企业官网建设流程全解析

做微网调度的人应该都有同感：光伏中午大发，晚上直接归零；风电看天吃饭，一阵风来一阵风走。负荷侧也不是省油的灯，早上和傍晚两个高峰能把人逼疯。我最近跑完的一个模拟项目，就是试着把停车场里那些电动汽车当成"会跑的大电池"，在微网里做多时间尺度协调调度——日前定计划、日内修偏差、实时稳边界。三层模型跑下来，结果比预想的好不少，但也踩了不少坑。这篇就把模型怎么搭、约束怎么设、求解有哪些坎，一次性说清楚。

1. 从"会跑的大电池"说起：电动汽车凭什么进微网

1.1 风光波动，微网靠什么兜底

微网这个场景，本质上是把分布式电源、储能、负荷捆在一起，能并网也能孤岛运行的小型电力系统。常规配置一般是风电、光伏、储能、柴油发电机，再加上一堆负荷。风电光伏这俩角色的脾气大家都熟，出力全靠天，预测误差还大。如果说10分钟前的超短期预测还有八九成准头，那提前一天看的预测，误差能到10%~20%都是家常便饭。光靠储能去吸收这个波动，不是不行，但容量有限，成本不低。柴油发电机倒是能顶上，但燃料成本和排放都在那儿摆着，调度员每次启动它都肉疼。所以问题就变成了：微网里还有没有别的灵活资源？答案就在停车场。

现在电动汽车的保有量已经不小，商场停车场、小区地库、办公楼地下车库里，每天有大量车只是停在那里。一辆家用车一天停着的时间远超跑着的时间，以一天24小时算，真正在路上的时间普遍只有两三个小时。也就是说有二十多个小时，这块电池是闲置的。一台车装个40kWh的电池，一百台车就是4MWh，这个容量放到微网层面，跟配一台中型储能电站相当。而且电动汽车是能充能放的，闲的时候可以当储能用，不仅充电，还能在微网缺电的时候反向送电，这就是V2G。

1.2 多时间尺度为什么是刚需

这里要解释为什么单靠一个时间尺度不行。日前调度面对的是24小时的风光预测，不确定性强，但它能做的事也简单粗暴：决定机组启停、储能充放电的大方向、EV的充电基准计划，尽量把成本压低。如果只看日前，真实光伏出力跟预测差了20%，日前计划就成了纸上谈兵。如果只看实时，那连机组启停都来不及安排，柴油机冷启动至少得几分钟，光伏瞬间衰落根本没时间反应。所以工程上常用分层调度——日前做经济性优化，日内滚动修正预测偏差，实时层盯住分钟级的功率平衡。这个思路跟开车一样，提前看地图规划路线，到了路口再看路况调整，真遇到突发情况再踩刹车打方向。三层响应速度不同，但目标一致。

另外，不同时间尺度的决策变量性质也不同。日前层的机组启停是整数变量，必须提前定下来，没法到了实时再折腾；日内层与实时层主要是功率分配，连续变量居多，可以在线快速求解。这种"整数变量提前定、连续变量滚动调"的结构，正好是多时间尺度调度的核心逻辑。

1.3 模型里那个"计及灵活性"到底在算什么

灵活性这个词看起来抽象，落到电动汽车上其实可以拆成三个维度：一是功率维度，EV群在同一时刻能充多少、能放多少；二是电量维度，EV群在整个调度时段内能吸收或释放的总能量是多少；三是时间维度，EV能在哪些时段参与调节，接入电网和离开电网的时间窗口在哪。三个维度叠在一起，形成一个动态的可调度区间。普通负荷是刚性的，说多少就是多少；电动汽车的充放电功率在这个区间里可以任意调整，这就是灵活性。模型要做的，就是把这个可调度区间作为约束，写进优化问题里。

这个"计及"二字是重点，不是简简单单把EV当作一堆固定负荷加进去，而是要把EV群在每一时段的功率上下限、电量约束、用户出行保障等条件全部映射进调度模型，让优化器自己去决定每一时段怎么调用这部分灵活性。这样出来的调度方案才是真正"考虑到了"电动汽车，而不是把它当成摆设。

2. 把"灵活性"摊开算：约束、容量与代价

2.1 EV能贡献多少：三个维度

先说功率维度。单台EV通过充电桩接入微网，功率是固定的（比如7kW交流桩，或者更高功率的直流桩）。对聚合群而言，某个时段可以提供的最大充电功率就是所有在线EV的充电上限之和，最大放电功率也是类似累加。不过这里有个细节——一辆车要么在充电，要么在放电，不能同时进行。所以EV群的净功率范围不是简单的对称区间，而是要排除掉"同时充放"这种物理上不存在的组合。建模时常用一个辅助变量区分充/放状态，或者用互补约束把两个方向的功率强行分开。

电量维度更关键。EV电池有SOC上下限，放电太多会导致用户第二天开不了车。所以模型里要给每台EV设一个调度结束时的最低电量约束，这个值不是拍脑袋定的，通常按用户第二天出行里程来估算。比如平均日行驶30公里，百公里电耗15kWh，那至少要保证走完这段路还有富裕，再留一些安全余量，算下来调度SOC下限大概在0.3~0.4。如果用户的出行需求特殊，这个下限也要跟着调。

时间维度也不能忽略。EV不是全天候在线的，日常通勤车一般是早上8点开到单位，接入办公楼充电桩，下午5点离开；另一批是傍晚下班回家，晚上在家里或小区地库充电。这个接入时序直接影响EV群的可调度功率曲线——上午停车场里车最多，可调容量最大；中午过后陆续有车离开，可调区间收窄。所以EV聚合模型需要输入实时的接入状态，或者用历史出行规律做概率预测。我实际做的时候是把一天切成96个时段（15分钟一个点），每一个时段输入"在线车辆数、在线总SOC、可调功率上限"，然后按这个时序去搭约束。

2.2 单体建模与聚合集群

单体EV的模型其实很简单，核心就是SOC动态方程：SOC(t+1)=SOC(t)+充电功率效率Δt/电池容量-放电功率/效率*Δt/电池容量。注意充放电效率不是同一个数，放电要打折。有人图省事把效率统一成0.95，算出来的结果偏差不小，尤其是在算电池退化成本的时候，效率误差会被时间放大。

单体模型好写，但把一百台EV的变量都铺进MIP模型里，求解规模会爆炸。我踩过这个坑，最开始按每台EV建SOC变量、功率变量、充放电状态变量，100台车加96时段，整数变量直接过万，求解器跑半小时都出不了好结果。后来改成聚合建模：把同一时段在线、参数相近的EV合并成一个"虚拟电池"，只对虚拟电池建SOC状态和功率上下限。聚合之后，一个几百台EV的车队就压缩成一条总功率可调曲线加上一个总容量边界，模型变量数量级一下子降下来。

当然聚合也会丢信息，比如不同EV的SOC下限不同、接入时间不同，如果强行合并，得取最严格的下限和最窄的时间窗，结果偏保守。更精细的做法是先按接入时段和SOC区间分成几组，每组单独聚合，再在模型里并联。我在模拟项目里用的是后一种方案，分组数在5~8个之间，既保住了主要差异，又不会让变量数量失控。

2.3 电池退化成本要不要算

车主的电池被调来调去，充放电循环寿命会有损耗。要是不把这个成本算进目标函数，优化器会觉得"电池随便用不要钱"，天天深充深放，算出来的方案经济性很好看，但落不了地。所以模型里要给放电功率加一个退化成本系数，按电池全生命周期循环次数折算。举例来说，一块40kWh的电池，循环寿命按3000次算，电池更换成本按6万元折，每次完整充放循环的等效成本就是20元。按单次循环的吞吐量折算到每kWh，大约0.25元/kWh的放电损耗成本入模型。这个数字不同电池差异很大，但趋势是一致的——调度方案会把临时的深度放电尽量摊在少量EV上，而不是每次都逮着同一批车用。

电池退化成本的另一个作用是改变充放电策略的方向。没有退化成本时，EV群倾向于在电价谷段拼命充电、峰段拼命放电，因为峰谷价差就是利润；加入成本后，只有当峰谷价差超过退化损耗，V2G才真正划算。模拟结果里，加入退化成本之后V2G的总电量下降了不少，但系统总经济性反而更真实，也更接近可落地的情况。

3. 三层模型怎么搭：从日前计划到实时修正

3.1 日前调度层：定基准

日前调度的时间范围是未来24小时，步长我用的1小时，一共24个时段。输入是光伏、风电、常规负荷的日前预测曲线，加上EV接入预测、分时电价。优化的目标函数是系统总运行成本最小化——包括向主网购电的费用、柴油机的燃料成本、储能充放电的损耗成本、EV电池退化成本，以及调度EV参与调节的补偿费用。约束条件包括功率平衡约束、机组出力上下限、爬坡约束、储能SOC和功率约束、EV聚合体的功率与电量边界约束。

这一层的输出就是未来一天各机组的启停状态、出力曲线、储能充放电计划、EV群的充电/放电计划、购电计划。这里要特别注意一个点：EV的日前充电计划在日内层不能随便推翻。如果日前计划安排某批EV晚上充电，日内层又把它们全都停掉，一方面会影响用户的充电进度，另一方面充电桩频繁启停对设备寿命也不友好。所以在日前层输出时，就要给每台/每组EV留出必要的充电余量，不至于让日内层一遇到偏差就得大幅改动。

3.2 日内滚动层：修偏差

日内滚动层的时间窗口一般是未来4小时，步长15分钟。每隔15分钟获取最新一轮的风光、负荷和EV接入状态，然后滚动求解一次优化问题。这一层的目标函数里，除了常规的成本项，还加入了对日前计划的"偏离惩罚"——如果调整后的EV充放电计划与日前基准相差太大，会产生额外的调整成本。这个设计是防止修正太频繁、太激进，把原本平稳的计划搅成一团。

滚动窗口的意义在于"用新信息换精度"。提前一天看的预测误差可能很大，但提前4小时看的预测就准多了，尤其对光伏来说，几小时内的云图变化是有迹可循的。每次滚动求解后，只执行下一个15分钟的计划，剩下的窗口结果下次再重新算。这个"只执行第一步"的策略大家应该都熟，标准的模型预测控制思路。

日内层还要处理一个现实约束：EV的状态可能和日前预测不一致。比如一个车主临时加班，下午不离开停车场，反而多接入了几小时；或者某辆EV提前返程，原本能参与傍晚调峰的车突然少了。这些变化都会反映到最新的接入状态里，日内层必须实时更新这些参数，否则修偏差就修不到点子上。

3.3 实时调整层：稳边界

实时层的时间尺度最短，一般是1~5分钟一个决策点，甚至更短。它负责处理秒级到分钟级的突发事件：光伏被一片云遮住出力骤降、风电短时阵风引起的波动、某个大负荷设备突然投切。这时候再回头调整机组启停或者EV的充放电计划已经来不及，实时层能做的就是利用快速响应的资源——储能变流器、部分响应快的EV充电桩——做功率的快速跟踪，把微网联络线功率偏差压回允许范围。

实时层在我的模型里用的是简化MPC，目标函数是最小化时段内的功率偏差平方和，同时让可调资源出力尽量靠近日内层给的参考值。为什么不能完全放开让实时层自由发挥？因为实时层只盯着眼前的几分钟，如果它大幅度偏离日内计划，会把储能和EV的SOC带到不利于后续时段的轨道上。所以实时层更像是一个"纠偏器"，而不是"决策者"。

EV在这个层面的特点是响应速度快，但出力有限。一台7kW的交流桩，从零功率升到满功率不过几秒，比调柴油机快得多。所以在实时层，我把EV群分成快响应组和慢响应组，快的那部分参与实时功率调节，慢的那部分继续按日内计划充电，逻辑清晰，求解也快。

3.4 层间衔接的关键变量

多时间尺度最核心的难点其实不是每一层各自的模型，而是层与层之间的变量怎么衔接。我在跑模型时主要盯四个衔接点：第一，日前层输出的EV群SOC轨迹，作为日内层和实时层的参考基线；第二，日前层的机组启停状态在日内层固定不变，因为机组启停是慢决策，没法滚动优化；第三，储能和EV的可调度边界在每层重新计算，因为SOC状态在每一层结束时是已知的；第四，各层偏差惩罚系数的大小直接决定计划的稳定性和修正的力度，系数调得不好会导致日内层不敢改、实时层疯狂纠偏的局面。

衔接做得好不好，有个很直观的检验方法：跑完一天的仿真，看EV群SOC曲线在层与层交接处是不是光滑。如果出现折线甚至跳变，说明某层约束没写对，或者惩罚系数设置有问题。这个经验是踩坑踩出来的——我第一次跑的时候，日前层给凌晨EV安排的充电功率是满功率，日内层因为预测偏差把功率砍了一半，SOC曲线在凌晨2点出现一个明显的"断崖"，当时排查了很久才发现是日内层没有加偏离惩罚。

4. 算例怎么设：参数、约束与求解路线

4.1 一个典型微网的参数配置

我搭建的模拟微网规模大约是这样的：

• 光伏200kW，风电300kW，储能200kW/400kWh，柴油备用机组100kW
• 常规负荷峰值约500kW，其中含一定比例的柔性负荷
• 电动汽车100辆，平均电池容量40kWh，充放电功率上限7kW，充电效率0.95，放电效率0.92
• 分时电价：谷段0.3元/kWh，平段0.6元/kWh，峰段1.1元/kWh
• EV接入规律：40辆车上午接入办公停车场（早8点到晚6点），60辆车傍晚起在小区接入（晚7点到次日早7点）

这个配置不算极端，但足够看出EV参与调度前后的差别。我把它列在下面给各位参考，方便复现时对比。

这里有个参数想强调一下：EV调度后最低SOC设到0.4，不是随意定的。按平均日行驶30公里、百公里15kWh算，跑完第二天至少需要约5kWh，再加上电池本身的安全余量和SOC显示精度误差，留到40%是比较稳妥的。你要是调到0.3，表面上可调容量多了一截，但用户第二天看到剩余电量太低，体验直线下降，车主参与调度的意愿很快就会没了。

4.2 数学建模与变量设计

整个模型在数学上是混合整数线性规划（MILP），因为日前层的机组启停和EV充放电状态都是0/1变量。为了不让变量爆掉，我把EV按接入时段和SOC区间聚合成组，每组是一个"虚拟电池"。这样100辆EV最后只留下5~6个聚合体，每个聚合体有功率上下限约束、SOC动态约束、充放电互斥约束。

目标函数的大致形态是：

min 购电成本 + 柴油机燃料与启动成本 + 储能损耗成本 + EV退化成本 + 偏差惩罚

约束按类别分块：功率平衡约束（发电+购电+放电 = 负荷+充电）、常规机组运行约束、储能约束、EV聚合体约束（SOC递推、功率限幅、充放互斥）、联络线功率限值约束。这些约束写成代码后，逻辑上并不难理解，真正的难点在求解规模的压缩和数值稳定性上。

写代码的时候我建议所有单位统一。模型内部统一用kW和kWh，价格单位用元/kWh，时间步长在日前层是1h、日内层15min。曾经有一次我把日前层时间步长设成15min，想提高分辨率，结果变量数量直接翻了四倍，求解时间从十几秒变成十几分钟，收益却不明显。后来验证下来，日前层用1h，日内层用15min，是一个精度和效率比较均衡的组合。

4.3 求解效率的三个糙招

如果模型太大跑不动，试过下面三个办法，亲测有效：

第一个是变量松弛。把一些不太关键的约束从硬约束变成软约束，加一个大的惩罚系数进目标函数。比如联络线功率限值，平时很少越限，但极端场景一出现，硬约束直接让问题不可行。改成软约束后，极端场景也能求出解，代价是很少会付出大惩罚，数值上稳定很多。

第二个是聚合分组。前面说的EV聚合就是这个思路，可以在建模阶段直接压缩规模。除了EV，储能和常规机组也可以按"等效机组"处理，如果有多台同型号机组，合并成一台容量相加的机组，求解速度立竿见影。

第三个是缩短日内滚动窗口。日内层窗口从4小时缩短到2小时，精度损失很小（因为滚动更新频率不变，信息一直在刷新），求解时间却大幅下降。当然窗口太短也不行，至少要比超短期预测的有效时段长，否则优化器看不到足够远的未来，作出的决策会近视。

5. 结果怎么看：收益数字与五个必踩的坑

5.1 与固定充电模式的对比

为了验证模型的价值，我设了一组对照组：EV不参与调度，到站即充，充到目标SOC为止，其他发电资源照旧运行。对比组则用三层协调模型，让EV在保证用户出行的前提下参与充放电调度。结果有三个比较直观的结论。

第一，系统运行总成本下降了约11%。主要来源是峰时段购电量的减少和柴油机启停次数的下降。EV群在白天光伏大发时段多充电，傍晚峰段放电，把峰谷价差赚了回来，同时也减轻了傍晚联络线的供电压力。

第二，EV群体的电费支出变化更有意思。参与调度后，车主在谷段充电更多、峰段充电更少，加上部分时段放电收益，平均每辆车的日充电电费比固定充电模式少了约两成。这说明激励是有的，只要分时电价的峰谷价差够大，车主愿意让出部分控制权。

第三，光伏利用率提升了。之前中午光伏大发的时候，负荷吃不掉的电只能送出去或者被弃掉。有了EV这个大容量"吸能体"，中午的弃光功率大幅减少。模拟结果里光伏消纳率从92%左右提到了98%，别看只是几个点，对于微网的实际收益来说意义不小。

5.2 坑1：模型求解慢，慢到怀疑人生

第一次完整搭建三层联立模型后，我天真地把三层写在一个大模型里跑全天优化，结果就是漫长的等待——两小时起步，偶尔还内存溢出。后来把三层拆开，按时间顺序级联，每层只保留必要的衔接变量，整体仿真一天的耗时降到了十几分钟。这个经验很重要：多时间尺度模型不是说要一次性求解整个大问题，而是用分层滚动的方式，把大问题切成小问题，让每一层在可接受的时间内收敛到稳定解。

另外一个加速办法是给求解器设终止条件。MILP模型的gap不一定要收敛到0，实际工程上gap到2%以内就完全够用了。我后来直接设了2%的MIP gap和300秒的时间上限，90%的算例在时间限制内都能跑出可接受的解，剩下的靠调整初始解解决。

5.3 坑2：用户不响应，模型再漂亮也白搭

调度计划做得再精妙，车主不配合就全部归零。这个问题在模型之外，但又直接影响模型的真实效果。我在模拟里做了两个机制来缓解：一是充电价格分时，谷段电价低、峰段电价高，车主要有动力在谷段充电；二是对参与调度的车主给予额外的放电补偿，让车主觉得"充放电被调度"不是被薅羊毛，而是赚钱的机会。

具体到定价，放电补偿价格设在0.6~0.8元/kWh比较合理，太低车主没兴趣，太高微网侧的购电成本优势就被吃掉了。这个区间是从峰谷价差和电池退化成本里推出来的：峰段电价1.1元，放电减少购电相当于省了1.1元，扣掉退化成本0.25元和损耗，给车主0.7元，微网还能留下可观的收益。补偿价格定成阶梯式，越临近峰段越高，能进一步引导EV集中在最需要的时间点放电。

5.4 坑3：边界时刻的功率失衡

多时间尺度模型最容易出问题的是两类边界时刻：一类是日前计划周期结束和下一个周期开始的交接点；另一类是日内滚动窗口因为EV离开时间变化造成的接入状态突变。这些时刻容易出功率失衡，表现就是某时段的功率平衡约束被破坏，或者EV群的SOC轨迹出现跳变。

排查这类问题，我建议先画SOC轨迹图和功率平衡偏差图，用肉眼看出跳变位置，再去对应时段检查接入状态和预测数据，通常很快能定位。还有个小技巧：在约束里给EV群的SOC加一个松弛量，允许在边界处有极小的电量偏差，可以极大降低不可行解的频次。SOC上差个0.5%的电，对调度结果的影响微乎其微，但对数值求解器的友好度提升很明显。

5.5 坑4：退化成本失真导致方案误导

电池退化成本系数如果设得太低，优化器会倾向于让EV频繁深度放电，算出来的V2G放电量特别高，系统成本也特别低。但真按这个方案运行，三个月后车主的电池健康度会明显下降，项目口碑直接崩。如果系数设得过高，EV的放电量又会被压到几乎没有，灵活性又用不上，等于白搭。

我的经验是先按电池的全生命周期成本算出一个基准值，再按"谷电充电成本+退化成本 < 峰段放电收益"这个条件去校验。如果一个调度方案里，某时段的放电收益连退化成本都覆盖不了，那方案本身就是不合理的。把基准值反过来代入模型，看V2G的电量占比是否在合理区间（一般在总充电量的10%~20%），就知道系数设得对不对了。

我在最后跑出来的那版模型里，EV日均充放电量占充电量的比例大约在15%左右，算出的V2G收益扣除退化成本后还有正向盈余。这个结果让我确认，切入参数没有偏离实际，方案能在保证电池健康的前提下，真正把"计及电动汽车灵活性"这件事落到经济性上。

整个过程跑下来，我对多时间尺度调度这个事最大的体会是：模型做得再复杂，最后能落地的往往是那些把约束写清楚、把参数校准确的朴实方案。电动汽车的灵活性不是天上掉下来的，而是靠精打细算的功率边界、电量边界、时间边界一层层约束出来的。如果你正在做类似的微网调度项目，建议先把EV的接入时序和SOC下限这两块吃透，再去追求算法的花活——这两个参数一旦拍脑袋，后面全盘皆输。