pandas as pd import numpy as np T 24 # 调度周期时长单位小时 # 典型日可用出力单位MW df pd.DataFrame({ t: range(T), load: [28, 26, 25, 24, 25, 27, 30, 35, 42, 45, 44, 40, 36, 38, 42, 45, 46, 47, 50, 48, 42, 38, 31, 29], wind_avail: [20, 22, 24, 25, 23, 20, 18, 15, 12, 10, 8, 9, 12, 14, 16, 18, 20, 21, 22, 20, 18, 15, 12, 10], pv_avail: [0, 0, 0, 0, 0, 2, 10, 18, 26, 32, 36, 34, 30, 24, 16, 8, 2, 0, 0, 0, 0, 0, 0, 0] }) # 分时购电价单位元/MWh price_buy [280, 280, 280, 280, 280, 320, 480, 680, 780, 780, 680, 580, 480, 480, 580, 680, 780, 780, 780, 680, 580, 480, 380, 280] # 电池参数 E_bat 60 # 容量MWh P_bat_max 30 # 最大充放电功率MW soc_min, soc_max 0.1, 0.9 soc_init 0.5 # 初始SOC eta_ch, eta_dis 0.95, 0.95 # 矿井抽蓄参数 V_up_max 40 # 上库有效库容单位可看作MWh当量 V_up_min 4 V_up_init 20 P_phs_max 10 # 发电流量上限折算为MW # 抽水工况功率上限也可以单独设这里与发电相同 eta_pump, eta_turbine 0.75, 0.85看到这里你可能会问为什么上库库容单位写成“MWh当量”因为这样可以直接和电量平衡对接不用再关心立方米和水头的换算。更重要的是这个简化方式是很多开源调度模型的通行做法分析结果、画曲线都直观等真正做工程落地时再补水力模型不迟。4.2 决策变量与约束编码模型框架我推荐用PuLP它对MILP的支持很成熟背后可以用开源求解器CBC也可以用Gurobi、CPLEX这些商业求解器。下面给出完整的建模核心代码注意代码里用了“大M”来保证0-1变量和连续功率变量的绑定关系import pulp as lp prob lp.LpProblem(Complementary_Dispatch, lp.LpMinimize) # 决策变量 P_buy {t: lp.LpVariable(fP_buy_{t}, 0, None) for t in range(T)} P_sell {t: lp.LpVariable(fP_sell_{t}, 0, None) for t in range(T)} P_wind {t: lp.LpVariable(fP_wind_{t}, 0, df.wind_avail[t]) for t in range(T)} P_pv {t: lp.LpVariable(fP_pv_{t}, 0, df.pv_avail[t]) for t in range(T)} # 电池变量 P_ch {t: lp.LpVariable(fP_ch_{t}, 0, P_bat_max) for t in range(T)} P_dis {t: lp.LpVariable(fP_dis_{t}, 0, P_bat_max) for t in range(T)} u_ch {t: lp.LpVariable(fu_ch_{t}, catBinary) for t in range(T)} u_dis {t: lp.LpVariable(fu_dis_{t}, catBinary) for t in range(T)} SOC {t: lp.LpVariable(fSOC_{t}, soc_min, soc_max) for t in range(T)} # 抽蓄变量 P_gen {t: lp.LpVariable(fP_gen_{t}, 0, P_phs_max) for t in range(T)} P_pump_v {t: lp.LpVariable(fP_pump_{t}, 0, P_phs_max) for t in range(T)} u_gen {t: lp.LpVariable(fu_gen_{t}, catBinary) for t in range(T)} u_pump {t: lp.LpVariable(fu_pump_{t}, catBinary) for t in range(T)} V_up {t: lp.LpVariable(fV_up_{t}, V_up_min, V_up_max) for t in range(T)}然后是目标函数。弃电惩罚系数我这里设了一个相对购电价较高的值目的是让求解器优先消纳风光# 目标函数 c_curtail 800 # 弃电惩罚元/MWh c_bat_degrade 10 # 电池损耗成本元/MWh c_phs_om 5 # 抽蓄运维成本元/MWh prob lp.lpSum([ price_buy[t] * P_buy[t] - 300 * P_sell[t] c_curtail * (df.wind_avail[t] - P_wind[t] df.pv_avail[t] - P_pv[t]) c_bat_degrade * (P_ch[t] P_dis[t]) c_phs_om * (P_gen[t] P_pump_v[t]) for t in range(T) ]), total_cost再就是约束。功率平衡、电池SOC递推、抽蓄水量递推、工况互斥一个都不能少# 约束 # 功率平衡 for t in range(T): prob (P_buy[t] P_wind[t] P_pv[t] P_dis[t] P_gen[t] df.load[t] P_sell[t] P_ch[t] P_pump_v[t]) # 电池SOC递推 prob SOC[0] soc_init for t in range(T - 1): prob (SOC[t 1] SOC[t] (eta_ch * P_ch[t] - P_dis[t] / eta_dis) / E_bat) # 电池充放互斥 M_bat P_bat_max * 2 for t in range(T): prob P_ch[t] M_bat * u_ch[t] prob P_dis[t] M_bat * u_dis[t] prob u_ch[t] u_dis[t] 1 # 抽蓄水量递推 prob V_up[0] V_up_init for t in range(T - 1): prob (V_up[t 1] V_up[t] (eta_pump * P_pump_v[t] - P_gen[t] / eta_turbine)) # 抽蓄工况互斥 M_phs P_phs_max * 2 for t in range(T): prob P_pump_v[t] M_phs * u_pump[t] prob P_gen[t] M_phs * u_gen[t] prob u_gen[t] u_pump[t] 1到这里模型骨架就搭完了。提醒一下上面为了可读性没有写下水库和联络线功率上限实际使用时任加一条上下限约束即可求解器照单全收结构上不会带来任何麻烦。4.3 求解器选型与耗时管理模型搭好之后就是求解。我一般这么选验证小规模场景用开源的CBCPuLP自带就够了如果要做365天滚动调度、15分钟颗粒度模型变量会膨胀到几万个这时候我会切换Gurobi或CPLEX它们的MIP求解性能比CBC强一个数量级。学术用户去官网申请免费授权个人学习用CBC问题不大。# 在PuLP中切换到Gurobi # solver lp.GUROBI(msgTrue) solver lp.PULP_CBC_CMD(msgTrue) prob.solve(solver) print(状态, lp.LpStatus[prob.status]) print(总运行成本, lp.value(prob.objective))求解时间上24小时、小时级颗粒度的小模型通常几秒就能出结果如果扩展到96个时间点、加入多场景随机优化就要考虑用滚动时域receding horizon来切分子问题而不是一口气求年度解。这也是工程调度和学术研究的典型差异学术喜欢大而全工程更看重每日可更新的可执行性。5. 仿真结果怎么看以典型日的调度曲线为例5.1 三种典型日场景的结果差异模型跑通只是第一步更重要的是学会解读结果。我会构造三个场景来做对比第一个是“高风日”风力出力大、光伏正常第二个是“阴雨无风日”风光都是低位第三个是“高温日”晚上负荷高、风电小、白天光伏强。每种场景跑一次调度模型把最优调度曲线画出来你很快就能看出互补调度的价值。高风日的结果很有代表性夜间风电出力大、负荷低抽蓄机组大概率会进入抽水工况电池也会在SOC允许范围内充电到了午间光伏加入大发电池和抽蓄继续充电削峰傍晚负荷爬坡电池和抽蓄同步放电分担晚峰压力。整个曲线看起来就像“白天储能充电、晚上储能放电”的完美钟摆。阴雨无风日就完全不同了风光无可消纳储能只能靠低价时段从电网买电、高价时段放电套利此时调度模型的核心变成了“电价套利”而非“消纳”。高温日则暴露了互补调度的深层价值白天光伏充足晚上负荷因为空调用电出现双峰甚至三峰电池能量不够撑到深夜这时抽蓄的长时放电优势就体现出来了——白天多存水晚上用4~6个小时逐步放出真正把“能量时移”作用做扎实。而只配电池的方案大概率会在晚九点以后出现缺口。5.2 三个评价指标弃电率、购电成本、储能循环次数调度结果不能只看一条曲线还要量化评价。我常用的三类指标是弃电率、网络购电成本、储能循环等效次数。弃电率定义为可用风光出力减去消纳出力/可用风光出力它反映的是消纳水平网络购电成本就是全天的购电电费减去售电收益储能等效循环次数则用全天的充放电量除以储能额定容量得到比如电池全天充了40MWh、容量60MWh等效循环就是0.67次频繁超过1次就要警惕过度充放。算这三个指标时可以直接用目标函数里已经算过的变量不需要重新跑模型。我习惯在求解结束后再写一个小的统计函数# 统计指标 wind_avail df.wind_avail.sum() pv_avail df.pv_avail.sum() wind_use lp.value(lp.lpSum(P_wind[t] for t in range(T))) pv_use lp.value(lp.lpSum(P_pv[t] for t in range(T))) curtail_rate 1 - (wind_use pv_use) / (wind_avail pv_avail) battery_discharge lp.value(lp.lpSum(P_dis[t] for t in range(T))) cycle_number battery_discharge * 0.5 / E_bat # 粗略等效循环 print(f弃电率{curtail_rate:.2%}) print(f电池等效循环{cycle_number:.2f})在阴雨无风场景里弃电率天然就低但购电成本很高这时就应该分析储能套利收益是否覆盖了储能损耗在高风场景里弃电率如果依然高于5%那大概率是储能容量不足而不是调度模型的问题。这些判断逻辑写清楚比单纯给出一堆数学结果有用得多。5.3 参数敏感性储能容量与分时电价的影响模型跑完一组场景后我强烈建议做一轮敏感性分析因为这才是用模型指导决策的正确姿势。比如把电池容量从30MWh逐步增加到120MWh看弃电率和总成本的变化曲线或者把分时电价的峰谷比从2:1调到4:1看储能的日充放电量怎么跟着变。结果通常会呈现明显的边际递减规律电池容量从30增加到60MWh时弃电率下降得很显著再往上涨每个MWh新增容量能带来的弃电改善就非常有限了。原因是弃电主要发生在午间风电光伏同时出力最大的几个小时内超过这几个小时的储能量之后全是冗余。这时候模型的结论就能直接用于储能容量规划而不只是调度策略本身。这个思路可以顺便回答一个实际问题在废弃矿井抽蓄已经建成的前提下到底还需不需要配电池配多大答案很简单看剩余的高频波动。抽蓄可以处理小时级的峰谷转移但分钟级波动它跟不上这部分就得靠电池来兜底。所以你完全可以固定抽蓄参数去扫电池容量直到弃电率和成本都落到可接受区间——这就是用调度模型反推配置方案的完整套路。6. 实操中容易踩的坑以及我自己的处理方式6.1 同时充放电的“幽灵”必须加0-1互斥变量先说建模中最容易碰到的玄学问题。假设你只写了SOC(t1) SOC(t) (P_ch − P_dis)/E而没写充放互斥约束求解器很可能会给出一个“同时充电和放电”的结果。为什么因为在目标函数里充放两侧的成本项都为正时充电量和放电量只要相减为零就不会对目标函数产生额外惩罚于是求解器就任由这两个变量做“无意义的正负对消”模型看似有解实际是垃圾解。我处理这类问题有两个办法第一个就是前面代码里写的引入0-1互斥变量约束u_ch u_dis ≤ 1让两个功率不同时为正第二个是用大M惩罚在目标函数里对P_ch P_dis加一个很小的惩罚项让两个变量的和尽量小。在电池退化成本已经写进目标函数的情况下第二个办法其实也能压住这种对消但最稳的还是直接加互斥约束。我给所有来问这个问题的同行的建议都是不要省这个变量MILP模型最怕的就是约束放松少一条约束往往就会冒出物理上不可能的方案。6.2 效率乘积的位置一个单位换算错误就是10%的偏差效率放错位置是我踩过最深的坑之一而且这种错误往往不是一眼能看出来的。以抽蓄为例如果我在抽水侧写V_up(t1) V_up(t) P_pump / eta_pump而发电侧写P_gen eta_turbine * ΔV那整个系统的往返效率就是eta_pump × eta_turbine。但如果两边效率位置放反比如V_up V_up eta_pump × P_pump那么充进上库的水量被缩小了而发电侧又乘了一个效率两个效率叠加出来就是eta_pump × eta_turbine²而不是eta_pump × eta_turbine。在同一天反复充放两次的场景里这种误差会被放大成10%左右的电量偏差你对比功率平衡的收支项时就会看到“总发电量总购电量 − 总负荷 − 总充电量”不等于零还找不出原因。现在我的习惯是写模型前先手算一个最小案例假设上库初始为空充1MWh电、再放出来看模型能不能恢复到初始状态。只要这个回归检验不过效率位置肯定有错。单位换算同样隐蔽。我在一个项目里发现库容用了立方米功率用了MW电量用了MWh结果水量递推方程里差了3.6倍1MW·h ≈ 3.6×10⁶·9.8m³·m的水能如果再考虑水头100m就会得到3600的数量级系数。这问题不跑敏感性还真不容易暴露。所以建模伊始就统一单位把库容直接折算成MWh当量是最省心的方案。6.3 求解时间的控制为什么工程上要做滚动调度如果只是一天的小模型求解时间不是问题但当你为了研究全年运行特性把周期拉长到365天、时间颗粒度压到15分钟时模型规模会到2万多个时间步MILP的求解时间可能从几秒暴涨到几小时这在实际生产里完全不可接受。解决思路是滚动调度rolling horizon。不要一次性求解全年模型而是每24小时一个窗口每次只优化未来24小时然后把前几个小时的结果作为已知量窗口向后滚动。在Python里实现滚动调度也不难核心就是循环求解子模型保存结果后再更新初始状态。horizon 24 results [] start 0 while start 365 * 24: # 取 [start, start horizon] 时段的数据 sub_df df.iloc[start: start horizon] # 构建并求解子模型得到该窗口的最优调度 ... results.append(sub_solution) start horizon这种做法的好处是求解时间可控而且能模拟真实运行中“早上起来刷新天气预测、重新出今日计划”的执行流程。代价是最优性会有所损失因为滚动窗口看不到未来更远期的事件。但对工程调度来说“可行、实时、能滚动更新”比“理论上全局最优”重要得多。我在自己的项目里基本都是这么跑的跑完再拿滚动结果和全局最优做对比观察优化间隙有多大做到心中有数。最后再多说一个体会模型跑出来之后别急着信。把一条调度曲线画出来逐小时检查是否违反了直觉——如果抽蓄在上库已经满了之后还在抽水或者电池SOC一天之内从10%冲到90%又冲回10%再冲到90%这些“纸面上最优、实际很蠢”的结果都说明约束还是漏了。做调度研究耐心比聪明更重要每一步都做可视化、做能量守恒校验、做敏感性分析模型才会真正可信。希望这篇文章能帮你少走一些弯路把风光储互补调度这件事从论文公式变成你手里真正能跑的工具。

风光储互补调度模型：废弃矿井抽蓄与电池储能协同优化

相关推荐

梯级水光互补系统期望电量最大化短期优化调度模型与Python复现

claude-mem：为Claude跨会话记忆装上外挂笔记本

Ashooter激光对中仪全球销量第一的秘诀

更多资讯

告别U盘和网盘：用Syncthing实现多设备文件自动同步

XP SP3装回IIS 5.0：组件包解决安装与ASP运行难题

Win10模拟触摸驱动：基于InjectTouchInput的用户态注入实现

Windows11安装Redis实战指南：配置、服务与避坑

基于OMNeT++与TSNkit的TSN调度仿真：从环境搭建到EDF/WEDF验证

尤克里里学习资源合集：从入门到进阶的完整指南

今日更新

Agent Skills 完全指南：原理、写法、安装与实战避坑

Agent Skills 实战：从 Genkit 定义到 GKE 部署与排查

Agent Skills 实战：从设计到调试的完整指南

本周精选

CMOS设计三大物理效应：体效应、沟道长度调制与亚阈值导电

微信小程序在线阅读毕设全解析：Java后端+MySQL+避坑实战

Android音频问题五层分析法：从App到Codec的系统化诊断

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？