风储深度调峰模型：MATLAB+Yalmip建模与求解实践

这两年做新能源并网相关项目，我最大的感受是：系统“看不见”的刚性约束远比想象中多。刚开始接触风储深度调峰模型时，我以为只是在MATLAB里把功率平衡公式写对、跑个优化就完事，结果真正搭起来才发现，火电深度调峰的分段成本、储能SOC的累计误差、Big-M参数选取、甚至求解器的数值稳定性，每一个环节都能让你debug到怀疑人生。

这篇文章把我实际搭建并反复调过的“风储深度调峰模型”完整拆开来讲，从数学建模、MATLAB代码实现到算例结果分析、常见坑位，尽量做到可以直接复制参考。适合正在做电力系统调度、新能源消纳、储能优化配置相关课题的同学，也适合刚接触Yalmip和优化求解器的朋友。

1. 深度调峰这事，关键是要先搞清楚火电到底能潜到多深

1.1 “深度”到底有多深——从常规最小出力到深度调峰下限

火电深度调峰，说白了就是让火电机组低于常规最小技术出力运行。常规情况下，一台300 MW的机组最小技术出力可能标定在120 MW，也就是40%额定负荷左右。但电网低谷时段风大、负荷小，如果你不让它继续往下降，风电就只能被砍掉。所以就有了“深度调峰”这个概念：机组在锅炉不投油、不投等离子助燃的前提下，强行压到更低负荷，比如30%甚至25%。

从工程上讲，深度调峰确实伤设备。锅炉水动力稳定性变差，汽轮机末级叶片容易产生颤振，脱硝系统入口烟温低于催化剂活性温度之后，环保指标也会出问题。所以调度侧不能白让你压负荷，必须在目标函数里增加深度调峰的补偿或惩罚项，否则机组没有动力去冒这个风险。

我用的模型里把机组出力分成几个区间：

这三台机组加起来常规最小出力和是250 MW，深度调峰后最低能压到170 MW。这个差距，就是系统低谷时段的调节空间。

1.2 风电为什么要和储能绑在一起

风电出力和负荷天然是错位的。大半夜大家睡觉，负荷一路掉到300 MW出头，但风电偏偏在半夜经常满发。这时候火电已经压到技术下限，风电再多就只能弃。

储能的定位就是“搬家公司”：低谷时段把多余的风电充进来，高峰时段再放出去。这样一来火电可以尽量维持在经济运行区间，风电的消纳空间也打开了。风储深度调峰模型的核心，就是把“火电深度调峰成本”和“储能充电/放电/弃风惩罚”放在同一个优化问题里，让他们互相博弈出一个总成本最小的方案。

储能作为快速调节资源，响应速度和爬坡能力都远优于火电。深度调峰模型里加入储能之后，等于给整个系统加了一个“缓冲垫”。低谷时段火电不用压得那么狠，高峰时段也不用频繁启停备用机组，整个系统的运行压力都会小很多。

1.3 模型边界：我做的不是机组组合，而是调度层优化

刚开始做的时候容易搞混一件事：深度调峰模型和机组组合、经济调度到底什么关系？机组组合是提前一天决定哪些机组开、哪些机组关，属于小时级甚至跨日级的决策；经济调度更偏向实时，在机组启停状态已经确定的情况下分配各机组出力。

我搭的这个模型，可以理解为两者的结合——时间尺度是日前24小时、分辨率为1小时，同时考虑了机组启停状态和出力分配，也额外包括了深度调峰区间约束和储能SOC约束。这个尺度对大多数研究场景都够用了，而且数据好找、可视化方便，特别适合用来做方案对比。

2. 数学模型拆解：目标、状态变量与约束

2.1 目标函数：总运行成本最小化

我最终用的目标函数是这样的：

[ \min \sum_{t=1}^{T} \left[ \sum_{i=1}^{NG} (F_i(P_{i,t}) + SU_{i,t}) + \lambda_{depth} \cdot D_{i,t} + \lambda_{cur} \cdot P_{cur,t} \right] ]

其中：

• (F_i(P_{i,t})) 是机组i在t时段的燃料成本，我这里简化为二次函数；
• (SU_{i,t}) 是机组启动成本，只在机组从停机转运行时才产生；
• (D_{i,t}) 是深度调峰惩罚，反映机组进入深度调峰区间的额外损耗；
• (P_{cur,t}) 是弃风功率，(\lambda_{cur}) 是弃风惩罚系数。

储能本身的充电/放电成本我放在约束里处理，储能SOC的“折旧”很小，如果单位时间尺度不长，可以先忽略。但如果做长期运行策略，建议在目标函数里加一个储能循环寿命损耗项，否则模型会倾向于让储能频繁充放，实际现场根本受不了。

2.2 火电深度调峰成本的分段处理

火电燃料成本本身是非线性的，深度调峰区间还得另算附加成本。我的做法是把机组出力分段，每一段对应一个线性化成本：

• 常规区间：出力≥常规最小出力，成本按电厂给出的煤耗曲线拟合；
• 深度调峰区间：出力低于常规最小出力，但高于深度调峰下限，除了燃料成本外，额外加上一个与压负荷深度成线性关系的惩罚项，(\alpha_i (P_{i,min} - P_{i,t}))。

这样处理不是最精细的，但求解效率很高，而且工程上很好解释。如果你拿到的是汽轮机热耗试验数据，完全可以用更精细的分段线性函数替代，模型结构不用大改。

2.3 储能系统约束

储能在模型里需要约束五件事：充电功率上限、放电功率上限、SOC上下限、SOC递推关系、始末SOC平衡。

SOC递推公式：

[ SOC_{t+1} = SOC_t + \eta_c \cdot P_{ch,t} - \frac{P_{dis,t}}{\eta_d} ]

这里有两个效率参数：(\eta_c) 充电效率、(\eta_d) 放电效率。注意这两个参数不能约掉，否则无论怎么充放能量都不守恒。我在算例里设充电效率0.95、放电效率0.95，电池标称容量100 MWh。

更重要的是始末SOC平衡约束：

[ SOC_T = SOC_0 ]

如果不加这条，优化结果一定会把电池在最后一个时段放空，因为这对节省目标函数来说是“免费的午餐”，但实际调度完全不能接受。

2.4 系统约束与简化假设

功率平衡：

[ \sum_i P_{i,t} + P_{w,t} + P_{dis,t} - P_{ch,t} = P_{load,t} ]

这就是最简单的无网损平衡方程，在区域级光伏、风储建模里先忽略网损是标准做法，后续要加潮流可以把(P_{load})换成节点负荷加支路潮流。

机组出力约束、爬坡约束、最小开停机时间约束，这些是机组组合里的常规配置。风电侧我只约束了：

[ 0 \leq P_{w,t} \leq P_{w,max,t} ]

即风电并网功率不能超过预测可用出力。储能充电功率也不能超过弃风电量？不对——实际上储能想要充电，可以充火电，也可以充风电，但在低谷时段储能的充电功率主要来自风电，这个关系不用刻意约束，功率平衡方程会自动算出来。

线路潮流我没有放进模型。原因是这个模型关注的是系统层面的调峰能力，不是阻塞问题。如果后续要研究储能在节点位置的差异化作用，那需要扩展成DC潮流或多节点经济调度模型。

3. MATLAB实现：从零开始搭一个能跑的模型

3.1 工具箱、求解器和代码结构

我推荐用Yalmip工具箱做建模，求解器用Gurobi或CPLEX。Yalmip的好处是把符号约束写得跟数学公式几乎一一对应，非常省时间，而且它对线性化、指示变量、Big-M等处理都很成熟。

如果电脑没有Gurobi或CPLEX，临时也能用MATLAB自带的intlinprog顶一下，但规模一大就知道差距了。优化求解器对大规模混合整数规划问题的分支效率差距极大，同样的模型，CPLEX可能几十秒解完，intlinprog可能要挂机一小时。

代码目录我习惯这样组织：

wind_storage_deep_reg/ ├── data/ # 负荷、风电、机组参数 ├── src/ │ ├── load_data.m │ ├── build_model.m │ ├── solve_model.m │ └── plot_result.m ├── results/ └── main.m

数据文件和模型文件分开，后期换数据不用动代码。

3.2 变量声明与核心约束写法

主脚本里我这样声明变量：

T = 24; nG = 3; % 机组状态 u = binvar(nG, T, 'full'); % 火电出力 P = sdpvar(nG, T, 'full'); % 风电并网功率和弃风功率 P_w = sdpvar(1, T, 'full'); P_cur = sdpvar(1, T, 'full'); % 储能功率，正值充电、负值放电，也可以拆成两个变量 P_bat = sdpvar(1, T, 'full'); % SOC SOC = sdpvar(1, T, 'full');

储能不用拆充放两个变量也可以，但如果需要分别设置功率上限，还是拆开比较方便。我这次为了展示，拆成了P_ch和P_dis：

P_ch = sdpvar(1, T, 'full'); P_dis = sdpvar(1, T, 'full');

功率平衡约束：

Constraints = []; for t = 1:T Constraints = [Constraints, sum(P(:,t)) + P_w(t) + P_dis(t) - P_ch(t) == P_load(t)]; end

储能SOC约束：

SOC_0 = 50; % 初始SOC，单位MWh SOC_max = 100; SOC_min = 10; eta_c = 0.95; eta_d = 0.95; for t = 2:T Constraints = [Constraints, SOC(t) == SOC(t-1) + eta_c*P_ch(t) - P_dis(t)/eta_d]; end Constraints = [Constraints, SOC(1) == SOC_0 + eta_c*P_ch(1) - P_dis(1)/eta_d]; Constraints = [Constraints, SOC >= SOC_min*ones(1,T), SOC <= SOC_max*ones(1,T)]; Constraints = [Constraints, SOC(T) == SOC_0]; Constraints = [Constraints, P_ch >= 0, P_ch <= 50]; Constraints = [Constraints, P_dis >= 0, P_dis <= 50];

这里我把P_ch和P_dis都定义成了非负变量，所以目标函数里不写储能成本也没有关系，反正同一时段充放不可能同时最优。但如果你在目标函数里加了充放电成本或者想让结果更精确，需要再加一个互斥约束：P_ch .* P_dis == 0，不过这个是非线性约束，尽量不要用，求解器会因为非线性而放弃混合整数效率。实践证明，只要目标函数和约束设置合理，最优解里自然就不会同时充放。

3.3 目标函数写法

以火电燃料成本为二次函数为例：

% 燃料成本系数，行向量，三台机组 a = [0.002; 0.0025; 0.003]; % 元/MW^2 b = [20; 25; 22]; % 元/MW c = [800; 600; 400]; % 元/h FuelCost = 0; for t = 1:T FuelCost = FuelCost + sum(a .* P(:,t).^2 + b .* P(:,t) + c .* u(:,t)); end

深度调峰惩罚项我用了一个近似：当机组出力低于常规最小出力时，附加深度惩罚。这个用implies或者if-then约束写起来很繁琐，我的简化做法是直接在目标函数里加一项：

P_min = [120; 80; 50]; P_deep = [80; 60; 30]; kdepth = [10; 12; 8]; % 深度调峰惩罚系数，元/MW DepthCost = 0; for i = 1:nG for t = 1:T DepthCost = DepthCost + kdepth(i) * max(0, P_min(i) - P(i,t)); end end

注意max不能直接用在Yalmip里做目标函数，最好引入辅助变量d_i >= 0和约束d_i >= P_min - P_i，目标函数里用sum(d_i)。完整写法：

d = sdpvar(nG, T, 'full'); Constraints = [Constraints, d >= 0]; for i = 1:nG for t = 1:T Constraints = [Constraints, d(i,t) >= P_min(i) - P(i,t)]; end end DepthCost = sum(kdepth .* d, 'all');

这个方法虽然不是严格的深度调峰分段成本，但特别简单，而且能鼓励机组在满足出力平衡的前提下尽量少低于常规最小出力，相当于对“浅度深调”做软惩罚。想用严格分段线性成本的话，需要引入额外的0-1变量把出力区间切成几段，模型会复杂不少。

3.4 求解参数设置

用Gurobi的话：

ops = sdpsettings('solver', 'gurobi', 'verbose', 2, 'savesolveroutput', 1); optimize(Constraints, TotalCost, ops);

verbose设为1或2，可以看到分支定界的推进情况。如果模型一直卡住，先检查是不是有冗余大M约束或者连续变量很多。

提取结果：

P_opt = value(P); P_ch_opt = value(P_ch); P_dis_opt = value(P_dis); SOC_opt = value(SOC); P_w_opt = value(P_w);

4. 经典算例结果分析与关键参数灵敏度

4.1 极端低谷算例：负荷320 MW、风电100 MW

我设计了一个比较极端的低谷场景：凌晨2点负荷只有320 MW，风电预测出力却有100 MW。三台机组常规最小出力和250 MW，所以火电最低要发250 MW，加上风电100 MW，总出力350 MW，比负荷多了30 MW。

如果不加储能、不允许深度调峰，这30 MW只能弃掉。如果允许深度调峰，火电可以压到220 MW（刚好在深度调峰区间内），风电全额消纳。但代价是火电得深调30 MW，深度调峰成本上升。如果加上50 MW/100 MWh储能，系统可以让火电维持在250 MW，用储能吃掉30 MW的盈余，把电量挪到后面的负荷高峰时段。

4.2 场景对比：常规调峰 vs 深度调峰 vs 风储深度调峰

这里放一个24小时的对比结果，我把结果整理成表格：

风储联合后为什么运行成本反而最低？因为储能在低谷时吸收的30 MW电量，在高峰时段释放，替代了高峰期最贵的边际机组出力，所以虽然储能充放电有能量损失，但综合账算下来还是赚。深度调峰次数也从6次降到3次，这对机组寿命友好得多。

4.3 储能容量与弃风率的关系

我还做了储能容量从50 MWh逐步加到300 MWh的灵敏度测试。结果很直观：

• 储能容量100 MWh以下时，每增加50 MWh，弃风率明显下降，系统成本下降也很快；
• 储能容量超过200 MWh后，边际效益急速衰减，因为低谷时段可搬移的富裕电量就那么多；
• 如果只做调峰，储能容量并不是越大越好，还得考虑充放电功率的上限匹配。

这给实际规划带来一个启发：储能容量的优化不能只看单场景，要结合全年风光出力分布、负荷曲线和CCS曲线综合算。用这个模型加一个场景循环，很快就能画出“储能容量-弃风率”曲线，对做规划的同学很有用。

5. 调试阶段踩过的坑与快速定位方法

5.1 约束无解，先查Big-M

第一次跑模型，Gurobi直接告诉我infeasible，当时一脸懵。后面我用ops.savesolveroutput = 1和check(Constraints)逐步排查，才发现问题是机组启动约束里的Big-M参数写得太大。

我原来写的是：

Constraints = [Constraints, P(i,t) <= M * u(i,t)];

这里的M取的是10000。理论上没问题，但实际上M太大会让线性规划松弛后的可行域变得非常宽松，求解器数值稳定性变差，有些分支节点上出现“假可行解”，反而导致最优解搜索效率极低甚至报错。

解决方案是把M改成机组额定功率，或者更严格地改成该机组的P_max，模型就稳定了。凡是涉及0-1变量和连续变量相乘的约束，Big-M一定要选紧一点点，但也不能太紧，否则会割掉可行解。

5.2 二次成本函数带来的求解性能问题

我一开始燃料成本直接用二次函数，模型里带着P.^2，如果误差用Gurobi的QP求解器一般没问题，但如果机器上只有intlinprog就麻烦了。intlinprog不支持二次目标，只能把二次函数线性化。

线性化的标准做法是分段线性近似。把出力范围切成20段，每一段用线性函数拟合，误差控制在很小范围。这工程上完全够用，而且求解速度快很多。

比较一下我实测跑的用时：

• 二次目标 + Gurobi：18秒；
• 线性化目标 + intlinprog：46秒；
• 线性化目标 + Cplex：9秒。

所以如果你的课题规模不大，二次目标直接用求解器没问题。但如果你准备扩展成8760小时全年优化，建议还是线性化，不然单次求解时间会指数增长。

5.3 循环内反复建模导致速度慢

Yalmip建模本身是有开销的，尤其是如果你在for循环里每一轮都重新声明sdpvar并从头搭建约束，T=24还行，T=8760直接卡死。我优化后的做法是只建模一次，把相关数据全部定义为参数，循环里只改参数然后重新optimize。

这个技巧在上百次场景扫描时特别重要。每次optimize之前的Constraints和F可以复用，改动量不大，求解效率会大幅提升。还有就是尽早把Constraints变量预分配成空数组，不要用增量拼接过大的表达式。

5.4 SOC初始/结束平衡约束的陷阱

我第一次把SOC单位设成了百分比（0~100），然后初始SOC设成50%，结束SOC也设成50%，结果发现最优解里，储能一开始就在充电，后面一直在放电，看起来好像“赚”了50%的能量。

问题出在约束写法：我把SOC单位设成MWh，但初始值写成了0.5，等于只有0.5 MWh。这里容易错的原因是文献里SOC经常写成百分比，而代码里直接用MWh，单位混了。建议代码里全部统一成MWh，所有SOC相关的参数都乘以标称容量。比如初始SOC 50%对应的是50 MWh。统一用MWh为单位后，所有约束的物理意义都非常直观。

还要注意SOC递推公式的方向。这里我做过一个非常蠢的错位：充电时应该SOC(t+1) = SOC(t) + eta_c * P_ch，但反向约束的时候，如果前后时段写反，储能会从“充电”变成“放电”，结果整个调度计划完全扭曲。

5.5 负荷和风电数据对齐问题

这个坑更多出现在真实数据场景。负荷数据默认是北京时间，风电预测数据可能给的是UTC或地方时区，有时候差一个时区，画图的时候没发现，但算出来弃风率差很多。建议数据加载后直接画一张24小时负荷、风电曲线图，肉眼检查峰谷位置是否正确。数据源不同步，后面模型再精确也没有意义。

6. 从单算例到工程应用，我的扩展路线

6.1 多风电场和多储能站的组合优化

单风电场、单储能站只是起步。实际工程里一个区域可能有五六个风电场，十几个储能柜，分布式和集中式并存。扩展时要考虑的是不同风电场之间出力的相关性，以及储能站所在节点对电网断面阻塞的影响。模型需要把单母线功率平衡改成多节点潮流约束，同时增加线路传输容量约束，这时候Yalmip的优势又出来了——直接定义节点导纳矩阵，约束写成矩阵形式也很舒服。

6.2 随机优化与滚动时域控制

风电预测一定不准，这里的不准不是统计学意义上的随机扰动，而是大尺度天气过程带来的系统性偏差。所以把确定性模型升级成两阶段随机优化或者场景法是有价值的。

我在扩展版里加入了30个风速场景，用场景削减去掉明显冗余的出力曲线，目标函数改成期望成本最小化。结果比单场景版更稳健，缺点是求解时间上去了，但换来的是更真实的风险决策思路。

如果你打算做实时控制，建议用滚动时域优化，每15分钟更新一次风电预测，重新求解未来4小时的调度计划。这样预测误差带来的影响会被每一轮滚动修正掉。

6.3 一点实操体会

模型搭好后，我最大的体会是：风电预测精度和储能SOC初值对结果的影响，比模型本身的数学形式大得多。与其纠结成本曲线的精细拟合，不如先把预测数据和SOC标定做好。

另外，我强烈建议初学者拿到一个新数据就跑一版最简单的无储能模型，作为基准。别一上来就把深度调峰、储能、启动成本、爬坡约束全堆上去，不然遇到问题根本不知道是哪层约束引起的。先把不用储能的模型跑顺，再逐步往上加复杂度，每个中间版本都保存一个可复现的脚本，这条习惯帮我节省了大量排查时间。

最后再说一个实用的点：如果你是学生党，做完模型之后可以顺便用MATLAB的exportgraphics把结果图导出成高清PDF，写论文和报告直接就能用。我图里用的配色是parula，在低分辨率压缩下依然能看出曲线趋势，不会像默认的jet那样一条曲线被切成好几段视觉断层。这些小细节虽然跟模型核心无关，但在答辩和论文插图时真的挺加分。