基于分段损耗与需求响应的多源协同阶梯碳价储能优化调度模型

做储能优化调度的朋友应该都有这种体会：模型跑通很简单，难的是把损耗、响应、碳成本这些现实因素全都塞进一个能求解的框架里。最近我把这个基于分段损耗与需求侧响应的多源协同阶梯碳价储能优化模型完整整理了一遍，全部用Python实现，目标也很直接——在火电、风电、光伏、储能共同供电的园区里，综合考虑储能分段损耗、用户侧需求响应和阶梯碳价机制，算出一套让系统日综合成本最低的调度方案。这套模型代码我自己反复跑过很多遍，中途踩了不少坑，比如线性化处理不当导致模型无解，Big-M取值太大引起数值病态。所以这篇就把完整的建模思路、代码框架、实操参数和一些排错技巧一并写出来，希望对正在做储能调度或碳交易耦合优化的你有帮助。

1. 这个模型到底在解决什么问题

1.1 为什么要把损耗、碳价、需求响应放在一起考虑

储能调度如果只看“低充高放”四个字，那确实不需要建模，凭经验都能排出来。但实际项目里的场景远比这复杂：光伏和风电出力随机波动，火电爬坡慢不能随便调，储能既要赚峰谷价差又要帮着消纳新能源；负荷也不是一条固定曲线，用户让出一部分用电弹性，系统就能省下不少成本；更别说现在还有碳排放约束，火电每多发一度电都带着碳成本。这些因素一旦叠加，凭经验根本排不过来，必须靠优化模型去算。

这个模型最大的价值，是把“源—网—荷—储—碳”统一放进一个调度周期里来考虑。源是火电、风电、光伏，储是电化学储能，荷是含需求响应的柔性负荷，碳是阶梯碳价下的排放成本。多源协同不是简单加和，而是通过储能和需求响应把不同时段的供需缺口填平，同时让碳排放成本尽量低。

很多初学者会把碳价设成一个常数，这样做当然能跑，但和实际偏差很大。实际碳市场里配额价格会随供需波动，企业超额排放后需要购买额外配额，用得越多边际价格越贵。阶梯碳价就是模拟这种“用得越多、单价越贵”的机制。把它和分段损耗放在一起，模型才算真正贴近工程实际。

1.2 适用场景、边界条件与建模取舍

这个模型的典型应用场景大概是这几类：

• 园区级微电网的日前优化调度，源、荷、储的容量都比较明确。
• 光储充一体化项目，用户侧有可调节的充电负荷。
• 工厂或商业楼宇参与需求响应，允许一部分负荷平移或削减。
• 含碳配额约束的能源系统运行优化，需要把碳排放成本精确计入目标函数。

需要提醒的是，不是所有场景都适合上这套模型。如果你只是做一个小型离网系统的削峰填谷，储能容量小、负荷基本固定，那用简单的0-1充放状态加上固定效率就够了，上阶梯碳价和需求响应反而会让模型难解。反过来，如果系统具备较强的市场属性，或者你研究的题目本身要发论文，那阶梯碳价和需求响应带来的调度差异就非常关键，值得把模型做完整。

我当时做取舍的原则是：能线性化的一定线性化，能减少整数变量就尽量减少，但关键机制不能因为求解难度就砍掉。分段损耗、阶梯碳价、需求响应这三块是模型的核心贡献点，缺一个算出来的方案都会有偏差。后面我会逐个讲清楚怎么处理。

2. 核心机制逐层拆解

2.1 分段损耗：储能效率的非线性处理

储能系统的损耗是大家容易忽略、但又特别影响结果的因素。很多人建模时直接用一个固定效率，比如充放电效率都设成0.95，算出来的结果往往偏乐观，实际运行根本达不到。

真实工程里，锂电池储能的效率跟充放电功率、SOC区间都有关系。低SOC区充放电，电池内阻大、可用容量受限，实际转换效率明显下降；高SOC区又容易触发限功率保护；大功率充放时PCS和线路损耗占比也会上升。如果把这些特性全部精确建模，那就是非线性优化问题，求解极其困难。

分段损耗的思路，是把储能充放电过程按SOC区间或功率区间切成几段，每一段用线性关系近似，再用分段线性化技巧转成混合整数线性规划（MILP）。这样既保留了“损耗随工况变化”的特征，又不至于把模型变成非凸问题。

我自己常用的做法，是将SOC分成三段：低段、中段、高段，对应三个不同的充放电效率参数。比如低段充放电效率设为0.88，中段设0.94，高段设0.90，这样能体现出同样充10度电，在不同SOC点真正存进电池的电能是有差异的。这个处理带来的收益往往比想象中明显——尤其当系统频繁在低SOC区间运行，损耗差异对调度结果影响非常大。

2.2 阶梯碳价：在优化里怎么表达

阶梯碳价的核心思想，是系统免费获得一部分碳配额。实际排放量在配额以内，碳成本很低甚至不计；一旦超过配额，超出部分按不同价格区间分段计费，超得越多单价越贵。

在优化模型里，这本质上又是一个分段线性函数。把超出配额的部分分成两到三个区间，每段定义一个碳价系数。由于排放量是由火电出力决定的连续变量，再叠加阶梯碳价，就需要引入0-1变量把不同排放区间耦合起来，这是一个典型的混合整数规划结构。

举个例子：假设免费配额是E0，第一档超排量上限是ΔE1，碳价是p1；超过ΔE1的部分进入第二档，碳价是p2，且p2大于p1。那么总碳成本可以写成：

C_carbon = p1 × min(超额排放, ΔE1) + p2 × max(0, 超额排放 − ΔE1) + ...

真正在代码里实现时，我用的是Big-M法加0-1变量来激活对应区间。这里有一个很重要的工程经验：Big-M的取值不要随便给个百万千万级的大数，取约束实际边界的1.5到2倍就够了。M太小可能让不该激活的区间被排除，M太大又容易引发数值病态，Gurobi求解时会出现“numerical trouble”一类的警告。

阶梯碳价模块的难点其实不在数学，而在参数设定。不同行业的免费配额计算方式不一样，有的按历史排放强度，有的按行业基准值。实际项目里，我会让用户把配额、碳价档位和区间上限作为外部参数直接录入，尽量不要自己在代码里写死。这样模型复用性高，换一个项目只改数据文件就行。

2.3 需求侧响应：负荷不再是固定值

需求侧响应在本模型里主要体现为负荷的可调性。假设系统内有一部分负荷可以平移，一部分可以削减——比如工厂某些工序可以从高峰时段挪到低谷时段，某几台设备在极端情况下可以关停半小时。

建模时，我把原始负荷分成固定负荷和可调负荷两部分。固定负荷不可变；可调负荷又分两类：可平移负荷，总用电量不变，但允许改变用电时段；可削减负荷，允许损失一部分电量，但系统要支付对应的补偿成本。

需求响应在目标函数里体现的是“补偿成本”项：用户响应了调度指令，调整了用电行为，系统需要支付补偿；同时，由于负荷被调整，火电和储能的调度计划也会随之改变。关键约束在于，可平移负荷在调度周期内总用电量必须守恒，不能在优化过程中凭空增加或减少。

这里我想特别提一个很多人容易踩的坑：如果不加任何限制，纯经济优化会倾向于把所有可削减负荷全部切掉，因为补偿成本可能远低于高峰火电发电成本。结果负荷曲线被削得非常难看，甚至个别时段出现接近零负荷的情况，工程上完全不可行。所以我在模型里加了一个“最小负荷满足率”约束，要求每个时段的可削减量不能超过该时段可调负荷的一定比例，比如最多削减40%。这个比例设多少，一般跟用户签订的需求响应合同直接相关，合同约定能切多少就按多少消纳。

需求响应在模型中不应该被当作“免费的工具”，应当体现为有代价的调节资源。只有当火电发电成本或碳成本足够高时，优化器才会选择调用需求响应。这里的补偿价格实际上是一个市场信号，驱动着整个优化朝着更经济的方向走。

2.4 多源协同：源、储、荷如何在时间尺度上配合

多源协同的核心是调度时间尺度的统一。风电、光伏出力序列通常按小时或15分钟间隔给出，储能充放电决策也按同样时间粒度做；火电则需要考虑爬坡约束，不能从一个出力点瞬间跳到另一个点。

模型内部通过功率平衡等式把这些设备耦合在一起：

总发电（火电+风电+光伏+储能放电） = 总负荷（固定+调整后的可调负荷） + 储能充电 + 系统损耗

这里的“系统损耗”既包含网络损耗，也可以包含储能充放电损耗。在分段损耗模型里，储能充放电的功率并不完全等于电池实际存储或释放的功率，二者由效率参数连接。具体来说，放电时电池端实际对外输出功率等于电池内部释放功率乘以一个与SOC区间相关的效率系数；充电时，从电网侧吸收的功率乘以充电效率才是真正进入电池的功率。

多源协同在目标函数上的表现是各类成本加总：火电燃料成本、碳排放成本、储能运行维护成本、需求响应补偿成本、弃风弃光惩罚等。不同电源的边际成本差异会驱动优化器做出时段分配决策，而储能的加入又让“时间平移”成为可能。

我举个例子帮你理解：白天光伏大发，电价也低，但如果直接储存起来等到晚高峰再放，中间经过一次充放循环会有分段损耗；而如果把白天的多余电量卖给电网、傍晚再从电网回购，就会产生买卖价差。优化器要比较这两条路径哪个更划算。这本质上是一个跨时段的动态权衡，固定效率模型很难准确反映这个权衡，分段损耗模型则能比较精细地算这笔账。

3. 数学模型与Python代码实现

3.1 目标函数与约束条件

我先把目标函数的基本骨架列出来，不搞太复杂的数学符号，用文字加公式混着讲。

目标函数是让调度周期内总成本最小化：

总成本 = 火电燃料成本 + 火电启停成本 + 碳排放成本 + 储能运维成本 + 需求响应补偿成本 + 弃风弃光惩罚

火电燃料成本按出力二次函数近似，但在MILP里我会把它做成分段线性函数，避免引入非线性。储能运维成本按充放电电量乘以单位运维成本计算。弃风弃光惩罚是为了让优化器优先消纳新能源，不然为了省钱，优化器可能让风机停机，这在工程上是不允许的。

关键约束包括：

• 功率平衡约束：每个时段所有电源出力等于负荷加储能充电功率加系统损耗。
• 火电约束：出力上下限、最小开机时间、爬坡速率。
• 储能约束：SOC递推、SOC上下限、充放电功率上限、充放电状态互斥。
• 分段损耗约束：根据SOC区间激活对应效率参数，用0-1变量做区间选择。
• 阶梯碳价约束：根据总排放量激活对应碳价区间。
• 需求响应约束：可平移负荷电量守恒、可削减负荷比例上限、补偿成本计算。

这里特别提一下SOC递推。很多人把储能SOC递推写成：

SOC_t = SOC_{t-1} + P_ch × η_ch × Δt / Cap − P_dis × Δt / (η_dis × Cap)

这在固定效率下没问题。但引入分段效率后，η_ch和η_dis不是常数，而是由当前SOC区间决定的变量，递推关系就变成非线性了。我用的处理方法是：把SOC区间看成状态，用0-1变量标记当前时段SOC落在哪个区间，然后让效率参数通过大M法关联到这个区间变量上。这样递推关系仍然是线性的，只是多了一些整数变量和辅助约束。

3.2 分段损耗线性化的代码实现

直接上一段我实际在用的核心代码。这里我用的是线性化后的储能充电过程片段，重点是看区间变量怎么和效率关联。

# SOC区间划分为三段：低段、中段、高段 # soc_seg_1, soc_seg_2, soc_seg_3 为连续变量，表示SOC分别落在各段的部分 # z1, z2, z3 为0-1变量，表示SOC当前激活的区间 for t in range(T): # SOC分段拆分 m.addConstr(soc[t] == soc_low[t] + soc_mid[t] + soc_high[t]) # 低段范围 [SOC_MIN, 0.4] m.addConstr(soc_low[t] <= 0.4 * z1[t]) m.addConstr(soc_low[t] >= SOC_MIN * z1[t]) # 中段范围 [0.4, 0.6] m.addConstr(soc_mid[t] >= 0.4 * z2[t]) m.addConstr(soc_mid[t] <= 0.6 * z2[t]) # 高段范围 [0.6, SOC_MAX] m.addConstr(soc_high[t] >= 0.6 * z3[t]) m.addConstr(soc_high[t] <= SOC_MAX * z3[t]) # 同一时段只能激活一个区间 m.addConstr(z1[t] + z2[t] + z3[t] == 1) # 充电功率需要根据区间乘以不同效率 # 这里用辅助变量 ch_eff_power 表示“实际进入电池的有效功率” m.addConstr(ch_eff_power[t] == eta_ch_low * ch_seg_low[t] + eta_ch_mid * ch_seg_mid[t] + eta_ch_high * ch_seg_high[t]) m.addConstr(ch_power[t] == ch_seg_low[t] + ch_seg_mid[t] + ch_seg_high[t] + ch_off[t]) # ch_off 是区间选择导致的松弛变量，确保线性化可行

上面代码我做了简化，真实项目里还要补充区间的边界限定条件和变量类型，但思路就是这样。核心逻辑是：先把SOC拆到三段，再用0-1变量激活对应的效率参数，最后把各段有效功率相加得到实际进电池的电量。这样目标函数和SOC递推都保持线性。

3.3 阶梯碳价的Python实现

阶梯碳价我用的是Big-M分段约束法。下面这段是实际代码的骨架，在你自己的模型里可以直接套用。

# 排放总量 = 火电出力 × 排放强度 total_emission = quicksum(coal_out[t] * emission_rate for t in range(T)) # 阶梯区间变量 emis_1 = model.addVar(vtype='C') emis_2 = model.addVar(vtype='C') emi_extra = model.addVar(vtype='C') # zc1, zc2 是0-1变量，用于激活区间 model.addConstr(emis_1 <= E1 * zc1) model.addConstr(emis_2 <= E2 * zc2) model.addConstr(total_emission <= E0 + emis_1 + emis_2) # 总排放拆到超额区间 model.addConstr(emis_1 >= 0) model.addConstr(emis_2 >= 0) # Big-M 区间约束 M1 = E1 * 1.5 M2 = E2 * 1.5 model.addConstr(total_emission >= E0 + emis_1 - M1 * (1 - zc1)) model.addConstr(total_emission >= E0 + emis_1 + emis_2 - M2 * (1 - zc2)) # 碳成本进入目标函数 co2_cost = carbon_price_1 * emis_1 + carbon_price_2 * emis_2

这里需要解释一下为什么用Big-M：因为“是否进入第二档碳价”是离散选择，但排放量是连续变量，两者耦合起来的机制必须靠0-1变量实现。M取值太大会让线性松弛的上下界失真，太小又会把可行域切掉。我给出的M设为区间上限的1.5倍，实测在Gurobi里数值表现比较稳定。

3.4 整体代码框架与求解器交互

整个项目我按“数据—建模—求解—后处理”四层来组织，每个文件职责单一，改起来也方便。

• 数据层：data_loader.py读取CSV或Excel格式的负荷、风光出力、电价、碳价参数。
• 建模层：build_model.py根据参数构建目标函数和约束，返回一个求解器模型对象。
• 求解层：run_solver.py调用Gurobi或CBC求解，设置MIPGap、TimeLimit等参数。
• 后处理层：plot_results.py画负荷平衡、储能SOC、系统总成本等图表。

这种结构最大的好处是：换一个场景，只需要修改数据文件，不需要动模型代码。我后面给多个项目做复用时，基本都是复制这个骨架改参数，省去了大量重复工作。

求解器方面，我优先用Gurobi，MILP求解速度快，数值稳定性好。如果是开源项目或者预算有限，CBC也能跑，就是速度慢一些。下面是一个调用Gurobi求解的片段：

import gurobipy as gp from gurobipy import GRB model = build_model('data_case.xlsx') model.Params.TimeLimit = 300 model.Params.MIPGap = 0.01 model.optimize() if model.status == GRB.OPTIMAL: result = extract_solution(model) plot_results(result) else: print('Solver finished with status:', model.status)

这里MIPGap设成0.01表示允许1%的误差，一般工程调度问题这个精度完全够用。如果问题特别难解，可以放宽到0.02或0.03，但不要无限放宽，否则优化出来的方案可能离真实最优太远。

4. 算例结果分析

4.1 参数设置与场景设计

为了验证模型效果，我搭了一个参考算例。系统配置如下：

• 火电装机50MW，最小出力8MW，爬坡速率5MW/15min。
• 风电装机30MW，光伏装机20MW。
• 储能装机10MW/20MWh，SOC运行范围0.1到0.9，初始SOC设为0.5。
• 负荷峰值约65MW，低谷约25MW。
• 碳配额设为200吨/日，第一档超排上限100吨，碳价50元/吨；第二档碳价80元/吨。
• 可平移负荷比例10%，可削减负荷比例15%，削减补偿价0.3元/kWh。

我对比了三个场景：

• 场景A：不装储能，负荷固定，碳价固定为50元/吨。
• 场景B：装储能，负荷固定，碳价固定。
• 场景C：装储能，负荷可调，碳价按阶梯计费。

4.2 结果对比与关键规律

结果整理成一张表方便查看：

单看场景A和B，储能带来的收益很明显，通过低充高放直接省下燃料成本，同时顺带降低了弃风弃光率。场景C加入需求响应和阶梯碳价后，总成本进一步下降，碳排放也明显降低。需求响应调用12.6MWh，直观反映为把部分高峰负荷挪到了低谷时段，火电出力曲线更平缓。

这里有一个值得注意的现象：阶梯碳价对高排放时段的火电出力有抑制作用。因为一旦某天总排放超过配额，第一档、第二档碳成本会逐级抬高火电的边际发电成本，优化器会更倾向于用储能放电或需求响应来替代高峰时段的火电出力。这也是为什么场景C的储能循环次数比场景B更高——储能承担了更多“替碳”任务。

4.3 分段损耗与固定效率的结果差异

我把分段损耗模型和固定效率模型跑出来的结果做一个对比，这组数据挺说明问题的。

固定效率模型里，充放电效率都设为0.92，日总成本算出来是6.71万元。但分段损耗模型算出来的结果是6.93万元，高了3%左右。原因是固定效率模型低估了低SOC区的损耗，会过度安排储能放电，放在真实系统里，就是“计划比实际乐观”，实际运行成本会明显高于预期。

所以如果你是做项目可研或者经济性评估，建议一定要用分段损耗或者至少做一个损耗敏感性分析。否则算出来的投资回报率可能高估，最后项目落地时对不上账。

4.4 灵敏度分析：碳价区间斜率的影响

我还做了一个阶梯碳价斜率的灵敏度测试。固定第一档碳价50元/吨不变，把第二档从60元/吨一直调到100元/吨。结果是：第二档碳价越高，火电在峰时段的出力越低，储能放电量和需求响应调用量都上升。

当第二档碳价达到100元/吨时，模型几乎不会让总排放量进入第二档区间，因为它宁可削减负荷、多放储能，也不愿意支付高价碳成本。这说明阶梯碳价机制对火电出力有很强的“天花板约束”作用。实际项目中，如果碳价档位设得太陡，可能造成系统过度依赖储能和需求响应，对设备寿命和维护成本的影响需要额外评估。

5. 常见问题与排错实录

5.1 模型跑出 infeasible 怎么处理

我调试这个模型时碰到过好几次“模型无解”，绝大多数原因都在以下三处：

第一，功率平衡约束过紧。比如某时段风电光伏出力大，负荷又低，储能又满了，火电最小出力又降不下去，就会多余电量无处去。解决方案是加入“弃风弃光”松弛变量，并给一个足够大的惩罚系数，而不是让模型僵死。

第二，需求响应电量守恒约束没配对。可平移负荷要求总用电量守恒，但如果平移窗口设置不合理，或者某些时段平移后负荷超出容量上限，就会导致无解。我建议先把需求响应约束全部注释掉，跑通基础模型，再一步一步加回来。

第三，SOC递推边界不一致。分段损耗模型里，SOC区间的上下界如果和递推方程中的SOC上下限对不上，检查几遍都看不出来，就是会崩。解决方案是把SOC上下限定义成一组统一的全局常量，所有约束都引用同一组变量，避免魔法数。

遇到infeasible，我常用的手段是让Gurobi输出infis report，看看哪些约束的松弛量不为零，基本一眼就能定位问题。

5.2 线性化过程中的数值病态

分段损耗和阶梯碳价都用到了Big-M，这是最常见的数值坑。我一开始图省事，把M设成10000，结果求解器一直报数值警告，迭代速度也特别慢。后来查资料才知道，M值应尽量贴近模型变量的实际变化范围。

以SOC区间为例，SOC最小0.1，最大0.9，那区间长度上限就是0.8，M设成1左右就足够；阶梯碳价区间，M设成对应区间上限的1.5倍即可。调整后求解速度明显提升，整数变量分支也更稳定。

另外一个容易被忽视的问题：SOC区间分段不能太密。有些人为了追求精度把SOC分成10段，每段一个效率参数，模型规模直接爆炸。我实测下来，SOC分3到5段已经能覆盖工程需求，再多就是得不偿失。

5.3 参数敏感性：碳配额和DR补偿价怎么定

碳配额这个参数的确定，如果用户没有明确数值，可以用“历史碳排放强度×基准年产能”来估算。千万不能随便填，它直接决定火电是“够用”还是“不够用”，对调度结果影响极其显著。

需求响应补偿价的设定也有讲究。如果补偿价低于火电边际成本，优化器会大量调用需求响应，但现实中用户愿不愿意响应是个问题；如果补偿价太高，则模型基本不会调用DR，需求响应模块形同虚设。我的经验是，补偿价可以按火电边际成本的60%到80%起步，再根据实际响应情况做调整。这样既保证DR有一定调用量，又不会过度依赖。

5.4 求解性能优化心得

如果模型规模太大导致求解超时，我一般按下面顺序试：

先降时间粒度，把15分钟一个时段改成30分钟或1小时，模型规模小一半，速度立竿见影。然后用warm start，把上一轮优化结果作为初始解传入，MILP的求解效率能提升不少。再就是放宽MIPGap，从0.01放到0.02甚至0.05，工程上完全够用。

另外，储能SOC变量上下界尽量缩窄，比如SOC_MIN从0.1提高到0.2，SOC_MAX从0.9降到0.85。这个操作看似是减少可行域，但整数变量的分支空间也会变小，求解提速明显。代价是储能可用容量少了一部分，我在实际中一般会根据电池实际运行限制来设定，不会为了求解速度牺牲太多经济性。

最后再分享一个我个人调试模型的心得：分段损耗、阶梯碳价、需求响应这三个模块，尽量拆开单独测试。先跑纯火电加储能，再逐模块加进去，每一步都确认结果合理。这样一旦出问题，能很快定位是哪个模块导致的。我后来做很多优化模型都保持这个习惯，排错效率比之前动不动就全模型调试高出一大截。

这套模型后来用在一个区域级虚拟电厂的日内滚动调度中，跑了近一个月，整体结果基本符合实际运行情况，尤其是阶梯碳价对火电出力的约束作用，比预期的还要明显。如果你想把这套模型用到自己的项目里，建议先从最简单的三场景对比入手，把分段损耗和阶梯碳价的线性化逻辑吃透，再逐步扩展需求响应的细节。等你把这套跑顺了，后面再做更复杂的多元储能、多时间尺度协调，思路都会清晰很多。