4. 套利模型数学框架：目标函数构建、约束条件设定、线性规划基础
各位同学，欢迎来到套利模型的核心环节。
前面我们聊了电价预测，那是我们的“眼睛”。现在要讲的，是套利模型的“大脑”——数学框架。说白了，就是怎么把“低买高卖”这个朴素想法，翻译成计算机能听懂的语言。
我个人习惯，在动手写代码之前，一定先把数学逻辑理清楚。否则代码越写越乱，最后自己都看不懂。今天我们就来拆解这个框架。
4.1 目标函数：我们到底要最大化什么？
套利的本质，就是赚取价差。所以目标函数很直接：最大化总收益。
但这里有个坑。你想想看，收益 = 收入 - 成本。收入是卖电的钱，成本是买电的钱。但储能系统还有充放电损耗，这部分也要算进去。
标准目标函数（单时段简化版）：
Maximize: Σ (P_sell,t × Q_sell,t - P_buy,t × Q_buy,t)其中：
- P_sell,t：t时段卖电价格（元/MWh）
- Q_sell,t：t时段卖电量（MWh）
- P_buy,t：t时段买电价格（元/MWh）
- Q_buy,t：t时段买电量（MWh）
我在项目中遇到过一个问题：有些同学直接把充放电功率当成变量，结果模型跑出来总是“边充边放”，白白浪费损耗。为什么？因为目标函数里没有惩罚机制。
所以，我建议在目标函数里加一项“充放电切换惩罚”，或者干脆用约束条件禁止同时充放电。后面我们会细讲。
4.2 约束条件：储能系统的“紧箍咒”
光有目标函数不行，储能系统不是神仙，它有物理限制。这些限制就是约束条件。我把它们分成三类：
4.2.1 能量守恒约束（SOC 变化）
这是最核心的约束。储能系统的电量（State of Charge, SOC）不能凭空产生或消失。
SOC_t = SOC_{t-1} + (η_charge × Q_buy,t - Q_sell,t / η_discharge) × Δt其中：
- η_charge：充电效率（比如 0.95）
- η_discharge：放电效率（比如 0.95）
- Δt：时间间隔（小时）
嗯，这里要注意：效率系数千万别搞反了。充电时，买进来的电只有一部分存进去；放电时，存进去的电也只有一部分能卖出去。我曾经见过一个模型，效率系数写反了，结果算出来的收益虚高，实际根本达不到。
4.2.2 功率上下限约束
储能系统的充放电功率不是无限的。比如一个 10MW/40MWh 的系统，最大充放电功率就是 10MW。
0 ≤ Q_buy,t ≤ P_max × Δt
0 ≤ Q_sell,t ≤ P_max × Δt这里有个细节：有些电池支持短时过载，比如 1.2 倍额定功率持续 10 分钟。但在现货市场套利中，我建议保守一点，按额定功率来建模。否则调度中心可能不认。
4.2.3 SOC 上下限约束
为了保护电池寿命，SOC 不能放空，也不能充满。一般锂电池的 SOC 运行范围是 10%~90%。
SOC_min ≤ SOC_t ≤ SOC_max避坑指南：我曾经在项目里把 SOC_min 设成 0，结果模型为了多赚几块钱，每次都把电池放得干干净净。运维同事找我投诉，说电池寿命缩短了 30%。从那以后，我再也不敢忽略 SOC 上下限了。
4.3 线性规划基础：为什么选它？
你可能会问：为什么非要用线性规划？用神经网络不行吗？
原因很简单：线性规划有全局最优解，而且求解速度快。 现货市场是分时出清的，我们需要在几分钟内算出最优策略。神经网络虽然也能拟合，但没法保证每次都是最优解。
线性规划的标准形式是这样的：
Minimize: c^T x
Subject to: A x ≤ b
x ≥ 0其中：
- x：决策变量（充放电量、SOC 等）
- c：成本系数（电价）
- A、b：约束矩阵和边界
说白了，就是把我们的目标函数和约束条件，写成矩阵形式。然后调用求解器（比如 Gurobi、Cplex、或者开源的 PuLP）去算。
注意：线性规划要求所有约束都是线性的。如果你加了“充放电不能同时进行”这种逻辑约束，需要用二进制变量（0-1 变量），那就变成混合整数线性规划（MILP）了。求解难度会上升一个台阶。我建议初学者先做纯线性规划，把基础跑通再说。
4.4 完整数学框架示例
我们把上面所有内容整合起来，看看一个完整的单机储能套利模型长什么样。
# 决策变量
Q_buy,t ≥ 0 # t时段购电量
Q_sell,t ≥ 0 # t时段售电量
SOC_t ≥ 0 # t时段末的荷电状态
# 目标函数
Maximize: Σ (P_sell,t × Q_sell,t - P_buy,t × Q_buy,t)
# 约束条件
1. SOC_t = SOC_{t-1} + (0.95 × Q_buy,t - Q_sell,t / 0.95) × 1h
2. 0 ≤ Q_buy,t ≤ 10 MWh
3. 0 ≤ Q_sell,t ≤ 10 MWh
4. 4 MWh ≤ SOC_t ≤ 36 MWh (10%~90% of 40MWh)
5. SOC_0 = 20 MWh (初始SOC设为50%)
6. SOC_T = 20 MWh (最终SOC回到50%，方便下一轮)最后一条约束很关键。如果不加，模型可能会在最后一个时段把电全部卖光，导致下一轮没法玩。我习惯加一个“终点 SOC 等于起点 SOC”的约束，这样模型是“日清”的，每天独立优化。
4.5 本章知识体系图
下面这张图，是我自己总结的套利模型数学框架结构。你可以把它当成一个思维导图，方便记忆。
这张图把今天的内容串起来了。你写代码的时候，就照着这个结构来：先定义变量，再写目标函数，然后加约束，最后选求解器。
个人经验：刚开始做模型时，别追求复杂。先跑一个单机、单日、不考虑损耗的简单版本。验证逻辑正确后，再逐步加效率、加多机、加多日。我见过太多人一上来就想搞“全功能版”，结果 debug 到崩溃。
好了，数学框架就讲到这里。下一节我们会用 Python 和 PuLP 库，把这个模型真正实现出来。到时候你就知道，数学公式和代码之间，其实就隔着一层“翻译”而已。