做分布式储能项目绕不开“容量配置”这道坎。尤其当服务对象是产销者Prosumer——就是自己屋顶有光伏、同时本身又在用电的用户或园区——这个问题会比单纯削峰填谷复杂不少光伏出力、负荷波动、分时电价、储能投资成本、电池寿命衰减全部搅在同一条时序曲线上。拍脑袋定容量要么收益率难看要么储能常年闲着回不了本。这篇博文围绕“考虑产销者的分布式储能容量配置策略”这个题目分享一个用Matlab实现的完整思路。项目会把典型日场景拆出来把储能额定功率和额定容量作为决策变量用线性规划/混合整数线性规划的框架同时优化投资、运维、购售电收支最终给出最优配置和对应的日常充放电策略。适合正在做光伏储能方案设计、微电网容量规划或者需要用Matlab搭优化模型的研究者参考也可以直接当作课程设计里的完整示例。1. 产销者储能规划的底层逻辑不是“配多大”而是“怎么算”1.1 为什么不能靠“装光伏容量的30%”这类经验法则很多项目一开始会参考工程经验比如“储能按光伏容量的20%~30%配”或者“按最大负荷的10%配功率、按2小时配容量”。这类经验值在早期粗放阶段够用但遇到产销者就成了问题。产销者的典型特征是光伏有午间大发时段负荷高峰可能在傍晚和夜间中间隔着好几小时。储能不仅要削峰还要把午间的光伏转移到晚上用甚至参与峰谷价差套利。如果只是简单按比例配置很可能出现两种情况第一种装机容量偏小。光伏午间大量出力被低价上网甚至弃掉晚上又高价购电储能白天不够充、晚上不够放收益流失。第二种装机容量偏大。储能大部分时间处于低利用率状态光初始投资就压得项目抬不起头回收期被拉得很长。我自己的体会是产能侧的容量配置问题本质是“收益驱动的最优化问题”。你必须把光伏、负荷、电价、设备成本全部放进同一个数学框架里让模型自己去找平衡点而不是靠拍脑袋的经验倍数。这也是这篇项目里用优化模型而不直接套公式的核心原因。1.2 决策变量、目标函数和成本模型怎么定义先明确几个基本决策变量储能额定功率 (P_{rated})单位kW储能额定容量 (E_{rated})单位kWh每个时间步的充电功率 (P_{ch}(t))、放电功率 (P_{dis}(t))每个时间步的购电功率 (P_{buy}(t))、售电功率 (P_{sell}(t))。目标函数是让项目年化总成本最小也就是[ \min \quad C_{inv} C_{om} C_{buy} - C_{sell} ]其中 (C_{inv}) 是储能初始投资折算到每年的成本(C_{om}) 是年运维成本(C_{buy}) 是年购电费用(C_{sell}) 是余电上网的售电收入。注意这里用“最小化成本减去收入”的思路和“最大化年净收益”在数学上是等价的但写成成本最小化在建模时更方便叠加约束。初始投资要年化用的是等年值法资本回收系数CRF[ C_{inv} (c_p \cdot P_{rated} c_e \cdot E_{rated}) \cdot CRF ][ CRF \frac{r(1r)^N}{(1r)^N - 1} ]其中 (c_p) 是单位功率成本元/kW(c_e) 是单位容量成本元/kWh(r) 是贴现率(N) 是项目寿命。举个直观例子如果储能投资总价是100万寿命10年、贴现率6%CRF大概在0.136左右意味着每年等值成本约13.6万。也就是说现在掏100万装储能相当于未来10年每年固定支出13.6万。只有每年省下的电费超过这个数项目才划算。这种处理方式把一次性投资和每年运行收益放到同一时间维度比较是容量配置最常用的经济性口径。实际项目中还可以把电池更换成本、残值、税收优惠加进来但核心框架不变。1.3 约束条件功率平衡、SOC递推和充放电互斥容量配置不是简单堆公式约束条件才是模型里真正容易翻车的地方。必须至少包含四类约束第一功率平衡约束。每个时刻光伏出力、储能放电、购电之和要等于负荷、储能充电、售电之和[ P_{pv}(t) P_{dis}(t) P_{buy}(t) P_{load}(t) P_{ch}(t) P_{sell}(t) ]这个约束把产销者的“产”“销”两个身份强行绑在一起是模型的核心。第二储能能量递推约束。如果把SOC乘以 (E_{rated}) 写进约束里会出现决策变量相乘变成一个非线性问题Matlab自带的linprog根本没法处理。一个非常实用的技巧是直接定义储能电能量 (E_{st}(t)) 作为决策变量SOC看成 (E_{st}(t)) 和 (E_{rated}) 的比值在目标函数和约束里都用 (E_{st}(t)) 表达[ E_{st}(t1) E_{st}(t) \eta_{ch} P_{ch}(t)\Delta t - \frac{P_{dis}(t)}{\eta_{dis}} \Delta t ][ SOC_{min} \cdot E_{rated} \le E_{st}(t) \le SOC_{max} \cdot E_{rated} ]这样就把本来非线性的SOC表达式变成了线性约束。第三充放电互斥约束。理论上同一步长内不应该同时充电和放电否则就出现“左手充、右手放”的假套利。最简单的方式是引入二进制变量 (y(t))[ 0 \le P_{ch}(t) \le P_{rated} \cdot y(t) ][ 0 \le P_{dis}(t) \le P_{rated} \cdot (1 - y(t)) ]这个约束把问题变成MILP求解器需要intlinprog或者CPLEX这类工具。第四购售电互斥约束。一般工商业用户不能同时从电网买电又向电网卖电同样可以用二进制变量处理。如果项目建设区域对上网电价和购电价差明显不加这个约束优化器有时会虚构出“低价买电、高价卖电”的套利空间导致结果失真。1.4 典型日场景怎么选全年8760小时不能直接硬算如果直接把全年8760个小时全部放进模型决策变量会达到几万个而且很多商业求解器的许可证限制也会让人头疼。更合理的做法是挑选若干“典型日”来代表全年运行场景。常见方法是按四个季节各取一个典型日或者用K-means对光伏和负荷曲线聚类。每个典型日关联一个权重 (w_k)比如夏季代表日权重90/365。目标函数中的购电费用就变成[ C_{buy} \sum_{k} w_k \sum_{t1}^{24} p_{buy}(k,t) \cdot P_{buy}(k,t) \cdot \Delta t ]售电收入同样处理。需要提醒的是用典型日替代全年时序时储能跨日状态怎么衔接必须提前想清楚。我在项目里采用的做法是让每个典型日首尾SOC相等相当于假设储能每天运行结束后回到初始电量这样可以简化模型尤其适合“日循环套利”为主的场景。如果光伏在连续几天阴雨后才出现大发这个简化就会偏乐观工程上建议在优化完容量后把最优容量回代到全年8760小时做一次逐时仿真校验看真实SOC是否越界。2. Matlab代码实现怎么把模型变成可运行的程序2.1 程序整体结构与模块划分这个项目的Matlab代码按功能分成四块结构清晰比什么都重要。我习惯的划分方式是data_input.m读入光伏、负荷、电价曲线设置系统参数build_model.m构造决策变量、目标函数和约束矩阵run_optimization.m调用求解器并提取结果plot_results.m绘制SOC曲线、功率平衡图和容量灵敏度分析图。模块化之后的好处是换一组数据、换一套电价场景只需要改data_input.m不需要动优化模型。如果某天想从单产销者扩展到多产销者协同改build_model.m就行不用重写整个程序。2.2 数据输入与参数设置参数设置直接决定结果合理性我通常把参数全部集中在一个结构体里。下面是一段实际使用的参数示例%% 基础参数 T 24; % 每个典型日的小时数 dt 1; % 时间步长单位小时 N 10; % 储能寿命单位年 r 0.06; % 贴现率 CRF r*(1r)^N / ((1r)^N - 1); c_p 500; % 储能功率成本元/kW c_e 800; % 储能能量成本元/kWh c_om 15; % 年运维成本元/kWh eta_ch 0.95; % 充电效率 eta_dis 0.95; % 放电效率 SOC_min 0.1; SOC_max 0.9; %% 电价示例峰平谷三段式 p_buy zeros(1, T); p_buy(8:11) 1.0; % 峰时 08:00-11:00 p_buy(18:23) 1.0; % 峰时 18:00-23:00 p_buy(12:17) 0.6; % 平时 12:00-17:00 p_buy([1:7, 24]) 0.35; % 谷时 23:00-07:00 p_sell 0.45 * ones(1, T); % 余电上网电价这里有个容易忽略的细节所有单位必须统一。功率用kW、电量用kWh、电价用元/kWh、时间用小时。如果光伏数据是从逆变器导出的MW单位、负荷数据是kWh单位两者不做换算直接建模优化结果基本不能用。我在实际项目中见过不少这种“单位乌龙”这是程序能够跑通但数字完全不对的最常见原因。2.3 用能量变量规避非线性Soc与额定容量解耦许多初学者会把SOC直接写进优化变量然后构造约束 (E_{st}(t)SOC(t) \cdot E_{rated})。问题是 (SOC(t)) 和 (E_{rated}) 都是决策变量两个决策变量相乘就形成了二次项linprog直接拒绝求解。正确的做法是把储能电量 (E_{st}(t)) 作为决策变量SOC约束变成% E_st: 储能电能量单位kWh % SOC_min * E_rated E_st(t) SOC_max * E_rated这样所有约束都是线性不等式目标函数里也只需要对 (P_{rated})、(E_{rated}) 乘单位成本系数。这个规避非线性的小技巧是整个模型能被Matlab高效求解的关键。再强调一次为什么要这样设计MILP求解器处理线性约束的能力远远强于MINLP混合整数非线性规划而现实中绝大多数商业求解器的MINLP性能都不太行。把问题转成MILP之后即使用Matlab自带的intlinprog几百个变量也是秒级求解这为后面做灵敏度分析打下了很好的基础。2.4 核心优化代码框架下面这段是build_model.m里目标函数和关键约束的骨架。为了篇幅清晰我做了简化但核心变量定义和约束逻辑是完整的。%% 决策变量索引设计 % 每典型日有24个时刻 % 变量顺序P_ch(k,t), P_dis(k,t), P_buy(k,t), P_sell(k,t), E_st(k,t), P_rated, E_rated n_scene 4; % 4个典型日 n_var_per_scene 4*T T; % 全局变量数量 n_var n_scene * n_var_per_scene 2; %% 构建目标函数 f f zeros(n_var, 1); % 投资成本对应 P_rated, E_rated f(end-1) c_p * CRF; % 功率成本年值 f(end) (c_e * CRF c_om); % 容量成本年值 年运维成本 % 运行成本购电成本为正售电收入为负 for k 1:n_scene base (k-1)*n_var_per_scene; for t 1:T idx_buy base 2*T t; idx_sell base 3*T t; f(idx_buy) f(idx_buy) w(k) * p_buy(t) * dt; f(idx_sell) f(idx_sell) - w(k) * p_sell(t) * dt; end end %% 约束矩阵与边界 % Aineq*x bineq % 1) 充放电功率不超过额定功率 % 2) 储能电量上下限 % 3) 充放电互斥通过二进制变量 y(t) 实现 % Aeq*x beq % 1) 功率平衡 % 2) 储能电量递推 % 3) 首尾电量相等E_st(k,1) E_st(k,24)在实际代码里我会用sparse矩阵把等式约束一次性组装好然后调用[x, fval, exitflag] intlinprog(f, intcon, Aineq, bineq, Aeq, beq, lb, ub);如果不想用二进制变量做充放电互斥也可以在前处理阶段根据电价机制判断在峰谷价差足够大的分时电价场景里最优解天然不会同时充放电这时候用纯LP也能得到结论。但这不是普适规律只要电价结构稍微复杂比如光伏上网电价高于谷段购电价纯LP就可能出现同时充放电的虚假现象。我的建议是前期开发调试用纯LP提速正式出结果时一定要切到带互斥约束的MILP版本。2.5 求解结果的后处理与可视化求解完成后把解向量拆回每个场景的功率曲线P_ch_opt reshape(x(1:n_scene*T), T, n_scene); P_dis_opt reshape(x(n_scene*T1 : 2*n_scene*T), T, n_scene); E_st_opt reshape(x(4*n_scene*T1 : 5*n_scene*T), T, n_scene); P_rated_opt x(end-1); E_rated_opt x(end);随后把SOC曲线算出来和光伏、负荷、购售电功率画在一个图里。这一步看起来只是后处理但对判断模型是否合理至关重要。我记得第一次跑通模型时看到SOC曲线在凌晨还在缓慢上升立刻意识到是初始SOC约束没加模型在“偷偷”利用储能初始电量白嫖收益。没有可视化这种逻辑漏洞很难发现。3. 结果解读最优配置方案到底长什么样3.1 基准算例的容量配置结果以一个典型园区为例光伏装机300kWp年负荷约120万kWh最大负荷350kW分时电价按上文峰谷平三段1.0/0.6/0.35元/kWh余电上网0.45元/kWh。储能成本取功率500元/kW、容量800元/kWh寿命10年贴现率6%。程序输出的最优结果大致落在功率130kW、容量280kWh附近。这个结果的含义很明确储能只覆盖不到一半的峰值负荷、大约3小时的满功率放电时长既没有盲目做大也不会小到没存在感。从经济账看年化储能成本约4万元出头带来的购电节省加上售电收益提升大约每年7.8万元净收益3万多元静态回收期在7~8年。这个数字不算惊艳但在当前储能成本假设下已经算合理。如果储能单位容量成本降到500元/kWh回收期能压到5~6年配置容量也会显著上浮。3.2 典型日运行策略与SOC轨迹看优化出来的运行策略能很直观理解产销者储能的“搬运”逻辑夏季典型日里白天10:00到15:00光伏大发负荷却相对低储能以接近额定功率充电同时把一小部分余电上网16:00以后光伏出力下降储能开始放电支撑晚高峰到23:00前后基本放空。秋冬典型日因为光伏出力弱储能的角色更多是峰谷套利夜间谷电充电、白天峰时放电。这里有个值得注意的现象优化结果里储能几乎不会在平时段充电因为平时段电价和峰时段的价差不足以覆盖储能充放电效率损失。这说明容量配置和运行策略是“一个硬币的两面”——你问的“配多大”答案取决于“怎么跑”而“怎么跑”又会反过来受容量约束影响。所以容量优化必须同时优化运行策略这正是把运行变量写进模型的原因。3.3 敏感性分析价差、成本与光伏规模怎么影响最优容量容量配置不是一个静态数字它对边界条件非常敏感。项目做完基础算例后我通常会做三组灵敏度分析第一组峰谷价差变化。把峰时电价从0.8元逐步调到1.2元谷时电价不变。结果是峰谷价差每拉大0.1元最优储能容量大约增加15%~20%。价差是储能收益的直接来源价差越大储能越值得配大这个趋势很线性。第二组储能单位容量成本下降。成本从1000元/kWh降到450元/kWh最优容量几乎翻倍。这说明当前阶段储能容量配置的瓶颈主要在成本侧。未来储能价格继续下行最优配置会明显往“大容量”方向走。第三组光伏装机规模变化。从200kWp增加到400kWp最优储能容量先增后趋于平缓。原因是光伏超过一定规模后午间弃光量再大受限于负荷和上网通道储能吸收弃光的边际收益也在递减。盲目加大光伏却不加储能并不能线性提升储能收益。这些灵敏度分析的结论比一个孤立的“最优值”更有工程参考价值。做方案时候可以用这种曲线给业主解释储能容量不是定死不动的而是跟着电价政策和储能成本走的。4. 实战排雷五个我在调试中踩过的坑4.1 模型不可行先查首尾SOC约束最常见的不可行原因就是储能首尾SOC约束太死。比如你要求每个典型日的结束SOC必须等于0.5但光伏出力弱的冬季典型日白天充进去的电晚上全放光了末端根本充不到0.5。求解器直接返回“No feasible solution”。我的调试习惯是先把首尾SOC约束放松到区间约束比如 (E_{st}(end) \ge 0.3 \cdot E_{rated})先看模型能不能跑通再逐步收紧。另一种更稳妥的做法是允许相邻典型日之间有能量转移但这会让模型复杂不少。如果项目初期追求快速出结果用区间约束替代等值约束是最有效的手段。4.2 结果出现同时充放电九成是漏了互斥约束如果不加二进制互斥变量有些电价场景下优化器会给出一边充电一边放电的结果。原因是在线性松弛空间里这种“左手倒右手”的操作虽然不产生能量净收益但有时能通过改变购售电台账“制造”收入。尤其当光伏上网电价高于谷时购电价时模型会试图低价购电储能在同一时段“放电上网”实际工程中根本不允许。解决办法就是老老实实引入两个二进制变量一个控制充电一个控制放电并让两者互斥。同时购电和售电的互斥也建议一并约束。加了这两组约束后结果会和实际工程行为一致。4.3 最优容量异常偏大检查贴现率和寿命参数有一次项目复核时模型给出的最优容量比预期大了一倍检查半天发现是贴现率写成了2%而项目实际要求的贴现率是8%。贴现率越低未来收益折现后越“值钱”储能投资越容易被判定划算容量自然偏保守的工程经验严重不符。寿命参数同理如果写成20年而电池实际循环寿命只支持8年结果也会失真。这类参数错误不会让模型报错但会让结果在错误的道路上“精确”。做灵敏度分析时建议把贴现率和寿命作为首要检查项这两个参数对结果的影响远超电价细节。4.4 单位不一致程序跑通但数字离谱前面提过单位问题这里再强调一个容易漏的点电价通常是元/kWh但有些地区政策文件里写的是“元/兆瓦时”数值上差1000倍。如果直接从文档复制数据忘了换算购电费用会对目标函数产生巨大影响储能容量也会被带偏。我在程序入口处加了一个“单位断言”比如如果电价最大值小于0.01就报错用这种土办法拦截低级失误。4.5 MILP求解时间突然变长考虑缩放和big-M取值引入二进制变量后如果模型规模扩大比如从4个典型日扩展到12个典型日intlinprog求解时间可能从秒级变成分钟级。这时候优先检查big-M的取值。互斥约束里的M不需要取一万、十万取 (P_{rated}) 可能的最大值即可。过大的M会让LP松弛空间太松分支定界效率明显下降。另一个实用技巧是把单位和数值规模统一调整到“元/万元”“kWh/百kWh”这类量级避免目标函数系数万倍差异导致求解器数值病态。Matlab的intlinprog对数值尺度比很多商用求解器更敏感缩放后求解速度常常有数量级提升。5. 从容量配置到落地几点个人体会项目做下来最大感受是优化模型给出的容量结果只是起点不是终点。模型帮你缩小了“可行区间”但真正落地还要回到工程约束里做二次修正。比如储能安装位置有没有承重和消防条件、变压器容量是否允许储能满功率充放、当地并网政策是否支持余电上网这些硬约束无法全部写进简化模型。我自己的习惯是分三步走先用MILP模型算出理论最优容量再拿这个容量回代做全年8760小时时序仿真校验SOC越界、变压器过载和弃光情况最后根据工程条件做容量调整比如把理论130kW/280kWh调整成150kW/300kWh的标准柜体组合。另外如果想要继续扩展这个项目两个方向性价比很高。第一个方向是多典型日加不确定性的随机优化把光伏和负荷的历史波动数据做成多个随机场景用随机规划替代确定性优化结果更抗风险。第二个方向是多产销者共享储能让相邻几个园区共用一台集中式储能通过合作博弈分配成本与收益这时容量配置问题会变成联盟优化问题Matlab代码框架依然可以复用只是把单目标改成多主体目标。做这套代码时我还留了一个小技巧把每次优化的边界条件、成本参数、结果都自动存成一份表格。这样出任何结果都能回溯而且做灵敏度分析时不用来回改参数重跑整个程序。这个习惯帮我省过不少事尤其面对业主反复问“如果电价调整到X容量要怎么变”的场景几秒钟就能给答复。