企业官网建设流程全解析

1. 别拍脑袋定储能容量，先把这笔经济账算明白

刚做微网规划那阵子，我最怕被业主问“储能装多大”。装小了，谷段充不满、峰段放不出，削峰填谷和新能源消纳都成了纸面功夫；装大了，设备趴窝晒太阳，投资回收期长到让人怀疑人生。后来在一个工业园区微网项目里，我系统地把混合整数规划用在了电池储能容量优化配置上，才真正把这个问题从“凭经验估算”变成了“可计算、可复现、可解释”的工程方法。

先说结论：储能容量的本质不是技术题，而是一道经济题。电池该装多大，取决于它在整个生命周期里能帮微网省下多少钱——省下的购电费、多赚的售电费、减少的变压器扩容费，减去它自己的投资和运维成本。这个平衡点靠直觉很难找，因为负荷曲线、光伏出力、峰谷电价、电池寿命这些因素互相耦合，牵一发而动全身。

我的做法是建一个混合整数规划模型，把“装多大容量的储能”变成“在约束条件下求总成本最小”的数学问题。决策变量里既有连续变量（每小时的充放电功率），也有0-1整数变量（储能是否处于充电状态），这就是“混合整数”的含义。这篇文章会把完整的建模思路、参数处理、代码骨架和实战踩过的坑都拆开讲，适合做微网前期方案、储能项目可研，或者正在写相关方向论文的读者。你照着这套方法走一遍，至少能产出一份拿得出手的容量论证报告，而不是被厂家销售的三寸不烂之舌牵着走。

2. 为什么普通线性规划搞不定储能配置

很多人会问：储能优化听起来就是个求解问题，为什么一定要用混合整数规划，普通的线性规划不行吗？这个问题问到点子上了。

2.1 充放电互斥：一道天然的非线性约束

储能系统最核心的运行特性就是“不能同时充电和放电”。这个要求用连续变量表达极其痛苦——你可以说某时刻充电功率为50kW，放电功率为0，但在数学上必须显式地表达“两个功率中至少有一个为零”的逻辑。线性规划处理不了这种“二选一”的逻辑关系，但混合整数规划可以。

做法是引入两个0-1变量：u_ch(t)表示t时段是否充电，u_dis(t)表示t时段是否放电。然后加上互斥约束：

u_ch(t) + u_dis(t) ≤ 1 P_ch(t) ≤ M * u_ch(t) P_dis(t) ≤ M * u_dis(t)

其中M是一个足够大的数。这套约束的意思是说：电池只能在“允许充电”和“允许放电”两个状态里选一个，哪怕选“都不动作”也可以。u_ch(t)和u_dis(t)就是整数变量，它们的存在让问题从纯连续优化跳到混合整数优化，这正是MIP登场的原因。

2.2 投资决策里天然存在整数变量

储能容量优化跟普通的调度优化还有一点不同：它要回答的是“装还是不装、装几台机组”这种离散问题。如果你要比较“配置1套250kW/500kWh的储能”和“配置2套150kW/300kWh的储能”，每套设备是否投运就是一个0-1变量。这种设备选型逻辑，也只有整数变量才能表达清楚。

2.3 那启发式算法和智能算法呢

有人可能会想：用粒子群、遗传算法这类智能优化算法行不行？行，但我个人不推荐把它作为主方法。智能算法的随机性太强，同样的参数跑两次结果可能不一样，而且它给不出“当前解离全局最优有多远”的量化信息。混合整数规划配上商用求解器，能给出最优性间隙（MIP Gap）——比如Gap=0.5%就说明当前解和证明下界的差距小于0.5%，这个指标在工程汇报里非常有说服力。业主问“你怎么证明这个方案是最好的”，你可以给出Gap数据，而不是说“靠算法经验”。

模拟退火、遗传算法更适合处理那种带强非线性、不连续、没法用标准数学表达的问题；而储能容量优化在物理建模层是高度线性的——功率平衡是线性的，SOC更新是线性的，成本计算也是线性的——线性结构就该用线性方法，硬上智能算法反而绕了远路。

3. 目标函数与约束条件：模型的完整数学骨架

这一节是全文的核心，我会把模型从目标函数到每条约束逐个拆开解释。为了让非数学背景的读者轻松看懂，每个公式后面都配一句大白话翻译。

3.1 目标函数：全生命周期角度下的总成本最小化

储能容量优化的目标，我建议统一写成“年综合费用最小”。这个思路最贴近工程决策：业主关心的不是某一天省了多少电费，而是这个项目一年下来净赚多少。目标函数包含四块：

• 储能投资的等年值成本
• 各时段从电网购电的费用
• 各时段向电网售电的收入（作为负项）
• 储能年运维费用

用数学表达式写出来：

min C = C_inv + C_om + Σ_t (c_buy(t) * P_buy(t) * Δt) - Σ_t (c_sell(t) * P_sell(t) * Δt)

C_inv是储能投资的等年值，C_om是年运维费，c_buy(t)和c_sell(t)分别是t时段的购电价和售电价，P_buy(t)和P_sell(t)是t时段从电网买入和售出的功率，Δt是时段长度。

3.2 投资成本折算成等年值：CRF的妙用

储能是一次性投资，但运行收益是逐年产生的，两者必须放到同一条时间轴上比较。这里用到资金回收系数（Capital Recovery Factor，CRF）：

C_inv = (c_E * E_rated + c_P * P_rated) * CRF CRF = r * (1 + r)^n / ((1 + r)^n - 1)

其中c_E是单位容量成本（元/kWh），E_rated是额定容量（kWh），c_P是单位功率成本（元/kW），P_rated是额定功率（kW），r是折现率，n是储能寿命年限。

举个例子：假设电池容量成本1200元/kWh，功率成本800元/kW，配置600kWh/300kW的储能，折现率8%，寿命10年。CRF约等于0.149，一次性投资是1200×600 + 800×300 = 540000 + 240000 = 780000元，折算到每年的投资成本就是780000×0.149 ≈ 116220元。这笔账算清楚，后面跟收益对比才有意义。

3.3 功率平衡约束：微网的物理基础

微网在任何时刻都必须满足功率平衡。以典型的“负荷+光伏+储能+电网交互”结构为例：

P_pv(t) + P_dis(t) + P_buy(t) = P_load(t) + P_ch(t) + P_sell(t)

每个符号都是t时刻的功率。这个约束没有商量余地——能量守恒是物理铁律，模型里必须逐时段强制满足。

3.4 储能SOC的动态递推约束

SOC（荷电状态）是储能运行的“记忆”，它的更新公式是：

SOC(t+1) = SOC(t) + (η_ch * P_ch(t) - P_dis(t) / η_dis) * Δt / E_rated

η_ch是充电效率，η_dis是放电效率。这个递推约束把不同时段的决策串成了一条时间链，也是储能“搬移电量”能力的核心体现——白天存进去的电，晚上才能放出来。有点像一个蓄水池，水位由进水和出水共同决定，而且进水效率和出水效率还不一样。

3.5 SOC上下限与充放电功率限值

为了延长电池寿命，SOC不能真的从0%用到100%，一般会设置运行窗口，比如20%到90%：

SOC_min ≤ SOC(t) ≤ SOC_max 0 ≤ P_ch(t) ≤ P_rated 0 ≤ P_dis(t) ≤ P_rated

第一组约束等于给电池画了条“软区间”——放电深度限制本质上是寿命约束，DOD越小循环寿命越长，但可用容量也变小了。工程上建议根据厂家的循环寿命曲线，反推出一个经济性较优的DOD区间。

3.6 电网交互功率限制与变压器容量

微网和配电网的交互功率受接入开关和变压器容量限制：

-P_grid_max ≤ P_buy(t) - P_sell(t) ≤ P_grid_max

这个约束的意义在于，储能优化结果不能导致微网从电网取用的功率超过物理允许值。很多项目做储能就是为了减少变压器扩容投资，这条约束正好把“变压器不扩容”这个前提变成可量化的限制条件。

3.7 周期性边界约束：防止“白嫖”能量

这是新手最容易漏掉的一条约束。如果模型不限定SOC(0)和SOC(T)的关系，求解器会玩一个把戏：让初始SOC充满，最后时刻SOC放到很低，等于凭空获得了一大笔“免费”的初始电量。这会让优化结果异常乐观。正确的做法是加周期性约束：

SOC(0) = SOC(T)

意思是每一天开始和结束时电池电量一致，储能只能通过削峰填谷赚取价差，而不能靠消耗初始电量获益。做全年规划时，可以把8760小时首尾相接，保证年终和年初SOC一致。

4. 参数整定是门手艺活：那些算不准的数据才是坑

模型结构再完美，参数错了结果全错。我这里把最容易出问题的几个参数单拎出来说，每个都是在项目里交过学费的。

4.1 负荷和光伏数据的“假精度”问题

有次我拿到一个项目的负荷数据，9200多个点，时间分辨率1小时，看起来挺完整。但实际运行曲线是15分钟级变化的，短时冲击负荷在1小时聚合中被磨平了，结果储能容量明显偏小，投运后峰段放电功率经常顶不上去。后来我改用15分钟数据重跑，最优容量比之前大出近20%。

时间分辨率建议：以15分钟为基准，至少也要30分钟。1小时数据可以用来做敏感性分析，但不要作为唯一依据。

光伏出力数据同样有这个问题。天气波动、云层遮挡会导致分钟级的光伏出力大幅波动。尤其在“光伏+储能”场景下，如果你用平滑的典型日曲线，储能配置结果会过于乐观，实际运行时储能会频繁充放，循环寿命消耗比预期快得多。

4.2 分时电价的分段理解

电价是储能收益的“发动机”。不同地区的分时电价差异巨大，有的地方峰谷价差能达到1.5元/kWh以上，有的地方只有0.4元/kWh。做优化前先把电价曲线的特征拆出来：

• 峰段持续几个小时？这决定储能最大放电时间需求
• 谷段出现在什么时段？这决定储能充电窗口是否充足
• 一天有几个峰？储能一天能不能完成两次充放循环？

有一点要提醒：**“两充两放”是很多储能方案宣传的卖点，但模型不会自动帮你实现两充两放。**能不能做到取决于峰谷时序和储能容量之间的配合。模型只会老老实实地在SOC约束和电价信号之间找最优解，如果峰段时间太长，电池放电时间不够覆盖整个峰段，模型会倾向放一部分、留一部分，收益自然打折。

4.3 储能成本参数的口径陷阱

储能成本参数口径混乱是行业顽疾。同样是“储能系统成本”，有的厂家报价是纯电池成本，有的是含PCS、BMS、集装箱、消防的一揽子交钥匙价格，两者可能差出一倍。我在模型里把成本拆成容量成本和功率成本两项：

• c_E（元/kWh）：电芯+PACK+BMS折旧，跟容量直接挂钩
• c_P（元/kW）：PCS+变压器+并网接口，跟功率直接挂钩

另外还有几项零碎但必要的费用：

• 年运维费率：一般取初始投资的1%-2%，折算到每年固定支出
• 电池更换成本：如果寿命期内需要更换电芯，需要按等年值摊进去
• 残值：寿命结束的回收价值，可以抵一部分成本

4.4 效率参数的测量与保守化处理

效率对储能经济性影响极其显著。一个往返效率90%的储能系统，充进去1kWh电量，放出来只有0.9kWh，这10%的损耗是需要真金白银买的。项目前期没有实测数据时，建议采用保守值：充电效率0.95、放电效率0.95（往返约90%）。如果供应商承诺往返效率95%以上，文件里必须有第三方检测报告支撑，否则别按这个数来。

5. 从模型到代码：求解工具选型与实现框架

模型搭好了，接下来是求解环节。在这个环节，工具选型、代码实现和求解策略各有讲究。

5.1 求解器怎么选：开源与商用怎么平衡

混合整数规划最主流的求解器是Gurobi和CPLEX，学术和工业界都用得多；开源方案里，COIN-OR的CBC和Google的OR-Tools也能解MIP，但大规模问题的求解效率和稳定性会差一些。个人经验是：

PuLP的好处是免费开源、模型表达直观；Gurobi的好处是工业级稳定、大规模求解不崩。如果你只是做课程设计或小规模算例，PuLP完全够用；如果是实际项目投标支撑，直接用Gurobi。

5.2 代码骨架：一个可以直接改成自己数据的MIP模型

下面这段代码用Python + PuLP实现一个典型日的储能容量优化。我把注释写得很细，你可以直接复制去改自己的数据。

import pulp as pl import numpy as np # ========== 输入参数 ========== T = 24 # 时段数，每小时一个点 dt = 1.0 # 时段长度，单位小时 # 负荷和光伏典型日数据（单位kW），实际用项目实测值替换 P_load = np.array([120,110,105,100,100,110,150,220,280,320, 350,340,330,320,380,390,370,360,340,320, 280,230,180,140]) P_pv = np.array([0,0,0,0,10,50,120,200,280,360, 420,450,430,380,300,180,80,20,0,0, 0,0,0,0]) # 分时电价：峰、平、谷三段，单位元/kWh price_buy = np.array([0.4]*8 + [0.8]*2 + [1.2]*2 + [0.8]*6 + [1.2]*4 + [0.8]*2) # 长度需为24 price_sell = price_buy * 0.8 # 售电价通常低于购电价 # 注意：上面price_buy的长度为24，但分段写法只是示意，请按实际分段调整 # 储能参数 P_rated_max = 500.0 # 额定功率上限（kW），用于约束变量范围 E_rated_max = 1000.0 # 额定容量上限（kWh） eta_ch = 0.95 # 充电效率 eta_dis = 0.95 # 放电效率 SOC_min = 0.2 # 荷电状态下限 SOC_max = 0.9 # 荷电状态上限 SOC_init = 0.5 # 初始荷电状态 # 成本参数 c_E = 1200.0 # 单位容量成本 元/kWh c_P = 800.0 # 单位功率成本 元/kW r = 0.08 # 折现率 n = 10.0 # 寿命年限 CRF = r * (1+r)**n / ((1+r)**n - 1) c_om_rate = 0.015 # 年运维费率（占初始投资比例） # ========== 建模 ========== prob = pl.LpProblem("Storage_Capacity_Optimization", pl.LpMinimize) # 决策变量：储能额定功率和额定容量 P_rated = pl.LpVariable("P_rated", lowBound=0, upBound=P_rated_max) E_rated = pl.LpVariable("E_rated", lowBound=0, upBound=E_rated_max) # 决策变量：各时段充放电功率、购售电功率、SOC P_ch = {t: pl.LpVariable(f"P_ch_{t}", lowBound=0, upBound=P_rated_max) for t in range(T)} P_dis = {t: pl.LpVariable(f"P_dis_{t}", lowBound=0, upBound=P_rated_max) for t in range(T)} P_buy = {t: pl.LpVariable(f"P_buy_{t}", lowBound=0) for t in range(T)} P_sell = {t: pl.LpVariable(f"P_sell_{t}", lowBound=0) for t in range(T)} SOC = {t: pl.LpVariable(f"SOC_{t}", lowBound=SOC_min, upBound=SOC_max) for t in range(T)} # 0-1变量：充放电状态互斥 u_ch = {t: pl.LpVariable(f"u_ch_{t}", cat="Binary") for t in range(T)} u_dis = {t: pl.LpVariable(f"u_dis_{t}", cat="Binary") for t in range(T)} # 大M常数：取2倍功率上限即可 M = 2 * P_rated_max # ========== 目标函数 ========== inv_cost = (c_E * E_rated + c_P * P_rated) * CRF om_cost = c_om_rate * (c_E * E_rated + c_P * P_rated) energy_cost = pl.lpSum(price_buy[t] * P_buy[t] * dt - price_sell[t] * P_sell[t] * dt for t in range(T)) prob += inv_cost + om_cost + energy_cost # ========== 约束条件 ========== for t in range(T): # 功率平衡 prob += P_pv[t] + P_dis[t] + P_buy[t] == P_load[t] + P_ch[t] + P_sell[t] # 充放电功率不得超过额定功率 prob += P_ch[t] <= P_rated prob += P_dis[t] <= P_rated # 充放电互斥 prob += u_ch[t] + u_dis[t] <= 1 prob += P_ch[t] <= M * u_ch[t] prob += P_dis[t] <= M * u_dis[t] # SOC递推，注意首时段用初始SOC for t in range(T): if t == 0: prob += SOC[t] == SOC_init + (eta_ch * P_ch[t] - P_dis[t] / eta_dis) * dt / E_rated else: prob += SOC[t] == SOC[t-1] + (eta_ch * P_ch[t] - P_dis[t] / eta_dis) * dt / E_rated # 周期性约束：其实应该让SOC[T-1]回到SOC_init prob += SOC[T-1] == SOC_init # 电网交互功率上限（比如变压器限制） P_grid_max = 500.0 for t in range(T): prob += P_buy[t] - P_sell[t] <= P_grid_max prob += P_buy[t] - P_sell[t] >= -P_grid_max # ========== 求解 ========== prob.solve(pl.PULP_CBC_CMD(msg=True)) print("求解状态:", pl.LpStatus[prob.status]) print("最优额定功率 P_rated = %.1f kW" % pl.value(P_rated)) print("最优额定容量 E_rated = %.1f kWh" % pl.value(E_rated)) print("年综合费用 = %.0f 元" % pl.value(prob.objective))

这段代码虽然只覆盖了典型日，但结构已经完整了。做全年优化时，把T从24改成8760，Δt改成1，生成全年负荷和光伏序列即可。不过要注意，全年8760个时段加上互斥0-1变量，问题规模会迅速膨胀，这时候就体现出Gurobi这类商用求解器的价值了。

5.3 求解策略：MIP Gap、时间预算和热启动

工程上没必要追求“证明全局最优”，那在大型MIP问题里可能耗时数小时甚至数天。我的经验是设两个参数：

• MIP Gap阈值设为0.5%或1%：求解器在找到一个可行解后，会继续收紧最优解的上界。当上下界差距小于阈值时，就可以认为当前解已经足够好。
• 时间预算设为10~30分钟：超过预算就用当前最优可行解。实际微网项目的收益偏差只要控制在1%以内，影响完全可接受。

全年8760小时的MIP在Gurobi里直接求解可能比较吃力。一个实用的降维手段是：先按季节或典型场景聚类（夏季工作日、夏季休息日、冬季工作日、冬季休息日、过渡季），每个场景单独做24小时优化，最后按天数加权汇总全年费用。这样问题规模直接缩小到原来的1/365，而且工程精度完全够用。做容量优化不是做短期调度，不需要精确到每一个小时的实际运行情况。

6. 算例复盘：从优化结果到工程决策

光有模型和代码还不够，我拿一个典型工业微网项目的数据走一遍完整流程，把从优化结果到工程决策的思考过程还原出来。

6.1 基础数据与场景设定

项目背景是一个汽车零部件园区，峰值负荷约1200kW，日用电量约1.5万kWh。屋顶光伏规划装机800kWp，政策允许“自发自用、余电上网”。园区变压器容量1250kVA，过载空间很小。分时电价采用峰平谷三段：峰段（10:00-12:00、18:00-22:00）电价1.2元/kWh，平段0.8元/kWh，谷段（00:00-08:00）0.4元/kWh。储能选择磷酸铁锂方案，系统报价约1200元/kWh（含PCS和BMS），PCS功率成本约800元/kW，设计寿命10年，折现率8%。

6.2 优化结果与三种配置方案的对比

用典型日数据跑完模型，得到的最优配置是额定功率300kW、额定容量600kWh。为了让结论更扎实，我把这个结果跟几种常见选型方案做了对比。

数据告诉我们两个关键事实：

• 储能不是越大越好。800kWh方案的年综合费用反而高于600kWh方案，因为多出来的容量在大部分时段用不上，投资成本却实打实增加了。
• 经验公式跟优化结果的差距在20%左右。这个案例里“按光伏装机30%配储能”的方案少配了20%的功率和容量，年节省的电费缩水了40%（从20万掉到12万）。差距就是优化配置的价值。

进一步看最优方案中储能的运行特征：谷段（00:00-08:00）充电，功率基本贴着300kW上限跑，8小时能充入约2280kWh，扣除损耗后实际转移约2050kWh到峰段和平段。峰段放电功率300kW，但因为峰段有4小时，储能并不能完全覆盖整个峰段，只放2小时左右就需要降功率或转为平段放电。这个细节说明：在峰谷价差场景下，储能最优时长（E/P比）不是固定的2小时或4小时，而是由峰段时长和SOC约束共同决定的——本例最优E/P比约为2:1，即600kWh/300kW。

6.3 全年尺度上的校核

典型日优化只能作为初步结果。我把这个配置放到全年数据里做了校核——按春夏秋冬四季各取典型工作日/休息日，一共8个场景做加权汇总，验证全年收益是否与典型日外推一致。结果发现：夏季工作日光伏出力高、空调负荷大，峰段电价时段的放电需求会增加，600kWh容量刚好够用；过渡季负荷轻，储能收益略降。全年的综合收益约为典型日的85%左右，这就是为什么算投资回收期时不能用“全年365天都按典型日收益”这种乐观算法。

7. 灵敏度分析：搞清楚哪些参数是撬动最优解的支点

模型的输出不是一个固定数字，它应该是一个“随参数变化的响应面”。做灵敏度分析，就是搞清楚哪些参数轻微变化会让最优解剧烈变化，哪些参数变化了也无所谓。这决定了项目前期该把精力花在数据调研的哪个环节。

7.1 储能单位成本：最敏感的支点

我把储能容量成本从1200元/kWh逐步降到800元/kWh，步长100元，其他条件不变。结果变化非常明显：

趋势很清楚：电池成本每下降100元/kWh，最优容量大约增加70~100kWh。这说明如果项目决策期内储能成本处于快速下降通道，现在“不值得装”的园区可能再过一两年就变得“很值得装”。反过来，如果投标厂家报价虚高，你也能用这张表直接指出价格不敏感区间，给商务谈判提供依据。

7.2 峰谷价差：收益天花板的核心驱动

峰谷价差是储能收益的另一根支柱。我把峰段电价从1.2元/kWh调整到0.8元/kWh，谷段保持0.4元/kWh（价差从0.8元缩小到0.4元），重跑模型：

价差低于0.3元/kWh时，最优解直接是“不装储能”。这条曲线对项目决策有个重要指导意义：如果园区所在省份的峰谷价差政策不稳定（比如存在调整预期），务必做价差下限情景测试。价差从0.8降到0.6，最优容量缩水20%，投资回收期相应拉长——这个风险在可研报告里不能忽略。

7.3 光伏渗透率与网点约束的影响

光伏装机从800kW提到1200kW后，午间光伏出力可能超过负荷需求，形成“倒送”现象。此时储能的角色从“峰谷套利”扩展为“光伏平移”——把午间用不完的光伏电量存起来，留到晚峰时段释放。模型里我加了“禁止弃光”的约束后，最优容量从600kWh涨到了750kWh。这说明一个更宏观的结论：**储能容量配置不仅是储能自身的经济问题，更是整个微网对电源侧波动的缓冲需求问题。**如果微网允许合理弃光（弃光率控制在5%以内），储能容量可以适当减少，节省的投资额需要跟多弃的电量价值进行比较。

8. 实战中的五个“坑”与应对建议

模型、代码、算例都讲完了，最后把我在实际项目里踩过的坑集中盘点一下。这些细节单独拿出来都不显眼，但任何一个都可能让优化结果失真。

8.1 时间分辨率：1小时数据低估储能需求

前面提到过，1小时聚合数据会磨平短时功率波动。在配置储能容量时，这种磨平会带来系统性偏差。建议双轨对比：先用1小时数据快速得到初始解，再用15分钟数据校核。如果两者差距超过15%，以15分钟结果为准。实际项目中，这一步能避免至少一次的“储能容量不够用”事故。

8.2 SOC初值与周期性约束：堵住白嫖能量的漏洞

我见过不少初版模型没加SOC(0)=SOC(T)的约束，优化结果里储能容量虚高，收益虚增一大截。本质原因是模型把电池的初始电量当成了“免费的初始资产”，通过一次性释放来赚取价差。记得加上周期性约束，并且对全年模型，要让最后一天的SOC等于第一天的初始值。这个小改动往往会让最优容量下降20%~30%，更接近实际可运行的方案。

8.3 大M参数的取值：数值稳定性杀手

大M法里的M取值很讲究。M太小会被截断，比如实际充电功率400kW，M设成300，约束P_ch <= M*u_ch就会把充电功率限制在300以内；M太大会导致数值病态，求解器内部矩阵条件数恶化，求解时间大幅度增加，甚至出现精度灾难。我的经验是：M取相关变量上限的1.5~2倍。比如P_rated上限500kW，M取1000就够了。如果你的模型有多个互斥约束组，尽量让每个M都贴合对应的功率上限，不要全用同一个大M。

8.4 求解超时的应急方案：多场景轮替

全年8760小时、0-1变量几千个，即使Gurobi也未必能在可接受的时间内收敛。我常用的应急流程是：

1. 先用24小时典型日模型求出初步容量。
2. 固定这个容量，转成纯线性规划（LP），跑全年8760小时的运行模拟，得到精确的收益估算。
3. 根据收益结果微调容量，再跑一轮典型日MIP核对边界。
4. 如果MIP在10分钟内Gap没有低于1%，就接受当前解，不再死等。

这套“MIP定容+LP校核收益”的混合流程，在多个项目里都验证过，效率和精度表现都不错。

8.5 结果验证：用极端场景做鲁棒性检验

最优容量是建立在典型场景上的，但实际运行会遇到非常规天气——连续阴雨天光伏出力腰斩、极端高温负荷跳涨、节假日负荷骤降。我的做法是额外构建三个极端场景跑校核：

• 连续阴雨3天+光伏出力降到20%
• 夏季极端高温日+负荷比典型日高15%
• 春节假期+负荷仅为正常工作日的30%

如果这三种场景下储能配置仍能保证微网供电可靠性和基本经济性，就可以认为结果具备足够的鲁棒性。如果某个场景下储能严重不足或大量闲置，就需要返回去调整约束条件或加入场景权重系数，而不是直接采用典型日的最优解。

整套方法走下来，我最有感触的一点是：储能容量优化配置的难点其实不在数学求解，数学部分很成熟了；难的是把工程约束、经济约束、运行约束准确翻译成模型语言，以及把模型结果翻译回工程决策。混合整数规划在这里扮演的角色，更像一个“极其较真的财务测算师”——它逼着我们把每一笔账都算清楚，把每一种运行约束都摆上台面，最后给出的不是一个拍脑袋的数字，而是一套有边界、有假设、可追溯的论证链条。希望这篇梳理能让你少走些弯路，把精力真正花在数据质量和方案解读上。