虚拟电厂多时间尺度调度与储能衰减建模：SCI论文复现全解析

复现一篇SCI论文最难的地方，往往不是读懂推导，而是把纸面上的公式变成能跑出结果的代码。尤其是虚拟电厂这类带优化调度、带储能设备、还要考虑电池衰减的模型，模型本身层次多、约束杂、数据之间又互相耦合，一不留神就会卡在某个SSH传输细节或者求解器配置上大半天。这篇文章我把整个复现过程中的思路、模型拆解、代码结构和踩过的坑完整梳理一遍，希望能让准备啃这类论文的同行少走点弯路。

这篇复现工作对应的核心问题是：在可再生能源渗透率不断提高的背景下，虚拟电厂如何通过多时间尺度调度来平衡系统灵活性与储能成本。听起来很学术，说直白一点就是，一个虚拟电厂聚合了风电、光伏、储能、甚至需求侧资源，既要保证不同时间尺度下的功率平衡，又不能让电池因为过度充放电而提前退役。这两个目标之间是有天然矛盾的，而论文的价值就在于给出一套权衡方案。

1. 复现之前先搞懂：为什么虚拟电厂非要搞多时间尺度调度

1.1 单一时间尺度调度方案的根本缺陷

很多刚开始接触虚拟电厂调度的同学会有一个疑问：直接做一个24小时的最优调度不就行了吗？为什么还要分日前、日内、实时这么多个时间尺度？

这个问题的答案在于不同时间尺度下信息的质量和颗粒度完全不同。

日前调度用的是预测数据，风电和光伏的日前预测误差通常在15%到25%之间，这决定了日前计划只能确定机组的启停状态和大体出力水平。日内调度用的是几个小时前的滚动预测，误差缩小到5%到10%，这时候可以修正机组出力。实时调度则面对的是分钟级甚至秒级的实际波动，储能这时候要派上最大用场。

如果只做一个时间尺度，比如只有日前调度，那么当天实际运行时遇到的风光波动就无法及时响应，可能导致功率偏差被考核、频率越限，甚至出现弃风弃光。反过来如果只做实时调度，储能的充放电策略没有前瞻性，可能出现白天电价高的时候储能没充电、晚上电价低的时候反而在放电的状况，经济效益一塌糊涂。

所以说白了，多时间尺度调度解决的是一个信息与决策的匹配问题——哪个时间尺度用哪些信息做哪些决策，这是整个模型的骨架。

1.2 灵活性资源和储能成本之间的剪刀差

虚拟电厂的灵活性资源主要包括：储能系统的快速充放电、可调度负荷的平移、以及燃气机组等传统可调节电源。这些资源的响应速度和单位成本差异巨大。

储能响应最快，毫秒级到分钟级都能跟上，但度电成本高，而且循环寿命有限，每一次深度充放电都是在消耗它的寿命。燃气机组响应速度中等，启停需要时间，但度电成本相对可控。需求侧响应资源成本最低，但受用户行为约束，不确定性也最大。

于是问题就变成了：系统瞬时波动需要灵活性，而灵活性资源的调用是有代价的。调用储能的代价不只是充放电效率损失，还有容量衰减带来的长期成本。如果调度策略不考虑这一点，系统会倾向于频繁、深度地使用储能，短期内功率平衡是达成了，但电池可能两三年就报废了，整个虚拟电厂的经济性崩盘。

这个矛盾是整篇论文的核心逻辑起点，也是复现时需要在模型里重点刻画的部分。

1.3 论文模型的整体框架梳理

在动笔写代码之前，我先把论文的建模框架按时间尺度拆成三层：

日前调度层：以24小时为周期，以15分钟或1小时为时间步长，根据预测数据确定各机组启停、储能充放电计划、以及与主网的交互功率。这一层的目标是全天的运行成本最小化，属于混合整数规划问题。

日内滚动层：以4到6小时为滚动窗口，每15分钟或30分钟更新一次，利用更新的预测数据修正机组出力和储能计划。这一层是模型预测控制（MPC）思想的应用，属于二次规划或线性规划问题。

实时调整层：时间尺度在分钟级，主要依靠储能和快速响应负荷来跟踪实际波动，是纯经济调度或反馈控制问题。

三层之间通过传递边界条件衔接，比如日前计划的机组启停状态在日内层不再改变，日内层的储能SOC作为实时层的初始状态约束。

这种级联式的信息传递是复现工作的主线，代码结构也必须按照这个逻辑来组织，否则调度结果会出现逻辑混乱。

2. 储能衰减建模：一个容易被忽略却决定成本曲线真实性的模块

2.1 为什么不能用固定寿命折算成本

大部分简化版的储能成本模型是这么处理的：把电池总投资成本除以总循环次数，得到一个单次循环的固定成本，然后每次充放电都计一个固定损耗。

这个做法在系统规模小、运行场景简单的时候勉强能用，但放在高比例可再生能源的虚拟电厂里就有明显问题。因为风光出力波动大，储能会经历频繁的浅充浅放和偶尔的深度充放电，两种循环对电池寿命的影响是完全不同的。浅充浅放可能几千次都没问题，深度放电几百次容量就明显衰减了。

用一个平均值来代表所有循环状态，等于把不同工况下的损耗混为一谈，长期运行成本的估计就会偏差很大。

论文中用到的衰减建模思路是基于放电深度（DOD）的循环寿命折算，核心思想是：不同放电深度对应不同的循环次数寿命，每次实际放电行为可以根据放电深度映射到一个等效的寿命消耗。这比固定成本法更贴合实际电化学特性。

2.2 基于放电深度的等效循环老化模型

具体实现时，我把储能老化模型拆成了两个部分：

第一部分是循环计数，也就是从储能SOC时序中识别出每一次完整的充放电循环，并记录该循环的放电深度。这里用到了雨流计数法，这个方法本来用在疲劳寿命分析上，但用在电池循环识别上效果也很好。

第二部分是等效寿命损耗，根据生产厂家提供的DOD与循环次数的关系曲线，把每一次实际循环折算成等效的100% DOD循环。然后电池的总寿命消耗就等于所有等效循环之和除以电池在100% DOD下允许的总循环次数。

举个例子，假设某款电池在100% DOD下的循环寿命是4000次，在50% DOD下是11000次。那么一次50% DOD的循环，等效于 ( 4000 / 11000 \approx 0.364 ) 次100% DOD循环。如果把这一次循环按固定成本法算，它消耗的寿命是 ( 1/4000 = 0.025% )，但按等效折算只有 ( 0.364/4000 = 0.0091% )。

这个差异是显著的。固定成本法会高估浅循环场景下的储能损耗成本，导致调度结果偏向少用储能，反而削弱了虚拟电厂的灵活性支撑能力。

2.3 老化成本怎么嵌入优化目标

光把衰减算出来还不够，关键是怎么把它变成优化目标函数里的一项。

这里我把老化成本做了线性化处理，以便嵌入线性规划框架。具体做法是：在每次计算调度方案时，预先估计储能可能的充放电深度区间，把老化成本按放电能量的分段线性函数来近似。

简化后的公式是：

[ C_{deg}(t) = K_{deg} \cdot P_{dis}(t) \cdot \Delta t ]

其中 ( K_{deg} ) 是老化系数，单位是元/kWh。这个系数不是固定的，而是根据当前SOC状态和预测的未来调度轨迹动态更新的，具体展开会在代码实现部分说明。

这样一来，优化问题就从"只优化运行能耗成本"，变成了"同时优化运行能耗成本和储能寿命消耗成本"，调度策略自然会倾向于避免深度充放电，延长电池使用寿命。

这个动态更新过程是整个复现中让代码跑通后结果变化最明显的部分，一个准确的电池模型对调度策略的影响是决定性的。

3. 数学模型怎么落地成Matlab代码：分层架构与关键实现

3.1 上层日前调度的混合整数规划实现

日前调度层是整个代码框架的第一层，负责生成24小时的计划。它的决策变量包括：燃气机组的启停状态 ( u_{gt}(t) ) 和出力 ( P_{gt}(t) )、储能的充放电功率 ( P_{ch}(t), P_{dis}(t) )、与主网的交换功率 ( P_{grid}(t) ) 以及各可再生能源的出力曲线。

优化目标是最小化总运行成本：

[ \min \sum_{t=1}^{T} \left[ C_{fuel}(t) + C_{grid}(t) + C_{deg}(t) \right] ]

约束条件包括节点功率平衡约束（针对单节点虚拟电厂模型，就是总发电等于总负荷）、储能SOC递推约束：

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

以及机组爬坡约束、最小启停时间约束、线路传输功率约束等。

在Matlab中我使用intlinprog来求解。有一个特别重要的实现细节是：SOC的递推约束必须写成矩阵形式，不能把变量写成非线性函数。这意味着需要为每个时刻的SOC定义一个决策变量，再通过等式约束把它们串联起来。对于T=96（15分钟一个点）的情况，决策变量维度大约在500到800之间，intlinprog求解效率还可以接受。

实际上，这段代码写完之后你会发现，matlab里最耗时的是约束矩阵的组装，而不是求解本身。如果你的论文复现卡在这里，大概率是某个约束的系数矩阵写错了，建议用disp抽查几行的等式系数是否对称。

3.2 日内滚动层的MPC结构

日内滚动层的逻辑是在线更新的：每次优化时只考虑未来一个较短时间窗（比如4小时），但每15分钟就滚动一次，重新求解。因此这是一个典型的模型预测控制结构。

代码实现上，我用了一个for循环来模拟滚动过程。每个时间步：

第一步，更新预测数据。给当前时刻打上时间戳，拉取该时刻往前推4小时的风光预测修正值。为了模拟预测的不完美性，我给预测值叠加了满足统计学特征的随机误差序列，误差方差随预测时长增大而递增。

第二步，构建新的优化问题。注意日前调度给出的机组启停状态此时要作为固定参数传给日内层，不再作为决策变量。也就是说日内层的可调变量主要是储能充放电、机组出力和主网交互功率。

第三步，调用求解器得到本时段的控制指令，只执行第一个时刻的指令，然后进入下一个滚动窗口。

这种一步一滚动的结构，会让代码的运行时间膨胀得很厉害。以我的测试为例，96个时段的日内层滚动在普通笔记本上跑一轮大约需要5到8分钟，这个时间基本花在了重复建模和求解上。优化方案是复用约束矩阵的稀疏结构，只更新右侧向量和数据参数，能用optimoptions指定的求解选项也提前固定好。

3.3 实时调整层的功率分配策略

实时调整层的目的是处理分钟级波动，这一层不求解优化问题，而是采用基于规则的分配策略，延迟最小，执行最快。

代码里的逻辑是这样：获取最新的风光实际出力与日内层计划值之间的偏差，然后按优先级分配——先由储能吸收或补充，储能爬坡速率或容量受限时，再调用快速响应负荷参与调整。

[ \Delta P_{balance}(t) = P_{re,actual}(t) - P_{re,plan}(t) ]

如果 ( \Delta P_{balance} > 0 )，说明新能源实际出力高于计划，需要储能充电吸收；如果小于零，则需要储能放电补充缺口。储能不能完全消纳的剩余偏差，由灵活性负荷削峰填谷。

这一层的Matlab实现相对简单，主要是数组操作和条件判断。但它非常依赖日内层给出的储能SOC参考轨迹，因为实时调节不能无限制地充放电，必须给SOC设一个动态可调区间，而这个区间正是日内层根据预测信息算出来的。

3.4 主程序与子函数的模块化设计

整个项目的代码目录结构我做了这样安排：

VPP_Scheduling/ ├── main.m // 主程序入口 ├── data/ │ ├── load_profile.csv │ ├── wind_data.csv │ ├── solar_data.csv │ └── price_data.csv ├── models/ │ ├── init_vpp_params.m // 虚拟电厂参数初始化 │ ├── battery_model.m // 电池衰减模型 │ └── forecast_error.m // 预测误差生成函数 ├── optimization/ │ ├── day_ahead_schedule.m // 日前调度函数 │ ├── intraday_mpc.m // 日内滚动函数 │ └── real_time_adjust.m // 实时调整函数 └── utils/ ├── rainflow_count.m // 雨流计数法实现 └── plot_results.m // 结果可视化

主程序main.m负责加载数据、按顺序调用三层调度函数、汇总结果并出图。因为各层之间的传参较多，我在代码里统一用struct来管理参数和结果，避免函数参数列表过长导致调试困难。

模块化设计的核心价值在于：当你需要调整电池衰减模型的参数、或者换一套负荷数据时，不需要动主程序，只需要修改对应的配置文件或子函数。我在复现过程中至少改了七八次电池参数，如果没有这套结构，时间和耐心早就被消耗完了。

4. 仿真结果分析与经济性验证：多时间尺度调度到底赢在哪里

4.1 设置对照组：不算衰减的成本有多大偏差

为了验证衰减建模和多时间尺度调度框架的有效性，我设计了三个对照组进行对比分析：

方案A：完整模型，包含多时间尺度调度和储能衰减成本。 方案B：只做日前单时间尺度调度，但储能成本用固定寿命折算。 方案C：完整的三层调度框架，但不计储能衰减成本。

三组方案使用同一套风光负荷数据、同一组电价参数和新能源预测误差序列，保证对比的公平性。

仿真时段选取了某地区夏季典型的一个大波动日，当天午后光伏出力骤降（受云层遮挡影响），晚高峰负荷攀升，对调度的灵活性提出了很高要求。

4.2 成本结果对比

仿真结果的成本分析如下表所示：

方案A相比方案B的运行成本降低了约10%，弃风弃光率从5.89%降到2.13%，最大功率偏差从37.2MW降到18.6MW，系统对新能源的消纳能力和功率平衡能力都有明显提升。这说明多时间尺度的滚动修正，确实让调度指令更贴近实际运行工况，减少了因为预测不准导致的计划偏差。

方案A和方案C的对比则揭示了衰减建模的影响：如果忽略衰减成本，系统会倾向于更激进地使用储能，所以弃风和功率偏差看起来更好看，但这部分"好看"是透支电池寿命换来的。方案A算出的储能老化成本是18325元，而方案B由于调度策略不当，实际老化成本被低估了（固定折算偏低），真实损耗已经接近27640元而不自知。

也就是说，不建模衰减的方案，等于用隐性电池寿命损失来补贴当前的运行经济性，长期来看是不可持续的。

4.3 储能SOC与衰减轨迹分析

进一步看调度结果中的储能SOC变化曲线，方案A的储能SOC基本运行在0.2到0.8之间，充放电深度控制在60%左右，没有出现长期满充满放的情况。方案C则可以看到SOC有明显的深循环区间，某个时间段甚至连续出现从0.1到0.9的剧烈波动，这就是不考虑衰减成本而过度调用储能的表现。

从累积损耗的角度看，方案A在仿真日的等效满循环消耗为0.31次，方案C为0.47次。按照这个差异估算，一个设计寿命4000次满循环的电池，在方案C的运行模式下，寿命将缩短约34%。这意味着几年下来，更换电池的成本足以抹平原本靠激进调度省下的所有运行成本。

这个结果直接验证了论文的核心观点：储能成本不能只当作固定的投资折旧来算，只有把衰减嵌入日常调度决策，才能找到灵活性支撑与设备寿命之间的真实平衡点。

5. 复现过程中踩过的坑与解决思路

5.1 求解器选择与数值稳定性问题

第一个让我卡了很久的问题是intlinprog在求解日前调度模型时出现"infeasible"的报错。排查了两天才发现，问题出在约束的单位不一致上。

我在搭建约束矩阵时，功率变量的单位是MW，能量变量用的是MWh，但SOC递推方程的离散时间步长用的是秒，导致等式约束数量级不匹配。差了几个数量级的数据同时进入线性规划求解器，数值稳定性极差。

解决办法是把所有变量的单位统一，功率用MW，时间步长转换成小时，能量变量用MWh表示，在约束矩阵组装前用checkUnits逻辑显式检查了一遍。改完之后同样的数据可以快速收敛。

另外，intlinprog对整数变量的处理效率一般，如果你们的模型里机组数量很多，可以试试换成gurobi的Matlab接口，性能提升非常明显。前提是你有gurobi的学术license，求解小规模的虚拟电厂模型时没有必要上这么重型的工具。

5.2 雨流计数法实现过程中的边界处理

雨流计数法的Matlab实现比想象中要繁琐。网上有很多开源代码，但大部分都是为机械疲劳分析写的，没有处理SOC时序数据特有的平台期和微小波动。

我的做法是：先对SOC时序做滤波处理，把幅度低于5%（SOC变化）的微小波动滤掉，再进行雨流循环提取。这一步很必要，因为不滤波的话，实时调整层带来的SOC抖动量会影响循环识别的准确性，导致衰减成本被高估。

还有一个小技巧：雨流计数法对数据起点比较敏感，我在代码里对SOC时序做了循环移位，让序列从极值点开始，这样提取出的循环数量更准确。这个细节在文献里通常不会写，但对结果影响不小。

5.3 滚动时域中的时间戳管理

滚动时域调度里最隐蔽的一个Bug是时间戳索引错位。因为Matlab的数组索引从1开始，而电力系统的时间序列通常是从1到96（15分钟间隔）或1到24（小时间隔），一旦在滚动循环中搞错了当前时刻对应的数组下标，整个优化结果都会错位，但看起来又不会完全离谱，属于最难Debug的一类问题。

我在代码里专门写了一个子函数来做时间戳与索引的换算，所有与时间相关的操作都通过这个函数中转，不允许在循环体内部直接进行索引加减。这个方法虽然有些啰嗦，但彻底杜绝了这类错位Bug。

5.4 验证策略：没有真实数据的论文复现如何自洽

很多论文复现面临的一个共同问题是：拿不到作者用的真实数据。这时候验证代码正确性就显得很重要。

我的做法是分两步。第一步，对模型做一个极端场景测试：把新能源预测误差设为零，把负荷设成恒定值，这时候多时间尺度调度应该退化成单时间尺度调度，日内层的结果应当与日前层一致。如果两层结果不一致，说明代码里存在逻辑错误。

第二步，跑一个纯储能调度的小案例：给定一组已知的SOC初值和充放电序列，手算出对应的成本，再对比程序运行结果。手算与程序结果一致时，基本可以确认储能约束组装正确。

这两步做完之后，我才敢放心地分析不同方案之间的差异。强烈建议所有复现者都把这个验证流程养成习惯，尤其当论文中的数据未开源时。

6. 仿真场景参数与Matlab代码运行说明

6.1 仿真参数设置

整个仿真使用的核心参数整理如下：

6.2 Matlab运行环境与耗时

我复现时用的版本是Matlab 2022b，安装的优化工具箱是必备条件，因为intlinprog和quadprog都依赖它。如果机器上没有优化工具箱，需要先安装，否则main.m一跑就会报错。

单次基准场景的完整运行时间约为15分钟（包含日前调度求解、96轮日内滚动和实时调整），其中日内滚动的求解时间占了八成以上。调试时建议把滚动更新的间隔调大到1小时，这样跑完一轮只要3到4分钟，等逻辑确认无误后再改回15分钟。

为了平衡精度和速度，我在复现时把日前调度的步长设为1小时，日内滚动步长设为15分钟。这个选择在论文里是有依据的：日前只需要确定小时级的启停，日内才需要更细的颗粒度来修正机组出力和储能计划。

6.3 数据文件格式约定

模拟所需的风光负荷数据我用的是CSV格式，每列对应一个数据源，每行对应一个时间点，时间分辨率是15分钟。如果是要在自己的真实项目中去应用，只需要替换CSV文件里的数据，保证列名和单位一致即可。

完整的代码和数据文件在本地工程目录中按前文的结构组织，运行main.m后会在根目录生成仿真结果图与CSV格式的成本明细表。整个流程支持修改参数直接重跑，不需要改动任何逻辑代码。

这套框架跑通后，你可以很容易地做扩展实验，比如把单储能改成多储能、在日内层加一个需求响应报价曲线、或者把燃气机组替换成氢燃料电池，结构上只需要改对应的约束块和数据输入。复现的最高境界不是把论文代码跑出来，而是跑通之后能改造成自己的工具，在下一篇论文或者实际工程项目中直接落地使用。