企业官网建设流程全解析

1. 这个程序解决的是什么问题：从一道典型调度题说起

先别急着看代码，我们先把这道题的"物理世界"搞清楚。我见过太多新手拿到这类题目就扑向MATLAB或Python，结果模型建了一半，连"我到底在优化什么"都没想明白。

这个标题里的几个关键词，其实构成了一套完整的微电网——或者说园区级综合能源系统——日前经济调度问题。我拆开来讲：

• 蓄电池：系统里的储能环节，作用是"搬运"能量。它可以在电价低的时候充电，电价高的时候放电，赚取峰谷价差；也可以在光伏或风电大发、电网消纳不了的时候充电，避免弃风弃光。
• 市场购电售电约束：系统和大电网之间存在功率交换，可以从电网买电（购电），也可以向电网卖电（售电）。这不是无限制的，通常有最大购电功率、最大售电功率的限制，甚至可能规定不能同时购电和售电。
• 功率平衡约束：这是整个模型的骨架。任意时刻，系统内所有电源出力、储能充放电、负荷消耗、与电网交换的功率，必须满足"发用电平衡"。用大白话说：电不能凭空产生，也不能凭空消失。
• 目标函数为总费用最低：也就是让系统在满足所有约束的前提下，运行一天（通常是24小时，步长1小时）的总成本最小。

这类模型的本质，是一个**线性规划（Linear Programming, LP）问题，或者如果加入蓄电池的充放电效率、SOC递推方程，就是一个混合整数线性规划（MILP）**问题——具体取决于蓄电池模型怎么建。新手阶段，我强烈建议先做LP版本，把逻辑跑通，再往MILP扩展。

那这个程序到底能干什么用？最典型的应用是微电网经济调度、园区能源管理系统（EMS）的日前调度模块、电力市场环境下的用户侧储能优化。无论你是做毕设、做课程设计，还是刚进公司做能源规划，这套建模思路都是最基础、最核心的骨架。可以说，你把这个模型吃透，后面无论加光伏、加风电、加柴油机、加需求响应，都只是在骨架上添砖加瓦。

提示：本文针对新手，重点讲清楚"为什么要这样建模"，而不是堆一堆花哨的算法。粒子群（PSO）、遗传算法（GA）这类智能算法，在高维非线性问题上确实有优势，但在这种纯线性模型上用它们，属于"用大炮打蚊子"，不仅慢，而且结果不稳定。先用求解器把LP模型跑通，比用什么算法重要一百倍。

2. 模型构建的四个核心模块：蓄电池、购售电、功率平衡、目标函数

2.1 目标函数：总费用最低的钱从哪省出来

我们要优化的总费用，一般由这几项组成：

1. 向电网购电的费用：sum(购电功率 × 分时电价)，这是最主要的成本项。
2. 向电网售电的收入：sum(售电功率 × 上网电价)，注意这是收入，在目标函数里是负项，也就是减去它。
3. 蓄电池的折旧成本或运行维护成本：很多新手会漏掉这一项。如果你完全不考虑蓄电池的损耗，那么模型会疯狂地让电池每天满充满放，只为了赚几毛钱的峰谷价差——这在实际中显然不合理。所以通常加一个很小的单位充放电成本系数，比如每千瓦时0.02元，让模型自己权衡。

所以目标函数写成：

min C = Σ_t [ λ_buy(t) × P_buy(t) - λ_sell(t) × P_sell(t) + c_bat × (P_ch(t) + P_dis(t)) ]

其中t是时间索引（1到24），λ_buy是分时购电价，λ_sell是上网电价，P_buy和P_sell分别是购电和售电功率，P_ch和P_dis是蓄电池的充电和放电功率，c_bat是单位充放电成本。

2.2 功率平衡约束：一切约束的核心

这个约束的物理含义是：在任意时刻，系统的发电能力必须等于用电需求。

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

注意这里的正负号约定。我习惯把等式左边看成"供给"，右边看成"需求"：

• 供给：从电网买的电P_buy，蓄电池放的电P_dis
• 需求：负荷P_load，蓄电池充电P_ch（充电也是一种用电），卖给电网的电P_sell

如果你的系统里有光伏或风电，只需要在供给侧加上P_pv(t)和P_wt(t)即可，而且它们通常是已知的预测出力曲线，不是优化变量。

2.3 蓄电池建模：看似简单，细节不少

蓄电池的建模是整道题最容易出错的地方。我总结出四个必须写的约束：

第一，充放电功率上限。

0 ≤ P_ch(t) ≤ P_ch_max × u_ch(t) 0 ≤ P_dis(t) ≤ P_dis_max × u_dis(t)

其中u_ch和u_dis是0-1变量，表示充电和放电状态。如果不加这两个状态变量，模型会出现一个荒谬的结果：同一时刻既充电又放电，凭空创造能量，把目标函数"做没"。虽然线性规划中因为目标函数是费用最小，一般不会出现同充同放，但加上状态变量更加严谨，也让模型可以扩展到更复杂的场景（比如蓄电池不能频繁切换状态）。

第二，同一时刻只能充或只能放。

u_ch(t) + u_dis(t) ≤ 1

第三，SOC（荷电状态）递推方程。

SOC(t+1) = SOC(t) + η_ch × P_ch(t) - P_dis(t) / η_dis

其中η_ch和η_dis分别是充电和放电效率，通常在0.9到0.95之间。这个递推关系是时序强耦合约束，也是整个模型"难"的地方——它把24个小时的决定串成一串，牵一发而动全身。

第四，SOC上下限和始末状态。

SOC_min ≤ SOC(t) ≤ SOC_max SOC(1) = SOC_init SOC(25) = SOC_end

最后一条很重要。很多程序跑出来一天结束蓄电池SOC是0，第二天从头再算，这种结果在实际中没法用。通常我们让一个调度周期结束时的SOC等于初始SOC，这样才能循环滚动调度。

2.4 购电售电约束：和电网的边界条件

这部分相对简单，但边界条件必须写清楚：

0 ≤ P_buy(t) ≤ P_buy_max 0 ≤ P_sell(t) ≤ P_sell_max

有些模型还会加一条"同一时刻不能既购电又售电"，逻辑上这合理——你不可能左手从电网买电、右手把电卖回给电网，白白缴纳过网费。加上这个约束需要引入另一个0-1变量，把模型升级为MILP：

P_buy(t) ≤ P_buy_max × u_buy(t) P_sell(t) ≤ P_sell_max × u_sell(t) u_buy(t) + u_sell(t) ≤ 1

经验之谈：如果是刚开始学，建议先不加购售互斥约束。因为电价结构合理时（购电价总是高于上网电价），模型天然不会同时购售电，加了互斥变量只是多了几个0-1变量，对结果影响不大，但求解时间会增加。先跑通，再升级，这是学习这类问题的最佳路径。

3. 求解器的选型与代码实现：MATLAB还是Python

3.1 MATLAB + YALMIP + 求解器

如果你用的是MATLAB，我推荐YALMIP工具箱配合Cplex或Gurobi。YALMIP的建模语言非常接近数学表达式，对新手极其友好。核心代码如下：

%% 参数定义 T = 24; % 调度周期 P_load = [60 55 50 45 45 50 55 65 75 80 85 90 95 100 105 100 95 90 85 80 75 70 65 60]; % 负荷曲线 lambda_buy = [0.5 0.5 0.5 0.4 0.4 0.5 0.6 0.8 0.9 1.0 1.1 1.2 1.2 1.1 1.0 0.9 0.8 0.7 0.6 0.5 0.5 0.4 0.4 0.5]; % 分时购电价 lambda_sell = lambda_buy * 0.8; % 上网电价按购电价的80% %% 变量定义 P_buy = sdpvar(1, T); % 购电功率 P_sell = sdpvar(1, T); % 售电功率 P_ch = sdpvar(1, T); % 充电功率 P_dis = sdpvar(1, T); % 放电功率 SOC = sdpvar(1, T+1); % 荷电状态，多一个时刻方便递推 %% 蓄电池参数 P_ch_max = 30; P_dis_max = 30; SOC_min = 0.2; SOC_max = 0.9; SOC_init = 0.5; SOC_end = 0.5; eta_ch = 0.95; eta_dis = 0.95; c_bat = 0.02; % 单位充放电成本 %% 约束集合 Constraints = []; % 功率平衡约束 for t = 1:T Constraints = [Constraints, P_buy(t) + P_dis(t) == P_load(t) + P_ch(t) + P_sell(t)]; end % 蓄电池SOC递推方程 for t = 1:T Constraints = [Constraints, SOC(t+1) == SOC(t) + eta_ch * P_ch(t) - P_dis(t) / eta_dis]; end % 蓄电池SOC上下限 for t = 1:T+1 Constraints = [Constraints, SOC_min <= SOC(t) <= SOC_max]; end Constraints = [Constraints, SOC(1) == SOC_init, SOC(T+1) == SOC_end]; % 充放电功率上下限 for t = 1:T Constraints = [Constraints, 0 <= P_ch(t) <= P_ch_max]; Constraints = [Constraints, 0 <= P_dis(t) <= P_dis_max]; end % 购电售电功率上下限 for t = 1:T Constraints = [Constraints, 0 <= P_buy(t) <= 100]; Constraints = [Constraints, 0 <= P_sell(t) <= 50]; end %% 目标函数 Objective = sum(lambda_buy .* P_buy - lambda_sell .* P_sell + c_bat * (P_ch + P_dis)); %% 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 1); optimize(Constraints, Objective, ops); %% 结果可视化 figure; subplot(3,1,1); bar([value(P_buy); value(P_sell)]', 'stacked'); legend('购电', '售电'); title('与电网交互功率'); subplot(3,1,2); bar([value(P_ch); value(P_dis)]', 'stacked'); legend('充电', '放电'); title('蓄电池充放电功率'); subplot(3,1,3); plot(0:24, value(SOC), 'o-'); xlabel('时间/h'); ylabel('SOC'); title('蓄电池荷电状态变化');

这段代码是完整的LP模型（没有购售互斥变量），我故意没有加购售互斥，你可以先跑通看结果，然后自己试着加上0-1变量看看有什么变化。跑通之后，你会发现几个有意思的现象：

• 蓄电池总是在电价高峰时段放电、低谷时段充电，这就是峰谷套利的直观表现。
• 在电价最高的一两个时段，购电功率可能降到很低，因为放电满足了大部分负荷。
• SOC曲线是一条平滑的锯齿波，起始和终止都在0.5。

3.2 Python + Pyomo / PuLP

如果你习惯Python，我推荐Pyomo搭配Gurobi或CBC求解器。Pyomo的语法比YALMIP略啰嗦，但胜在免费、开源生态好，而且和机器学习工作流的对接更顺畅。

import numpy as np import pyomo.environ as pyo from pyomo.opt import SolverFactory # 基础数据 T = 24 P_load = [60, 55, 50, 45, 45, 50, 55, 65, 75, 80, 85, 90, 95, 100, 105, 100, 95, 90, 85, 80, 75, 70, 65, 60] lambda_buy = [0.5, 0.5, 0.5, 0.4, 0.4, 0.5, 0.6, 0.8, 0.9, 1.0, 1.1, 1.2, 1.2, 1.1, 1.0, 0.9, 0.8, 0.7, 0.6, 0.5, 0.5, 0.4, 0.4, 0.5] lambda_sell = [x * 0.8 for x in lambda_buy] model = pyo.ConcreteModel() model.T = pyo.RangeSet(1, T) model.TS = pyo.RangeSet(1, T+1) # 变量 model.P_buy = pyo.Var(model.T, within=pyo.NonNegativeReals) model.P_sell = pyo.Var(model.T, within=pyo.NonNegativeReals) model.P_ch = pyo.Var(model.T, within=pyo.NonNegativeReals) model.P_dis = pyo.Var(model.T, within=pyo.NonNegativeReals) model.SOC = pyo.Var(model.TS, bounds=(0.2, 0.9)) # 参数 model.P_load = pyo.Param(model.T, initialize=dict(enumerate(P_load, 1))) model.lambda_buy = pyo.Param(model.T, initialize=dict(enumerate(lambda_buy, 1))) model.lambda_sell = pyo.Param(model.T, initialize=dict(enumerate(lambda_sell, 1))) P_ch_max = 30 P_dis_max = 30 eta_ch = 0.95 eta_dis = 0.95 c_bat = 0.02 # 约束：功率平衡 def power_balance_rule(m, t): return m.P_buy[t] + m.P_dis[t] == m.P_load[t] + m.P_ch[t] + m.P_sell[t] model.power_balance = pyo.Constraint(model.T, rule=power_balance_rule) # 约束：SOC递推 def soc_update_rule(m, t): return m.SOC[t+1] == m.SOC[t] + eta_ch * m.P_ch[t] - m.P_dis[t] / eta_dis model.soc_update = pyo.Constraint(model.T, rule=soc_update_rule) # 约束：始末SOC model.soc_init = pyo.Constraint(expr=model.SOC[1] == 0.5) model.soc_end = pyo.Constraint(expr=model.SOC[T+1] == 0.5) # 约束：充放电和购售电上下限 def ch_lim_rule(m, t): return m.P_ch[t] <= P_ch_max model.ch_lim = pyo.Constraint(model.T, rule=ch_lim_rule) def dis_lim_rule(m, t): return m.P_dis[t] <= P_dis_max model.dis_lim = pyo.Constraint(model.T, rule=dis_lim_rule) def buy_lim_rule(m, t): return m.P_buy[t] <= 100 model.buy_lim = pyo.Constraint(model.T, rule=buy_lim_rule) def sell_lim_rule(m, t): return m.P_sell[t] <= 50 model.sell_lim = pyo.Constraint(model.T, rule=sell_lim_rule) # 目标函数 def objective_rule(m): return sum(m.lambda_buy[t] * m.P_buy[t] - m.lambda_sell[t] * m.P_sell[t] + c_bat * (m.P_ch[t] + m.P_dis[t]) for t in model.T) model.objective = pyo.Objective(rule=objective_rule, sense=pyo.minimize) # 求解 solver = SolverFactory('gurobi') result = solver.solve(model, tee=True) # 输出 for t in model.T: print(f"t={t}: buy={model.P_buy[t].value:.2f}, sell={model.P_sell[t].value:.2f}, " f"ch={model.P_ch[t].value:.2f}, dis={model.P_dis[t].value:.2f}, SOC={model.SOC[t].value:.3f}")

3.3 求解器选型建议：新手不要在这个环节纠结

我强烈建议新手直接装Gurobi，学术版免费，安装简单，求解速度快得惊人——这种24时段的小模型，它能在0.1秒内解完。如果装不上Gurobi，CBC作为开源求解器也完全够用，就是输出信息没那么详尽。

注意：国内部分高校用户访问Gurobi官网可能需要一点网络技巧，如果你所在的环境下载不便，可以考虑用scipy.optimize.linprog先做最简单版本的LP，但那个只能处理纯LP，处理不了MILP。新手还是优先把求解器装好，一劳永逸。

4. 建模中容易出错的六个坑：逐个避雷

讲完代码，我觉得有必要把新手最容易踩的坑单独拎出来说。这些问题我帮人调试时见过无数次。

4.1 功率平衡约束的正负号搞反

这是最常见的错误。记住一句话：等式左边是流入系统的能量，右边是流出系统的能量。蓄电池放电是流入（供给），充电是流出（消耗），别搞混。我建议你写约束之前，先在纸上画一个简单的能量流图，标清楚每个变量的方向，再写公式。

4.2 SOC递推方程里效率的位置放错

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。也就是：

SOC(t+1) = SOC(t) + η_ch × P_ch(t) - P_dis(t) / η_dis

这个公式的含义是：充进去1度电，实际只能存进0.95度（因为有损耗）；要放出1度电，实际需要消耗1/0.95 ≈ 1.05度的存储能量。如果你把效率位置放反，会出现"电池越用越多"的笑话——当年我调试时看到SOC曲线一路向上，就是从这找出来的问题。

4.3 SOC变量维度少了一个

注意我的代码里SOC的维度是1到T+1，也就是25个点，不是24个。因为SOC(1)是初始状态，SOC(t+1)才是第t个时段结束后的状态。搞成24个点，递推方程最后一步会越界，报错都不好找。

4.4 目标函数里漏掉蓄电池成本

如果你不加c_bat这一项，模型对蓄电池的使用是"免费"的，它会让电池在每一个峰谷周期都满充满放。虽然从数学上看没错，但从工程上看不合理。加上一个极小的成本项，整个决策会变得理性得多。

4.5 直接复制代码不检查数据和变量规模

很多新手拿到一段能跑的代码，直接把自己的负荷数据替换进去，结果发现结果异常。原因往往不是代码问题，而是数据本身的问题——比如负荷数据包含了尖峰毛刺，导致购电功率顶到上限。建议先画出负荷曲线、电价曲线的图，确认数据和实际场景匹配了，再去跑优化，这样出了问题也好定位。

4.6 忽略"购售互斥"但又在结果里发现同购同售

前面提过，在购电价始终高于上网电价的前提下，模型不会同购同售，但我见过有人把售电价设置得比购电价还高（或者为了简化随便填数据），导致模型"套利"——低价买电、高价卖电，利润无限，购电功率顶到上限，售电功率也顶到上限。这种结果一出来就知道是数据错了。

经验之谈：任何优化模型跑出"反直觉"的结果，先怀疑数据，再怀疑模型，最后才怀疑求解器。这个排查顺序能帮你节省大量时间。

5. 结果分析：怎么看懂求解器给出的答案

跑通模型只是第一步，能看懂结果、能从结果里发现模型的合理性，才算真正入门。我建议至少画下面几张图：

第一张：堆叠条形图展示系统各时刻的功率构成。横轴是24小时，纵轴是功率，用堆叠柱状图分别显示购电、放电、充电、售电、负荷。这样可以直观看到每个时刻能量从哪来、到哪去。

第二张：SOC曲线。这是一条锯齿状曲线，低谷时段充电SOC上升，高峰时段放电SOC下降，起始和终止都在0.5。如果SOC曲线出现突变、跳变，或者超出了上下限，那一定是约束写错了。

第三张：电价与购电量的对比图。把分时电价和购电量画在同一张图上，你会清楚地看到购电量在电价低谷时段高、高峰时段低。这就是经济调度的直观体现。

以我上面给出的负荷和电价数据为例，典型结果应该是这样的：

• 凌晨1点到5点（电价0.4到0.5元），蓄电池充电，购电功率除满足负荷外还有富余。
• 上午9点到12点（电价0.9到1.2元），蓄电池放电，购电功率明显降低。
• 下午14点到18点（电价0.8到1.0元），蓄电池继续放电，承担部分负荷。
• 晚上19点到22点（电价0.5到0.6元），蓄电池开始回充，恢复SOC到0.5。

如果你跑出来的结果完全符合这个规律，说明模型建对了。如果发现某个时段的行为"不理智"，比如电价最高时还在充电，那就要回头检查约束和逻辑了。

6. 从入门到进阶：下一步可以在这个模型上做什么

如果你已经能独立跑通这个模型，并且能看懂结果，那恭喜你，你已经掌握了经济调度问题的核心骨架。接下来有三条进阶路线，按推荐程度排序：

路线一：加入新能源出力。在功率平衡方程左侧加上光伏出力P_pv(t)和风电出力P_wt(t)，设定为已知的预测曲线。你会发现蓄电池的角色从"纯峰谷套利"变成了"平抑新能源波动"。当光伏大发时充电，避免向电网反送功率受限；当光伏不足时放电，补充负荷缺口。这一步改动不大，但能让你理解储能和新能源的配合逻辑。

路线二：加入可平移负荷或需求响应。把部分负荷变成可调节变量，比如从高峰时段平移到低谷时段。模型需要增加"平移量守恒"约束——被平移出去的负荷，必须在其他时段被补回来。这一步会让模型更有趣，也更贴近实际电力市场的需求响应场景。

路线三：加入网络拓扑约束（多节点潮流）。目前是单节点模型，也就是一个"能量池"，没有线路容量限制。如果扩展到多节点，需要引入直流潮流方程或交流潮流方程，复杂度陡增。这一步适合研究生阶段或者实际工程项目需求。

我个人最推荐路线一。因为新能源接入是当前行业的绝对主流，你把这个模型吃透，加上光伏和风电，已经可以应对许多实际项目的前期方案评估了。

7. 写在最后的实操心得

最后分享几点我个人在调试和教学过程中积累的心得，希望对新手有帮助。

第一，建模之前先画能量流图。哪怕只是用笔在纸上画个方框，标清楚哪些箭头进、哪些箭头出，也比直接写数学公式靠谱得多。我见过太多人公式写得漂亮，结果一检查发现物理方向都是反的。

第二，小规模测试永远比直接跑完整模型高效。别一上来就是24小时、100个变量。先设定10个时段跑通，确认SOC递推没问题、目标函数没报错，再扩展到24小时或168小时。这个习惯能让你从"被报错折磨"的状态中解脱出来。

第三，求解器报"infeasible"（不可行）时，先查约束之间是否互相矛盾。常见原因是某个时刻负荷太大，而购电上限和电池放电上限加起来都不够满足——这时候应该调整的是购电上限，而不是去调其他参数。YALMIP可以用check(Constraints)查看哪些约束不满足，Python侧可以用model.pprint()逐一检查。

第四，关于我为什么不推荐新手一上来就用强化学习或者启发式算法。原因很简单：这类模型本质上是凸优化问题，有高效且精确的求解器。先用数学优化的方法理解问题结构，等把约束和变量关系吃透了，再去尝试那些"更高级"的算法不迟。本末倒置的结果往往是：算法调了好几天，不如一个LP跑得快、来得稳。

这个模型虽然小，但它五脏俱全——目标函数、等式约束、不等式约束、时序耦合，一个不少。把它的每一个细节都琢磨透，你以后遇到任何调度优化问题，都会觉得似曾相识。