企业官网建设流程全解析

接到冷热电多微网系统双层优化配置仿真这类需求，我最直接的感受是：模型公式大家都看得懂，真正把人卡住的是MATLAB代码里上层规划和下层调度互相缠绕、变量满天飞、一跑就是半小时还报一堆看不懂的错。这个课题我完整做过一轮之后，才把冷热电多微网从物理边界、双层模型设计、代码组织到结果分析这条线彻底理顺。这篇文章就把整个过程拆开来讲，重点说清楚双层优化配置为什么这么设计、仿真代码应该怎么组织、储能电站服务在系统里到底扮演什么角色，以及调试过程中那些不翻文档根本踩不到的坑。如果你正在做综合能源系统规划、微电网容量配置、储能电站优化调度的课程设计或课题研究，这篇文章应该能帮你省下两到三周的摸索时间。

1. 先把系统看清楚：冷热电多微网到底在优化什么

1.1 从单微网到多微网：邻居之间互借余电

传统的微电网研究大多聚焦在单个园区或者单个社区，自己发电、自己储能、自己用电，跟大电网只有一条公共连接点。单微网最大的问题是冗余度差——你这边光伏大发但负荷低谷，电只能低价卖给电网；隔壁微网正好缺电，却要高价从电网买。这就像楼上楼下邻居，一个吃不完倒掉，一个饿着肚子点外卖，完全没有互相调剂的概念。

多微网系统就是打破这种孤岛思维。多个微网通过联络线连在一起，电、热、冷能量可以跨微网互济。某个微网燃气轮机余热用不完，可以通过热网输给旁边的商业园区；某个微网光伏出力富余，可以通过联络线给工业微网供电。这样做的好处是整体能源利用效率明显提升，系统对单点故障的承受能力也更强。

在冷热电多微网里，每个微网通常配备冷热电联供单元（CCHP），核心设备包括燃气轮机或内燃机发电、余热回收装置供热、吸收式制冷机供冷。发电后的高温烟气不直接排掉，而是通过余热锅炉和溴化锂机组回收，用于采暖和生活热水，夏天则驱动吸收式制冷提供空调冷水。这个能量梯级利用过程是冷热电联供的灵魂——天然气燃烧后先发电，再把“废热”变废为宝。

储能设备在这个系统里是调节枢纽。电储能（锂电池或者液流电池）负责平抑电力波动，蓄热罐把富余热能以热水形式存起来，蓄冷装置在夜间谷电时段制冰或制冷水，白天峰时放冷。冷热电三种储能配合，才能真正实现“源-网-荷-储”的协调运行。我在仿真中发现，很多同学把电储能模型建得很细，却把蓄热罐当成一个简单的能量块，导致结果偏离实际，后面章节我会专门说这个坑。

1.2 为什么必须“双层”而不是“单层”一把梭

刚接触这个题目的人最容易问：既然有总目标，把所有变量放进一个模型统一优化不就行了？理论上可以，但实际问题出在时间尺度上。

设备容量配置是长期规划决策，关注的是“未来二十年我该装多大的燃气轮机、配多少储能”，属于年尺度问题；运行调度是短期决策，关注的是“当下这个时刻每台机组出多少电”，属于小时尺度问题。两层问题叠在一起，优化变量不仅包含容量连续变量、设备建设0-1变量，还包含每日每小时的出力变量、储能充放电变量、联络线交换功率变量，规模瞬间爆炸。

更重要的是逻辑关系。规划层决定了系统“能装多少”，运行层决定了这些设备“怎么用”。如果把这两层揉成一个大单层模型，整年度运行约束全部展开，模型规模和求解难度都会失控，而且在商业求解器里大概率陷入数值病态。

双层优化配置的思路是把问题拆成上下两层，各管一段。上层负责投资规划，把设备容量送给下层；下层收到容量参数后，以日运行成本最小为目标做调度优化，把运行成本反馈给上层；上层根据反馈结果再调整容量配置方案，反复迭代直到收敛。

我用一个比较形象的类比来解释：上层是装修公司老板，决定给房子装多大功率的空调外机；下层是住户，根据外机容量决定每天开多少度电。老板不知道住户真实用电习惯，装大了浪费初投资，装小了运行费用高得离谱。所以老板只能先定一台试运行，根据住户的月度电费账单调整外机方案。双层优化就是这么个“先试错、再修正”的决策过程。

2. 双层优化配置模型怎么搭：从能流关系到数学表达

2.1 能源集线器视角：一台机器吃进天然气，吐出电热冷

冷热电多微网建模，我强烈建议从能源集线器（Energy Hub）的角度入手。什么意思呢？把每个微网看成一个多输入多输出的转换器，输入侧是天然气、电网购电、光伏风电出力，输出侧是电负荷、热负荷、冷负荷。中间是各种转换设备和储能装置。

这样做的好处有两点。第一，能流关系清楚，方便校核能量守恒；第二，写成数学表达式时，约束条件结构一致，不会东一个变量西一个公式。

以典型微网为例，输入侧变量包括：从电网购买的电功率、从外部气网购得的天然气流量、光伏预测出力、风机预测出力。输出侧变量是三类负荷的实际供给量。中间经过燃气轮机发电、余热回收、吸收式制冷、电制冷、电锅炉补热、电储能充放、蓄热罐充放、蓄冷装置充放等环节。

冷热电三种能量平衡方程是整个模型的地基。电功率平衡约束要保证任意时刻发电量加购电量加储能放电量加多微网输入功率等于电负荷加储能充电量加电制冷耗电加电锅炉耗电。热功率平衡同样，冷功率平衡同样。很多代码跑出来的结果负得离谱，多半是这几个平衡方程里哪一项被漏掉了。

2.2 上层规划模型：年综合成本最小化

上层优化配置模型的目标函数是年综合成本最小，主要包括设备投资等年值成本、年运行维护成本、年购能成本、碳排放成本四项。注意投资成本不能直接把设备单价乘以容量，因为设备寿命长达十五到二十年，必须用资金回收系数做等年值折算。

资金回收系数的计算公式是CRF = r(1+r)^n / ((1+r)^n - 1)，其中r是贴现率，n是设备寿命。举个具体的数：贴现率取8%，储能寿命10年，CRF≈0.149，也就是说一个造价500万元的储能系统，每年投资分摊成本约74.5万元。很多初学者直接拿500万参与年费用计算，结果配置出来的储能容量明显偏大，就是因为没做等年值化处理。

上层决策变量包括：各微网燃气轮机额定容量、电储能额定容量与额定功率、蓄热罐容量、蓄冷装置容量、光伏与风机装机容量、联络线容量。约束条件包括设备容量上下限、微网占地面积或屋顶面积限制、年碳排放上限、总投资预算上限等。

在MATLAB里，上层变量我推荐用结构体数组封装，每个微网一个结构体，内部字段分别存各类设备容量。这样后续传给下层函数时接口清晰，不用一堆全局变量满天飞。这个设计习惯救了我好几次，尤其是做多微网扩展到五个微网的时候。

2.3 下层运行调度模型：典型日运行成本最低

下层模型做的是在给定设备容量下，针对典型日（或典型周）逐时段的运行优化，目标函数是典型日运行成本乘以年运行天数，再考虑季节差异。简化处理时选冬季典型日、夏季典型日、过渡季典型日各若干天，加权合并成全年运行成本。

运行成本主要包括：向电网购电费用、天然气购气费用、设备运维成本。售电收入按上网电价从购电费用中扣除。这部分模型是典型的混合整数线性规划，因为储能充放电状态需要0-1变量，机组启停也可能需要0-1变量。

约束条件包括：电热冷功率平衡约束、机组出力上下限与爬坡约束、储能SOC递推方程与容量约束、联络线传输功率约束、与大电网交换功率约束。储能SOC递推公式是S(t+1) = S(t) + η_ch·P_ch(t)·Δt - P_dis(t)·Δt/η_dis，注意充放电效率不能合并成一个值，否则冬夏两个方向上的能量损失算不准。

我在实际建模中把下层做成一个独立的函数，输入是设备容量参数、典型日负荷曲线、能源价格曲线，输出是该典型日逐时段优化结果和日运行成本。这个函数内部用YALMIP建模，搭配Gurobi或CPLEX求解器求解。上层迭代时反复调用这个函数，所以函数效率直接决定整个仿真的速度。

2.4 上下层耦合关系：容量参数怎么影响运行约束

双层模型最关键的是搞清上下层如何耦合。上层输出的设备容量会直接出现在下层模型的约束右侧或约束系数中。比如燃气轮机额定容量是P_max，下层调度中机组出力必须满足0 ≤ P_gt(t) ≤ P_max；储能容量上限同理。

这种耦合关系意味着，下层的可行域完全由上层决策决定。如果上层配置的容量过小，下层无论怎么优化都满足不了负荷，只能依赖大量购电，运行成本飙升；如果配置过大，运行成本确实降下来了，但投资成本高到无法接受。双层优化的本质就是在这两条曲线之间找到一个平衡点。

我建议先把下层调度函数单独调通。给定一组固定的容量，跑一个典型日，看看功率平衡和SOC曲线是不是合理。下层靠谱了，上层迭代才有意义。很多项目卡壳是因为下层模型本身有错误，上层再怎么调也救不回来。

3. MATLAB仿真实现：从环境配置到核心代码拆解

3.1 环境准备与工具链选择

MATLAB版本我用的R2023a，版本本身对这个问题影响不大，重点是把工具箱装全。最核心的是YALMIP优化建模工具箱，它是MATLAB和商业求解器之间的翻译层，写数学约束非常方便。求解器推荐Gurobi或CPLEX，混合整数线性规划的求解性能比MATLAB自带的intlinprog强不少。如果你只有MATLAB基础工具箱，也可以用intlinprog先跑通逻辑，但微网数超过两个、时间段超过24小时之后，求解速度会让你怀疑人生。

网上经常能搜到“MATLAB 2026b下载”或者“某个镜像怎么配”的内容。我的建议是别折腾版本，把时间花在YALMIP和求解器的配置上。YALMIP的安装就是把压缩包解压后添加到MATLAB路径，然后在命令行输入yalmiptest做自检，看到输出一系列测试通过就说明环境就绪。求解器需要单独安装并配置许可证，Gurobi对学术用户有免费许可证，申请流程走官方渠道就行。

3.2 代码架构：用类把上层和下层隔离开

写这类仿真项目，我最怕的就是把所有代码堆在一个脚本里跑。变量一多，命名冲突和调试成本高到崩溃。我采用的架构是“上层主程序 + 设备参数类 + 下层调度函数 + 结果可视化模块”四件套。

设备参数可以用MATLAB的classdef定义一个类，字段包括微网数量、各设备效率、容量上下限、价格曲线、负荷数据路径等。类的构造函数负责加载基础数据并做单位校验。这样上层主程序在生成初始粒子群的时候，只需要调用这个类的实例，所有参数自动带上，不会出现某个函数里少传一个参数导致运行结果失真。

我实际测试过，面向对象封装之后代码量反而比纯脚本少，因为重复的参数传递逻辑被封装在类里。即使你不太熟悉MATLAB的OOP语法，也建议用结构体数组模拟同样的效果，至少保证输入输出接口明确。

3.3 双层求解策略：粒子群套混合整数规划

双层模型求解目前主流有两种路线。第一种是上下层交替迭代法，上层用启发式算法如粒子群或遗传算法更新容量方案，下层调用求解器做运行优化，把运行成本返回给上层做适应度评估。第二种是KKT条件单层化，把下层优化问题用KKT条件替换，将双层问题转化为含互补约束的单层问题，然后一次性求解。

我实际采用的方法是第一种的改进版，原因很简单：KKT单层化对初学者来说太容易出数值问题，而且互补约束的非凸性处理非常麻烦，在MATLAB里用YALMIP也不太好直接表达。交替迭代法的优势是模块清晰，下层调度函数可以独立测试，下层算得快的话整体效率可以接受。

粒子群参数我一般设置种群数量30、迭代次数30，收敛判据设为连续五代最优适应度变化小于0.1%。对于每个粒子代表的容量方案，调用下层调度函数计算综合成本时，需要对冬季、夏季、过渡季三组典型日分别做优化，再按天数加权求和。这个计算量不算小，所以我强烈建议做典型日聚类，而不是把全年8760小时全部跑一遍。

3.4 核心代码片段：下层调度函数怎么组织

下层调度函数是整个仿真中复用率最高的部分，也是我调试时间最多的地方。这里给出一个简化但完整的代码框架：

function [dailyCost, details] = runDispatch(cap, scenario, params) % cap结构体包含燃气轮机容量、储能容量、蓄热罐容量等 % scenario结构体包含24小时电/热/冷负荷、光伏出力和电价气价 yalmip('clear'); nT = 24; % 决策变量定义 P_gt = sdpvar(nT, 1); % 燃气轮机发电功率 P_eb = sdpvar(nT, 1); % 电锅炉功率 P_ec = sdpvar(nT, 1); % 电制冷功率 P_buy = sdpvar(nT, 1); % 向电网购电 P_sell = sdpvar(nT, 1); % 向电网售电 P_ch = sdpvar(nT, 1); % 电储能充电 P_dis = sdpvar(nT, 1); % 电储能放电 SOC = sdpvar(nT+1, 1); % 电储能SOC，注意有个初始状态节点 u_ch = binvar(nT, 1); % 充电状态标志 u_dis = binvar(nT, 1); % 放电状态标志 % 约束条件 Constraints = []; % 电功率平衡 Constraints = [Constraints, ... P_gt + P_buy + P_dis + scenario.P_pv <= ... scenario.load_e + P_eb + P_ec + P_ch + P_sell]; % 储能SOC递推 Constraints = [Constraints, ... SOC(2:end) == SOC(1:end-1) + ... params.eta_ch * P_ch - P_dis / params.eta_dis]; % 储能容量限制 Constraints = [Constraints, ... 0 <= SOC <= cap.E_storage, ... 0 <= P_ch <= cap.P_storage * u_ch, ... 0 <= P_dis <= cap.P_storage * u_dis, ... u_ch + u_dis <= 1]; % 燃气轮机出力与热回收 Constraints = [Constraints, ... 0 <= P_gt <= cap.P_gt, ... Q_recover == P_gt * params.eta_hr]; % 冷热平衡约束，这里以热平衡为例 Constraints = [Constraints, ... Q_recover + params.eta_eb * P_eb + Q_dis_tank ... <= scenario.load_h + Q_ch_tank]; % 目标函数：购电成本 + 购气成本 + 运维成本 - 售电收入 Objective = ... sum(price_e .* (P_buy - P_sell)) + ... sum(price_gas .* P_gt / params.eta_gt) + ... sum(k_om_gt .* P_gt) + sum(k_om_st .* (P_ch + P_dis)); % 求解 options = sdpsettings('solver', 'gurobi', 'verbose', 0); sol = optimize(Constraints, Objective, options); if sol.problem ~= 0 warning('下层调度求解失败: %s', sol.info); dailyCost = 1e8; details = []; return; end dailyCost = value(Objective); details.P_gt = value(P_gt); details.SOC = value(SOC(2:end)); % 其余字段依葫芦画瓢 end

这个框架有几个细节值得注意。第一，SOC变量我定义成nT+1个节点，而不是nT个，这样初值SOC(1)可以单独给定，避免递推方程在时序上错位。第二，充放电标志变量用了互斥约束u_ch + u_dis <= 1，直接防止同时充放电的荒谬结果。第三，当求解器返回非成功状态时立即返回一个超大惩罚成本，避免上层粒子群把失败解当成“极优解”，这是我踩过的最惨的坑之一。

3.5 典型日选取：用聚类而不是拍脑袋

全年8760小时负荷曲线直接跑仿真，时间成本很高。我在项目中用的是K-means聚类从全年负荷曲线中挑出典型日。把每天的电、热、冷负荷曲线作为特征向量聚成三类，取每类中最接近聚类中心的那个日作为代表日，并统计每类天数作为加权系数。

实际操作中，聚类特征建议标准化。因为电负荷数值可能是几千千瓦，冷负荷数值是几百千瓦，直接聚类会让电负荷完全主导聚类结果，冷热日之间的差异体现不出来。我一般先把三类负荷各自除以全年最大值，再拼接成特征向量做聚类。

选出来的典型日数量不一定是三个。有些地区冬夏差异大，过渡季比较短，聚成三类比较合理；有些地区湿度大、夏季制冷需求特别重，可以聚成四到五类。我建议看轮廓系数做参考，不要机械地按“冬夏过渡”硬套。聚类实现直接用MATLAB自带的kmeans函数就行，非常省事。

4. 仿真结果分析与方案对比：数值怎么看才靠谱

4.1 算例边界与基础参数设置

为了演示结果分析的正确姿势，我这里给出一套实际跑过的算例参数。系统包含三个微网：商业园区、居民社区、工业厂区。商业园区白天电负荷高、冷负荷集中在午后；居民社区早晚双峰、冬季热负荷突出；工业厂区全天基础负荷高、热负荷平稳。

各微网可选设备包括燃气轮机、电储能、蓄热罐、蓄冷罐、电锅炉、吸收式制冷机、屋顶光伏。电价采用分时电价，峰段1.2元/kWh、平段0.75元/kWh、谷段0.38元/kWh，天然气价格2.5元/m³。贴现率8%，设备寿命按不同类型区别对待，燃气轮机15年、电储能10年、蓄热罐20年。

这些参数直接放在一个MATLAB的param类里统一管理，改价格或者改设备效率的时候不需要在多个脚本之间来回翻找。我强烈建议参数单位全程统一：功率用kW，能量用kWh，价格用元/kWh，成本用万元。曾经有个项目因为储能容量用了MWh而功率用了kW，结果SOC递推方程差了1000倍，查了整整一天。

4.2 三种方案对比：独立配置 vs 多微网集中优化

我设置了三个方案做对比：

方案一是各微网独立运行，各自优化容量和调度，微网间不进行任何能量交换。方案二是多微网协同优化，微网之间通过联络线交换电能和热能，整体做双层优化。方案三是在方案二基础上增加共享储能电站服务，三个微网共用一套大型储能系统，储能容量由上层统一决策。

仿真结果见下表：

这个结果非常典型。多微网协同后，年运行成本下降了约10.8%，原因是互为补充的负荷曲线让燃气轮机可以在更高效区运行，电能在微网之间找到更好的消纳路径。增加共享储能之后，虽然投资成本上升了50万元，但运行成本继续下降260万元，综合成本再降210万元，同时弃光率从7.8%降到4.2%。

我在看这类结果时有一条经验：重点看综合成本而不是单项成本。储能项目经常出现投资增加但运行费用大降的情况，如果只盯着投资成本做决策，很容易错失整体最优方案。另外，弃光率也是一个关键佐证，它反映的是系统对可再生资源的利用水平。

4.3 典型日运行曲线怎么看

以夏季典型日为例，我一般会画出电功率平衡曲线、储能SOC曲线、热冷供需曲线三组图。电功率平衡曲线里，燃气轮机出力表现为白天高峰、夜间低峰，光伏出力在午间形成明显的“鸭型曲线”，储能则在光伏大发时充电、晚高峰时放电。

如果储能SOC曲线在一天内变化范围过窄，说明储能容量配置偏大，大部分时间用不满；如果SOC频繁触顶触底，说明容量偏小或者调度策略有问题。蓄热罐的SOC同样值得看，特别要注意供热季和非供热季的差异，很多同学全年只用一个典型日，导致蓄热罐容量设计完全失真。

冷负荷曲线在夏季典型日会形成午后尖峰，这时吸收式制冷和电制冷如何配比是一个关键结果。理想情况下，燃气轮机发电后的余热优先驱动吸收式制冷，不足部分由电制冷补充。如果仿真结果显示电制冷在电价峰段大量开启，大概率是吸收式制冷容量配置不足。

4.4 储能容量敏感性分析：到底配多大最划算

我在完成最优配置后，还额外做了一组储能容量敏感性分析。固定其他设备容量不变，把电储能容量从0开始逐步增加到2000 kWh，步长200 kWh，观察年综合成本如何变化。

结果呈现明显的U型曲线。初始阶段储能容量增加，年综合成本快速下降，主要原因是储能帮助实现了峰谷套利和光伏时移消纳；但容量超过1200 kWh后，边际收益迅速递减，投资成本反而开始拖累总成本，曲线掉头向上。

这个转折点就是经济最优容量。从仿真数值看，该算例最优电储能容量大约在1100到1300 kWh之间，对应年综合成本最低点。蓄热罐和蓄冷罐的敏感性逻辑类似，但转折点位置受季节影响较大，建议分别对冬季典型日和夏季典型日单独做敏感性分析，再取加权结果。

敏感性分析跑起来很快，因为只需要在下层调度函数里改一个容量参数，循环跑几次就行。这个分析成果可以直接写进项目报告，远比只说一句“最优容量是某某数值”更有说服力。

5. 常见问题与排查技巧实录

5.1 问题速查表

我把实际调试中遇到的高频问题整理成一张速查表，方便你对照排查：

5.2 最容易踩的三个隐性坑

第一个坑是冷负荷平衡里制冷设备COP的参数位置。吸收式制冷机的COP定义为制冷量除以输入热量的比值，而电制冷的COP定义为制冷量除以输入电功率的比值。这两个COP用在不同的平衡方程里，参数一旦写反，夏季典型日里制冷机组的耗能会差出好几倍。我在代码里会把这两种COP分开命名，比如COP_abs和COP_ec，绝不用同一个变量名。

第二个坑是多微网联络线模型的非凸性。微网间交换功率的方向本身是个0-1变量，如果不引入互斥约束，优化器可能让两个微网同时互相输电，白赚虚拟损耗。正确的做法是给每条联络线定义双向变量，并增加方向互斥约束。另一种常见简化是定义正方向的净交换功率，允许其正负，但在目标函数里对功率绝对值收取传输费用，这样才能避免无意义的对倒。

第三个坑是典型日加权导致的“边界效应”。只选三天典型日来做全年运行评估，会低估设备启停和储能跨日调度带来的成本。我在实际项目中会把典型日串联成“典型周”，允许储能SOC在一周内跨日滚动，这样冬季连续阴天场景下的储能策略会更真实。代价是下层模型规模变大约3倍，但换来的是配置结果明显更稳健，尤其对蓄热罐容量的影响相当显著。

5.3 代码调试顺序建议

我的调试顺序分四步走。第一步，固定所有设备容量为某个已知合理值，单独跑下层调度函数，打印24小时功率平衡残差，确保电、热、冷三条平衡约束全部闭合。第二步，加入储能系统，检查SOC曲线是否落在上下限内、充放电是否满足互斥约束。第三步，加入多微网联络线，检查两个微网之间的交换功率方向和大小是否合理。第四步，再启动上层粒子群迭代。

这套顺序可以帮你把“模型错误”和“算法问题”隔离。很多同学一上来就把双层合在一起跑，出了错根本分不清是下层约束写错了还是上层收敛判据太苛刻。先小后大、先简后繁，是处理复杂优化仿真项目的基本功。

5.4 求解器参数调整经验

Gurobi在混合整数线性规划上的求解表现很强，但默认参数不一定适合微网调度这类模型。实际使用中我常用三个参数调整。第一，MIPGap设置为0.1%或0.01%，避免整数解在次优处停滞；第二，TimeLimit设置为每组典型日60秒，防止个别极端场景拖慢整个上层迭代；第三，输出日志级别改为0，减少上层迭代过程中刷屏的信息量。

YALMIP的sdpsettings参数同样有优化空间。我习惯关闭cplex/gurobi的回调显示，并设置求解器线程数为4到8，对24小时模型提升不算大，但对组合成典型周的大模型有明显加速。记得所有的求解器选项由YALMIP统一配置，不要直接拿求解器的原始参数去改，不然YALMIP内部对变量规模的预处理可能跟你预期的对不上。

最后分享一点我的个人体会

这套双层优化配置仿真做下来，我最深的感受是：物理模型的对错远比算法先进程度重要。我最初一段时间把大量精力花在尝试各种智能优化算法上，后来发现只要下层调度模型描述得足够准，哪怕上层只跑一个简单的粒子群，就能得到合理且稳定的配置结果；反过来说，下层模型如果有个隐蔽的错误，再高级的算法也只是在一个错误的系统上“精细地犯错”。

另一条经验是，调试过程中要形成“可视化数据洁癖”。每次运行完，不要只看一个优化目标数值，而是把功率平衡残差、储能SOC曲线、各设备出力曲线全画出来扫一遍。曲线异常往往是最早的报警信号。三层微网系统跑一次完整上层优化大概需要十到二十分钟，如果每次结果出来都要靠肉眼看目标函数是否合理，效率太低。把数据可视化和自动校验的逻辑前置，后面迭代起来会轻松非常多。

这套模型框架的后续扩展空间也很大。你可以把碳排放惩罚加权进目标函数做低碳规划，可以在下层加入需求响应和可平移负荷，也可以把电动汽车充电桩作为柔性负荷纳入调度。储能电站服务这块，进一步可以考虑共享储能的租赁定价机制，在上层增加一个博弈层。基础框架只要搭得牢，这些扩展都只是往里面加约束和目标项的事。