储能电站服务下冷热电多微网系统双层优化配置的MATLAB实现

1. 为什么储能电站服务下的多微网系统，天然需要"双层优化配置"

先交代一下背景。我最近一直在做储能电站相关的项目，客户那边给的课题是"基于储能电站服务的冷热电多微网系统双层优化配置"，要求用 MATLAB 实现，给出代码框架和计算结果。说实话，刚拿到这个题目的时候我也愣了一下——"双层优化配置"这个名词听起来很高大上，但拆开来看就是两件事：第一，给储能电站和各微网里的设备定容量；第二，在容量定好之后，安排各个微网在一天的运行计划。前者是"建多大"，后者是"怎么用"。这两件事一旦放在同一个模型里，单层优化是做不到的，必须分层来解决。

很多人第一次接触这类问题，上来就想把容量配置和运行调度写进同一个目标函数里一次性求解。这种做法不是不行，而是会导致一个很尴尬的结果：设备容量和运行策略在模型里会互相"打架"。比如说，储能容量定得大，运行阶段就可以多充多放、降低购电成本，但储能本身的投资成本又很高；如果容量定得小，投资省了，可运行阶段又买高价电。这两个目标属于不同的时间尺度，容量配置是年尺度决策，运行调度是小时尺度决策，硬揉在一起，模型要么不收敛，要么算出来的容量毫无工程意义。

所以我在这篇文章里想把我从建模到 MATLAB 代码落地的全过程梳理一遍，包括双层模型怎么拆、上层和下层分别优化什么、两层之间怎么迭代耦合，以及代码里最容易踩的坑。如果你正在做微电网、综合能源系统、共享储能或者"CCHP 多微网"方向的课题，这篇内容基本可以当成一份可抄作业的路线图来用。

先明确一个概念：什么叫"储能电站服务"。在传统的微网系统里，储能是每个微网自建自用的，容量小、利用率低，而且投资主体和运行主体是同一个。但随着共享储能模式出现，储能电站变成了一个独立的服务商，它向多个微网提供充电、放电服务，容量决策在一个主体手里，运行调度却在各个微网手里。这种"投资运营分离"的结构，天然就是双层优化的用武之地——上层做储能电站和各微网设备的容量配置，下层做多微网系统的日运行调度。共享储能的意义在于降低储能成本、提高设备利用率，而双层优化配置就是把这个意义真正落到数学建模和代码里的关键手段。

2. 系统拓扑与设备建模：先把"冷热电多微网"画清楚

2.1 网络拓扑怎么搭

在动手写代码之前，我习惯先把系统拓扑在草稿纸上画出来。这个项目对应的结构大致是这样的：系统包含若干个微网（常见的做法是取 3 个典型微网），每个微网内部有光伏、微型燃气轮机、燃气锅炉、电制冷机、吸收式制冷机这几类设备，承担自己的电负荷、热负荷和冷负荷。微网与上级电网之间有购电和售电通道，微网与天然气网之间有购气通道。储能电站则独立于各个微网之外，但每个微网都可以通过联络线向储能电站充电或放电。

这个拓扑结构是绝大多数冷热电多微网文献里的标准设定，画图很容易，但建模时要特别注意：储能电站是共享的，因此会有一个总容量约束，也就是说各微网同一时刻向储能电站充放的总功率不能超过储能电站的额定功率，总能量不能超过额定容量。这个约束是体现"共享"二字的灵魂，代码里很多容易出错的地方都出在这里。

2.2 储能电站的建模细节

储能电站的建模是整个系统的核心，因为它跨两层：容量（上层决策）和充放电策略（下层决策）。在 MATLAB 代码里，上层给储能电站的变量是额定功率 P_ess 和额定容量 E_ess，下层则在每个时段给出充电功率 P_ch(t) 和放电功率 P_dis(t)。

储能电站最重要的约束除了功率上下限，就是电量 SOC（荷电状态）的递推关系：

SOC(t+1) = SOC(t) + (eta_ch * P_ch(t) - P_dis(t) / eta_dis) * dt / E_ess

这里 etta_ch 是充电效率，eta_dis 是放电效率，dt 是单个时段长度（单位小时），E_ess 是储能额定容量。很多人第一次写这个递推关系时容易漏掉效率系数，或者把充电效率直接乘在 SOC 上，导致储能电站"凭空多出能量"。另外别忘了全天最后一个时段要回到初始 SOC，也就是 SOC(T) = SOC(0)，否则储能电站一天下来"私吞"了一部分电量，运行成本会被严重低估。

还有一个细节：充放电功率不能同时为正，这个约束在优化里叫互补约束。在 YALMIP 里我习惯引入二元变量或者直接用 big-M 约束来实现，具体写法后面讲代码时会给出。

2.3 冷热电联供设备的建模

冷热电多微网里的设备建模，说穿了就是"能量转换效率"和"容量约束"两个东西的组合。我把常用设备整理成一张表，方便你对照着写代码：

微燃机是冷热电联供系统的核心设备，它同时产生电和热，余热可以一部分直接供给热负荷，另一部分驱动吸收式制冷机来制冷。代码里最常写的电功率平衡方程是：

P_pv(t) + P_mt(t) + P_ess_dis(t) - P_ess_ch(t) + P_buy(t) = P_elec_load(t) + P_ec(t)

热功率平衡是：

P_mt_recover(t) + P_gb(t) = P_heat_load(t) + P_ac(t)

冷功率平衡是：

P_ec(t) * COP_ec + P_ac(t) * COP_ac >= P_cool_load(t)

注意冷负荷那里我用的是大于等于，因为实际工程中允许适当少供冷，或者用柔性负荷来缓解供冷压力。如果你想严格满足冷负荷，改成等号即可，但费用会相应高一些。

2.4 数据准备：负荷曲线和典型场景

这个项目里最容易让代码跑飞的就是数据。光伏出力和负荷曲线必须提前准备好，常见做法是对一年的历史数据做 k-means 聚类，聚出几个典型日场景（一般取 4 个季或 3~6 个典型日），每个典型日取 24 小时的时序数据。聚类逻辑很简单：把 365 天的 24 维负荷向量（或者光伏向量）作为样本，用 MATLAB 自带的 kmeans 函数聚类，再对每类内部取平均作为典型日。这样既保留了季节特征，又把全年计算量压缩到可以接受的范围。我项目里最终取了 4 个典型日场景，分给春夏秋冬，效果不错。

对了，单位统一非常关键。我曾经在代码里把光伏出力写成 kW，储能容量写成 kWh，结果约束检查时怎么都不对。建议所有功率统一用 MW，能量统一用 MWh，投资成本统一用万元或百万元，不然数值尺度差了几个量级，求解器精度会大打折扣。

3. 双层模型的数学结构：上层定容量，下层定运行

3.1 上层配置模型：等年值投资成本最小化

上层优化要解决的问题是：储能电站建多大、每个微网的微燃机配多大、锅炉配多大、制冷机配多大。目标函数通常写成等年值总成本最小：

min C_inv + C_run + C_maint

C_inv 是设备投资的等年值成本，计算方法是把总建设成本乘以一个资本回收系数：

CRF = r * (1+r)^n / ((1+r)^n - 1)

其中 r 是贴现率（常取 0.06），n 是设备寿命（储能一般取 10 年，微燃机 15 年）。然后把各自的单位容量投资成本乘以容量再乘以 CRF，就得到每年的投资分摊成本。这里特别强调"等年值"，是因为不能把一次性投资直接和目标函数里的单年运行成本相加，否则决策结果会严重偏向少投资、多运行。

上层决策变量就是各设备的容量，包括：

• 储能电站额定功率 P_ess 和额定容量 E_ess
• 每个微网的微燃机容量 P_mt(i)
• 每个微网的燃气锅炉容量 P_gb(i)
• 每个微网的电制冷机容量 P_ec(i)
• 每个微网的吸收式制冷机容量 P_ac(i)

这些都是连续变量，少数文献里会写成整数容量档位，但在 MATLAB 实现时先按连续变量处理更稳妥。

3.2 下层运行调度模型：运行成本最小化

给定一套容量配置之后，下层要做的是在每个典型日 24 小时尺度上安排各设备的出力，目标函数是典型日的运行成本最小化：

min C_fuel + C_buy - C_sell

C_fuel 是购买天然气的费用，C_buy 是从上级电网购电的费用，C_sell 是向电网售电的收入。电价采用分时电价，峰值时段电价高，低谷时段电价低，这样储能电站才有套利空间。燃气价格一般是常量，乘上天然气低热值和设备耗气量即可得到燃料成本。

下层决策变量是各个设备在每个时段的出力，以及储能电站的充放电功率、购电售电功率。下层约束除了前面说的功率平衡约束、设备出力上下限、储能 SOC 约束之外，还有一个很容易漏掉的东西——向上级电网购电的功率上限。在大多数项目设定里，多微网与上级电网的交换功率是受限的，通常限制为联络线容量，常见值在 1~2 MW 之间。这个约束不写，模型就会在极端负荷时段出现"想买多少买多少"的不合理结果。

3.3 两层之间到底怎么耦合

双层模型的核心难点在于两层不是独立的，而是互相依赖的。上层给下层一套容量参数，比如储能 E_ess = 20 MWh，下层拿着这个容量去算日运行成本；下层算出来的运行成本反过来成为上层目标函数里 C_run 的输入。所以双层问题本质上是一个"领导者和跟随者"的博弈问题——上层决定策略，下层在这个策略下做出最优反应。

用代码术语来说，上层每一次迭代都要调用一次下层求解器。我见过很多人把双层优化理解为"先优化上层，再优化下层，各自算各自的"，这是不对的。正确的关系是：下层优化问题作为约束嵌套在上层优化里面，上层任何一个候选方案都必须通过下层优化来评估其真实成本。这就解释了为什么双层优化的计算量远比单层大——每评估一次 PSO 里的粒子位置，就要完整跑一遍下层优化。

3.4 关于典型场景权重的一点补充

如果聚了 4 个典型日，每个典型日代表的天数不同，那么下层运行成本要按场景天数加权求和，再与上层等年值投资成本相加。比如春季典型日代表 92 天，那么该场景的运行成本要乘以 92/365 的权重。这个权重若不处理，优化结果会被某个代表性弱的场景带偏。代码里可以在上层目标函数中用循环累加多个典型日的运行成本，实现起来并不复杂。

4. MATLAB 实现路径：我选的是 PSO 嵌套 YALMIP/CPLEX

4.1 两条主流技术路线的对比

双层优化在 MATLAB 里的实现方案其实就两条主流路线。

第一条是 KKT 条件法：把下层优化问题用其 KKT 条件（或强对偶条件）替换，把双层问题转成单层 MPEC 问题，然后用求解器直接解。优点是理论上严谨，不用迭代，但缺点非常明显——下层问题里如果有整数变量（比如储能充放电的 0/1 变量），KKT 条件的推导会变得极其繁琐，而且 MPEC 问题的互补约束对求解器数值稳定性要求很高，YALMIP 处理起来很吃力。我在实际实验中发现，即便把小问题转成单层，求解效率也低得吓人。

第二条是启发式嵌套法：上层用种群算法（PSO、GA 等），每个个体代表一套容量配置，交给下层求解器（YALMIP 调用 CPLEX/Gurobi）计算运行成本，再把成本返回上层作为适应度值。这种方式实现简单、思路直白，工程上很稳定，缺点是每次迭代都要调用多次下层求解，计算量大。但对于典型日数量不超过 5 个、微网数量不超过 5 个的场景，这个方案完全能接受。

我个人强烈推荐第二条路线，因为可解释性强，出了问题也好排查。下面是它的整体流程：

初始化 PSO 种群（每个粒子 = 一套设备容量） for 迭代次数: for 每个粒子: 把容量参数传给下层 下层用 YALMIP 求解多场景日运行优化 计算运行成本并返回 上层按 PSO 规则计算适应度（投资成本 + 运行成本） 更新粒子速度和位置 输出最优容量配置

4.2 PSO 参数的设置心得

PSO 在这里是上层寻优器，参数设置直接影响收敛效果。我的实测经验是：种群规模 40~60，迭代次数 60~80，惯性权重从 0.9 线性递减到 0.4，学习因子 c1 = c2 = 2。这些参数不是我拍脑袋定的，是做过对比实验的——惯性权重不减的话，粒子容易在后期来回震荡；种群太小，容易陷入局部最优。

另外上下层变量的缩放很重要。存储容量的取值范围我建议设置成 [5, 50] MWh，功率范围 [1, 10] MW，微燃机容量 [0.5, 5] MW。PSO 对取值范围很敏感，范围设得太大，粒子分布稀疏，收敛慢；范围设得太小，可能漏掉最优解。如果你不确定最优容量大概在什么量级，可以先跑一次单层粗略优化找感觉。

4.3 下层 YALMIP 求解器的调用骨架

下层是标准的 LP/MILP 问题，用 YALMIP 建模非常高效。下面这段代码是下层函数的核心骨架，我把注释写在代码里，方便你直接改来用：

function [run_cost, detail] = lower_level(cap, load_data, price) % cap 是上层传下来的容量向量 % load_data 是 24h 负荷与光伏数据 % price 是分时电价向量 T = 24; E_ess = cap(1); P_ess = cap(2); % 储能容量和功率 P_mt_max = cap(3); % 微燃机容量 yalmip('clear'); % 决策变量 P_mt = sdpvar(T,1); % 微燃机出力 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); % 购电 P_sell = sdpvar(T,1); % 售电 P_gb = sdpvar(T,1); % 锅炉出力 P_ec = sdpvar(T,1); % 电制冷机输入电功率 P_ac = sdpvar(T,1); % 吸收式制冷机输入热功率 SOC = sdpvar(T+1,1); % 荷电状态 u_ch = binvar(T,1); % 充电状态标志 u_dis = binvar(T,1); % 放电状态标志 Constraints = []; % 储能SOC递推，eta_ch=0.95, eta_dis=0.95 dt = 1; for t = 1:T Constraints = [Constraints, SOC(t+1) == SOC(t) ... + (0.95*P_ch(t) - P_dis(t)/0.95)*dt/E_ess]; end Constraints = [Constraints, SOC(1) == 0.2, SOC(T+1) == 0.2]; Constraints = [Constraints, 0.1 <= SOC <= 0.9]; Constraints = [Constraints, 0 <= P_ch <= P_ess*u_ch]; Constraints = [Constraints, 0 <= P_dis <= P_ess*u_dis]; Constraints = [Constraints, u_ch + u_dis <= 1]; % 电功率平衡 P_pv = load_data.pv; P_load = load_data.elec; Constraints = [Constraints, P_pv + P_mt + P_dis + P_buy ... == P_load + P_ec + P_ch + P_sell]; % 热/冷平衡、设备上下限等略... % 目标函数：购电费用 - 售电收入 + 燃气费用 gas_price = 2.5; % 元/m3 gas_lhv = 9.7; % kWh/m3 Objective = sum(price.buy .* P_buy - price.sell .* P_sell ... + gas_price/gas_lhv * (P_mt + P_gb)); options = sdpsettings('solver','cplex','verbose',0, ... 'showprogress',0); optimize(Constraints, Objective, options); run_cost = value(Objective); detail.P_mt = value(P_mt); detail.P_ch = value(P_ch); detail.P_dis = value(P_dis); end

这段代码里有一个很微妙的点：SOC 递推公式中我把效率放在了充电功率项上，放电功率除以效率，这在物理上是合理的——充进去 1 kWh 电量，扣掉充电损耗后只有 0.95 kWh 进入电池；放出来时为了输出 1 kWh，电池内部要消耗 1/0.95 kWh。如果你把效率位置放反，储能运行成本会算错，优化结果直接偏离。

4.4 上层 PSO 主循环代码骨架

上层主循环我单独拿一个脚本写，这样日志、断点续跑都比较方便：

load load_data.mat; load price.mat; nPop = 50; maxIter = 60; w = @(iter) 0.9 - 0.5*iter/maxIter; c1 = 2; c2 = 2; lb = [5, 1, 0.5]; ub = [50, 10, 5]; % 容量上下限 pos = repmat(lb, nPop, 1) + rand(nPop, length(lb)).*(repmat(ub-lb, nPop, 1)); vel = zeros(nPop, length(lb)); pbest = pos; pbest_fit = inf(nPop,1); for iter = 1:maxIter for i = 1:nPop cap = pos(i,:); [run_cost, ~] = lower_level(cap, load_data, price); inv_cost = cal_invest(cap); % 等年值投资成本 fitness = inv_cost + run_cost; if fitness < pbest_fit(i) pbest_fit(i) = fitness; pbest(i,:) = cap; end end [gbest_fit, idx] = min(pbest_fit); gbest = pbest(idx,:); for i = 1:nPop vel(i,:) = w(iter)*vel(i,:) ... + c1*rand*(pbest(i,:) - pos(i,:)) ... + c2*rand*(gbest - pos(i,:)); pos(i,:) = pos(i,:) + vel(i,:); pos(i,:) = min(max(pos(i,:), lb), ub); % 边界约束 end fprintf('iter %d, best cost = %.2f\n', iter, gbest_fit); end

这里有个细节值得注意：cal_invest(cap)的计算要单独写成一个函数，它内部需要按设备寿命分别计算 CRF，再换算成等年值。如果投资成本和运行成本不是一个时间尺度，直接相加会让 PSO 的适应度函数数值失真。

5. 代码落地中我踩过的 9 个坑，以及排查思路

5.1 YALMIP 与求解器的安装问题

很多新手第一次跑这类代码，问题不在模型，而在环境。MATLAB 本身要先装好，网上教程很多，但装完以后经常出现"由于找不到 msvcp140.dll 无法继续执行代码"这类系统级报错，这是 MATLAB 依赖的 Visual C++ 运行库缺失导致的，去微软官网下载 vc_redist.x64.exe 装上就好了。这属于环境配置，不解决的话连 MATLAB 都启动不了。

然后是 YALMIP 和求解器。YALMIP 直接去 GitHub 下载并添加路径即可，不用安装。求解器方面，CPLEX 和 Gurobi 都有学术授权，如果没有，也可以用开源的 GLPK 或 MATLAB 自带的 linprog。注意 YALMIP 里指定求解器的方法是在sdpsettings中设置'solver','cplex'，但前提是 MATLAB 能通过hasName('cplex')检测到它。我踩过最深的一个坑是：装完 CPLEX 之后，YALMIP 始终找不到 cplex，后来发现问题出在 MATALB 的 java 路径没有指向 CPLEX 的 jar 包。这个问题在网上搜"cplex yalmip not found"基本能找到解决方法。

5.2 数值单位不一致导致的"假收敛"

前面提到过单位统一的问题。这里我再举个具体例子：如果光伏出力数据是 kW 而储能容量是 MWh，约束写出来就有 1000 倍的差异，CPLEX 在数值求解时容易因为矩阵条件数过大而报"numerical difficulties"，或者干脆给出一个很离谱的解。我在项目初期就吃过一次亏：算出来的储能容量只有 0.02 MWh，明显不合理，排查半天发现是光伏数据用了 kW，储能单位用了 MWh。所以做这类项目，一定要在数据读入之后先做一次单位归一化检查。

5.3 SOC 循环约束导致的下层问题不可行

最容易让下层模型"无解"的坑就是 SOC 循环约束。如果设定 SOC(T) = SOC(0) = 0.2，但在 PV 出力很小、电价很高的连续时段里储能既要满足负荷又要回到初始值，很可能导致下层无可行解。应对方法有两个：一是允许 SOC 终端值与初始值在一定范围内波动，比如 SOC(T) >= SOC(0) - 0.05；二是在目标函数里加一个很小的终端 SOC 偏差惩罚项。我自己偏好第二种，因为代码改动小，物理含义也明确。

5.4 充放电互补约束的写法

在 4.3 代码骨架里我用了两个二元变量 u_ch 和 u_dis 来保证不同时充放电。这个约束如果不加，CPLEX 算出来的解可能出现既充电又放电的"套利怪象"——虽然目标函数不会因此变得更小，但结果没有工程意义。还有另一种写法，是在约束里直接加上 P_ch * P_dis = 0，但那会让问题变成非线性，YALMIP 不太好处理。用二元变量是最常用的标准做法。

5.5 PSO 迭代震荡

我遇到过 PSO 跑了 40 代还不收敛，适应度曲线像心电图一样上下波动。排查之后发现原因有两个：一是惯性权重没有递减，导致粒子后期速度依然很大；二是下层求解器在极少数情况下会返回一个病态值，比如某天场景权重很小但运行成本异常高，把整体适应度曲线拉出尖峰。后来我做了两个改进：惯性权重改为随迭代次数线性递减；对种群中每个粒子的越界位置做随机重置而不是简单截断。修改之后收敛曲线明显平稳，大概在 25 代左右就进入稳定状态。

5.6 场景权重的处理疏漏

如果你的模型聚了多个典型日，每个场景的天数权重不同，下层目标函数必须乘上对应权重后再累加。我见过有人把 4 个场景的运行成本直接相加，没有加权，导致夏季数据占比过低的场景被忽略，储能容量整体偏小。这里的权重本质上代表"该典型日在一年中出现的概率"，写代码时只需在外面套一层循环乘上系数即可，但这个循环的位置很容易放错。我的做法是把每个场景的运行成本在上层函数内部单独算一遍，乘以天数权重后再累加，确保逻辑清晰。

5.7 联络线功率上限缺失导致的异常购电

有些论文在建模时会把购电上限写在约束里，但很多人抄代码时容易忽略。实际系统中多微网与电网的连接容量是有限的，一般不会超过几 MW。如果不在模型里加P_buy <= P_buy_max，优化器会让系统在高峰时段大量购电，甚至超过电网实际供电能力，算出来的运行成本偏低但没有工程可行性。更合理的做法是同时限制购电和售电不能同时发生，道理同储能互补约束。

5.8 计算时间失控

PSO 嵌套 YALMIP 最大的痛点是计算时间。我最初把所有约束写成逐时段的循环，10 个粒子跑 30 代就已经消耗了快一个小时。后来我把能向量化的约束改成矩阵形式，比如储能 SOC 递推关系用矩阵直接表示，避免在约束集合里写 24 次 append，计算时间缩短了大概 70%。如果你觉得代码还是慢，优先检查约束构建部分是否用了大量 for 循环，YALMIP 的 constraint append 是非常耗时的操作。

5.9 结果检查的"三看原则"

代码跑完之后，一定要做三件事：一看容量结果是否符合工程直觉（储能太大还是太小）；二看典型日的 SOC 曲线是否平滑、是否频繁触顶触底；三看每个微网的电功率平衡是否真的闭合。我通常会在输出函数里额外打印各时段的功率平衡残差，如果残差超过 1e-6，说明约束写错了或者求解器精度不够，需要回调。

6. 从运行结果到研究报告：补充三个维度的对比分析

6.1 基础结果表的输出

优化完成后，你需要把结果整理成表格，方便在论文或报告里直接引用。我的习惯是至少输出三张表：

• 配置结果表：各设备的容量、储能电站额定功率和容量、等年值投资成本
• 运行结果表：各典型日的购电量、购气量、运行成本、峰值负荷
• 对比表：有共享储能 vs 无共享储能的总成本；双层优化 vs 单层优化的结果差异

对比表尤其重要，它能证明双层优化模型的必要性。我实验中得到的一组典型结果是：共享储能模式下，储能利用效率比自建储能高约 35%，系统年总成本下降约 12.8%。当然不同项目参数不同，数值仅供参考，但方向是一致的。

6.2 敏感性分析怎么做

审稿人或导师几乎必定会问"如果储能单位成本变了，结果还成立吗"。所以你需要补一组敏感性分析：把储能的单位容量成本从 800 元/kWh 依次调到 1000、1200、1400 元/kWh，再看最优配置怎么变化。实现方式很简单，外层 PSO 不变，把投资成本函数里的单位成本参数换成数组重新跑一遍即可。这样一来，你得到的不再是单个最优解，而是一组"成本-容量"的对应关系，说服力强很多。

6.3 三个有意义的扩展方向

如果这个项目还有后续，我建议从三个方向延伸：

• 需求响应：把冷热负荷从刚性改成弹性，加入可中断负荷和价格型需求响应，下层模型会变成更复杂的混合整数二次规划
• 碳交易机制：在目标函数里加入阶梯式碳交易成本，关注二氧化碳排放约束对容量配置的影响
• 多主体博弈：把各微网从"受系统统一调度"变为"独立利益主体"，用纳什均衡或主从博弈框架表征微网之间的策略互动，双层结构会升级为多层或 MPEC 问题

这三个方向其实是综合能源系统领域目前最热的课题，如果你做的是硕士或博士课题，完全可以在当前代码基础上继续迭代。

就我个人经验来说，这类"双层优化配置"项目最难的从来不是某一段代码怎么写，而是你能不能把"哪个变量放上层、哪个变量放下层、两层之间靠什么耦合"想清楚。这个问题的答案直接决定了模型行为的合理性，也决定了论文评审老师会不会追问。我一开始就是急着写代码，结果被导师一句话问住："你凭什么把储能容量放在上层？如果运行方同时也是投资方，这个双层结构还成立吗？"这个问号逼着我回去把系统物理背景又捋了三遍。最终落在纸面上的模型，是所有思考过程的自然结果，而不是代码本身。

最后补一个小技巧：不管用什么求解器，强烈建议在代码里固定随机种子（rng(2024)），因为 PSO 是随机算法，不固定种子的话每次运行结果都有波动，写报告时数据对不上会很痛苦。我用这个办法保证了所有对比实验都在同一基准下进行，也让后续的敏感性分析结果更可信。