企业官网建设流程全解析

风电、光伏和储能怎么配合调度，是这几年新能源领域绕不开的硬骨头。风光的随机性和间歇性大家都懂，储能作为“缓冲池”的角色也喊了很多年，但真正把风电、光伏、电池储能、甚至废弃矿井抽水蓄能放在一个框架里做互补调度优化的研究，其实还不多。这篇博客就围绕我自己用Python实现的一套“风光储互补调度运行”代码，把里面的核心逻辑、建模思路、实操细节和踩过的坑一次说清楚。代码已经跑通，结果稳定，适合正在做新能源调度、微电网优化或者储能配置研究的同行参考，也适合刚接触Python优化建模的读者拿来练手。

1. 整体设计与思路拆解

1.1 为什么要把风电、光伏和储能放在一起调度

很多人一开始会把风电和光伏当成“电源”，把储能当成“负荷或者电源”，然后分别建模再拼起来。这个思路本身没有错，但真正做互补调度的时候，问题就来了：风光出力是分时段的，用电负荷也是分时段的，储能充放电策略会影响后续时段的可用容量，而矿井抽水蓄能这种特殊储能方式又带有地理和容量约束。如果只是把各模块简单拼凑，优化结果往往不是全局最优，甚至会出现“储能白天充满、晚上没电放”这种低级问题。

互补调度的核心在于“时序耦合”和“功率平衡”。风电出力往往夜间较大，光伏出力集中在白天，负荷则在早晚出现双高峰。没有储能时，只能弃风弃光或者依赖外购电。加入储能后，调度问题的本质变成了：在满足负荷需求的前提下，决定每个时段充放电多少、什么时候充什么时候放，才能让系统运行成本最低、新能源消纳最多。

1.2 方案选型：电池储能与废弃矿井抽水蓄能

这里有一个很实际的考虑——为什么储能部分要同时包含电池和废弃矿井小型抽水蓄能？电池储能的响应速度快、布置灵活，但成本高、寿命有限；抽水蓄能容量大、寿命长，但依赖地理条件。废弃矿井改造成小型抽水蓄能，等于把“废地”变成“储能设施”，对上水库、下水库的落差要求不高，适合小型化分布式部署。

两种储能特性差异很大：

在优化模型里，这两种储能不能简单合并成一个“储能模块”，否则会丢失各自运行约束的差异性。电池适合做短周期、高频次的调节，抽水蓄能适合做长周期、大规模的能量搬移。互补使用，既能提升响应能力，又能降低成本。

1.3 Python建模的整体架构

我选用Python做这个项目，核心原因有三个：一是生态成熟，尤其是优化建模和科学计算库非常完善；二是代码可读性强，方便后续扩展；三是数据可视化方便，调度曲线直接画出来对比一目了然。

整体架构分为四层：

• 数据层：处理风电、光伏的时序出力数据，以及负荷数据；
• 模型层：定义决策变量、目标函数和约束条件；
• 求解层：调用优化求解器求最优解；
• 展示层：绘制调度结果曲线、储能SOC变化曲线、成本构成图等。

这里要重点说明：调度运行研究的基础是“给定数据求最优策略”，而不是设计储能容量。风电和光伏的出力曲线，我采用历史实测数据或者基于典型日生成，负荷数据则使用典型工业/居民负荷曲线。如果数据源不足，也可以先用模拟数据把流程跑通，后续再替换真实数据。

2. 核心细节解析与实操要点

2.1 风电与光伏的出力特性处理

风光出力建模是整个调度问题的输入基础。风电出力与风速相关，光伏出力与太阳辐照度相关，两者都带有明显的时序特征和随机性。在调度模型中，我采用“时序场景”方式处理：把一天划分为24个时段，每个时段给一个出力系数，再乘以装机容量就得到该时段的出力上限。

风电的典型出力特点：夜间和凌晨出力较高，白天相对较低。光伏的典型出力特点：夜间出力为零，白天从早上升高、中午达到峰值、傍晚降回零。两者叠加之后，白天时段通常不缺电，凌晨和傍晚时段容易出现供电缺口——这正是储能发挥作用的关键时段。

有一点要提醒：不要直接用“平均出力”作为输入。调度优化对时序非常敏感，平均化会抹平峰谷差异，导致优化结果严重失真。数据预处理时，宁可保留原始波动，也不要为了“好看”而做平滑处理。

2.2 电池储能模型：SOC与充放电约束

电池储能的建模核心是SOC（State of Charge，荷电状态）。SOC表示当前电量占额定容量的百分比，是电池储能调度的核心状态变量。每个时段的SOC变化可以用下面的递推式表示：

[ SOC(t+1) = SOC(t) + \eta_c \cdot P_c(t) - P_d(t) / \eta_d ]

其中，(P_c(t)) 是充电功率，(P_d(t)) 是放电功率，(\eta_c) 是充电效率，(\eta_d) 是放电效率。这个递推式看起来简单，但实际实现时要注意几个约束：

• SOC必须在安全范围内运行，通常取10%~90%，避免过充和过放；
• 充放电功率不能同时为正，否则模型会在无意义的“边充边放”中浪费能量；
• 充放电功率有上限，受限于电池的额定功率；
• 调度周期结束时SOC要回到初始值，这是为了支持“日循环”调度模式。

实践中，边充边放的问题最隐蔽。如果不对充放电状态做互斥约束，优化器可能“钻空子”——同时充电和放电，既满足了功率平衡，又消耗了能量，这显然不符合物理实际。我采用二进制变量加连续变量的方式处理，效果很稳定。

2.3 废弃矿井抽水蓄能模型：容量与扬程约束

废弃矿井小型抽水蓄能跟电池储能的建模逻辑类似，但多了两个关键参数：水库容量和水头扬程。上水库和下水库之间通过管道连接，抽水时电能转化为水的势能，发电时水的势能释放转化为电能。

抽水蓄能的模型参数包括：

• 上水库可用水量 (V_{max})，决定了储能容量；
• 抽水/发电功率上限 (P_{pump})、(P_{gen})；
• 抽水效率 (\eta_{pump}) 和发电效率 (\eta_{gen})；
• 水量连续性约束：某时段的水量 = 上一时段水量 + 抽水量 - 发电用水量。

这里有个实操细节需要注意：抽水蓄能的效率是两条腿走路的。抽水效率通常指电能转化为水的势能的效率，发电效率指水的势能转化为电能的效率，总效率是两者乘积。比如抽水效率0.85、发电效率0.85，那么总效率只有0.72左右。建模时如果只用一个效率系数，会高估储能的经济性。

另外，与电池不同，抽水蓄能的水量是可以“跨日”调节的。电池储能通常按日循环，抽水蓄能完全可以按周循环甚至更长时间尺度。我在代码里用“周期结束时水位回到初始水位”作为约束，也可以根据实际需求放开这个约束。

2.4 功率平衡与系统运行约束

互补调度运行研究的本质，是解决任意时刻系统功率平衡的问题。功率平衡方程可以写为：

[ P_{wind}(t) + P_{pv}(t) + P_{bat_dis}(t) + P_{pump_gen}(t) + P_{grid}(t) = P_{load}(t) + P_{bat_ch}(t) + P_{pump_ch}(t) ]

这个公式的含义是：电源出力和储能放电，要满足负荷、储能充电和抽水蓄能抽水的总需求。如果系统允许向外部电网购电，那么 (P_{grid}(t)) 可以作为松弛变量，允许为正或负。如果要求“孤岛运行”，则 (P_{grid}(t)) 必须恒为零。

这里有一个容易忽视的细节：功率平衡方程看起来只是一个等式，但它的含义远超“数学上成立”。实际上，它隐含了“弃风弃光”的机制。如果某时段风光出力超过负荷加上储能充电的需求，多余的电量只能弃掉。在优化模型里，弃风弃光量并不是显式变量，而是通过让风光出力小于等于预测出力来隐式实现的。

3. 实操过程与核心环节实现

3.1 数据准备与预处理

好的调度模型，一半功夫在数据准备。我建议把数据整理成这样的Csv格式：

出力系数乘以装机容量得到实际功率，负荷系数乘以最大负荷得到实际负荷。用系数而不是绝对功率的好处是：模型可以灵活适配不同装机规模，只需要在参数初始化时改两个数字。

我实测过的数据来源有两类：一是公开数据集（比如某些省份的风电场、光伏站历史出力数据），二是自己按典型日曲线加随机扰动生成。如果做对比实验，建议用确定性基准数据加随机扰动的方式生成多组数据，这样能测试模型的鲁棒性。

3.2 优化模型的数学表达

这个项目的优化问题可以写成标准形式：

目标函数：

[ \min \sum_{t=1}^{T} \left( C_{grid} \cdot P_{grid}(t) + C_{curtail} \cdot (P_{wind_avail}(t) - P_{wind_use}(t)) + C_{curtail} \cdot (P_{pv_avail}(t) - P_{pv_use}(t)) \right) ]

其中，(C_{grid}) 是购电电价，(C_{curtail}) 是弃风弃光惩罚成本。目标函数的设计体现了两个核心目标：降低运行成本、提高新能源消纳率。

约束条件包括：

1. 功率平衡约束；
2. 电池SOC递推约束与容量约束；
3. 电池充放电功率上下限与互斥约束；
4. 抽水蓄能水量递推约束与库容约束；
5. 抽水蓄能抽水/发电功率上下限与互斥约束；
6. 风光出力不超过可用预测出力；
7. 购电功率不超过联络线功率上限。

这里要特别说明目标函数中惩罚项的设计。如果没有弃风弃光惩罚，优化器会倾向于“不用白不用”的原则，尽可能多消纳新能源——这本来没问题，但当新能源出力过大导致储能充满时，多余的电无法消化，弃风弃光就不可避免。设置惩罚成本，本质上是告诉优化器：“弃风光是一种很不划算的行为，优先避免它，实在不行再弃。”

3.3 Python代码实现与关键逻辑

代码实现上，我推荐用pulp这个线性规划库，轻量且容易上手。也可以用gurobi或cplex，求解速度更快，但需要商业许可。学术研究场景下，gurobi有免费学术版，性能和稳定性都很出色。

核心代码结构如下：

from pulp import LpProblem, LpMinimize, LpVariable, LpStatus, value import numpy as np import pandas as pd T = 24 # 基础数据 wind_coeff = [...] # 风电出力系数 pv_coeff = [...] # 光伏出力系数 load_coeff = [...] # 负荷系数 wind_cap = 50 # 风电装机 MW pv_cap = 30 # 光伏装机 MW load_max = 40 # 最大负荷 MW # 电池储能参数 bat_cap = 30 # MWh bat_power = 10 # MW bat_eff = 0.9 # 充放电效率 soc_min, soc_max = 0.1, 0.9 soc_init = 0.5 # 抽水蓄能参数 pump_cap = 60 # 水量上限 万m³ pump_power = 8 # MW pump_eff = 0.85 gen_eff = 0.85 # 定义优化问题 prob = LpProblem("Wind_PV_Storage_Dispatch", LpMinimize) # 决策变量 P_wind = [LpVariable(f"P_wind_{t}", 0, wind_cap * wind_coeff[t]) for t in range(T)] P_pv = [LpVariable(f"P_pv_{t}", 0, pv_cap * pv_coeff[t]) for t in range(T)] P_bat_ch = [LpVariable(f"P_bat_ch_{t}", 0, bat_power) for t in range(T)] P_bat_dis = [LpVariable(f"P_bat_dis_{t}", 0, bat_power) for t in range(T)] P_pump_ch = [LpVariable(f"P_pump_ch_{t}", 0, pump_power) for t in range(T)] P_pump_dis = [LpVariable(f"P_pump_dis_{t}", 0, pump_power) for t in range(T)] P_grid = [LpVariable(f"P_grid_{t}", 0, 20) for t in range(T)] SOC = [LpVariable(f"SOC_{t}", soc_min, soc_max) for t in range(T+1)] V = [LpVariable(f"V_{t}", 0, pump_cap) for t in range(T+1)] # 充放电互斥变量 u_bat = [LpVariable(f"u_bat_{t}", cat="Binary") for t in range(T)] u_pump = [LpVariable(f"u_pump_{t}", cat="Binary") for t in range(T)] # 目标函数：购电成本 + 弃风弃光惩罚 grid_price = 0.5 # 元/kWh curtail_penalty = 0.8 # 元/kWh cost = ( sum(grid_price * P_grid[t] for t in range(T)) + sum(curtail_penalty * (wind_cap * wind_coeff[t] - P_wind[t]) for t in range(T)) + sum(curtail_penalty * (pv_cap * pv_coeff[t] - P_pv[t]) for t in range(T)) ) prob += cost # 约束：功率平衡 for t in range(T): prob += P_wind[t] + P_pv[t] + P_bat_dis[t] + P_pump_dis[t] + P_grid[t] == \ load_max * load_coeff[t] + P_bat_ch[t] + P_pump_ch[t] # 约束：电池SOC递推 for t in range(T): prob += SOC[t+1] == SOC[t] + (bat_eff * P_bat_ch[t] - P_bat_dis[t] / bat_eff) / bat_cap # 约束：电池充放电互斥 for t in range(T): prob += P_bat_ch[t] <= bat_power * u_bat[t] prob += P_bat_dis[t] <= bat_power * (1 - u_bat[t]) # 约束：抽水蓄能水量递推 for t in range(T): prob += V[t+1] == V[t] + (pump_eff * P_pump_ch[t] - P_pump_dis[t] / gen_eff) * 0.01 # 约束：抽水蓄能互斥 for t in range(T): prob += P_pump_ch[t] <= pump_power * u_pump[t] prob += P_pump_dis[t] <= pump_power * (1 - u_pump[t]) # 约束：SOC、V初值与末值 prob += SOC[0] == soc_init prob += SOC[T] == soc_init prob += V[0] == pump_cap * 0.5 prob += V[T] == pump_cap * 0.5 # 求解 prob.solve() print("Status:", LpStatus[prob.status]) print("Objective:", value(prob.objective))

提示：水量递推中的系数0.01是为了把功率与水量单位统一起来的简化处理。实际应用中，要根据上下水库的库容曲线和扬程数据，建立真实的功率-水量转换关系。

3.4 结果可视化与敏感性分析

调度结果的展示对判断模型正确性非常关键。我推荐至少画三张图：

第一张是功率平衡图。把风电出力、光伏出力、电池充放电、抽水蓄能充放电、购电功率和负荷曲线画在一张图里，可以直观看出每个时段的功率流向。

第二张是SOC曲线和水量曲线。这张图用来检查储能是否在合理范围内运行，有没有出现越界或者周期末没有回到初始值的情况。

第三张是成本构成堆叠图。把购电成本、弃风惩罚、弃光惩罚分别堆叠，可以直观看出成本结构的占比，从而判断优化效果。

敏感性分析方面，我习惯做两个维度的实验：第一个是改变电池容量和抽水蓄能容量，观察系统成本和新能消纳率的变化趋势；第二个是改变购电电价和弃风弃光惩罚系数，观察调度策略的变化。这类实验对项目报告和论文写作都有直接价值。

3.5 参数设定与原始数据来源说明

代码里用到的参数，有些来自公开资料，有些按典型工程经验暂定。举几个例子：

• 风电、光伏装机容量设为50MW和30MW，这是中等规模新能源场站的常见配置；
• 电池储能容量30MWh、功率10MW，充放电时间约3小时，接近电网侧储能电站的典型配置；
• 废弃矿井抽水蓄能的水量上限60万m³，是基于小型废弃矿井改造项目的常见容量范围估算的。

注意：这只是演示代码的默认参数，不是任何实际工程项目的真实参数。实际应用时，必须用项目现场的真实数据替换，尤其是抽水蓄能的效率和水头参数，对结果影响非常大。

4. 常见问题与排查技巧实录

4.1 优化结果出现“边充边放”怎么办

这个问题在初版代码里几乎必现。表现是某时段电池充电功率和放电功率都不为零，优化结果“看起来很合理”，但实际上是在损耗能量。

排查方法很简单：打印每个时段的充放电功率，检查有没有同时为正的时段。如果存在，优先检查有没有加互斥约束。加互斥约束后这个问题基本消失。

不过要注意：加了二进制变量后，模型从纯线性规划变成了混合整数线性规划，求解时间会显著增加。对于24时段的小规模问题完全没问题，但如果扩展到8760小时全年调度，求解时间可能让人崩溃。这时候有两种方案：一是去掉二进制变量，用一个小惩罚项抑制边充边放——比如目标函数中加上“充电功率的正则项”，这个技巧在实践中效果不错，但严格来说不能100%保证消除；二是换用更高效的商业求解器gurobi，并开启MIP焦点参数，速度提升非常明显。

4.2 SOC曲线出现锯齿状波动

如果SOC曲线高频上下波动，常见原因有两个。一是充放电功率本身跟随负荷波动，这属于正常现象，不用处理。二是效率参数设置出错，比如充放电效率乘除方向搞反了——充电效率应该在充电侧乘，放电效率应该在放电侧除，方向搞反就会导致SOC异常波动甚至发散。

出现SOC曲线问题时，先做一个极简测试：只保留电池储能，关闭风电光伏和抽水蓄能，把负荷设成恒定值，看SOC是否平滑变化。如果还是锯齿状，基本可以确定是递推公式写错了。

4.3 单位不统一导致结果离谱

这是新手最容易踩的坑。功率单位是MW，电量单位是MWh，电价单位是元/kWh或元/MWh，不统一会导致目标函数数值差好几个数量级。比如电价按元/kWh计算，而功率电量按MW/MWh计算，那么电价应该按1000倍换算成元/MWh再参与计算。

我在代码里统一使用MW、MWh、元/MWh，并且让所有涉及价格的参数都明确标注单位。这样做的直接好处是：调试时可以手动验算某个时段的成本，能够快速定位问题。

4.4 求解器报“Infeasible”怎么处理

模型不可行的原因通常有三类：第一类是约束之间互相矛盾，比如SOC初值设置为0.2，同时又要求SOC最小值0.3，那初始时刻就已经违约了；第二类是功率平衡方程过于严格，没有给购电功率足够的取值范围；第三类是抽水蓄能的末水位约束与初始库容设置冲突。

排查时建议先用注释法，把所有约束逐个注释掉，每注释一个求解一次，很快就能锁定是哪条约束导致不可行。这个方法虽然笨，但对于50行以内的模型非常高效。

4.5 关于求解器的选择经验

我用过的求解器包括pulp自带的默认求解器、scipy.optimize.linprog、gurobi和cplex。简单概括：

• 学习阶段用pulp+ 默认CBC求解器，免费且安装方便；
• 正式研究且模型规模较大时，优先考虑gurobi，学术版免费，性能出色；
• 如果模型是凸优化或非线性，可以考虑cvxpy配合开源求解器。

另外还想提一句：代码写完之后，先用小规模数据（比如把24时段改成8时段）跑通，确认逻辑正确后再加完整数据。这样调试效率最高，也最容易定位问题。

5. 扩展方向与代码的后续改进

这个项目做到当前程度，已经能回答“风光储如何互补调度”这个核心问题。但实际工程中还有几个方向值得继续深挖：

第一个方向是加入随机优化。风电光伏出力本质上是不确定的，确定性调度只是“给定预测值求最优解”。加入随机场景后，模型可以输出鲁棒性更强的调度策略。实现方式也比较直接：把单一场景扩展为多场景，目标函数改为期望成本最小化。新增的工作量主要是场景生成和场景缩减，场景缩减可以用K-means聚类或快速前向选择算法。

第二个方向是引入分时电价和需求响应。我现在的模型里购电电价是固定值。实际电网中，分时电价很常见，峰时电价可能是谷时的两倍以上。加入分时电价后，储能的调度策略会发生很大变化——可能白天充满、晚间高峰放出的“峰谷套利”会成为主要策略。需求响应侧，可以考虑让部分可转移负荷参与调度，模型会更加贴近实际。

第三个方向是模型预测控制。目前是“开环调度”，也就是先算好24时段的策略，然后按计划执行。实际运行中，风光出力预测会不断更新，储能实际SOC也会偏离计划值。用模型预测控制的滚动优化思路，每个时段基于最新预测重新计算未来24时段的策略，只执行当前时段的指令，控制效果会更稳。

第四个方向是考虑储能寿命衰减成本。电池储能每次充放电循环都会造成容量衰减，这个成本在优化模型里通常被忽略。更精细的模型可以加入循环老化成本函数，让优化器自动权衡“现在多充放带来的收益”和“未来容量衰减带来的损失”。这一块对电池储能经济性评估的影响很大，值得深入做。

这些扩展的代码基础，我在项目里已经预留了接口。决策变量、约束函数、目标函数都是独立模块，改一个模块不需要动其他模块，扩展起来比较顺手。

我在实际调试中体会最深的一点是：这个项目的价值不在于数学模型有多复杂，而在于把“物理约束、经济目标、时间耦合”这三件事揉在一起的建模能力。风光储互补调度看起来是优化问题，其实更是一个系统思维问题。模型跑通的瞬间很有成就感，但更值钱的是你对每条约束、每个参数背后物理意义的理解。做研究也好，做工程也罢，能解释清楚“为什么这么建模”的人，才是真正把这个方向吃透的人。