先说结论。我写了个开源小工具 pvfade做老化感知的光储容量配置和调度优化。它盯住一个很具体、但几乎所有光储测算都在回避的问题电池会老化而调度策略本身决定了它老化多快。你今天定的充放策略直接改写 25 年后的可用容量和收益。不把这条反馈链写进模型里算出来的 NPV 就是名义容量下的幻想数字。看一组实测数字。上海户用算例4kW 光伏加 5kWh 电池25 年期电价相同唯一的差别是有没有老化模型。不考虑老化25 年 NPV 是 ¥5,615看着能投。考虑老化25 年 NPV 是 −¥9,925实际是亏的。忽略老化高估 NPV ¥15,540。可用容量第 8 年就跌到 80% SOH 的寿命线而「恒定名牌容量」模型假设它是 100%永远。为什么做这个。光伏出力算得准的工具很漂亮但止于电表说的是 pvlib。电池电化学算得准的工具也很漂亮但止于电池端子说的是 PyBaMM。中间的技术经济性研究通常是拿一个恒定电池往光伏曲线上一搭就叫容量配置研究了固定往返效率、固定可用容量、用到天荒地老。现实是每一次充放循环都在长 SEI 膜、都在偷锂可用容量一年比一年少。文献里做光储长期配置的人自己也承认忽略循环老化会系统性扭曲全生命周期成本。pvfade 就是缺的那块耦合层把物理老化写进经济循环里。方法逻辑不复杂我用中文讲一遍四步闭环。第一光伏出力pvlib 算逐小时交流出力太阳位置、晴空、倾角换算、电池温度、逆变器一路算下来。第二调度仿真按自发自用最大化策略逐年跑。第三老化模型平方根循环老化加日历老化对应的是 SEI 生长的物理形式跟 PyBaMM 老化子模型同款。想较真还可以用一次短时的 PyBaMM 单颗粒模型运行直接拟合老化速率。第四经济与选型NPV、LCOS、回本期全部按衰减后的能量序列算容量配置在光伏千瓦数乘电池千瓦时的网格上按 NPV 排序优选。关键点老化不是后处理修正项。调度策略决定循环深度循环深度决定老化速率老化速率决定可用容量可用容量决定下一年怎么调度这条链是闭环跑的。跑起来很简单。pip 从 GitHub 装 pvfade一行命令。示例脚本 examples/shanghai_household.py 是完整可运行的上面的 ¥15,540 结论就是这个脚本跑出来的。里面三步先算上海 6kW 朝南光伏的逐小时出力再建一支带老化的电池再跑 25 年寿命仿真老化反馈全在里面自己的负荷曲线喂进去就行。想选型就用网格搜索在光伏和电池容量的组合里按 NPV 排序。跟同类工具的关系说清楚。pvlib 只管光伏出力算得准。PyBaMM 只管电池电化学和老化算得准。常规光储测算出结果快但老化等于零NPV 系统性偏高。pvfade 不替代它们它做的是出力到调度到老化到经济的闭环。有几句诚实的话说在前面。第一气象用的是晴空辐照乘晴空指数缩放不是实测 TMY较真时请换自己的气象序列支持直接喂自己的光伏出力序列。第二电池不建模更换寿命仿真到 EOL 就停默认 80% SOH日历老化是 25°C 单一系数温度和 SOC 相关的老化是后续工作。第三光伏组件自身衰减 v0.1 还没建模。第四调度目前是规则式自发自用PyPSA 的 LP/MILP 调度优化和分时电价套利在 v0.2。二期 roadmap 接 tespy 的热泵和 pandapower 的配网交互。这些是已知局限不是暗坑。代码、测试、协议都在 GitHub 上。30 个测试全过Python 3.11BSD-3-Clause 协议。链接https://github.com/chenyi6758-source/pvfade。如果你也在做光储测算欢迎拿自己的负荷曲线和电价跑一遍 examples/shanghai_household.py看看你的项目里「忽略老化」到底藏了多少水分。issue 和 PR 都欢迎。Cyrus