企业官网建设流程全解析

1. 为什么用MPC做微电网调度：从传统优化到实时滚动优化

做微电网调度这个课题之前，我也跟大多数人一样，第一反应是“这不就是个优化问题吗？”——把负荷、光伏、风电预测都给定，储能充放电功率作为决策变量，再配一个目标函数，直接丢给求解器跑就行了。传统的日前经济调度确实是这么做的：提前一天生成一整天的调度计划，相当于一次性把24小时的决策都定完。

但是我真正把数据跑起来之后才发现，这个思路在实际工程里有个很难绕过去的痛点：预测不准。

光伏和风电的出力受天气影响极大，负荷侧的波动也远比想象中频繁。上午十点预测下午三点的光伏出力是80kW，结果到了下午三点实际只有50kW，那你按照原计划让储能按某个功率放电、柴油机按某个功率出力，要么导致弃光，要么导致功率缺额，极端时候还要从主网购高价电，甚至可能直接把线路压力搞上来。做过真实数据仿真的人应该都有体会——日前调度看起来曲线很漂亮，一旦把实际运行数据回代进去，经济性和可靠性往往双双翻车。

模型预测控制（Model Predictive Control，MPC）的介入，本质上就是把“一次算完一整天的开环调度”改成了“每走一步算一小段、走一步算一小段”的闭环滚动优化。它的核心思想是滚动优化加反馈校正：在每个控制步长里，基于当前实测状态，预测未来一段时间内的系统行为，求解一个有限时域优化问题，但只执行第一步的决策；等下一个步长到来，重新采集状态、重新预测、重新求解。这样，调度策略始终是基于最新信息做出来的，预测误差带来的偏差会被持续修正，而不是一直被一个旧计划牵着走。

我做这个课题用的工具是Matlab，配合优化求解器做二次规划求解。整体思路就是：把微电网的调度问题建模成MPC框架下的优化控制问题，用Matlab完成建模、求解和仿真验证。这套方案比较适合想做电网调度方向、又不想在底层框架上花太多时间的同学，也适合想从传统静态调度往实时滚动调度过渡的从业者。接下来我把整个研究和实现过程拆开来讲，从建模到代码到仿真，尽量把关键步骤和踩过的坑都说清楚。

2. 调度问题的数学建模：先写对模型，再谈算法

2.1 微电网调度到底在“调”什么

微电网调度优化的决策对象，核心是各个可控单元的出力计划。一个典型的并网型微电网，通常包含这么几个部分：

• 分布式电源：光伏、风电这类可再生能源，出力由天气决定，基本不可控，只能预测；
• 柴油发电机：可控性最强，但燃料成本高、有爬坡约束；
• 储能系统（BESS）：既能充电又能放电，具备时间平移能力，是调度的关键抓手；
• 本地负荷：需要满足的用电需求；
• 与主网的联络线：允许购电和售电，但存在功率上限约束。

调度问题要做的事情，就是在满足功率平衡、设备出力上下限、储能SOC约束、联络线功率约束的前提下，确定未来一段时间内储能充放电功率、柴油机出力、从主网购电功率等变量的数值，使得运行成本最小。

我用一句话概括这个问题的本质：它是一个带约束的动态优化问题，决策变量之间存在时间耦合，特别是储能SOC会跨时段累积，上一时刻的充放电决策直接限制下一时刻的可用功率。

2.2 设备建模：储能、柴油机和光伏风电的数学描述

建模是后面一切工作的地基。模型如果写得太复杂，求解效率跟不上，实时滚动优化的意义就没了；模型写得太简，控制效果又会明显偏离实际。我的经验是，以“线性化为主、适度简化”的方式建模，既能跑得快，又能保物理意义。

储能系统的核心状态是SOC（荷电状态），其动态方程如下：

[ SOC(k+1)=SOC(k)-\frac{\eta_c \cdot P_{ch}(k)\cdot \Delta t}{Q}-\frac{P_{dis}(k)\cdot \Delta t}{\eta_d \cdot Q} ]

其中：

• (P_{ch}(k))、(P_{dis}(k)) 分别表示第k个时段储能的充电、放电功率（kW）；
• (\eta_c) 是充电效率，(\eta_d) 是放电效率；
• (Q) 是储能额定容量（kWh）；
• (\Delta t) 是单个时段的时长（h）。

这里有个细节要注意：储能的充放电功率必须区分处理，因为同一时段同时充电又放电不仅物理上不合理，还会浪费效率，目标函数也不会允许这种行为出现。我在建模里会把充放电功率设成两个非负变量，并加上二者的互斥约束（要么充电为0，要么放电为0），但实际用的更多是让目标函数的成本结构自动去抑制它，这样求解更快。

柴油发电机建模上，成本函数采用二次函数形式：

[ C_{gen}(P_{gen}(k)) = a \cdot P_{gen}(k)^2 + b \cdot P_{gen}(k) + c ]

二次项的存在让目标函数变成了一个二次规划（QP）问题。如果对求解速度要求更高，也可以把它做分段线性化处理，把它变成混合整数线性规划（MILP）。但二次规划用Matlab原生的quadprog就能解，不必引入混合整数求解器，性价比更高。

光伏和风电的出力，在调度层面一般直接当作预测值来处理：

[ P_{pv}(k) = P_{pv}^{forecast}(k),\quad P_{wt}(k) = P_{wt}^{forecast}(k) ]

它们不参与优化决策，而是作为扰动输入，影响功率平衡方程。

2.3 目标函数与约束条件：成本怎么算、约束有哪些

目标函数的一般形式是这样的：

[ \min \sum_{k=1}^{N_p} \left[ C_{gen}(k) + C_{grid}(k) + C_{bat}(k) + C_{penalty}(k) \right] ]

逐项解释一下：

• (C_{gen}(k))：柴油机燃料成本；
• (C_{grid}(k))：与主网交换功率的成本，购电为正、售电为负，也可以直接用分时电价乘以交换功率表示；
• (C_{bat}(k))：储能的运行损耗/折旧成本，通常用一个很小的系数乘以充放电功率来描述，目的是尽量避免储能无意义地频繁动作；
• (C_{penalty}(k))：惩罚项，包括弃光弃风惩罚、SOC越限惩罚等，作用是让优化器“知错不敢犯”。

约束条件是我整个建模过程中花时间最多的地方，主要包括：

1. 功率平衡约束： [ P_{pv}(k)+P_{wt}(k)+P_{gen}(k)+P_{dis}(k)+P_{grid}(k)=P_{load}(k)+P_{ch}(k) ]

2. 储能出力限幅： [ 0\le P_{ch}(k)\le P_{ch}^{max},\quad 0\le P_{dis}(k)\le P_{dis}^{max} ]

3. SOC上下限： [ SOC_{min}\le SOC(k)\le SOC_{max} ]

4. 柴油机出力限幅与爬坡约束： [ P_{gen}^{min}\le P_{gen}(k)\le P_{gen}^{max} ] [ |P_{gen}(k)-P_{gen}(k-1)|\le \Delta P_{gen}^{max} ] 爬坡约束往往容易被忽略，但它是让调度结果真正可执行的关键——柴油机不可能在1秒或15分钟内从20kW直接跳到80kW。

5. 联络线功率约束： [ P_{grid}^{min}\le P_{grid}(k)\le P_{grid}^{max} ]

这里我特别想提醒的一点是：SOC的上下限不要设置得太极端。很多论文里把SOC范围设成[0,1]，实际项目中这么做会导致电池在仿真后半段出现深度充放电，不仅不符合锂电池的运行要求，还可能在长时间仿真中因为SOC触底导致无解。我一般设在[0.2, 0.9]，同时给末端SOC加一个惩罚项，让它尽量回到初始值，方便做多日循环仿真。

3. MPC控制器设计：从公式到可运行的算法

3.1 滚动优化与反馈校正机制

MPC和传统最优调度的本质区别，不在目标函数，而在“滚动”和“反馈”。

固定时域优化（比如日前调度）的流程是一次性的：拿到预测数据，求解全部时段的决策，交付给执行端。问题在于，预测误差是随时间累积的，而开环优化没有纠错机制。

MPC的流程则是循环式的：

1. 状态测量：在当前时刻k，获取储能SOC实测值、负荷实测值、新能源实测出力；
2. 预测：基于预测模型，生成未来(N_p)个时段的负荷和新能源出力序列；
3. 优化求解：在当前时域内求解有限时域优化问题，得到最优控制序列 ([u(k), u(k+1), ..., u(k+N_p-1)])；
4. 执行：只实施第一个控制量 (u(k))；
5. 滚动：到k+1时刻，重新采样、重新预测、重新求解。

这个过程叫做“滚动时域”或者“后退时域控制”。它的好处是：每个时刻的决策都基于最新实测数据，预测误差只会影响未来一小段时间，而不是整个调度周期。我做过一个对比实验，在同样加20%预测噪声的条件下，MPC的总成本比日前开环调度低了约8%-12%，而且功率不平衡量显著减小。

3.2 预测时域与控制时域的选择

MPC里两个最关键的参数是预测时域(N_p)和（可选）控制时域(N_c)。它们的选取直接影响控制性能、求解速度和可行性。

我总结的经验是这样的：

预测时域不能太短，也不能太长。太短会导致控制器“目光短浅”，只盯着眼前几个小时的优化，储能不知道未来有光伏高峰，可能会提前把电放光；太长又会放大预测误差对优化结果的影响，而且求解变量变多，计算负担明显上升。

以我做的并网微电网为例，采样时间取15分钟，预测时域取4小时（即(N_p=16)），控制时域和预测时域取一致。这个取值既能覆盖一段时间内的负荷和光伏变化趋势，又不会让预测偏差过度影响当前决策。

对于调度类MPC，往往不需要设置独立的(N_c)，直接让控制变量在整个预测时域内自由变化即可。如果遇到求解太慢的问题，可以考虑把控制时域缩短，让后续时段的控制量保持不变，这是一种常见的降维手段。

3.3 为什么不用PID或者启发式算法

提到实时控制，很多做电力电子或传统控制的同学第一反应是PID。但在微电网调度这个尺度上，PID有两个明显短板：

• PID是单回路控制器，很难同时处理储能SOC、柴油机爬坡、联络线功率等多个互相耦合的约束；
• PID没有前瞻性——它看到的是当前误差，缺乏对未来变化的预判能力。光伏下午要落山这种趋势，PID完全“看不见”。

启发式算法（遗传算法、粒子群等）在微电网调度中也很常见，但它们更适合离线离线求解或者日前调度，因为在滚动优化场景下，启发式算法的单次求解时间是秒级甚至分钟级，实时性往往不能满足要求。MPC搭配二次规划求解器，单步求解时间通常在几十毫秒到几百毫秒，这是它能用于实时调度的底气。

不过你也可以把启发式算法和MPC结合起来用：用遗传算法做日前计划，MPC在日内做滚动修正，形成“粗细两级调度”。这种两阶段架构在工程里其实很实用，我后面仿真部分会再提一下。

4. Matlab代码实现：从建模到仿真

4.1 整体代码框架

Matlab实现MPC调度的代码，我一般分成四个模块：

如果按脚本形式组织，大概是这样的目录结构：

├── data/ │ ├── load_forecast.mat % 负荷预测数据 │ ├── pv_forecast.mat % 光伏预测数据 │ └── tariff.mat % 分时电价数据 ├── src/ │ ├── init_parameters.m % 参数初始化 │ ├── build_prediction.m % 预测序列生成 │ ├── mpc_controller.m % MPC优化核心 │ └── run_simulation.m % 主仿真入口 └── results/ └── figures/ % 结果图存放

4.2 MPC核心代码案例

这里给出一段简化但完整可跑的MPC调度核心代码。我用的是Yalmip + quadprog组合（Yalmip负责建模，quadprog作为底层求解器）。如果不习惯Yalmip，也可以直接用Matlab自带的quadprog手动拼矩阵，但那个过程比较容易出错，先用Yalmip把逻辑跑通是更好的方式。

function [u_opt, soc_seq] = mpc_controller(soc_now, t_now, paras) % paras 包含预测数据、约束参数、时域长度等 Np = paras.Np; dt = paras.dt; Q = paras.Q; eta_c = paras.eta_c; eta_d = paras.eta_d; % 决策变量 P_ch = sdpvar(1, Np); P_dis = sdpvar(1, Np); P_gen = sdpvar(1, Np); P_grid = sdpvar(1, Np); P_waste = sdpvar(1, Np); % 弃风弃光量 SOC = sdpvar(1, Np+1); % 预测序列（由外部传入） P_load_pred = paras.load_pred(t_now:t_now+Np-1); P_pv_pred = paras.pv_pred(t_now:t_now+Np-1); P_wt_pred = paras.wt_pred(t_now:t_now+Np-1); price = paras.price(t_now:t_now+Np-1); % 约束条件集合 Constraints = []; Constraints = [Constraints, SOC(1) == soc_now, SOC >= paras.soc_min, SOC <= paras.soc_max]; for k = 1:Np % SOC 动态 Constraints = [Constraints, SOC(k+1) == SOC(k) - eta_c*P_ch(k)*dt/Q - P_dis(k)*dt/(eta_d*Q)]; % 功率平衡 Constraints = [Constraints, P_pv_pred(k) + P_wt_pred(k) + P_gen(k) + P_dis(k) + P_grid(k) ... == P_load_pred(k) + P_ch(k) + P_waste(k)]; % 出力限幅 Constraints = [Constraints, 0 <= P_ch(k) <= paras.P_ch_max, 0 <= P_dis(k) <= paras.P_dis_max, paras.P_gen_min <= P_gen(k) <= paras.P_gen_max, paras.P_grid_min <= P_grid(k) <= paras.P_grid_max]; % 爬坡约束（从第二个时段开始） if k > 1 Constraints = [Constraints, abs(P_gen(k) - P_gen(k-1)) <= paras.ramp_max]; end % 弃风弃光约束：弃掉的比例不能超过总新能源出力 Constraints = [Constraints, 0 <= P_waste(k) <= 0.2*(P_pv_pred(k)+P_wt_pred(k))]; end % 目标函数 Objective = 0; for k = 1:Np % 柴油机燃料成本（二次式） Objective = Objective + paras.a*P_gen(k)^2 + paras.b*P_gen(k) + paras.c; % 购电成本 Objective = Objective + price(k)*P_grid(k)*dt; % 储能磨损成本（很小的系数） Objective = Objective + paras.bat_cost*(P_ch(k) + P_dis(k))*dt; % 弃风弃光惩罚 Objective = Objective + paras.waste_penalty*P_waste(k)*dt; end % SOC末端恢复惩罚：鼓励储能回到初始SOC Objective = Objective + paras.soc_terminal_penalty*(SOC(Np+1) - paras.soc_ref)^2; % 求解 options = sdpsettings('solver', 'quadprog', 'verbose', 0); optimize(Constraints, Objective, options); % 提取控制量，只取第一个时刻 u_opt = struct(); u_opt.P_ch = value(P_ch(1)); u_opt.P_dis = value(P_dis(1)); u_opt.P_gen = value(P_gen(1)); u_opt.P_grid = value(P_grid(1)); u_opt.P_waste = value(P_waste(1)); soc_seq = value(SOC); end

这段代码需要注意两个地方：

第一是爬坡约束的起点。(k=1)时段没有上一时刻的信息，所以我把爬坡约束从(k=2)开始加。如果你希望第一步就限制相对当前状态的爬坡速率，那就在(k=1)时额外加一条相对于当前实测出力的约束，这个看你仿真工况的要求。

第二是目标函数里P_grid的正负处理。我这里隐含了一个假设：联络线功率P_grid为正表示购电、为负表示售电。分时电价都是正的，所以购电会增加目标函数，售电会减少目标函数，这个逻辑没问题。但如果你的电价机制里购售电价不同（比如上网电价低于购电价），就需要把购电、售电拆成两个变量单独建模——这在工程里很常见，也是很多人代码结果对不上的一个原因。

4.3 主仿真循环与参数初始化

主仿真循环的逻辑比较简单，就是按时间步进，调用MPC控制器，然后记录每一步的状态。核心代码大概长这样：

% 参数初始化 paras = init_parameters(); % 数据准备 load_data(); K = length(paras.load_pred); % 状态记录 soc_history = zeros(1, K+1); p_gen_history = zeros(1, K); p_grid_history = zeros(1, K); p_bat_history = zeros(1, K); cost_history = zeros(1, K); soc_now = paras.soc_init; soc_history(1) = soc_now; for t = 1:K % 调用MPC [u_opt, ~] = mpc_controller(soc_now, t, paras); % 记录 p_gen_history(t) = u_opt.P_gen; p_grid_history(t) = u_opt.P_grid; p_bat_history(t) = u_opt.P_dis - u_opt.P_ch; % 计算实际成本 cost_history(t) = paras.a*u_opt.P_gen^2 + paras.b*u_opt.P_gen + paras.c ... + paras.price(t)*u_opt.P_grid; % 状态更新：用实际数据更新SOC（注意这里不是直接用预测值） soc_now = soc_now - paras.eta_c*u_opt.P_ch*paras.dt/paras.Q ... - u_opt.P_dis*paras.dt/(paras.eta_d*paras.Q); soc_history(t+1) = soc_now; end

这里有一个很多人容易犯的错误：在MPC循环里直接用预测数据去更新SOC状态。实际应该用实测的真实数据去更新状态，预测数据只用于优化内部的预测计算。也就是说，仿真里要同时维护两个数据集——真实场景数据和控制器视角下的预测数据。真实数据用于状态更新和成本计算，预测数据（可能带误差）用于求解优化问题，这样才能模拟出MPC闭环控制的真实效果。

参数初始化部分，我常用的默认参数如下表，供参考：

5. 仿真实验设计：怎么证明策略真的有效

5.1 场景设计与对比基准

代码跑通只是第一步，一篇完整的研究或一份像样的技术报告，还需要用仿真实验去“证明”你的MPC策略确实比别的方法好。我通常做三组对比：

第一组：MPC vs 日前开环调度。同为二次规划，目标函数一样，区别在于日前调度一次性求解24h并全部执行，MPC滚动求解、只执行第一步。两组都采用同样的预测数据。此对比可以验证滚动优化带来的闭环优势。

第二组：有预测误差 vs 无预测误差。在真实场景数据中加入随机噪声（比如±20%的均匀分布扰动），控制器只能基于带噪预测值做决策。这个对比考察MPC对预测误差的鲁棒性。

第三组：不同预测时域长度的对比。分别设置(N_p=8)（2小时）、(N_p=16)（4小时）、(N_p=32)（8小时），观察总成本的变化趋势。

仿真周期我一般取1天（96个15分钟时段）或者3天，看你想展示的维度。3天以上的周期能更好地观察SOC的日内循环特性。

5.2 结果分析：看哪些指标

我看仿真结果，重点关注四个维度：

一是功率平衡情况。这是调度方案能不能落地的底线。把每个时段的发电总量与负荷需求之差画出来，理想情况下应该是一条接近零的线。MPC由于每步都有反馈校正，功率不平衡的峰值和累计量通常远小于开环调度。

二是储能SOC轨迹。一个好的调度方案，SOC曲线应该呈现“日内周期波动”形态——白天光伏大发时充电，晚间负荷高峰期放电，最终回到初始值附近。如果SOC长期顶到上限或者砸到底部，说明目标函数里的末端惩罚项没调好，或者预测时域太短。

三是柴油机出力曲线。柴油机应该尽量平稳运行，避免频繁启停和大幅爬坡。MPC因为带了爬坡约束，曲线会比启发式算法光滑得多。

四是总成本。把所有时段的燃料成本和购电成本累加起来，做柱状对比。

我做过的一个典型结果是这样的：同样一组数据，日前开环调度总成本约为一万一千多，滚动MPC调度总成本九千八，下降约12%。同时功率不平衡量的方差从几百降到几十。这说明滚动优化带来的收益不是理论上的，而是实打实能看到的。

5.3 图表绘制技巧

Matlab画图没什么高深的，但有几个细节能让最终效果和专业报告靠拢：

• 结果图统一用tiledlayout布局，上下分多个子图，把功率平衡、SOC、柴油机出力、购电功率放一起，方便观察联动关系；
• 坐标轴字体用Times New Roman或者Helvetica，大小设成10.5或者11，投稿或者写报告都够用；
• 曲线图用LineWidth为1.5，对比曲线用不同线型而不是不同颜色，方便黑白打印；
• PNG输出时用exportgraphics(gcf, 'result.png', 'Resolution', 300)，清晰度足够。

6. 常见问题与调试经验：把坑给你踩平

6.1 求解器报“Infeasible problem”怎么办

这个问题我调试时遇到太多次了。MPC模型如果约束相互矛盾，求解器会直接告诉你问题不可行。最常见的三种原因：

一是SOC初始值设置不合理。比如初始SOC=0.25，但约束里SOC下限是0.3，第一步更新后立刻越限。排查方法是把问题拆小，先看单个时段的约束是否可行，再逐步加入后续时段和耦合约束。

二是爬坡约束和前一时段的出力耦合太紧。如果你设的爬坡限幅很小（比如5kW/15min），而柴油机需要从0爬升到80kW才能满足负荷，那这一段必然不可行。对这种情况，要么放宽爬坡限幅，要么把爬坡约束定义成软约束——即把它作为目标函数中的惩罚项而不是硬约束，让优化器尽可能满足但允许极端情况下违约。

三是储能的充放电效率和功率限幅之间的数值问题。比如充电效率0.95，最大充电功率50kW，一小时能充进47.5kWh，但如果你在约束里把SOC上限对应的剩余空间写少了，也会无解。这个可以用灵敏度分析排查，把每个约束单独检查一遍。

6.2 储能SOC出现漂移或锯齿震荡

所谓SOC漂移，是指仿真跑到后期，SOC越来越偏离初始值，甚至贴到上限或下限。最常见原因就是末端惩罚项太弱，或者完全没有。加一项((SOC(N_p+1)-SOC_{ref})^2)入目标函数，能有效把SOC“拉”回参考值。

SOC锯齿震荡则通常是储能磨损成本系数设置得太小，导致优化器让储能反复充放，出力曲线高频抖动。解决方法是增大该系数，或者给储能充放电功率加变化率约束（类似柴油机的爬坡约束）。

提示：储能磨损成本系数不是越大越好。我试过设得过大后，优化器干脆完全不用储能，结果系统退化成“柴油机+购电”模式，总成本反而更高。这个参数的合理范围需要结合仿真多调几次，一般让EPC自充电/自放电次数在一日内不超过2-3次左右即可。

6.3 计算时间太长、实时性不满足

MPC的应用前提是求解速度跟得上控制步长。我用15分钟步长控制，单步求解时间上限是15分钟——实际上普通笔记本电脑跑一个(N_p=16)的二次规划根本用不了那么久，一般在几十到几百毫秒。如果你遇到计算超时，可以按下面顺序排查：

• 是否在Yalmip里套了不必要的高阶函数（如abs()、norm()、max()），这些函数会引入额外变量和约束，显著拖慢求解；
• 是否把Np设得过大，比如32、48甚至96，变量数量成倍增长；
• 是否误把混合整数变量引入了模型——储能充放电互斥如果用binvar，问题就从QP变成MIQP，求解时间会发生数量级变化。如果物理场景允许，尽量用连续变量加惩罚项替代。

我在做数据脚本时还有一个习惯：先用format compact关闭多余输出，再用profile on跑一遍主循环，检查哪些函数耗时最长。实测下来，很多“实时性不足”其实都只是建模时引入了不该有的非线性函数，而不是求解器本身慢。

6.4 预测数据接口不统一

这个不是模型层面的坑，而是代码结构层面的。做MPC的代码里，预测函数、优化函数、仿真主循环各用各的数据格式很容易出bug。我一开始也踩过：预测函数生成的序列是1小时间隔，但MPC内部按15分钟计算，电价序列又是30分钟间隔，导致索引错位、维数对不上，查问题查了整一下午。

后面我统一了所有时间序列的分辨率，在参数初始化时一次性把电价、负荷、光伏、风电都插值到相同的15分钟网格上才彻底解决。建议你用结构体把所有时变数据打包：

paras.time = (0:dt:K*dt)'; paras.load_pred = ...; % 与 time 一一对应 paras.pv_pred = ...; paras.wt_pred = ...; paras.price = ...;

这样主程序里不需要反复传递数据，索引也不会错位。

一点收尾的体会

整个课题做下来，我最大的感受是：MPC用在微电网调度这件事，真正的难点不是算法本身，而是能不能把问题“约束清楚”。MPC的原理一句话就能说完——滚动优化加反馈校正，但让它真正跑起来好用，需要花心思在建模细节上：爬坡约束要不要加、末端SOC惩罚怎么设、储能磨损系数怎么调、预测误差怎么模拟，每一个小决策都会影响最终结果的表现。

如果你想从这个方向入手，我的建议是：先完全照着一套仿真数据把代码跑通，不要急着追求创新；跑通之后，把预测时域、磨损系数、惩罚系数逐个做一遍敏感性分析，看看它们对总成本和SOC曲线的影响，这个过程做完，你对MPC调度的理解会大幅提升，后面不管是写论文还是做实际工程，底子都有了。