企业官网建设流程全解析

最近一直在折腾一个很有意思的题目：含可再生能源的配电网最佳空调负荷优化控制。搞了一段时间Matlab仿真，从建模到求解再到调参，踩了不少坑也积累了一些经验。这个方向现在确实很火，一方面是可再生能源装机比例越来越高，配电网的调峰压力肉眼可见地变大；另一方面，空调负荷又是夏季尖峰负荷的“大户”，如果能把空调负荷的灵活性用起来，对配电网来说等于多了一块可调资源。这篇就把整个项目从思路、建模、代码实现到仿真结果分析的完整过程捋一遍，顺便把我在实际调试中遇到的问题和解决方案也一并写出来，希望对正在做相关课题或者入门的同学有帮助。

如果你是做电力系统优化调度、需求响应或者可再生能源消纳方向的研究生，又或者你是配电网规划运行方向的工程师，想了解一下空调负荷聚合参与调峰到底怎么在Matlab里落地，那这篇文章可以直接当一份实践笔记来用。全文不会堆概念，重点放在模型怎么建、代码怎么写、结果怎么分析这些实际操作层面。

1. 项目到底在解决什么问题

1.1 可再生能源并网后配电网的困境

以前配电网的负荷曲线相对可控，峰谷差虽然存在，但通过传统的调度手段基本能压住。现在情况变了，大量分布式光伏和风电接进来之后，配电网的净负荷曲线（负荷减去可再生能源出力）变得非常“调皮”。

举一个最直观的例子：夏天中午光伏出力最大，而这时候商业和居民用电负荷相对较低，可能出现反调峰现象，也就是光伏出力高峰和负荷低谷重叠，导致午间净负荷很小甚至出现倒送；到了傍晚光伏出力迅速下降，空调负荷又进入晚高峰，净负荷曲线陡增，形成“鸭子曲线”的尾巴。这种净负荷波动对配电变压器的运行、电压控制以及上级电网的功率平衡都提出了很高的要求。

传统应对方式是靠火电调峰、储能充放，但配电网层面的资源有限，响应速度也往往跟不上。这时候空调负荷的价值就体现出来了。空调本身具有热惯性，房间温度在设定值附近波动一点，人体几乎感知不到，但空调压缩机的工作状态可以短暂调整。把大量空调负荷聚合起来，在不影响用户舒适度的前提下，让一部分空调在净负荷高峰时少用电，在净负荷低谷时多用电，就能有效削峰填谷。

我做的这个项目的核心，就是在配电网层面设计一个优化控制器，考虑可再生能源出力的不确定性以及配电网的潮流约束，给出每台（每组）空调的最优设定温度或者启停策略，最终实现配电网运行经济性最优和用户舒适度损失最小的双目标。

1.2 空调负荷为什么是一块“优质”的柔性资源

很多人会问，为什么非盯着空调负荷，其他负荷行不行？当然行，但空调有它独特的优势。

首先，空调负荷占比高。夏季尖峰时段，城市配电网中空调负荷可以占到总负荷的30%到50%，这个量级对配电网运行的影响是举足轻重的。控制1%的空调负荷，可能就相当于控制了一整个小型储能电站的功率。

其次，空调负荷具有天然的热储能属性。房间的墙体、家具、空气都有热容量，制冷机关停10到15分钟，室温上升通常不会超过1到2摄氏度。用户对短时间内的温度波动很不敏感，这就给负荷控制提供了时间窗口。

第三，空调数量多、分布广，单台功率一般在1到5千瓦，但聚合起来总量惊人，而且通过分户微网关或者智能插座就能实现远程控制，通信和控制成本相对低廉。

但空调负荷也不是随便想怎么控就怎么控。它涉及用户的舒适度，控得太狠用户投诉；控制信号下发太频繁，压缩机会损坏；空调的功率和房间温度之间存在非线性关系，模型建不好控制效果会很差。所以问题的本质就是一个多约束、多目标、非线性优化问题，这也是这个项目在技术上的真正难点。

1.3 项目的研究目标和技术路线

这个项目我给自己定了一个清晰的目标：在Matlab环境下，搭建一个完整仿真平台，包含配电网模型、可再生能源出力模型、空调负荷模型和优化控制模型，然后通过合适的优化算法求解，得到空调负荷的优化调度策略，验证其在削峰填谷、提高可再生能源消纳方面的效果。

技术路线分四步。第一步建立配电网的潮流计算模型，我选择了适合Matlab实现的牛顿-拉夫逊法，跑IEEE 33节点系统作为基础算例。第二步建立空调负荷的ETP等效热参数模型，用微分方程描述房间温度变化和空调功率之间的关系。第三步把可再生能源出力（风电、光伏典型出力曲线）作为已知输入，并考虑预测误差的波动场景。第四步构建优化模型，目标函数包含配电网购电成本、网损成本、空调负荷调节引起的用户舒适度损失，约束包含潮流约束、节点电压约束、支路容量约束、空调功率约束和用户设定温度范围约束。

优化求解方面，我先用了Yalmip工具箱建模，调用Cplex求解器处理混合整数线性规划的问题；后来为了对比，又写了基于粒子群算法的求解版本，两者结果对照分析。下面我把每个环节的关键细节展开讲。

2. 空调负荷优化控制的建模过程

2.1 空调负荷的ETP等效热参数模型

空调负荷建模不能一台一台地详细建模，因为配电网中动辄几万台空调，逐台建模的计算量是无法接受的。工程上最常用的做法是用等效热参数模型（Equivalent Thermal Parameters，ETP）来近似描述房间温度动态。

ETP模型的核心思想是把房间看作一个热容节点，把空调看作一个可控的冷源（或者热源），墙体等围护结构等效为一个热阻。这样房间温度的变化就可以用一个一阶微分方程来描述：

C · dT_in/dt = (T_out - T_in) / R + Q_ac

其中T_in是室内温度，T_out是室外温度，R是建筑等效热阻，C是建筑等效热容，Q_ac是空调制冷功率（正值表示制冷，去掉为负的热量）。

把公式离散化，变成差分方程：

T_in(k+1) = T_in(k) · e^(-Δt/(R·C)) + (T_out(k) - Q_ac(k) · R) · (1 - e^(-Δt/(R·C)))

这个式子看起来简单，但实际使用中有几个坑需要注意。R和C的取值对模型精度影响巨大，不同建筑结构的RC参数差异很大，通常需要通过实测数据辨识。在仿真中我参考了文献中典型的商用建筑和居民建筑的RC参数范围，并对参数进行了灵敏度分析，发现C值偏大（建筑保温好）时，空调负荷可中断的时间越长，而R值偏小（隔热差）时温度恢复速度极快。这就意味着优化控制器给出的策略必须考虑到不同建筑类型的差异，一刀切控制会有问题。

2.2 空调功率与用户舒适度的关系

空调的功率模型我采用的是简化模型：单台定频空调工作时功率基本恒定，制冷量也基本恒定，但可以通过启停控制改变平均功率；变频空调功率可以在一定范围内连续调节，但建模更复杂。

在ETP模型框架下，空调的制冷功率Q_ac在制冷模式下可以用以下关系表示：

Q_ac = COP · P_ac

其中COP是空调能效比，P_ac是空调消耗的有功功率。COP的取值范围一般在2.5到4.5之间，我在仿真中取了3.5。

用户舒适度损失我用温度偏离设定值的惩罚函数来衡量。最常见的方式是设置一个死区，温度在设定值加减0.5摄氏度以内不罚，超出部分按平方惩罚：

J_comf = Σ α · max(0, |T_set - T_in| - ΔT_dead)^2

这里α是用户舒适度权重系数，ΔT_dead是死区半宽。选择平方惩罚而不是线性惩罚，是因为温度偏差越大，用户的不适感增长是加速的。这个惩罚函数最终会进入优化目标，与配电网运行成本进行博弈。权重系数α的取值直接决定了控制策略偏向电网还是偏向用户，我在实验中用不同α做了对比，后面会详细说结果。

2.3 配电网潮流约束与网络模型

配电网层面的约束不能省略。空调负荷分布在不同的节点上，如果只做负荷总量控制，很可能出现某些节点电压越限同时另一些节点功率冗余的情况。

我采用的方法是标准的配电网潮流模型。对IEEE 33节点系统，用牛顿-拉夫逊法计算潮流，得到各节点电压幅值和相角。在优化模型中，潮流约束不是硬约束直接嵌入，而是采用一种两步迭代的解法：外层优化给出空调负荷调整量，内层潮流计算校验电压和容量约束，如果不满足约束，就把违反约束的信息以罚函数方式返回给外层，迭代直到收敛。

这个方法在工程上很常用，比直接把非线性潮流方程放进优化模型要好处理得多。虽然严格的凸优化建模更漂亮，但对初学者来说，迭代法的代码实现难度低很多，而且效果并不差。如果硬要把潮流方程直接嵌入优化模型，通常需要对潮流方程进行线性化处理，比如用DistFlow模型近似，这在Yalmip里也能做，但公式推导和调试工作量会上一个台阶。

2.4 目标函数与约束体系的完整表述

整个优化模型我在代码里整理成了下面这个形式：

目标函数： min J = J_grid + J_loss + λ · J_comf

J_grid是配电网从上级电网购电的费用，J_loss是配电网网损费用，J_comf是用户舒适度惩罚项，λ是权重系数。如果使用峰谷分时电价，J_grid可以直接取各个时段电价乘以购电量（净负荷）。这样就把电网经济性和用户舒适度统一在一个目标里。

约束条件包括：

• 空调功率上下限约束：0 ≤ P_ac,i(k) ≤ P_ac,i,max
• 室内温度允许范围约束：T_min ≤ T_in,k ≤ T_max
• 节点电压约束：U_min ≤ U_i(k) ≤ U_max
• 支路功率容量约束：|S_ij(k)| ≤ S_ij,max
• 可再生能源出力约束：0 ≤ P_res,i(k) ≤ P_res,i,forecast(k)

其中可再生能源出力在这个模型里有两种处理方式：第一种是确定性处理，把预测出力直接作为已知量；第二种是场景法，生成多个预测误差场景然后取期望。我先做了确定性版本，后来又加了3个误差场景做鲁棒性对比。代码架构上最好一开始就把场景循环的接口留出来，否则后面改起来很痛苦。我一开始就是顺序迭代，后来想加场景分析，翻代码翻得头晕，重构了两次才理顺。这一点提醒大家，做科研性质的仿真框架，接口设计一定要把场景并行的思路考虑进去，哪怕你当前不打算做随机规划，也要留出扩展位。

3. Matlab仿真平台搭建与核心代码逻辑

3.1 仿真平台的模块划分

整个Matlab项目我分成了四个模块，每个模块一个文件夹，方便维护：

• data目录：存放负荷数据、光伏出力数据、风电出力数据、配电网网架参数、空调参数。
• model目录：存放ETP模型函数、潮流计算函数、目标函数计算函数。
• optimizer目录：存放Yalmip/Cplex求解脚本和粒子群算法求解脚本。
• result目录：存放仿真结果图表和导出数据。

这种模块化的好处到后期非常明显。因为优化问题的目标函数和约束不是一次写对的，我改了很多版，如果全写在一个脚本里，改一处就得跑一遍全流程，浪费时间还容易把好的版本改坏。分开模块后，模型的改动只影响单机部分，优化层不动，测试起来很方便。

3.2 基于Yalmip和Cplex的优化求解

给不熟悉的同学简单说一下：Yalmip是Matlab里的一个建模工具箱，它最大的价值在于把优化模型的编写变得非常接近数学表达，写完之后可以用统一的接口调用多种求解器，Cplex就是其中一种，处理混合整数线性规划问题效率非常高。

在这个项目中，我把空调的启停控制建模为0-1变量，所以问题天然是一个混合整数规划。目标函数如果只保留购电成本、网损成本（网损用线性近似）和线性舒适度惩罚，整个问题就是MILP，Yalmip+Cplex是可以直接处理的。

核心代码逻辑大致是这样：

%% 定义决策变量 % P_ac: 空调功率连续变量, dim = n_air × T % Z_ac: 空调启停0-1变量, dim = n_air × T P_ac = sdpvar(n_air, T, 'full'); Z_ac = binvar(n_air, T, 'full'); %% 温度动态约束（ETP离散化） % T_in(k+1) = T_in(k)*exp(-dt/RC) + ... % (T_out(k) - COP*P_ac(k)*R) * (1 - exp(-dt/RC)) for k = 1:T-1 for i = 1:n_air constraints = [constraints, ... T_in(i,k+1) == T_in(i,k)*A(i) + ... (T_out(i,k) - COP(i)*P_ac(i,k)*R(i)) * (1-A(i))]; end end %% 功率与启停变量耦合约束 constraints = [constraints, P_ac <= Z_ac .* repmat(P_max, 1, T)]; constraints = [constraints, P_ac >= 0]; %% 目标函数 objective = sum(sum(price .* P_grid)) + ... + lambda * sum(sum((max(0, abs(T_set-T_in)-delta).^2))); %% 求解 ops = sdpsettings('solver', 'cplex', 'verbose', 1); optimize(constraints, objective, ops);

这段代码是简化版本，实际工程中P_grid需要靠节点注入功率约束和潮流方程连接起来，这一步是最容易出bug的地方。我的做法是先用已知的不可控负荷和可再生能源出力计算节点净注入功率，再把空调负荷的调整量作为附加注入加入对应节点，然后用DistFlow线性潮流方程建立节点功率平衡。注意DistFlow在这里不能省略电阻项，因为空调优化要评估网损，电阻项直接关系到网损费用的计算精度。

实际跑起来后我发现一个现象：Cplex的求解速度确实快，33节点、100台空调、24个时段，整数变量2400个，求解时间基本在2到3秒以内，这一点对做多场景模拟非常友好。如果是更大的系统，建议加求解时间上限，或者用启发式算法先给一个较好的初始解，再交给Cplex作MIP起点。

3.3 粒子群算法版本的实现思路

写粒子群算法版本是为了做对比验证，因为很多审稿人或者导师会质疑单一求解器结果的可靠性，两个独立算法得到近似一致的结果，说服力会强很多。

粒子群算法的思路是把每个粒子定义为一套空调设定温度的调整方案，即一个n_air × T的矩阵，然后通过迭代更新粒子的位置和速度来寻找最优方案。粒子群算法做这个问题的挑战在于约束处理，尤其是温度动态约束和节点电压约束。我在实现中采用的是罚函数法处理违反约束的情况，对电压越限按越限量平方处罚加进适应度函数。

%% 粒子位置初始化 % 每个粒子的位置 x 是空调设定温度偏移量，范围 [-2, 2] 摄氏度 x = lb + rand(pop_size, dim) .* (ub - lb); v = zeros(pop_size, dim); %% 迭代循环 for iter = 1:max_iter for p = 1:pop_size % 计算适应度：先更新空调功率和温度，再计算潮流 fitness(p) = calc_fitness(x(p,:), data); end % 更新个体最优和全局最优 [best_fitness, best_idx] = min(fitness); gbest = x(best_idx,:); % 更新速度与位置 v = w*v + c1*rand(pop_size, dim).*(pbest - x) + ... c2*rand(pop_size, dim).*(gbest - x); x = x + v; end

粒子群参数的选择我花了不少时间调。惯性权重w从0.9线性递减到0.4，加速度系数c1取1.5，c2取1.5，种群规模80，最大迭代次数500。这些参数不是随手拍的，我做了几组对比实验，w过大时前期搜索范围广但后期收敛慢，w过小了又容易陷入局部最优。最终取值是多次试验后的折中。

粒子群算法一个明显的缺点是每次适应度计算都要跑一遍潮流，迭代500次、80个粒子就是40000次潮流计算，单次潮流即使很快（0.05秒），总耗时也要2000秒以上，接近半小时。我在做参数敏感性分析的时候把这种情况简化了，对空调负荷调整量较大的场景才重算潮流，调整量小的场景直接用灵敏度系数近似电压变化，速度提升明显，代价是精度略有下降。这个方法值得推荐给着急出结果的同学，但如果是写正式的学术论文，建议还是不要用近似，省下来的时间不值得防御审稿人质疑。

3.4 结果可视化与数据导出

Matlab里做结果可视化我主要用了几个图：

• 优化前后总负荷曲线对比图（柱状图+折线图叠加）
• 空调总功率时序图
• 各节点电压幅值热力图
• 用户室内温度变化曲线
• 光伏出力和弃光率对比

这里有一个经验：图一定要在仿真过程中用saveas或者exportgraphics及时导出，不要在全部仿真跑完之后再统一画图。因为空调优化问题一跑就是几十分钟，中间某一步结果异常可以立刻看到并中止调试，能省下大量时间。

结果数据我统一保存成结构体mat文件，再写一个单独的分析脚本读取，画图和分析分离。否则每次调整参数都要重新从头跑一遍仿真，效率极低。

4. 算例设计与结果分析

4.1 算例参数设置

配电网算例我采用IEEE 33节点系统，基准电压12.66千伏，基准功率10兆伏安。系统总负荷我按夏季典型场景设定为3715千瓦加2300千乏，一共15台空调负荷分布在负荷较重的节点上，每台空调的额定功率取3千瓦，房间等效热阻0.12摄氏度/千瓦，等效热容3.3千瓦时/摄氏度。

可再生能源方面，配电网接入了一个2000千瓦的光伏电站和一个1500千瓦的风电场。光伏出力曲线用夏季晴天的典型形状，峰值出现在中午12点到14点；风电出力取夜间较大、白天较小的典型反调峰模式。这两个出力的叠加效果就是净负荷曲线的形状比较极端，午间净负荷很低、晚高峰净负荷很高，非常适合用来检验空调负荷优化控制的效果。

电价采用典型的分时电价：峰时（8点到22点）0.95元/千瓦时，谷时（22点到次日8点）0.35元/千瓦时。这个设置对优化控制策略有直接的引导作用，空调负荷会在谷时段多制冷"蓄冷"，峰时段少制冷释放弹性。

4.2 无优化与优化策略的仿真对比

先看没有空调优化控制的基准场景，也就是空调自由运行、温度设定值固定24摄氏度不变。这时候系统净负荷曲线的形状基本由不可控负荷和可再生能源决定，午间净负荷最低点在3200千瓦左右，晚间最高点接近5600千瓦。计算得到一天的购电成本约4.35万元。

再看优化控制结果。空调温度设定值允许在22到26摄氏度之间浮动，舒适度权重系数λ取20。优化后的净负荷曲线明显被"削峰填谷"了。晚间高峰时段部分空调设定温度上调1到2摄氏度，空调总功率最多下降了28%左右，净负荷峰值降到了4950千瓦附近，降幅约11.6%。午间低谷时段空调设定温度下调，相当于提前给房间降温，把部分白天用电转移到光伏出力大、电价低的时段，午间净负荷抬高到了3600千瓦，弃光风险明显下降。

购电成本从4.35万元降到了3.98万元，下降了8.5%左右。用户舒适度损失折算下来，平均每户室内温度偏差约0.8摄氏度，这个幅度对大多数人来说基本感知不到，但电网侧获得了实实在在的好处。这个权衡结果说明空调负荷优化控制的性价比非常高。

网损方面，优化后系统总网损从152.4千瓦时降到了139.1千瓦时，降幅8.7%。原因也比较好理解，负荷曲线被"抹平"之后，高峰期支路电流减小，线路上的有功损耗自然降低。这个结果对配电网运维来说是一个有价值的附加收益。

4.3 不同权重系数下的结果对比

舒适度权重系数λ的取值直接决定了策略倾向。我做了一组扫描实验，λ分别取1、10、20、50、100，观察净负荷峰值削减率和平均温度偏差的变化。

λ=1时，优化算法几乎不在乎用户舒适度，净负荷峰值削减率达到22%，但平均温度偏差高达2.6摄氏度，用户可能会明显感到不适，这在实际中是不可接受的。λ=100时反过来，平均温度偏差只有0.2摄氏度，但净负荷峰值削减率只有3%左右，基本等于没有调节能力。λ=20到50之间是比较合理的平衡区，峰值削减率10%到15%，平均温度偏差控制在0.5到0.9摄氏度。

这个规律很重要，做项目展示或者写报告的时候一定要把这条敏感性曲线画出来，它比单个优化结果更能说明问题，也能让你在答辩或者讨论时更有底气。实际落地的控制策略也可以借鉴这个思路，设定一个温度舒适度底线，在底线之上做经济性优化。

4.4 可再生能源渗透率与调节效果的关系

我用同一个仿真平台测试了可再生能源渗透率从10%提升到50%的情形。渗透率越高，净负荷的峰谷差越大，空调负荷优化控制的收益空间也越大。

渗透率10%时，优化后的购电成本只能降低3%左右；渗透率30%时，成本降低7.8%；渗透率50%时，成本降低接近12%。这个结果强烈说明一个问题：可再生能源占比越高，配电网对空调负荷这类柔性资源的需求就越迫切。在做项目汇报时把这个图放进去，非常直观。

5. 常见问题与调试经验实录

5.1 Yalmip安装和求解器调用踩坑

Yalmip本身是个工具箱，安装不难，难的是最后调用Cplex求解器时各种不兼容。我最初在R2022b版本上装的是Cplex 12.10，结果一跑就报“Unable to locate or start CPLEX executable”之类的错误。查了一圈发现，问题主要是路径里没把Cplex的Matlab接口文件夹加上，而不仅仅是主程序路径。

解决办法：在MATLAB根目录上右键设置路径，把cplex安装目录下的...\cplex\matlab\x64_win64（注意按自己的平台选择）加进去，然后运行yalmiptest测试安装状态。如果测试显示cplex求解器被识别，但实际求解时还是报错，十有八九是版本兼容性，Cplex 12.10对R2022b以上的版本支持不好，换用Cplex 12.9或者更新版本能解决。

还有一个细节：如果用的破解版或者第三方下载的Cplex，license初始化偶尔会失败，报错信息往往不明确。这时候打开cplex的install目录，用install_mex命令手动安装Matlab接口，再检查环境变量CPLEX_LICENSE_FILE是否指向了正确的license路径。我在这个环节浪费了整整一个下午，最后发现是license文件的路径带了中文目录导致读不出来，改到纯英文路径后一切正常。

5.2 ETP模型参数不准确导致优化结果失真

空调负荷的RC参数如果不准确，优化算法给出的控制策略在实际中会完全失效。我刚开始随机给所有空调设了统一的RC参数，结果仿真结果非常乐观，峰值削减率达到25%。后来我把参数替换成三组不同建筑类型的混合参数（商用楼、普通居民楼、老旧住宅），结果峰值削减率掉到了12%。原因很简单：统一参数使得所有空调的动态响应完全同步，优化控制可以精准地同时削减功率；但实际中建筑热惯性差异大，响应速度不同，"同时削减"的效果会被错开，等于变相削弱了控制精度。

经验：建模时一定不能图省事用单一RC参数，至少把负荷分成三类以上，每类的百分比尽量贴合实际统计数据。参数敏感性分析也要做，如果你发现结果对RC参数极其敏感，说明模型本身有脆弱性，写论文这类结果很容易被质疑。

5.3 粒子群算法求解不稳定怎么办

粒子群算法我跑了多次，发现结果不太稳定，有时收敛到好的解，有时收敛到差的解。原因之一是没有做足够的重复试验，PSO本质是随机算法，单次运行结果不能说明问题。我的处理办法是每次仿真跑20次，取适应度最好的解作为最终结果，同时记录均值和标准差作为鲁棒性指标。一个额外的发现是，种群规模和迭代次数增加到一定程度后，结果改善非常有限，但计算时间成倍增长。对于这个规模的问题，100个粒子、500次迭代基本就是性价比的拐点，再大只是浪费时间。

另外，约束处理上如果用罚函数法，罚系数太小会导致解越限，太大会让目标函数曲面出现"悬崖"，搜索方向混乱。我建议罚系数别设成常数，可以设计成随迭代次数逐渐增大，前期允许探索越限空间，后期强制收敛到可行域，效果比固定系数好很多。

5.4 求解速度慢时的排查思路

如果Cplex求解MILP时间过长，先别急着换算法，按这几步排查：

• 第一步，检查模型中是不是有冗余的大M约束引入了过大的数值尺度问题，导致求解器数值精度异常。把大M换成element-wise约束，或者用一个足够大但不过分的上界。
• 第二步，检查整数变量的数量。如果你把每台空调每小时的启停都设成独立整数变量，那变量数很容易爆炸。可以考虑对同类型空调做聚合，用一台"等效空调"代表一组，整数变量瞬间降一个数量级。
• 第三步，增加Cplex的求解时间上限和MIP gap容差。实验类应用没必要追求全局最优解，gap容差设置到2%或者3%完全够用，求解速度能快好几倍。这一点是我实际感受最深的，默认gap是0.01%，有时候为了证明某几个变量之间的微小差异会耗费巨量分支，完全没必要。

5.5 结果画图与数据导出的细节

最后分享一个很小但很实用的经验：Matlab里导出的图片，默认字体和图例在投稿或者写报告时经常显得不够清晰。不要偷懒用截图，直接用exportgraphics函数导出，设置分辨率300dpi以上。尺寸上我通常设置为16厘米×9厘米，这样插到论文双栏里刚好合适。

还有，做对比分析时不要只画一张总图。把空调总功率、室内温度平均值、最高温度、节点电压最低值、购电功率这几条曲线分别画成多个子图，标注清楚每个子图的优化策略。审阅者看起来省力，你自己复盘结果时也容易定位问题。做仿真研究，结果图的叙事能力很多时候比参数表更打动人。

说实话，这个项目做完之后我的一个体会是：空调负荷优化控制，真正的难点不是算法本身，而是模型的合理性和参数的可信度。Matlab代码实现的部分反而是相对固定的套路。无论是ETP模型的RC参数、可再生能源出力数据、还是用户舒适度权重，任何一项拍脑袋乱定，最终优化结果都会经不起推敲。所以建议大家拿到别人的代码第一件事不是跑结果，而是把里面的参数一个一个抠出来，搞清楚来源和物理意义，再替换成自己场景的数据，这样改出来的项目才是自己的东西。

如果你正在做类似的方向，我的建议是从确定性模型入手，把ETP模型和潮流计算的接口先跑通，再加场景分析和随机规划。现在很多论文直接用深度强化学习做空调负荷控制，但不了解底层优化模型就直接上端到端的强化学习，中间出了问题很难排查。先把传统的优化控制模型吃透，再结合强化学习方法做对照，这条路走起来会稳很多。