风电光伏+电池+废弃矿井抽蓄：Python互补调度优化实战

先说一个我在实际项目里经常看到的误区：很多人一听到"风电、光伏配储能"，第一反应就是"多装电池，把电存起来"。但真正跑过调度模型之后你会发现，储能不是配得越多越好，关键是储能类型和出力特性的匹配。电池响应快但容量成本高，抽水蓄能容量大但响应慢，两者如果只是简单并联，很多时候反而是浪费。这篇内容我结合自己做过的一个Python调度项目，讲讲风电、光伏、电池储能和废弃矿井改造的小型抽水蓄能怎么在一个优化模型里互补运行，以及代码层面到底怎么落地。

这个方向特别适合正在做新能源消纳、微电网调度、储能容量配置研究的同学参考。项目本身的设定很实际：风电场和光伏电站共用一条并网通道，配了电池储能和一座由废弃矿井改造的小型抽水蓄能电站，目标是在满足负荷需求的前提下，让整个系统的运行成本最低、弃风弃光最少。我会把建模思路、约束体系、Python求解代码和经验教训一次性讲清楚。

1. 为什么要把电池与废弃矿井抽蓄放在一个调度模型里

1.1 互补调度的本质：电源出力波动与储能调节能力的匹配

先想清楚一个问题：风电和光伏为什么要"互补调度"？不是因为它们能互相补出力曲线——风电夜间大发、光伏午间大发，严格来说它们是错峰甚至反调的。真正的互补点在于，通过储能这个中转站，让两者的随机波动在时间轴上被"搬移"到负荷需要的时候。

风电出力的特点是波动幅度大、持续性长，一个大风过程可能持续十几个小时；光伏出力的特点是规律性强但受天气影响剧烈，云天和晴天的出力曲线完全两个样。如果只配电池，遇到连续两天大风天气，电池容量很快就会被打满，剩下的风只能弃掉。如果只配抽蓄，遇到午后光伏出力骤降这样的快速变化，抽蓄机组从收到指令到满负荷发电可能需要几分钟，中间这段功率缺口没人补。

这就是电池和抽蓄必须同时存在的原因：电池管短时功率波动，抽蓄管长时间能量搬移。调度模型里的核心工作，就是把这两种时间尺度的调节能力分配到各自最擅长的工作上。

1.2 废弃矿井小型抽水蓄能：被忽视的存量资源

小型抽水蓄能这个词可能有些读者不熟悉，简单说一下原理：常规抽蓄需要新建上水库和下水库，投资大、建设周期长、选址要求高。废弃矿井改造的小型抽蓄，本质是把矿井已有的巷道、竖井和采空区利用起来，作为上库或下库，再配置水泵水轮机组。

这个思路的优势在工程上非常明显：矿井的巷道系统本身就是现成的储水空间，地质结构经过多年开采验证，渗漏风险相对可控，征地移民成本几乎为零。劣势也明确：单机容量小，通常一个矿井改造项目的装机也就是几兆瓦到几十兆瓦的级别，远比不上常规抽蓄的百万千瓦级。另外矿井巷道的水力条件复杂，水头变化范围大，机组效率一般比常规抽蓄低几个百分点。

放到调度模型里，我们需要抓住它的核心特征：容量上限由矿井可用空间和上下库水位决定，功率上限由水泵水轮机组决定，效率取一个综合值（通常75%到80%，低于常规抽蓄的85%左右），还有一条很关键的约束——抽水和发电不能同时进行，这在数学上必须用整数变量表达。

1.3 电池与抽蓄的特性互补：响应速度与容量成本的权衡

把两种储能的关键参数放在一张表里看，比任何文字描述都直观：

从这张表能直接推导出调度策略的底层逻辑：电池适宜频繁动作但每次电量别太深，抽蓄适合一天一两次的大容量吞吐。建模的时候，电池的SOC可以按小时甚至15分钟粒度动态变化，抽蓄则更适合设定为固定的日调节模式——夜间抽水蓄能，白天顶峰放水。后面我会展示怎么把这些差异写成约束。

2. 调度优化问题的数学模型：目标函数与约束体系怎么定

2.1 目标函数：从单一经济性到多目标权衡

大多数风电光伏储能调度论文会把目标函数设定为"系统运行成本最小"或"弃风弃光率最小"。实际做下来你会发现，纯成本目标容易导致模型为了省钱而牺牲消纳，纯弃风弃光率目标又可能不计代价地调用储能。我的做法是主目标加惩罚项：运行成本最小化，弃风弃光以惩罚系数计入目标。

运行成本包括三块：从主网购电的成本、储能设备的运行维护成本、弃风弃光的惩罚成本。写成数学形式是：

$$ \min \sum_{t=1}^{T} \left( C_{buy,t} P_{buy,t} + C_{om}^{bat} (P_{ch,t}+P_{dis,t}) + C_{om}^{psh} (P_{pump,t}+P_{gen,t}) + C_{curtail} (P_{wind,t}^{curt}+P_{pv,t}^{curt}) \right) $$

其中 $P_{buy,t}$ 是t时段从电网购入的功率，$P_{ch,t}$、$P_{dis,t}$是电池充放电功率，$P_{pump,t}$、$P_{gen,t}$是抽蓄抽水和发电功率，$P_{wind,t}^{curt}$、$P_{pv,t}^{curt}$是弃风弃光功率。$C_{buy,t}$是分时电价，$C_{om}$是运维成本系数，$C_{curtail}$是弃能惩罚系数。

这样设定之后，模型会自动权衡：储能动作太频繁导致运维成本上升，模型就会减少不必要的充放电；弃风弃光惩罚设置得足够高，模型就会优先调用储能消纳。我这里把 $C_{curtail}$ 设为上网电价的1.5倍，效果比较合理。

2.2 核心约束：功率平衡、运行边界与储能动态

约束体系是整个模型的主体，我按类别梳理一下：

功率平衡约束是最基本的一条，每个时段系统内所有电源和负荷必须相等：

$$ P_{wind,t} + P_{pv,t} + P_{dis,t} + P_{gen,t} + P_{buy,t} = P_{load,t} + P_{ch,t} + P_{pump,t} + P_{sell,t} $$

这里 $P_{wind,t}$、$P_{pv,t}$ 是实际消纳的风光出力，等于预测出力减去弃电量。$P_{sell,t}$ 是向电网卖出的功率，如果模型设定不允许倒送电，直接把这一项置零即可。

电池储能的动态约束包括SOC递推、充放电功率上下限、以及循环次数限制（如果用日循环次数约束的话）。SOC递推公式是：

$$ SOC_{t+1} = SOC_t + \eta_{ch} P_{ch,t} \Delta t - \frac{P_{dis,t}}{\eta_{dis}} \Delta t $$

$\eta_{ch}$、$\eta_{dis}$ 分别是充放电效率，$\Delta t$ 是调度步长（我用的1小时）。另外要约束SOC首末相等，否则模型会把初始能量当作免费资源用掉，结果失真。

抽水蓄能的建模比电池复杂一些，关键是要区分水量和功率两个维度。电量层面，上下库的水量动态方程类似SOC；功率层面，抽水状态和发电状态互斥，必须引入二进制变量 $u_{pump,t}$ 和 $u_{gen,t}$：

$$ 0 \leq P_{pump,t} \leq u_{pump,t} P_{pump}^{max}, \quad 0 \leq P_{gen,t} \leq u_{gen,t} P_{gen}^{max}, \quad u_{pump,t} + u_{gen,t} \leq 1 $$

最后一条不等式保证了同一时段不能既抽水又发电。很多初学者在第一步建模时漏掉这个互斥约束，导致结果里抽蓄在同一时段既当电动机又当发电机，白白消耗能量，模型还觉得挺划算——这是最典型的建模错误之一。

2.3 时间尺度的选择：日前调度与日内滚动修正

调度时间尺度直接决定模型规模和实用性。我建议分两层：

第一层是日前调度，以1小时为步长，优化未来24小时的出力计划。这一步确定电池和抽蓄的大致充放电安排，求解速度快，模型对输入数据的敏感性可控。

第二层是日内滚动修正，以15分钟为步长，每15分钟重新求解一次，窗口4小时。因为超短期风电光伏预测精度比日前预测高一截，滚动修正可以及时调整储能出力，弥补日前计划的偏差。两层配合下来，既保证了计算效率，又兼顾了应对出力波动的能力。

3. Python代码实现：从数据准备到求解器调用

3.1 输入数据：风光出力序列与负荷曲线的获取与清洗

做调度仿真最耗时间的往往不是建模，而是数据准备。风电光伏出力数据的来源有三类：实测历史数据（最理想）、气象再分析数据反演、用工具生成模拟序列。没有现成实测数据时，我常用pvlib生成光伏出力曲线，风功率则根据风速数据套用功率曲线计算。

数据拿到手先做三件事：缺测值处理、异常值剔除、时间对齐。缺测值我习惯用前后线性插值；异常值主要看有没有超过装机容量或深夜出现光伏出力这类明显错误；时间对齐是要确保风电、光伏、负荷三条序列的时间戳完全一致，时区统一，夏令时问题在调度仿真空最容易翻车——我有一次就因为UTC和本地时间没对齐，光伏出力整体偏移了一小时，调度结果完全没法看。

数据清洗完成后，我建议把序列归一化到标幺值（除以各自装机容量），这样模型数值稳定性更好，后面改装机容量也不需要重新预处理。

3.2 建模工具选型：PuLP还是ortools，为什么

Python里做线性规划求解，可选方案不少：PuLP、ortools、scipy.optimize.linprog、Pyomo等。我的经验是：

• 如果模型规模小（几百个变量），scipy.optimize.linprog够用，零依赖
• 如果模型包含整数变量，且希望代码简单直观，选PuLP，内置CBC求解器
• 如果模型规模大或求解速度要求高，选ortools，它对HiGHS等多线程求解器支持更好
• 如果要做复杂的建模或多目标分析，上Pyomo，但学习曲线陡一些

我这个项目用了PuLP，原因很简单：模型里包含二进制变量（抽蓄的抽水/发电互斥），需要混合整数线性规划求解器，而PuLP的语法最接近数学表达式的写法，别人读代码也容易懂。

3.3 核心代码框架：目标函数与约束的落地写法

下面是梳理后的核心代码，按实际项目的简化版本给出。完整代码包括数据读取、参数设置、模型求解和结果导出，这里重点展示决策变量定义和约束实现。

import pulp as lp import numpy as np import pandas as pd # 时段数（24小时） T = 24 # 读取风电、光伏预测出力序列（单位：MW），负荷曲线（单位：MW） wind_forecast = np.array([...]) # 长度T pv_forecast = np.array([...]) # 长度T load_forecast = np.array([...]) # 长度T # 价格参数与储能参数 price_buy = np.array([...]) # 分时购电价，长度T P_wind_max = 50.0 # 风电场装机 P_pv_max = 30.0 # 光伏装机 P_load_max = 60.0 # 电池参数 E_bat_cap = 40.0 # MWh P_bat_max = 10.0 # MW eta_ch, eta_dis = 0.95, 0.95 soc_min, soc_max = 0.1, 0.9 # 抽蓄参数 P_pump_max = 8.0 # 抽水功率上限 MW P_gen_max = 8.0 # 发电功率上限 MW E_psh_cap = 100.0 # 等效能量容量 MWh eta_pump, eta_gen = 0.78, 0.78 soc_psh_min, soc_psh_max = 0.15, 0.95 # 创建问题 prob = lp.LpProblem("Wind_PV_Storage_Dispatch", lp.LpMinimize) # 决策变量 wind_use = lp.LpVariable.dicts("wind_use", range(T), 0, P_wind_max) pv_use = lp.LpVariable.dicts("pv_use", range(T), 0, P_pv_max) wind_curt = lp.LpVariable.dicts("wind_curt", range(T), 0, P_wind_max) pv_curt = lp.LpVariable.dicts("pv_curt", range(T), 0, P_pv_max) buy_power = lp.LpVariable.dicts("buy_power", range(T), 0, P_load_max) # 电池变量 ch_power = lp.LpVariable.dicts("ch_power", range(T), 0, P_bat_max) dis_power = lp.LpVariable.dicts("dis_power", range(T), 0, P_bat_max) soc_bat = lp.LpVariable.dicts("soc_bat", range(T), soc_min, soc_max) u_ch = lp.LpVariable.dicts("u_ch", range(T), cat="Binary") u_dis = lp.LpVariable.dicts("u_dis", range(T), cat="Binary") # 抽蓄变量 pump_power = lp.LpVariable.dicts("pump_power", range(T), 0, P_pump_max) gen_power = lp.LpVariable.dicts("gen_power", range(T), 0, P_gen_max) soc_psh = lp.LpVariable.dicts("soc_psh", range(T), soc_psh_min, soc_psh_max) u_pump = lp.LpVariable.dicts("u_pump", range(T), cat="Binary") u_gen = lp.LpVariable.dicts("u_gen", range(T), cat="Binary") # 目标函数：购电成本 + 储能运维成本 + 弃能惩罚 C_buy = 0.8 # 单位购电成本均价，后面用分时序列替换 C_om_bat = 0.02 # 电池运维 元/kWh 折算系数 C_om_psh = 0.005 # 抽蓄运维 C_curtail = 1.5 # 弃能惩罚系数（高于上网电价） prob += ( lp.lpSum(price_buy[t] * buy_power[t] for t in range(T)) + lp.lpSum(C_om_bat * (ch_power[t] + dis_power[t]) for t in range(T)) + lp.lpSum(C_om_psh * (pump_power[t] + gen_power[t]) for t in range(T)) + lp.lpSum(C_curtail * (wind_curt[t] + pv_curt[t]) for t in range(T)) ) # 约束1：功率平衡（假设不允许倒送电） for t in range(T): prob += ( wind_use[t] + pv_use[t] + dis_power[t] + gen_power[t] + buy_power[t] == load_forecast[t] + ch_power[t] + pump_power[t] ) # 约束2：风光消纳与预测上限 for t in range(T): prob += wind_use[t] + wind_curt[t] == wind_forecast[t] prob += pv_use[t] + pv_curt[t] == pv_forecast[t] # 约束3：电池SOC递推与充放电互斥 prob += soc_bat[0] == 0.5 * E_bat_cap for t in range(1, T): prob += soc_bat[t] == soc_bat[t-1] + eta_ch * ch_power[t-1] * 1 - dis_power[t-1] / eta_dis # 首末SOC相等约束 prob += soc_bat[T-1] >= 0.5 * E_bat_cap for t in range(T): prob += ch_power[t] <= u_ch[t] * P_bat_max prob += dis_power[t] <= u_dis[t] * P_bat_max prob += u_ch[t] + u_dis[t] <= 1 prob += soc_bat[t] >= soc_min * E_bat_cap prob += soc_bat[t] <= soc_max * E_bat_cap # 约束4：抽蓄水量/能量递推、抽发互斥、状态约束 prob += soc_psh[0] == 0.5 * E_psh_cap for t in range(1, T): prob += soc_psh[t] == soc_psh[t-1] + eta_pump * pump_power[t-1] * 1 - gen_power[t-1] / eta_gen prob += soc_psh[T-1] >= 0.5 * E_psh_cap for t in range(T): prob += pump_power[t] <= u_pump[t] * P_pump_max prob += gen_power[t] <= u_gen[t] * P_gen_max prob += u_pump[t] + u_gen[t] <= 1 prob += soc_psh[t] >= soc_psh_min * E_psh_cap prob += soc_psh[t] <= soc_psh_max * E_psh_cap # 求解 solver = lp.PULP_CBC_CMD(msg=True, timeLimit=60) status = prob.solve(solver) # 结果输出 print("Status:", lp.LpStatus[status]) result_columns = {} for t in range(T): result_columns[f"wind_use_{t}"] = wind_use[t].varValue # ... 同理收集其他变量

这段代码跑通以后，输出结果直接转成DataFrame，下一步就是画图分析。

3.4 结果可视化：调度曲线的绘制与评价指标

我习惯用matplotlib画三张图：第一张是风光储联合出力与负荷曲线的堆叠图，第二张是电池SOC和抽蓄SOC的对比曲线，第三张是弃风弃光电量的柱状图。前两张能直观看出调度策略是否合理，第三张用于评估消纳效果。

评价指标主要算三个：弃电率（弃风弃光总量占可用资源总量的比例）、储能利用率（实际吞吐量占额定吞吐量的比例）、系统运行成本。这些指标整理成表格，方便对比不同参数配置下的效果。

4. 典型场景实测：调度结果解读与储能配合分析

4.1 典型夏季日场景：光伏主导下的储能充放电策略

先看一个夏季典型日的场景：光伏预测出力中午前后达到峰值约28MW，负荷呈现早高峰和晚高峰两个峰值，风电出力平稳偏低，约15MW左右，分时电价为峰谷两段制。

求解结果呈现清晰的"光伏充电池、电池补晚峰"的模式：上午时段光伏出力大于负荷，电池开始充电，SOC从50%逐步爬升；到午后光伏出力回落后，电池停止充电；晚高峰时段负荷攀升，电池放电支撑，一直持续到负荷下降。抽蓄在这个场景里只在凌晨低谷时段抽水，傍晚高峰发一次电，充放电各一次，符合日循环调峰的典型特征。

这个结果验证了电池和抽蓄的分工逻辑：电池在午间到晚间这段几小时的跨度内完成一次充放循环，响应频率高；抽蓄则抓住凌晨和傍晚两个时间点，做的是大容量慢节奏的搬移。

4.2 冬季大风场景：风电高发期的弃风控制

再换一个冬季场景：风电连续大风，夜间出力达到40MW以上，同期负荷偏低（凌晨3点到6点只有25MW左右），光伏出力几乎为零。这种工况是最考验系统调节能力的。

模型给出的策略是这样：夜间风电大发、负荷低谷时，电池和抽蓄同时充电吸收多余风电，把弃风压到很低的水平。但电池容量40MWh、最大充电功率10MW，吸收能力有限；真正承担主要吸纳任务的是抽蓄，它从凌晨1点开始抽水，一直持续到早上7点，累计吸收了约48MWh的弃风电量。到白天负荷上升后，抽蓄分时段放水发电，把夜间的风电搬移到白天使用。

这组结果说明一个很现实的问题：如果只配电池，冬季大风的连续多日场景几乎必然出现大量弃风，因为电池的容量和功率都不足以覆盖整夜的风电盈余。抽蓄虽然响应慢，但长时间大容量的特性让它成为风电消纳的主力。

4.3 电池与抽蓄的协同动作：谁负责调峰，谁负责填谷

做完多个场景的统计之后，我把两类储能的实际动作规律总结如下：

两条核心结论：第一，电池的SOC波动幅度远大于抽蓄，说明它在承担"削峰"的精细调节任务；第二，抽蓄的单日充放电量通常是电池的2到3倍，承担的是"填谷"的大容量任务。这个协同规律在不同季节不同天气场景下都稳定成立。

5. 避坑实录：建模与求解中容易翻车的细节

5.1 抽蓄电站的连续变量陷阱：为什么必须引入整数状态

我做第一版模型的时候偷过懒，想着抽蓄的抽水功率和发电功率都是连续变量，不加互斥约束，靠目标函数自动调节。结果跑出来一看：抽蓄同一时段既在抽水又在发电，两股功率在模型里互相抵消，凭空消耗了能量，目标函数反而优化得更好了——因为这两项功率都没带来收益，但也没增加成本，模型就随意填上了。

这个问题的本质是：没有物理约束的数学优化一定会走极端。必须在模型里显式加入二进制变量，强制抽水状态和发电状态互斥。代码里就是那一条：

prob += u_pump[t] + u_gen[t] <= 1

再加上功率上限约束分别乘以对应的状态变量：

prob += pump_power[t] <= u_pump[t] * P_pump_max prob += gen_power[t] <= u_gen[t] * P_gen_max

这样就能保证抽蓄在同一时刻要么抽水、要么发电、要么停机，三选一。这个坑特别容易踩，因为电池储能也有类似的充放电互斥问题，但电池的互斥约束在很多简化模型里可以省略——充电和放电同时发生意味着净功率是两者之差，如果效率相同，结果不会错；但抽蓄的抽水和发电涉及两个完全不同的物理过程，效率不同，且水流方向决然相反，不排除就必然出错。

5.2 SOC初值、终值约束与滚动调度的衔接

储能SOC的初值和终值设置是第二个高频翻车点。最常见的问题是：初值设成0，模型把储能当成免费的能量源，第一天疯狂放电，之后每天都充不满放不尽，结果曲线失真。

解决办法是加首末SOC相等的约束。在日前调度里，我强制终值SOC不低于初始值，这样储能只起"搬移当天电量"的作用，不会凭空产生能量。在日内滚动调度里，问题更隐蔽一些：每个滚动周期的初始SOC应该取上一周期最后一个时段的求解结果，而不是固定值。如果每次都重置为50%，储能的实际运行状态就会和日前计划脱节。

我建议在代码里维护一个状态变量字典，滚动求解时把上一轮的SOC结果传给下一轮。这个衔接逻辑虽然只差几行代码，但直接影响调度结果的真实性。

5.3 求解器遇到不可行解时怎么快速定位约束冲突

MILP模型跑出"infeasible"（不可行）是家常便饭。新手第一反应是加放宽条件，我的做法是先系统排查：

第一步，检查数据单位是否统一。功率用MW、能量用MWh、效率无量纲，这三者混用是常识性错误。我踩过最典型的坑是把光伏出力单位从kW当成MW用，导致功率平衡约束直接差了一个数量级，怎么调都是不可行。

第二步，检查初始条件和递推关系是否矛盾。如果SOC递推公式里充电效率放在乘的地方，放电效率放在除的地方，效率数值填错了，递推出来的SOC就会漂移，进而触碰SOC上下限约束。

第三步，用逐步松弛法定位冲突约束。我会先把SOC上下限放宽到0到1，再看有没有解；有了解之后逐步收紧，每收紧一个约束就重新求解，直到找到真正导致不可行的约束。这个过程虽然土，但在MILP模型里比任何调试器都有效。

6. 扩展方向与我的实操体会

6.1 从确定性到随机优化：场景法与鲁棒优化的区别

上面介绍的是确定性优化——风电光伏出力取预测值。实际运行中预测误差必然存在，所以学术研究和工程应用更常用随机优化。场景法是对预测误差的概率分布进行采样，生成多个出力场景，然后做一个两阶段优化：第一阶段决定储能的充放电计划，第二阶段在不同场景下做功率平衡调整。鲁棒优化则反过来，找一个在最差出力场景下仍然可行的调度方案。

代码层面，场景法可以用scipy.stats生成误差样本，然后把单场景目标函数扩展为多场景加权求和。模型规模会成倍增长，求解时间也随之上升，但换来的决策稳健性值得这个代价。

6.2 加入碳交易或辅助服务市场

如果想要让模型更贴近实际市场环境，可以进一步引入碳交易成本或辅助服务收益。碳交易思路简单——给化石能源购电加一个碳价系数，购电成本变成电量成本加碳成本，模型会自动减少电网购电、增加储能放电。辅助服务市场更复杂，需要把调频、备用等产品的容量和价格纳入优化，这要求模型从单时段功率平衡扩展到多时段联合优化，代码规模会上一个台阶。

6.3 网格化精细建模：抽蓄的水力约束

最后的扩展方向是抽蓄本身的精细建模。我上面的模型用的是等效能量容量，隐含假设是抽蓄的水头恒定、效率恒定。实际矿井抽蓄的水头变化范围大，效率随水头变化，更精确的做法是把水库水位、流量、功率三者耦合起来建模——水位差决定当前效率，流量决定功率，水量平衡方程连接水位变化。这需要在模型里增加一组非线性约束，通常要线性化或分段逼近，复杂度明显上升。

我个人的实践体会是：这个项目里最有价值的不是某个模型多精妙，而是"电池加抽蓄"这种互补配置思路。纯电池方案在长周期消纳场景下几乎必然力不从心，纯抽蓄方案在快速调节场景下又不够灵活，两者的配合是储能调度研究里非常实用的方向。如果要从头做这个课题，我建议先把确定性模型跑通，理解两种储能的动作规律，再逐步加随机因素和市场机制。最后提一个小技巧：目标函数中的弃电惩罚系数最好做几组敏感性分析，看它对调度结果的影响，这个系数设置是否合理，直接决定模型偏向"多花钱买消纳"还是"宁可弃电保经济"。