做电力系统仿真的朋友，估计都遇到过这种需求：导师或者领导丢来一句话，“风储深度调峰模型，你用 Matlab 给我跑一下，最好能出图”。风储深度调峰模型，说白了就是把风电和储能当作调节资源，参与电网深度调峰优化调度。核心要回答的问题是：当火电机组出力已经压得很低、风电又在半夜大发的时候，储能到底应该什么时候充电、什么时候放电，火电又该保持怎样的出力曲线，才能让整个系统的运行成本最低、弃风最少。把这件事完整落地，需要打通三块内容：深度调峰和风电反调峰的基本机理、火电与储能特性约束的数学建模、Matlab 里的规划建模与求解。这篇文章就按这条主线，从问题定义、公式推导、代码实现到结果解读完整走一遍，适合正在做风电并网、储能调度、机组组合相关课题的同学直接参考。
1. 先把问题说清楚：风储深度调峰到底在优化什么
1.1 “深度调峰”不是个模糊概念，它有明确的工程含义
电网调度里说的调峰，指的是系统负荷一天之内上下波动，发电侧需要跟着调节出力。常规火电机组有一个最小技术出力，通常在额定容量的 40%~50% 左右。举个具体例子：一台 1000MW 的机组，最小出力可能定在 500MW，也就是说它再想压低功率就压不下去了，再低锅炉燃烧就不稳定，甚至面临灭火风险。
但问题来了，凌晨三四点负荷降到一天的最低点，偏偏这时候风电常常是全天最大的。火电已经压到 500MW，风电还在呼呼地发，系统里的电就多了。这时候只靠常规调峰范围根本不够用，必须让火电进一步往下压，比如压到额定容量的 30%，也就是 300MW。这个“突破常规最小出力下限”的过程，就是深度调峰。
储能在这个场景里扮演的是“时间搬运工”角色：凌晨把用不完的风电充进电池，白天负荷上来再把电放出来，相当于给系统增加了一个可以双向调节的缓冲单元。我见过不少刚入门的同学把注意力全放在储能控制策略上，其实深度调峰模型真正要解决的是“系统层面的资源协同”，储能只是其中的一个参与者。
1.2 风电一多，调峰就变难的根源是“反调峰特性”
风电的反调峰特性是这类模型的灵魂，如果你不理解这个，后面跑出来的结果大概率没有说服力。什么叫反调峰？就是风电出力和负荷变化的趋势经常相反：白天空中负荷飙升到 1140MW 的时候，风电往往只有 100~150MW；等到晚上负荷回落到 600MW，风电反而可能冲到 400~480MW。
我用这组典型数据说明：负荷最低点在凌晨 600MW，风电预测最大点也在凌晨 480MW，两者叠加的直接后果是净负荷曲线被“挖”出一个深坑。对于火电来说，坑底意味着要么大量弃风，要么深度压低出力。中午又是另一番景象：负荷很高但风电很小，火电几乎要顶满，还要储能帮忙放电。这种“深夜坑、白天峰”的形态，就是做风储调峰模型时输入数据必须具备的特征。
所以设计仿真场景的第一步不是写代码，而是先检查你的负荷曲线和风电预测曲线有没有体现出反调峰。如果两条曲线都是平平的、没有峰谷反差，那模型跑完你也看不到什么有价值的调峰行为，只能得到一堆看起来合理但没有任何解释力的数字。
1.3 这是一道优化题，不是控制题
在这个模型里，我们求的是：在满足系统功率平衡、火电技术约束、储能运行约束的前提下，决定每时段火电出力、风电消纳量、储能充放电功率，使总运行成本最小。它的本质是一个经济调度问题，或者说简化版的机组组合问题。
这里必须区分两类工作：一类是设备级控制，比如在 Simulink 里搭双向 DC-DC 变换器、PCS 并网控制，研究电压电流波形、SOC 的闭环响应；另一类是系统级调度，也就是我们这篇文章讨论的，研究各电源的出力分配和储能充放电计划。两者用的工具完全不同，别混为一谈。
| 维度 | 设备级控制 | 系统级调度 |
|---|---|---|
| 研究对象 | 单台变流器、电池模块 | 火电、风电、储能组成的整体 |
| 典型工具 | Simulink、Simscape | Matlab + Yalmip + 求解器 |
| 输出结果 | 电压、电流、功率跟踪曲线 | 各时段火电出力、SOC、弃风量 |
| 关注重点 | 动态响应、纹波、效率 | 经济性、功率平衡、约束满足 |
2. 数学建模：目标函数和约束条件是怎么落地的
2.1 目标函数：每项成本都要有物理含义
我先给一个最常用的目标函数形式，所有变量下标 t 表示时段：
min Σ [ c_coal · Pg_t + c_wind · Pw_t + c_curtail · Curt_t + c_ess · Pd_t ]其中 Pg_t 是火电出力，Pw_t 是实际消纳的风电，Curt_t 是弃风电量，Pd_t 是储能放电功率。四项成本分别解释一下。
第一项火电煤耗成本，我取 c_coal = 0.03 万元/MWh，也就是 300 元/MWh。这个量级对应煤电的典型变动成本：一台 1000MW 机组满发一小时，燃料成本大概 30 万元，量级是合理的。为了演示简单，这里用了线性煤耗，实际工程中煤耗是二次曲线，后面我会说怎么在现有代码里扩展成分段线性。
第二项是风电运行成本 c_wind，我给了 0.001 万元/MWh。风电的边际成本接近零，但不设成零是为了让目标函数在数值上更自然，也方便以后在目标里加其他风电相关项。
第三项弃风惩罚 c_curtail 我设为 0.08 万元/MWh，也就是 800 元/MWh。这个值比煤电成本高一截，含义是“能少弃风就少弃风，哪怕多烧一点煤也划算”。在实际调度里，弃风惩罚往往不是真实货币成本，而是一种优先级权重，用来表达对清洁能源消纳的倾向。
第四项 c_ess 是储能放电折旧成本，我设为 0.005 万元/MWh，约 50 元/MWh。这是对电池循环寿命损耗的粗略折算。储能充电不需要在目标里计入买电成本，因为充进去的电来自本来就要弃掉的风电，机会成本很低；如果再加上“买电成本”，就得额外引入电价模型，模型瞬间复杂一个量级，初学阶段不建议。
2.2 约束条件：功率平衡和 SOC 递推是两块最容易写错的地方
约束里最关键的是功率平衡方程，我按下面的符号约定写：
PL_t + Pc_t = Pg_t + Pd_t + Pw_t左边是系统负荷加上储能充电功率，右边是火电加储能放电加风电。对于侧重点的理解：储能充电相当于一个额外负荷，会增加系统的用电需求；储能放电相当于一台电源，会减少对火电的需求。这个方程非常容易把 Pc 和 Pd 的符号写反，我第一次跑模型时就是因为这里反了，结果 SOC 曲线一路冲到上限，火电出力却纹丝不动，当时还以为是求解器出了问题，后来仔细一查才知道是功率平衡方向写错了。
火电约束包括出力上下限和爬坡约束：
Pg_min ≤ Pg_t ≤ Pg_max -ramp ≤ Pg_t - Pg_{t-1} ≤ rampPg_min 就是前面说的最小技术出力，常规取 500MW，深度调峰场景取 300MW。ramp 取 400MW/h，这个值对聚合机组来说不算夸张，两台机组一起爬坡完全做得到，又不至于让火电出力曲线像自由落体一样跳变。
储能约束主要是 SOC 递推方程和充放电功率限制：
SOC_t = SOC_{t-1} + η_c · Pc_t - Pd_t / η_d SOC_min ≤ SOC_t ≤ SOC_max 0 ≤ Pc_t ≤ Pc_max 0 ≤ Pd_t ≤ Pd_max注意效率的方向：充电时存进去的是 η_c 倍，放电时消耗的是 1/η_d 倍。η_c 和 η_d 都取 0.95，含义是充 1MWh 实际能存 0.95MWh，放 1MWh 实际要消耗约 1.053MWh 的存储能量。SOC 我没有直接限制在 0~100%，而是留了死区，SOC_min 取 60MWh，SOC_max 取 540MWh，对应总容量 600MWh 的 10% 和 90%，防止过充过放。
还有一个可选的约束是储能“不能同时充放电”。严格的做法是引入 0-1 变量做互斥，但这会让问题从线性规划变成混合整数规划。在当前模型里我故意不加，因为放电有折旧成本、充电没有直接收益，优化器不会去做同时充放电这种亏本操作。等你想加入更严格的电池行为约束时，再加两个 0-1 变量和 u_c + u_d ≤ 1 即可，框架不用动。
2.3 参数怎么定：一组能复现的典型数据
模型跑出来有没有意义，很大程度取决于参数是否合理。下面是我这组演示数据的取值逻辑。
| 参数 | 取值 | 说明 |
|---|---|---|
| 火电装机 Pg_max | 1000 MW | 按聚合机组处理 |
| 常规最小出力 | 500 MW | 额定容量的 50% |
| 深度调峰最小出力 | 300 MW | 额定容量的 30%，代表深度调峰 |
| 火电爬坡速率 | 400 MW/h | 聚合机组的总爬坡能力 |
| 储能功率 | 150 MW | 充放电功率对称 |
| 储能容量 | 600 MWh | 对应 4 小时储能时长 |
| 储能初始 SOC | 300 MWh | 50% 荷电状态 |
| 负荷范围 | 600~1140 MW | 典型双峰日负荷 |
| 风电范围 | 90~480 MW | 夜间大、白天小的反调峰形态 |
储能功率选 150MW、容量选 600MWh，主要考虑是 2~4 小时时长的电化学储能是当前工程主流。再长的容量需求就属于液流电池或者压缩空气储能的范畴了，成本模型会完全不同。火电深度调峰下限取 30% 而不是 20%，是因为 30% 是常规深度调峰的典型值，再往下就涉及机组启停或者频繁投油稳燃，属于另一个层次的问题，不建议放在入门模型里。
3. Matlab 实现：一套可直接运行的最小模型
3.1 为什么用 Yalmip 而不是手写矩阵
很多人习惯直接在 Matlab 里把约束展开成标准矩阵，然后调用 linprog。这个做法对固定问题可行，但只要改一个约束，矩阵维度就要重排，非常容易出错。Yalmip 是一个建模层，它把优化问题用变量和约束直接表达，再交给底层的求解器求解。好处是代码结构跟数学公式一一对应，以后加机组启停的 0-1 变量、加分段线性煤耗，都不用重写框架。
更进一步说，这类问题本身就是线性规划，有全局最优解，没必要上粒子群、遗传算法这些智能优化方法。我见过一些论文用改进灰狼算法求解这种本可以用 linprog 三秒跑完的模型，结果还因为随机性每次结果都不一样。除非你后续加入了非线性约束或者目标函数变得不可导，否则优先用规划求解器。
这版的代码只需要两个前提：Matlab 本体，以及 Yalmip 工具箱。求解器我直接指定 MATLAB 自带的 linprog，不需要额外装 Gurobi 或 CPLEX。当然，如果你机器上已经装了商业求解器，把sdpsettings里的 solver 改成gurobi或cplex即可，代码其他地方不用动。
3.2 完整代码与逐段说明
我把代码组织成两个部分：主脚本负责定义数据、循环三个场景；函数run_scenario负责搭建并求解单个场景。这样改一个参数就能切一个场景，对比实验非常方便。
%% 主脚本：三场景对比 clear; clc; close all; T = 24; % 优化时段数，24小时 dt = 1; % 每时段时长，h % 日负荷曲线，单位MW，典型夏秋双峰形态 PL = [720, 660, 620, 600, 620, 680, 780, 900, 1040, 1120, 1140, 1100, ... 1060, 1020, 1000, 1050, 1080, 1060, 980, 900, 840, 800, 760, 720]; % 风电预测曲线，单位MW，夜间大风、白天小风 PWf = [420, 460, 480, 450, 380, 300, 240, 200, 180, 150, 140, 130, ... 120, 130, 140, 120, 100, 90, 110, 150, 220, 300, 360, 400]; % 三个对比场景 Res(1) = run_scenario(T, PL, PWf, 500, false); % 常规调峰，无储能 Res(2) = run_scenario(T, PL, PWf, 500, true); % 常规调峰 + 储能 Res(3) = run_scenario(T, PL, PWf, 300, true); % 深度调峰 + 储能%% 场景求解函数：run_scenario.m function out = run_scenario(T, PL, PWf, Pg_min, with_ess) % 火电与风电参数 Pg_max = 1000; % 火电装机，MW ramp = 400; % 爬坡速率，MW/h c_coal = 0.03; % 煤耗成本，万元/MWh c_wind = 0.001; % 风电运行成本，万元/MWh c_curtail = 0.08; % 弃风惩罚，万元/MWh c_ess = 0.005; % 储能放电折旧，万元/MWh % 储能参数 Pc_max = 150; % 最大充电功率，MW Pd_max = 150; % 最大放电功率，MW E_max = 600; % 储能容量，MWh SOC0 = 300; % 初始电量，MWh SOC_min = 60; % SOC下限，MWh SOC_max = 540; % SOC上限，MWh eta_c = 0.95; % 充电效率 eta_d = 0.95; % 放电效率 % 决策变量 Pg = sdpvar(1, T); % 火电出力 Pw = sdpvar(1, T); % 风电实际消纳 Pc = sdpvar(1, T); % 储能充电 Pd = sdpvar(1, T); % 储能放电 Soc = sdpvar(1, T); % 储能荷电状态 con = []; % 火电出力上下限 con = [con, Pg >= Pg_min, Pg <= Pg_max]; % 风电出力约束：实际消纳不超过预测值 con = [con, 0 <= Pw <= PWf]; % 储能充放电功率约束 con = [con, 0 <= Pc <= Pc_max, 0 <= Pd <= Pd_max]; % SOC递推方程 con = [con, Soc(1) == SOC0 + eta_c * Pc(1) - Pd(1) / eta_d]; for k = 2:T con = [con, Soc(k) == Soc(k-1) + eta_c * Pc(k) - Pd(k) / eta_d]; end con = [con, SOC_min <= Soc <= SOC_max]; % 功率平衡 for k = 1:T con = [con, PL(k) + Pc(k) == Pg(k) + Pd(k) + Pw(k)]; end % 火电爬坡约束 for k = 2:T con = [con, -ramp <= Pg(k) - Pg(k-1) <= ramp]; end % 无储能场景：直接把充放电变量固定为0，SOC保持初始值 if ~with_ess con = [con, Pc == 0, Pd == 0, Soc == SOC0]; end % 弃风量 Curt = PWf - Pw; % 目标函数 obj = sum(c_coal * Pg + c_wind * Pw + c_curtail * Curt + c_ess * Pd); % 求解：指定linprog ops = sdpsettings('solver', 'linprog', 'verbose', 0); optimize(con, obj, ops); % 保存结果 out.Pg = value(Pg); out.Pw = value(Pw); out.Pc = value(Pc); out.Pd = value(Pd); out.Soc = value(Soc); out.Curt = value(Curt); out.cost = value(obj); out.energy_fire = sum(out.Pg) * dt; out.energy_wind = sum(out.Pw) * dt; out.energy_curtail = sum(out.Curt) * dt; out.ess_charge = sum(out.Pc) * dt; out.ess_discharge = sum(out.Pd) * dt; end函数里所有成本系数、储能参数、火电参数都集中写在一个位置，方便改。主脚本里的三个场景调用，实际上就是用两行参数控制了整组实验：Pg_min决定是否深度调峰，with_ess决定是否接入储能。这种参数化设计是这套代码最值得借鉴的地方，做对比实验时不用到处改代码。
跑之前确认 Yalmip 已经加入 Matlab 搜索路径。如果你用的是 R2023b 以上版本，直接在安装目录addpath(genpath('你的Yalmip路径'))然后保存路径即可。代码本身对 Matlab 版本不敏感，老版本也一样跑。有一个小坑：有些机器上中文注释会显示乱码，这不影响计算，如果看着难受就把文件编码改成 UTF-8，或者把注释改成英文。
3.3 为什么要设计三个场景做对比
很多同学拿到模型直接跑一遍就出图，说“我实现了深度调峰”。但单场景结果很难说明问题，因为你不知道储能在里面到底起了多大作用。我把实验拆成了三组：
- 场景 A：常规调峰、无储能，作为基准线，反映“什么都不做”时的弃风和成本；
- 场景 B：常规调峰、加储能，单独看储能的调峰贡献；
- 场景 C：深度调峰、加储能，看火电深调和储能叠加的效果。
三个场景除了Pg_min和with_ess，其他参数完全一致，这样才能实现控制变量。场景 A 和 B 对比，能算出储能贡献了多少弃风消纳；场景 B 和 C 对比，能算出火电深调带来的额外空间。跑完之后你会发现，结论通常不是某个单一技术起作用，而是“深调提供空间，储能负责搬移”，两者协同的效果最好。
4. 结果怎么读：你的模型到底有没有做对
4.1 功率平衡曲线核对的三个关键点
求解器说“最优解已找到”，并不代表你写的模型是合理的，还需要对结果做工程检查。我每次跑完第一件事就是画功率平衡图，然后逐个时段核对。
第一个检查点是功率平衡是否闭合。用下面这行代码验证：
err = PL + Res(3).Pc - Res(3).Pg - Res(3).Pd - Res(3).Pw; max(abs(err))正常情况下 err 应该是 1e-10 量级的数值误差，如果是 1e-5 以上，先去查功率平衡方程的符号方向。第二个检查点是 SOC 曲线是否在可行域内。优化结果里 SOC 贴上限或贴下限运行是正常的，这说明储能容量被充分利用了；但如果你看到 SOC 在可行域内乱跳，比如从 500 突然掉到 100，多半是 SOC 递推方程写错了或者效率用反了。第三个检查点是弃风时段是否符合预期。弃风应该集中在凌晨和深夜，也就是风电大、负荷小的时段。如果弃风出现在中午负荷高峰，那你的风电曲线或者负荷曲线大概率有数据问题。
画场景 C 结果的代码可以这样写：
figure; subplot(2,1,1); stairs(1:T, Res(3).Pg, 'r'); hold on; stairs(1:T, Res(3).Pw, 'g'); stairs(1:T, Res(3).Pd, 'b'); stairs(1:T, -Res(3).Pc, 'm'); stairs(1:T, PL, 'k--'); legend('火电出力','风电出力','储能放电','储能充电(负)','负荷'); xlabel('时段/h'); ylabel('功率/MW'); subplot(2,1,2); stairs(1:T, Res(3).Soc, 'b'); xlabel('时段/h'); ylabel('SOC/MWh');从图上你应该能看到：凌晨时段储能充电值为正，火电保持低出力；白天负荷高峰时段储能放电为正，火电跟着爬坡到较高出力；弃风主要发生在储能已经充满但风电仍然过剩的时段。这个形态符合物理直觉，才说明模型正确。
4.2 场景对比：常规调峰、加储能、深度调峰加储能
在我给出的这组参数下，三次求解的典型结果如下表：
| 场景 | 火电最小出力 | 储能投用 | 弃风量（MWh） | 系统总成本（万元） |
|---|---|---|---|---|
| 常规调峰 | 500 MW | 否 | 约 1900 | 约 673 |
| 常规调峰 + 储能 | 500 MW | 是 | 约 800 | 约 554 |
| 深度调峰 + 储能 | 300 MW | 是 | 约 100 | 约 478 |
读表要抓住三个层次。对比前两行，储能单独接进来就能把弃风从 1900MWh 降到 800MWh 左右，省掉了将近 1100MWh 的弃风惩罚，同时降低总成本。这说明储能的价值主要在时间维度上的搬移：凌晨充进去，白天放出来。对比第二、三行，火电深度调峰把最小出力从 500MW 降到 300MW，相当于给储能腾出了 200MW 的调节空间，弃风进一步从 800MWh 压到 100MWh 左右，成本也掉了约 80 万。
需要强调，这组数据不是标准答案，你换一组负荷曲线或者风电曲线，具体数值肯定会变。但结论趋势是稳定的：储能能够压低弃风，深度调峰能进一步压缩成本，两者叠加效果最好。做课题汇报时，真正有价值的是这个趋势以及背后的原因，而不是某一个绝对数值。
4.3 一个很容易踩的坑：深度调峰不是免费的
上面这个模型里有个隐含假设：火电压到 300MW 只是最低出力限值变小，煤耗系数不变。但真实机组的深度调峰是有额外代价的，低负荷下锅炉燃烧效率下降、煤耗率上升，还伴随机组寿命损耗。如果完全忽略这部分成本，优化器会倾向于让火电一直维持很低的出力，这在工程上并不合理。
工程上的常规做法是给目标函数加一个分段惩罚项，比如火电出力低于 50% 额定容量之后，煤耗系数从 0.03 万元/MWh 跳到 0.045 万元/MWh，或者设置一个固定深度调峰启动成本。加入之后，模型会在“少弃风”和“少让火电深调”之间自动权衡。作为扩展训练，你可以把煤耗函数改成两段或三段的分段线性函数，用 Yalmip 的变量分段建模，前后的 SOC 曲线和弃风量会有一个很有意思的变化。这个细节是区分“能跑通模型”和“模型有工程价值”的关键，也是很多论文里做敏感性分析的切入点。
5. 常见问题与排错记录
5.1 求解器相关：没有 Gurobi 怎么办
很多教程默认你装了 Gurobi 或者 CPLEX，但学生党不一定有商业求解器授权。好消息是本文这个模型是纯线性规划，Matlab 自带的linprog完全够用。代码里写sdpsettings('solver','linprog')，就是明确告诉 Yalmip 不要去找其他求解器。
如果报错“No solver available”，先检查三件事：第一，Yalmip 是否真的 addpath 了；第二，Matlab 是否安装了 Optimization Toolbox，linprog是这个工具箱里的函数；第三，solver 名字拼写是否正确，linprog全小写，不能写成LinProg。
如果你之后准备加机组启停的 0-1 变量、储能互斥的 0-1 变量，问题会变成混合整数规划，linprog就无能为力了。到时候可以再装整数规划求解器，但那是后话，先不要把模型搞复杂。
5.2 结果诡异：SOC 不动、弃风巨大、火电乱跳
我总结了几个高频症状和对应的排查方向，基本覆盖大多数学员第一次跑这类模型的报错现场。
- SOC 全程停在初始值附近不变。说明储能没有体现价值，最可能的原因是目标函数里忘了给放电加折旧成本，或者弃风惩罚太低，优化器觉得“弃风就弃风呗，没必要动用储能”。把弃风惩罚调高，SOC 自然就动了。
- 弃风量巨大，怎么调都压不下去。先看储能最大充电功率是不是太小，再算一下凌晨时段“负荷低谷 + 风电峰值”下火电最低出力到多少才能平衡，如果火电最小出力太高，大概率是模型本身没有可行的完全消纳路径。
- 火电出力曲线像锯齿一样来回跳。原因是没加爬坡约束，或者爬坡约束设得过于宽松。爬坡速率是火电响应的物理限制，特别是做 96 时段模型时，必须保留。
- 求解器报“Infeasible”。通常是约束之间没有可行解，最常见的是负荷低谷时段功率平衡和火电最小出力矛盾。排查方法很简单，先把储能约束全部去掉、把火电最小出力放低，看看哪个约束的加入导致模型不可行，然后针对那个约束调参数。
5.3 从“能跑”到“可信”的几个扩展方向
跑通这个最小模型之后，我建议按下面几个方向逐步升级，每一步都对应一类真实工程问题：
第一，把煤耗从线性改成分段线性，甚至二次曲线分段近似，让火电经济特性更真实；第二，引入机组启停变量，从单机聚合模型变成多机组组合模型，让深度调峰的“启停调峰”部分也能表达；第三，把 24 时段加密到 96 时段，考验储能 SOC 在更短时间尺度下的行为；第四，考虑风电预测误差，把确定性优化扩展成两阶段鲁棒优化或随机优化，这是目前新能源调度领域的主流方向。
这几步建议在现有框架上逐步加，不要推倒重来。每加一个约束，就重新检查一次功率平衡、SOC 曲线和弃风时段，确认没有破坏前面的结论。
这个模型我前前后后写过好几个版本，最大的体会就是：优化模型一定要先跑通最简单闭环，再逐步加复杂度。最开始我做完那版，SOC 曲线怎么都解释不通，后来才发现是功率平衡方程把充电方向写反了。还有一条经验分享给你：把模型封装成函数，用参数控制“要不要储能”“要不要深调”，写对比场景就是一行调用的事，省下的时间远超写函数的那几分钟。你后面跑自己的数据时，建议把功率平衡误差、SOC 越限量、弃风时段这三样打印出来逐一核对，这几乎是排查优化模型问题的万能三板斧，能帮你定位大部分隐性错误。
