企业官网建设流程全解析

做这类“源网荷储协同接纳能力”评估，我踩过不少坑。拿到题目时最常见的问题是：光伏、风电、储能、电网购电、负荷削减全搅在一起，到底什么才是“接纳能力”？有人直接拿新能源装机容量加总，有人拍脑袋给个比例，但这些做法等到真正做方案评审时，一问“弃电率怎么算”“储能约束加没加”，立刻就露馅。这个标题看起来是在找一个两阶段优化方法的代码，实际需求比代码本身更深：你要一套能说清楚逻辑、能落地可复算、能直接用于项目报告的评估工具。

这篇文章里的内容，是我在实际项目中沉淀出来的：把两阶段优化建模思路讲明白，再用 Python + Pyomo 写出核心代码，涵盖第一个阶段的容量投资决策，和第二个阶段的源网荷储逐时段运行校核。不管你是做电力规划、微电网方案、还是新能源消纳评估，这套思路都可以直接套。阅读需要有一点最基础的线性规划概念，不需要会 Pyomo，代码部分我会把变量和约束拆开讲。

1. 这个问题的实际背景与优化思路

1.1 “接纳能力”真正难算在哪里

从工程角度看，所谓“接纳新能源能力”，指的是在满足负荷平衡、电网交互极限、储能物理特性等一系列条件的前提下，本地能够承载多大的光伏和风电装机。这个容量不取决于某个单一指标，而是四个环节的协同结果：

• 源：光伏和风电出力有强随机性、波动性；
• 网：与上级电网的交互功率有上限，倒送也不行；
• 荷：负荷曲线本身有峰谷特性，不可能一直跟随新能源；
• 储：储能可以削峰填谷，但容量越大、成本越高，自身还有充放电约束和效率损耗。

如果只是做静态计算，比如全年8760小时逐时电量平衡，逻辑上虽然可行，但结果很难指导规划。因为规划人员想知道的是“在给定预算或限制下，最优的新能源装机组合是多少、需要配多大储能”。这是一个决策优化问题，不是一个纯仿真的电量校验问题。所以我选择用两阶段优化的思路来，而不是单纯做“测一下能不能消纳掉”。

1.2 为什么选择两阶段而不是单阶段

很多入门者会先把问题拍成一个线性规划：目标函数是最大化新能源发电量，约束是全时段功率平衡，然后求解。这当然可以跑通，但模型会变成一个容量无限大的“假最优”：只要约束允许，光伏和风电装机就会疯狂往上加，直到电池容量也无限大，整个目标退化成一个没有工程意义的数值。

两阶段的意义在于把决策的逻辑区分开：

• 第一阶段只做“投资和配置决策”，决定光伏装机、风机装机、储能额定容量这些长期变量；
• 第二阶段根据第一阶段的配置，在每一时刻执行运行调度，决定储能充放电、电网交互功率、是否允许弃风弃光、是否要少量切负荷。

第一阶段的结果是否可行，必须放到第二阶段的运行约束里校核。两阶段耦合起来，就是一个“先定规模、再测运行”的过程。这也正好对应实际工程里的两层逻辑：上层做规划，下层做调度。标题里强调“协同”，本质上就是让储能不再是独立电源，而是参与新能源接纳的调节资源。

这个两阶段模型可以用单一大模型直接求解，也可以把两个阶段解耦后迭代。对于中小规模的评估任务，我在项目中通常直接在 Pyomo 里写成耦合模型，交给求解器统一求解。如果以后业务场景扩展到多时段、多场景，后续可以再改成 Benders 分解或者列与约束生成算法，这是后话。

2. 优化模型的建立：目标、变量、约束

2.1 第一阶段：投资与容量配置决策

第一阶段变量很简单，只有三个：

• PvCap：光伏装机容量（MW）；
• WindCap：风电装机容量（MW）；
• EsCap：储能系统能量容量（MWh）。

这三个变量在模型里是全局变量。第一阶段的决策受到投资预算限制。比如光伏单位投资是 500 元/kW、风电单位投资是 900 元/kW、储能单位投资是 1500 元/kWh，那么预算约束可以写成：

500 × PvCap + 900 × WindCap + 1500 × EsCap ≤ 预算上限

这里我把单位换算简化了，实际应用里要按照 PV 和风电的造价单位、储能系统的容量单位做一次归一化。如果没有这个预算约束，第二阶段再怎么合理，模型也会因为目标函数想让新能源装机最大而出现无限容量解。所以预算约束是第一阶段的“锚”。

2.2 第二阶段：逐时段运行调度约束

假设评估时间序列按 24 小时离散化，也可以扩展到 8760 小时。第二阶段在每个时段 t 定义一批运行变量：

• PvOut(t)：时段 t 实际注入系统的光伏功率；
• WindOut(t)：时段 t 实际注入系统的风电功率；
• PvCurt(t)：时段 t 光伏弃电功率；
• WindCurt(t)：时段 t 风电弃电功率；
• GridIn(t)：时段 t 从上级电网购电功率；
• GridOut(t)：时段 t 向上级电网倒送功率；
• Pch(t)：储能充电功率；
• Pdis(t)：储能放电功率；
• Soc(t)：储能荷电状态；
• Shed(t)：时段 t 的切负荷功率。

第二阶段的核心约束首先是“新能源出力上限”：

PvOut(t) + PvCurt(t) = PvCap × pv_avail(t)

WindOut(t) + WindCurt(t) = WindCap × wind_avail(t)

其中 pv_avail(t)、wind_avail(t) 是归一化出力曲线，取值 0 到 1。然后是全时段的有功平衡：

PvOut(t) + WindOut(t) + Pdis(t) + GridIn(t) = load(t) + Pch(t) + GridOut(t) + Shed(t)

如果左边比右边小，说明系统缺电，Shed(t) 会变大；如果右边小于左边，系统富余，可以通过 GridOut 倒送或储能充电。注意这里我故意把 Shed 放在负荷侧，是为了让它作为一个松弛变量。当供需紧张时，模型会优先切负荷，而不是让系统崩溃。

储能约束也要足够完整。储能运行不是简单的能量桶，它有时间耦合。用一组约束表达：

Soc(t) = Soc(t-1) + η_ch × Pch(t) − Pdis(t) / η_dis

0 ≤ Soc(t) ≤ EsCap

0 ≤ Pch(t) ≤ EsCap / T_duration

0 ≤ Pdis(t) ≤ EsCap / T_duration

Pch(t) + Pdis(t) ≤ EsCap / T_duration

其中 T_duration 是储能额定功率持续小时数，比如 2h 或 4h。如果储能能量容量是 100MWh、持续 2h，那么功率容量就是 50MW。这里的“互斥约束”不一定是严格的逻辑混合整数约束，很多时候直接用充放电功率之和不超过额定功率即可。如果想避免同时充电和放电，还需要引入二进制变量，工程项目里一般会为了求解效率先把问题保持为线性规划，所以我会临时把允许同时充放电当成默认设定，在结果里再检查是否有实际发生。

电网交互也需要上限约束：

0 ≤ GridIn(t) ≤ grid_limit_in

0 ≤ GridOut(t) ≤ grid_limit_out

这个约束通常对应变电站容量、线路热稳极限等具体边界。如果上级电网允许双向流，两个极限分别填写；如果不允许倒送，grid_limit_out 就填 0。

2.3 目标函数：既要最大化接纳，也要惩罚不可行行为

目标函数如果只写“最大化 PvCap + WindCap”，模型就会用尽所有预算去建设新能源，然后靠储能和弃电来硬扛。为了避免这种工程上不合理的“激进配置”，需要在目标里加入运行惩罚项。我常用的形式是：

maximize PvCap + 0.9 × WindCap − 50 × ( PvCurt + WindCurt ) − 100 × Σ Shed(t) − 0.2 × Σ GridOut(t)

这里几点解释：

• 光伏系数取 1，风电系数取 0.9，是为了让目标偏向单位投资回报更高的光伏，体现经济性差异；
• 弃电惩罚系数大于容量收益，这样模型在边际情况下宁愿少建一点新能源，也不去制造大量弃电；
• 切负荷惩罚最大，因为切负荷在工程里是非常严重的事件；
• GridOut 有个小惩罚，是为了避免系统毫无约束地向上级电网灌功率，但从严格意义上说，如果上级电网允许倒送，这个惩罚也可以取消。

这个目标函数本质上是在“最大化装机”和“保证运行质量”之间取平衡。实际项目中，弃电惩罚系数的选择很重要。它会直接影响最优解：如果惩罚设得不够高，模型就会大量弃电换来更高装机；如果设得过高，结果会偏向保守。建议先跑一组线性规划的敏感性测试，看不同惩罚系数下装机变化，再定最终参数。

3. 用 Python 实现这套两阶段优化代码

3.1 工具选型：Pyomo + 开源求解器

我日常做这类评估首选 Python + Pyomo。Pyomo 的优势是建模语法清晰，变量、约束、目标函数的层级和论文里的公式几乎一一对应，后续如果要扩展到随机优化或鲁棒优化也很方便。求解器选择上，小规模算例可以用 CBC 这种开源求解器，不需要 license；项目现场如果要和商业软件核对，也可以无缝切到 Gurobi 或 CPLEX。

不要一上来就写solver = SolverFactory('gurobi')，否则别人没有 Gurobi 直接用不了。我建议把求解器名称做成参数，默认用 CBC，这样共享出去后换机器一样能跑。

3.2 数据准备：时间曲线直接放进 DataFrame

两阶段模型的输入核心是三条曲线：负荷、光伏归一化出力、风电归一化出力。如果实际项目没有完整数据，可以先按典型日曲线模拟，比如夏季光伏出力高、冬季风电出力强。下面的代码片段展示了数据准备的基本格式。

import numpy as np import pandas as pd import pyomo.environ as pyo np.random.seed(42) T = 24 load_curve = np.array([ 0.52, 0.50, 0.48, 0.47, 0.46, 0.49, 0.58, 0.70, 0.80, 0.85, 0.83, 0.78, 0.72, 0.75, 0.82, 0.86, 0.88, 0.90, 0.87, 0.78, 0.68, 0.60, 0.55, 0.52 ]) * 10 # 折算成功率单位 # 归一化光伏出力：夜间接近0，午间最高 pv_avail = np.zeros(T) pv_avail[8:17] = [0.05, 0.15, 0.35, 0.62, 0.85, 0.92, 0.80, 0.55, 0.25] # 归一化风电出力：用一段随机波动曲线模拟 wind_avail = np.array([ 0.3, 0.4, 0.35, 0.45, 0.55, 0.5, 0.4, 0.35, 0.3, 0.4, 0.5, 0.45, 0.4, 0.5, 0.35, 0.3, 0.4, 0.35, 0.3, 0.45, 0.5, 0.4, 0.35, 0.3 ]) df_data = pd.DataFrame({ "load": load_curve, "pv_avail": pv_avail, "wind_avail": wind_avail })

这里load_curve我通常以 10 为基值放大，代表 10MW 左右的日平均负荷，量纲不重要，关键是曲线形状和相对关系要合理。很多人容易忽略的是：光伏和风电的归一化曲线一定要用“额定容量对应 1.0”的比例，不能把出力 MW 直接当系数用，否则第二阶段的上限约束就会失真。

3.3 完整模型：把两阶段写成一个耦合优化问题

下面这段代码是两阶段优化模型的核心，可以直接保存成evaluate_acceptance.py运行。它把第一阶段的容量变量、第二阶段的运行变量、预算约束、功率平衡、储能约束和网络约束全部放到一个ConcreteModel里。

# 参数设置 budget_upper = 20000 # 投资预算（折算单位） base_load = 10.0 # 基础负荷基准 grid_limit_in = 8.0 # 购电上限 grid_limit_out = 3.0 # 倒送上限 es_duration = 4 # 储能持续小时数 eta_ch = 0.95 # 充电效率 eta_dis = 0.92 # 放电效率 # 投资成本系数：单位统一成同一量纲的“折算价” cost_pv = 500 cost_wind = 900 cost_es = 1200 m = pyo.ConcreteModel() m.T = pyo.RangeSet(24) # ------- 第一阶段：容量变量 ------- m.PvCap = pyo.Var(domain=pyo.NonNegativeReals, bounds=(0, 20)) m.WindCap = pyo.Var(domain=pyo.NonNegativeReals, bounds=(0, 20)) m.EsCap = pyo.Var(domain=pyo.NonNegativeReals, bounds=(0, 10)) # ------- 第二阶段：逐时段运行变量 ------- m.PvOut = pyo.Var(m.T, domain=pyo.NonNegativeReals) m.WindOut = pyo.Var(m.T, domain=pyo.NonNegativeReals) m.PvCurt = pyo.Var(m.T, domain=pyo.NonNegativeReals) m.WindCurt = pyo.Var(m.T, domain=pyo.NonNegativeReals) m.GridIn = pyo.Var(m.T, domain=pyo.NonNegativeReals) m.GridOut = pyo.Var(m.T, domain=pyo.NonNegativeReals) m.Pch = pyo.Var(m.T, domain=pyo.NonNegativeReals) m.Pdis = pyo.Var(m.T, domain=pyo.NonNegativeReals) m.Shed = pyo.Var(m.T, domain=pyo.NonNegativeReals) m.Soc = pyo.Var(m.T, domain=pyo.NonNegativeReals, bounds=(0, 10)) # ------- 约束 ------- # 预算约束 m.budget_rule = pyo.Constraint( expr=cost_pv * m.PvCap + cost_wind * m.WindCap + cost_es * m.EsCap <= budget_upper ) # 新能源出力上限 def pv_output_rule(m, t): return m.PvOut[t] + m.PvCurt[t] == pv_avail[t - 1] * m.PvCap m.pv_output_cons = pyo.Constraint(m.T, rule=pv_output_rule) def wind_output_rule(m, t): return m.WindOut[t] + m.WindCurt[t] == wind_avail[t - 1] * m.WindCap m.wind_output_cons = pyo.Constraint(m.T, rule=wind_output_rule) # 功率平衡 def balance_rule(m, t): return ( m.PvOut[t] + m.WindOut[t] + m.Pdis[t] + m.GridIn[t] == load_curve[t - 1] - m.Shed[t] + m.Pch[t] + m.GridOut[t] ) m.balance_cons = pyo.Constraint(m.T, rule=balance_rule) # 电网交互上限 def grid_in_rule(m, t): return m.GridIn[t] <= grid_limit_in m.grid_in_cons = pyo.Constraint(m.T, rule=grid_in_rule) def grid_out_rule(m, t): return m.GridOut[t] <= grid_limit_out m.grid_out_cons = pyo.Constraint(m.T, rule=grid_out_rule) # 储能功率与能量关系 def ch_power_rule(m, t): return m.Pch[t] <= m.EsCap / es_duration m.ch_power_cons = pyo.Constraint(m.T, rule=ch_power_rule) def dis_power_rule(m, t): return m.Pdis[t] <= m.EsCap / es_duration m.dis_power_cons = pyo.Constraint(m.T, rule=dis_power_rule) def ch_dis_mutex_rule(m, t): return m.Pch[t] + m.Pdis[t] <= m.EsCap / es_duration m.ch_dis_mutex_cons = pyo.Constraint(m.T, rule=ch_dis_mutex_rule) # 荷电状态更新 def soc_update_rule(m, t): if t == 1: return m.Soc[t] == eta_ch * m.Pch[t] - m.Pdis[t] / eta_dis return m.Soc[t] == m.Soc[t - 1] + eta_ch * m.Pch[t] - m.Pdis[t] / eta_dis m.soc_update_cons = pyo.Constraint(m.T, rule=soc_update_rule) def soc_cap_rule(m, t): return m.Soc[t] <= m.EsCap m.soc_cap_cons = pyo.Constraint(m.T, rule=soc_cap_rule) # ------- 目标函数 ------- def objective_rule(m): return ( m.PvCap + 0.9 * m.WindCap - 50 * sum(m.PvCurt[t] + m.WindCurt[t] for t in m.T) - 100 * sum(m.Shed[t] for t in m.T) - 0.2 * sum(m.GridOut[t] for t in m.T) ) m.objective = pyo.Objective(rule=objective_rule, sense=pyo.maximize) # ------- 求解 ------- solver = pyo.SolverFactory('cbc') results = solver.solve(m, tee=True) # ------- 结果读取 ------- pv_cap = pyo.value(m.PvCap) wind_cap = pyo.value(m.WindCap) es_cap = pyo.value(m.EsCap) total_curtail = sum(pyo.value(m.PvCurt[t]) for t in m.T) + sum(pyo.value(m.WindCurt[t]) for t in m.T) print(f"光伏最优装机: {pv_cap:.2f}") print(f"风电最优装机: {wind_cap:.2f}") print(f"储能最优容量: {es_cap:.2f}") print(f"总弃电: {total_curtail:.2f}")

这套代码是完整的。第一次运行时，如果机器上还没有pyomo和 CBC，需要先安装：

pip install pyomo

CBC 求解器可以直接从安装包里拉出来，或者使用 conda：

conda install -c conda-forge glpk

然后用pyo.SolverFactory('glpk')替换也行。项目中我至少会装 CBC 和 GLPK 两个，避免一个求解器不兼容时卡住。

3.4 结果解读：不要只盯着装机容量

跑完代码后，第一反应是看 PvCap 和 WindCap 的最优值，但作为评估人员，更要看三条信息：

• 弃电率：总弃电除以理论新能源发电量；
• 切负荷率：总切负荷除以总负荷电量；
• 储能利用情况：Soc(t) 曲线是否频繁顶到上限，或储能处于长期闲置状态。

如果弃电率较高，说明预算被新能源容量占满了，储能容量不够；如果切负荷率较高，说明系统整体容量配置不足，需要同时增加新能源和储能；如果储能从不充电，就该检查是不是电网倒送上限特别宽松，导致模型宁愿直接倒送也不愿用储能。

我一般会把求解结果存成 DataFrame，再画两张图，一张是逐时功率平衡堆积图，另一张是储能荷电状态变化曲线。图片对于给业务方汇报特别有用，文字很难解释清楚的“中午光伏顶天、凌晨负荷低谷”这些事，一眼就能看出来。

4. 参数设定与结果敏感性分析

4.1 关键参数速查表

这部分是项目落地时的经验参数，不能直接在优化代码里乱填，最好先有一张表对齐口径。

这表中最容易被人忽略的是倒送上限。很多规划评估把电网当成无限大 sink，结果新能源装机全被倒送边界顶住了，落地方案根本没法实施。所以不管模型多复杂，电网交互约束一定要单独写。

4.2 不同预算下的变化逻辑

把预算从上往下扫一遍，能直观看出源网荷储协同行为的变化。我统计过一次典型算例：

一眼看过去，预算增加后，新能源容量增加了，弃电率也上升了。这说明“接纳能力”不是无限可再生能源的物理极限，而是经济可接受的消纳能力。在做结论时，不要直接说“最优装机是 18.7MW”，要说“在预算 2 万以内、弃电率允许 10% 左右时，可接纳 23.2MW 的新能源”。这个口径才是对的。

4.3 单场景扩展到多场景随机优化

如果项目要求考虑全年不同天况，可以把单日的确定性模型改成多场景模型。每个场景 s 拥有自己的光伏出力系数 pv_avail(s,t)、风电出力系数 wind_avail(s,t) 和负荷，第一阶段变量仍然只有一个 PvCap、WindCap、EsCap，第二阶段运行变量增加场景索引。目标函数变成：

最大化 容量收益 − Σ_s prob(s) × [弃电惩罚 + 切负荷惩罚 + 倒送惩罚]

代码里只需要把原来的m.T改成m.TS（场景与时段组合），再把每个场景的平衡约束、储能约束都套到对应索引下。这个扩展虽然代码量不大，但求解规模会成倍增长。所以我在实际项目里会先用典型日单场景跑通逻辑，确认边界条件无误后，再扩大到多场景。直接上多场景往往因为某个约束写错，调试起来很痛苦。

5. 现场运行中的常见问题与调优要点

5.1 求解结果出现“无限容量”的检查方法

如果你发现 PvCap 直接打到边界上限，而弃电惩罚又没起作用，第一步不是抱怨模型，而是检查“预算约束是否生效”。我曾经遇到过把cost_pv、cost_wind和cost_es的量纲搞混，导致预算约束约等于没有，模型直接把光伏顶到 20 的上限。解决办法是把约束的松弛值打出来，如果松弛接近 0，代表预算真正吃紧；如果松弛很大，上限约束形同虚设。

用代码检查约束松弛最简单：

m.budget_rule.display()

如果结果显示slack = 12000，说明预算还有大量余额，模型的“最大化装机”目标当然会把容量往上顶。这个现象不是求解器错，是模型有问题。

5.2 模型不可行的几个高频原因

两阶段模型不可行，最常见的原因是第一阶段容量配置太激进，导致第二阶段运行完全没有可行解。比如预算很充足，PvCap 直接等于 20MW，但负荷只有 10MW，电网倒送上限只有 3MW，储能能量上限也只有 10MWh，这样中午的光伏出力全部无处消化。此时模型没有任何变量能吸收多余电力，只能无界或不可行。

排查手段是先把目标函数里的惩罚项都保留，让模型在不可行时能用切负荷找可行解。如果仍然无解，就一个一个检查等式约束：

• 功率平衡两侧量纲是否一致；
• Soc 更新公式在 t=1 时刻是否特判；
• 新能源出力约束里pv_avail[t-1] * m.PvCap是否拼写成了另一个变量。

还有一个很容易踩的坑：load_curve[t-1]如果用m.T的索引，Pyomo 里t从 1 开始，但 Python 数组从 0 开始，所以必须t-1。我见过很多次因为这里没减 1，导致IndexError或者数据串位，结果看起来“收敛”，实际上完全不对。

5.3 数值稳定性与求解速度优化

两阶段模型如果扩展到 8760 小时、几十个场景，变量数量会到几十万量级，直接全部放开可能很慢。这时候有两条路：

一是把模型降维。光伏和风电归一化曲线可以按小时聚合成典型时段，比如把48个点压缩成10个等值时段，保留峰谷特征，牺牲少量精度换速度。

二是用分解算法。把两阶段模型按 Dantzig-Wolfe 分解或 Benders 分解，让第一阶段主问题反复向第二阶段子问题索取可行性信息。这个工程量比较大，适合做算法研发，不适合方案评估的短期项目。所以我更推荐在做常规评估时用紧凑模型 + 高效求解器，先把结果做准，再考虑性能。

数值稳定性方面，我建议把所有成本和容量参数都换算到“MW”和“MWh”级别，不要出现 1e-6 这种小数量级参数量。比如储能单位成本 1500 元/kWh 与容量 MWh 相乘时，可能变成 1500 × 1000 = 1.5e6，再加上其他变量，目标函数数值范围就可能拉得很大。我一般直接把单位统一为“万元/MWh”，这样数量级在几十到几百之间，求解器数值表现更稳定。

5.4 最后说一个实际经验

在多次实际项目评审里，我发现最终决定方案通过率的，往往不是最优装机的绝对值，而是你对模型边界条件的解释。为了拿到一个看起来漂亮的“接纳能力”，很多人会放宽倒送上限、降低储能效率、压低弃电惩罚，最后得到的结果虽然数字很大，但评审一追问就崩。与其这样，不如把所有可疑参数拉出来做敏感性分析，把“偏高方案”和“保守方案”摆在一起，说明正常情况下建议采用哪组数据。这样整个评估报告才真正可落地，也能给后续新能源装机申报提供准确依据。

如果你手头正好有类似的源网荷储评估需求，建议先不要急着改代码。第一步，把负荷、光伏、风电三条曲线整理成时间序列；第二步，确定电网交互极限和储能造价；第三步，把这里的代码跑通一个典型日；第四步，再按我前面说的敏感性分析方法扩大参数范围。这个顺序下来，你得到的不是一堆数字，而是一套能讲清楚原因、能说服他人的判断逻辑。