4. 单目标优化调度：以最小化运行成本为目标

好，咱们今天聊点实在的。前面几章我们把储能系统的硬件、通信、BMS 都过了一遍，现在终于到了最核心的部分——调度算法。

我个人习惯把调度问题分成两类：单目标和多目标。这一章，咱们先啃单目标。说白了，就是只盯着一个指标优化，比如成本最低、收益最高、或者寿命最长。今天咱们选的是——最小化运行成本。

4.1 问题定义：我们到底要优化什么？

先想一个问题：一个储能系统，每天充放电，到底花多少钱？

嗯，这里要注意，成本不只是电费。我遇到过不少项目，只盯着峰谷价差算收益，结果忽略了电池老化、运维费用，最后算下来根本不赚钱。

所以，咱们的成本模型至少包含三部分：

  • 购电成本：从电网买电花的钱
  • 售电收益：向电网卖电赚的钱（负成本）
  • 电池退化成本：充放电一次，电池寿命缩短一点，折算成钱

目标函数就是：最小化 总成本 = 购电成本 - 售电收益 + 退化成本

核心思想：低电价时充电，高电价时放电，同时控制充放电次数，别把电池折腾坏了。

4.2 线性规划模型：用数学说话

有了目标，接下来就是建模。我习惯用线性规划（LP），因为它简单、求解快、而且 PuLP 和 Scipy 都能搞定。

咱们把一天分成 24 个时段，每个时段 1 小时。定义变量：

  • P_charge[t]：t 时段的充电功率（kW）
  • P_discharge[t]：t 时段的放电功率（kW）
  • SOC[t]：t 时段末的电池荷电状态（%）

约束条件有哪些？你想想看：

  1. 功率约束：充放电功率不能超过额定值
  2. SOC 约束：不能过充过放，一般 10%~90%
  3. 能量守恒：SOC 变化 = 充电量 - 放电量 - 自损耗
  4. 始末 SOC 一致：一天结束，SOC 回到初始值，方便第二天调度
避坑指南：我曾经在项目里忘了加「始末 SOC 一致」这个约束，结果算法把电池放空了，第二天直接没法用。嗯，从那以后我再也不敢漏掉这个约束了。

4.3 代码实现：用 PuLP 求解

好，理论讲完了，咱们直接上代码。我用的是 PuLP，因为它语法清晰，适合教学。

import pulp
import numpy as np

# 参数设置
T = 24  # 时段数
P_max = 100  # 最大充放电功率 (kW)
E_cap = 500  # 电池容量 (kWh)
SOC_min = 0.1
SOC_max = 0.9
SOC_init = 0.5
eta = 0.95  # 充放电效率

# 电价数据（元/kWh）
price_buy = [0.3, 0.3, 0.3, 0.3, 0.3, 0.3,
             0.8, 0.8, 0.8, 1.2, 1.2, 1.2,
             0.8, 0.8, 0.8, 1.2, 1.2, 1.2,
             0.8, 0.8, 0.8, 0.3, 0.3, 0.3]

price_sell = [0.2, 0.2, 0.2, 0.2, 0.2, 0.2,
              0.6, 0.6, 0.6, 1.0, 1.0, 1.0,
              0.6, 0.6, 0.6, 1.0, 1.0, 1.0,
              0.6, 0.6, 0.6, 0.2, 0.2, 0.2]

# 退化成本系数（元/kWh）
degradation_cost = 0.05

# 创建问题
prob = pulp.LpProblem("Minimize_Cost", pulp.LpMinimize)

# 定义变量
P_ch = [pulp.LpVariable(f"P_ch_{t}", 0, P_max) for t in range(T)]
P_dis = [pulp.LpVariable(f"P_dis_{t}", 0, P_max) for t in range(T)]
SOC = [pulp.LpVariable(f"SOC_{t}", SOC_min, SOC_max) for t in range(T)]

# 目标函数：购电成本 - 售电收益 + 退化成本
cost_buy = pulp.lpSum([price_buy[t] * P_ch[t] for t in range(T)])
revenue_sell = pulp.lpSum([price_sell[t] * P_dis[t] for t in range(T)])
cost_degrad = pulp.lpSum([degradation_cost * (P_ch[t] + P_dis[t]) for t in range(T)])

prob += cost_buy - revenue_sell + cost_degrad

# 约束条件
# SOC 递推关系
for t in range(T):
    if t == 0:
        prob += SOC[t] == SOC_init + (P_ch[t] * eta - P_dis[t] / eta) / E_cap
    else:
        prob += SOC[t] == SOC[t-1] + (P_ch[t] * eta - P_dis[t] / eta) / E_cap

# 始末 SOC 一致
prob += SOC[T-1] == SOC_init

# 求解
prob.solve()

# 输出结果
print(f"总成本: {pulp.value(prob.objective):.2f} 元")
for t in range(T):
    print(f"时段 {t}: 充电={pulp.value(P_ch[t]):.1f}kW, 放电={pulp.value(P_dis[t]):.1f}kW, SOC={pulp.value(SOC[t]):.2f}")
注意：实际项目中，退化成本系数需要根据电池的循环寿命曲线来标定。我见过有人直接用 0.05 元/kWh，结果算出来天天充放电，电池两年就报废了。建议至少做一次敏感性分析。

4.4 结果分析：算法到底学到了什么？

跑完代码，你会发现一个规律：算法会在电价低的时候充电，电价高的时候放电。这听起来像废话，但细节值得琢磨。

比如，为什么算法不在所有低价时段都充满？因为 SOC 有上限，而且充多了会退化。为什么不在所有高价时段都放光？因为 SOC 有下限，而且始末要一致。

说白了，这是一个带约束的套利问题。算法在电价曲线和 SOC 约束之间找平衡点。

4.5 知识体系图

下面这张图，是我自己总结的本章知识结构。你看一眼，就能把整个逻辑串起来。

单目标优化调度 目标函数 购电成本 - 售电收益 + 退化成本 约束条件 功率约束 SOC 上下限 能量守恒 始末 SOC 一致 求解方法 PuLP / Scipy 线性规划 (LP) 输出：最优充放电计划 + 最小成本

4.6 避坑指南：我踩过的三个坑

做这个模型，我至少踩过三个坑，今天全部分享给你：

  1. 效率系数搞反了：充电时能量有损耗，所以充电功率要乘以效率；放电时反过来，放电功率要除以效率。我曾经写反了，结果算出来的 SOC 越充越少。
  2. 电价数据没对齐：有些项目用的电价是 15 分钟一个点，但模型是 1 小时一个点。记得做重采样，不然结果完全不对。
  3. 退化成本设为零：初期为了简化，我把退化成本设为零。结果算法疯狂充放电，一天充放 10 次，电池寿命直接砍半。后来加了退化成本，调度才变得合理。
小技巧：如果你不确定退化成本该设多少，可以先跑一次不带退化成本的模型，看看充放电次数。然后根据电池的循环寿命，反推一个合理的成本系数。

4.7 总结

这一章，我们从问题定义到数学建模，再到代码实现，完整走了一遍单目标优化调度的流程。核心就三句话：

  • 目标要明确：最小化运行成本，不是最大化收益
  • 约束要完整：功率、SOC、能量守恒、始末一致，一个都不能少
  • 参数要合理：退化成本、效率系数，直接影响结果质量

下一章，我们会把单目标扩展到多目标，看看如何在成本和电池寿命之间找平衡。但那是后话了，先把今天的内容消化掉。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →