计及调峰主动性的多能互补调度：Matlab+Yalmip建模与求解

从风光大基地到分布式光伏整县推进，新能源装机占比越来越高，最头疼的问题已经从"发不发得出"变成了"电网消化得了吗"。尤其北方冬季供暖期，热电联产机组顶着供热压力，风电偏偏在夜间大发，负荷却处于低谷，系统调峰缺口被撕开得越来越大。这几年做电力系统优化调度，我几乎每一版模型都要面对同一个问题：火电要不要深度调峰？水电能不能多腾一点库容？储能是充电还是放电？前后怎么配合？这不是单靠调整某一台机组出力能解决的，必须把风电、光伏、水电、火电、储能放在同一个平台上做互补协调。而"计及调峰主动性"这个角度，是这套模型里最核心也最容易被忽略的一环——不同电源不是被调度指令推着走的被动设备，它们有各自的技术特性、成本结构和调节意愿，把这些"主动性"量化进模型，才是多能互补调度落地的关键。

这篇内容适合正在做电力系统优化调度方向的研究生、做新能源并网规划的工程师，以及准备用Matlab搭建经济调度/机组组合模型的读者。我完整走了一遍从问题建模到代码实现、从求解调试到结果分析的流程，今天把模型逻辑、Yalmip建模细节、求解器选型和一堆实际踩坑经验整理出来。

1. 项目建模思路：为什么"调峰主动性"如此关键

1.1 传统调度模型忽略的隐性成本

常规经济调度模型往往把所有可调电源简化为出力区间内任意可调的"弹性节点"：火电只有煤耗成本，水电视为免费出力，储能当成一台虚拟机组。边界条件给出来，求解器优化出力即可。这种思路在实际中对纯火电系统基本够用，但是风光高渗透场景下会出现一个致命问题：模型里没有反映机组"愿不愿意"深度调峰、调峰到什么程度会产生额外代价。火电深度调峰不是没有条件的，当出力压到额定容量的40%以下，锅炉燃烧稳定性变差，需要投油稳燃，汽轮机转子承受的热应力显著增加——这部分寿命损耗和运维成本是真实存在的，却经常在目标函数里被记为零。储能也有这个问题，过度调用会加速电池循环老化，而家用/工商业储能还要兼顾电力现货市场套利需求，它不会无条件听从电网调度。水电更复杂，让水电机组频繁启停调节、长时间维持接近最小技术出力，会对下游生态流量和水利灌溉需求产生直接影响。

我见过不少论文里出现一个共性现象：模型结果中火电深度调峰占比极高，储能SOC每时每刻都在充放转换，系统总成本看似很低，实际运行中却根本执行不下去。因为调度下发到现场，火电厂算一笔账——深度调峰补偿抵不上设备损耗，宁可报检修也不接单；储能运营商一看SOC频繁充满放空，电池寿命折损率飙升，直接修改充放电策略。这就是典型的"不考虑调峰主动性"导致的模型失真。

1.2 调峰主动性如何量化

要解决这个问题，第一步是把"主动性"翻译成模型能识别的数字。我在项目中主要从三个维度刻画：

• 调节成本维度：不同电源改变出力的边际成本不同，火电深度调峰有分段递增的附加成本，储能循环充放有等效折旧成本，水电机组快速变负荷可能需要调整闸门开度、产生耗水率变化。用成本函数的斜率来表示它参与调峰的"意愿程度"。
• 调节深度维度：每台机组有常规调峰区间和深度调峰区间，比如火电60%-100%额定出力是常规区间，40%-60%是深度调峰区间，进入深度调峰区间需要额外的成本和约束条件。
• 调节速度维度：爬坡速率决定了响应调峰指令的快慢。储能分钟级响应，水电机组可以在数十秒到几分钟内大幅调整出力，火电则需要几十分钟到数小时。互补协调中，短时间尺度的调峰缺口应当优先由快速调节资源填补，这个优先级也应该体现在目标函数权重里。

实际建模时，这三个维度会融合进目标函数的附加成本项和约束条件里。比如火电采用分段线性化成本函数，在基础煤耗成本上叠加深度调峰成本；储能充放电成本按充放电功率折算折旧；水电加入水位偏离目标值的惩罚代价，表示其主动参与调峰时会承担的水位调度压力。

1.3 多能互补的协调逻辑

"互补"不是一句口号。从时间尺度看，风电通常夜间大发、白天较弱，光伏正好相反，水电有丰枯期差异，负荷也有明显的峰谷周期。从调节能力看，火电基荷稳定但调节慢，水电响应快但受水量约束，储能双向调节但容量有限。互补协调调度的本质，是利用不同资源的出力特性差异，通过统一的优化决策把它们"咬合"在一起：夜间风电大发时，让储能充电、水电压出力、火电深度调峰共同为风电让路；白天负荷高峰时，储能放电、水电满发、火电爬坡顶峰，光伏也被充分消纳。

需要特别说明的是，这里"主动"和"协调"是交替出现的：火电深度调峰的主动性不足，就用经济惩罚逼它权衡；储能虽然有调用成本，但为了提升整体新能源消纳水平，可以在高峰时段主动放电；水电机组具备快速爬坡能力，但要在库容约束范围内配合。整个调度模型最终输出的是未来24小时各机组的出力计划，这个计划要让每个电源在"主动"与"被动"之间找到平衡点。

2. 数学模型搭建：目标函数与约束条件全解析

2.1 目标函数的设计与成本项拆解

我搭建的日前优化调度模型以系统总运行成本最小为优化目标，时间尺度为24小时，时间窗按小时划分——这是目前最主流的配置，兼顾计算效率与调度精度。目标函数主要由六部分组成：

• 火电机组燃料成本：采用二次函数近似，实际求解时用分段线性化方法处理。燃料成本系数按机组额定容量和煤耗率设定，典型600MW机组满负荷煤耗约290g/kWh，部分负荷下会略高。
• 火电机组启停成本：每次开机需要额外的燃料消耗和锅炉预热成本，停机则涉及设备损耗和人员操作成本。这是一个0-1整数变量相关的固定费用。
• 火电深度调峰成本：这是体现"调峰主动性"的关键项。机组出力低于常规调峰下限时，按深度调峰区间分段计算附加成本，包括投油稳燃成本、转子疲劳损耗折算成本。实际计算中深度调峰成本系数通常是常规煤耗成本的2-4倍。
• 水电运行成本：水电机组发电不消耗燃料，但参与调峰会改变水库水位，影响未来时段的发电能力。我这里用"水位偏离惩罚项"来模拟：出库流量和水头变化对发电效率的影响折算成等效成本。
• 储能充放电损耗成本：储能充放电过程中存在能量转换效率损失，同时每次循环会消耗电池寿命。把寿命衰减折算到单次充放电成本中，用充放电功率的线性函数近似。参考常见锂电池储能数据，单次满充满放等效成本约0.5元/kWh。
• 弃风弃光惩罚成本：新能源出力超出消纳能力时被迫削减，在目标函数中设置一定惩罚价格，代表浪费的清洁能源价值和相应的环保补偿。

目标函数写成：

min F = Σ(燃料成本 + 启停成本 + 深度调峰成本 + 水电成本 + 储能成本 + 弃风弃光惩罚)

这里所有成本量纲统一折算为元/h，最终优化结果输出各机组逐时出力。我做项目时习惯把成本系数单独做成Excel表，方便不同算例下快速修改参数，代码里用矩阵读进来就行。

2.2 系统运行核心约束

约束条件决定了模型的可行域，也是判断一个调度模型是否严谨的关键。我这套模型主要包含五类约束：

功率平衡约束：任意时刻，所有电源出力之和加上储能放电、减去储能充电，必须等于系统负荷，同时还要扣除新能源实际消纳出力。这个约束是整个模型的骨架，一旦不平衡，后面的所有分析都失去意义。

火电运行约束：包括出力上下限约束、爬坡速率约束、最小开停机时间约束。出力上下限在常规区间和深度调峰区间分别设置，爬坡速率按机组类型给定，最小开停机时间保证了机组不能频繁启停。这些约束在Yalmip中直接写成线性不等式即可。

水电运行约束：包括出力上下限、出库流量约束、库容水量平衡约束。我把水库简化为单库模型，库水位变化由入库流量、出库流量和时段长度决定。梯级水电的水力联系可以用相邻水库的流量延迟方程描述，但初版模型没必要一上来就做复杂，可以先做单库，后续再扩展。

储能约束：包括SOC递推方程、SOC上下限、充放电功率上限、充放电状态互斥约束。SOC递推方程是等式约束：SOC(t+1) = SOC(t) + η_ch * P_ch - P_dis / η_dis，充放电功率和二进制状态变量绑定，防止同时充放电。另外储能一般还要求调度周期结束时SOC回到初始值，保证下一个调度周期有足够的调节空间。

旋转备用约束：为了应对新能源出力和负荷预测误差，系统需要预留一定上备用容量，通常取负荷的5%和新能源出力的10%中的较大值。备用容量由火电、水电机组共同承担。这一点在实际项目中容易被忽略，但不加备用约束的模型在工程上完全没有说服力。

2.3 调峰主动性相关约束与指标

与调峰主动性直接相关的约束有两类。一类是火电深度调峰区间约束：

P_min_reg * u ≤ P_g ≤ P_max * u # 常规调峰区间 α * P_max * u ≤ P_g ≤ β * P_max * u + M * (1 - z) # 深度调峰区间

这里引入额外的二进制变量z表示机组是否进入深度调峰状态，α和β分别表示深度调峰下限和上限比例，M是大M常数。当机组从常规区间切换到深度区间时，目标函数中对应启用深度调峰成本项。

另一类是弃风弃光约束，新能源实际出力不超过预测出力，同时弃电量通过松弛变量体现：

0 ≤ P_wind_actual ≤ P_wind_forecast 0 ≤ P_pv_actual ≤ P_pv_forecast

弃电量的惩罚系数设置在目标函数中。这样模型在决策时会自动权衡：增加火电深度调峰成本 vs 减少弃风弃光惩罚，最终根据两者相对大小选择最优的调峰深度和消纳水平。

3. Matlab代码实现：从数据到求解器的完整链路

3.1 代码整体架构与模块划分

整个Matlab程序我按功能拆成五个模块，每个模块用独立的function文件组织，可读性和复用性都比较好：

• 数据初始化模块：读取基础数据，包括负荷曲线、风光预测出力、机组参数、储能参数、水库参数、电价参数。数据以矩阵形式存储，机组参数按行排列，时段按列排列。
• 模型构建模块：声明决策变量、定义目标函数、组装约束条件。这是代码最核心的部分，我在Yalmip中把约束分成几个block分别添加，每加一个block就注释清楚属于哪一类约束，排错时能快速定位。
• 求解模块：配置求解器参数、执行优化求解、检查求解状态。通常使用Gurobi或CPLEX求解混合整数线性规划，如果条件有限也可以用SCIP或默认的linprog处理纯线性情况。
• 结果处理模块：从求解结果中提取各变量值，以结构体保存，生成功率平衡、新能源消纳、系统总成本等统计指标。
• 结果可视化模块：绘制负荷与电源出力曲线堆叠图、储能SOC曲线、火电深度调峰区间展示图、新能源消纳率对比图。图像美观度对论文和汇报非常重要，这块值得花时间打磨。

我实际的经验是：不要把求解逻辑和数据处理混在一个脚本里。最初我给个机构造了300多行单文件脚本，改一个参数要在多个位置同步修改，非常痛苦。重构后各模块独立，每次只需要改数据文件或者模型参数，代码质量提升了一个档次。

3.2 Yalmip建模与求解器配置

以Yalmip工具箱为建模语言，我直接给出核心建模片段的思路——具体代码行不复制整段，但把关键逻辑说清楚。先声明决策变量：

% 火电出力变量（变量维度：机组数times时段） P_g = sdpvar(ng, T, 'full'); u_g = binvar(ng, T, 'full'); % 开机状态 z_g = binvar(ng, T, 'full'); % 深度调峰状态 % 水电出力变量 P_h = sdpvar(nh, T, 'full'); % 储能变量 P_ch = sdpvar(nes, T, 'full'); % 充电功率 P_dis = sdpvar(nes, T, 'full'); % 放电功率 soc = sdpvar(nes, T + 1, 'full'); % 荷电状态 % 新能源出力变量 P_w = sdpvar(nw, T, 'full'); % 风电实际出力 P_pv = sdpvar(npv, T, 'full'); % 光伏实际出力

目标函数用cost矩阵和决策变量的线性组合直接写，代码风格是：

Objective = sum(sum(cost_fuel .* P_g)) + sum(sum(cost_deep .* P_g .* z_g)) + ... sum(sum(cost_es .* (P_ch + P_dis))) + sum(penalty_w * (P_w_forecast - P_w));

注意这里的深度调峰成本项里P_g和z_g相乘，是双线性项。为避免非线性，我使用的是逻辑约束来关联z_g：当z_g=1时强制P_g进入深度调峰区间，这样z_g的取值就由约束本身决定，而不是直接乘进目标函数。如果那个深度调峰成本是常数，可以直接用常数乘z_g再求和，保持线性。

求解器配置方面，我的set是：

ops = sdpsettings('solver', 'gurobi', 'verbose', 2, 'showprogress', 1); resolve = optimize(Constraints, Objective, ops); if resolve.problem ~= 0 disp(resolve.info); end

用Gurobi求解混合整数线性规划，24时段、4台火电、1个水电、1个储能、1个风电场、1个光伏电站的规模，求解时间通常在几秒到几十秒之间。如果Gurobi不可用，CPLEX完全等价。免费的选项里，SCIP可以求解但速度慢不少，对教学和小规模算例够用。

3.3 约束构建的代码组织与性能优化

约束组装时，我用向量化写法而不是for循环逐行添加，这是提升建模效率的关键。比如功率平衡约束：

Constraints = [Constraints, ... sum(P_g, 1) + sum(P_h, 1) + sum(P_w, 1) + sum(P_pv, 1) + ... sum(P_dis, 1) - sum(P_ch, 1) == load_curve];

SOC递推方程也可以整段赋值：

for t = 1:T Constraints = [Constraints, soc(:, t+1) == soc(:, t) + eta_ch .* P_ch(:, t) - P_dis(:, t) ./ eta_dis]; end

SOC的约束用循环是合适的选择，因为循环里引用前一时段变量，逐时段写最直观。其余上下限约束全部用向量化形式一次性添加。Yalmip对向量化约束支持得很好，约束数量越大时建模速度差距越明显。

调峰主动性相关的约束是我花时间最多的地方。火电z_g变量和出力区间的关系用大M法表达。深度调峰区间的上限和下限需要和常规区间衔接，衔接方式要确保机组不会同时落入两个区间。为保险起见，我在水平衡测试时特意构造了一个极端工况——火电是否允许进入深度调峰区间、储能不能充放电同时进行、水电不超水量，结果证明约束组合能稳定收敛。

4. 算例分析与效果对比

4.1 典型日系统参数设定

以一个典型冬季日为例。系统包含4台火电机组，额定容量分别为600MW、600MW、300MW和200MW；1个水库水电厂，装机容量400MW；1个电化学储能电站，容量200MW/400MWh，SOC上下限设为0.1和0.9；风电场装机500MW，光伏电站装机300MW。负荷曲线取某区域电网冬季典型日数据，最高负荷出现在18:00左右，约1000MW；最低负荷出现在凌晨4:00，约550MW。风电预测出力夜间大、白天小，最高出力接近420MW；光伏出力午间最高接近250MW。

模型对比设计三套方案：

• 方案A：不考虑调峰主动性的常规经济调度，火电成本只有燃料成本，储能成本为零。
• 方案B：只考虑火电深度调峰成本，不考虑储能循环折旧和水电水位惩罚。
• 方案C：完整考虑各类电源的调峰主动性，即本文最终的模型。

这样设计的目的是分开观察每类"主动性"对调度结果的影响，而不是一锅粥比较两套完全不同的模型。

4.2 调度结果与关键指标对比

从结果看，方案A确实会出现大量火力机组压到深度调峰下限、储能频繁切换充放状态的激进策略。由于储能不设成本，求解器倾向于让储能在所有负荷低谷时段充电、负荷高峰时段放电，系统总成本最低，但储能等效全循环次数高达1.8次，明显超出电池合理运行区间。火电600MW机组夜间出力压到270MW左右，已经低于常规最小稳定出力，而方案A的目标函数中没有任何一项会阻止这种行为，所以求解器毫不犹豫地选择了该方案。

方案C的结果则合理得多：600MW机组最低出力控制在330MW以上，只有当风电大发且负荷低谷同时出现时才短暂进入深度调峰区间，且持续时间不超过3小时；储能全天循环次数降到1.1次，SOC曲线呈现两个清晰的完整充放周期，而不是高频锯齿状波动；水电出库流量在夜间减少了约20%，将水量留到早高峰和晚高峰时段释放。完整考虑调峰主动性后，火电煤耗成本高了一点，但新能源消纳率从方案A的94.2%提升到98.1%，弃电率明显下降，系统总成本比方案A增加约2.7%。这个增幅换来了设备更健康的运行方式，从全寿命周期角度看是划算的。

三种方案的关键指标对比如下：

4.3 调峰主动性权重的灵敏度分析

模型还有一个非常有价值的用途：分析成本系数对调度结果的敏感性。我做了调峰主动性成本系数的灵敏度测试，比如把火电深度调峰成本系数从基准值乘0.5倍、1倍、2倍，观察系统响应。结果符合预期：深度调峰成本越高，火电越倾向于避免进入深度区间，新能源消纳率会先受到影响，此时储能和水电承担更多调节任务；深度调峰成本降得过低时，火电又变成"廉价调峰工具"，深度调峰电量占比迅速上升。

储能折旧成本系数的灵敏度更明显：当单次循环成本设置为0.3元/kWh时，储能利用率极高；提高到0.8元/kWh后，求解器基本只在最关键的2-4个时段调用储能。这说明储能"主动性"对经济性参数极为敏感，在实际项目里需要根据电池技术路线和运维成本精确标定这个参数。水电位偏离惩罚项的灵敏度体现在库容调度节奏上，惩罚越重，水电出力越平稳，但牺牲了部分削峰填谷能力。

这类灵敏度分析在做项目汇报时非常加分，它展示了模型不仅是一个静态优化工具，还能用来回答"如果电池寿命衰减、煤价上涨、来水偏少，调度策略应该怎么变"这类实际问题。

5. 常见问题与排错实录

5.1 模型求解失败与不可行约束排查

Milp模型最常见的问题是求解器返回不可行。我第一次跑通整套代码时也遇到了这个问题，后来总结出一套系统化的排查流程。

• 第一步，先检查功率平衡约束是不是被其他约束间接破坏。比如火电最小出力总和大于凌晨低谷负荷，同时储能充电功率又受到限制而无法消纳多余电量，系统就无解。解决方案是合理设置机组组合或引入可削减负荷作为松弛变量。
• 第二步，检查储能的SOC回写初值的约束。如果SOC末时段必须回到初始值，而储能容量太小或者充放电效率设置不合理，同样可能导致不可行。我常做的处理是把SOC末时段约束设为不等式（只要不低于下限即可），或者用软约束加惩罚项代替硬约束。
• 第三步，用Yalmip的诊断工具定位冲突。diagnostics = optimize(Constraints, Objective, ops)后，如果不可行，可以用[primal,~,report] = solveyalmip(Constraints,Objective,ops)查看报告，Gurobi会输出冲突约束集合，这一步能省去大量手动排查时间。

经验是：加入调峰主动性约束后，新增的深度调峰二进制变量大M值选择要谨慎。M太小会排斥有效解，M太大可能导致数值稳定性问题，一般取该机组最大出力值的1.2倍左右比较安全。

5.2 结果中储能SOC曲线锯齿震荡的优化

储能是最容易出现结果性问题的环节。SOC曲线如果出现高频震荡——比如相邻时段在-100MW和+100MW之间来回跳跃，说明储能成本参数偏低，求解器在利用零成本资源做无意义的调节。解决方法不是调大成本，而是增加储能每日最大循环次数的约束，或者在目标函数中增加充放电功率变化的二次惩罚项。我在代码里加了一个简单的变量变化惩罚：

Objective = Objective + lambda * sum(sum(abs(P_dis(:, 2:end) - P_dis(:, 1:end-1))));

通过设置绝对值约束的线性化，可以显著平滑储能的充放电曲线。lambda取值我一般从0.001试起，效果不够再逐步增大，直到SOC曲线变成合理的每日两充两放或一充一放形态。

5.3 求解速度与大规模场景的扩展建议

当前模型求解速度快，但在以下几种情况下需要做性能优化：机组数量增加到几十台、时间分辨率从小时级细化到15分钟、扩展到多区域互联系统。我的建议是：

• 优先使用MILP求解器的高级参数，比如Gurobi的MIPFocus设为1（以寻找可行解优先）或者3（以证明最优性优先），根据项目需求调整。
• 火电启停变量是主要的整数变量来源，可以通过预处理剔除调度时段内不可能启停的机组，减少整数变量维度。
• 如果时间维度拉长，可以考虑模型预测控制的滚动优化方式，每次优化6-8小时，每小时滚动一次，而不是一次性优化一周甚至更长周期。
• 实际上对于更大规模的问题，Yalmip与Gurobi的结合已经足够应付百台机组级别的算例；如果真到省网级别，那需要转向电力系统专用的生产模拟软件或并行计算框架，Matlab单机版就不太合适了。

5.4 数据处理与单位换算的几个雷区

这类项目里最常见的错误不是代码bug，而是单位混乱。我在数据准备阶段统一使用MW和MWh作为功率与能量单位，成本单位统一为元/MWh。容量的标幺化我放在最后做，避免在调试阶段引入额外的换算误差。还有一个细节：负荷数据和风光预测数据的时区要对齐。有一次我用了冬季典型日负荷曲线，风电预测数据却用了对应夏季时段的数据，优化结果出现了凌晨风光同时高发的异常场景，排查了整整一天才发现数据对齐问题。给需求数据加一行时间标签，并在程序中做校验断言，这种基础工作投入产出比极高。

写在最后的实操体会

这个模型我从概念到完整落地大概用了三周时间，最耗精力的不是写代码，而是反复调试深度调峰区间约束和储能SOC约束之间的交互关系。如果让我重做一遍，我会在一开始就把约束写成模块化函数，每个约束独立测试后再组合，这样可以避免大规模排错的痛苦。调峰主动性这个思路本身并不复杂，但它在工程实践中的价值非常大——它把电力系统调度从"机械的经济分配"推进到了"考虑设备意愿与寿命损耗的协调优化"层面。后续如果再扩展，可以在模型中引入源荷不确定性，用场景法或鲁棒优化描述风电光伏预测误差，也可以把碳交易成本纳入目标函数，让多能互补调度进一步向低碳经济延伸。项目源码和数据结构这块，大家完全可以从标准的IEEE 30节点或10机39节点系统开始改造，电力系统领域的开源工具包非常成熟，关键是先把本文的建模框架跑通，后面的改进就是顺水推舟的事了。