最近在做分布式储能容量配置的项目时遇到一个很有意思的问题当用户侧装了屋顶光伏、从单纯的“用电户”变成“产销者prosumer”之后储能到底应该配多大这个看似简单的容量决策背后牵连着电价机制、光伏出力曲线、负荷特性、电池循环寿命甚至用户之间的协同行为稍有不慎就会得到“装了储能反而亏本”的结论。这篇文章把我实际搭建的一套基于Matlab的分布式储能容量配置策略完整拆开讲清楚包括数学模型怎么建、代码框架怎么搭、算例结果怎么分析以及我在调试过程中踩过的几个典型坑希望能给正在做储能规划或新能源消纳方向的同学一些可复用的参考。1. 产销者模式给储能容量配置带来的新挑战1.1 产销者不再是传统意义上的“负荷”传统配电网规划里用户侧基本被建模成纯负荷节点——只知道它从电网取电不知道它还能发电。但分布式光伏大规模普及之后情况完全变了。一个装了屋顶光伏的工业园区、一栋装了光伏幕墙的办公楼、甚至一户有阳台光伏的居民都同时在生产和消耗电能。这类主体就是产销者既能从电网购电又能向电网卖电还可以在内部消纳自己的光伏出力。我看过不少早期储能可研报告容量配置思路非常简单粗暴按变压器容量的15%配或者按峰值负荷的20%拍脑袋定完全没考虑用户本身的光伏装机、用电曲线和上网电价。在纯负荷模型下这种估算法勉强能用但在产销者模型下误差大得离谱。原因在于产销者的净负荷曲线——即负荷减去光伏出力后的剩余曲线——可能剧烈波动甚至出现负值光伏出力大于负荷这时候储能的角色就复杂了它可能在某个时段是“充电宝”在另一个时段是“削峰刀”还可能是“套利工具”。1.2 净负荷曲线才是容量配置的真正输入做容量配置第一步不是算储能自身而是先把用户的净负荷曲线分析清楚。净负荷定义为P_net(t) P_load(t) - P_pv(t)P_net大于0表示需要从电网购电小于0表示光伏有富余。这个净负荷曲线决定了储能有没有“可套利的空间”也决定了储能的典型运行模式。我有一次处理某产业园数据光伏装机2.5MW峰值负荷3.2MW乍一看光伏占比不算激进。但画净负荷曲线时发现午间11:00-14:00净负荷长期为负最大反送功率接近1.1MW傍晚17:00-21:00净负荷迅速拉升峰值达到2.7MW。这种“午间反送电、晚高峰缺电”的形态才是储能配置要真正响应的信号——它本质上是要把午间的光伏富余能量“搬运”到晚高峰而不是简单地在低谷充电、高峰放电。1.3 多产销者之间是否要协同配置标题里强调“考虑产销者”除了单个产销者的净负荷特征之外还隐含了一个决策维度如果同一个台区里有多个产销者储能是各家独立配置还是台区层面集中配置甚至允许产销者之间共享储能容量这个问题直接影响模型复杂度。独立配置可以用单主体的优化模型求解协同配置则需要引入多主体均衡或者中央决策者统一调度的假设。我做的工作主要是面向单个产销者的容量优化但也对比了多台区集中储能和分散储能的差异这个后面算例里会讲到。2. 容量配置模型目标函数与约束条件的设计逻辑2.1 年化综合成本最小化把投资账和运行账放同一张表储能容量配置本质是一个投资决策问题目标很直接——让系统在全生命周期内的年化综合成本最小。这个综合成本包含一次性投资折算到每年的费用、年度运行维护费用再扣掉储能带来的收益。年化投资成本用等年值法折算比较常规。设储能的额定功率为P_esskW、额定容量为E_esskWh单位功率成本为c_p元/kW、单位容量成本为c_e元/kWh则初始投资为C_inv_0 c_p * P_ess c_e * E_ess考虑折现率r、储能寿命N年等年值系数为CRF r * (1r)^N / ((1r)^N - 1)年化投资成本就是C_inv C_inv_0 * CRF。这一项在成本结构中占比最大也是容量优化要控制的核心变量——储能装得越大这项越高。运行收益我主要考虑了三种峰谷套利收益、光伏自发自用率提升带来的收益、需量电费节省。其中峰谷套利是储能最经典的收益来源在分时电价下低充高放。但要注意产销者场景下的峰谷套利和纯投资者场景有个区别储能充电的电有一部分来自光伏富余出力这部分“电”的机会成本低于从电网购电所以目标函数里要精确区分储能充电功率是从电网买的还是从光伏来的。2.2 约束条件SOC递推、充放电功率、状态互斥储能运行约束是模型的核心骨架。任何一个合格的配置模型至少要包含以下几组约束储能动态约束SOC(t1) SOC(t) (η_ch * P_ch(t) - P_dis(t) / η_dis) * Δt / E_ess其中SOC是荷电状态η_ch和η_dis分别是充放电效率Δt是时间步长。这条约束把容量E_ess和运行策略直接耦合在一起——同样的运行策略容量越大SOC波动越小反过来如果容量太小SOC很容易触达上下限限制储能的调度空间。功率约束0 ≤ P_ch(t) ≤ P_ess 0 ≤ P_dis(t) ≤ P_ess同时还要保证同一时刻不能既充电又放电。线性规划里这个互斥条件一般用两个二进制变量加big-M约束实现但后面我会讲到如果效率参数设置合理这个约束其实可以“偷懒”。功率平衡约束P_load(t) P_pv(t) P_grid(t) P_dis(t) - P_ch(t) - P_curtail(t)这个约束刻画了产销者内部能量流动关系。P_grid大于0表示购电小于0表示向电网反送电。P_curtail是弃光功率在光伏大发时段如果储能和负荷都消纳不了只能弃掉。SOC边界约束SOC_min ≤ SOC(t) ≤ SOC_max SOC(0) SOC(T)最后一个末端SOC等于初值SOC的约束很关键它保证储能在一个运行周期典型日内不积累能量不会出现“第一天充电后面一直放电”这种不可持续的优化解。2.3 运行策略怎么定启发式规则还是优化求解容量配置模型还有一个绕不开的问题储能运行策略是从优化里内生得到的还是用固定规则模拟出来的两种做法各有适用场景。启发式规则比如“光伏富余时充电峰段放电”实现简单、求解快也容易向非技术背景的决策者解释但它的致命缺陷是规则设计依赖人的经验碰到复杂分时电价或净负荷剧烈波动时可能错过更优的运行方式。优化求解则是在给定容量下建立运行优化子问题求解最小运行成本得到储能的“最优”充放电策略。这样做更严谨能够同时捕捉峰谷套利、弃光消纳、需量管理等多重目标。代价是计算复杂度高——如果直接优化全年8760小时变量规模相当可观所以我在实际实现中采用了典型日缩减法把全年数据聚类成少数几个代表性日降低求解规模。3. Matlab实现双层优化框架与关键代码拆解3.1 整体框架外层容量遍历内层运行优化我的实现采用双层优化的思路。外层在容量候选集上离散枚举内层在给定容量下用线性规划linprog求解典型日的储能最优运行策略再把典型日结果按天数加权得到全年运行成本和收益。之所以不用fmincon直接连续优化容量是因为容量和SOC耦合存在非线性项容量E_ess在SOC递推约束的分母上整体求解容易陷入局部最优离散枚举反而更可控。程序的文件组织结构大致如下├── main_optimization.m # 主程序外层容量遍历 ├── solve_inner_lp.m # 内层LP求解输入容量输出运行策略 ├── load_typical_days.m # 读取数据并聚类生成典型日 ├── pricing_model.m # 分时电价数据生成 └── plot_results.m # 结果可视化3.2 典型日生成用K-means把365天压缩成4类直接按8760小时做LP决策变量接近3万个充放电功率各8760个、购电功率8760个、SOC8760个求解时间虽然不至于不可接受但如果外层要遍历几十组容量组合累计耗时就很可观。我常用的做法是按照“日”维度把全年净负荷曲线聚成4类典型日分别代表春夏秋冬或“峰谷差大/小”等形态每类有对应的天数权重。关键代码如下% 输入daily_net_profile365×24的矩阵每行是一天的净负荷曲线 % 使用kmeans按欧氏距离聚类为4类 [idx, centroid] kmeans(daily_net_profile, 4, Distance, sqeuclidean, Replicates, 10); % 统计每一类的天数权重 day_weights histcounts(idx, 4) / 365; % 将光伏、负荷、电价数据按同样的聚类索引归类 typical_pv zeros(4, 24); typical_load zeros(4, 24); for k 1:4 typical_pv(k, :) mean(pv_daily(idx k, :), 1); typical_load(k, :) mean(load_daily(idx k, :), 1); end聚类完成之后内层LP只需要对4个典型日分别求解运行时间从几分钟降到几秒钟精度损失通常在可接受范围内。如果项目要求高精度可以把聚类数提高到8类或者直接用全年8760小时做一次外层容量遍历时再用并行循环。3.3 内层LP决策变量与目标函数构造给定储能额定功率P_ess和容量E_ess之后内层要解决的是运行成本最小化问题。我以单个典型日24小时为例决策变量写成一个长向量% x [P_ch(1..24); P_dis(1..24); P_grid_buy(1..24); P_grid_sell(1..24); SOC(1..25)] n_h 24; nvars n_h * 4 25;决策变量包括充电功率、放电功率、购电功率、售电功率和SOC序列。目标函数是购电成本减售电收益% 分时电价 price_buy pricing_model(); % 24×1 购电价 price_sell price_buy * 0.8; % 上网电价按购电价的80% f zeros(nvars, 1); % 购电成本为正 f(n_h*21 : n_h*3) price_buy; % 售电收益为负 f(n_h*31 : n_h*4) -price_sell;功率平衡约束有两种写法。一种是把购电和售电合并成一个变量允许正负但这样目标函数会出现正的线性项买电成本和负的线性项卖电收益当买卖价格不一致时模型依然可以处理不过如果允许同时买卖会出现套利漏洞。所以我采用了双变量写法把购电和售电视为两个非负变量并额外加一条“同一时刻购电和售电不同时发生”的约束。这条约束用SOC的某个辅助二进制变量可以实现但实际调试中我发现只要购电价严格高于售电价最优解天然不会同时买卖所以这个约束可以先不写等出现异常再补。效率参数方面充电效率取0.95放电效率取0.95充放电互斥即使不显式约束在效率都小于1的情况下同时充放电会带来额外的能量损耗对目标函数没有好处因此内层LP能自动避开这种情况。这在Matlab代码里帮我省掉了一组整数变量求解速度提升明显。3.4 外层容量遍历与结果汇总外层容量遍历的核心逻辑如下P_list 100:50:600; % 额定功率候选kW E_list 200:100:1000; % 额定容量候选kWh cost_matrix zeros(length(P_list), length(E_list)); for i 1:length(P_list) for j 1:length(E_list) cost_matrix(i, j) evaluate_capacity(P_list(i), E_list(j)); end end % 找到最小成本对应的容量 [min_cost, min_idx] min(cost_matrix(:)); [i_opt, j_opt] ind2sub(size(cost_matrix), min_idx); P_opt P_list(i_opt); E_opt E_list(j_opt);evaluate_capacity函数内部调用内层LP求解各典型日的最优运行策略并把年化投资成本加上全年运行成本返回。这个函数是整套代码的性能瓶颈建议用parfor并行化否则外层两层循环加起来可能有几十上百组工况串行跑会比较耗时。3.5 一个能够直接跑通的最小代码骨架下面给出一段简化但可运行的代码骨架方便理解整体流程%% 主参数设置 P_ess 300; % kW E_ess 600; % kWh eta_ch 0.95; eta_dis 0.95; dt 1; % 时间步长小时 T 24; %% 典型日数据示例实际替换为聚类结果 P_load [80 75 70 ... 250 260 240 ...]; % 1×24 P_pv [0 0 0 ... 150 160 120 ...]; % 1×24 %% 内层LP求解 nvars T*4 (T1); f zeros(nvars, 1); ... % 构造目标函数、约束矩阵Aeq和beq options optimoptions(linprog, Display, off, Algorithm, dual-simplex); [x_opt, fval] linprog(f, A, b, Aeq, beq, lb, ub, options); %% 解码结果 P_ch x_opt(1:T); P_dis x_opt(T1:2*T); P_buy x_opt(2*T1:3*T); P_sell x_opt(3*T1:4*T); SOC x_opt(4*T1:end);实际项目里Aeq和beq的构造是代码量最大的部分尤其是SOC递推约束和功率平衡约束需要统一整理成矩阵形式。我的经验是先把约束公式在草稿纸上写成矩阵形式再逐行填充到Aeq中不要一边写代码一边推约束那很容易漏项或错位。4. 算例结果不同电价曲线和多用户场景下的容量差异4.1 基准场景参数设定算例采用一组典型工业用户的负荷和光伏数据负荷峰值约800kW光伏装机500kW储能单位功率成本1200元/kW单位容量成本900元/kWh电池寿命10年折现率6%。分时电价采用一般工商业峰谷电价峰值1.1元/kWh、平段0.68元/kWh、谷段0.32元/kWh。在这个基准参数下外层遍历得到的最优容量为功率300kW、容量600kWh对应储能时长为2小时。年化综合成本构成如下表所示成本/收益项金额万元/年年化投资成本18.6运维成本2.4峰谷套利收益-11.2光伏消纳提升收益-5.8需量电费节省-3.1净成本0.9值得注意的是最优方案下储能并没有带来正的净收益只是把年综合成本控制在接近“不装储能”的基准线附近。这说明在当前的储能造价和电价结构下单纯靠峰谷套利支撑储能投资依然比较勉强项目经济性对补贴、电池寿命和电价波动非常敏感。这也是储能容量配置模型的意义所在——算清楚什么条件下装储能划算什么条件下不划算而不是盲目上规模。4.2 峰谷价差拉大后最优容量显著上移把峰谷价差从0.78元/kWh扩大到1.2元/kWh其他参数不变重新运行外层遍历。结果最优容量从300kW/600kWh上升到400kW/900kWh且项目从“净成本0.9万”变成“净收益-4.6万元”也就是储能开始真正产生正收益。这说明容量配置对电价弹性非常高价差达到一定阈值之后增加储能时长和功率都有利可图。在实际项目测算中建议把电价情景分为“保守、中性、乐观”三档分别跑一遍模型观察最优容量的变化区间而不是只用一个固定电价算出一个“唯一正确答案”。4.3 多产销者对比集中式与分散式的经济性差异我额外做了一组三用户场景的对比。三个用户的负荷峰谷特性不同光伏装机也不同。分散式配置是每个用户独立按前述模型优化各自的储能集中式配置则假设三个用户共享一套储能由台区统一调度优化。结果很有意思集中式配置的总储能容量比三套分散式储能之和少约22%年化总成本降低约15%。原因在统计学上很直观——三个用户的净负荷曲线峰值出现时间不完全重合集中式储能可以利用这种“异质性”降低总备用容量。但集中式也有代价需要解决用户之间的成本分摊问题以及台区配电容量是否允许安装大容量储能。这个问题本质上已经超出了单纯的技术容量配置范畴涉及到商业模式设计但在容量优化阶段先算出理论节余空间可以作为后续商业谈判的量化依据。4.4 灵敏度分析储能成本和电池寿命对最优容量的影响我做了两组灵敏度分析一组把单位容量成本从900元/kWh降到500元/kWh另一组把电池寿命从10年提高到15年。结果最优容量都出现了明显上升且项目净收益显著改善。这说明当前阶段储能经济性的主要瓶颈在投资侧和寿命侧运行策略优化能挖掘的空间反而相对有限。所以当我看到有人向用户推荐“加大储能容量、用优化调度提升套利收益”时我都会提醒一句在容量配置层面先把造价和寿命参数摸准比花大力气精调调度策略对结果的影响大得多。5. 我在调试这套模型时踩过的坑5.1 充放电效率低于1时SOC约束容易产生数小时级的偏移第一次跑通代码时我发现一条典型日的SOC曲线起点和终点始终对不上而且充电段SOC上升斜率与放电段下降斜率不对称。排查之后发现是效率系数的施加位置搞错了——我把充电效率和放电效率同时乘到了SOC递推式的充电项上等于把充电过程算了两遍损耗。正确的写法应该是充电时用效率系数减小SOC增量放电时用效率系数放大SOC减量也就是SOC(t1) SOC(t) η_ch * P_ch * Δt / E - P_dis * Δt / (η_dis * E)。这个错误在最终SOC结果里不会马上暴露但会导致全年充电量系统性偏大套利收益被低估。建议在代码里加一个断言按解出来的P_ch和P_dis累加全年充电量和放电量两者比值应接近效率乘积。5.2 低价时段无限充电的假象漏了SOC上限约束内层LP初期跑出来一个匪夷所思的结果——谷段充电功率贴着P_ess上限持续充电但SOC曲线却是平的。后来发现是我的SOC上限约束写成了SOC(t) ≤ SOC_max但SOC变量初始值设得太低导致LP在可行域里“绕”开了这个限制。换句话说SOC的上下限约束必须作用到所有时段的SOC变量包括初始时刻和末端时刻不能只约束中间时段。检查方法很简单把SOC曲线画出来看它是否在每个时段都落在[SOC_min, SOC_max]区间内。如果最优解出现SOC贴着边界“平移”的诡异现象多半是约束索引错位。5.3 聚类数太少会让储能收益被高估我把典型日从4类改成2类时发现最优容量下的峰谷套利收益比4类场景高了约8%。原因是聚类数少意味着把一些净负荷差异巨大的日子合并到了一起模糊了实际运行中储能可能“英雄无用武之地”的日子。比如一个阴雨天和一个晴天被聚成一类内层LP在“超级典型日”上可以同时利用光伏和低谷电价完成充放电但真实世界里这两天是分开的储能无法跨天搬运能量。这个教训很重要典型日缩减虽然能大幅降低计算量但聚类数不宜太少至少取4类并且要对比不同聚类数下的结果稳定性。如果时间充裕可以直接跑8760小时版本作为“精确解”来校验典型日方法的误差范围。5.4 上网电价参数设错会让模型推荐一个偏大的光伏侧储能还有一次模型推荐了接近800kW的大容量储能把项目经济性算得非常乐观。排查到最后发现是上网电价参数比购电价高导致的——模型发现“从电网买电充进储能、再以高价卖给电网”可以无限套利于是一股脑把储能容量推到上限。这个套利漏洞在参数设置上是显而易见的但在代码里如果分时电价和上网电价分别用两个变量从不同文件读取非常容易疏忽。我的做法是在读取参数后立即加一条运行时校验if any(price_sell price_buy) error(上网电价必须严格低于购电价否则存在无限套利空间); end这条校验看起来简单但能挡掉一大类参数配置错误导致的“假最优”。5.5 求解器选择linprog和intlinprog的性能差异基础版本用linprog求解连续LP速度快在效率乘积小于1的自然约束下就能避免充放电同时进行很实用。但如果未来要加入阶梯电价、需量电价这类需要二进制变量建模的机制就必须切换到intlinprog混合整数线性规划。我的经验是二进制变量数量控制在500个以内时intlinprog配合’cut-generation’算法求解速度还能接受一旦超过1000个建议换用Gurobi或CPLEX的Matlab接口求解时间可能相差一个数量级。如果项目只在Matlab环境里跑优先考虑优化工具箱自带的intlinprog配合尽量少的整数变量性能会比想象中好不少。6. 普适性说明与进一步扩展方向这套模型虽然以单个工业用户为例但框架本身完全适用于居民社区、商业楼宇和农业光伏等场景只需要把负荷曲线、光伏出力和电价参数换成对应场景的数据即可。对于没有光伏的用户把P_pv曲线设为零向量模型自动退化为纯峰谷套利储能的容量配置。对于带风力发电机组的用户把光伏曲线换成风电出力序列就行模型结构不需要改动。进一步扩展方向主要有三个一是把储能寿命衰减模型纳入优化也就是容量配置决策会影响电池循环深度进而影响寿命和更换成本形成一个寿命-容量-运行策略的耦合优化问题二是引入分时电价的阶梯化分段让内层LP变成MILP但代码复杂度会明显增加三是考虑充电桩等新负荷增长对净负荷曲线的影响做容量配置时预留一定的储能扩容空间。这些方向我都在陆续实践中后续如果有新的结论再写文章分享。回到标题本身——考虑产销者的分布式储能容量配置本质上不是在算一个孤立的电池体积问题而是在算一组“净负荷曲线电价机制投资边界”共同作用下的经济最优解。在我看来Matlab代码只是把这种经济逻辑固化成了可重复计算的工具真正有价值的是理解模型里每一个约束条件对应的现实含义以及每一次参数灵敏度分析背后透露的商业信号。这篇文章给出的代码框架和调试经验希望能帮你少走一些弯路。
基于Matlab的分布式储能容量配置：考虑产销者模式的双层优化实践
最近在做分布式储能容量配置的项目时遇到一个很有意思的问题当用户侧装了屋顶光伏、从单纯的“用电户”变成“产销者prosumer”之后储能到底应该配多大这个看似简单的容量决策背后牵连着电价机制、光伏出力曲线、负荷特性、电池循环寿命甚至用户之间的协同行为稍有不慎就会得到“装了储能反而亏本”的结论。这篇文章把我实际搭建的一套基于Matlab的分布式储能容量配置策略完整拆开讲清楚包括数学模型怎么建、代码框架怎么搭、算例结果怎么分析以及我在调试过程中踩过的几个典型坑希望能给正在做储能规划或新能源消纳方向的同学一些可复用的参考。1. 产销者模式给储能容量配置带来的新挑战1.1 产销者不再是传统意义上的“负荷”传统配电网规划里用户侧基本被建模成纯负荷节点——只知道它从电网取电不知道它还能发电。但分布式光伏大规模普及之后情况完全变了。一个装了屋顶光伏的工业园区、一栋装了光伏幕墙的办公楼、甚至一户有阳台光伏的居民都同时在生产和消耗电能。这类主体就是产销者既能从电网购电又能向电网卖电还可以在内部消纳自己的光伏出力。我看过不少早期储能可研报告容量配置思路非常简单粗暴按变压器容量的15%配或者按峰值负荷的20%拍脑袋定完全没考虑用户本身的光伏装机、用电曲线和上网电价。在纯负荷模型下这种估算法勉强能用但在产销者模型下误差大得离谱。原因在于产销者的净负荷曲线——即负荷减去光伏出力后的剩余曲线——可能剧烈波动甚至出现负值光伏出力大于负荷这时候储能的角色就复杂了它可能在某个时段是“充电宝”在另一个时段是“削峰刀”还可能是“套利工具”。1.2 净负荷曲线才是容量配置的真正输入做容量配置第一步不是算储能自身而是先把用户的净负荷曲线分析清楚。净负荷定义为P_net(t) P_load(t) - P_pv(t)P_net大于0表示需要从电网购电小于0表示光伏有富余。这个净负荷曲线决定了储能有没有“可套利的空间”也决定了储能的典型运行模式。我有一次处理某产业园数据光伏装机2.5MW峰值负荷3.2MW乍一看光伏占比不算激进。但画净负荷曲线时发现午间11:00-14:00净负荷长期为负最大反送功率接近1.1MW傍晚17:00-21:00净负荷迅速拉升峰值达到2.7MW。这种“午间反送电、晚高峰缺电”的形态才是储能配置要真正响应的信号——它本质上是要把午间的光伏富余能量“搬运”到晚高峰而不是简单地在低谷充电、高峰放电。1.3 多产销者之间是否要协同配置标题里强调“考虑产销者”除了单个产销者的净负荷特征之外还隐含了一个决策维度如果同一个台区里有多个产销者储能是各家独立配置还是台区层面集中配置甚至允许产销者之间共享储能容量这个问题直接影响模型复杂度。独立配置可以用单主体的优化模型求解协同配置则需要引入多主体均衡或者中央决策者统一调度的假设。我做的工作主要是面向单个产销者的容量优化但也对比了多台区集中储能和分散储能的差异这个后面算例里会讲到。2. 容量配置模型目标函数与约束条件的设计逻辑2.1 年化综合成本最小化把投资账和运行账放同一张表储能容量配置本质是一个投资决策问题目标很直接——让系统在全生命周期内的年化综合成本最小。这个综合成本包含一次性投资折算到每年的费用、年度运行维护费用再扣掉储能带来的收益。年化投资成本用等年值法折算比较常规。设储能的额定功率为P_esskW、额定容量为E_esskWh单位功率成本为c_p元/kW、单位容量成本为c_e元/kWh则初始投资为C_inv_0 c_p * P_ess c_e * E_ess考虑折现率r、储能寿命N年等年值系数为CRF r * (1r)^N / ((1r)^N - 1)年化投资成本就是C_inv C_inv_0 * CRF。这一项在成本结构中占比最大也是容量优化要控制的核心变量——储能装得越大这项越高。运行收益我主要考虑了三种峰谷套利收益、光伏自发自用率提升带来的收益、需量电费节省。其中峰谷套利是储能最经典的收益来源在分时电价下低充高放。但要注意产销者场景下的峰谷套利和纯投资者场景有个区别储能充电的电有一部分来自光伏富余出力这部分“电”的机会成本低于从电网购电所以目标函数里要精确区分储能充电功率是从电网买的还是从光伏来的。2.2 约束条件SOC递推、充放电功率、状态互斥储能运行约束是模型的核心骨架。任何一个合格的配置模型至少要包含以下几组约束储能动态约束SOC(t1) SOC(t) (η_ch * P_ch(t) - P_dis(t) / η_dis) * Δt / E_ess其中SOC是荷电状态η_ch和η_dis分别是充放电效率Δt是时间步长。这条约束把容量E_ess和运行策略直接耦合在一起——同样的运行策略容量越大SOC波动越小反过来如果容量太小SOC很容易触达上下限限制储能的调度空间。功率约束0 ≤ P_ch(t) ≤ P_ess 0 ≤ P_dis(t) ≤ P_ess同时还要保证同一时刻不能既充电又放电。线性规划里这个互斥条件一般用两个二进制变量加big-M约束实现但后面我会讲到如果效率参数设置合理这个约束其实可以“偷懒”。功率平衡约束P_load(t) P_pv(t) P_grid(t) P_dis(t) - P_ch(t) - P_curtail(t)这个约束刻画了产销者内部能量流动关系。P_grid大于0表示购电小于0表示向电网反送电。P_curtail是弃光功率在光伏大发时段如果储能和负荷都消纳不了只能弃掉。SOC边界约束SOC_min ≤ SOC(t) ≤ SOC_max SOC(0) SOC(T)最后一个末端SOC等于初值SOC的约束很关键它保证储能在一个运行周期典型日内不积累能量不会出现“第一天充电后面一直放电”这种不可持续的优化解。2.3 运行策略怎么定启发式规则还是优化求解容量配置模型还有一个绕不开的问题储能运行策略是从优化里内生得到的还是用固定规则模拟出来的两种做法各有适用场景。启发式规则比如“光伏富余时充电峰段放电”实现简单、求解快也容易向非技术背景的决策者解释但它的致命缺陷是规则设计依赖人的经验碰到复杂分时电价或净负荷剧烈波动时可能错过更优的运行方式。优化求解则是在给定容量下建立运行优化子问题求解最小运行成本得到储能的“最优”充放电策略。这样做更严谨能够同时捕捉峰谷套利、弃光消纳、需量管理等多重目标。代价是计算复杂度高——如果直接优化全年8760小时变量规模相当可观所以我在实际实现中采用了典型日缩减法把全年数据聚类成少数几个代表性日降低求解规模。3. Matlab实现双层优化框架与关键代码拆解3.1 整体框架外层容量遍历内层运行优化我的实现采用双层优化的思路。外层在容量候选集上离散枚举内层在给定容量下用线性规划linprog求解典型日的储能最优运行策略再把典型日结果按天数加权得到全年运行成本和收益。之所以不用fmincon直接连续优化容量是因为容量和SOC耦合存在非线性项容量E_ess在SOC递推约束的分母上整体求解容易陷入局部最优离散枚举反而更可控。程序的文件组织结构大致如下├── main_optimization.m # 主程序外层容量遍历 ├── solve_inner_lp.m # 内层LP求解输入容量输出运行策略 ├── load_typical_days.m # 读取数据并聚类生成典型日 ├── pricing_model.m # 分时电价数据生成 └── plot_results.m # 结果可视化3.2 典型日生成用K-means把365天压缩成4类直接按8760小时做LP决策变量接近3万个充放电功率各8760个、购电功率8760个、SOC8760个求解时间虽然不至于不可接受但如果外层要遍历几十组容量组合累计耗时就很可观。我常用的做法是按照“日”维度把全年净负荷曲线聚成4类典型日分别代表春夏秋冬或“峰谷差大/小”等形态每类有对应的天数权重。关键代码如下% 输入daily_net_profile365×24的矩阵每行是一天的净负荷曲线 % 使用kmeans按欧氏距离聚类为4类 [idx, centroid] kmeans(daily_net_profile, 4, Distance, sqeuclidean, Replicates, 10); % 统计每一类的天数权重 day_weights histcounts(idx, 4) / 365; % 将光伏、负荷、电价数据按同样的聚类索引归类 typical_pv zeros(4, 24); typical_load zeros(4, 24); for k 1:4 typical_pv(k, :) mean(pv_daily(idx k, :), 1); typical_load(k, :) mean(load_daily(idx k, :), 1); end聚类完成之后内层LP只需要对4个典型日分别求解运行时间从几分钟降到几秒钟精度损失通常在可接受范围内。如果项目要求高精度可以把聚类数提高到8类或者直接用全年8760小时做一次外层容量遍历时再用并行循环。3.3 内层LP决策变量与目标函数构造给定储能额定功率P_ess和容量E_ess之后内层要解决的是运行成本最小化问题。我以单个典型日24小时为例决策变量写成一个长向量% x [P_ch(1..24); P_dis(1..24); P_grid_buy(1..24); P_grid_sell(1..24); SOC(1..25)] n_h 24; nvars n_h * 4 25;决策变量包括充电功率、放电功率、购电功率、售电功率和SOC序列。目标函数是购电成本减售电收益% 分时电价 price_buy pricing_model(); % 24×1 购电价 price_sell price_buy * 0.8; % 上网电价按购电价的80% f zeros(nvars, 1); % 购电成本为正 f(n_h*21 : n_h*3) price_buy; % 售电收益为负 f(n_h*31 : n_h*4) -price_sell;功率平衡约束有两种写法。一种是把购电和售电合并成一个变量允许正负但这样目标函数会出现正的线性项买电成本和负的线性项卖电收益当买卖价格不一致时模型依然可以处理不过如果允许同时买卖会出现套利漏洞。所以我采用了双变量写法把购电和售电视为两个非负变量并额外加一条“同一时刻购电和售电不同时发生”的约束。这条约束用SOC的某个辅助二进制变量可以实现但实际调试中我发现只要购电价严格高于售电价最优解天然不会同时买卖所以这个约束可以先不写等出现异常再补。效率参数方面充电效率取0.95放电效率取0.95充放电互斥即使不显式约束在效率都小于1的情况下同时充放电会带来额外的能量损耗对目标函数没有好处因此内层LP能自动避开这种情况。这在Matlab代码里帮我省掉了一组整数变量求解速度提升明显。3.4 外层容量遍历与结果汇总外层容量遍历的核心逻辑如下P_list 100:50:600; % 额定功率候选kW E_list 200:100:1000; % 额定容量候选kWh cost_matrix zeros(length(P_list), length(E_list)); for i 1:length(P_list) for j 1:length(E_list) cost_matrix(i, j) evaluate_capacity(P_list(i), E_list(j)); end end % 找到最小成本对应的容量 [min_cost, min_idx] min(cost_matrix(:)); [i_opt, j_opt] ind2sub(size(cost_matrix), min_idx); P_opt P_list(i_opt); E_opt E_list(j_opt);evaluate_capacity函数内部调用内层LP求解各典型日的最优运行策略并把年化投资成本加上全年运行成本返回。这个函数是整套代码的性能瓶颈建议用parfor并行化否则外层两层循环加起来可能有几十上百组工况串行跑会比较耗时。3.5 一个能够直接跑通的最小代码骨架下面给出一段简化但可运行的代码骨架方便理解整体流程%% 主参数设置 P_ess 300; % kW E_ess 600; % kWh eta_ch 0.95; eta_dis 0.95; dt 1; % 时间步长小时 T 24; %% 典型日数据示例实际替换为聚类结果 P_load [80 75 70 ... 250 260 240 ...]; % 1×24 P_pv [0 0 0 ... 150 160 120 ...]; % 1×24 %% 内层LP求解 nvars T*4 (T1); f zeros(nvars, 1); ... % 构造目标函数、约束矩阵Aeq和beq options optimoptions(linprog, Display, off, Algorithm, dual-simplex); [x_opt, fval] linprog(f, A, b, Aeq, beq, lb, ub, options); %% 解码结果 P_ch x_opt(1:T); P_dis x_opt(T1:2*T); P_buy x_opt(2*T1:3*T); P_sell x_opt(3*T1:4*T); SOC x_opt(4*T1:end);实际项目里Aeq和beq的构造是代码量最大的部分尤其是SOC递推约束和功率平衡约束需要统一整理成矩阵形式。我的经验是先把约束公式在草稿纸上写成矩阵形式再逐行填充到Aeq中不要一边写代码一边推约束那很容易漏项或错位。4. 算例结果不同电价曲线和多用户场景下的容量差异4.1 基准场景参数设定算例采用一组典型工业用户的负荷和光伏数据负荷峰值约800kW光伏装机500kW储能单位功率成本1200元/kW单位容量成本900元/kWh电池寿命10年折现率6%。分时电价采用一般工商业峰谷电价峰值1.1元/kWh、平段0.68元/kWh、谷段0.32元/kWh。在这个基准参数下外层遍历得到的最优容量为功率300kW、容量600kWh对应储能时长为2小时。年化综合成本构成如下表所示成本/收益项金额万元/年年化投资成本18.6运维成本2.4峰谷套利收益-11.2光伏消纳提升收益-5.8需量电费节省-3.1净成本0.9值得注意的是最优方案下储能并没有带来正的净收益只是把年综合成本控制在接近“不装储能”的基准线附近。这说明在当前的储能造价和电价结构下单纯靠峰谷套利支撑储能投资依然比较勉强项目经济性对补贴、电池寿命和电价波动非常敏感。这也是储能容量配置模型的意义所在——算清楚什么条件下装储能划算什么条件下不划算而不是盲目上规模。4.2 峰谷价差拉大后最优容量显著上移把峰谷价差从0.78元/kWh扩大到1.2元/kWh其他参数不变重新运行外层遍历。结果最优容量从300kW/600kWh上升到400kW/900kWh且项目从“净成本0.9万”变成“净收益-4.6万元”也就是储能开始真正产生正收益。这说明容量配置对电价弹性非常高价差达到一定阈值之后增加储能时长和功率都有利可图。在实际项目测算中建议把电价情景分为“保守、中性、乐观”三档分别跑一遍模型观察最优容量的变化区间而不是只用一个固定电价算出一个“唯一正确答案”。4.3 多产销者对比集中式与分散式的经济性差异我额外做了一组三用户场景的对比。三个用户的负荷峰谷特性不同光伏装机也不同。分散式配置是每个用户独立按前述模型优化各自的储能集中式配置则假设三个用户共享一套储能由台区统一调度优化。结果很有意思集中式配置的总储能容量比三套分散式储能之和少约22%年化总成本降低约15%。原因在统计学上很直观——三个用户的净负荷曲线峰值出现时间不完全重合集中式储能可以利用这种“异质性”降低总备用容量。但集中式也有代价需要解决用户之间的成本分摊问题以及台区配电容量是否允许安装大容量储能。这个问题本质上已经超出了单纯的技术容量配置范畴涉及到商业模式设计但在容量优化阶段先算出理论节余空间可以作为后续商业谈判的量化依据。4.4 灵敏度分析储能成本和电池寿命对最优容量的影响我做了两组灵敏度分析一组把单位容量成本从900元/kWh降到500元/kWh另一组把电池寿命从10年提高到15年。结果最优容量都出现了明显上升且项目净收益显著改善。这说明当前阶段储能经济性的主要瓶颈在投资侧和寿命侧运行策略优化能挖掘的空间反而相对有限。所以当我看到有人向用户推荐“加大储能容量、用优化调度提升套利收益”时我都会提醒一句在容量配置层面先把造价和寿命参数摸准比花大力气精调调度策略对结果的影响大得多。5. 我在调试这套模型时踩过的坑5.1 充放电效率低于1时SOC约束容易产生数小时级的偏移第一次跑通代码时我发现一条典型日的SOC曲线起点和终点始终对不上而且充电段SOC上升斜率与放电段下降斜率不对称。排查之后发现是效率系数的施加位置搞错了——我把充电效率和放电效率同时乘到了SOC递推式的充电项上等于把充电过程算了两遍损耗。正确的写法应该是充电时用效率系数减小SOC增量放电时用效率系数放大SOC减量也就是SOC(t1) SOC(t) η_ch * P_ch * Δt / E - P_dis * Δt / (η_dis * E)。这个错误在最终SOC结果里不会马上暴露但会导致全年充电量系统性偏大套利收益被低估。建议在代码里加一个断言按解出来的P_ch和P_dis累加全年充电量和放电量两者比值应接近效率乘积。5.2 低价时段无限充电的假象漏了SOC上限约束内层LP初期跑出来一个匪夷所思的结果——谷段充电功率贴着P_ess上限持续充电但SOC曲线却是平的。后来发现是我的SOC上限约束写成了SOC(t) ≤ SOC_max但SOC变量初始值设得太低导致LP在可行域里“绕”开了这个限制。换句话说SOC的上下限约束必须作用到所有时段的SOC变量包括初始时刻和末端时刻不能只约束中间时段。检查方法很简单把SOC曲线画出来看它是否在每个时段都落在[SOC_min, SOC_max]区间内。如果最优解出现SOC贴着边界“平移”的诡异现象多半是约束索引错位。5.3 聚类数太少会让储能收益被高估我把典型日从4类改成2类时发现最优容量下的峰谷套利收益比4类场景高了约8%。原因是聚类数少意味着把一些净负荷差异巨大的日子合并到了一起模糊了实际运行中储能可能“英雄无用武之地”的日子。比如一个阴雨天和一个晴天被聚成一类内层LP在“超级典型日”上可以同时利用光伏和低谷电价完成充放电但真实世界里这两天是分开的储能无法跨天搬运能量。这个教训很重要典型日缩减虽然能大幅降低计算量但聚类数不宜太少至少取4类并且要对比不同聚类数下的结果稳定性。如果时间充裕可以直接跑8760小时版本作为“精确解”来校验典型日方法的误差范围。5.4 上网电价参数设错会让模型推荐一个偏大的光伏侧储能还有一次模型推荐了接近800kW的大容量储能把项目经济性算得非常乐观。排查到最后发现是上网电价参数比购电价高导致的——模型发现“从电网买电充进储能、再以高价卖给电网”可以无限套利于是一股脑把储能容量推到上限。这个套利漏洞在参数设置上是显而易见的但在代码里如果分时电价和上网电价分别用两个变量从不同文件读取非常容易疏忽。我的做法是在读取参数后立即加一条运行时校验if any(price_sell price_buy) error(上网电价必须严格低于购电价否则存在无限套利空间); end这条校验看起来简单但能挡掉一大类参数配置错误导致的“假最优”。5.5 求解器选择linprog和intlinprog的性能差异基础版本用linprog求解连续LP速度快在效率乘积小于1的自然约束下就能避免充放电同时进行很实用。但如果未来要加入阶梯电价、需量电价这类需要二进制变量建模的机制就必须切换到intlinprog混合整数线性规划。我的经验是二进制变量数量控制在500个以内时intlinprog配合’cut-generation’算法求解速度还能接受一旦超过1000个建议换用Gurobi或CPLEX的Matlab接口求解时间可能相差一个数量级。如果项目只在Matlab环境里跑优先考虑优化工具箱自带的intlinprog配合尽量少的整数变量性能会比想象中好不少。6. 普适性说明与进一步扩展方向这套模型虽然以单个工业用户为例但框架本身完全适用于居民社区、商业楼宇和农业光伏等场景只需要把负荷曲线、光伏出力和电价参数换成对应场景的数据即可。对于没有光伏的用户把P_pv曲线设为零向量模型自动退化为纯峰谷套利储能的容量配置。对于带风力发电机组的用户把光伏曲线换成风电出力序列就行模型结构不需要改动。进一步扩展方向主要有三个一是把储能寿命衰减模型纳入优化也就是容量配置决策会影响电池循环深度进而影响寿命和更换成本形成一个寿命-容量-运行策略的耦合优化问题二是引入分时电价的阶梯化分段让内层LP变成MILP但代码复杂度会明显增加三是考虑充电桩等新负荷增长对净负荷曲线的影响做容量配置时预留一定的储能扩容空间。这些方向我都在陆续实践中后续如果有新的结论再写文章分享。回到标题本身——考虑产销者的分布式储能容量配置本质上不是在算一个孤立的电池体积问题而是在算一组“净负荷曲线电价机制投资边界”共同作用下的经济最优解。在我看来Matlab代码只是把这种经济逻辑固化成了可重复计算的工具真正有价值的是理解模型里每一个约束条件对应的现实含义以及每一次参数灵敏度分析背后透露的商业信号。这篇文章给出的代码框架和调试经验希望能帮你少走一些弯路。
