企业官网建设流程全解析

昨天一个师弟找我调微电网调度代码，他运气不错，电话里我一眼就看出了问题：储能的SOC递推公式方向搞反了，结果优化出来的策略是“越到晚上越充电，白天全在放电”，完全和分时电价对着干。这种事我见了不止一次。微电网最优调度，说白了就是给出一组第二天的负荷预测、光伏风电出力预测、设备参数和分时电价，用数学优化算出一份从零点到二十四点的设备出力计划：柴油机什么时候开、发多少，储能什么时候充电什么时候放电，电不够了从主网购多少，光伏发多了要不要卖给电网，让一整天的总运行费用最低。这套东西在电力系统里叫日前经济调度，是微电网能量管理系统（EMS）的核心模块。主流的做法就是MATLAB配YALMIP建模，再用CPLEX求解器去解。这篇文章我把完整思路、建模步骤、代码骨架和调试中经常踩的坑一次性讲清楚，适合刚接触微电网优化调度的研究生和工程师。

1. 调度问题到底在优化什么

1.1 目标函数：一天的钱怎么算

既然目标是“一天运行费用最小”，第一步就是把费用拆明白。拿一个典型微电网来说，日运行费用通常由四块构成。

第一块是柴油发电机（或者微型燃气轮机）的燃料费用。燃料费用一般和出力有关，工程上常用二次函数近似：

F_dg(t) = aP_dg(t)^2 + bP_dg(t) + c*u_dg(t)

其中u_dg(t)是开机状态，取0或1，c可以理解为空载油耗。注意，如果直接把这个二次函数丢给CPLEX，问题就从MILP变成了MIQP（混合整数二次规划），不是不能解，但明显会更慢。实际工程中更顺手的方法是分段线性化，或者像我后面例程里那样，直接简化为线性：燃料费用 = 斜率×出力 + 固定空载费用。单台小机组误差在可接受范围，求解速度却快很多。

第二块是向大电网购电的费用。某个时段如果微电网自己发的电不够，就要从主网购电，费用是购电量乘以该时段购电价。第三块是售电收益，光伏出力大、负荷又小的时候，多余电能卖给主网，收益可以抵扣成本。第四块是储能损耗折旧，虽然单个时段看着很小，但乘上365天就值得考虑。

日运行总费用写成一个离散和，每个时段算一次费用再加起来。决策变量是各时段出力、储能充放电功率、购售电功率。优化器要做的，就是在所有可行的出力组合里，找到让总费用最小的那一个。

1.2 微电网这个“家”都有哪些成员

先盘点微电网里的常见设备，建模的时候它们各有脾气。

光伏和风电是跟随天气走的，出力有预测值，但调度时允许“弃光”和“弃风”，也就是说实际投入使用的出力可以小于预测值。这给了优化器一定的灵活性，比如中午光伏大发、电价又低、储能也满了，宁可弃掉一部分也划算。

柴油发电机是最灵活的主动电源，想开就开、想停就停，但有最小技术出力限制，比如一台50kW的机组，你不能让它只发10kW。它还有爬坡约束，相邻两个时段之间出力变化不能太猛，这是机械本身的物理限制。你可以类比成开车，油门不能从零直接踩到底。

储能是全场的调节能手，但建模最麻烦。它的电量状态（SOC）是一个递推过程：这一小时结束时的电量等于上一个小时结束的电量加上充电量、减去放电量，还要折算充放电效率。充放电不能同时进行，这个约束必须显式写出来，否则优化器会钻空子：同一小时又充又放，白白制造损耗，结果还自以为很聪明。

和主电网的交互也要建模。联络线功率有上限，而且购电和售电不能同在一个时段发生，这部分常用0-1变量来控制。

这就是一个典型微电网调度模型的全部要素。剩下的事情，就是把这些要素用数学公式写清楚，再交给求解器。

2. 为什么是MATLAB+YALMIP+CPLEX这个组合

2.1 YALMIP是干什么的

刚接触这套技术栈的人最容易问的问题是：我直接写CPLEX的MATLAB接口不好吗，为什么中间还夹着一个YALMIP？

CPLEX确实提供MATLAB API，但它偏底层。如果要定义一大批变量、约束、目标函数，代码会很冗长。YALMIP是一个建模工具箱，来自瑞典学者Lofberg的开源项目。它的核心价值在于让你用接近数学公式的方式写优化模型：sdpvar定义连续变量，binvar定义0-1变量，约束直接写等式或不等式，最后调用optimize求解。YALMIP会自动把模型翻译成求解器需要的标准形式，调用底层求解器计算。

用YALMIP写微电网调度，最大的好处是代码和论文里的公式几乎一一对应，调试的时候能对照着看。另外你随时可以换求解器，同一个模型，把solver从cplex改成gurobi或cbc，几乎不用动其他代码。这意味着你不被某个商业求解器绑架。

2.2 CPLEX处理这类问题的优势

微电网调度问题在数学上是一个混合整数线性规划（MILP）。为什么会有“整数”？因为储能充放电状态的0-1、机组启停的0-1、网购电售电状态的0-1，都是整数变量。MILP的求解难度比单纯线性规划（LP）高得多，需要分支定界、割平面这些算法。

CPLEX是IBM的商业求解器，在MILP领域打磨了几十年，分支定界策略、启发式算法、预求解过程都很成熟。同样一个大规模调度问题，CPLEX通常比开源求解器CBC快很多，尤其当整数变量上百个的时候。学术版还可以免费申请，用学校邮箱下载IBM ILOG CPLEX Optimization Studio，对学生和科研人员非常友好。

纯用MATLAB自带linprog只支持连续变量，遇到储能互斥、机组启停这类0-1变量就无能为力了。所以这套组合的好处很清晰：YALMIP负责让建模“像人话”，CPLEX负责把“人话”变成高效计算，MATLAB负责写脚本、做数据处理、画结果图。

2.3 安装配置里最容易出问题的几个点

如果你是新机器，按这个顺序来基本不会出错。

先装MATLAB，版本不要太老，2020b以上比较省心。再装CPLEX，安装路径里不要有中文。重点来了：装完CPLEX之后，要在MATLAB里把CPLEX的MATLAB接口目录加到路径里。CPLEX安装目录下通常会有一个cplex/matlab目录，在MATLAB里运行：

addpath('D:\Program Files\IBM\ILOG\CPLEX_Studio221\cplex\matlab'); savepath;

不同版本路径不一样，但目标明确，就是要让MATLAB能找到cplexlink这个接口文件。然后是YALMIP，从GitHub下载或者官网下载，解压后把整个文件夹加到MATLAB路径。

配置完怎么验证？运行YALMIP自带检测命令：

yalmiptest

输出里能看到CPLEX是否被识别，状态是“ok”那就稳了。如果yalmiptest里CPLEX那一行显示Not found，先检查路径，再检查MATLAB是不是以管理员权限运行的。

有一条实际经验：如果你同时装了多个版本的CPLEX，MATLAB会加载路径里的那一个。这时候在sdpsettings里显式指定solver为cplex就没问题，但如果路径里有旧版接口，YALMIP可能报版本不匹配，常见错误是“Unrecognized function or variable 'cplexlink'”。解决办法是清理路径，只保留一个CPLEX接口目录。

3. 从数据到数学模型的完整建模流程

3.1 第一步：准备一套站得住脚的数据

调度模型不是凭空算的，输入数据必须齐全。一个典型的日前调度，需要以下几类数据。

负荷预测是24个小时的序列，单位kW。光伏和风电出力预测同样按小时给。这些数据来源可以是实际电网运行记录，也可以根据典型日曲线生成。如果你手头没有实际数据，一个合理的办法是参考论文里用的典型日曲线，或者按规律自己造：负荷在早晚出现两个高峰，光伏在中午最高、夜间为0，风电夜里略大。

分时电价也很关键。很多地方实行峰谷分时电价，购买电价在不同时段不一样。比如工业用户尖峰时段1.2元/kWh，平时段0.8元/kWh，谷时段0.4元/kWh。售电价通常按购电价的八折到九折算，因为电网要赚差价。

设备参数方面：柴油机有最大最小出力、爬坡速率、燃料成本系数；储能系统有容量、最大充放电功率、初始SOC、SOC上下限、充放电效率；联络线有最大交换功率。这些参数看起来琐碎，但任何一个填错，优化结果都会走样。我自己吃过一次亏是单位搞混，功率用了kW，能量用了kWh，时间步长又是1小时，看起来数值一样，实际上这里没有单位陷阱，真正危险的是时间步长改成15分钟之后，能量单位要乘以0.25，忘了换算的话SOC递推直接爆掉。

有个小技巧：调试阶段所有数据都用简单的整数，一眼能看出结果是否符合直觉。比如负荷恒定100kW，光伏恒定0，柴油机最小出力50kW，储能容量200kWh，电价峰谷分明，最优策略应当是谷段充电、峰段放电，柴油机在电价高峰顶上去。如果算出来不是这个规律，说明模型里肯定有错。

3.2 第二步：选择决策变量

决策变量是优化器可以自由调整的量。在微电网调度里，典型的决策变量包括：

• 柴油机每小时出力P_dg(t)，以及机组状态u_dg(t)
• 储能每小时充电功率P_ch(t)、放电功率P_dis(t)，以及互斥状态b_ch(t)、b_dis(t)
• 储能SOC能量E_SOC(t)
• 每小时从电网购电P_buy(t)、售电P_sell(t)及交互状态u_net(t)
• 光伏实际使用出力P_pv_use(t)、风电实际P_wt_use(t)

在YALMIP里，连续变量用sdpvar，0-1变量用binvar。为了方便，直接定义成行向量，时间维度在后面用循环展开。

关于SOC为什么要定义成T+1个点而不是T个：因为递推公式里，要从E_SOC(1)开始，每一步算出E_SOC(t+1)，最后需要T+1个状态点，其中E_SOC(1)是已知初始值，剩下的才是变量。这个细节非常容易疏忽。

3.3 第三步：把约束写成数学式子

约束条件按照功能分四组。

功率平衡约束是全场硬约束，每个时段都必须满足：

P_pv_use(t) + P_wt_use(t) + P_dg(t) + P_dis(t) + P_buy(t) = P_load(t) + P_ch(t) + P_sell(t)

等式左边是电源侧加流入方向，右边是负荷加充电和售电。为什么必须是等号？因为微电网和主网连接处的功率失配会导致频率波动，调度计划必须保证实时供需平衡。如果模型里写不等号，优化器很可能会利用这个“宽松度”少出力，结果不可用。

柴油机约束：出力要在最小技术出力和最大出力之间，只有开机状态才能出力：

P_dg_minu_dg(t) <= P_dg(t) <= P_dg_maxu_dg(t)

相邻时段还有爬坡约束：

-Ramp_down <= P_dg(t+1) - P_dg(t) <= Ramp_up

储能约束是重头戏。充放电功率各有上下限，并且受互斥状态控制：

0 <= P_ch(t) <= P_ch_max * b_ch(t) 0 <= P_dis(t) <= P_dis_max * b_dis(t) b_ch(t) + b_dis(t) <= 1

SOC递推是等号约束：

E_SOC(t+1) = E_SOC(t) + P_ch(t)*eta_ch - P_dis(t)/eta_dis

注意充电效率乘以充电量、放电效率除以放电量，两者不对称，这是不能省的细节。SOC整体还要在上下限之间：

SOC_min <= E_SOC(t) <= SOC_max

和主网的交互约束：购电和售电不能同时发生，且分别受联络线功率上限约束：

0 <= P_buy(t) <= P_net_max * u_net(t) 0 <= P_sell(t) <= P_net_max * (1 - u_net(t))

这组约束用u_net(t)=1表示购电，u_net(t)=0表示售电，两个条件互相排斥，非常经典。

3.4 第四步：明确求解目标并调用CPLEX

目标函数和约束都定义好之后，在YALMIP里用optimize(Constraints, Objective, ops)一行调用，指定solver为cplex。

ops = sdpsettings('solver', 'cplex', 'verbose', 2); ops.cplex.mip.tolerances.mipgap = 0.01; ops.cplex.mip.limits.timelimit = 120; sol = optimize(Constraints, Objective, ops);

mipgap表示允许的整数最优间隙，1%对工程调度完全够用，设成0也不是不行，只是会明显增加求解时间。120秒是时间上限，防止凌晨预测数据变化导致后台优化卡死。verbose=2让你能实时看到分支定界进度，排查问题很有用。

求解结束后还要检查状态：

if sol.problem == 0 disp('求解成功'); P_dg_opt = value(P_dg); else disp(sol.info); end

sol.problem == 0代表求解成功，其他返回值对应不同错误，后面排查章节会详细讲。

4. 一个能直接跑的完整例程

4.1 主程序骨架

下面给出一个最小可用例程。模型规模不大，24个时段，1台柴油机，1套储能，1条联络线。我故意把数据写得简单，方便你代入感性地理解。

%% 微电网日前经济调度 完整例程 % 使用 YALMIP + CPLEX % 时间分辨率：1小时；调度周期：24小时 clear; clc; close all; %% 1. 数据定义 T = 24; dt = 1; % 单位小时 % 负荷预测 (kW) P_load = [120 115 110 105 100 95 98 110 135 150 165 175 180 170 160 150 ... 155 160 170 165 155 145 135 125]; % 光伏预测 (kW) 白天有出力 P_pv = [0 0 0 0 0 0 10 45 90 130 160 175 170 150 120 80 40 5 0 0 0 0 0 0]; % 风电预测 (kW) 夜间略大 P_wt = [30 32 35 38 36 34 32 30 28 26 25 24 26 28 30 32 35 33 30 28 26 25 24 23]; % 分时电价 (元/kWh) price_buy = [0.4*ones(1,8), 0.8*ones(1,2), 1.2*ones(1,3), 0.8*ones(1,7), ... 1.2*ones(1,2), 0.8*ones(1,2)]; % 谷-平-尖-平-尖-平 price_sell = 0.85 * price_buy; %% 2. 设备参数 P_dg_max = 200; P_dg_min = 50; % 柴油机出力上下限 kW Ramp_dg = 60; % 爬坡限制 kW/h a_fuel = 0.55; c_fuel = 40; % 燃料成本系数：a*P + c*u B_rated = 400; % 储能额定容量 kWh S0 = 0.2 * B_rated; % 初始SOC能量 kWh S_min = 0.1 * B_rated; % SOC下限 S_max = 0.9 * B_rated; % SOC上限 P_b_max = 100; % 储能最大充放电功率 kW eta_ch = 0.95; eta_dis = 0.95; % 充放电效率 P_net_max = 500; % 联络线最大交换功率 kW %% 3. 决策变量 P_dg = sdpvar(1, T); u_dg = binvar(1, T); % 柴油机启停 P_buy = sdpvar(1, T); P_sell = sdpvar(1, T); u_net = binvar(1, T); % 1:购电 0:售电 P_ch = sdpvar(1, T); P_dis = sdpvar(1, T); b_ch = binvar(1, T); b_dis = binvar(1, T); E_SOC = sdpvar(1, T+1); % 注意T+1 P_pv_use = sdpvar(1, T); P_wt_use = sdpvar(1, T); %% 4. 约束条件 Constraints = []; % 功率平衡 Constraints = [Constraints, P_pv_use + P_wt_use + P_dg + P_dis + P_buy == ... P_load + P_ch + P_sell]; % 光伏和风电：可用量约束 Constraints = [Constraints, 0 <= P_pv_use <= P_pv]; Constraints = [Constraints, 0 <= P_wt_use <= P_wt]; % 柴油机 Constraints = [Constraints, P_dg_min*u_dg <= P_dg <= P_dg_max*u_dg]; for t = 1:T-1 Constraints = [Constraints, -Ramp_dg <= P_dg(t+1) - P_dg(t) <= Ramp_dg]; end % 储能充放电功率及互斥 Constraints = [Constraints, 0 <= P_ch <= P_b_max*b_ch]; Constraints = [Constraints, 0 <= P_dis <= P_b_max*b_dis]; Constraints = [Constraints, b_ch + b_dis <= 1]; % SOC递推 Constraints = [Constraints, E_SOC(1) == S0]; for t = 1:T Constraints = [Constraints, E_SOC(t+1) == E_SOC(t) + P_ch(t)*eta_ch - P_dis(t)/eta_dis]; end Constraints = [Constraints, S_min <= E_SOC <= S_max]; % 与主网交互 Constraints = [Constraints, 0 <= P_buy <= P_net_max*u_net]; Constraints = [Constraints, 0 <= P_sell <= P_net_max*(1-u_net)]; %% 5. 目标函数 Cost_fuel = sum(a_fuel*P_dg + c_fuel*u_dg); Cost_buy = sum(price_buy .* P_buy); Income_sell = sum(price_sell .* P_sell); Cost_battery = 0.01 * sum(P_ch + P_dis); % 电池损耗折算 Objective = Cost_fuel + Cost_buy - Income_sell + Cost_battery; %% 6. 求解 ops = sdpsettings('solver', 'cplex', 'verbose', 2); ops.cplex.mip.tolerances.mipgap = 0.01; ops.cplex.mip.limits.timelimit = 120; sol = optimize(Constraints, Objective, ops); if sol.problem == 0 P_dg_opt = value(P_dg); P_buy_opt = value(P_buy); P_sell_opt = value(P_sell); P_ch_opt = value(P_ch); P_dis_opt = value(P_dis); E_SOC_opt = value(E_SOC); P_pv_use_opt = value(P_pv_use); P_wt_use_opt = value(P_wt_use); disp(['最小日运行费用: ', num2str(value(Objective))]); else disp(sol.info); end %% 7. 结果可视化 figure; hold on; t = 1:T; bar(t, P_load', 'k', 'FaceAlpha', 0.2); bar(t, P_pv_use_opt', 'y'); bar(t, P_wt_use_opt', 'c'); bar(t, P_dg_opt', 'r'); bar(t, P_dis_opt', 'g'); bar(t, P_buy_opt', 'b'); legend('负荷','光伏实际','风电实际','柴油机','储能放电','网购电'); xlabel('时段(h)'); ylabel('功率(kW)'); title('微电网调度出力结果'); grid on;

4.2 代码里几个关键点的详细说明

先看E_SOC = sdpvar(1, T+1)这一行。我见过程序写法是定义成T个变量，结果循环到E_SOC(t+1)时直接越界报错。定义成T+1个，让E_SOC(1)存初始值，E_SOC(2)到E_SOC(25)分别对应第1到24小时结束时的电量，这样递推关系写起来顺且不丢状态。

再看充放电互斥约束。我用了b_ch + b_dis <= 1，这里其实是“弱互斥”：允许两个都为0，也就是储能既不充也不放，这符合物理事实。但是要小心边界情况：如果优化器发现“充电再放电”能创造收益，它会想方设法让两个二进制都为1，所以这个约束绝不能省。另一种更严谨的写法是用implies(b_ch, P_dis==0)，逻辑上等价，但实际调试中上面的写法更直观，也不会产生数值困难。

目标函数里Cost_battery = 0.01 * sum(P_ch + P_dis)是一个可选的折旧成本。它的作用不只是算钱，更重要的是抑制储能无意义的反复充放，让优化结果更符合电池寿命管理。实际项目可以根据电芯成本和循环寿命标定出每kWh损耗费用，一般几分钱，但不可缺少。

还有个细节：售电价price_sell = 0.85*price_buy，这会让优化器尽量少“低买高卖”，因为购售存在价差，套利空间被压缩，结果更符合真实电网规则。如果把售电价设成和购电价一样，优化器可能会在谷段大量购电、再同时段高价卖出形成无风险套利，这在模型上虽然可行，但在真实工程中电网侧不会允许。

4.3 结果怎么判断对不对

跑通程序之后，先别急着收工。把结果画出来，或者把关键数字打出来，按这几条规律肉眼检查。

储能SOC应当符合峰谷套利规律：谷时段充电，SOC上升；峰时段放电，SOC下降；一天结束时SOC不一定要回到初始值，但一般会落在允许范围内。柴油机出力和电价高相关：高峰时段负荷大、电价高，柴油机大概率满发或接近满发；低负荷夜间的谷段，柴油机可能直接停机。光伏和风电在模型里是“用满优先”，因为边际成本为零，只有在储能满、负荷小、售电又不划算的极端情况下才会弃光弃风。

我在调试时有一个习惯：先跑一个极端场景，比如把储能容量设为零，看柴油机和购电能不能撑着负荷；再把柴油机关掉重跑，看储能加新能源能不能撑住。这两个极端场景能暴露大部分约束错误。

5. 常见问题与排查技巧实录

5.1 求解器报错速查表

你大概率会遇到下面这几个问题，按表格里的思路排查，效率会高很多。

5.2 Infeasible，也就是“模型不可行”怎么查

这是新手最容易崩溃的情况。所谓不可行，就是约束集合没有任何解满足。排查思路最关键的一条：不要盯着整个模型看，要“拆”。

我会先把储能相关约束注释掉，只保留功率平衡和柴油机约束，看还有没有可行解。如果可行，问题大概率在储能；如果仍不可行，再检查功率平衡或者柴油机约束。这个二分排查法在模型稍微复杂一点后非常有用。

另一个高频原因是爬坡约束过紧。比如柴油机最小出力50kW，上一时段停机（P=0），下一时段要求出力100kW，爬坡上限60kW，那么从0直接跳到100就违反了爬坡约束。正确的做法是给爬坡约束也乘以状态变量，写成更精细的形式，不过简单例程里可以先放宽爬坡限值跑通，再逐步收紧。

还有一次我遇到的不可行是因为联络线功率上限设成了200kW，但某个时段的负荷加充电需求是600kW，光伏风电又弱，柴油机最大200kW，无论怎么组合都不够。这种问题往往是数据自相矛盾，检查数据比检查模型更快。

5.3 求解慢的真正原因和优化手段

微电网日调度模型不算大，24个时段一般几秒到几十秒就能解完。如果发现慢到几分钟还不出结果，通常有两个原因。

一是目标函数里有二次项。CPLEX对MIQP不是不能处理，但分支定界的效率会下降一个档次。解决思路是把二次燃料成本线性化。常用的方法是分段线性逼近：把出力范围切成几段，每一段用一个线性函数近似，用SOS2约束或者直接加0-1变量选择段。对工程调度来说，三段线性化已经足够精确。

二是整数变量过多。比如你给每台柴油机、储能、联络线都加了0-1变量，还加了启动变量、停机变量，24时段乘以5个机组就是120个0-1变量，复杂度指数级上涨。优化手段包括：把同一机组的启停和启动变量合并；用mipgap放宽最优性要求，1%的间隙很多时候够了；设时间上限，让求解器在限定时间内给出一个可行次优解。实际项目里最不该缺的就是这个时间上限，否则某天数据异常，后台优化进程一直占着CPU，整个EMS都被拖垮。

5.4 电池建模里那些“看起来对但实际错”的细节

铺开来总结，储能建模的坑集中在三个地方。

第一个坑是充放电方向。很多初学者把功率平衡写成P_buy + P_dg + P_pv = P_load + P_ch + P_dis，把放电也当成了负荷，结果储能放电越多，系统“缺电”越严重，优化器自然选择永远不放电。这里有一个万年不变的检查方法：看结果里SOC是不是会下降，SOC永远不掉，放电功率那一路十有八九写反了。

第二个坑是效率的方向。充电效率应该乘在充电功率上，放电效率应该除在放电功率上。有人统一乘效率，结果用充电效率去套放电过程，储能每放一次就“凭空多出”一些能量，虽然数值差别不大，但会导致调度结果轻轻松松赚钱，看起来很美，实际跑不下去。

第三个坑是SOC的边界约束忘了加。如果只约束递推，不约束SOC上下限，优化器可能把SOC算成负数，储能变成无底洞。别觉得这是低级错误，我见过不止一个程序因为少了S_min <= E_SOC <= S_max，仿真结果里电费为负，还兴奋了半天，以为是优化威力大。

6. 从简单例程到实际工程的扩展思路

6.1 把单日调度改成滚动优化

上面的例程是静态日前调度，一次性算好24小时计划。但真实微电网的负荷和新能源出力预测不可能完全准，所以实际EMS里更多采用滚动优化的方式。

典型做法是：每隔15分钟或1小时，用最新实测数据更新预测，重新求解一次未来若干小时的调度问题，只执行第一个时段的指令，到了下一个周期再滚动更新。这叫模型预测控制（MPC）思路。实现上不需要改太多代码，把数据结构改成滑动窗口、把初始SOC改成当前实测值就够了。

我建议刚上手的同学先把日前静态跑通，再改成滚动，两版代码对比着看，对“约束如何随时间平移”会理解得很深。

6.2 加入备用约束和不确定性

经济调度如果只追求费用最小，结果可能在突发情况下“太脆”。实际工程会在约束里加旋转备用：每个时段留出一定比例的备用容量，比如负荷的5%加上光伏出力的10%，确保一台机组跳机或云层遮住光伏时还能补上。

从模型上看就是增加不等式约束：所有可用机组最大出力之和 >= 负荷 + 备用需求。这种做法代价不大，但对系统安全性的提升非常明显。

再进一步，如果你要严格考虑光伏、负荷预测误差，问题就从确定性优化变成随机优化或鲁棒优化。常见框架是场景法：抽一批典型随机场景，每个场景对应一组平衡约束，目标是最小化期望费用。这个扩展会让模型规模成倍增加，但YALMIP仍然能表达，只是求解时间要关注。

6.3 我对这套技术栈的一点个人体会

调到今天，我的感受是：微电网调度模型本身并不复杂，复杂的是数据和工程细节。你花在排查SOC方向错误、单位换算、电价时段划分上的时间，可能比写代码本身还多。

最后再分享一个我自己的习惯：每跑出一个合理结果，会把这组数据存成baseline，后续改模型或改参数，都把新结果和baseline对比，看差异是否符合直觉。跑多了你会发现，优化问题“对不对”比“快不快”重要得多。同样的模型，拉长到96个时段、加入多台机组之后，才真正考验你对YALMIP的熟练程度和CPLEX参数调优的功底。先把这篇例程吃透，再往上走，你会顺利很多。