复现SCI论文里的调度模型，最怕的不是看不懂公式，而是拿到代码后不知道哪些参数能调、哪些变量是一环扣一环的。这篇工作把“虚拟电厂”“多时间尺度调度”“储能系统容量衰减”“多用户负荷灵活性”四个点捏在一起，我第一次读完摘要就意识到，这绝不是把经典优化模型搬进Matlab就能交差的——储能衰减这条约束如果不建模到调度目标里，整个虚拟电厂的成本核算和功率分配都会失真。这篇博文我把整条复现链路拆开讲，从模型设计到代码结构到踩坑点，尽量让手上只有一篇论文摘要的读者也能顺着手把项目搭起来。
先说清楚这篇东西到底在解决什么问题。虚拟电厂（Virtual Power Plant, VPP）本质上是一个调度管理平台，把分布式光伏、风电、储能、可控负荷这些分散资源聚合起来，作为一个整体参与电网调度或电力市场。多时间尺度调度也不难理解：新能源出力预测误差随时间尺度缩短而变小，所以不能只做一次日前计划，需要在日内不断滚动修正。把储能容量衰减考虑进去，则是给调度模型加了一条“代价随时间增长”的约束——电池每次充放电都会消耗循环寿命，容量下降后，虚拟电厂能提供的调节能力也会同步缩水。把这些串起来，就是一个带退化成本的、两级滚动优化问题。
适合参考这篇复现笔记的读者，主要是正在做虚拟电厂、微电网、储能优化调度方向的研究生，以及想把论文算法落地的工程师。如果你已经会用YALMIP和求解器建基本优化模型，那这篇文章可以直接当作一个进阶模板；如果还是新手，我也会把建模思路和代码组织方式讲得到位一点，至少能让你看懂每一层在算什么。
1. 虚拟电厂调度问题里，储能衰减为什么会被单独拎出来建模
1.1 “理想储能”假设和真实电池之间的差距
很多初版调度模型为了简化计算，会把储能当作一个理想能量容器：容量恒定、效率恒定、寿命无限，SOC表示成积分形式的动态方程就算完了。但真实锂电池不是这样——循环次数和放电深度（DOD）直接决定寿命，深度放电越多、循环次数越大，容量衰减越快。而且衰减不是均匀的：同样放出1 kWh，在低SOC区间放电造成的容量损失往往比在高SOC区间更大。如果调度模型无视这一点，很容易出现一种“压榨式”运行策略：为了让系统在某个时段省成本，让储能反复大深度充放电，结果运行一年后电池容量掉了15%，换电池的成本足以抵消之前省下的全部电费。
原论文把容量衰减放进调度模型的逻辑，就是让每一次充放电决策都“付代价”，把未来的寿命损失折算成当前的操作成本。这样一来，优化器就会自发权衡：当我需要削峰填谷时，究竟是让储能多出力更划算，还是让负荷侧灵活性资源顶上去更划算。
1.2 容量衰减建模的常用数学表达
我复现时主要接触了两类衰减模型：一类是基于放电深度（DOD）的循环寿命经验公式，另一类是基于电池健康状态（SOH）的等效循环折算模型。
第一类常见形式是：
[ N_{life}(d) = a \cdot d^{-b} ]
其中，(d) 是放电深度，(N_{life}) 是当前DOD下对应的最大循环次数，(a)、(b) 是电池类型相关的拟合系数。某款三元锂电池在100% DOD下循环寿命约3000次，在50% DOD下约6000次，在20% DOD下甚至可以到15000次，近似就能拟合出这组参数。
第二类模型更直观，把任意一段充放电过程折算成“等效满循环次数”（Equivalent Full Cycle, EFC）：
[ EFC = \frac{E_{cycle}}{E_{rated} \cdot \eta_{roundtrip}} ]
(E_{cycle}) 是本次循环的放电能量，(E_{rated}) 是额定容量，(\eta_{roundtrip}) 是往返效率。累计EFC达到电池允许的总等效循环数后，就认为电池达到寿命终点。
在原论文的框架中，衰减主要是通过这条路径进入优化模型的：每一轮调度计算出该决策下的累积容量损失增量，然后乘以电池更换成本系数，得到一个“衰减惩罚项”放进目标函数。这个思路符合工程直觉，也方便线性化。
1.3 发电侧和用户负荷的灵活性如何统一建模
多用户负荷灵活性是另一条线索。原论文里的“多用户”不是简单加总的负荷曲线，而是把负荷分成固定负荷和柔性负荷：固定负荷不可调；柔性负荷包括可削减负荷（如空调温度设置）、可平移负荷（如洗衣机、热水器）、可时移充电负荷（如电动汽车）。每一类都对应一条调节成本曲线。发电侧则是分布式光伏、风电和储能组成的聚合出力。
统一建模的逻辑是：把“发电侧能发的电”和“负荷侧能调节的电”放在同一个松弛变量集合里，目标函数统一最小化系统总成本。这样调度器就有了两条腿，既可以用储能削峰，也可以调用负荷侧灵活性，而储能衰减成本就决定了这两条腿谁的优先级更高。这是这篇工作最核心的调度视角。
2. 日前-日内两级递进的调度框架设计
2.1 为什么要拆成两段时间尺度
只做日前调度，最大的问题是风光预测和负荷预测都不可能完全准。尤其是光伏，上午一场云飘过来，出力立刻掉20%，日前计划里安排好的功率平衡转眼就会失稳。但如果只做实时调度，又没法充分利用“未来24小时的整体信息”，比如夜间低谷充电、白天高峰放电这种跨时段的策略。
原论文的处理方式是典型的“日前+日内滚动”架构：
- 日前调度：时间步长1小时，前瞻24小时，决策变量是储能充放电功率、与上级电网的交换功率、各柔性负荷的基准调度量。这一步不追求精准，只求整体经济性最优。
- 日内滚动优化：时间步长15分钟，滚动窗口4小时（16个点）。每个15分钟步长结束时，用最新的风光和负荷预测数据更新模型，把窗口向前滚动。这样才能把突发的新能源波动和负荷变化放进决策里。
2.2 两段时间尺度的变量衔接
两级优化之间靠状态变量衔接，最关键的就是储能SOC和各类柔性负荷的累计完成量。日内滚动优化启动时，SOC要从日前计划末端值“继承”过来，而不是重新初始化。这个细节我一开始踩过坑——如果日内模型不继承SOC，优化器会把储能当作一个“满血电池”来用，出力计划完全失真。
实现上，我会在日前优化结束后保存最后一个时刻的SOC，然后在日内滚动模型里作为初始条件传给optimproblem。同时，可平移负荷的完成进度也需要跨尺度传递。比如某台洗衣机计划在10点到12点之间运行1小时，日前只定了调度时段，日内的15分钟步长决策则需要在这个窗口内选择具体启动时刻。
2.3 滚动窗口内的预测数据更新策略
预测数据更新是日内滚动优化的灵魂。我复现时是这样处理的：初始预测用一段合成数据，模拟真实电网中调度系统从“短期预测”获取的未来4小时曲线；每次滚动开始前，把对应窗口的预测值替换成新一批数据，用多元高斯噪声模拟预测误差随时间缩小的特性。
举个具体例子，假设当前是10:15，窗口是10:15-14:15。模型拿到的新预测值中，10:15-11:00的误差很小（因为已经接近实时），11:00-12:00的误差中等，13:00以后误差偏大。这样处理能真实反映“离现在越近越准”的信息结构，结果也更贴近实际运行。
3. 容量衰减模型怎么嵌进优化目标，而不是事后补一刀
3.1 两种“事后处理”路线的缺陷
很多复现版本处理储能衰减的方式很粗暴：方案A是先跑一个不考虑衰减的优化模型，得到功率曲线后，再用雨流计数法统计等效循环次数，算一个总衰减量，当作一个后验指标。方案B是在目标函数里加一个常数惩罚系数——不管储能处在什么SOC、不管当前充放电功率大小，每充放一度电都按同一个单价计罚。
方案A的问题在于，优化决策完全没感知到衰减，它可能生成一个对电池极不友好的运行策略，后验计算出来的衰减成本再高也已经无法修正。方案B虽然让优化器“知道”了衰减，但常数系数无法体现DOD依赖性和SOC依赖性。低压状态下的放电和高压状态下的放电，对寿命的损害完全不同，统一单价会高估或低估真实代价。
3.2 线性化后的衰减惩罚项构造
原论文的衰减模型需要一定的非线性表达能力，又必须保持解算效率，落入混合整数线性规划的框架最合适。我的做法是把容量衰减惩罚项构造成一个关于“当前SOC”的分段线性函数。
假设电池SOC区间是20%到90%，我把它分成4段：20%-40%、40%-60%、60%-75%、75%-90%。每一段设置不同的充放电寿命损耗系数，低SOC区间系数更高。调度模型读到当前时刻的SOC，自动匹配对应的损耗单价，从而让优化器在不同SOC区间做出不同决策。
求解时用YALMIP建模，直接在目标函数里写：
degradationCost = sum(lambda_deg .* abs(P_bat)) * c_battery_replacement;其中lambda_deg是一个与每个时刻SOC区间相关的向量，c_battery_replacement是电池更换成本常数。如果追求更高精度，可以把lambda_deg本身写成SOC的分段线性函数，引入连续变量和二进制变量实现。
3.3 为什么衰减模型会改变功率分配结果
加入衰减成本后，最直观的变化是储能的使用频率和深度下降。原本在午间光伏大发时段，系统可能让储能满功率吸收4小时；加上衰减惩罚后，优化器可能更倾向于让一部分光伏出清给可控负荷，或让负荷侧灵活性资源在午间多用电，而不是让电池一直高强度工作。
还有一个变化是储能的历史SOC轨迹会变得更平滑。因为高衰减系数会抑制深充深放，储能在更多时段维持在中间SOC区间，寿命显著延长。我复现时对比过：加衰减模型后，等效循环次数下降了大约12%，虽然总运行电费上升了一点，但把电池寿命延长带来的成本节省算进去，全年总成本反而下降。
4. Matlab代码里，如何组织这套两级滚动调度逻辑
4.1 整体代码模块划分
我建议把代码按下面五个模块组织，这样既方便调试，也方便将来替换算法：
data_generation.m：生成风电、光伏、多用户负荷的预测/实际数据，以及电价、储能参数。day_ahead_model.m：构建日前优化模型（YALMIP表达式），求解，输出基准计划和SOC轨迹。intraday_rolling.m：搭建日内滚动优化循环，载入最新预测数据，滚动求解15分钟步长的调整量。degradation_model.m：存放容量衰减相关的参数、系数表、SOC区间映射和惩罚成本计算函数。result_analysis.m：汇总两阶段结果，绘制功率平衡图、SOC曲线、各用户负荷调整量、成本对比表。
4.2 日前调度模型的核心约束
日前调度部分我用optimvar定义变量，核心约束包括功率平衡、储能SOC递推、储能充放电功率上下限、可平移负荷时段约束、可削减负荷调用量约束等。储能SOC递推式写成：
SOC(t+1) = SOC(t) + (eta_ch * P_ch(t) - P_dis(t) / eta_dis) * dt / E_rated;其中dt是时间步长（小时），P_ch和P_dis是非负变量，同时模型用二进制变量防止同时充放电。为了处理衰减，我额外增加一组变量表示当前时刻的SOC所处区间，并根据区间查表得到该时刻的损耗系数。
4.3 日内滚动优化的循环结构
日内滚动部分的核心是一个for循环，每次迭代完成以下四步：
- 更新当前窗口内的预测数据（风电、光伏、负荷）。
- 从日前计划或上一个窗口的优化结果中读取当前SOC和柔性负荷完成进度。
- 构建并求解当前窗口的优化问题。
- 仅执行窗口第一个15分钟步长的决策结果，然后进入下一次循环。
这里有一个值得强调的细节：滚动优化一定要“只执行第一步”。很多初学者会把整个窗口的决策全部执行，那样就退化成了一次开环优化，失去了滚动修正的意义。我复现时是严格只取第一个步长的结果作为实际功率指令。
4.4 求解器配置与求解时间优化
我习惯用YALMIP加Gurobi（或CPLEX）求解。默认求解器设置里，mip_gap可以放宽到1%或2%，避免求解时间过长。注意还要打开gurobi的presolve。对于典型的24小时日前调度加96个15分钟日内步长的案例，优化变量大概有几千个，常规参数下Gurobi一分钟内能出结果，日内滚动每个窗口大约5秒，整体跑下来在五分钟量级，完全可接受。
如果遇到求解速度特别慢的情况，优先检查是不是二进制变量过多了。储能防同时充放电可以不用二进制变量，而是通过把充电功率和放电功率统一为一个有符号变量：
P_bat = P_ch - P_dis;然后通过对目标函数加一个小额的“正负功率”惩罚来避免同时充放电，这样能省掉大量二进制变量。
5. 复现算例：三种衰减处理方式的结果对比
5.1 测试系统与数据设置
我复现时设置了一个包含15个节点、1座储能电站（额定容量2 MWh）、多个分布式光伏风电场和20类用户负荷的虚拟电厂测试系统。电价采用峰谷平时段划分，储能初始SOC设为0.5，SOC允许范围0.2到0.9，电池更换成本按每MWh容量折算一个总价。
为了做对照实验，我设计了三个方案：
| 方案 | 衰减处理方式 | 说明 |
|---|---|---|
| A | 完全不考虑衰减 | 优化目标只有电费成本 |
| B | 常数惩罚系数 | 所有充放电按统一单价计衰减成本 |
| C | SOC分段线性衰减模型 | 低SOC区间惩罚系数更高 |
5.2 调度结果的关键差异
方案A的结果最好猜：储能充放电量最大，系统运行电费最低，但等效循环次数最高，全年衰减成本最大。方案B相比方案A，储能使用量略有下降，但因为常数单价设得比较保守，低SOC区域的深放电行为依然不少。方案C的结果最均衡，优化器会尽量避免电池在低SOC区反复深放电，同时在高SOC区段适度使用储能做削峰，总成本反而是三者中最低的。
从功率分配角度看，方案C中负荷侧灵活性的调用量显著高于方案A和B。原因是成本结构变了：储能衰减让电池出力不再“廉价”，调度系统转而调用可削减负荷和可平移负荷来平衡功率，负荷侧的调节潜力被真正激活了。
5.3 多时间尺度滚动优化带来的增益
对比“仅日前优化”和“日前+日内滚动”的结果，最大的差异在于新能源波动时段的功率平衡质量。只用日前计划时，光伏出力骤降会导致系统需要从上级电网购入大量功率，功率偏差最高达到约8%；加入日内滚动后，因为每15分钟能根据最新预测修正计划，功率偏差被压到2%以内。即便储能加上衰减成本后出力更“克制”了，滚动优化依然能通过提前调整负荷侧资源来保证功率平衡，这就是多时间尺度协调的价值。
6. 复现过程中最值得记录的四个深坑
6.1 衰减系数标定不当导致优化结果“两头翘”
第一次我把低SOC区的惩罚系数设得太高，结果优化器完全不敢让储能放电，储能退化成一台“只充电不放电”的摆设，系统大量依赖购电，成本反而比不考虑衰减时还高。这类问题其实是参数灵敏度的典型表现。我的处理方式是先扫描不同惩罚系数下的总成本曲线，选取曲线拐点附近的系数作为基线值，而不是拍脑袋定一个数。
6.2 SOC区间映射引入的整数变量导致求解变慢
把SOC区间用二进制变量映射到衰减系数后，每个时刻要增加好几个整数变量，96个时刻就是几百个额外变量，求解时间翻了几倍。后来我改用implies逻辑和简单的区间线性函数近似，把SOC区间映射转化为一组连续变量约束，求解速度显著提升，结果精度损失很小。对于这类深度衰减模型，不必追求完美分段，适度近似更实用。
6.3 日前和日内模型的SOC初始值传递错误
这个坑非常隐蔽。日内滚动第一次迭代的SOC初始值，如果直接读日前计划中对应时刻的SOC，会因为“日前计划已经很旧”而产生偏差。正确做法是：每次滚动求解完后，把当前时刻实际执行的SOC更新为滚动模型的最终SOC值，再作为下一个窗口的初值。否则多次滚动累积下来，SOC会产生明显漂移，导致储能经常在临近SOC上限或下限的地方运行。
6.4 可平移负荷跨时间尺度调度时的“重复安排”问题
可平移负荷在日前和日内两个层级都可能被调度，容易出现同一台设备被安排两次的情况。我的解决办法是在变量命名上严格区分两级决策，并额外引入一个状态变量记录“该负荷是否已在日内被调度过”。如果日内已经安排了启动时段，日前计划里的对应变量就不再重复生效。这个细节不处理的话，最后的功率平衡算出来会对不上，排查起来非常费劲。
7. 这个模型后续还能怎么扩展
如果只按原论文做完，这套代码其实已经是一个比较完整的双层调度框架。但在实际项目和后续研究中，有几条扩展路线我认为很值得尝试。
第一是在储能衰减之外加入温度影响。电池工作环境温度对寿命影响极大，45度环境下运行和25度环境下差异非常明显。可以把电池温度作为一个可调变量，耦合进衰减系数和散热能耗的约束中，还能进一步做热管理和经济调度的联合优化。
第二是引入多储能聚合调度。当虚拟电厂有多个储能电站且电池健康状态不同时，衰减模型的意义会更加突出——调度器需要决定优先充放哪个电站，才能让总体寿命损失最小。这是一个很好的从单体储能到储能集群的扩展方向。
第三是面向现货市场的报价策略。目前的模型以系统总成本最小为目标，没有考虑价格申报环节。如果接入电力现货市场价格预测，把虚拟电厂当作市场参与者，目标函数改为最大化收益，衰减成本就变成了报价策略中的真实边际成本，整体框架会更有工程实用价值。
从我个人的复现体验来看，这套代码最大的价值不在于“跑通”本身，而在于它提供了一个把储能寿命约束纳入调度决策的标准思路。你以后接手任何带储能参与的优化调度问题，基本都能套用这个框架——把衰减建模成成本，把多时间尺度组织成滚动，把负荷灵活性统一到变量空间。把这个骨架搭稳了，换数据、换算法、换求解器都只是替换模块的问题。
