企业官网建设流程全解析

1. 研究背景：为什么偏偏要在日前和日内之间做“分时治理”

先聊一个比较根本的问题：虚拟电厂（Virtual Power Plant, VPP）做调度优化，为什么不干脆把所有决策放在一个时间尺度里同时求解，非得拆成日前调度和日内调度两个层次？

先说结论：因为真实电力系统的决策节奏本身就不是同步的。市场出清、机组启停这类决策通常是提前一天甚至更早定的，而实时功率分配、爬坡修正这类决策只需要提前几分钟到几小时判断。如果把不同时效性的决策揉进同一个优化模型，一方面数学模型会变得异常庞大，动辄几万个变量加几万条约束，求解时间根本无法接受；另一方面，风电、光伏出力的预测精度随时间跨度急剧下降——提前24小时的预测误差可能超过20%，提前1小时的误差却能压到5%以内。让误差大的预测数据去指导前置决策，本身就是一种资源错配。

我最初复现这类论文时，也尝试过只做一个“单层大模型”，把所有分布式电源、储能、可控负荷的24小时决策一次性求解。结果就是：模型确实能算出来，但算出的出力曲线在第二天实际执行时几乎完全走样，尤其是光伏午间的出力尖峰和傍晚负荷晚高峰之间的功率缺额，预测偏差一放大，整个调度计划就得推倒重来。后来才明白，学术界和工程界已经非常默契地把这个问题拆成两个层次：

第一层叫日前调度（Day-Ahead Scheduling），时间粒度为1小时，决策窗口是未来24小时。它解决的是“明天整体怎么运行”的问题：哪些机组要启停、储能大致是充还是放、可控负荷的削峰计划怎么安排。这一层不追求每个时刻的精确功率，但必须保证全局经济性最优，所以本质是一个大规模混合整数规划或混合整数二次规划问题。

第二层叫日内调度（Intraday Scheduling），时间粒度可以是15分钟甚至5分钟，决策窗口通常是未来1到4小时的滚动区间。它解决的是“未来几十分钟到几小时怎么修正”的问题：光伏云层遮住了一部分出力，储能要不要临时多放一点；某个负荷突然降到预测值以下，柴油机组要不要降载。这一层的数据更加新鲜，预测精度高，所以能对日前计划中的偏差做针对性修正。

这个“先全局规划、再局部修正”的逻辑，有点像做一次长途旅行：出发前一晚你先规划好大致的路线、酒店和加油点，这是日前调度；但真正开车上路后，你要根据实时路况、天气，随时改走哪条匝道、在哪个服务区休息，这就是日内调度。两层决策互不替代，缺一不可。很多复现失败的案例，问题恰恰出在把这两层混为一谈，或者干脆只做了一层就声称是“多时间尺度”。

1.1 虚拟电厂里到底“藏”着哪些资源

在具体建模之前，得先把虚拟电厂的资源画像说清楚。不同论文对虚拟电厂的资源假设差异很大，但一套典型的配置通常包括以下四类：

风力发电与光伏发电：这两类是可再生能源主体，在虚拟电厂中通常处于“优先消纳”地位。但它们也有一个共性——出力具有不确定性，且不可控。建模时我们一般给它们设定预测功率曲线，并允许在日内调度阶段有一定的上下波动。

储能系统（BESS）：这是虚拟电厂里的“调节阀”。储能能在电价低谷时段充电，在高峰时段放电，既能套利，又能平衡可再生能源波动。建模时最需要关注的是荷电状态（SOC）的递推关系，即某时刻的电量等于上一时刻电量加上充电功率减去放电功率，还应考虑充放电效率的差异。

柴油发电机（或燃气轮机）：这是虚拟电厂里少有的可控出力单元。它们响应速度快、出力可调，但燃料成本高，通常只在可再生能源出力不足或负荷尖峰时段启用。建模时要考虑上下限、爬坡速率、启停成本。

可控负荷：比如温控负荷、工业生产线中的可中断负荷。这类资源在虚拟电厂里承担“需求侧响应”的角色，在电价高峰时段可以削减部分用电量，以换取补偿收益。

以上四类资源，每类都需要在日前和日内两个尺度下分别建模。区别在于：日前调度对风速、光照、负荷的预测采用的是24小时前的预测数据；日内调度则采用滚动更新的超短期预测数据，并加入对不确定性的惩罚项。

1.2 两个时间尺度不是简单的“加细”

这里要特别提醒一个容易误读的点：日内调度不是简单地把日前调度的步长从1小时改成15分钟重新算一遍。两者的角色有本质区别。

日前调度的核心是经济性全局最优。它要考虑启停、电价、燃料成本、购售电策略，为第二天全天的运行划定一个“基线计划”。这个基线计划会提交给电网调度机构，是虚拟电厂对外承诺的发电/用电曲线。

日内调度的核心是跟踪误差修正。它是在日前计划已经确定的基础上，根据最新预测偏差，以最小调整成本为目标，重新分配储能、柴油机组和可控负荷的功率，让虚拟电厂的实际出力尽可能逼近日前申报值，同时保证系统安全。换句话说，日前调度决定的是“目标曲线”，日内调度决定的是“怎么纠偏”。

从这个角度来看，两层的优化变量虽然很像，但约束条件和目标函数侧重点完全不同。我见过不少初学者把日内调度模型直接做成日前调度模型的小版本，甚至连SOC递推、爬坡约束都照抄，结果算出来的“日内调度”只是把日前曲线加密了，完全失去了修正的作用。这是复现中最典型的认知偏差。

2. 日前调度建模：粗粒度下的全局优化

日前调度是48小时？不，一般是24小时，时间间隔1小时，一共24个时段。更学术地说，这是一个混合整数规划问题，核心是找到一组机组启停状态量和各时段功率分配量，使得全天总运行成本最小。

2.1 目标函数：该算的账一分别漏

日前调度目标函数通常由四部分构成：

• 向电网购电/售电成本（收入）：虚拟电厂与外部电网存在功率交换。当虚拟电厂内部发电不足时，需要从电网购电；当内部发电过剩时，可以售电给电网。购电电价高于售电电价，所以目标函数中这一项要区分正负。
• 柴油机组燃料成本：通常用二次函数拟合，即燃料成本与出力呈二次关系。
• 机组启停成本：每次启动或停机都要付出额外代价，尤其是柴油机组冷启动成本较高。
• 储能退化成本：储能频繁充放电会缩短寿命，有些模型中会用充放电功率的线性项来近似表征。

于是目标函数可以写成：

[ \min \sum_{t=1}^{24} \left( C_{buy}P_{buy,t} - C_{sell}P_{sell,t} + \sum_{g} (a_g P_{g,t}^2 + b_g P_{g,t} + c_g) + \sum_{g} SU_{g,t} + C_{bess}(P_{ch,t}+P_{dis,t}) \right) ]

这里 (P_{buy,t}) 和 (P_{sell,t}) 是虚拟电厂与电网的交互功率，(P_{g,t}) 是第g台柴油机组出力，(SU_{g,t}) 是启停成本，(P_{ch,t}) 和 (P_{dis,t}) 是储能充放电功率。如果后续在Matlab中用YALMIP工具箱建模，这个目标函数可以直接用sum()写成一个标量表达式。

2.2 约束清单：七大类约束一个都不能少

建模的难点在约束，而不是目标函数。日前调度模型中必须包含以下七类约束：

功率平衡约束：每个时段，虚拟电厂内部总发电功率加上购电功率，必须等于总负荷加售电功率。这个约束是我在复现中踩过坑的地方——不少论文在功率平衡中忽略了储能自身运行时可能产生的损耗，或者把充放电各自独立建模后，平衡方程写错符号，导致优化结果出现能量不守恒的情况。

储能约束：包括荷电状态上限下限、充放电功率上下限、充放电状态互斥约束、以及SOC递推方程。其中SOC递推方程是最容易被写错的，充电效率和放电效率不同，不能用一个统一效率替代，否则一天的SOC轨迹会出现明显漂移。

柴油机组约束：包括出力上下限、爬坡速率约束、最小启停时间约束。爬坡约束在时间尺度较粗时影响不明显，但到了日内调度15分钟粒度下，这个约束几乎决定了柴油机能不能跟上光伏波动，建模时千万不能丢。

可控负荷约束：包括最大削减时长、削减次数限制、削减调节速率等。部分简化模型中，可控负荷只作为一个可平移的功率块参与调度，此时只需要约束平移的时段范围。

购售电约束：与电网交互的功率不能超过联络线传输容量，且同一时段不能同时购电和售电。后者可以通过引入0-1变量来约束，但会增加建模复杂度，部分论文用大M法或直接省略，得到的结果在边界处可能不合理。

日前申报曲线约束：虚拟电厂作为一个整体，向电网提交次日的出力计划，该计划需要符合机组实际能力和电网安全要求，一般体现为联络线功率上下限约束。

可再生能源出力约束：风机、风电的日前预测出力作为已知参数输入，实际调度功率不得超过预测值，且不能低于0。

一个较为完整的日前调度模型，变量规模大约在几百个到一千多个。用YALMIP+商业求解器求解，通常几秒到几十秒就能算出最优解。但需要注意，混合整数变量的引入会让问题变成NP-hard，如果求解器配置不当，很容易出现长时间的“冷启动”后才开始进入分支定界。

2.3 日前预测数据该怎么准备

做日前调度，最头疼的不是写模型，而是整理输入数据。数据通常包括：

• 24小时负荷预测曲线（或者净负荷曲线）。
• 24小时风电、光伏预测出力曲线。
• 分时电价曲线（峰、平、谷三段）。
• 各柴油机组的成本系数、启停成本、出力限值、爬坡率。
• 储能系统容量、初始SOC、最大充放电功率、充放电效率。

在实际复现过程中，我通常直接用经典的测试系统数据，比如某开源案例库提供的微电网数据，或者直接从某篇论文附录里提取数据。如果没有现成数据，可以自己生成一条带噪声的典型日负荷曲线，再叠加风电、光伏的预测曲线。生成时要注意：风电曲线和光伏曲线在时间上应该具有互补性——风电半夜强、白天弱，光伏白天强、夜间为零，这样才能调动储能的跨时段调节能力，让调度结果显得更有分析价值。

3. 日内调度建模：细粒度下的滚动修正

如果说日前调度是“慢决策、粗步长、全局看”，日内调度就是“快决策、细步长、局部调”。这一层的建模，是我认为复现中最能体现论文水平的地方。

3.1 日内调度的目标：让“偏差”付出的代价最小

日内调度发生在实际运行当天，此时距离真实运行时刻只有几小时甚至几十分钟。超短期预测精度显著提高，但日前计划又是不可轻易推翻的，所以日内调度的本质是在尽量不偏离日前计划的前提下，以最小运行调整成本修正功率偏差。

数学表达上，常见的做法是在日前调度的目标函数基础上，加入一个“计划偏离惩罚项”。每一项调整量进入目标函数时都带有权重系数，这样模型会优先选择调整成本最低的资源来消化偏差。比如储能调整成本较低，柴油机组调整成本较高，可控负荷削减补偿费用居中，那么优化结果通常会先动用储能的小时级平衡能力，再启用可控负荷，最后才会调整柴油机组出力。

3.2 日内调度的建模周期与滚动窗口

日内调度最常见的模式是“滚动优化”，即每到一个新时刻，重新优化未来一段时间的调度计划。比如每15分钟触发一次优化，优化窗口为未来4小时，也就是16个时段。

这里有三个重要参数：

• 滚动触发间隔：每15分钟还是每30分钟触发一次优化。
• 优化窗口长度：通常取未来1~4小时，不宜取满24小时，否则信息优势无法体现。
• 控制时域：只执行该窗口内第一个时段的调度指令，然后等下个触发时刻重新优化。

滚动窗口的设置在Matlab代码中通常用一个循环来实现，循环内调用优化模型并更新输入数据。值得一提的是，窗口长度越长，求解时间越长，但对未来变化的适应性越好。两者之间需要权衡，复现时可以通过敏感性分析来展示不同窗口长度对成本的影响。

3.3 日内调度新增的约束：要“盯着”日前计划走

与日前调度不同，日内调度模型里会多出一组“计划跟踪约束”。为了衡量实际功率与日前计划之间的偏差，定义：

[ \Delta P_t = P_{vpp,t}^{日内} - P_{vpp,t}^{日前} ]

然后对该偏差施加软约束，即将偏差的平方或绝对值加入目标函数，而不是硬性限制。这种“软约束+惩罚”的处理方式，在数学上比硬约束更稳健，因为硬约束在极端场景下会导致无解，而软约束永远有解。

此外，日内调度中可再生能源的实际出力不再是固定预测值，而是一个区间。通常用预测区间上下限的方式来刻画不确定性。在模型中，我可以把光伏、风电的出力作为可调变量，但限制在置信区间内，让模型自行安排最经济的出力点。这种做法比单纯用期望值更科学，也更能体现日内调度的“不确定性处理能力”。

3.4 日内调度的求解难度

日内调度的模型规模通常比日前调度小，因为它只需要覆盖未来几个小时的时段。但它的求解频次很高，一天可能要触发几十次优化，所以对求解速度的要求反而更高。如果每次优化都要花几分钟，那滚动调度根本没有实际意义。

在Matlab实现中，我用YALMIP工具箱进行建模，然后调用求解器求解。对日内调度这种中等规模混合整数规划，求解时间通常能控制在几秒内。如果发现求解时间过长，优先检查是不是因为引入了过多的0-1变量，可以考虑把机组启停状态固定为日前结果，日内只优化功率分配，这样问题就退化成线性规划或二次规划，求解速度会提升一个数量级。

4. Matlab代码实现：从数学模型到可运行代码的关键细节

论文里的公式是一套数学语言，而Matlab代码是另一套工程语言。从公式到代码，中间有大量的细节需要落实。这一节我讲几个复现时最常遇到的实现痛点。

4.1 求解器与建模工具箱的选择

在Matlab环境中搭建优化模型，目前的主流方案是使用YALMIP工具箱配合外部求解器。YALMIP的优势在于它提供了一套统一的建模语法，你不需要关心求解器内部的数据结构，只需要把目标函数和约束用符号表达式写出来，然后调用solvesdp()或optimize()函数即可。

代码框架大致如下：

% 定义决策变量 P_buy = sdpvar(24, 1); % 购电功率 P_sell = sdpvar(24, 1); % 售电功率 P_dg = sdpvar(24, 3); % 三台柴油机组功率 SOC = sdpvar(25, 1); % 储能荷电状态（多一个边界点） P_ch = sdpvar(24, 1); % 储能充电功率 P_dis = sdpvar(24, 1); % 储能放电功率 % 定义约束 constraints = []; % 功率平衡约束 for t = 1:24 constraints = [constraints, P_buy(t) + sum(P_dg(t,:)) + P_dis(t)*eff_dis + P_w(t) + P_pv(t) == load(t) + P_sell(t) + P_ch(t)/eff_ch]; end % SOC递推 for t = 1:24 constraints = [constraints, SOC(t+1) == SOC(t) + (P_ch(t)*eff_ch - P_dis(t)/eff_dis) / cap]; end % 调用求解器 options = sdpsettings('solver','gurobi','verbose',2); result = optimize(constraints, objective, options); P_buy_value = value(P_buy);

这里特别说一下value()函数的用法。在YALMIP中，求解完成后所有决策变量的具体数值都要通过value()提取，否则你拿到的只是一个符号变量。我在实践中的习惯是，求解完成后写一个collect_result()函数，把所有关键状态量打包成一个结构体，方便后续统一画图和统计分析。

4.2 矩阵化建模还是循环建模？

对于初学者来说，最直观的是用for循环逐时段写约束。这种写法可读性好，但代码冗长，而且速度偏慢。对于24时段的日前调度，循环写法完全没问题；但对于动辄几十次滚动优化的日内调度，循环内的重复建模会拖慢整体运行速度。

更高效的方式是采用矩阵化建模。把所有决策变量堆叠成矩阵，约束通过矩阵运算一次性生成。好消息是，YALMIP本身是支持矩阵约束的，比如SOC递推可以直接写成：

constraints = [constraints, SOC(2:end) == SOC(1:end-1) + (P_ch*eff_ch - P_dis/eff_dis)/cap];

这种写法不仅简洁，而且能显著减少建模时间。我的建议是：先把循环写法的版本跑通，再逐步改成矩阵写法，保证两种方式的结果完全一致。这样既能降低调试难度，又能获得足够快的运行速度。

4.3 日前调度与日内调度的变量衔接

两时间尺度模型的衔接，是复现的核心。日前调度结束后，我们需要把日前计划中的关键变量作为日内调度的“基准参数”传递过去。具体包括：

• 各时段机组的启停状态（固定为0-1值，不再作为日内决策变量）。
• 各时段储能SOC的日前计划值（作为日内SOC跟踪的参考点）。
• 各时段虚拟电厂对外联络线功率的日前计划值（作为日内偏差惩罚的参考点）。
• 柴油机组的日前计划出力（作为日内出力调整的基值）。

在Matlab代码中，这些衔接通过简单的变量赋值即可完成，但要注意：日前求解完成后必须立即用value()提取数值，否则后续日内调度会用到符号变量，导致求解器报错。

还有一点容易被忽略：日前调度的时间粒度是1小时，而日内调度的粒度如果是15分钟，则存在数据的时标转换问题。我需要把日前调度结果的1小时间隔值插值到15分钟间隔，或者把日内调度所需的预测数据全部聚合到1小时后再比较。这里推荐使用interp1函数进行线性插值，并在探究“日前计划跟踪”目标时注意插值带来的偏差，必要时对计划值做阶梯保持而非线性插值。

4.4 数据文件组织方式

代码的组织方式直接影响到复现效率。我的习惯是建立以下目录结构：

project/ ├── data/ # 存放输入数据 │ ├── load_data.mat │ ├── wind_pv_data.mat │ └── price_data.mat ├── main_DA.m # 日前调度主程序 ├── main_ID.m # 日内调度主程序 ├── main_run_all.m # 总运行脚本，顺序执行日前->日内->结果分析 ├── model/ # 存放模型构建函数 │ ├── build_DA_model.m │ └── build_ID_model.m └── results/ # 存放输出结果

总运行脚本的理念是“一键复现”。任何审稿人或工程师拿到这个文件夹，直接运行main_run_all.m就能复现全部结果。这一点对复现类工作非常重要。

5. 复现路上的坑：从数值病态到约束丢失

复现SCI论文里的代码，永远不会一帆风顺。以下是我在复现多时间尺度虚拟电厂调度过程中真实踩过的几个坑，都很有代表性。

5.1 爬坡约束在时间尺度转换中被“稀释”了

日前调度的时间粒度是1小时，爬坡约束是1小时尺度上的速率限制；日内调度的时间粒度是15分钟，如果直接把爬坡约束按比例缩小，看起来没问题，但忽略了柴油机组的实际物理响应特性。柴油机组在短时间内的爬坡能力并不与时间线性等比，它有一个初始的“快速响应段”和后续的“持续爬坡段”，简化建模时至少应保证日内调度的爬坡约束比日前调度更严格。

我在第一次复现时，因为没有单独调整爬坡约束，导致日内调度给出的柴油机组调整量在15分钟内根本无法实现，可算出的成本却显示“优化成功”。这种错误在做结果验证时才会暴露——功率曲线的跳变值超过了机组物理极限，但目标函数值却看起来非常漂亮。后来我在日内模型中加入了更严格的爬坡约束，结果才变得合理可用。

5.2 SOC初始值设置不当导致无解

储能SOC递推方程中，初始SOC通常设为固定值（如50%），末端SOC通常设为可变量或有约束区间。但有些论文会要求末端SOC回到初始值附近，以保证储能调度具有日周期可持续性。问题来了：如果初始SOC设定过高，充电空间不足，而夜间风电大发时又必须充电，就会导致约束互相冲突、模型无解。

解决办法有两种：一是把末端SOC约束从硬约束改成软约束，在目标函数中加入SOC偏差惩罚项；二是在建模前检查一天内的电量平衡关系，确保充放电总量与初始、末端SOC相匹配。这个检查逻辑可以写成一段预处理代码，在正式优化前先快速判断数据是否自洽。

5.3 日前调度结果“过于激进”导致日内无法跟踪

有时候日前调度为了追求经济最优，会在某一个时段把储能放得很低、柴油机组关得干净，但到了日内实际运行时，光伏突然降低或者负荷上升，这时候已经没有足够的储能电量或机组启动时间来不及，导致日内调度无论如何修正都无法弥补偏差。

这类问题的本质是日前调度没有为不确定性预留调节裕度。高级的论文会引入鲁棒优化或随机规划来内生处理这种风险，但常规复现只需要在日前模型中增加一个储能末端SOC的“安全带约束”，比如要求日内每个时段结束时SOC不低于20%，就能很大程度上缓解这个问题。这种小技巧，在论文里往往只是若干约束中的一行，但在实际运行中意义重大。

5.4 数值病态与求解器参数设置

虚拟电厂调度模型中，各成本项的数量级差异可能非常大。比如购电成本可能是几千上万，而储能退化成本可能只有零点几，如果数值差异超过1e6，求解器内部的数值稳定性就会受到挑战，甚至出现对偶不收敛或错误的最优性判断。

我的经验是：建模前先对所有输入参数做一个量纲审查，确保所有功率的单位一致（kW还是MW）、所有成本单位一致（元还是万元）、所有时间单位一致（小时还是分钟）。如果发现某些项的系数特别小，可以考虑对其进行归一化预处理，或者适当放大惩罚项权重。另外，为求解器设置合理的MIP gap容差（比如0.1%）也可以有效缩短求解时间，不必追求完全精确到绝对值。

6. 一个完整算例与结果解读

理论讲再多，不如跑一个完整算例直观。下面我给出一个经典配置的测试结果分析思路，方便各位对照自己的复现代码。

6.1 案例配置与数据设定

假设一个虚拟电厂包含：2台风力发电机（总装机1.2MW）、1套光伏系统（装机0.8MW）、1台柴油机组（容量0.5MW）、1套储能（容量0.6MWh，最大充放电功率0.3MW），以及一段可控负荷（最大可调0.2MW）。负荷曲线取某工业园区的典型日负荷，分时电价采用峰谷三段制，风电光伏出力曲线取同一地区典型季节的预测数据。

我将这个案例跑了一遍完整的日前调度+日内滚动调度。日前调度步长1小时，日内调度步长15分钟，滚动窗口4小时，一天共触发96次日内优化。笔记本电脑上总运行时间约3分钟，其中日内调度占据了大部分时间。

6.2 结果对比一：储能SOC曲线的差异

日前调度的SOC曲线与日内调度的SOC曲线存在明显差异。日前调度只在整点时刻给出SOC值，曲线较为平滑，大致呈现“夜间充电—上午小放—午后光伏大发时急充—晚高峰深度放电”的形态。日内调度由于每隔15分钟刷新一次预测和优化，SOC曲线出现了更多的小幅调整，但整体趋势与日前计划保持一致。

这个对比说明日内调度确实在“跟踪日前计划”，而不是另起炉灶。如果你的复现结果中，日内SOC与日前SOC差异很大，甚至有反向趋势，大概率是漏掉了计划跟踪约束，或者惩罚权重设置不合理。

6.3 结果对比二：柴油机组出力与运行成本

日前调度中，柴油机组在夜间负荷低谷时段几乎不出力，但在早晚高峰时段会有明确的出力计划。日内调度中，由于光伏实际出力略低于预测值，柴油机组在午后到傍晚时段被追加了额外出力。这部分新增出力对应的燃料成本，就是“不确定性代价”。

把全天运行成本拆开来看，日前调度总成本相对较低，因为它是基于理想预测做的全局规划；日内调度总成本更高一些，多出来的部分可以理解为为了应对不确定性而支付的“调节成本”。在多时间尺度调度研究中，对比这两个成本的差值，是一种非常直观地衡量日前预测准确性的手段。

6.4 复现这类论文的几点心得

最后说几条个人经验，权当参考。

第一，不要迷信论文里的每一个数字。论文为了表达简洁，可能隐去了一些边界条件、系数处理或约束细节。复现时你应当把论文当作“算法框架”，而不是“规格说明书”。很多参数需要根据数据情况自行标定。

第二，一定要做“约束存在性”验证。方法是：把目标函数改成0，只求可行解。如果即使在目标函数为0的情况下依然无解，那说明约束本身存在矛盾，需要回头检查模型；如果可行解存在但目标值异常，再检查目标函数的量纲和符号。这个“先可行、后最优”的两步法，几乎能排查掉90%的建模错误。

第三，重视结果可视化。调度曲线、储能SOC、柴油机组出力、电网交互功率这些关键结果，一定要画成时间序列曲线来检查。曲线比表格更能暴露问题——充放电切换的异常频繁、SOC的突变、功率缺额的高峰，一眼就能看出来。画图用Matlab自带的plot函数就够了，叠加日前和日内的对比曲线时，记得用不同的线型和颜色，否则发布到论文或博客里读者很难读懂。

虚拟电厂多时间尺度调度，看起来是“日前加日内”两个模型组合，实际上考验的是对电力系统运行逻辑的深层理解。模型写得好不好，取决于对约束的把握是否精准；代码跑得快不快，取决于矩阵化能力和数据组织能力。如果你照着这个思路把前后端全部打通，再回头去读相关SCI论文，会发现那些公式和图表都变得亲切许多。