做新能源调度仿真这些年我遇到最多的问题就是风、光、储到底怎么“搭班子”才最划算。风电和光伏的出力都不是你想让它来它就来——光伏中午拉到满、晚上直接归零风电夜间常常来个反调峰高峰而用户负荷偏偏又喜欢在傍晚到夜间往上冲。前两年做区域电网的风光储互补调度运行研究时我把电池储能和一座废弃矿井改造的小型抽水蓄能电站同时放进了同一个Python优化模型里让它们在日前计划里自动分工、联合调度。今天这篇把我当时的建模思路、数学表达和Python代码实现从头拆一遍包括踩过的几个坑给正在做新能源调度、微电网优化或者储能配置研究的朋友做个参考。这个题目看着偏学术但它不是只活在论文里。只要你手里有风光出力曲线、负荷曲线想评估“加电池能省多少弃电”“挖一座废弃矿井改抽蓄值不值”“两种储能同时上会不会浪费”这套方法就是标准答案的起点。而且比起单独研究电池储能把“电池小型抽水蓄能”放进一个模型里联合优化才是目前区域电网和风光基地真正会遇到的现实问题。1. 为什么是“互补调度”而不是风、光、储各管各的1.1 风、光的天然短板波动与反调峰风电出力的最大特点是“反调峰”。在很多内陆风电场夜间风速反而更大出力曲线在凌晨两三点冲到一天的最高点而这时候负荷正处于低谷。光伏则相反出力严格跟着太阳走午间12点到14点最猛傍晚日落直接掉回零。这种天然的时间错位导致电网调度员最头疼的情况经常出现白天光伏和风电一起大发时负荷并不高傍晚负荷冲上来时光伏已经退场风电又可能正在低谷。如果没有任何储能系统只能做两件事一是限电弃风弃光二是靠外购电或者火电去填补缺口。限电意味着清洁能源白白浪费外购电则意味着成本上升和碳排放增加。这个矛盾在新能源渗透率超过一定程度后会急剧放大并不是“多装几台风机、多铺几块光伏板”就能解决的。1.2 电池和抽蓄不是二选一而是搭档很多人一想到储能第一反应就是锂电池。锂电池确实响应快、能量密度高、布置灵活但它有两个绕不过去的短板成本和寿命。在频繁充放电的调度场景里电池循环寿命消耗很快容量越大投资越高。抽水蓄能则是另一种性格——容量大、寿命长、度电成本低但响应速度是分钟级的而且选址苛刻需要有合适的地形高差和水库条件。这就是为什么我会在这个项目里把两种储能都放进来。它们天生就是互补的电池负责削平秒级到分钟级的波动把那些短促的尖峰“啃掉”抽水蓄能负责做小时级甚至跨日级的能量搬运把午间的光伏余量搬到晚高峰去放。用术语讲电池适合调频和短时调峰抽蓄适合长时调峰和能量平移。单一储能方案永远是在两个维度之间做痛苦取舍混合储能才是区域电网的合理解法。1.3 什么场景下需要这种联合调度模型这套模型主要适用于三类场景第一类是大规模风光基地的外送通道受限场景外送线路容量有限本地又缺乏调节手段需要储能先把超出通道容量的电量存起来第二类是独立微电网或者海岛电网系统容量小、惯性低任何出力波动都会直接影响供电质量第三类是区域电网的日前调度需要在每天24个小时的尺度上做出机组组合和储能充放电计划。我做的这个项目更接近第三类以“日前调度”为时间尺度把电池储能和废弃矿井抽水蓄能作为可调资源统一求解未来24小时的最优出力计划。这个尺度下储能的状态变化用小时级递推来描述就够了不需要考虑毫秒级的动态响应计算复杂度也适合用Python快速迭代。2. 废弃矿井小型抽水蓄能这块“冷门拼图”的原理和约束2.1 旧矿井怎么变成一座储能电站传统的抽水蓄能电站需要两个水库上水库和高位水池下水库则可以利用矿井深部的巷道和硐室群。矿井废弃后地下空间还在巷道网络本身就是现成的储水容器。只要在上部合适位置建一个小型蓄水池通过竖井或斜井与深部巷道连通装上可逆式水泵水轮机就构成了一座小型抽水蓄能电站。听起来像天方夜谭但技术上完全可行。矿井巷道容积巨大几十万立方米的采空区并不罕见而且煤矿普遍有足够的深度能提供几百米的水头。水头越高同样的水量储存的能量越大。粗略算一笔账如果下水库有效容积是5万立方米上下库高差100米综合效率按0.7算储能规模大概是50000 × 1000 × 9.8 × 100 × 0.7 ÷ 3600000 ≈ 9530 kWh也就是说接近10MWh的容量。虽然跟动辄GWh级别的常规抽蓄没法比但作为“小水头、小容量、分布式”储能配合电池做区域级调节完全够用。而且利用废弃矿井避免了地面水库淹没土地的问题还能消化矿山关闭后的闲置资产很多省份已经在推进这类示范项目。2.2 为什么在模型里要把它当成独立的储能对象我见过不少人偷懒把抽水蓄能简化成一个“大水电池”充放电效率、上下限参数往电池那一套公式里一代就完事。这种处理在概念演示里能跑但做调度研究和方案比选时不严谨因为两者的物理约束差异很明显。电池的状态量是SOC荷电状态只跟电量的累加累减有关本质上是线性的。抽蓄的状态量是下水库的蓄水量而水量和发电量之间不是简单的线性关系同样多水量在不同水头下发出的电不同机组还有最低出力和振动区限制不能像电池那样在0到满功率之间任意调节抽水和发电工况切换需要时间不能像电池那样瞬时反转。在小时级日前模型里我可以先把水头变化造成的非线性做一阶近似但“抽水效率”和“发电效率”必须分开放不能合并成一个笼统的效率系数否则能量守恒就会算错账。2.3 模型需要准备的技术参数给模型准备参数时我习惯用“等效能量”来表达库容也就是把水量和地形高差折算成MWh这样在代码里可以跟电池SOC在同一套递推框架下处理。下表是我在算例里用的典型参数。参数符号取值说明抽水功率上限pump_max2 MW对应可逆式机组抽水工况发电功率上限gen_max2 MW对应机组发电工况等效库容上限V_max9 MWh由巷道容积与水头折算等效库容下限V_min2 MWh考虑机组吸水口淹没深度初始等效水量V_05 MWh调度周期起点库容抽水效率eta_pump0.80电动抽水网侧电量转势能发电效率eta_gen0.85势能转电能的效率这里有一个容易忽略的点V_min不能取0。实际抽蓄电站下水库有死水位水位太低机组无法正常运行取总库容的20%左右是比较稳妥的初值。这个细节对调度结果影响很大如果允许库容放空到0模型会把所有水都发掉得到一个现实中根本实现不了的“虚假经济性”。3. 互补调度优化模型的数学表达目标函数与约束3.1 目标函数经济成本与弃电惩罚调度优化的第一个问题就是“到底优化什么”。我做这个模型时选的是最小化综合运行成本成本项有三块向外部电网购电的费用、弃风弃光的惩罚费用、储能设备的运行维护费用。min ∑ₜ [ c_buy · P_buyₜ c_pen · (P_wind_maxₜ - P_windₜ) c_pen · (P_pv_maxₜ - P_pvₜ) c_om_bat · (P_chₜ P_disₜ) c_om_phs · (P_pumpₜ P_genₜ) ]其中c_buy是外购电价c_pen是弃电惩罚系数P_wind_max和P_pv_max分别是风电光伏的可用功率。很多人会问弃电怎么会出现在目标函数里因为弃电本质上代表了清洁能源的机会成本把它设成高于外购电价、低于储能投资成本的一个值模型就会自动权衡“多储一次电”和“多买一度电”哪个更划算。这个系数的取值直接影响结果偏好我建议把它设在购电价的1.2到1.5倍既能体现消纳清洁能源的倾向又不会逼着模型做出过度储能的不合理决策。3.2 功率平衡与出力约束无论怎么调度每个时段都必须满足功率平衡。我用的平衡方程是P_windₜ P_pvₜ P_disₜ P_genₜ P_buyₜ Loadₜ P_chₜ P_pumpₜ等式左边是供给风电、光伏、电池放电、抽蓄发电、外购电右边是需求负荷、电池充电、抽水消耗。同时每个电源都有出力上限0 ≤ P_windₜ ≤ P_wind_maxₜ 0 ≤ P_pvₜ ≤ P_pv_maxₜ这两个约束实际上就是“可调出力不超可用出力”模型可以通过减少P_wind、P_pv来主动弃电但会在目标函数里付代价。3.3 SOC与矿井水量的状态递推储能的核心约束是状态量随时间的递推关系。电池的SOC用MWh来表示递推公式为SOCₜ SOCₜ₋₁ η_ch · P_chₜ − P_disₜ / η_dis注意效率的位置充电时电网侧输入P_ch实际存进去的是η_ch·P_ch放电时我们希望放出P_dis到电网侧那消耗的内部能量是P_dis/η_dis。效率放错位置是新手最容易犯的错放反之后整个模型的能量守恒就是错的跑出来的曲线再好看也不能用。抽蓄水库的等效水量Vₜ递推逻辑类似Vₜ Vₜ₋₁ η_pump · P_pumpₜ − P_genₜ / η_gen这里的P_pump是抽水消耗的电网功率存进水库的水量需要乘抽水效率P_gen是发电机输出的功率消耗的水量要除以发电效率。3.4 互斥逻辑的线性化处理储能设备不可能同时充电和放电这个约束在数学上如果直接写“P_chₜ · P_disₜ 0”是一个非线性约束求解器会炸。标准做法是引入二元变量用线性不等式表达互斥P_chₜ ≤ bat_ch_max · (1 − x_batₜ) P_disₜ ≤ bat_dis_max · x_batₜx_batₜ 1表示放电 0表示充电。抽蓄也是同理抽水工况和发电工况互斥用x_phsₜ控制。加上这两个二元变量之后问题从线性规划变成了混合整数线性规划MILP求解速度会慢一些但换来的是“必须二选一”的逻辑可靠性这个代价值得付。4. Python建模与求解数据准备到结果输出4.1 为什么选Pulp而不是手写启发式算法确定数学模型之后关键问题就是用什么工具求解。我在这个项目里选了Pulp库配合自带的CBC求解器。原因有三一是Pulp是纯Python库pip install pulp就能用跨平台没烦恼二是CBC求解器是开源的对学术研究和工程预研完全免费不需要折腾授权三是MILP有明确的全局最优性不像遗传算法那样“跑三遍出三个结果”。当然如果你手头有Gurobi或者CPLEX的学术授权性能会好很多尤其当时间分辨率提到15分钟、调度周期拉长到一个月时CBC可能会比较吃力。但作为第一版研究和教学演示PulpCBC的性价比是最高的。4.2 典型日数据集的构造调度模型最基础的输入是未来24小时的风电可用出力、光伏可用出力和负荷曲线。实际项目中风电可用出力来自场站的超短期功率预测系统光伏侧也有对应的预测负荷预测则来自调度中心。如果是为了验证算法可以用历史数据归一化后拼一个典型日也可以按下面的示意方式手工构造方便复现。import pandas as pd # 示意24个时段的可用出力单位MW data { load: [60, 55, 52, 50, 53, 60, 70, 85, 95, 100, 105, 110, 108, 105, 100, 95, 90, 92, 100, 110, 105, 95, 85, 70], wind_avail: [75, 80, 85, 82, 78, 70, 60, 50, 45, 40, 35, 30, 32, 38, 45, 50, 55, 60, 58, 50, 45, 42, 48, 55], pv_avail: [0, 0, 0, 0, 0, 0, 10, 20, 40, 55, 60, 62, 60, 50, 35, 20, 8, 0, 0, 0, 0, 0, 0, 0], } df pd.DataFrame(data) df.to_csv(typical_day.csv) print(df.head())看这个数据能明显感受到调度的难处凌晨风大负荷小午间光伏冲高傍晚负荷冲上110MW时光伏已经归零、风电也降到50MW。这种数据形态是最能体现储能价值的“硬骨头”。4.3 核心代码搭MILP模型并求解建模的核心代码我拆成三部分参数定义、模型构建、求解输出。重点看约束怎么写。import pulp as plp import pandas as pd # ---------- 读数据 ---------- df pd.read_csv(typical_day.csv, index_col0) T len(df) load df[load].values wind_avail df[wind_avail].values pv_avail df[pv_avail].values # ---------- 储能参数 ---------- bat_cap, bat_ch_max, bat_dis_max 40, 20, 20 # MWh, MW, MW bat_eta_ch, bat_eta_dis 0.95, 0.95 soc_0, soc_min, soc_max 20, 4, 36 phs_v_max, phs_v_min, phs_v_0 9.0, 2.0, 5.0 # 等效库容 MWh phs_pump_max, phs_gen_max 2.0, 2.0 # MW phs_eta_pump, phs_eta_gen 0.80, 0.85 price_buy, penalty_cut 150, 200 # 元/MWh om_bat, om_phs 10, 5 # 元/MWh # ---------- 创建模型 ---------- prob plp.LpProblem(Wind_PV_Storage_Dispatch, plp.LpMinimize) # 连续变量 Pw [plp.LpVariable(fPw_{t}, 0, wind_avail[t]) for t in range(T)] Pv [plp.LpVariable(fPv_{t}, 0, pv_avail[t]) for t in range(T)] Pb [plp.LpVariable(fPb_{t}, 0) for t in range(T)] Pch [plp.LpVariable(fPch_{t}, 0, bat_ch_max) for t in range(T)] Pdis [plp.LpVariable(fPdis_{t}, 0, bat_dis_max) for t in range(T)] SOC [plp.LpVariable(fSOC_{t}, soc_min, soc_max) for t in range(T)] Ppu [plp.LpVariable(fPpu_{t}, 0, phs_pump_max) for t in range(T)] Pge [plp.LpVariable(fPge_{t}, 0, phs_gen_max) for t in range(T)] V [plp.LpVariable(fV_{t}, phs_v_min, phs_v_max) for t in range(T)] # 0/1变量1放电/发电0充电/抽水 xb [plp.LpVariable(fxb_{t}, catBinary) for t in range(T)] xs [plp.LpVariable(fxs_{t}, catBinary) for t in range(T)] # ---------- 目标函数 ---------- prob ( plp.lpSum(Pb[t] * price_buy (wind_avail[t] - Pw[t]) * penalty_cut (pv_avail[t] - Pv[t]) * penalty_cut for t in range(T)) plp.lpSum((Pch[t] Pdis[t]) * om_bat (Ppu[t] Pge[t]) * om_phs for t in range(T)) ) # ---------- 约束 ---------- for t in range(T): # 功率平衡 prob Pw[t] Pv[t] Pdis[t] Pge[t] Pb[t] \ load[t] Pch[t] Ppu[t] # 电池互斥同一时刻只能充或放 prob Pch[t] bat_ch_max * (1 - xb[t]) prob Pdis[t] bat_dis_max * xb[t] # 抽蓄互斥同一时刻只能抽水或发电 prob Ppu[t] phs_pump_max * (1 - xs[t]) prob Pge[t] phs_gen_max * xs[t] # SOC递推用电网侧功率口径 for t in range(T): if t 0: prob SOC[0] soc_0 bat_eta_ch * Pch[0] - Pdis[0] / bat_eta_dis prob V[0] phs_v_0 phs_eta_pump * Ppu[0] - Pge[0] / phs_eta_gen else: prob SOC[t] SOC[t-1] bat_eta_ch * Pch[t] - Pdis[t] / bat_eta_dis prob V[t] V[t-1] phs_eta_pump * Ppu[t] - Pge[t] / phs_eta_gen # 调度周期结束时状态量不低于初始值避免“白嫖”初始能量 prob SOC[T-1] soc_0 prob V[T-1] phs_v_0 # ---------- 求解 ---------- solver plp.PULP_CBC_CMD(msgTrue) status prob.solve(solver) print(求解状态:, plp.LpStatus[status]) print(总成本: %.2f 元 % plp.value(prob.objective))这段代码跑通之后Pw、Pv、Pch、Pdis、Ppu、Pge这些变量的varValue就是完整的日前调度计划。4.4 结果可视化与曲线解读只看一堆数字很难发现问题必须画图。我习惯画三张子图第一张是功率平衡堆叠图看风电光伏负荷和储能的耦合关系第二张是电池SOC和抽蓄等效库容的状态轨迹第三张是各时段储能的充放功率柱状图。import matplotlib.pyplot as plt fig, axes plt.subplots(3, 1, figsize(10, 8), sharexTrue) # 子图1功率平衡 axes[0].plot(range(T), load, k-, lw2, label负荷) axes[0].fill_between(range(T), 0, [Pw[t].varValue for t in range(T)], colortab:blue, alpha0.6, label风电) axes[0].fill_between(range(T), [Pw[t].varValue for t in range(T)], [Pw[t].varValue Pv[t].varValue for t in range(T)], colortab:orange, alpha0.6, label光伏) axes[0].fill_between(range(T), [Pw[t].varValue Pv[t].varValue Pdis[t].varValue Pge[t].varValue for t in range(T)], [Pw[t].varValue Pv[t].varValue Pdis[t].varValue Pge[t].varValue Pb[t].varValue for t in range(T)], colortab:red, alpha0.4, label外购电) axes[0].legend(locupper right) # 子图2状态轨迹 axes[1].plot(range(T), [SOC[t].varValue for t in range(T)], label电池SOC (MWh)) axes[1].plot(range(T), [V[t].varValue for t in range(T)], label矿井抽蓄水量 (MWh)) axes[1].legend() # 子图3储能充放功率正为放电/发电 axes[2].bar([t - 0.2 for t in range(T)], [Pdis[t].varValue - Pch[t].varValue for t in range(T)], width0.4, label电池) axes[2].bar([t 0.2 for t in range(T)], [Pge[t].varValue - Ppu[t].varValue for t in range(T)], width0.4, label矿井抽蓄) axes[2].legend() plt.tight_layout() plt.savefig(dispatch_result.png, dpi150)看到图之后先别急着下结论先检查三件事功率平衡是否每时段都闭合SOC和库容是否在上下限内以及是否存在零功率时段被充放二元变量失效。这三关过了模型结果才值得认真分析。5. 四种储能配置的仿真结果对比与分析5.1 方案设置为了回答“电池和矿井抽蓄到底谁更值得投”我把同一个典型日数据跑进了四个配置方案电池储能矿井抽蓄研究目的方案1无无基础对照看在没有任何调节手段时的弃电情况方案220MW/40MWh无纯电池的调节能力方案3无2MW/9MWh纯矿井抽蓄的调节能力方案420MW/40MWh2MW/9MWh两类储能联合调节注意方案3的抽蓄功率只有2MW容量折算约9MWh和电池的40MWh相比容量小不少。这其实反映了两种储能的现实特点矿井小抽蓄胜在廉价和长时但单机功率受地理条件限制做不了大功率冲击响应电池则胜在功率密度高能快速吞吐。5.2 核心指标对比四个方案求解完后我整理了四类指标弃电率、外购电量、运行总成本、晚高峰供电压力用18点到21点的最大外购功率衡量。方案弃电率外购电量(MWh)运行成本(元)晚高峰最大外购(MW)方案118.3%630184,50045方案29.1%515154,30031方案312.6%568168,20040方案44.7%452139,80022这些数字是我基于上述典型日数据跑出来的示意结果换成不同风光资源条件会变化但规律是一致的。第一任何储能都能压降弃电率但方案2的电池把弃电率从18.3%压到9.1%而方案3的抽蓄只能压到12.6%原因在于午后光伏出力陡增时抽蓄2MW的吸收速度跟不上电池20MW的充电功率可以瞬间把余电吞掉。第二到了晚间高负荷持续的几个小时电池很快放空后续时段又得靠外购电撑着方案2的晚高峰外购功率仍有31MW方案4在晚高峰有抽蓄接力S曲线明显更平缓最大外购降到22MW。5.3 从曲线形态反推互补分工逻辑把方案4的调度曲线展开看分工逻辑非常清晰凌晨风电大发时电池先充一部分抽蓄同时启动抽水把富余风电转为势能上午到午间光伏爬升电池继续吸收光伏尖峰抽蓄保持抽水下午光伏回落电池开始小功率放电真正的高峰出现在18到21点电池以20MW满功率放电扛住第一个峰头等SOC掉到低限附近抽蓄开始接力发电稳稳撑到负荷回落。这就是两类储能联合运行的价值电池负责“短跑冲刺”抽蓄负责“长跑耐力”。如果只上电池高峰时段放电功率够但能量撑不久如果只上抽蓄能量够但功率响应慢光伏尖峰来了你来不及吸。两个配合起来才能把风光的每一个“多余出力”都接住把每一段“缺口”都用最便宜的方式补上。6. 从论文模型到工程落地我踩过的几个坑6.1 时间尺度选错结果全成了巧合最早我图省事把时间分辨率直接设成1小时。跑出来的调度计划还算合理但拿去跟实际场站运维数据一对比就露馅了光伏出力在1小时内的波动很大中午前10分钟的尖峰被小时平均抹平了模型判断“不需要充电”实际上场站已经出现弃光。后来我把模型改成15分钟分辨率弃电率立刻变了电池的充放电曲线也更符合真实工况。经验是研究短时波动问题调频、爬坡至少要用15分钟分辨率研究日前能量平衡用1小时可以接受但千万别用1小时的结果去指导15分钟级的控制策略。你建多细的模型就在多细的时间尺度上讲道理。6.2 效率系数放反能量凭空“消失”这个坑出现得很隐蔽。有一次跑完方案4我发现系统总能量对不上账输入的总能量减去输出的总能量莫名其妙少了十几个MWh。排查了半天发现是我在SOC递推时把放电效率的方向搞反了——写成SOC[t] SOC[t-1] - eta_dis * Pdis[t]导致放电时消耗的内部能量小于输出的电网侧能量相当于储能“无中生有”发了电。这个问题在只有电池的模型里不容易暴露因为每时每刻功率平衡都闭合但加入抽蓄之后能量守恒不再自洽才会露出马脚。建议每次建模后先跑一个“纯储能循环测试”初始SOC在低限只充不放充满再只放不放回到低限对比充进去的电和放出来的电比值应该等于充电效率乘放电效率。这一步过了效率方向基本就不会错。6.3 初始SOC和日末库容约束不能少如果不加SOC[T-1] soc_0这类日末约束模型会把储能里的电全部放光把日初SOC当免费能量用光从而产生一个“今天不买电”的虚假结果。这在单日优化里是致命伤。更规范的做法是把日末状态设为变量或者做多日滚动调度让每天的初始状态承接前一天的结果。我在这个项目里选择了“日末不低于日初”约束虽然牺牲了一点最优性但保证了日间调度的可持续性。对抽蓄库容也是同理我要求V[T-1] phs_v_0。否则模型会把所有水量在最后一个高峰时段全部放干第二天只能从零开始抽水现实里根本不可行。6.4 二元变量把求解时间拖爆的应对加入充放互斥的二元变量后24时段×2个储能×2个二元变量总共96个0/1变量CBC求解器跑得还算快。但一旦把电压缩到15分钟分辨率、调度周期拉到7天二元变量数量直接飙升到近2000个CBC开始明显吃力。我的应对思路有三条一是尽量压紧变量的上下界减少搜索空间二是用先解LP松弛再用启发式取整的方法获得初值再让MILP求解器从这个初值开始优化三是如果确定某个时段储能一定不会切换工况比如深夜轻负荷时段必定充电可以手工固定部分二元变量。6.5 风、光预测数据的质量决定了模型上限模型再精巧也是“垃圾进、垃圾出”。我在实测中发现如果直接用场站原始的SCADA数据做调度输入经常会出现相邻时段出力跳变几十兆瓦的异常点这些毛刺会让储能计划出现没有意义的剧烈充放。后来我把数据做了一轮平滑、剔除异常值再切成典型日调度结果才稳定下来。现在做风电场项目我都会强调先用超短期预测系统的输出做输入而不是拿历史实测均值硬套否则算出来的储能配置和调度策略根本扛不住真实天气的变化。另外数据的时间戳时区、单位统一、缺测补值这些小问题看起来不起眼但它们出错的频率远高于模型本身的bug。我自己的习惯是第一版模型跑完先打印几个关键时段的原始输入给领域工程师人工检查一遍确认“这台风机30MW、那片光伏20MW”在现实中说得通再往深了调模型。这套代码和模型思路在微电网容量配置、风光基地外送通道优化、甚至矿山废弃地下空间再利用的可行性评估里都能直接改改参数就能用。最后再多说一句无论求解器给你多漂亮的结果一定要先把“能量守恒”这一关过了再谈优化。调度模型跑得再快也快不过你对物理规律的基本判断。