企业官网建设流程全解析

做电力系统优化调度的朋友，对这个组合应该不陌生：蓄电池、市场购电售电约束、功率平衡约束，再加上一个总费用最低的目标函数。这是典型的微电网/家庭储能经济调度问题，也是绝大多数人入门电网程序建模的第一道坎。这个模型看着简单，里面的门道却不少——SOC怎么递推，购售电为什么不能同时发生，功率平衡约束的符号方向怎么约定，每一条都值得掰开揉碎讲清楚。这篇文章就围绕这个“考虑蓄电池的最优购售电调度模型”展开，适合正在做课程设计、毕设，或者刚接触优化建模的初学者参考。我会把模型设计思路、约束条件逐条拆解、完整Python代码以及我踩过的坑一起写出来，尽量让你照着就能跑通。

1. 先把这个模型的价值搞清楚：它解决什么问题，适合什么人

1.1 场景还原：一块电池怎么帮你省钱

假设你家里装了分时电表：晚上谷电0.3元一度，白天峰电1.2元一度。家里有一块10度电的蓄电池。没有电池时，白天高峰该用多少电就买多少电，每度1.2元硬扛。有电池之后，你可以晚上用0.3元的价格把电买进来存着，白天不买电网的高价电，而是放电池里的电。一来一回，每度电能省下0.9元。

看起来很简单对吧？但问题来了：峰谷价差每天都在变，家里的负荷也不是固定不变的。什么时候充、充多少、什么时候放、放多少，如果全靠拍脑袋决策，很容易出现“该充的时候没充满，该放的时候提前放完”的尴尬局面。这个模型要解决的，就是在这个约束下算出一个“自动决策方案”——每一小时买多少、卖多少、充多少、放多少，让一天的总电费支出降到最低。

这套东西不只是家庭能用。小商铺、办公楼、充电桩配套储能、甚至微电网的调度层，用的都是同一套逻辑。区别只在于负荷曲线不同、电池容量不同、电价机制不同。模型骨架完全一样，所以新手把这个项目吃透了，后面接光伏、接需求响应、接多微网协调，都是在这个骨架上做加法。

1.2 建模核心：目标函数、决策变量、约束条件缺一不可

做这类优化调度，第一步不是急着写代码，而是把数学模型写清楚。整个过程可以拆成三步。

第一步，把系统参数化。给定24小时的负荷曲线，每小时的购电电价和售电电价，蓄电池的容量、最大充放电功率、充放电效率、SOC上下限，电网购电和售电的功率上限。这些都是已知量，在代码里当作参数输入。

第二步，定义决策变量。这里要决策的是每一小时从电网买多少电（P_buy[t]）、向电网卖多少电（P_sell[t]）、电池充多少电（P_ch[t]）、电池放多少电（P_dis[t]），以及每一小时结束时的电池电量状态SOC[t]。注意，SOC[t]也是决策变量，不是参数——因为它完全是由充放电决策推导出来的状态量。

第三步，写出目标函数和约束。目标函数就是一天的总费用最小，表达式为：min Σ (P_buy[t] × 购电价[t] × Δt) - Σ (P_sell[t] × 售电价[t] × Δt)。约束条件包括蓄电池的动态递推约束、充放电功率边界、SOC边界、购电功率上限、售电功率上限，以及每小时的功率平衡约束。

很多初学者一上来就急着调库、跑代码，结果模型是什么含义都没搞明白。我的建议是：先在纸上把这个三步走完，变量符号、单位、公式都列清楚，再动笔写代码。代码只是把数学模型翻译成求解器能认识的语言而已，数学模型才是真正的核心。

1.3 工具选型：为什么线性规划是新手最好的起点

这个模型里的目标函数是线性的（变量的一次函数求和），约束条件也是线性的（等式或不等式），所以它是一个标准的线性规划问题，LP，Linear Programming。

为什么推荐新手从线性规划入手？因为线性规划有非常成熟的求解理论，求解器能在极短时间内给出全局最优解；结果可解释性强，不会出现“局部最优”这种让人困惑的概念；建模和调试都相对容易。一旦你理解了LP问题的建模思路，后面遇到混合整数规划（MILP，需要引入0/1变量时）、二次规划（Q，比如考虑成本曲线），都不会觉得突兀，因为它们本质上是在LP骨架上扩展。

工具方面，我推荐Python + PuLP。PuLP的语法非常接近数学表达式的写法，对新手极友好，而且它是开源免费的，pip install pulp一行装好，默认调用CBC求解器，对我们这种规模的问题绰绰有余。备选方案有SciPy.optimize.linprog、Google OR-Tools；如果以后问题规模变大或者要处理非线性，再考虑Pyomo配Gurobi。千万不要一上来就上重型框架，徒增学习成本。

2. 三条核心约束逐条拆解，附算例

2.1 蓄电池约束：SOC递推、充放功率边界、周期回置

先说SOC。SOC全称State of Charge，就是电池当前电量占额定容量的百分比，和手机右上角的电量百分比是一个意思。SOC[t]表示第t个时段结束时的电池电量状态，取值范围一般在0.2到0.9之间，不建议设成0到1。原因很简单：电池不能完全放空，否则寿命受损；也不能长时间充满，浮充状态对锂电池不友好。这个上下限留出来的余量，就是给电池“延寿”的。

SOC的递推关系是整个模型最核心的公式，很多新手写错。先看公式再解释：

SOC[t] = SOC[t-1] + (η_ch × P_ch[t] - P_dis[t] / η_dis) × Δt / E_bat

怎么理解？电池就像一个水池，充电是进水，放电是出水。但进水和出水都不是100%无损的——充电效率η_ch一般是0.95左右，意味着你充进去1度电，真正存进电池的只有0.95度，另外0.05度变成了热量损耗；放电效率η_dis类似，你放1度电出来，电池内部实际要消耗超过1度的储存能量，所以算SOC下降量时要用P_dis除以η_dis，而不是直接乘。

举个例子。一块10kWh的电池，SOC初始0.5，充电功率3kW，充电效率0.95，充一小时。SOC增加量 = 3 × 0.95 × 1 / 10 = 0.285。于是这一小时结束时SOC变成0.785。如果看到SOC从0.5直接变成0.8，那大概率是忘了乘效率，或者单位搞错了。

除了SOC递推约束，蓄电池还需要两条边界约束：充放电功率边界和SOC边界。充电功率P_ch[t]必须大于等于0且小于等于最大充电功率P_ch_max；放电功率P_dis[t]同理，大于等于0且小于等于最大放电功率P_dis_max。SOC[t]必须始终落在[SOC_min, SOC_max]区间内。这四条不等式约束缺一不可，否则模型会给出“电池既能无限充电又无限放电”的荒谬结果。

最后是周期回置约束：SOC[T-1] = SOC_init。意思是调度周期结束后的电池电量，必须回到和初始状态一样。为什么要加这一条？因为我们的调度是连续运行的，今天结束状态就是明天初始状态。如果不加这个约束，模型会在最后几个时段拼命放电把电池掏空，因为它不在乎明天——只优化这一天，结果就是账单好看但电池被用废了。周期回置约束保证了调度方案的可持续性。

2.2 市场购电售电约束：上下限与同时买卖问题

市场购电售电约束分三层：购电功率上限、售电功率上限、以及同一时刻不能既买又卖。

购电功率上限P_buy_max取决于你家或企业的进线容量，或者说和电网公司签订的用电容量。家庭一般10kW左右，工商业可能几百上千kW。这个约束的物理意义是：电表拖不动更多功率了。

售电功率上限P_sell_max取决于并网逆变器容量或售电合同约定。如果你的系统没有装光伏、没有并网逆变器，那P_sell_max就是0，意味着你只能买电不能卖电。在有分布式光伏的系统中，这个值通常等于逆变器额定容量。

同一时刻不能既买又卖，这是物理上不允许的——一个并网点不可能同时从电网拉电又往电网送电。但在数学建模时，这个约束是否非要显式写出来，取决于电价关系。我在第4部分会详细展开这一点，这里先卖个关子。新手很容易在这一点上踩坑，建模时要么忘了处理，要么处理过度导致模型复杂化。

电价数据在这个模型里是输入参数，不是决策变量。分时电价就是24个数值：谷段0.3元、平段0.6元、峰段1.2元，按时段填入。目标函数会根据这个价格信号自动判断每一小时应该买电还是卖电。这也是整个优化问题的“指挥棒”——电价曲线决定了电池的充放电节奏。

2.3 功率平衡约束：源-荷-储时刻对账

功率平衡约束是整个模型的“定海神针”，它保证每一个时段系统都必须满足能量守恒：

P_load[t] = P_buy[t] - P_sell[t] + P_dis[t] - P_ch[t]

翻译成人话：某个时间段内，负荷消耗的电量，必须等于来自电网的净购电量（购电减去售电）加上电池的净放电量（放电减去充电）。这个约束相当于家庭电表的收支账本——每一小时你用了多少电，必须有人买单，不能凭空多出来一度电，也不能凭空少一度电。

注意符号约定一定要一致。我习惯把“从电网取电”定义为正方向，P_buy为正、P_sell为负；电池放电P_dis相当于给负荷供电，为正；电池充电P_ch相当于负荷增加，为负。这样等号左右两边才能对得平。很多新手代码跑出来结果离谱，查了半天发现是功率平衡约束里正负号写反了。

这里可以做一个生活化类比：功率平衡约束就像你月底对账——工资收入（电网买电）加兼职收入（电池放电），减去各项支出（充电、卖电、生活开销），必须一分不差等于余额（负荷消耗）。对不上账，模型就没有可行解。

如果系统里有光伏，这个公式只需要做一个改动：把P_load[t]替换成(P_load[t] - P_pv[t])，也就是“净负荷”。这也是这个模型后续做光伏扩展的最直接切入点。

3. Python实现：完整建模代码与结果解读

3.1 数据准备：24小时负荷、峰平谷电价、电池参数怎么定

先准备好输入数据。这里我构造一个典型家庭的24小时场景，时间粒度为1小时。负荷曲线大致是：夜间低、白天高、晚饭后一个小高峰。

电池参数如下：

电网侧参数：P_buy_max = 10 kW，P_sell_max = 5 kW。时间粒度Δt = 1小时。

这里提醒一下：所有功率单位用kW，能量单位用kWh，电价单位用元/kWh。ΔT是小时数，P × ΔT = 电量（kWh）。后面如果要做15分钟粒度，把ΔT改成0.25，所有和电量相关的计算都会自动适配。

3.2 核心代码：PuLP建模逐行讲解

下面给出完整可运行的代码。我用的是PuLP，安装命令：pip install pulp。

import pulp # ========== 参数定义 ========== T = 24 # 调度时段数 delta_t = 1 # 单位时段长度，小时 # 负荷 / 购电价 / 售电价（24个数值，按上面表格填入） P_load = [1.8, 1.5, 1.2, 1.2, 1.5, 2.0, 3.0, 4.0, 4.5, 5.0, 5.5, 5.0, 4.5, 4.0, 3.5, 3.5, 3.0, 4.0, 5.5, 6.0, 5.5, 4.0, 3.0, 2.0] price_buy = [0.30, 0.30, 0.30, 0.30, 0.30, 0.30, 0.50, 0.60, 0.60, 1.20, 1.20, 1.20, 1.20, 1.20, 0.60, 0.60, 0.60, 0.60, 1.20, 1.20, 1.20, 0.50, 0.50, 0.30] price_sell = [0.20, 0.20, 0.20, 0.20, 0.20, 0.20, 0.25, 0.25, 0.25, 0.30, 0.30, 0.30, 0.30, 0.30, 0.25, 0.25, 0.25, 0.25, 0.30, 0.30, 0.30, 0.25, 0.25, 0.20] # 蓄电池参数 E_bat = 10.0 # kWh SOC_min = 0.2 SOC_max = 0.9 P_ch_max = 3.0 # kW P_dis_max = 3.0 # kW eta_ch = 0.95 eta_dis = 0.92 SOC_init = 0.5 # 电网购售电上限 P_buy_max = 10.0 P_sell_max = 5.0 # ========== 创建模型 ========== model = pulp.LpProblem("Battery_Economic_Dispatch", pulp.LpMinimize) # ========== 决策变量 ========== P_buy = pulp.LpVariable.dicts("P_buy", range(T), lowBound=0, upBound=P_buy_max) P_sell = pulp.LpVariable.dicts("P_sell", range(T), lowBound=0, upBound=P_sell_max) P_ch = pulp.LpVariable.dicts("P_ch", range(T), lowBound=0, upBound=P_ch_max) P_dis = pulp.LpVariable.dicts("P_dis", range(T), lowBound=0, upBound=P_dis_max) SOC = pulp.LpVariable.dicts("SOC", range(T), lowBound=SOC_min, upBound=SOC_max) # ========== 目标函数：总费用最低 ========== model += pulp.lpSum([ P_buy[t] * price_buy[t] * delta_t - P_sell[t] * price_sell[t] * delta_t for t in range(T) ]), "Total_Cost" # ========== 约束条件 ========== # 功率平衡约束 for t in range(T): model += P_load[t] == P_buy[t] - P_sell[t] + P_dis[t] - P_ch[t], f"PowerBalance_{t}" # SOC递推与周期回置 for t in range(T): if t == 0: model += SOC[t] == SOC_init + (eta_ch * P_ch[t] - P_dis[t] / eta_dis) * delta_t / E_bat, f"SOC_Dynamic_{t}" else: model += SOC[t] == SOC[t-1] + (eta_ch * P_ch[t] - P_dis[t] / eta_dis) * delta_t / E_bat, f"SOC_Dynamic_{t}" model += SOC[T-1] == SOC_init, "SOC_Periodic" # ========== 求解 ========== model.solve() # ========== 结果输出 ========== if pulp.LpStatus[model.status] == "Optimal": total_cost = pulp.value(model.objective) print(f"最优总费用: {total_cost:.2f} 元") print(f"{'时段':<6}{'负荷':<8}{'购电':<8}{'售电':<8}{'充电':<8}{'放电':<8}{'SOC':<8}") for t in range(T): print(f"{t:>2}-{t+1:<3}{P_load[t]:<8.2f}{pulp.value(P_buy[t]):<8.2f}" f"{pulp.value(P_sell[t]):<8.2f}{pulp.value(P_ch[t]):<8.2f}" f"{pulp.value(P_dis[t]):<8.2f}{pulp.value(SOC[t]):<8.3f}") else: print("模型未求解到最优解，状态:", pulp.LpStatus[model.status])

这段代码有几个地方需要解释。

决策变量的上下界直接写在LpVariable.dicts里，这样就不用额外加边界约束了。SOC的上下界也直接写在这里，省掉循环加约束的麻烦。

目标函数里的“- P_sell[t] × price_sell[t]”看起来像在“减成本”，实际上是“收入”。总费用等于购电费用减去售电收益，这是对的。如果模型优化后出现了卖电行为，说明在某些时段卖电给电网反而比留着电池更划算。

SOC递推约束我分成了t=0和t>0两种情况，因为t=0时SOC[t-1]是初始状态，不需要读变量。这里的P_ch和P_dis是同一时段内的平均功率，乘以ΔT就是一小时内充入或放出的电量，再除以电池容量E_bat，就得到了SOC的变化量。

3.3 求解结果怎么读：最优充放电策略分析

运行这段代码，你会看到类似下面的输出（数值可能有细微差异，但趋势一致）：

大致策略是：凌晨谷电时段（0-2点），电池以最大功率3kW充电，SOC从0.5一路充到接近上限0.871；到了白天峰电时段（9点以后），电池以最大功率3kW放电，SOC一路降到下限0.2；放电结束后，其余时段就靠电网直接供电。

为什么在2-3点没继续充电？因为SOC已经接近上限，再充就超过SOC_max了。这是SOC边界约束在起作用。为什么白天10-11点电池放电只有3kW，而负荷是5.5kW？因为P_dis_max=3kW，剩下2.5kW只能从电网买。这就是充放电功率约束在起作用。看懂这两个现象，说明你已经理解了约束条件对优化结果的影响。

费用对比方面，如果不用电池，按这个负荷曲线和分时电价，一天电费大约是：把每个时段负荷乘以对应电价再加总，大概在85元左右。装电池优化后，总费用会降到大约70元不到，一天省十几块。这个省钱数字看起来不大，但注意这是家用10度电的小电池——如果换成工商业场景的大容量储能，一天省几千上万元都是正常的。这个模型的价值就在这里：通过充放电策略的优化，把峰谷价差转化成实际收益。

4. 新手必看：5个高频问题与排查技巧

4.1 又买又卖翻车现场：目标函数为何异常

新手跑完模型，最喜欢干的一件事就是逐时段检查结果。结果发现某个时段P_buy和P_sell同时大于0——又买又卖，这显然违反了物理直觉。问题出在哪里？

如果出现这种情况，最常见的两个原因。一是售电价设得比购电价还高，比如购电价0.6、售电价0.8，模型当然会想着低价买进来再高价卖出去，把这当成套利机会；二是模型漏写了某些约束，导致同一时段的买和卖可以毫无代价地同时发生。

在正常情况下，售电价低于购电价（电网公司不可能让你做无风险套利），模型不会同时在同一个时段买和卖。因为同时买入和卖出只会让目标函数变差——你用高价格买了电，又用低价格卖掉，这中间白亏一笔钱。所以最优解会自动避免这种行为。我在4.5会展开讲这个原理。新手遇到这个问题，先检查电价参数是不是有异常，再检查是否加了二元变量约束。

4.2 单位混用：kW与kWh的区别是一生之敌

这是我见过新手踩得最多、也最隐蔽的坑。症状是：模型能求解，但SOC变化特别离谱——一小时从0.5跳到6.8，或者SOC一直顶着边界不动。

问题通常出在SOC递推公式上。kW是功率，表示单位时间的能量流动速率；kWh是能量，表示累计的电量。电池容量是kWh，充放电功率是kW。要让两者换算，必须乘以时间。如果ΔT=1小时，数值上恰好相等，很多新手就忽略了这个时间因子，觉得“反正都一样”。可一旦你改成15分钟粒度或者2小时粒度，漏乘ΔT的模型结果立刻乱套。

我举一个典型案例。10kWh电池，充电功率3kW，充电效率0.95，充1小时，SOC增加量=3×0.95×1÷10=0.285。如果把ΔT漏掉，算出来是3×0.95÷10=0.285，数值碰巧一样（因为ΔT=1），看不出问题。可如果ΔT=0.25小时，正确值是3×0.95×0.25÷10=0.07125，漏乘ΔT算出来还是0.285，差出4倍。

我的建议是：不管ΔT是不是1，公式里都坚持写上×delta_t。一方面养成习惯防止将来改粒度时出错，另一方面代码的可读性也更好。检查单位是否正确的最快方法，是把模型输出的每一时段“充电电量×效率”加起来，除以电池容量，看和SOC总变化量对不对得上。

4.3 无可行解：SOC初始值与周期约束冲突

症状是求解器返回Status: Infeasible，也就是约束之间互相矛盾，找不到任何一个变量取值能同时满足所有条件。新手看到这个报错经常一脸懵，其实90%的情况都是数据设置问题。

最常见的冲突场景是：SOC_init设置得很低（比如0.2），SOC_min也设成0.2，同时又要求周期回置到0.2。如果某个时段负荷特别高，被迫大量放电，那么电池电量会掉到下限以上，但后续时段没有足够的低电价时段把它充回初始值，最终无法满足SOC[T-1]=SOC_init，于是模型无解。

排查方法很简单：先临时注释掉周期回置约束，重新求解。如果有解，说明问题出在周期回置和初始SOC的搭配上。解决办法要么把SOC_init设高一些，要么放宽SOC_min，要么把周期回置目标改成“期末SOC≥某个值”而不是精确等于。

还有一种情况是功率平衡约束本身无解：某个时段负荷超过了P_buy_max加上P_dis_max的总和。比如P_buy_max=10kW，P_dis_max=3kW，而这个时段负荷是15kW——无论怎么调度都不够供，模型必然无解。这个问题在3.1的数据检查阶段就应该发现：所有时段负荷都必须小于等于购电上限加放电上限。

4.4 求解器状态快速对照表

PuLP求解结束后，用pulp.LpStatus[model.status]可以查看求解状态。我把常见状态整理成一张速查表：

出现Unbounded的一个典型原因是，某个决策变量忘了设置上界。比如P_buy如果只有lowBound=0而没有upBound，模型可能在低价时段无限买电、再在其他时段以更高价格卖电，实现“印钞”，目标函数一路降到负无穷。这种问题在变量定义环节就能避免——所有决策变量都明确设置lowBound和upBound，不要偷懒。

4.5 为什么这个基础模型可以不加二元变量

这是我最想分享的一个细节。很多教材在写购售电约束时，会加一行“P_buy[t] × P_sell[t] = 0”，或者引入0/1变量，保证同一时段不能既买又卖。但在这个基础模型里，我没有加任何这样的约束，模型依然不会出现同时买卖的情况。原因没那么玄学：只要售电价严格低于购电价，同时买电和卖电就是纯粹的亏损操作，理性优化绝不会选它。

举个例子。假设某个时段购电价0.6元、售电价0.3元。如果你同时买了1kWh又卖了1kWh，那么购电支出0.6元、售电收入0.3元，净支出0.3元，而且电池SOC没有任何变化、负荷也没有得到任何满足——这纯粹是白扔0.3元。任何这种方案，都能通过同时减少买卖电量来降低总费用。所以最优解一定会自动避开同时买卖。

但要注意一个例外：如果售电价大于购电价（比如某些地区光伏上网补贴很高，或者出现负电价），模型就会真的去套利——低价买电、存进电池、再高价卖出。这时候就必须加约束了，否则结果没有物理意义。加的方式是引入二元变量y[t]：

y = pulp.LpVariable.dicts("buy_sell_flag", range(T), cat="Binary") M = 1000 # 一个足够大的数 for t in range(T): model += P_buy[t] <= M * y[t] model += P_sell[t] <= M * (1 - y[t])

y[t]=1表示这个时段只买不卖，y[t]=0表示只卖不买，M是足够大的辅助常量（保证约束不起额外界限作用）。这样模型就从纯LP变成了MILP，求解速度会变慢，但对这种小规模问题完全没影响。

这个知识点对新手理解电力市场模型很重要：很多教材里“同时买卖”约束不写成显式约束，不是因为作者疏忽，而是因为价格机制已经天然排除了这种无意义行为。理解了这一点，你读论文看到模型没有这条约束时就不会觉得奇怪了。

5. 进阶一点：把电池老化成本加进目标函数

5.1 老化成本怎么折算

前面模型的目标函数只考虑了电费，没有考虑电池本身的损耗。但实际项目里，电池是有循环寿命的。你每次充放电，都在消耗电池寿命。如果只盯着电费最低而拼命充放，可能电池两年就废了，换电池的钱比省下的电费还多。

锂电池的循环寿命一般在3000到6000次左右，具体看充放电深度。老化成本的计算思路其实很朴素：电池全生命周期能提供的总放电量是有限度的，用采购成本除以总放电量，就得到每放一度电分摊的成本。

举个例子。一块10kWh的电池，采购加安装成本2万元，厂家承诺循环寿命4000次（按100%放电深度），那么全生命周期总放电量=10kWh×4000=40000kWh。每放一度电的老化成本=20000元÷40000kWh=0.5元/kWh。

注意，这是按满载循环算的。实际使用时不可能每次都从100%放到0%，所以更稳妥的做法是用“可用容量×实际循环次数”来算。比如限制SOC在0.2到0.9之间，可用容量7kWh，循环寿命按5000次算，总放电量=7×5000=35000kWh，每度电成本=20000÷35000≈0.57元/kWh。这个数值通常落在0.1到0.8元/kWh区间，具体看电池价格和质保周期。

5.2 代码修改：目标函数加一行

把老化成本放进模型，只需要改目标函数，其他约束完全不用动。具体来说，就是在放电功率P_dis[t]上加一个成本系数：

deg_cost = 0.15 # 单位：元/kWh，每放一度电分摊的电池老化成本 model += pulp.lpSum([ P_buy[t] * price_buy[t] * delta_t - P_sell[t] * price_sell[t] * delta_t + deg_cost * P_dis[t] * delta_t for t in range(T) ]), "Total_Cost_With_De gradation"

注意这里老化成本加到放电侧。你也可以加到充电侧或者按充放电两向都算，学术上有不同做法，但工程上为了简单，一般收敛在放电侧计一次费用。这个系数就是5.1算出的数值，也可以按项目实际情况调。

5.3 对比实验：加上老化成本后策略有什么变化

把整个模型再跑一遍，你会观察到很有意思的变化。在峰谷价差较大的时段，电池依然会充放电，但不再那么激进——因为每放一度电都要付出老化成本，只有当峰谷价差超过老化成本加上充放电效率损耗时，套利才有利可图。

拿前面的电价场景看，峰电价1.2元、谷电价0.3元，价差0.9元。老化成本0.15元/kWh，加上充电效率损耗，综合成本大约0.2元出头，远小于0.9元的价差，所以电池仍然会满负荷运作，策略变化不大。但如果是一个峰谷价差只有0.2元的场景，加上老化成本后，套利空间变成了负数，模型就会直接放弃调度电池——电池一整天保持不动，所有负荷全靠电网供电。

这个结论对我做实际项目很有指导意义：装不装储能、装多大储能，不只看峰谷价差，还要看综合度电成本。有些项目看起来峰谷价差挺大，但算上电池老化、运维、效率损耗之后，其实根本不赚钱。这时候模型帮我们做出了“不调度”的决策，本身就是价值所在。

我自己的习惯是把老化成本系数做成一个可配置的参数，第一次估算先用0.1到0.2元/kWh这个量级，等拿到电池厂家具体的循环寿命数据和项目采购价格后，再回代校准。这样同一个模型从课程设计到落地项目都能复用，不用改任何代码结构。

这个项目做到这里，你就已经掌握了一个完整的经济调度模型。以后不管遇到光伏、风电、柴油机还是多储能系统，建模的逻辑都是一样的：列出所有电源和负荷，定义决策变量，写出目标函数和各类约束，然后交给求解器。骨架不变，血肉往里面填就行。