企业官网建设流程全解析

复现EI论文里的风-水电联合优化运行模型，听起来是件很正经的事——把发表在EI期刊上的算法思路，用Matlab一行行写出来，跑通，再跟原文结果对比。真正做一遍就会发现，这件事的难点从来不在“会不会敲代码”，而在于论文里默认你懂的、省略掉的东西，比它写出来的东西多得多。

这篇文章我按自己完整跑通一遍该项目的过程来写：从数学模型怎么拆、EI论文怎么筛、求解器怎么选，到Matlab代码怎么搭、结果怎么验、坑怎么排。内容主要面向正在做风电/水电联合调度方向的学生、刚接触电力系统优化且准备用Matlab复现论文的工程师，以及想系统理解“联合优化运行”建模逻辑的读者。看完你至少能搭出一套能跑的确定性模型，再往随机优化、鲁棒优化方向扩展也有个清晰的起点。

1. 这个项目到底在复现什么：风-水电联合优化的数学模型

1.1 目标函数的选择：经济性与消纳怎么权衡

风-水电联合优化运行，本质上是多时段、多电源的机组组合与经济调度问题。风电和水电之所以要放到同一个框架里优化，核心原因是两者在时间尺度上互补：风电出力波动大、可控性差，水电（尤其带库容的常规水电和抽水蓄能）启停快、调节能力强，用水的“惯性”去平抑风的“随机性”，是当前解决风电并网消纳最直接的手段。

绝大多数EI文献把目标函数写成系统总运行成本最小，通式是：

min F = 火电燃料成本 + 机组启停成本 + 弃风惩罚 + 弃水惩罚 + 水电运行维护成本

火电燃料成本一般是出力的二次函数，比如第i台火电机组的成本为 Ci = ai * P_i² + bi * P_i + ci，其中 P_i 是该机组出力。在Matlab里这个二次项可以直接丢给YALMIP处理，如果你的求解器不支持二次目标，也可以对煤耗曲线做分段线性化，把问题降成纯线性规划。复现时优先保留二次项，因为精度高、代码短；等模型太大跑不动再退化成线性。

这里要专门说下弃风惩罚系数。学术论文里写“弃风惩罚设为XX元/MWh”只是一笔带过，但这个系数的量级会直接改变优化结果。我的经验是：惩罚系数至少要显著高于火电边际成本，才能让风电“优先上网”的意图真正落到调度结果里。比如火电边际成本在300元/MWh左右，弃风惩罚系数可以设到500~800元/MWh。但也不是越大越好，我见过有人填了10万元/MWh，结果求解器数值直接出问题，对偶变量和灵敏度分析全部失真。

1.2 约束条件里最容易出问题的三个环节

模型约束一般分四类：系统功率平衡、火电运行约束、水电运行约束、风电运行约束。复现时最常出问题的是下面三处。

第一处，功率平衡约束：

∑P_(i,t) + P_(w,t) + P_(h,t) = L_t

P_(w,t)是风电场t时段出力，P_(h,t)是水电站t时段出力，L_t是系统负荷。看起来是简单的等式约束，但你要确认单位。很多论文喜欢用“标幺值”或“p.u.”表示，复现代码里却混入实际MW数值，等式里的变量必须统一成同一个量纲体系，否则一上来就无解。

第二处，水电转换关系：

P_(h,t) = η * ρ * g * Q_(h,t) * H_net

这里Q_(h,t)是发电流量，H_net是净水头。问题在于这个式子是非线性的，如果水库水位变化明显，净水头也不是常数，模型就变成非线性规划。复现刚上手时，建议把出力直接建模成流量的分段线性函数，即：

P_(h,t) = K1 * Q_(h,t) （流量在区间1） P_(h,t) = K2 * Q_(h,t) + b2 （流量在区间2）

这样做牺牲了一点精度，但模型类型保持不变，能大幅降低调试成本。等线性版本跑通，再考虑要不要用非线性求解器。

第三处，风电出力约束：

0 ≤ P_(w,t) ≤ P_(w,t)^forecast

短周期调度中，更合理的写法是考虑预测误差，让风电出力的场景集落在某个区间内。确定性模型里，只保留上限约束就够了，但要注意风电预测出力数据本身带不带波动性。如果用的是平滑后的曲线，开出来的结果会过于乐观，后面第4章我会讲怎么用敏感性分析暴露这个问题。

1.3 模型假设：复现之前先把这些“默认省略”补出来

论文公式里看到的往往是高度抽象的模型，代码复现时必须把隐含假设补全。以我复现的一个典型系统为例，包含两台火电机组、一座常规水电站、一个风电场，调度周期24小时、步长1小时。

我复盘整理出的关键假设如下，这些在原文里可能只有半句话：

• 忽略网损，电网拓扑简化为单母线模型，所有机组在同一节点；
• 水电站入库流量按已知序列给出，不考虑预报误差；
• 水库水位与库容的关系简化为线性，净水头在调度期内视为常数；
• 火电机组不建模最小启停时间，只建模出力上下限和爬坡约束；
• 风电只考虑出力上限约束，不建模场内风机的详细功率曲线。

有了这套假设，你才能在代码里明确哪些变量该建、哪些该省。实际复现中很多人卡住，就是因为想把论文里所有的细节都实现，结果模型复杂度失控，连可解性都保证不了。EI复现的目的不是“超越原文”，而是“还原原文的逻辑并验证其结论”，所以简化假设只要不偏离原文的核心建模框架，就是可以接受的。

2. 复现前必须解决的三个前置问题

2.1 原始EI论文怎么找、怎么筛

很多人拿到“EI复现”四个字，第一步就去下载文献，但下载的质量参差不齐。以我的经验，EI Compendex检索页里设定检索表达式，例如“wind AND hydro AND optimal AND scheduling”，限定期刊或会议，时间范围近五年。同时把关键词限定在“unit commitment”“economic dispatch”“pumped storage”等子领域，可以缩小范围。

筛查时把握三条标准，能少走很多弯路。

第一条，模型完整度要高。论文里必须给出目标函数、所有约束条件的数学表达式，不能只给一个思路和一个结果图。完全没有公式的文献，除非你只想借鉴思路，否则不建议作为复现对象。

第二条，数据要可得。至少要有负荷曲线、风电出力曲线、水电参数这三类。很多高水平论文用某省电网真实运行数据，但数据不放附录，复现就只能靠猜，猜出来的结果不具备可比性。

第三条，求解方法要主流。优先选用了YALMIP、CPLEX、Gurobi等工具求解的论文，或者明确写了“本文采用混合整数线性规划”的文献。那些用了自研智能算法（遗传算法、粒子群之类）的论文，复现成本高、结果可能还不稳定，作为新手项目并不划算。

2.2 风电不确定性的建模：场景法还是鲁棒优化

风电最大的特征就是不确定性。同样是风-水电联合优化，不同论文采用的不确定性建模方法差别很大，这一步会在很大程度上影响你的代码结构。

场景法是复现时最自然的选择。思路是先用蒙特卡洛抽样生成大量风电出力的可能曲线，再用同步回代削减法把这些场景聚合成若干个典型场景，每个场景带一个概率权重，最后把概率放入目标函数求期望值。好处是物理含义清楚、可以直接用线性规划求解；坏处是场景数量多了以后计算量陡增。

鲁棒优化则是用盒式不确定性集合把风电出力描述在一个区间内，求解最坏情况下的最优方案。好处是不需要概率分布，结果偏保守；坏处是模型里多了一堆对偶变量和max-min结构，新手容易绕晕。

我的建议很直白：首次复现一定先做确定性模型，把风电预测曲线当成确定值输入，整个求解流程跑通后，再考虑把不确定性加进去。我见过太多人一上来就做随机优化，结果出了病态问题根本分不清是场景削减的锅、求解器设置的锅，还是模型本身的锅。一步一步来，反而是最快的方式。

2.3 用哪个求解器组合最省事

Matlab环境下复现这类优化模型，性价比最高的组合是YALMIP + CPLEX，或者YALMIP + Gurobi。YALMIP负责建模，把变量、目标、约束组织成标准形式；CPLEX/Gurobi负责求解。两者都有学术免费许可，个人复现完全可以支撑。

如果你的问题规模不大、纯线性模型，直接用MATLAB自带的linprog或intlinprog也能解决。但一旦涉及二次目标、整数变量、场景展开，自带求解器的算法选择不如CPLEX灵活。下面这个表格是我实际使用时的选型参考。

实际复现时还要注意求解器版本和Matlab版本的匹配问题。比如Gurobi每年更新版本，老版Matlab可能找不到对应接口；CPLEX在某些操作系统上的许可证路径也会出幺蛾子。这些场景性问题跑一次就知道，但不属于建模核心，遇到了去查询官方文档即可。

3. Matlab代码实现的分步拆解

3.1 数据准备：参数表与曲线怎么组织

我复现时习惯把所有数据集中到一个data_struct里，不散落在工作区。一个调度周期24小时需要准备的数据主要有四块：

• 负荷曲线：24个时段的系统负荷，单位MW；
• 风电预测出力曲线：24个时段的风电场上网预测功率，单位MW；
• 水电站参数：最大发电流量、最小技术发电流量、水库库容上下限、初末库容、入库流量序列；
• 火电参数：每台机组的出力上下限、爬坡速率、煤耗系数。

示例参数表如下，这组参数参考自多篇EI论文附录的典型测试系统，非特定原文：

注意库容单位“万m³”和发电流量单位“m³/s”之间的关系。在24小时模型中，一个时段的发电水量等于流量乘以3600秒，如果你把立方米和小时混在一起算，状态转移约束必然失衡。我一般先把所有流量统一折算成“每时段的水量增量”，再放入水量平衡方程，这样最不容易出错。

3.2 用YALMIP搭模型：变量、约束、求解

YALMIP建模的基本思路非常清晰：定义sdpvar变量、写目标、写约束、调用optimize。下面是核心代码框架，做了简化但结构完整。

%% 定义变量 P_f = sdpvar(2, 24); % 两台火电出力，2x24 P_h = sdpvar(1, 24); % 水电出力，1x24 Q_h = sdpvar(1, 24); % 发电流量，1x24 V = sdpvar(1, 24); % 水库库容，1x24 P_w = sdpvar(1, 24); % 风电上网出力，1x24 P_w_curtail = sdpvar(1, 24); % 弃风量 %% 目标函数 fuel_cost = 0; for i = 1:2 fuel_cost = fuel_cost + sum(a(i) * P_f(i,:).^2 + b(i) * P_f(i,:) + c(i)); end curtail_penalty = 500 * sum(P_w_curtail); Objective = fuel_cost + curtail_penalty; %% 约束 Constraints = []; % 功率平衡 for t = 1:24 Constraints = [Constraints, sum(P_f(:,t)) + P_h(t) + P_w(t) == L(t)]; end % 火电上下限与爬坡 for i = 1:2 Constraints = [Constraints, P_f(i,:) >= P_f_min(i)]; Constraints = [Constraints, P_f(i,:) <= P_f_max(i)]; Constraints = [Constraints, abs(P_f(i,2:24) - P_f(i,1:23)) <= ramp_rate(i)]; end % 水量平衡 Constraints = [Constraints, V(1) == V_initial]; for t = 1:24 Constraints = [Constraints, V(t+1) == V(t) + Inflow(t)*dt - Q_h(t) - Spill(t)]; end % 水电出力与流量关系（简化为线性） P_h = k_convert * Q_h; %% 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 1); sol = optimize(Constraints, Objective, ops);

这里面最容易漏的是水量平衡里V(t+1)的定义。如果你把时段数设为24，V也应该有24个或者25个值，索引错位会让约束数量少一条或错位一条。YALMIP不会报错，但结果会异常，这种问题不调试根本看不出来。

3.3 非线性环节的线性化处理

水电出力-流量关系、火电煤耗曲线，是复现时最常见的两个非线性源。前面提到火电煤耗可以直接保留二次项，Gurobi和CPLEX都支持二次目标，所以未必需要线性化。但水电的出力-流量一般是分段函数或包含水头乘积，建议统一转成分段线性约束。

分段线性化的Matlab实现不需要手写大M法，YALMIP内置了binvar和implies等逻辑约束工具，但更高效的方式是直接使用fmincon里的非线性约束？不，为了保持模型线性，推荐用define方法或者手写“特殊有序集”。YALMIP提供了value()和addvar等操作，不过对新手来说，最快的方式是针对每个流量区间单独定义辅助变量和0-1变量。

举一个简单的两段分段函数例子：发电流量Q在[0, 200]之间，出力K1Q；在[200, 400]之间，出力K2Q + b2。代码可以用：

x = binvar(1, 1); % 选择段 Q1 = sdpvar(1, 1); Q2 = sdpvar(1, 1); Constraints = [Q == Q1 + Q2]; Constraints = [Constraints, 0 <= Q1 <= 200 * x]; Constraints = [Constraints, 0 <= Q2 <= 200 * (1-x)]; P_h = k1*Q1 + k2*Q2 + b2*(1-x);

这是一个非常经典的建模技巧，把非线性问题变成了混合整数线性规划。建议复现时把所有分段函数都用这个模式写，后续增加分段数也只需扩展同一结构。

3.4 结果输出：曲线、报表和图像

模型求解成功后，第一时间要做的不是写结论，而是把结果可视化，用眼睛审查合理性。我一般输出三类图：

• 第一类，系统出力堆叠图：横轴是24个时段，纵轴是出力，用面积图表示火电、水电、风电各自承担的负荷份额；
• 第二类，水库库容和发电流量变化曲线：看库容是否越界、流量是否平滑；
• 第三类，弃风量柱状图：结合风电预测曲线共同展示，判断弃风发生在哪些时段。

Matlab里用area函数画堆叠图，bar画柱状图，再配合plot叠加预测值曲线，一张图能说明很多问题。我在实测中遇到最典型的情况是：弃风全部集中在凌晨负荷低谷时段，但风功率预测恰恰在傍晚达到峰值，这说明模型可能把风电预测数据排反了时段，或者时区没对齐。如果你不在第一步就画图，这种低级错误可能要排查两三天。

4. 复现结果验证与敏感性分析

4.1 模型正确性校验：退化测试与约束松弛实验

我建议在正式分析和对比论文结果之前，先做三轮验证。

第一轮是退化测试：把风电出力强制设为0，模型退化为纯水电-火电调度，此时的目标函数值应该和手算的近似值一致。比如夜间负荷低谷时火电要么压低出力、要么水电弃水，结果应该符合物理直觉。如果退化解不合理，说明模型里有基础性错误。

第二轮是约束松弛实验：逐一去掉约束（比如去掉爬坡约束或库容约束），观察目标函数值是否逐次下降。去掉一个约束后成本应该下降或持平，如果上升了，说明约束方向可能写反了。比如“V >= V_min”如果误写成“V <= V_min”，去掉它后成本反而上升，这是很好的报警信号。

第三轮拿预测曲线和一个经典案例对比。很多EI论文的测试系统取自IEEE RTS或类似公开数据，你可以找几篇结果图来对照同一负荷时段下的机组出力比例。虽然参数不同，但大的规律一致：负荷高峰火电满发、水电快速顶峰；负荷低谷风电占比大、水电压低出力。

4.2 风电渗透率对调度结果的影响

当模型跑通，我建议立刻做一组风电渗透率敏感性分析。所谓渗透率，就是风电场装机容量占系统最大负荷的比例。把风电容量从10%、20%…逐步调到50%，分别重新求解，记录每个场景下的弃风率、火电平均出力、水电平均调节深度。

下表是我在某次复现测试中得到的一组典型变化趋势：

逐时段观察，可以非常直观地看到：风电渗透率超过某一临界值后，弃风率开始加速上升，火电深度调峰压力增大，水电库容频繁在上下限之间摆动。这个“临界点”其实就是风-水电联合优化运行分析这篇文章最想传达的工程结论之一，也是你验证自己复现代码是否正确的重要参考。

4.3 来水变化下的水电调节特征

水电的调节能力从来不是无限的，它的上限由库容和入库流量决定。复现时要特别设计一组“来水变化”实验：把入库流量序列缩放0.5倍、1.0倍、1.5倍，对比调度结果。

实测下来，枯水期（来水少）时，水电站更倾向于把水量留到负荷高峰用，低谷时段甚至会出现所谓的“空闲弃风”现象——明明风很大，但因为水电调峰能力不足，系统不得不弃掉风电。丰水期（来水多）时，水电接近满发，水库长时间在高水位运行，此时的联合优化重点会转向“如何避免弃水”和“如何让火电深度调峰”。

这个分析结果对工程实际很有参考价值：风-水电联合优化的收益，很大程度上取决于水电站的库容调节能力，而不是风电装机本身。你的代码如果可以复现出“来水越少、弃风越严重”的趋势，基本就能说明模型逻辑是对的。

5. 排错记录：从模型不可行到求解超时的完整排查链路

5.1 模型不可行的定位三板斧

“problem infeasible”是复现中最常见也最让人头疼的报错。排查链路我总结成三板斧，按顺序执行。

第一板斧，冻结目标函数，只求可行解。把optimize的第一个参数换成Constraints，目标函数留空或设成零，看求解器是否能找到可行点。如果连可行解都没有，问题出在约束本身；如果可行但有目标时不可行，问题出在目标函数定义（比如把成本写成了负数）。

第二板斧，逐条松弛约束。重点检查功率平衡、库容初末值、爬坡这三类硬约束。实际操作是用一个大正数M乘以某个约束的松弛变量，比如把功率平衡改成：

sum(P_f(:,t)) + P_h(t) + P_w(t) + slack(t) == L(t)

然后看slack往哪个方向偏大，哪个方向出现问题就查哪部分数据。

第三板斧，检查数据单位。我踩过最经典的坑是库容用“万m³”，流量用“m³/s”，水量平衡里没有乘以3600，最终结果所有时段库容都超上限。这种问题用第一板斧和第二板斧都很难发现，因为约束本身自洽，只是物理量纲错了。我的建议是代码里所有输入数据统一注释单位，并且在水量平衡之后立即计算校核变量，用disp打印出来看一眼。

5.2 求解超时与内存占用问题

模型跑不动，大多数情况不是电脑太差，而是模型结构不够高效。场景法里如果你生成500个场景再展开，决策变量数量会膨胀到几万甚至几十万，加上整数变量，求解器自然卡死。

实际处理办法有三个。

第一个，削减场景数量，采用同步回代从500降到15个。一般情况下15个典型场景已经能覆盖95%以上的不确定性信息，目标函数值差异基本在2%以内。

第二个，设置求解器的停止条件。Gurobi和CPLEX都支持MIPGap参数，比如不大于2%就停止。实际运行中，某些分支定界节点后期收敛非常慢，为了那0.5%的精度多跑几个小时，完全没必要。

第三个，把可以聚合的约束向量化写。YALMIP里尽量用矩阵运算而非for循环，比如爬坡约束可以一次写成矩阵形式，代码可读性和求解效率都会提升。

5.3 数值病态：量纲不一致引发的灵异现象

最后一个坑比较隐蔽，但它解释了很多“明明模型没问题，结果却不稳定”的怪象。问题出在变量量纲跨度过大：比如目标函数里火电成本动辄上万元，而库容变量数值在几千万立方米量级，约束矩阵的系数横跨1e-6到1e6。

这种病态数值会让求解器内部的对偶缩放算法出问题，典型现象是：求解两次相同的模型，结果却在小数点后第四位波动，或者加了一条无关紧要的约束后，最优解大幅改变。

标准解法是对大规模变量做标幺化：把所有有功功率都除以系统基准容量，把所有水量除以一个参考体积，再统一用p.u.计算。虽然多了一步转换，但求解稳定性提升非常明显。我在复现几个大规模案例时，标幺化之后求解时间通常能缩短30%~50%，性能数值也稳定得多。

最后再分享一个实操小技巧：复现这类论文，我建议从一开始就建立一个“结果日志”文件夹，每跑完一个算例就保存一份Matlab的.mat结果文件和一张关键图，并附上参数版本说明。这不会直接提升代码质量，但当你面对几十组敏感性分析数据时，它会帮你快速定位“这一组奇怪结果到底是哪组参数试出来的”，也能在后续写论文、做对比时省掉大量重新跑数的时间。