简介这份资源面向从事新能源微电网研究的学生与工程人员聚焦光储充微网系统的建模、仿真与容量优化配置问题。包内共7个文件以4个MATLAB脚本.m、2个数据矩阵.mat和1个Simulink模型.slx为主压缩包约56KB体积轻便但结构完整。脚本部分覆盖系统总成本计算、敏感性分析、容量优化求解及电池开路电压计算数据文件则记录24小时充电与光伏出力曲线Simulink模型用于模拟光伏阵列输出特性。借助这些文件读者可复现光伏容量、储能容量与充电功率的配置流程评估不同参数对系统经济性与稳定性的影响并据此寻找更优的容量组合。目前已有1361人学习下载适合需要搭建微网仿真框架、开展容量优化实验或为实际工程规划提供参考的读者。1. 光储充微网容量配置仿真从拍脑袋定容量到算清楚每一度电做光储充微网项目的人几乎都经历过同一个场景业主问光伏装多大、储能配多少、充电桩上几台你心里没底只能按经验拍一个数。拍完心里发虚——配大了投资回收不了配小了峰谷套利吃不满充电高峰还得拉闸限电。光储充微网系统配置仿真要解决的就是这件事用容量配置和容量优化的方法把光伏、储能、充电负荷三者的匹配关系算清楚让每一个 kW 和 kWh 都有依据。这套方法适合三类人做分布式能源方案设计的工程师、负责微网项目投资测算的技术负责人、以及想用仿真手段验证光储充优化配置方案的研究生。核心逻辑不复杂——建负荷模型、建光伏出力模型、建储能充放电模型然后跑全年 8760 小时仿真用优化算法搜索最优容量组合。但真正落地时负荷预测偏差、储能衰减、充电行为随机性这三个变量会让仿真结果和实际运行差出 20% 以上。下面把我自己跑过的一套完整流程拆开讲。2. 容量配置的建模底座负荷、光伏、储能三条曲线怎么建2.1 充电负荷曲线别用一条典型日曲线糊弄全年光储充微网和普通光储系统最大的区别在于充电负荷。普通光储的负荷曲线相对平滑但充电桩的负荷是脉冲式的——一辆车 60kW 快充插上去持续 40 分钟功率直接从 0 跳到 60kW。如果你用一条典型日充电曲线去代表全年容量优化结果会严重偏小。我一般用蒙特卡洛方法生成全年充电负荷。核心思路是根据场站类型公交场站、物流园区、公共快充站确定车辆到达时间分布、充电时长分布、充电功率等级然后随机抽样生成每一天的充电事件序列。import numpy as np import pandas as pd def generate_charging_load(n_days365, n_chargers10, seed42): 蒙特卡洛生成全年充电负荷曲线 n_days: 仿真天数 n_chargers: 充电桩数量 seed: 随机种子保证可复现 np.random.seed(seed) load_15min np.zeros(n_days * 96) # 15分钟分辨率一天96个点 for day in range(n_days): # 工作日和周末的到达率不同 is_weekend (day % 7) 5 n_events np.random.poisson(25 if not is_weekend else 15) for _ in range(n_events): # 到达时间早高峰7-9点午间11-14点晚高峰17-20点 hour np.random.choice( [7, 8, 9, 11, 12, 13, 17, 18, 19, 20], p[0.12, 0.15, 0.10, 0.08, 0.10, 0.07, 0.13, 0.12, 0.08, 0.05] ) minute np.random.randint(0, 60) # 充电时长快充30-60分钟慢充2-4小时 duration np.random.choice([0.5, 1.0, 2.0, 3.0], p[0.3, 0.3, 0.25, 0.15]) # 充电功率等级 power np.random.choice([60, 120, 7], p[0.5, 0.2, 0.3]) start_idx day * 96 hour * 4 minute // 15 n_slots int(duration * 4) for s in range(n_slots): idx start_idx s if idx len(load_15min): load_15min[idx] power # 限制不超过充电桩总容量 max_load n_chargers * 120 # 假设最大120kW桩 load_15min np.minimum(load_15min, max_load) return load_15min load generate_charging_load() print(f峰值负荷: {load.max():.0f} kW, 日均充电量: {load.sum()*0.25:.0f} kWh)这段代码的关键参数有三个n_events控制每天充电车辆数用泊松分布是因为车辆到达近似独立随机事件duration和power的联合分布决定了单次充电电量max_load是充电桩总功率上限防止仿真出现物理上不可能的负荷。实际项目中如果你有场站的历史充电记录直接用历史数据拟合分布参数比用经验值靠谱得多。2.2 光伏出力模型用典型气象年数据别用标准晴天曲线光伏出力建模的常见错误是只用一条标准晴天曲线。实际全年有阴天、雨天、多云光伏出力波动很大。我一般用 PVWatts 或类似模型输入典型气象年TMY数据逐时计算光伏出力。def pv_output(tmy_irradiance, pv_capacity, efficiency0.18, pr0.8): 光伏逐时出力计算 tmy_irradiance: 逐时太阳辐照度 W/m2 pv_capacity: 装机容量 kW efficiency: 组件效率 pr: 系统性能比含逆变器损耗、线损、灰尘等 # 标准测试条件 1000 W/m2 output pv_capacity * (tmy_irradiance / 1000) * pr return np.maximum(output, 0) # 假设已有8760小时辐照度数据 # irradiance pd.read_csv(tmy_irradiance.csv)[ghi].values # pv pv_output(irradiance, pv_capacity500)pr取 0.8 是行业常见值但如果你在灰尘大的工业园区建议取 0.75在沿海干净地区可以取 0.82。这个参数直接影响光伏年发电量进而影响最优储能容量——PR 每降低 0.05储能容量通常要增加 8%12% 才能维持同样的自消纳率。2.3 储能模型SOC 约束和循环效率是底线储能模型的核心是 SOC荷电状态递推。很多人仿真时只写SOC[t1] SOC[t] P_charge * dt忘了乘充放电效率结果算出来的储能容量偏小 10% 以上。def simulate_storage(pv, load, storage_capacity, storage_power, eta_ch0.95, eta_dis0.95, soc_min0.1, soc_max0.9): 储能全年运行仿真 storage_capacity: 储能容量 kWh storage_power: 储能额定功率 kW eta_ch/eta_dis: 充放电效率 soc_min/soc_max: SOC上下限 n len(pv) soc np.zeros(n) soc[0] 0.5 # 初始SOC 50% grid_exchange np.zeros(n) curtailed np.zeros(n) for t in range(1, n): net pv[t] - load[t] # 净功率正为盈余负为缺额 if net 0: # 光伏盈余先给储能充电 charge_power min(net, storage_power, (soc_max - soc[t-1]) * storage_capacity / eta_ch) soc[t] soc[t-1] charge_power * eta_ch / storage_capacity curtailed[t] net - charge_power # 弃光 grid_exchange[t] -curtailed[t] # 余电上网 else: # 光伏不足储能放电补缺 deficit -net discharge_power min(deficit, storage_power, (soc[t-1] - soc_min) * storage_capacity * eta_dis) soc[t] soc[t-1] - discharge_power / (storage_capacity * eta_dis) grid_exchange[t] deficit - discharge_power # 从电网买电 return soc, grid_exchange, curtailed这段代码里eta_ch和eta_dis各取 0.95 是磷酸铁锂的典型值但如果你用液流电池效率会低一些0.750.85仿真时必须改。soc_min0.1和soc_max0.9是保护电池寿命的保守设置如果项目追求短期收益可以放宽到 0.05/0.95但循环寿命会明显下降。3. 容量优化算法选型穷举、遗传算法还是线性规划3.1 三种优化方法的适用边界容量优化的本质是一个带约束的非线性优化问题目标函数通常是全生命周期净现值NPV最大或平准化度电成本LCOE最小决策变量是光伏容量、储能容量、储能功率约束包括 SOC 范围、充放电功率限制、电网交互功率限制等。方法适用场景优点缺点穷举搜索变量≤3个精度要求高全局最优实现简单计算量大变量多时不可行遗传算法变量36个目标非线性能处理非凸问题结果随机需多次运行线性规划目标可线性化变量多求解快有成熟求解器需要线性化处理精度损失我的经验是如果只优化光伏和储能两个容量变量直接用穷举步长取 10kW 和 20kWh跑一遍也就几分钟。如果还要优化储能功率、充电桩数量、变压器容量变量超过 4 个上遗传算法。3.2 用遗传算法跑容量优化的完整代码import numpy as np from scipy.optimize import differential_evolution def objective(x, pv_profile, load_profile, price_buy, price_sell): 目标函数全生命周期净现值最大取负值用于最小化 x [pv_capacity, storage_capacity, storage_power] pv_cap, st_cap, st_pow x # 约束检查 if st_pow st_cap * 0.5: # 储能功率不超过容量的一半2小时系统 return 1e10 if st_pow 10 or st_cap 50: return 1e10 # 缩放光伏出力 pv pv_profile * (pv_cap / pv_profile.max()) # 运行储能仿真 soc, grid_exchange, curtailed simulate_storage( pv, load_profile, st_cap, st_pow ) # 计算年运行成本 buy_cost np.sum(np.maximum(grid_exchange, 0) * price_buy) sell_revenue np.sum(np.maximum(-grid_exchange, 0) * price_sell) annual_benefit sell_revenue - buy_cost # 初始投资简化估算 investment pv_cap * 3500 st_cap * 1500 st_pow * 800 # 元 # 25年净现值 discount_rate 0.06 npv -investment for year in range(1, 26): # 考虑光伏衰减和储能容量衰减 degradation 0.995 ** year npv annual_benefit * degradation / (1 discount_rate) ** year return -npv # 取负最小化 # 优化变量边界 bounds [(100, 2000), # 光伏容量 kW (100, 5000), # 储能容量 kWh (50, 1000)] # 储能功率 kW # 假设已有全年光伏和负荷数据 # result differential_evolution( # objective, bounds, # args(pv_profile, load_profile, 0.6, 0.35), # maxiter200, popsize20, seed42 # ) # print(f最优光伏: {result.x[0]:.0f} kW) # print(f最优储能: {result.x[1]:.0f} kWh / {result.x[2]:.0f} kW)这段代码有几个关键设计决策。differential_evolution是 scipy 提供的全局优化算法比标准遗传算法更稳定不需要手动调交叉变异概率。目标函数里加了两个硬约束储能功率不超过容量的一半对应 2 小时储能系统以及最小容量限制。投资单价3500/1500/800元是 2024 年国内市场的粗略值实际项目要按当地报价替换。折现率取 6% 是国企项目的常见值民企项目通常取 8%10%。3.3 优化结果怎么验证三个必看的指标跑完优化不能直接信结果我一般看三个指标自消纳率光伏发电量中被本地负荷和储能消纳的比例。低于 60% 说明光伏配大了余电上网比例太高收益差。储能等效循环次数全年储能充放电量除以储能容量。低于 250 次说明储能利用率不足投资回收困难高于 500 次要检查电池寿命是否够用。净负荷峰谷差优化后从电网买电的峰谷差。如果峰谷差没降下来说明储能功率配小了削峰填谷效果不够。4. 避坑与排查仿真结果和实际运行差 20% 的五个原因4.1 充电负荷用了平均值而不是峰值现象仿真显示变压器容量 630kVA 够用实际运行三个月跳闸两次。原因仿真时把充电负荷按日均值平滑处理了忽略了同时率。10 台 120kW 桩不会同时满功率但 5 台同时充的概率不低瞬时负荷能到 600kW。解决仿真时保留 15 分钟分辨率的负荷曲线不要做日均值平滑。变压器容量按仿真峰值负荷的 1.2 倍选同时率系数根据场站类型取 0.50.8。4.2 储能 SOC 初始值设成了 0现象仿真第一天的储能放电量明显偏低全年结果偏差 3%5%。原因SOC 初始值设 0 意味着第一天储能没电可放但实际运行中储能是循环的第一天结束时 SOC 会回到合理区间。解决SOC 初始值设 0.5或者跑两遍仿真——第一遍预热第二遍用第一遍最后时刻的 SOC 作为初始值。4.3 光伏出力用了标准晴天曲线现象仿真光伏年发电量比实际高 15%25%。原因标准晴天曲线假设每天都是最佳辐照忽略了阴雨天和多云天气。解决用 TMY 数据或至少用 12 个典型月各一条曲线。如果拿不到 TMY 数据用当地气象站的历史辐照度数据按月中位数生成。4.4 优化目标只算了电费收益现象优化结果显示储能越大越好但实际项目储能配到 2MWh 后收益不再增长。原因目标函数只算了峰谷套利收益没算储能投资和衰减成本。储能越大套利收益线性增长但投资也线性增长存在最优拐点。解决目标函数必须包含全生命周期成本——初始投资、运维费用、电池更换成本。电池更换通常在第 810 年按初始投资的 40% 计入。4.5 忽略了需量电费现象仿真说每年省 50 万电费实际只省了 30 万。原因大工业电价包含需量电费按最大需量计费储能削峰后最大需量降了但仿真没算这部分收益。解决在目标函数里加入需量电费项。需量电费通常 3040 元/kVA/月削峰 100kW 一年就是 3.64.8 万元。5. 进阶技巧用敏感性分析找到容量配置的安全边界容量优化的结果是一个点但实际项目需要的是一个区间。我一般会做敏感性分析看关键参数变化时最优容量怎么漂移。具体做法把电价、光伏投资单价、储能投资单价、负荷增长率这四个参数各取 ±20% 的范围重新跑优化记录最优容量的变化。import itertools def sensitivity_analysis(base_params, variations): 敏感性分析关键参数变化时最优容量的漂移 results [] keys list(variations.keys()) for combo in itertools.product(*[variations[k] for k in keys]): params base_params.copy() for k, v in zip(keys, combo): params[k] base_params[k] * (1 v) # 重新跑优化这里用简化函数代替 opt_pv, opt_st run_optimization(params) results.append({ **{f{k}_变化: f{v:.0%} for k, v in zip(keys, combo)}, 最优光伏_kW: opt_pv, 最优储能_kWh: opt_st }) return pd.DataFrame(results) # 示例电价和储能投资各取-20%、0%、20% # variations {电价: [-0.2, 0, 0.2], 储能投资: [-0.2, 0, 0.2]} # df sensitivity_analysis(base_params, variations)跑完敏感性分析你会得到一张表。我的经验是电价波动对最优储能容量的影响最大——电价上涨 20%最优储能容量通常增加 15%25%储能投资下降 20%最优储能容量增加 10%18%。如果最优容量在参数波动范围内变化超过 30%说明这个项目的容量配置方案不够鲁棒建议取偏保守的值。另一个实用技巧是画容量-收益等高线图。横轴光伏容量纵轴储能容量颜色表示 NPV。最优解是颜色最深的点但实际选型时我会选最优解附近、NPV 下降不超过 5% 的区域中心——这样即使实际运行偏离仿真假设收益也不会差太多。最后说一个我踩过的坑早期做容量优化时我直接把优化结果写进方案结果业主按这个容量招标实际运行第一年就发现储能配小了。后来我养成了一个习惯——优化结果出来后手动把储能容量上浮 10%15%作为设计冗余。这个冗余不是拍脑袋而是用来对冲负荷预测偏差和电池衰减的。希望帮到你。本文还有配套的精品资源点击获取