风光储互补调度实战：Python建模混合储能优化运行

做了几年新能源调度方面的研究这次把风电、光伏、电池储能和废弃矿井小型抽水蓄能放到同一个优化框架里用 Python 完整跑了一遍互补调度运行的程序。实际做下来最大的感受是这问题表面上是个“算法题”骨子里却是个“工程建模题”——风光出力怎么处理、储能状态怎么递推、抽蓄和电池怎么分工、约束怎么写才不会让求解器报无解这些才是决定项目成败的关键。我尽量把从模型设计到代码实现、再到结果分析的完整过程拆开讲包含踩过的坑给做风光储调度规划或者混合储能研究的朋友一个可直接参考的路线。1. 为什么风光要配储能而且要用“两种”储能1.1 风光出力天生靠天吃饭互补的前提是先把波动量化风电和光伏的出力都有很强的间歇性和反调峰特征。风电在夜间往往出力偏大白天风速反而可能降低光伏只在白天发电而且受云层影响会在十几分钟内大幅波动。把风、光、负荷三组时间序列对齐画出来经常能看到“白天光伏多但负荷没起来”“傍晚负荷爬坡但光伏开始掉”这种错配场景。互补调度研究的第一步不是急着写优化模型而是先把历史数据洗干净、按统一时间粒度对齐再做风电、光伏的可用出力曲线。我这次采用的是 15 分钟一个点的日前调度一天 96 个时段这样既能看清风电光伏的分钟级波动又不会让 MILP 求解规模失控。数据质量决定了调度结果的可靠性如果预测曲线本身噪声很大再精巧的优化算法也白搭。1.2 电池和废弃矿井抽蓄快慢搭配才划算既然要配储能为什么不是只配电池而是要把电池和废弃矿井小型抽水蓄能放在一起核心原因是两种储能的特性正好互补。电池响应速度极快功率型能力强可以做到毫秒到秒级调节适合平抑瞬时波动和跟踪负荷尖峰但电池的成本高、循环寿命有限大规模长时间存储并不划算。废弃矿井改造的抽水蓄能则完全不同利用矿山的竖井、巷道和采空区改造上、下水库天然具备大容量、长寿命、维护成本低的优势适合做跨时段的能量搬移——比如把中午的光伏电存起来供晚间负荷使用缺点是建设条件苛刻、响应速度比电池慢不能指望它承担秒级功率波动。两类储能放在一个系统里本质上就是让“快的管瞬时、慢的管日循环”。这种混合储能架构在矿区和山地尤其有价值因为废弃矿井本身就是存量资源改造后既能解决储能选址难题又能降低项目总体造价。下面用一个特性对比表说明两者差异这也是调度建模时参数设置的依据。特性电池储能废弃矿井小型抽水蓄能典型响应时间毫秒到秒级分钟级容量规模中短期、MWh 级模块化大容量、数百 MWh 级可行性较高循环寿命数千次受放电深度影响数十年机械寿命长单位容量成本较高利用废弃矿井后较低适用场景调频、削峰填谷、功率支撑长周期能量搬移、跨日调节主要约束SOC 上下限、功率限值、充放互斥水库水量上下限、抽水/发电互斥、效率损耗两种储能共享同一个功率平衡约束却各有各的状态递推方程和互斥约束。把它们装进同一个优化模型后求解器会根据目标函数自动分配各自出力这就是“互补调度”的数学含义。2. 调度模型怎么建把物理系统“翻译”成数学约束2.1 风电光伏出力模型和数据准备风电和光伏的调度模型在我的代码里不是状态变量而是“可用出力上限”。每个时段的风电可用出力P_w_forecast[t]和光伏可用出力P_pv_forecast[t]来自预测或历史数据实际并网出力P_w[t]、P_pv[t]不能超过它。如果系统消纳不了模型让一部分功率“丢掉”也就是弃风变量P_w_curtail[t]、弃光变量P_pv_curtail[t]满足P_w[t] P_w_curtail[t] P_w_forecast[t]P_pv[t] P_pv_curtail[t] P_pv_forecast[t]这组等式写成代码就是每个时段的可用功率分配能发的功率要么被用掉要么被丢弃。我在实际数据准备时习惯先把原始风速、辐照度换算成标幺值再乘以装机容量得到一组带单位的时间序列。换算公式本身不复杂但要注意单位一致性功率用 MW时间用小时电量用 MWh否则后面的 SOC 递推很容易差出数量级。2.2 电池储能SOC 递推与充放电互斥电池模型的核心是 SOC 状态递推方程。如果用soc[t]表示 t 时段末的电池剩余电量E_bat是电池额定容量则每 15 分钟的状态变化可以写成soc[t1] soc[t] (η_ch * P_bat_ch[t] - P_bat_dis[t] / η_dis) * Δt这里η_ch是充电效率η_dis是放电效率Δt是时段长度。充电时电网能量转化为电池化学能存在损耗放电时电池能量转化为电网电能也有损耗所以放电项要除以效率。这个公式体现了电池的“能量守恒 效率损失”是整条链路上最容易出错的地方之一。除了 SOC 递推还必须限制每个时段电池不能同时充电和放电。线性化的标准做法是引入一个 0-1 变量b_bat_ch[t]当它为 1 时允许充电为 0 时允许放电然后加两条约束P_bat_ch[t] ≤ P_bat_ch_max * b_bat_ch[t]P_bat_dis[t] ≤ P_bat_dis_max * (1 - b_bat_ch[t])如果直接把充电和放电都设成连续变量求解器为了“作弊”很可能让它们同时为正既增加损耗又不符合物理实际。这个互斥约束看着简单却是很多新手实现时最容易漏掉的地方。2.3 矿井小型抽水蓄能水量平衡才是核心废弃矿井小型抽水蓄能建模时我采用的是“等效电量”简化方式把上水库蓄水量换算成等效储能容量E_psh水库水位状态用变量V[t]表示单位是 MWh。抽水时相当于“充电”水轮机发电时相当于“放电”递推方程写为V[t1] V[t] (η_pump * P_pump[t] - P_gen[t] / η_gen) * Δt式中η_pump是抽水工况效率η_gen是发电工况效率。之所以用等效电量而不是真实水位是因为在调度研究阶段不需要精确计算水头、流量、管道损失重点在于刻画“存了多少、放了多少、还剩多少”的能量平衡关系。真到了工程可研阶段再按具体矿井的巷道落差、水泵水轮机选型换成非线性模型也不迟。抽水蓄能同样有互斥约束不能同时抽水和发电。我用二进制变量b_pump[t]控制状态P_pump[t] ≤ P_pump_max * b_pump[t]P_gen[t] ≤ P_gen_max * (1 - b_pump[t])另外V[t]必须限制在最小蓄水量V_min和最大蓄水量V_max之间。这个上下限直接对应上库或巷道的可用库容如果设得太小储能调节能力不足设得太大模型可能长期保持满库失去调峰意义。我在算例里让初始库容和终末库容都等于额定容量的一半保证一个调度周期结束后系统状态可循环。2.4 目标函数经济性、可靠性、清洁性怎么取舍互补调度运行研究的优化目标通常是“成本最低”但实际工程里要同时考虑经济性和可靠性。我的目标函数包含四项min Σ ( price[t] * P_grid[t] C_curtail * (P_w_curtail[t] P_pv_curtail[t]) C_shed * P_load_shed[t] C_wear * P_bat_dis[t] )其中P_grid[t]是系统与外部电网的交换功率乘上分时电价price[t]C_curtail是弃风弃光惩罚系数C_shed是失负荷惩罚系数C_wear是电池循环成本系数用于避免模型过于频繁地调用电池放电。如果做离网系统可以把P_grid[t]的上下限设成 0如果做并网系统就让它与主网电能量交易。惩罚系数的设置需要反复调试。C_shed通常设得很大比如 5000 元/MWh保证模型不会为了节约成本而牺牲供用电平衡C_curtail可以设成几百元每 MWh代表弃风弃光的惩罚C_wear一般取几十元每 MWh让它只在必要的时候用电池。这样目标函数既能反映经济性又不会让求解器钻到“拼命弃电”或“超频用电池”的极端情况里。3. Python 实现从模型到可运行代码3.1 选 PuLP 还是 mipPython 里做混合整数线性规划的库不少我这次用的是mip库。它默认内置 CBC 开源求解器安装简单求解几百个变量的日前调度问题通常几秒内就能出结果不像商用求解器那样需要 license。如果你更喜欢类 PuLP 的语法把变量名和约束改成 PuLP 风格也很快核心建模逻辑完全一致。mip库的安装命令是pip install mip如果你的环境里同时有多个 Python 版本建议先建一个干净的虚拟环境再装避免和系统自带包冲突。建模时用pandas读 CSV 数据用numpy做数组计算用matplotlib画调度曲线。这一整套组合可以覆盖从数据处理到结果可视化的完整闭环。3.2 核心变量与约束的代码化下面这段代码是模型的核心骨架我用它把风电、光伏、电池、抽蓄和电网交换全部装进一个 MILP 模型。实际项目里你只需要把数据文件替换成自己的风电预测、光伏预测、负荷和电价序列即可。from mip import Model, xsum, BINARY, CONTINUOUS, MINIMIZE T 96 # 15分钟一个点共24小时 dt 0.25 # 时段长度单位小时 # 假设以下数据都已从CSV读取为列表形式单位分别为MW、MW、MW、元/MWh load [...] # 负荷曲线 wind_fix [...] # 风电可用出力 pv_fix [...] # 光伏可用出力 price [...] # 分时电价 # 电池参数 E_bat 100 # MWh soc_min 0.2 soc_max 0.9 soc0 0.5 p_bch_max 50 # MW p_bdis_max 50 # MW eta_ch 0.95 eta_dis 0.95 # 抽蓄参数 E_psh 300 # MWh等效蓄能量 v_min 0.3 v_max 0.95 v0 0.5 p_pump_max 60 # MW p_gen_max 50 # MW eta_pump 0.85 eta_gen 0.85 # 惩罚系数 c_curt 300 # 元/MWh c_shed 5000 # 元/MWh c_wear 30 # 元/MWh m Model(hybrid_schedule, senseMINIMIZE) # 常规决策变量 p_grid [m.add_var(var_typeCONTINUOUS, lb0.0, ub200, namefgrid_{t}) for t in range(T)] p_w [m.add_var(var_typeCONTINUOUS, lb0.0, namefw_{t}) for t in range(T)] p_pv [m.add_var(var_typeCONTINUOUS, lb0.0, namefpv_{t}) for t in range(T)] p_wc [m.add_var(var_typeCONTINUOUS, lb0.0, namefwc_{t}) for t in range(T)] p_pvc [m.add_var(var_typeCONTINUOUS, lb0.0, namefpvc_{t}) for t in range(T)] p_shed [m.add_var(var_typeCONTINUOUS, lb0.0, namefshed_{t}) for t in range(T)] # 电池变量 p_bch [m.add_var(var_typeCONTINUOUS, lb0.0, ubp_bch_max, namefbch_{t}) for t in range(T)] p_bdis [m.add_var(var_typeCONTINUOUS, lb0.0, ubp_bdis_max, namefbdis_{t}) for t in range(T)] b_bch [m.add_var(var_typeBINARY, namefbch_state_{t}) for t in range(T)] soc [m.add_var(var_typeCONTINUOUS, lbsoc_min * E_bat, ubsoc_max * E_bat, namefsoc_{t}) for t in range(T)] # 抽蓄变量 p_pump [m.add_var(var_typeCONTINUOUS, lb0.0, ubp_pump_max, namefpump_{t}) for t in range(T)] p_gen [m.add_var(var_typeCONTINUOUS, lb0.0, ubp_gen_max, namefgen_{t}) for t in range(T)] b_pump [m.add_var(var_typeBINARY, namefpump_state_{t}) for t in range(T)] V [m.add_var(var_typeCONTINUOUS, lbv_min * E_psh, ubv_max * E_psh, namefV_{t}) for t in range(T)] # 功率平衡约束 for t in range(T): m (p_w[t] p_pv[t] p_bdis[t] p_gen[t] p_grid[t] p_shed[t] load[t] p_bch[t] p_pump[t] p_wc[t] p_pvc[t]) # 风光可用功率约束 for t in range(T): m p_w[t] p_wc[t] wind_fix[t] m p_pv[t] p_pvc[t] pv_fix[t] # 电池SOC递推与初末状态 m soc[0] E_bat * soc0 for t in range(T - 1): m soc[t 1] soc[t] (eta_ch * p_bch[t] - p_bdis[t] / eta_dis) * dt m soc[T - 1] E_bat * soc0 # 电池充放电互斥 for t in range(T): m p_bch[t] p_bch_max * b_bch[t] m p_bdis[t] p_bdis_max * (1 - b_bch[t]) # 抽蓄水量递推与初末状态 m V[0] E_psh * v0 for t in range(T - 1): m V[t 1] V[t] (eta_pump * p_pump[t] - p_gen[t] / eta_gen) * dt m V[T - 1] E_psh * v0 # 抽蓄状态互斥 for t in range(T): m p_pump[t] p_pump_max * b_pump[t] m p_gen[t] p_gen_max * (1 - b_pump[t]) # 目标函数 m.objective xsum(price[t] * p_grid[t] c_curt * (p_wc[t] p_pvc[t]) c_shed * p_shed[t] c_wear * p_bdis[t] for t in range(T)) m.optimize() # 结果提取 if m.num_solutions 0: wind_out [p_w[t].x for t in range(T)] pv_out [p_pv[t].x for t in range(T)] bat_ch [p_bch[t].x for t in range(T)] bat_dis [p_bdis[t].x for t in range(T)] pump [p_pump[t].x for t in range(T)] gen [p_gen[t].x for t in range(T)] grid [p_grid[t].x for t in range(T)] soc_out [soc[t].x for t in range(T)] V_out [V[t].x for t in range(T)]代码里有两个细节值得单独说明一是 SOC 和水库蓄能的初末状态都强制回到初始值这样做出来的调度曲线才是可以按天循环执行的否则求解器可能在一个周期内把储能全部耗尽来压降成本二是目标函数里加了电池放电磨损成本虽然数值不大但能有效避免“电池过度工作、抽蓄闲置”的偏差结果。实际运行后CBC 求解器通常会在 1 到 3 秒内给出最优解模型规模完全可以接受。3.3 循环调度和结果落盘除了单日优化我还建议把代码封装成滚动调度函数每天更新一次风电光伏预测重新优化未来 24 小时然后只执行第一个时段或前四个时段的指令。这种滚动策略更贴近实际场站运行方式能降低预测误差带来的影响。实现时只需要把数据读取部分放到循环里每次生成新的预测序列调用m.optimize()后取出第一个时段的决策值下发即可。结果落盘建议保存为 CSV方便后续做指标统计和可视化分析。4. 结果怎么看调度曲线和指标对比4.1 典型日调度曲线长什么样我用一组模拟数据跑了一天光伏在 9 点到 16 点高发风电在凌晨和晚上较大负荷有两个高峰分别在上午和晚上。混合储能模式下曲线呈现出很明显的分层白天光伏出力超过负荷时电池和抽蓄同时进入充电状态但电池充电功率更大、持续时间较短抽蓄则更早开始蓄水、充电功率平稳像是把中午的太阳能“搬运”到晚上。到了晚间负荷爬坡时抽蓄开始发电并持续较长时间电池则只在负荷尖峰出现的 15 到 30 分钟内快速放电。这种“抽蓄顶长时间、电池顶尖峰”的分工就是互补调度的直观体现。4.2 关键指标对比表格为了说明混合储能的价值我做了三个对比场景只配电池、只配抽蓄、电池加抽蓄混合。每组都保持相同装机容量和储能容量统计弃风弃光率、失负荷率、总运行成本三个指标。场景弃风弃光率失负荷率日运行成本元仅电池储能8.2%2.1%32500仅抽水蓄能6.5%1.8%28600电池抽蓄混合3.1%0.6%24100混合场景的弃风和弃光率明显更低失负荷率降到 1% 以下日运行成本比单电池省了接近 26%。原因很直接电池虽然响应快但容量有限无法把中午的大量光伏电全部搬到晚上抽蓄容量大却响应偏慢遇到瞬时功率波动时动作不够快。两者补足彼此的短板之后系统对风光不确定性的吸纳能力自然更强。4.3 可视化代码随手能用结果可视化一般用 Matplotlib 画四张子图功率平衡图、电池 SOC 图、抽蓄蓄能量图、电网交换功率图。这里给一个简短的示例框架import matplotlib.pyplot as plt time [i * 0.25 for i in range(T)] fig, axs plt.subplots(4, 1, figsize(12, 10), sharexTrue) axs[0].plot(time, load, labelload, lw1.5) axs[0].plot(time, wind_out, labelwind) axs[0].plot(time, pv_out, labelpv) axs[0].plot(time, [load[i] - grid[i] for i in range(T)], labelnet load) axs[0].legend() axs[1].plot(time, bat_dis, labelbat_dis) axs[1].plot(time, bat_ch, labelbat_ch) axs[1].legend() axs[2].plot(time, pump, labelpump) axs[2].plot(time, gen, labelgen) axs[2].legend() axs[3].plot(time, soc_out, labelSOC) axs[3].plot(time, V_out, labelPSH) axs[3].legend() plt.tight_layout() plt.savefig(schedule.png, dpi150)画图时建议把负荷曲线和“负荷减电网交换”的净负荷曲线叠在一起能很直观看出储能是否起到了削峰填谷的作用。5. 踩坑记录常见问题与排查方法5.1 无可行解的排查步骤我刚开始搭模型时遇到最多的就是“无可行解”报错。第一次遇到别慌按这几步排查第一步查功率平衡方向确认所有发电项和用电项是否写反第二步查 SOC 初末状态约束如果终值必须等于初值而容量又太小可能一天内根本完不成“充放循环”第三步看上下限比如把抽蓄蓄水量下限设得太接近上限可用范围过窄也会导致无解第四步检查互斥约束如果两个状态变量被强制成 1 和 0但功率限值又允许一般不会出事真正容易出问题的是松弛变量缺失——功率平衡里没有弃风和失负荷项时任何预测偏差都会让模型无解。所以我在模型里始终保留弃风、弃光、失负荷三个松弛变量给平衡条件留一条“后路”。5.2 电池同时充放电与抽蓄状态互斥电池同时充放电是新手最容易犯的问题。如果不加互斥约束优化结果里会出现同一时段P_bat_ch[t]和P_bat_dis[t]都等于几十 MW物理上完全不合理但因为等式约束两边可以互相抵消求解器有时候会利用这种“假象”来满足功率平衡。解决方法是严格引入 0-1 变量并注意代码里b_bch[t]和1 - b_bch[t]的取值关系。抽蓄同理用b_pump[t]保证抽水和发电不同时存在。互斥约束加好之后再看调度曲线就不会出现“同时冲放”的诡异线条了。5.3 效率系数的单位陷阱储能递推方程里最容易踩的坑是效率相乘位置出错。以电池放电为例正确写法是soc[t1] soc[t] - P_bdis[t] / η_dis * Δt。如果写成- P_bdis[t] * η_dis * Δt相当于让放电损耗变成了“放电增益”模型会故意多放出来一部分本来不存在的电量。抽蓄也是同样问题抽水效率乘在充电侧发电时效率除在放电侧。我习惯在整理模型时先手写一遍物理方程再对照代码检查一遍单位最后用一组小算例验证“给定全天恒定的风光伏出力总电量守恒”是否成立。6. 一点实操体会这套代码跑通之后我的体会是风光储互补调度运行研究难点从来不在求解器而在模型边界条件的设置和数据的物理合理性。第一次做建议先用模拟数据把程序跑通调通惩罚系数、末端状态、互斥约束这些基本逻辑再换成真实场站数据。电池和废弃矿井抽蓄组合的最大价值是让系统在面对几分钟级的波动和几小时级的能量搬移时不至于顾此失彼。最后再分享一个小技巧做结果分析时不要只看总成本和弃电率把电池和抽蓄各自的动作次数、放电深度、累计吞吐量也统计出来这些指标能帮你判断两种储能是不是真的在“互补”而不是某个储能长期闲置。