企业官网建设流程全解析

1. 模型思路拆解：一个“两阶段”到底解决了什么问题

先聊聊这个题目的核心矛盾。配电网调度，本质上是一道“明天怎么发电、怎么用电”的优化题。传统配电网里，电源就是上级电网，调度相对简单——无非是预测负荷，然后安排购电。但一旦接入分布式电源（光伏、风电、储能、微型燃气轮机），情况就复杂了：光伏和风电的出力是波动的，储能是“既能充电也能放电”的双向设备，把这类电源纳入调度之后，原本单一的“买电”问题就变成了“如何协调多个电源、多个时段、多条线路”的组合优化问题。

先搞清楚什么是“日前调度”。这是电力系统里一个经典的时间维度概念：在当天之前，根据第二天的负荷预测和新能源出力预测，制定第二天每个小时的机组出力计划、购电计划、储能充放电计划。而“两阶段优化调度”，指的是把调度问题拆成两个决策阶段来处理。关于这一点，不同论文做法不同，我在这套代里采用的是一个比较通用、也比较符合工程逻辑的拆分方式：第一阶段做“预调度决策”，第二阶段做“经济再调度修正”。

第一阶段解决的是“民生问题”——不管明天实际情况怎么变，哪些分布式电源一定要开机？储能大致按什么曲线充放电？这是一个面向预测场景的开机决策和基础功率分配。第二阶段解决的是“偏差修正”——实际运行中新能源出力和负荷会偏离预测值，这时候就需要在允许的调节范围内，对各个分布式电源的出力、储能的充放电功率进行二次修正，把电压越限、功率失衡、网损增加这些隐患压回去。

这种两阶段结构和单纯的一次性优化最大的区别在于：它把“计划”和“调整”分开，既保留了日前调度的预见性，又给日内留出了灵活性空间。如果你接触过鲁棒优化或者随机优化，会发现两阶段其实是一个经典的“here-and-now”和“wait-and-see”结构，这套代码的实现思路和这类理论是一脉相承的。

为什么要用两阶段而不是一个大的混合整数规划一次解完？首先是计算效率问题。配电网节点多、约束多，再加入0-1变量（比如储能充放电状态、燃气轮机开关机状态），整个模型会变成一个大规模MILP，直接求解很容易卡死，尤其在海量场景下更是灾难。两阶段可以把0-1变量和连续变量部分解耦，第一阶段先定离散量，第二阶段在离散量固定的基础上解连续优化，求解规模直接降一个量级。

其次从工程实际来看，电网调度不可能一天24小时不做调整。预测数据本身就有误差，第一阶段算出的是“计划值”，第二阶段算出的才是“执行值”。两阶段结构天然贴合实际调度流程，后续如果要做滚动修正、实时反馈，只需要在第二阶段的基础上改一改就能扩展。

我的建议是：拿到这个题目，第一步不要急着写代码，先把两阶段的分界线划清楚——哪些变量放第一阶段？哪些放第二阶段？这是整个模型成败的关键。我最初做的时候没有仔细设计变量归属，直接把所有变量一锅端放进了MILP，结果33节点系统跑了十几分钟还没收敛，后来调整了变量划分之后，140秒左右就解完了。

1.1 应用场景与适用读者

这套模型的典型应用场景包括：含光伏和储能的工业园区配电网、接入分散式风电的农村配电网、包含多类型DG（分布式电源）的城市小区配电网。如果你是以下三类读者，这篇内容建议重点看：

• 电力系统方向的研究生：需要用Matlab搭建一个能跑通、能出图的调度模型作为论文算例，但不想从零开始啃一堆理论公式。
• 从事配电网规划/运行工作的工程师：想评估新增分布式电源对网损、电压、购电成本的实际影响。
• 刚接触YALMIP和求解器的Matlab用户：需要一个完整的“建模-求解-后处理-可视化”参考流程。

这套代码以IEEE 33节点系统作为基础算例，这套系统是配电网研究中使用最广泛的测试系统，节点多、结构典型（单辐射馈线、含联络开关），也非常适合验证分布式电源接入效果。

2. 数学模型与约束条件的落地细节

既然要复现，先把模型骨架搭清楚。我采用的模型是基于DistFlow线性化潮流的日前两阶段调度模型，第一阶段为主问题，第二阶段为子问题。整个模型的目标函数是：购电成本 + 微型燃气轮机运行成本 + 储能退化成本 + 弃风弃光惩罚（以尽可能消纳新能源为目标）之和最小。

这里要补充一个极其重要的细节：为什么用DistFlow而非完整的交流潮流？因为完整交流潮流是非凸非线性的，放进优化模型之后要么求解慢，要么根本解不动。DistFlow是对辐射状配电网做了一种近似线性化，精度在正常负荷水平下足够，且让优化问题保持凸性，可以使用商业求解器高效求解。生活化类比一下：完整潮流像是用高精度地图导航，DistFlow相当于把城市路网简化成几条主干道来估算路线——精度有损失，但路线规划速度快得多，日常使用完全够用。

2.1 决策变量怎么设置：第一阶段和第二阶段的边界

决策变量是整个代码里最需要慎重的部分。我这里做一个梳理：

• 第一阶段决策变量（预调度）：

  • 微型燃气轮机的开关机状态（0-1整数变量）
  • 储能系统在各时段的充放电状态（0-1整数变量，防止同时充放电）
  • 联络开关的通断状态（如果有配网重构需求）
  • 储能的基础充放电功率（连续变量）
  • 从上级电网的购电功率（连续变量）

• 第二阶段决策变量（修正调度）：

  • 各分布式电源出力修正量（连续变量）
  • 储能充放电功率修正量（连续变量）
  • 为消除电压偏差进行的无功出力调整
  • 弃风弃光量（连续变量，带惩罚系数）

划分的核心逻辑是：哪些决策需要提前一天确定？哪些到了当天还能动态调整？0-1整数变量背后往往是物理开关操作，不可能频繁切换，放第一阶段；连续功率调整是平滑的，放第二阶段。储能充放电状态变量，严格来讲属于整数变量，放第一阶段；具体充放电功率大小，则放第二阶段调整。这个划分如果用通俗话来讲就是：“先排值班表，再算每个人具体干多少活”。

2.2 目标函数与约束条件的数学表达

目标函数可以写成：

min 购电成本 + Σ(DG运行成本) + 储能退化成本 + 弃风弃光惩罚

其中购电成本是分时电价乘以购电功率在一天内累加；DG运行成本是微型燃气轮机的出力二次函数（这里我做了分段线性化处理，方便求解器处理）；储能退化成本用一个等效成本系数乘以充放电功率来模拟寿命损耗；弃风弃光惩罚则是一个高价系数，本质上是在告诉求解器：“尽量别丢弃新能源”。

约束条件才是整个模型的“硬骨头”，我按类别拆开来说：

潮流约束：

这一块是整个配电网模型的核心。我自己用的是一阶DistFlow方程（可参考Baran和Wu在1989年提出的分支潮流模型），对于每个节点i、每条支路ij、每个时间段t，满足：

P_ij = Σ(P_jk) + P_load_j - P_DG_j Q_ij = Σ(Q_jk) + Q_load_j - Q_DG_j V_j² = V_i² - 2(r_ij*P_ij + x_ij*Q_ij)

其中r和x是支路阻抗。实际编码时，为了避免非线性项V²带来的麻烦，我做了变量替换，令u_j = V_j²，这样第二个等式就变成了线性约束。这是一个比较常规的线性化做法，但在网上很多代码里没有写清楚，导致很多人看公式看不明白，这里拿出来给大家拆解一下。

节点电压约束：

0.95² ≤ u_i ≤ 1.05²

在一个范围内允许电压上下浮动。实际算例中，我经常遇到的结果是：分布式电源接入后如果不做任何调度优化，末端节点电压抬升到1.06以上；加了优化之后能压回1.03以内，这就是调度模型在电压治理方面的直观作用。

DG出力约束：

• 微型燃气轮机：x_t * P_min ≤ P_MT,t ≤ x_t * P_max，x_t是0-1状态变量
• 光伏：0 ≤ P_PV,t ≤ P_PV_forecast,t，上限是光伏出力预测值
• 风电：0 ≤ P_WT,t ≤ P_WT_forecast,t

储能约束：

SOC_t = SOC_{t-1} + (η_ch * P_ch - P_dis / η_dis) * Δt SOC_min ≤ SOC_t ≤ SOC_max 0 ≤ P_ch ≤ P_ch_max * u_ch 0 ≤ P_dis ≤ P_dis_max * u_dis u_ch + u_dis ≤ 1

这里最容易被忽略的是最后一条约束：充电状态和放电状态不能同时为1。如果没有这条约束，求解器会在某些时段给出“一边充电一边放电”的荒谬方案，因为这样既能“消耗”掉多余的新能源、又可以满足储能SOC变化要求，但实际上能量全浪费在能量转换损耗里了。

网络安全约束：

I_ij² ≤ I_max²

这条约束我在第一批代码里偷懒没加，结果得到的方案网损特别大——后来检查支路电流才发现若干线路负载率到120%了。如果你要做实际工程的分析，这条约束务必保留，否则你的“最优解”可能就是现实中根本没法落地的方案。

2.3 时间分辨率与时序耦合的细节

一个特别容易被忽视的问题是时间分辨率。很多初写调度模型的人，一上来就按24小时1小时间隔建模，这在配电网尺度上其实是合理的，但如果要精细刻画储能SOC变化和负荷高峰持续时间，1小时间隔往往会“抹平”一些短时波动，优化结果偏乐观。

我在这套代码里用的是1小时间隔，和日前调度的常规尺度保持一致。不过需要提醒的是，你的负荷数据和新能源预测数据的颗粒度，必须和优化模型的时间间隔一致。我一开始犯过一个低级错误：负荷曲线是15分钟一个点，新能源出力按1小时平均，这样两个数据直接拼在一起算，结果当然一塌糊涂。后来统一重采样到1小时间隔才恢复正常。数据口径对齐，是这类工作里最容易翻车也最不值得翻车的地方，希望各位能规避。

3. Matlab代码实现：从ETAP数据到求解器调用

关于环境配置，这里有必要先啰嗦几句。这套模型对Matlab版本没有严格的限制，不过建议至少R2020b以上，因为YALMIP和求解器的兼容性在近几个版本里都处理得不错。如果安装过程中遇到许可或附加功能访问异常的问题，检查一下MATLAB的路径设置和授权文件，通常重装对应版本的附加功能模块可以解决。需要提前安装的三件套是：

• YALMIP：Matlab下的建模语言，我不太建议直接用求解器API写约束，那会写到怀疑人生，YALMIP能把你从繁琐的矩阵拼装中解放出来，直接以接近数学公式的形式写约束。
• 求解器：我推荐Gurobi或CPLEX，二者任选其一。国内学生一般用CPLEX比较多（学校有学术授权）；Gurobi性能很好，学术版申请也方便。如果两者都没有，退而求其次可以用SCIP，再不行还能用Matlab自带的intlinprog硬解，但求解时间会显著拉长。
• Matpower（可选）：如果你需要更精细的潮流计算或者想验证DistFlow线性化的精度，可以装一个Matpower做后校验。

3.1 数据准备环节

在写主程序之前，先把基础数据准备好。一个典型的33节点配电网系统参数包括：

• 支路阻抗（r + jx）
• 节点有功/无功负荷
• 根节点电压（通常设为1.0标幺值）
• 分布式电源安装节点、容量和类型

负荷方面，我取的是网上的标准日负荷曲线，再叠加一点随机波动来模拟预测误差。光伏和风电的预测出力曲线也需要生成——如果手上没有实测数据，可以用一个带随机干扰的典型曲线来模拟。这些都是标准的“仿真前输入”，不算核心创新点，但直接影响算例结果的合理性。

数据文件建议用Excel或MATLAB的.mat文件管理，配一个load_data.m脚本统一读取。这样后续换算例（比如换成IEEE 69节点系统）时，只需要改数据文件，不用动主程序，非常省事。

3.2 YALMIP建模核心代码

下面给出主模型的YALMIP建模代码，这是我运行验证过的版本，使用了binvar定义0-1变量，sdpvar定义连续变量。代码逻辑比较清晰，照着学很快就能弄懂。

%% 变量定义（以24时段、33节点为例） T = 24; % 第一阶段变量 x_MT = binvar(N_MT, T, 'full'); % 燃气轮机开停机状态 u_ch = binvar(N_ESS, T, 'full'); % 储能充电状态 u_dis = binvar(N_ESS, T, 'full'); % 储能放电状态 P_ch = sdpvar(N_ESS, T, 'full'); % 充电功率 P_dis = sdpvar(N_ESS, T, 'full'); % 放电功率 P_buy = sdpvar(1, T, 'full'); % 购电功率 % 第二阶段变量 P_MT = sdpvar(N_MT, T, 'full'); % 燃气轮机出力 P_pv = sdpvar(N_PV, T, 'full'); % 光伏实际出力 P_wt = sdpvar(N_WT, T, 'full'); % 风电实际出力 P_curtail = sdpvar(N_PV + N_WT, T, 'full'); % 弃风弃光量

我建议定义变量时就把“阶段”写在注释里，方便后期自己回溯。如果一次性写完整个约束矩阵，等到了调试阶段会发现大脑一片空白，变量归属完全理不清。分阶段定义变量是最简单的防呆设计。

核心约束写作（以储能SOC为例）：

%% 储能SOC递推约束 SOC = sdpvar(N_ESS, T+1, 'full'); SOC(:, 1) = 0.2; % 初始SOC 20% for t = 1:T constraints = [constraints, ... SOC(:, t+1) == SOC(:, t) + (eta_ch * P_ch(:, t) - P_dis(:, t) / eta_dis) * dt]; constraints = [constraints, ... 0.1 <= SOC(:, t+1) <= 0.9]; constraints = [constraints, ... P_ch(:, t) <= P_ch_max * u_ch(:, t)]; constraints = [constraints, ... P_dis(:, t) <= P_dis_max * u_dis(:, t)]; constraints = [constraints, ... u_ch(:, t) + u_dis(:, t) <= 1]; end

潮流约束在YALMIP里写起来稍微繁琐，因为需要遍历每条支路和每个节点。这里给出一个简化的核心片段：

%% DistFlow潮流约束 for t = 1:T for k = 1:nbranch % 支路首末端节点编号：i = branch(k,1), j = branch(k,2) constraints = [constraints, ... P_branch(k, t) == sum(P_branch(find(bus_start == j), t)) ... + P_load(j, t) - P_DG(j, t)]; constraints = [constraints, ... Q_branch(k, t) == sum(Q_branch(find(bus_start == j), t)) ... + Q_load(j, t) - Q_DG(j, t)]; constraints = [constraints, ... u(j, t) == u(i, t) - 2*(r(k)*P_branch(k, t) + x(k)*Q_branch(k, t))]; end end

注意：我在代码里用了一个映射关系bus_start来查找支路对应的下游节点，这个映射如果搞错，潮流会完全乱套。实际写代码时建议先用少量数据手动验算一两个时段的潮流，确认正确后再跑完整模型。

3.3 目标函数与求解器调用

目标函数我建议直接写成标量求和，不用矩阵内积（虽然YALMIP也支持，但可读性较差）。下面是我在代码里的目标函数写法，可以看到每个成本项一目了然：

%% 目标函数 objective = 0; for t = 1:T % 购电成本（采用分时电价） objective = objective + price_buy(t) * P_buy(t); % 燃气轮机燃料成本（简化线性形式） objective = objective + sum(alpha_MT .* P_MT(:, t) + beta_MT .* x_MT(:, t)); % 储能退化成本 objective = objective + sum(lambda_ess .* (P_ch(:, t) + P_dis(:, t))); % 弃风弃光惩罚 objective = objective + lambda_curtail * sum(P_curtail(:, t)); end

金额单位建议统一换算成“万元”或者“元”，我这里用的是“元/kWh”和“元/MWh”混合，需要注意量纲一致性。很多人跑出来的成本数据结果不合理，多半是单位没统一好。

求解指令非常简单：

%% 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 2); ops.gurobi.MIPGap = 0.01; % 设置MIP间隙阈值1% ops.gurobi.TimeLimit = 600; % 时间上限600秒 result = optimize(constraints, objective, ops); if result.problem == 0 disp('求解成功'); else disp('求解失败: ' + yalmiperror(result.problem)); end

这里MIPGap设为1%是一个推荐的折中值：配电网调度模型的数值稳定性天然不如纯数学测试问题，如果非要设0%，不仅可能根本跑不完，而且那些微小的优化差距实际工程中毫无意义。林林总总的算例跑下来，1%的MIPGap对最终结果影响极小（成本差异通常在万分之几），但求解时间可能差出好几倍。

3.4 结果提取与绘图

优化完成后，最重要的就是“能出图”。给导师汇报、写论文都用得上这些图，核心输出一般包括以下四张：

• 各分布式电源出力柱状堆叠图（直观看到新能源、燃气轮机、储能分别贡献了多少电力）
• 购电功率曲线（看出什么时候从电网买电最多）
• 储能SOC变化曲线（验证储能是否遵循“低谷充电、高峰放电”的套利逻辑）
• 各节点电压分布图（验证电压是否在0.95-1.05p.u.范围内）

画图用的都是一些基础指令，我贴一个简单的电压分布图示例，需要画SOC曲线同理：

%% 绘制各节点电压曲线 figure; plot(1:33, u_opt(1:33, 10), 'bo-', 'LineWidth', 1.5); hold on; plot(1:33, u_opt(1:33, 15), 'rs-', 'LineWidth', 1.5); plot(1:33, u_opt(1:33, 20), 'gd-', 'LineWidth', 1.5); xlabel('节点编号'); ylabel('电压幅值 (p.u.)'); legend('t=10h', 't=15h', 't=20h'); grid on;

为什么选第10、15、20小时？这分别对应上午、下午高峰和晚间负荷爬坡三个典型的时段特征，可以让图的信息量最大。这种细节虽然不起眼，但会给导师留下“这学生想得很全面”的印象，实际汇报时也确实更容易讲出内容来。

4. 优化结果分析与方案对比

代码跑通之后，下一步就是“讲好结果故事”。光有最优解还不够，你得能解释清楚：这个优化方案比简单方案好在哪里？这在论文里就是“算例分析”部分，也是很多审稿人重点看的板块。

我在这套算例里做了三组方案对比：

• 方案一：无分布式电源，纯购电的传统配电网（基线方案）
• 方案二：分布式电源接入，但不做两阶段优化，只按最大出力输出（常见的“光伏满发”策略）
• 方案三：分布式电源接入，且采用本文的两阶段优化调度方案

以33节点系统带15%光伏渗透率为例，一个很典型的结果是：方案二虽然光伏发电量大，但午间光伏出力高峰时，部分节点电压抬升超过1.06p.u.，已经越限；且倒送功率造成网损反而比方案一更高。方案三通过储能“低储高放”和燃气轮机的灵活调节，不仅电压全部压回0.95~1.05p.u.范围内，网损还比方案二降低了约12%，总运行成本也明显优于前两组方案。这些数字对论文来说都是非常有利的支撑材料。

从结果里我还会习惯性地看一个更微妙的经济信号——储能的套利行为是否合理。正常情况下，储能应尽量在低谷电价时段（比如凌晨1-5点）充电，在高峰电价时段（晚上19-22点）放电，形成“低买高卖”，降低总购电成本。如果调度结果里储能连续多天都在电价一样的时段充放电、看不出合理时序，那多半是模型出了问题。我会在下一节具体展开这类调试策略。

另外我还建议做一些敏感性分析，比如改变光伏渗透率（5%、10%、15%、20%、25%各跑一遍），看总成本和电压越限情况如何变化。这种分析成本很低（只改一个数据参数，其他代码不变），但能大幅提升论文的层次感。

5. 常见问题与调试经验速查

这个板块积累了我从零把这套模型跑通的真实经验，也是网上代码没法直接告诉你的“试错成本”。如果你是第一次接触这类模型，下面的内容建议逐条看。

5.1 求解器报“Infeasible Problem”怎么办？

这是出现频率最高的问题。看到“infeasible”先不要慌，它说明你的优化问题从数学上根本不存在可行解，一句话来说就是“约束太紧了”。排查思路按优先级排序：

• 第一步，检查储能SOC约束。SOC初值0.2、全天允许0.1~0.9，如果充放电功率上限太小，很可能在某个时段出现“必须充电却充不进去”的冲突。
• 第二步，检查电压约束。0.95~1.05p.u.这个范围在部分重负荷节点可能确实达不到，如果潮流无解，考虑适当放宽到0.93~1.07p.u.，看是否是拓扑结构所致。
• 第三步，检查DG出力上下限。光伏上限设成了预测值，但当预测值刚好是0时，别忘了还有“开工率”约束（装机容量×最低技术出力），如果光伏最低出力设得过高，可能直接导致午间功率无法平衡。

如果你用的求解器支持IIS（不可行性跟踪），比如Gurobi，在optimize之前加一行：

ops.gurobi.IISMethod = 1;

可以直接输出一组导致不可行的最小冲突约束集合，这会省下大把排查时间。我刚入行时就是靠这个功能从“对着几百行约束发呆”的状态中解脱出来的。

5.2 求解时间过长，怎么加速？

这个问题从我自己和不少朋友的经历来看，主要原因是“变量规模和约束矩阵写得太臃肿”。加速手段排优先级如下：

• 优先降低MIPGap：从默认的1e-4放宽到1e-2，求解时间一般能下降80%左右，对最终目标函数值的影响却大多在0.1%以内。
• 检查0-1变量的使用：若储能充放电状态本身可以靠“充放电效率不对称”来隐式保证（即同时充放电会亏损，最优解自然避免），那u_ch + u_dis ≤ 1这条约束可以删掉，直接减少24个0-1变量。
• 使用对称性破缺：如果两套DG参数完全相同，求解器会在“开A机组还是B机组”之间反复试探，浪费时间。用额外的约束如“A机组出力≥B机组出力”来打破这种对称冗余，速度提升明显。
• 并行计算：如果你要做多场景（比如蒙特卡洛抽样1000个场景），parfor并行循环比for快非常多。我第一次跑1000个场景时忘了开并行，等了两个小时；改成parfor后20多分钟就完事了。

5.3 结果出现“同时充电和放电”怎么办？

这是一个很经典的反直觉调试点。如果不加状态变量约束，求解器由于充放电损耗不对称的特性，有条件给出一个“既充电又放电”但我上面提过的那种方案。有两种解决办法：

• 一种方案：加上0-1变量约束u_ch + u_dis ≤ 1（但会增加求解难度）。
• 另一种方案：在目标函数里把充放电的功率都加上一个很小的正系数（等效“操作成本”），这样求解器在数学上就没有动机同时做两件事。

我现在通常直接采用第一种方案，因为模型的求解速度本来就已经很快了，没必要为了省一点变量去做投机取巧，论文写起来也要严谨一些。

5.4 潮流不收敛、电压波动异常

如果出现了电压越限且毫无规律的情况，大概率是两个原因：

• 数据单位不统一。阻抗用的是欧姆，功率用的却又是千瓦，标幺值就算错了。检查一遍单位，保证描述同一套物理世界的坐标轴一致。
• 分布式电源模型不对。光伏逆变器通常还发无功，如果模型里光伏只发有功、完全没有无功调节能力，仿真的电压分布会和实际情况有较大偏差。

5.5 我的SOP调试清单

最后送给所有准备自己跑代码的朋友，按照这个顺序调，至少能堵住80%的坑：

1. 先跑确定性系统：不加入任何随机性，先用标准配电网数据验证模型正确性。
2. 小规模测试：先用改造的3节点或5节点系统调通代码，再放大到33节点，减少不必要的变量来简化“对结果”的过程。
3. 分阶段测试：先固定第一阶段变量为合理值，只跑第二阶段，确认第二阶段的修正机制正常工作，再放松第一阶段变量做联合优化。
4. 对照验证：如果手上有Matpower，可以把优化后的最优潮流对应时刻拿来和Matpower的精确潮流对比一下，确认DistFlow线性化的误差在你的可接受范围内。
5. 做敏感性分析：对所有不确定参数（光伏预测误差、负荷波动幅度）做±20%的扫描测试，确保模型结果的稳定性。

6. 按这套模型，做完之后还能怎么扩展？

这套模型虽然叫“日前两阶段优化调度”，但其实它的框架完全可以往多个方向延伸。我给几个我亲自尝试过且效果不错的方向：

一是改为日内滚动优化：模型结构几乎不用大改，把时间轴从“一天24小时”缩短为“未来4小时、滚动更新”，每15分钟滚一次。这种模式在各种实时电价环境下特别适用。

二是接入更多类型的分布式资源：现在的模型是光伏加风电加储能，你也可以在此基础上加入电动汽车充放电桩，就变成“含V2G的配电网调度”。电动汽车本质上就是一个可移动的储能，把集合个模型的储能模块改成“车辆入网状态”即可。

三是加需求响应：把一部分可平移负荷从刚性负荷中分离出来，作为可调度资源。目标函数里加一个补偿费用项，约束里加一个“平移约束”（总用电量不变，只改变用电时段）。这一项可以非常显著地削峰填谷，做电网侧的规划与评估工作很适合加这种处理。

四是换用鲁棒优化或分布鲁棒优化：把第二阶段对这个预测场景的概念改成“所有可能场景中的最恶劣场景”，就可以规避预测误差带来的风险。这也是目前学术圈很关注的方向，框架和我上面用的两阶段结构非常接近。

我在实际做这套模型时最有感触的一点是：好模型不是一次性设计出来的，而是靠反复试错和细节修正磨出来的。最初跑出来的调度方案可能错得离谱——储能半夜一边充电一边放电、光伏午间被大量弃置、尾端节点电压飙到1.08——但每一次修正都让你更理解模型本身的物理逻辑。希望这篇文章能帮你少走一些我走过的弯路，特别是那些我已经用文字替你们标记清楚的坑，真的不要再踩一次了。跑通了之后，欢迎在社区里继续交流后续扩展场景的心得。