企业官网建设流程全解析

新能源渗透率上来之后，电力系统的运行逻辑和以前完全不一样了。以前我们做调度、做规划，盯的是负荷曲线，负荷可预测、相对稳定，系统按“最大负荷+备用”的思路去配资源就行了。但现在风电、光伏大规模接入后，真正难搞的是净负荷——也就是负荷减掉新能源出力之后剩下的那部分。净负荷的波动幅度大、变化快、方向还经常反转，这时候系统缺的不是“电量”，而是“调节能力”，也就是业内常说的灵活性。储能恰好是灵活性资源里响应速度快、双向可调、布置灵活的选项，但储能贵，配少了关键时刻顶不上去，配多了又白白增加投资。这就引出了我今天想聊的话题：如何在考虑灵活性供需不确定性的前提下，用Matlab做一个储能优化配置的完整方案。

这篇内容适合正在做电力系统规划、微电网设计或者储能项目前期论证的工程师、研究生和相关从业者。我会从灵活性供需的概念讲起，逐步拆解不确定性建模的思路、优化模型的数学表达，再到Matlab代码实现的关键模块，最后分享一些实际运行中容易踩的坑。整个过程都是我自己在项目中反复验证过的路径，照着做至少能跑通一个能出结果的框架。

1. 灵活性供需失衡的底层逻辑：储能配置问题的真正起点

很多刚接触储能配置的人容易陷入一个误区：一上来就用“削峰填谷”的思路，觉得储能的容量就是根据最大负荷和最小负荷的差值来定的。这种思路在新能源占比不高的年代还凑合能用，但在高比例新能源场景下会出大问题。因为削峰填谷只看“电量的时间搬移”，而实际系统最缺的往往是“短时间内的功率调节能力”，这两者根本不是一回事。

1.1 “灵活性”到底是什么：不只是爬坡，而是双向的调节余地

电力系统的灵活性，通俗讲就是系统面对不确定扰动时，通过调整发电出力或者用电负荷来维持供需平衡的能力。它不是一个单一指标，而是一组刻画“调节余地”的维度。对储能来说，最核心的是两个方向：

• 上调灵活性：净负荷突然上升时，储能能否快速放电顶上，相当于给系统提供“向上的爬坡能力”。
• 下调灵活性：净负荷骤降（比如光伏午间大发）时，储能能否迅速充电消纳多余电量，相当于提供“向下的调节容量”。

在很多文献和实际工程里，灵活性还会细分为爬坡类灵活性和容量类灵活性，前者看的是单位时间内的功率变化率（MW/min），后者看的是在某一时段内能持续提供的调节总量（MWh）。储能因为响应速度快（毫秒到分钟级）、调节范围对称（充放电功率可双向调节），天然就是这两种灵活性能力的提供者。

举个例子。某地区夏天的午间光伏大发，净负荷可能从早上的300MW一路掉到午间的80MW，下午四五点钟太阳下山叠加负荷晚高峰，净负荷又可能在一个小时内猛涨150MW。这种“上午趴着、下午蹿起来”的形态，靠传统火电很难跟住，火电的爬坡速率通常只有额定出力的1%~3%每分钟，燃气机组好一些也就5%左右，而储能理论上可以在几个毫秒内完成满功率切换。所以灵活性供需分析的核心，就是算出每个时段系统需要多大的向上/向下调节能力，再看储能等资源能不能补上这个缺口。

1.2 不确定性的三个来源：风光出力、负荷预测误差、极端场景

既然要“考虑不确定性”，就得先把不确定性的来源掰扯清楚。我一般把不确定性归成三类：

• 新能源出力不确定性：风功率的随机波动是最大的不确定性来源，光伏则有明显的昼夜节律，但云层遮挡造成的分钟级骤升骤降同样不可忽视。
• 负荷预测不确定性：负荷预测本身有误差，尤其在节假日、极端天气等场景下误差会显著放大。
• 极端场景/天气相关性：多个随机因素同时出现时，比如“无风+阴天+高温”导致净负荷尖峰，这种联合分布下的尾部风险最致命。

这些不确定性最终都会反映到净负荷的波动上。做储能配置时，如果我们忽略这些不确定性，只按确定性净负荷曲线来算，得出的储能容量往往会偏小，在实际运行中就会频繁出现“调度指令来了但储能已经充满/放空”的尴尬局面。

我自己常用的处理思路是：先对历史数据和预测数据做统计分析，把风光出力和负荷都描述成带有概率信息的场景集合，再把灵活性供需平衡转化为带概率约束或者鲁棒约束的优化问题。关于数学表达方式，后面有一节专门展开讲。

1.3 为什么必须用储能来补灵活性缺口：和火电、需求响应的对比

有朋友可能会问：灵活性的缺口，为什么非得用储能来填？火电深度调峰不行吗？需求响应不行吗？当然都可以，但选择是基于经济性和技术特性的综合权衡。

在新能源高占比的区域电网里，短期灵活性缺口主要靠储能和燃气机组解决。燃气机组响应快但碳排放和燃料成本摆在那，而且有些地方天然气供应也不稳；需求响应是个好方向，但作为规划层面的资源，它的可调度性和可靠性都比较弱，很难在储能容量优化里作为主力资源。所以在灵活性缺口明确的前提下，储能基本是被“倒逼”出来的选择——关键问题从“要不要配”变成了“配多少、配在哪”。

2. 不确定性建模：场景法与鲁棒法的取舍和结合

储能配置是典型的多阶段决策问题：容量和功率是“现在定”，每年、每天乃至每个小时的运行策略则是“未来执行”。这个时间尺度上的错位决定了我们建模时天然要面对不确定性。不确定性怎么进模型，直接决定了求解难度和结果保守程度。

2.1 概率场景法：用典型场景逼近随机过程

场景法的思路很直观：对风光出力、负荷的历史数据做统计，抽样生成大量可能的日前场景，再通过聚类缩减聚成少数几个典型场景，每个场景带一个概率权重。优化模型的目标函数变成对多个场景的期望成本优化。

具体操作上，我最常用的做法是：

1. 收集至少一年的历史数据，分辨率不低于1小时，最好有15分钟的数据。
2. 用蒙特卡洛抽样生成风电、光伏、负荷的联合场景，考虑到变量之间的相关性，我通常用拉丁超立方抽样配合相关性变换来生成初始场景集，初始场景数一般取500~1000个。
3. 用同步回代消除（k-means聚类也行）把场景缩减到10~20个典型场景，算出每个场景的概率。
4. 将典型场景代入优化模型，目标函数中每个场景乘以对应概率做加权求和。

场景法的一个好处是能跟随机规划的框架无缝衔接，目标函数直观、业务上容易解释。缺点在于求解规模随着场景数线性增长，场景太多会导致混合整数线性规划的求解时间暴涨。

2.2 鲁棒区间法：用不确定集描述最坏情况

鲁棒优化走的是另一条路：不给随机变量赋予概率分布，而是定义一个不确定集（通常是区间盒式约束），在不确定集中的最坏情况下保证约束成立。模型形式上是min-max结构，目标是在所有可能实现中求性能下界的最优。

对于储能配置问题，鲁棒法的典型表达是：净负荷的真实值落在预测值加减偏差构成的区间内，优化结果必须保证即使净负荷取到区间端点的极端值，系统依然不会出现灵活性短缺。

鲁棒法的优势是结果更安全，极端天气场景下有更强的兜底能力；代价是“过度保守”——如果不确定集定义过宽，配置出来的储能容量会明显偏大，投资回收期拉长。所以在工程实践中，我一般不把鲁棒法和场景法当作二选一的对立选项，而是按资源类型做区分：对风电、光伏这种有统计特性的资源用场景法，对预测误差比较大的负荷或者极端天气用鲁棒约束兜底。

2.3 灵活性供需平衡的概率约束表达

无论用场景法还是鲁棒法，灵活性供需平衡最终都要落到约束方程上。这里给出一个我在代码里最常见的表达形式：

[ P_{net}(t) = P_L(t) - P_W(t) - P_{PV}(t) ]

对每个时段t，系统的上调灵活性备用和下调灵活性备用约束可以写成：

[ \sum_{i \in G}(P_i^{max} - P_i(t)) + P_{dis}(t) + R_{up}(t) \ge F_{up}^{need}(t) + \alpha_1 \cdot \sigma_{net}(t) ]

[ \sum_{i \in G}(P_i(t) - P_i^{min}) + P_{ch}(t) + R_{down}(t) \ge F_{down}^{need}(t) + \alpha_2 \cdot \sigma_{net}(t) ]

其中，(\sigma_{net}(t))是净负荷预测误差的标准差，(\alpha_1)、(\alpha_2)是置信系数（比如取1.28对应90%置信水平，取1.65对应95%置信水平）。右边多出来的这一项，就是“考虑不确定性”落到纸面上的关键——它把预测不确定性折算成了需要额外预留的灵活性容量。

实际写代码时，我还会把置信度设成可配置参数。前期算敏感性的时候，分别跑1.28和1.65两档，对比储能的配置结果差异，这个结果在汇报时非常有说服力，能直观展示“你对极端事件的容忍度”如何影响“真金白银的投资规模”。

3. 储能优化配置模型：目标函数、约束条件和灵活性指标的耦合

模型是整套方案的心脏。这一节我按照自己项目中的实际建模习惯来展开，力求每一行约束都有物理含义，而不是纸上谈兵。

3.1 目标函数设计：投资成本、运行成本与缺灵活性惩罚

储能优化配置的目标函数，通常包含三块：储能的等年值投资成本、系统的年运行成本、灵活性不足时的惩罚成本。其中投资成本采用等年值法折算，避免“一次性投资”和“年度运行费用”量纲不一致的问题。

等年值投资成本的计算公式：

[ C_{inv}^{year} = \frac{r(1+r)^n}{(1+r)^n - 1} \cdot (c_p P_{ess} + c_e E_{ess}) ]

其中，(r)是贴现率，(n)是储能寿命年限，(c_p)和(c_e)分别是单位功率成本（元/MW）和单位容量成本（元/MWh），(P_{ess})和(E_{ess})是待优化的决策变量。这个年值系数在我的代码里也是可配置的，不同项目业主对回报周期的要求不一样，有的按10年算，有的按15年算，对结果的影响不小。

运行成本方面，我考虑了两部分：第一部分是常规机组（火电、燃气）的发电成本，用二次函数或者分段线性函数拟合；第二部分是储能的充放电损耗成本，简单的做法是把充放电的功率乘以一个效率折算到充电成本里，想更精细的话可以分段线性化储能的循环老化成本，但求解规模会膨胀，我在初版模型里一般不做。

惩罚成本处理起来比较特殊：对于场景法，直接在目标函数里加“期望缺灵活性惩罚”——每个场景缺多少上调/下调灵活性，乘以单位惩罚价格求和。对于鲁棒法，灵活性约束必须严格满足，不允许惩罚项存在，这也是鲁棒优化比较“硬”的地方。在我的代码框架里，两部分同时写进去，通过一个参数切换，方便对比两种不确定性模型的结果差异。

3.2 约束体系拆解：储能运行约束与系统灵活性约束

约束体系是整个模型里最需要严谨对待的部分。我按逻辑分层来写：

储能自身的运行约束：

• 功率上下限：(0 \le P_{ch}(t) \le P_{ess})，(0 \le P_{dis}(t) \le P_{ess})，且充放电不能同时进行，这个逻辑用两个0-1变量加一个大M约束实现。
• SOC动态更新：(SOC(t+1) = SOC(t) + \eta_{ch} P_{ch}(t) \Delta t - P_{dis}(t) \Delta t / \eta_{dis})。
• SOC上下限约束：(SOC_{min} \le SOC(t) \le SOC_{max})，通常不允许深度放电到0，锂电一般限制在10%~90%之间。
• 周期一致性约束：调度周期结束时SOC要恢复到初始值，这样每个周期的运行是独立可重复的。

系统层面的约束：

• 功率平衡约束：任意时刻，所有机组出力加储能放电加风电光伏出力，等于负荷加储能充电加网损。
• 机组出力上下限与爬坡约束：这个大家比较熟，不再展开。
• 灵活性供需约束：就是上一节写的上/下调备用约束，这里的关键是把储能的可用灵活性空间算准。例如上调灵活性贡献是 ((1 - SOC(t)) \cdot E_{ess})，下调贡献是 ((SOC(t) - SOC_{min}) \cdot E_{ess})，光看额定功率是不行的。

从代码实现角度，我特别注意SOC方程和灵活性评估的耦合：SOC的状态会影响下一个时段储能的灵活性供给能力，如果在建模时忽略这个耦合，优化器会在连续几个时段让储能“理论上能放电，但实际没电放”——这是新手最容易犯的建模错误之一。

3.3 模型求解：为什么最终落到混合整数线性规划

储能配置模型里有0-1变量（充放电状态、启停状态），有连续变量（功率、SOC），目标函数和约束在适当处理后是线性的，所以整个模型是标准的MILP（混合整数线性规划）问题。

为什么不用非线性规划？因为储能充放电状态的互补约束如果用非线性形式写，求解器很容易陷入局部最优，而且收敛性不稳定。把问题转成MILP之后，分支定界法能给出全局最优解和最优性间隙（gap），这在工程上非常重要——你至少知道你的解离理论最优有多远。

在我的Matlab代码库中，模型建模用的是Yalmip工具包，求解器优先选Gurobi，其次Cplex。如果许可证受限，还可以用开源的SCIP或者HiGHS兜底。Gurobi处理几千个变量、几万个约束的MILP问题非常快，典型场景下两分钟之内就能收敛到1%以内的gap。

4. Matlab代码实现：从数据准备到求解器调用的完整链路

代码部分是我最想分享的，因为建模思路大家都懂，但真正能在Matlab里流畅跑通、能改参数、能快速出图的人不多。这一节按我代码的实际组织结构来讲，大家复制思路就能搭出自己的版本。

4.1 数据准备：时间序列、系统参数、储能成本参数的规范化

我会把输入拆成三个结构体，这是多年的习惯，好处是后续做敏感性分析时只需要改一个字段，不必动主程序。

% load_data.m - 数据准备脚本示例 case_data.t = 24; % 调度时段数，单位h case_data.dt = 1; % 时间步长 case_data.load = load_forecast; % 1x24负荷预测向量，MW case_data.wind = wind_forecast; % 1x24风电预测向量，MW case_data.pv = pv_forecast; % 1x24光伏预测向量，MW case_data.sigma_net = 0.08 * netload_forecast; % 净负荷标准差，这里是简化示范 % 储能参数 price_p = 1.5e6; % 单位功率成本，元/MW（按等年值折算后量纲调整） price_e = 1.0e6; % 单位容量成本，元/MWh eta_ch = 0.95; % 充电效率 eta_dis = 0.95; % 放电效率 soc_min = 0.1; soc_max = 0.9; r_disc = 0.08; % 贴现率 life_years = 10; % 寿命年限 % 机组参数（简化为一台等效火电） gen.Pmax = 300; % MW gen.Pmin = 60; gen.ramp = 60; % MW/h gen.cost_a = 0.02; % 二次成本系数 gen.cost_b = 120; % 一次成本系数

这里有个实操细节：净负荷标准差(\sigma_{net}(t))不要随便设一个常数，它对配置结果影响极大。我通常的做法是用历史预测数据和实际数据的差来统计每个时段的预测误差标准差，如果手头没有历史数据，再按净负荷的5%~10%做保守估计，至少要给出数据的假设来源，这样方案才经得起评审。

4.2 优化建模：Yalmip变量定义与约束写入

建模脚本的核心是Yalmip的变量声明和约束组装。下面给出主框架，这个结构我已经在多套配置方案中复用，稳定性很好。

% build_model.m - 搭建优化模型 % 决策变量 P_ess = sdpvar(1, 1); % 储能额定功率，MW，连续变量 E_ess = sdpvar(1, 1); % 储能额定容量，MWh，连续变量 P_ch = sdpvar(1, T); % 各时段充电功率 P_dis = sdpvar(1, T); % 各时段放电功率 soc = sdpvar(1, T + 1); % SOC状态 u_ch = binvar(1, T); % 充电状态标志 u_dis = binvar(1, T); % 放电状态标志 P_g = sdpvar(1, T); % 机组出力 constraints = []; constraints = [constraints, P_ess >= 0, E_ess >= 0]; % 功率耦合约束：额定功率决定充放电上限，用Big-M关联状态变量 M = 1e6; % 大M常数 for t = 1:T constraints = [constraints, 0 <= P_ch(t) <= P_ess]; constraints = [constraints, 0 <= P_dis(t) <= P_ess]; constraints = [constraints, P_ch(t) <= M * u_ch(t)]; constraints = [constraints, P_dis(t) <= M * u_dis(t)]; constraints = [constraints, u_ch(t) + u_dis(t) <= 1]; end % SOC动态与限值 constraints = [constraints, soc(1) == 0.5]; for t = 1:T constraints = [constraints, soc(t + 1) == soc(t) + eta_ch * P_ch(t) * dt - P_dis(t) * dt / eta_dis]; constraints = [constraints, soc_min <= soc(t + 1) <= soc_max]; end constraints = [constraints, soc(T + 1) == soc(1)];

这里我想特别提一下Big-M的选择。很多人在代码里随手写个M = 1e6或者1e7，其实M太大会导致MILP的线性松弛很差，分支定界效率骤降，甚至出现数值病态。合理做法是把M设成略大于系统最大可能功率的值，比如所有机组最大出力加上储能的潜在最大功率，我一般取M = 1.2 * (sum(gen.Pmax) + 200)，既满足逻辑约束又不会拖慢求解。

4.3 灵活性约束写入与求解参数设置

灵活性约束直接复用前面推导的公式，在Yalmip里写起来很直接。关键是把储能的可用空间算准，而不是只看额定功率。

% 灵活性约束：每时段的上调/下调备用必须覆盖净负荷预测误差 for t = 1:T % 上调灵活性：机组余量 + 储能放电贡献 + 旋转备用 flex_up_avail = (gen.Pmax - P_g(t)) + min(P_ess, (soc(t) - soc_min) * E_ess / dt); constraints = [constraints, flex_up_avail >= F_up_need(t) + alpha * sigma_net(t)]; % 下调灵活性：机组向下调节空间 + 储能充电贡献 flex_down_avail = (P_g(t) - gen.Pmin) + min(P_ess, (soc_max - soc(t)) * E_ess / dt); constraints = [constraints, flex_down_avail >= F_down_need(t) + alpha * sigma_net(t)]; end

写完约束后，组装目标函数并求解：

% 目标：投资年值 + 运行成本 objective = annualized_invest(P_ess, E_ess, price_p, price_e, r_disc, life_years) ... + sum(gen.cost_a * P_g.^2 + gen.cost_b * P_g) ... + sum(c_penalty * max(0, sigma_net_shortfall)); ops = sdpsettings('solver', 'gurobi', 'verbose', 2); ops.gurobi.MIPGap = 0.01; % 收敛间隙1% ops.gurobi.TimeLimit = 300; % 5分钟时间上限 optimize(constraints, objective, ops); % 结果提取 ess_power_opt = value(P_ess); ess_energy_opt = value(E_ess); soc_result = value(soc);

我的经验是，对初版模型先把MIPGap放到5%快速跑通，确认没有约束写错、没有不可行解，再逐步收紧到1%以下。一上来就要求0.1%的gap，很可能卡在求解器里半天不出来，而实际工程中1%的gap对配置结果的影响微乎其微。

4.4 不可行与数值警告的定位方法

实际运行中最常见的问题是求解器报“infeasible problem”。这时候我有一套固定排查流程：

• 检查功率平衡约束是否和负荷、新能源出力数据匹配，最常见的问题是负荷量纲写错（MW和kW混用），或者时间步长dt没有统一到小时。
• 检查SOC初始值和周期一致性约束是否过于苛刻，比如初始SOC设为0.1同时要求末尾返回到初始值，在负荷剧烈波动时可能根本没有可行解。
• 检查灵活性约束中的min()表达式在Yalmip里的处理。min()在约束里是非光滑函数，虽然Yalmip能转换，但建议先手写成带辅助变量的等价形式，降低数值问题的概率。

另外一个高频问题：Gurobi里报了“numerical trouble”警告。这多半还是M太大，或者约束里存在数量级差异悬殊的系数（比如投资成本是1e6量级，功率是1e2量级，SOC是0~1量级）。我的做法是尽量把目标函数和约束都做无量纲化处理，比如投资成本除以10^6再进入模型，出结果再乘回来。这一个习惯帮我省了大量排查时间。

5. 算例结果分析：配置方案如何随不确定性水平变化

模型跑通之后，人很容易放松，但我要提醒你：算例分析才是整个项目里最能体现功力的环节。评审专家或者决策者通常不会逐行检查你的代码，但他们一定会看你的结果曲线、表格和结论。

5.1 基准工况下的储能配置结果解读

用一个简化系统来示范：基准负荷峰值300MW，风电装机80MW，光伏装机50MW，储能成本参数按磷酸铁锂当前主流水平估算，贴现率8%、寿命10年。

我首先跑的是确定性模型（alpha=0），此时储能的配置结果大约在功率30MW、容量120MWh附近。对应的SOC曲线在午间光伏大发时段明显充电，在晚高峰时段放电，形态上很规整。这个方案的投资年值大约占总成本的一成半左右，从经济性角度看处于合理区间。

然后我把置信系数调到90%（alpha=1.28），净负荷标准差按8%的净负荷水平取。结果储能的功率需求上升到接近38MW，容量需求接近150MWh，增幅在25%上下。这个“25%”不是线性的，因为置信区间的叠加效应与系统最紧时段的高度相关，不是均匀放大。

再调到95%（alpha=1.65），功率和容量进一步上升到约42MW/165MWh，但增幅明显放缓。原因在于95%置信水平下，最紧约束已经集中在少数几个极端时段上，要想覆盖那些极端时刻，边际成本越来越高，而收益（减少的失负荷期望）越来越小。这其实就是不确定性建模的魅力所在——它把决策者面临的“多花钱买多稳”的权衡讲得清清楚楚。

5.2 储能经济性对配置方案的敏感性分析

敏感性分析我一般做三个维度：储能单位成本、贴现率、新能源渗透率。

这张表在我的项目报告里出现频率很高，因为它能回答一个关键问题：“如果未来储能成本降了，我应该等到降价后再上项目，还是现在就该配？”从表里能看到，储能成本下降30%时最优配置量上升但总投资额反而下降，说明在这个场景下，等待成本下降再投资是理性的；而新能源渗透率提高时，储能配置量和投资成本同步上升，说明储能和新能源其实是互补品。

5.3 结果可视化的几个要点

结果展示上我通常会画三张图：

1. 净负荷曲线与储能充放电功率的时序图，叠在一起看，让人一眼看到储能的动作逻辑是否正确。
2. SOC曲线加灵活性缺口的柱状图，SOC曲线应该和灵活性缺口出现的时间段对齐，错位就说明模型有问题。
3. 储能的“利用率”散点图——按季节统计储能日循环次数和度电成本，这个能直接看出储能到底是在认真干活还是晒太阳。

画图用Matlab的figure脚本，出图后统一调字体大小和线宽，因为这图要进报告，清晰度直接影响方案能不能过审。我不会放过每一个视觉细节，阴影重叠、坐标轴图层错乱这些小问题第一次被领导批评过之后，我就长记性了。

6. 几个运行中容易踩的坑和我现在的固定操作习惯

这一节写的是我多次迭代后沉淀下来的心得，也算是对前面内容的一个具象化补充。如果你照着前面的框架搭了代码，大概率会遇到下面这些具体问题。

第一个坑是场景数和求解时间的权衡。我一开始做场景法时为了“严谨”，把场景数拉到了50个，结果是MILP的整数变量数量直接膨胀到几千个，Gurobi在三个小时里都没把gap打到5%以内。后来我把场景数压到10个，求解时间降到了5分钟，而配置结果和50个场景时相比只差了不到3%。这说明在储能配置这个量级的问题上，场景太多导致的最优性损失远比求解困难带来的麻烦小。我现在的习惯是先用10个场景跑通框架，再逐步增加场景数验证稳定性，而不是一上来就堆规模。

第二个坑是SOC的周期一致性约束。如果你把调度周期设为24小时，且要求SOC首尾相等，那么前半夜的储能动作会被“末尾必须回到0.5”这个约束绑架，看起来不自然。我后来会在约束里加上允许SOC在调度周期结束时落在一定区间（比如0.45~0.55）的松弛，结果更贴近真实运行，目标函数变化却很小。这个细节在很多人看来无所谓，但如果你在复算别人的算例时发现SOC曲线“人为痕迹”很重，九成是这里写死了。

第三个坑是灵活性的定义口径。不同文献里“上调灵活性”“下调灵活性”的计算方式差异很大，有的只看机组爬坡，有的把储能SOC空间也折算进去，有的还把可中断负荷算进来。最头疼的是有时候同一个模型里几种口径混着用，导致结果根本不具备可比性。我现在的固定习惯是：把灵活性供应能力在代码里做成一个独立函数，统一计算逻辑，写清楚文档，不随着不同项目临时改公式。

第四个操作习惯关于参数管理。我现在所有项目的参数都维护在一个统一的配置文件里，哪个参数来自业主、哪个参数来自文献、哪个参数是我拍的，备注列写清楚。这一开始多花半小时，但到了写报告、应对评审提问的时候，价值立竿见影——每一张图上的曲线都能追溯到参数来源，这在实战里的分量比很多人想象的重得多。

最后再说一个关于Matlab工具链的小心得：Yalmip+Gurobi的组合目前已经非常成熟，但在跑大规模算例时记得把求解器的log打开，盯着它看MIP simplex iterations的增长趋势。如果迭代数增长缓慢但时间暴涨，大概率是约束里出现了大量互补关系或者大M系数导致的问题。先用10个时段的小规模测试用例验证模型正确性，再切换到24或168时段的全规模算例——这是我能给所有正在做类似项目的同行最实在的一条建议。