光储充换电站优化模型复现：用户充电负荷与最优分时电价互动

最近在做充电站调度的复现项目，发现不少朋友看到“光储充换电站优化模型”这几个字，第一反应是：这不就是把光伏、储能、充电桩组合起来，做一趟日前的经济调度吗？真动手复现之后才发现，这类题目里最值钱的往往是“用户充电负荷”“最优分时电价”和“互动”这三个词。光储充换电站不是把设备堆在一起就能赚钱，而是要回答一个联动问题：如果电价可以动态调整，用户会怎么改充电习惯？用户的改变又反过来影响电站收益，所以两边必须放在同一个闭环里一起算。这篇文章就是我从零复现“考虑用户充电负荷-最优分时电价互动的光储充换电站优化模型研究（Matlab代码实现）”的完整记录：模型怎么搭、代码怎么组织、哪些地方容易翻车、复现后又能往哪个方向继续做。想抄作业的可以直接参考，想自己重写一遍的也能少走不少弯路。

1. 项目定位：它到底在优化一个什么问题？

1.1 光储充换电站的收益，比想象中复杂

光储充换电站一般包含四类核心设备：分布式光伏、储能电池、充电桩和换电设备。换电设施比普通充电站多了一个“电池库存”的概念，用户到站后直接换走满电电池，换下来的电池在站内利用光伏或谷电充电，这本身就是一个天然的柔性负荷。光伏负责降低从电网买电的量，储能负责在谷时充电、峰时放电或支撑充电负荷，充电桩和换电设备则把电能卖给用户。

收益来源大致可以拆成三块：

• 售电收益：用户充电支付的电费、服务费；
• 光伏收益：自发自用省下来的购电费，以及余电上网的卖电收入；
• 储能套利收益：低买高卖峰谷价差，或者通过放电支撑高峰充电负荷，间接提高充电服务能力。

很多人做这类题目时，习惯把收益拆开算：先算光伏出力，再算储能SOC，最后再统计充电负荷。这种“顺序计算”的思路有一个隐藏问题：用户充电负荷并不是一个固定不变的外生参数。分时电价一改，用户的充电时间就变了；充电时间变了，光伏消纳比例和储能充放电策略也会跟着变。所以“光储充”三个设备和“用户充电负荷”之间，其实是互相咬合的关系。

1.2 “互动”两个字才是这个模型的题眼

孤立地优化设备调度，本质上是把用户当作“被动负荷”。电价再怎么分时，用户都按原计划充电，这显然不符合实际情况。电动车主看到谷电便宜，很自然会选择晚上低谷时段去充电；白天光伏出力大但电价高，用户未必愿意在那个时候充电。如果站端在光伏大发时段把电价压低，就能把一部分用户负荷引导到光伏出力高峰，既提高光伏自用率，又降低从电网买电的成本。

“最优分时电价”并不是把一天分成峰平谷三段再拍脑袋定价格，而是在已知用户会对电价做出响应的前提下，求出让电站综合收益最大化的电价曲线。换句话说，电价和用户负荷是在同一个模型里互为因果的：电价决定用户负荷，用户负荷又决定站端收益和调度策略，收益反过来又约束着电价可接受范围。

举个简单的极端例子：把电价全部定在最低水平，用户确实都来了，但站端售电单价太低，光伏和储能收益全部被冲掉；把电价整体抬高，单位利润上去了，但用户会选择去别家充电或换电，充电量大幅萎缩。真正的最优解一定在两者之间某个位置。用博弈论的视角看，这就是一个典型的主从博弈：电站是领导者，先公布电价；用户是跟随者，根据电价决定各时段充电量；电价再根据用户的充电量重新调整，直到双方都不想再改变各自策略，这时候得到的电价比固定分时电价更符合实际情况，也更有利于做电站收益评估。

2. 数学模型：怎么把“互动”变成能算的约束

2.1 上层模型：电站运营商追求收益最大化

先说上层模型，也就是电站运营商的决策。时间尺度上通常按一天24小时离散化，时间间隔取1小时，也有用15分钟步长的，步长越短模型越细，但求解难度也会上升，复现时建议先从1小时步长入手。决策变量一般包括：

• 分时电价 p_t；
• 储能充电功率 P_ch_t、放电功率 P_dis_t；
• 向电网购电功率 P_buy_t、余电上网功率 P_sell_t；
• 储能荷电状态 SOC_t。

运营商的收益最大化目标可以写成：

max F = Σ ( p_t * L_t ) - Σ ( price_grid_t * P_buy_t ) + Σ ( price_sell_t * P_sell_t ) - C_ess - C_pv

其中 L_t 是用户充电负荷，price_grid_t 是向电网购电的分时电价，price_sell_t 是余电上网电价，C_ess 是储能充放电损耗和折旧成本，C_pv 是光伏运维成本。注意，售电收益里同时包含电费和服务费，不同文献对服务费的建模方式不一样，有按固定单位服务费算的，也有把服务费合并到 p_t 里的。复现阶段建议先做简化处理，把 p_t 直接理解成用户侧的综合充电单价。

约束条件第一类是功率平衡：

P_pv_t + P_dis_t + P_buy_t = L_t + P_ch_t + P_sell_t

这个式子的物理含义很清楚：光伏出力、储能放电和电网购电这三路电源，必须满足充电负荷、储能充电和余电上网这三路用电需求。任何时段都不能违背。

第二类是储能运行约束。储能不是想充就充、想放就放的：

SOC_t = SOC_{t-1} + η_ch * P_ch_t * Δt / E_ess - P_dis_t * Δt / (η_dis * E_ess) SOC_min ≤ SOC_t ≤ SOC_max 0 ≤ P_ch_t ≤ b_ch_t * P_ch_max 0 ≤ P_dis_t ≤ b_dis_t * P_dis_max b_ch_t + b_dis_t ≤ 1

其中 b_ch 和 b_dis 是0-1状态变量，用来保证同一时刻不能同时充电和放电。如果你复现时不用0-1变量，只给功率上下限，储能理论上就会出现“又充电又放电”的虚假结果，收益会被严重高估，这是很多初跑复现时最容易忽略的问题。

第三类是电价和电网交互约束。电价通常有上下限，比如下限对应谷电成本，上限受用户接受度约束；购电功率也不能超过变压器容量。这部分看似简单，却是决定模型是否可行解的关键约束。

2.2 下层模型：用户充电负荷的成本最小化行为

下层模型描述的是用户行为。用户的充电决策可以理解为一个成本最小化问题：在总充电需求不变的前提下，尽量把充电时间安排在电价低的时段。最直接的做法是假设用户没有品牌粘性、没有急事需要立即充电，只对电价敏感。数学上可以写成：

min C_user = Σ p_t * x_t + β * Σ (x_t - L_0_t)^2 s.t. Σ x_t = D_total 0 ≤ x_t ≤ L_max_t

其中 x_t 是用户在各时段的实际充电负荷，L_0_t 是用户原本偏好的充电负荷，D_total 是全天总充电需求，L_max_t 是每个时段的充电能力上限，β 是用户对原有充电习惯的保持意愿系数。β 越大，用户越不愿意改变充电习惯；β 越小，用户越会一窝蜂涌向最低价时段。

这里稍微解释一下二次项“β * Σ (x_t - L_0_t)^2”的作用。如果只保留约束Σ x_t = D_total，那用户一定会把所有充电需求全部转移到全天电价最低的那个时段，结果就是负荷曲线变成一根尖刺，深夜充电量爆炸、白天几乎为零，显然不符合真实行为。加入二次项之后，用户每次把负荷从偏好时段挪走都要付出一个“舒适度损失”，挪得越多损失越大，这样得到的响应曲线平滑得多，也更接近实际。

另一种常见做法是价格弹性系数法，即直接给定弹性值ε：

L_t = L_0_t * (1 + ε * (p_t - p_0_t) / p_0_t)

自弹性系数通常是负的，表示电价上涨后该时段充电量下降。这个写法简单直观，但最大的问题是不体现跨时段转移。如果把公式理解成各时段独立响应，就会出现“高峰负荷消失，低谷负荷没有同步增加”的失真结果。实际使用时要配合总充电需求不变的归一化约束，或者使用交叉弹性矩阵，把某个时段电价变化对其他时段负荷的影响也写进去。

2.3 上下层的耦合：从博弈问题变成可解问题

上下层模型不是两个独立问题，而是相互嵌套的。用户问题中，x_t 是决策变量，p_t 是参数；电站问题中，p_t 是决策变量，x_t 又取决于用户问题。这种“你决定我，我决定你”的结构，常规做法有三种：

第一种是，把这整个问题转成单层最优化。用户问题如果是凸优化问题，那么可以用KKT条件替换进来，KKT中包含了一组互补约束，最终模型变成数学带均衡约束的优化问题，也就是文献里常说的MPEC。在Matlab中用YALMIP建模后，可以交给Gurobi或CPLEX这类商业求解器处理。

第二种是，保留主从迭代结构。先用一组初始电价算出用户响应负荷，再带着这组负荷去优化电站收益，得到新的电价，再重复算用户响应，直到电价和负荷的变化量小于阈值才结束。这种做法实现简单，但必须处理迭代震荡问题，后面排查部分会细讲。

第三种是，直接用启发式算法。比如把电压和负荷同时作为粒子群或遗传算法的决策变量，上层用启发式搜索，下层嵌套精确求解。这类做法文献里很常见，但复现时需要调参，代码跑一轮的时间通常比较长，建议初学者先不做，把前两种跑通就够了。

从模型纵深的感受来说，KKT单层化后的模型更“数学”，但求解器对互补约束的处理有时候会不稳定；主从迭代更直观，能推导出博弈收敛的经济含义。两类都建议复现者尝试一遍，对比两组结果的收益差异，通常会看到一致或接近一致的解。

3. Matlab代码实现：从模块到闭环的完整过程

3.1 代码结构怎么组织才不容易乱

这个模型涉及参数多、模块多，不建议把所有代码堆在一个脚本里。我复现时采用了五个文件的组织方式，每个文件只负责一类事，排查问题时效率会高很多：

main.m 主程序，负责参数初始化、调用建模函数、输出结果 load_data.m 光伏出力曲线、电网分时电价、基础充电负荷数据 model_upper.m 上层电站优化模型建模 model_user.m 用户负荷响应模型，返回对电价的响应函数 plot_results.m 结果可视化，画电价、SOC、负荷曲线

Matlab运行环境建议使用R2021b以上版本，优化工具箱配合YALMIP来建模。YALMIP最大的优势是可以把约束和目标函数用数学符号直接写出来，不需要手动展开成求解器需要的矩阵形式，后期修改约束条件非常方便。

数据部分需要准备三个核心输入：光伏出力曲线，可以直接用典型日实测数据，也可以用光伏模型按光照和温度计算；电网购电的分时电价，这个由电网侧给定；初始充电需求曲线，这是用户不响应电价时的基准负荷，一般根据充电站历史统计数据整理。

3.2 用YALMIP写上层模型的骨架

我这里给出一个可直接运行的模型骨架，省去冗长的参数赋值，重点看建模思路：

% main.m 核心片段 T = 24; P_pv = load_data('pv_curve'); % 1x24 光伏出力 price_grid = load_data('grid_price'); % 1x24 电网购电电价 L_base = load_data('base_load'); % 1x24 初始充电负荷 p = sdpvar(T,1); % 分时电价 P_ch = sdpvar(T,1); % 储能充电功率 P_dis = sdpvar(T,1); % 储能放电功率 P_buy = sdpvar(T,1); % 电网购电 P_sell = sdpvar(T,1); % 余电上网 SOC = sdpvar(T,1); % 荷电状态 b_ch = binvar(T,1); % 充电状态0-1变量 b_dis = binvar(T,1); % 放电状态0-1变量 L = sdpvar(T,1); % 用户实际充电负荷 % 目标函数：收益最大化 Revenue = sum(p .* L) - sum(price_grid .* P_buy) ... + sum(price_sell .* P_sell) ... - C_ess - C_pv; Objective = -Revenue; % 求解器默认求最小化，取负 Constraints = []; % 功率平衡约束 Constraints = [Constraints, P_pv + P_dis + P_buy == L + P_ch + P_sell]; % 储能SOC递推约束 Constraints = [Constraints, SOC(1) == SOC0 + eta_ch*P_ch(1)/E - P_dis(1)/(eta_dis*E)]; for t = 2:T Constraints = [Constraints, SOC(t) == SOC(t-1) + eta_ch*P_ch(t)/E - P_dis(t)/(eta_dis*E)]; end Constraints = [Constraints, SOC_min <= SOC <= SOC_max]; Constraints = [Constraints, SOC(24) == SOC_target]; % 充放电互斥约束 Constraints = [Constraints, P_ch <= b_ch * P_ch_max]; Constraints = [Constraints, P_dis <= b_dis * P_dis_max]; Constraints = [Constraints, b_ch + b_dis <= 1]; % 用户负荷响应约束 Constraints = [Constraints, L >= 0, L <= L_max]; Constraints = [Constraints, sum(L) == sum(L_base)]; % 总充电需求不变 % 电价约束 Constraints = [Constraints, p_min <= p <= p_max]; ops = sdpsettings('solver','gurobi','verbose',1); optimize(Constraints, Objective, ops);

这段代码里最关键的是“总充电需求不变”和“充放电互斥”两条约束。前者保证用户只是转移充电时间而不是凭空增加充电量，后者防止储能虚增收益。如果没有这两条，模型结果出来会“好看”但不真实。

3.3 用户响应模型在Matlab里的落地方式

如果采用第二节中的用户成本最小化模型，可以用YALMIP直接把用户问题写成子问题，在主从迭代中反复调用。比如写一个函数：

function L_opt = user_response(p, L_base, beta, L_max) T = length(p); x = sdpvar(T,1); Constraints = [sum(x) == sum(L_base), 0 <= x <= L_max]; Objective = sum(p .* x) + beta * sum((x - L_base).^2); ops = sdpsettings('solver','quadprog','verbose',0); optimize(Constraints, Objective, ops); L_opt = value(x); end

每次更新电价 p 后，调用这个函数得到新的 L，再回到上层模型重新优化，形成闭环。这里要注意 beta 的量级。如果 L_base 的数值是几千瓦时量级，二次项里的 (x - L_base)^2 非常大，beta取0.01可能都嫌大，需要根据基础负荷的尺度做归一化，或者把二次项改成百分比偏差形式。很多复现者跑出来负荷曲线几乎不动或者剧烈震荡，往往就是 beta 没有调对。

3.4 主从迭代的收敛控制

主从迭代最让人头疼的是震荡。直接迭代的流程是：

1. 初始化电价 p0；
2. 求解用户响应，得到 L_k；
3. 固定 L_k，求解上层模型，得到新的电价 p_{k+1}；
4. 重复第2步，直到 ||p_{k+1} - p_k|| 小于阈值。

但实际跑起来你会发现，电价稍微一调整，用户就把大量负荷搬到最便宜的时段，而这个时段由于负荷猛增，又导致储能调度和购电成本变化，下一轮电价可能把这个时段的价格抬高，用户负荷又全部跑掉。结果就是两个值来回跳跃，永不收敛。

我的做法是在电价更新时加一个阻尼系数：

alpha = 0.3; p_new = alpha * p_solver + (1 - alpha) * p_old;

这个思路很像机器学习里的学习率。alpha太大容易震荡，太小收敛太慢。先用alpha等于0.5测试，如果电价曲线前后两轮一直在峰谷之间反复，就把alpha降到0.2或者0.3。另外，限制电价相邻时段变化率也能有效抑制震荡，比如规定 p_{t+1} - p_t 的绝对值不超过0.1元。

4. 复现过程中最常见的几个问题与排查思路

这个项目我前前后后跑了将近两周，踩的坑基本都在模型结构和参数设置上，而不是在语法上。下面这些问题我整理成了一张排查表，基本都是复现者会撞上的硬骨头。

第一条值得多说几句。很多初学者第一次跑无可行解，会认为是自己约束公式写错了，但往往问题出在约束太紧。比如变压器容量设得很小，而光伏、储能、购电三路电源加在一起连用户的充电负荷都带不动，那当然无解。此时可以先把购电功率上限放大到不会触碰的程度，确认模型能跑通后，再逐步收紧，看是哪个约束在“卡脖子”。

第二个问题的“阻尼系数”也要灵活用。阻尼系数本质上是在说：电站运营方不可能每天大幅度调整电价，用户在真实环境里也不会一夜间全换充电时间。模型里加一个阻尼，不仅是求解技巧，也是在模拟这种决策惯性。

第三条和用户响应建模的关系最大。如果你用的是价格弹性系数法，弹性值建议先取-0.3到-0.5之间，这是文献中比较常见的取值范围。如果弹性取-1以上，模型很容易出现“负荷大搬家”的现象，半夜负荷冲到原来的三倍，这种结果虽然也能收敛，但已经脱离实际了。

我还遇到过SOC曲线在相邻两个时段里反复充电、放电、再充电的问题。这类问题要从两个角度改：一是给目标函数里加上储能充放电切换惩罚，也就是每次切换状态都产生一个小的成本项；二是加一个简单的最小持续运行时间约束，要求储能一旦开始放电，至少连续放电两小时以上才能切换到充电状态。第二种方法在YALMIP里写起来稍微复杂一些，但效果更符合设备实际运行逻辑。

5. 结果分析与扩展：复现完之后还能做什么

模型跑通之后，第一件事不是看那一串收益数字，而是画图。调度类模型最重要的图有四张：分时电价曲线、用户充电负荷曲线、储能SOC曲线和功率平衡堆叠图。前两张放在一起看，能直接验证“互动”是否起作用——电价低的时段充电负荷是否明显升高；第三张能检查储能行为是否符合预期——是否在低谷充电、高峰放电；第四张能看出全天功率是否平衡、有没有时段出现购电功率过大或光伏弃光的情况。

绘图脚本可以直接用Matlab的plot函数，简单实用：

figure; subplot(2,2,1); plot(p_value, 'LineWidth', 1.5); title('最优分时电价'); xlabel('时间/h'); ylabel('电价/元'); subplot(2,2,2); plot(L_base, '--'); hold on; plot(L_value, 'LineWidth', 1.5); legend('原始负荷', '响应后负荷'); title('用户充电负荷响应'); subplot(2,2,3); plot(SOC_value, 'LineWidth', 1.5); title('储能SOC'); xlabel('时间/h'); ylabel('SOC'); subplot(2,2,4); bar([P_pv; P_dis_value; P_buy_value]', 'stacked'); title('电源侧功率构成');

画完之后，一定要做对比实验：一组是不考虑互动效应、固定分时电价的基准场景；一组是考虑互动、电价参加优化的场景。对比两组结果，既能看到收益提升的幅度，也能看出负荷曲线是否变得更平滑。这个对比是论文中最核心的分析图表，也是检验模型价值的直接证据。

参数敏感性分析也很重要。常见敏感参数有四个：储能容量、电价上下限、用户响应系数beta、光伏装机容量。做敏感性分析的方法很简单，控制其他参数不变，把目标参数从0.5倍扫到1.5倍，记录每个取值下的总收益和用户充电负荷分布，最后画成二维曲线或表格。比如储能容量增大，如果总收益增加但增幅递减，说明储能容量已经接近该场景下的经济最优规模了。再比如beta增大，用户响应变弱，电站收益可能下降，说明在用户价格敏感度低的场景下，分时电价策略收益空间有限。

把模型跑完、图做出来之后，还能往这几个方向扩展：

• 从确定性场景改成不确定性场景。光伏出力、充电需求都受天气和节假日影响，可以把典型日改成多个场景，做成两阶段随机优化，Matlab里可以用YALMIP配合多场景约束实现。
• 从单站变成多站协同。多个光储充换电站共享光伏出力或储能容量时，问题会变成多主体决策，这时候上层就不再是一个电站运营方，而是多个参与者竞争用户，模型会升级成均衡问题。
• 把分时电价和换电电池库存调度结合起来。换电电池在站内充电的时间灵活度比私人充电桩更高，可以把这部分负荷作为一种可调资源放到模型里，进一步发挥光储系统的作用。
• 引入数据驱动方法。用历史充电订单数据估计用户响应系数，或者用深度强化学习模拟用户长期行为，替代静态弹性系数。

我个人的做法是先把确定性模型稳定跑通，再逐项加不确定性，每加一项就对比基础场景，观察收益变化和计算时间的变化。这样看起来慢，但每一步都能定位到究竟是哪个环节影响了结果，写论文时素材也足够扎实。

最后分享一个小经验：这类主从博弈模型的代码，跑通一次不代表真的复现成功。我习惯在得到一组结果之后，故意把电价下限调低0.05元，再看用户负荷曲线是否跟着发生变化。如果结果纹丝不动，说明电价下限约束根本没起作用，模型可能已经被某个更强约束绑死了；如果负荷曲线变化很大，再继续检查这轮变化的幅度是否符合真实场景。这种“动手扰动参数再看结果反馈”的验证方式，比单纯盯着目标函数数值更可靠。做优化模型的乐趣也在这——问题越复杂，越能逼着你想清楚每一个数到底在约束着什么。