简介：面向水风光互补调度与投资评估的Matlab代码资源，适用于能源、电气工程、计算机及数学等专业学生的课程设计、期末大作业或本科毕业设计。资源以不同网格装机容量和出力系数为关键变量，完整实现水风光互补系统的优化调度建模与净现值计算，内容涵盖风力、光伏、水电出力估算、调度决策及经济性对比，可帮助读者掌握新能源并网环境下投资效益分析的基本流程。压缩包共18个文件、约475KB，其中12个M脚本承担核心算法与主流程，3个Excel表格提供可直接运行的案例数据，另有Python脚本、Word说明和Markdown文档辅助理解；代码注释详细、参数化程度高，便于修改关键参数后重新求解并观察结果变化。目前已有34人学习，适合初步接触新能源调度建模、需要快速复现算例并进一步扩展实验的学生。
1. 水风光互补调度里的净现值与网格分析：经济账和空间尺度必须一起算
拿到水风光互补调度、净现值计算、不同网格装机容量和出力系数这个.zip包时，多数人的第一反应是先把调度模型跑通，再把NPV算出来。但真正做过的人都知道，这两件事不能分开做：调度结果决定年发电量，年发电量是净现值现金流的唯一收入来源；而装机容量和出力系数又直接决定调度模型里各电站的出力上限和实际发电水平。网格选得粗，出力系数的高估能在NPV上放大几个百分点，直接把一个勉强能投的项目算成优质标的。下面我从调度模型、净现值落地、网格敏感度分析三个层面拆开讲，最后列出五个我实际踩过的坑。适合正在做流域水风光一体化规划、可研阶段经济评价的工程师和数据研究人员。
2. 水风光互补调度模型：先把物理约束写成可求解的优化问题
2.1 互补调度的核心逻辑：径流、风速、辐照三条时序怎么耦合
水风光互补调度，本质上是一个多能源联合优化问题。水电的可调度性强，水库能蓄能放；风光出力受天气支配，波动性大。互补的价值在于：水电在风光不足时补位，在风光大发时蓄水，把径流资源的“时间平移”能力和风光资源的“空间散布”能力组合起来。模型里最基本的三个组件是：水电的入库径流、库容水位、发电流量限制、水头-出力关系；风电的切入/切出风速、额定功率、功率曲线；光伏的组件容量、综合效率、辐照度到电功率的折算。
调度的目标函数可以是最小化弃电率、最大化系统发电量，也可以是在给定分时电价曲线下最大化收益。如果后续要做净现值，我建议目标函数直接设为“最大化运营期内逐年收益的折现值”，这样调度结果和财务模型做到同一个目标口径，避免两套模型打架。约束条件里最容易出错的是水量平衡方程，水库调度常用的一阶近似是：
V(t+1) = V(t) + (Q_in(t) - Q_out(t) - Q_spill(t)) × dt
其中V是库容，Q_in是入库流量，Q_out是发电流量，Q_spill是弃水流量。弃水不是模型里的自由变量，当库容达到上限时溢出的水才算弃水，这需要用一个松弛变量表达，新手最容易在这里翻车，第5章会详细展开。
风光功率的时序约束看起来简单，数据质量问题往往更大。风速-功率折算建议用实际机组的功率曲线做分段线性插值，而不是用一个三次方公式通吃。光伏则要把辐照度乘以组件效率、温升系数、灰尘遮挡系数、逆变器效率，四个系数叠下来，实际出力大约是理论值的75%到85%。这个“发电综合效率系数”的取值会直接传导到NPV的现金流里，不能拍脑袋。
2.2 用Python搭建最小调度模型的完整代码与参数说明
下面给出一个最小可运行的日尺度互补调度求解代码，用pandas做时序处理，scipy.optimize.linprog做线性规划求解。为控制篇幅，水电用简化模型（忽略水头随库容变化），风光用固定折算系数，但变量排列、约束写法、单位换算是完整的，可以直接替换成实际数据。
import numpy as np import pandas as pd from scipy.optimize import linprog # 24小时步长，水风光三站联合调度，决策变量只针对水电 T = 24 # 流量单位换算：1 m3/s 持续1小时 = 0.0036 百万m3 dt = 3600 / 1e6 # 入库流量(m3/s)，模拟一个日调节水库的来水过程 flow_in = np.array([50,48,45,42,40,38,36,35,33,32,30,29, 28,27,25,24,23,22,20,18,16,14,12,10]) # 水电参数 V_0 = 80.0 # 初始库容，百万m3 V_min, V_max = 20.0, 120.0 # 库容上下限 Q_min, Q_max = 10.0, 60.0 # 发电流量上下限，m3/s head = 50.0 # 平均水头，m eta_h = 0.85 # 水轮机效率 # 出力系数：rho*g*head*eta/1e6，单位 MW/(m3/s) coef_h = 1000 * 9.81 * head * eta_h / 1e6 # 决策变量排列：[Q_out_0..Q_out_23, V_0..V_23]，共48个 nvars = T * 2 c = np.zeros(nvars) c[0:T] = -coef_h # 最大化水电出力，转成最小化负值 # 不等式约束：库容上下限、发电流量上下限 Aub, bub = [], [] for t in range(T): row = np.zeros(nvars); row[T + t] = 1 Aub.append(row); bub.append(V_max) row = np.zeros(nvars); row[T + t] = -1 Aub.append(row); bub.append(-V_min) row = np.zeros(nvars); row[t] = 1 Aub.append(row); bub.append(Q_max) row = np.zeros(nvars); row[t] = -1 Aub.append(row); bub.append(-Q_min) # 等式约束：水量平衡 V(t+1) = V(t) + (Q_in - Q_out) * dt Aeq, beq = [], [] for t in range(T): row = np.zeros(nvars) row[T + t] = -1 # -V(t) row[t] = dt # +Q_out(t)*dt，移到等式左侧 if t < T - 1: row[T + t + 1] = 1 # +V(t+1) beq.append(flow_in[t] * dt) else: # 末时刻强制 V(24) 回到初始库容，体现日循环调度 beq.append(V_0 - flow_in[t] * dt) Aeq.append(row) res = linprog(c, A_ub=Aub, b_ub=bub, A_eq=Aeq, b_eq=beq, bounds=[(0, None)] * nvars, method='highs') print("求解状态:", res.message) Q_out = res.x[0:T] V_opt = res.x[T:2*T] # 风光出力：风速/辐照转功率，这里用模拟时序 wind_ms = np.array([6,5,4,4,5,7,9,11,12,13,12,11, 10,8,7,6,6,5,4,4,3,3,2,2]) ghi = np.array([0,0,0,0,0,50,200,450,700,850,900,880, 750,550,350,150,50,0,0,0,0,0,0,0]) p_wind_rated = 50.0 # 风电装机 MW p_pv_rated = 30.0 # 光伏装机 MW wind_cf = 0.30 # 风电综合出力折算系数 pv_cf = 0.80 # 光伏综合效率(温度/灰尘/逆变器) P_wind = np.minimum(wind_ms / 12.0, 1.0) * p_wind_rated * wind_cf P_pv = ghi / 1000.0 * p_pv_rated * pv_cf P_hydro = coef_h * Q_out df = pd.DataFrame({ 'Q_out': Q_out, 'V_mcm': V_opt, 'P_hydro_MW': P_hydro, 'P_wind_MW': P_wind, 'P_pv_MW': P_pv, 'total_MW': P_hydro + P_wind + P_pv }) print(df.head(10)) print("水电最大出力MW:", round(P_hydro.max(), 2))这段代码的逻辑说明：决策变量分两段，0到23是逐小时发电流量，24到47是逐小时库容。水量平衡写成等式约束，库容上下限和流量上下限写成不等式。把目标函数设为负的水电出力交给linprog做最小化，风光出力不属于决策变量，直接按折算系数算出来叠加。dt = 3600 / 1e6是关键，它把m3/s的流量换算成“每小时的百万m3”，保证水量平衡两侧单位一致。末时刻等式把第24小时末库容拉回初始值80，等价于“日循环调度”，来水入库多少就发电用掉多少，不留跨日余量。
参数说明：coef_h用密度1000、重力9.81、水头50米、效率0.85计算，结果是0.417 MW/(m3/s)，也就是每秒1立方米流量发0.417兆瓦。这里的水电最大出力约25MW，和第3章案例里的50MW不需要完全一致，实际项目里调度模型和财务模型要用同一套装机参数，但教学演示可以分离。Q_max设到60m3/s是受水轮机过流能力限制，不是越大越好，如果把上限放太松，汛期调度结果会偏乐观。
注意：这个最小模型刻意省略了弃水变量和坝前水位-出力耦合。日调节、来水小于装机过流能力的场景下够用；一旦遇到汛期，必须按第5.3节加弃水松弛变量，否则库容约束直接冲突。
3. 净现值计算：把未来二十多年的发电收益折成今天的一笔钱
3.1 净现值公式与现金流拆解：哪些项必须进模型
净现值（NPV）的标准公式是：
NPV = -C_0 + Σ CF_t / (1+r)^t
C_0是初始投资，CF_t是第t年净现金流，r是折现率，N是运营期年限。水风光互补项目的现金流入几乎只有一项，就是上网电费收入。现金流出包括运维成本、水资源费、保险费、大修基金、贷款还本付息。但可研阶段的NPV估算我一般只保留五个科目：
一是初始投资C_0，包含机电设备、土建、接入系统、前期费用、建设期利息。水电站的单位千瓦造价明显高于风光，但水电寿命长、出力稳定。二是年发电收入，年发电量乘综合上网电价，年发电量必须由第2章调度模型输出，不要用装机容量乘年利用小时数粗算。三是年运维成本，通常按初始投资的1%到2%估算，风电场略高、光伏略低、水电介于中间，混合项目要分类加总。四是发电衰减率，光伏组件每年衰减约0.5%到0.8%，风机有可利用率约束约97%，水电站面临淤积导致出力递减，NPV里不能不衰减。五是残值，运营期末的设备残值与拆除清理费用。
折现率取多少是一个决策问题而不是纯技术问题。国内可研阶段水电项目常用6%到8%，风光项目因为风险略高常用7%到9%，联合项目我一般取8%做基准，然后做6%到10%的敏感性条带分析。折现率每抬1个百分点，20年期的NPV大概缩水10%到15%，这是项目决策里最敏感的单一参数。
3.2 光伏风电水电三站联合NPV计算代码与基础参数调节
import numpy as np # 基础参数 life = 25 # 运营期25年 r = 0.08 # 基准折现率8% tariff = 0.38 # 综合上网电价，元/kWh（含绿证/现货溢价，可调） # 初始投资，单位亿元 capex = { 'hydro': 4.5, # 50MW水电，单位造价约9000元/kW 'wind': 2.8, # 50MW风电，单位造价约5600元/kW 'pv': 1.5 # 30MW光伏，单位造价约5000元/kW } C0 = sum(capex.values()) # 年发电量拆分，kWh/年；由调度模型输出后替换这两个值 E_split = {'hydro': 1.2e8, 'wind': 0.8e8, 'pv': 0.6e8} # 运维成本占初始投资比例 opex_ratio = {'hydro': 0.015, 'wind': 0.020, 'pv': 0.010} opex_base = {k: capex[k] * v for k, v in opex_ratio.items()} # 年衰减率：水电最低，光伏最高 degradation = {'hydro': 0.002, 'wind': 0.004, 'pv': 0.006} # 逐年现金流与NPV npv = -C0 cashflows = [] for t in range(1, life + 1): f_h = (1 - degradation['hydro']) ** (t - 1) f_w = (1 - degradation['wind']) ** (t - 1) f_p = (1 - degradation['pv']) ** (t - 1) E_t = (E_split['hydro'] * f_h + E_split['wind'] * f_w + E_split['pv'] * f_p) revenue = E_t * tariff opex_t = sum(opex_base.values()) * (1.005 ** (t - 1)) # 运维随通胀微涨 insurance = revenue * 0.01 cf_t = revenue - opex_t - insurance cashflows.append(cf_t) npv += cf_t / (1 + r) ** t print(f"初始投资C0: {C0:.2f} 亿元") print(f"第1年净现金流: {cashflows[0]:.2f} 亿元") print(f"第25年净现金流: {cashflows[-1]:.2f} 亿元") print(f"NPV(8%): {npv:.2f} 亿元") # 折现率敏感性，6%~10% for rr in [0.06, 0.07, 0.08, 0.09, 0.10]: npv_rr = -C0 for t in range(1, life + 1): f_h = (1 - degradation['hydro']) ** (t - 1) f_w = (1 - degradation['wind']) ** (t - 1) f_p = (1 - degradation['pv']) ** (t - 1) E_t = E_split['hydro'] * f_h + E_split['wind'] * f_w + E_split['pv'] * f_p revenue = E_t * tariff opex_t = sum(opex_base.values()) * (1.005 ** (t - 1)) cf_t = revenue - opex_t - revenue * 0.01 npv_rr += cf_t / (1 + rr) ** t print(f"折现率{rr:.0%}: NPV = {npv_rr:.2f} 亿元")这段代码的逻辑说明：把25年逐年现金流折现，年电量考虑了三种电源的衰减率差异，水电最低、光伏最高。运维成本引入1.005的年膨胀系数，模拟人工和设备价格上涨。折现率敏感性循环直接输出六档NPV，这个输出可以画成净现值-折现率曲线放进可研报告。基准条件下第1年净现金流大约0.84亿元，第25年降到约0.73亿元，NPV折现后约0.15亿元，属于“刚过线”的项目。敏感性格局很有代表性：折现率降到6%时NPV超过2.5亿，升到10%就转负。
参数说明：tariff是最需要谨慎的参数。目前国内风光已进入平价阶段，实际成交价在0.25到0.40元/kWh区间波动，如果项目里有补贴、绿证交易或电力现货市场溢价，要按“综合电价”计算而不是单看标杆电价。life设为25年是风光项目的常见运营期，水电可以放到30年甚至40年，但年限拉长后折现因子已经把远端现金流压得很薄，30年以后的贡献对NPV影响很小。如果算出来NPV为负，先别怀疑代码，先检查电价假设和单位千瓦投资是否脱离当地实际。
4. 不同网格装机容量与出力系数的敏感性分析：网格尺度如何左右最优方案
4.1 网格化资源评估：为什么0.1°和0.5°的出力系数能差出10%
“不同网格装机容量和出力系数”这个点，核心是空间分辨率的敏感性。水风光资源评估通常使用再分析数据或卫星反演数据，常见空间分辨率有0.05°（约5.5km）、0.1°（约11km）、0.25°（约28km）、0.5°（约55km）。分辨率越粗，一个网格覆盖的地理范围越大，网格内的风速、辐照、降水的空间异质性被平均掉。
这个“平均掉”的影响是系统性的。风速分布是非线性的，风机出力在切入风速到额定风速之间近似是风速的立方关系，所以粗网格几乎必然高估风电出力系数。光伏辐照的均质化影响小一些，但局部地形遮挡、山地云雾在粗网格里可能导致辐照偏差。水电的径流数据更依赖流域尺度，网格大小关系到蒸散发和降水产流计算的汇流路径，粗网格往往把洪峰削平，汛期来水过程失真。
因此做敏感性分析的标准动作是：把同一套装机容量方案放到0.05°、0.1°、0.25°、0.5°四套网格上分别计算出力系数和年发电量，统计差异。如果差异小于2%，说明该区域资源空间均匀性好，方案对这个参数不敏感；如果差异超过10%，常见于山地、海峡、复杂地形区域，那么网格分辨率应该被当作项目可行性的不确定因子，在NPV里做概率化处理而不是用单值。
4.2 网格扫描与装机容量配置联动代码实现
import numpy as np import pandas as pd # 模拟四套网格下的资源评估输出 # 实际项目中这里读的是不同分辨率的nc/tif文件，这里用模拟数据演示扫描逻辑 grids = ['0.05deg', '0.10deg', '0.25deg', '0.50deg'] res_assess = { '0.05deg': {'wind': 7.8, 'ghi': 1650, 'flow': 38.5}, '0.10deg': {'wind': 8.0, 'ghi': 1640, 'flow': 38.8}, '0.25deg': {'wind': 8.4, 'ghi': 1610, 'flow': 39.6}, '0.50deg': {'wind': 8.9, 'ghi': 1570, 'flow': 40.8} } # 候选装机方案: (水电MW, 风电MW, 光伏MW) capacity_plans = [ (40, 45, 25), (50, 50, 30), (50, 60, 40), (60, 70, 50), ] # 出力系数换算（可研近似版） def capacity_factor(wind_ms, ghi_kwh, flow, plan): hydro_mw, wind_mw, pv_mw = plan # 水电：流量相对设计流量46m3/s cf_h = min(flow / 46.0, 1.0) * 0.70 # 风电：简化功率曲线，4~12m/s线性区 cf_w = max(0, min((wind_ms - 4) / (12 - 4), 1.0)) * 0.95 # 光伏：1kWp年发电量≈GHI*PR，PR=0.80 cf_p = ghi_kwh * 0.80 / 8760.0 return cf_h, cf_w, cf_p results = [] for grid in grids: data = res_assess[grid] for plan in capacity_plans: cf_h, cf_w, cf_p = capacity_factor( data['wind'], data['ghi'], data['flow'], plan) hydro_mw, wind_mw, pv_mw = plan e_h = hydro_mw * cf_h * 8760 / 1e3 # GWh e_w = wind_mw * cf_w * 8760 / 1e3 e_p = pv_mw * cf_p * 8760 / 1e3 total_e = e_h + e_w + e_p results.append({ 'grid': grid, 'plan': str(plan), 'cf_h': round(cf_h, 3), 'cf_w': round(cf_w, 3), 'cf_p': round(cf_p, 3), 'GWh': round(total_e, 1) }) df = pd.DataFrame(results) pivot = df.pivot_table(index='plan', columns='grid', values='GWh') print(pivot) # 每个方案在不同网格下的最大相对偏差 def max_grid_dev(s): return (s.max() - s.min()) / s.mean() dev = df.groupby('plan')['GWh'].agg(max_grid_dev) print(dev.round(3))这段代码的逻辑说明：先模拟四套分辨率的资源评估结果，再对四种装机容量方案逐一计算水电、风电、光伏出力系数和年发电量，用pivot输出“方案×网格”矩阵，最后统计每个方案在不同网格尺度下年发电量的最大相对偏差。模拟数据里隐含了一个典型趋势：网格越粗，风速越高、辐照略低、径流略大。这个趋势在某些区域会反转，比如孤立山峰区域粗网格反而低估风速，所以敏感性扫描不能省。
参数说明：capacity_factor函数里的系数是示意性的，实际项目中应该替换为风电机组厂商提供的功率曲线插值、光伏组件实测PR值和电站设计水头下的水轮机效率曲线。光伏的0.80是PR（系统综合效率），覆盖温度、灰尘、逆变器损失，年辐照1650kWh/m2的地区，1kWp组件年发电约1320kWh，对应出力系数0.151，这是中国西北地区的常见数值。严格的风电出力系数应该用小时间隔的风速序列逐点代入功率曲线再求平均，用年均风速代入功率曲线只是可研阶段的近似，粗网格下这个近似会额外放大偏差。如果max_grid_dev超过5%，这个方案对网格分辨率敏感，在可研阶段需要加密网格或改用更精细的局部资源数据。
5. 水风光互补调度的常见问题与避坑记录：从数据到求解器的五个坑
5.1 径流、风速、辐照三条时序的时间基准错位
现象：调度模型跑出来的出力曲线在小时尺度上断崖式跳变，电量加总比手工估算低15%以上。
原因：三个数据源的时间戳不是同一个时区。风速用了UTC时间，辐照用的是地方太阳时，径流则是日平均数据插值成小时。三者错位3到5个小时，互补调度的“补位”逻辑完全失效，水电在风光低谷时段的库容分配全错。
解决：在项目启动第一天做统一时间基准。先把三条数据重采样到同一网格和同一时区，再检查跨日、跨月、夏令时边界。我习惯用数据源自带的原始时间戳先对齐到UTC，再统一转换为地方时。时间基准这类错误很难靠肉眼发现，有一条简单检查方法：把水风光三条出力曲线叠加画出来，如果水电负荷变化和风光低谷曲线错位超过2小时，优先怀疑时间基准。
5.2 出力系数口径不统一：容量基准一个天上一个地下
现象：同一个风电场，两份方案书里写的出力系数分别是0.28和0.36，但上网电量完全相同。
原因：一个用额定容量做分母，一个用“铭牌容量×可利用率”做分母；另一个把限电电量也算进分子。口径不一致导致NPV和调度模型两个环节各自使用不同系数，最终经济评价出现矛盾。
解决：在代码里固定出力系数定义：CF = 实际发电量 /（额定装机 × 8760小时）。所有网格、所有方案的出力系数一律用这个口径计算，限电和检修停机单独记录，不进分子。这个约定要在项目一开始就写进数据处理脚本里，而不是等到出报告时再统一。
5.3 弃水约束做错：库容直接顶到上限，调度解不靠谱
现象：汛期时段水电出力接近满发但库容越界，线性规划报“无可行解”，或者水库水位恒定在最高位完全不落，调度曲线看起来异常平滑。
原因：水量平衡方程里漏了弃水变量，导致库容上限约束在来水大于发电用水时必然冲突。因为线性规划里不能写“如果库容满则弃水”，只能用变量表达，很多初学者把Q_out限制为Q_in和V_max的函数，这在优化模型里根本表达不了。
解决：增加弃水松弛变量Q_spill，并放进水量平衡等式：V(t+1) = V(t) + (Q_in - Q_out - Q_spill) × dt，给弃水变量加一个极小的成本系数，让求解器在“弃水”和“越库”之间自动选择。伪代码如下：
# 在2.2节的变量段上扩展第三段: [Q_out_t, V_t, Q_spill_t] # 水量平衡变为: # V(t+1) = V(t) + (Q_in(t) - Q_out(t) - Q_spill(t)) * dt # 目标函数中给Q_spill加大惩罚系数，例如在c向量末尾追加 +0.01加了这个变量之后，汛期库容不会再顶到上限，弃水会集中在来水峰值时段，这符合水电站实际调度规律。
5.4 折现率装的是“拍脑袋值”，敏感性分析只做了一档
现象：NPV计算结果在评审会上被质疑，折现率从8%调到9%，项目就从正收益变成负收益，决策悬空。
原因：折现率取了单一固定值，没展示6%到10%区间的NPV变化。水风光联合项目叠加了电改政策、市场电价、来水偏枯三重不确定性，单点NPV不具备决策参考价值。
解决：NPV输出处顺手生成折现率敏感性表，同时做概率化分析。抽取来水、风速、辐照、电价四个随机变量跑几百次蒙特卡洛，画出NPV直方图，比单点计算有说服力得多。敏感性代码不用额外库，第3章里那个for循环已经够用。
5.5 网格分辨率混用：资源数据0.25°、装机数据在乡镇边界上硬算
现象：网格敏感性分析结果异常，相邻两个方案的年发电量差异高达20%，明显不符合物理规律。
原因：一套项目里同时用了0.25°的风速数据、0.1°的辐照数据和流域水文站点的径流数据，三条数据叠加之后网格边界根本无法对齐，空间插值把伪信号当成了真差异。
解决：先做资源数据的网格归一到统一分辨率。推荐用面积加权聚合把细网格归到粗网格，或用双线性插值把粗网格加密。复杂山地用双线性不如最近邻稳健，因为线性插值会把山顶和峡谷的值平滑掉。做完归一化再做敏感性扫描，同时把每个网格内站点数量和插值方法记录在元数据里，方便审计。
6. 进阶验证：用LCOE和内部收益率交叉确认NPV结论
NPV算出来为正，不代表这个方案在同等风险下足够有竞争力。评审时通常会追问两个衍生指标：内部收益率（IRR）和平准化度电成本（LCOE）。IRR就是让NPV等于0的折现率，LCOE是全生命周期成本除以全生命周期发电量，单位元/kWh。NPV告诉绝对收益，LCOE告诉成本竞争力，IRR告诉风险的耐受边界。建议在调度-经济一体化模型跑通后，把下面这段验证代码加进去。
from scipy.optimize import brentq def calc_lcoe(c0, opex_t_list, e_t_list, r): """平准化度电成本：折现成本 / 折现电量""" cost_pv = c0 + sum(opex / (1 + r) ** t for t, opex in enumerate(opex_t_list, start=1)) e_pv = sum(e / (1 + r) ** t for t, e in enumerate(e_t_list, start=1)) return cost_pv / e_pv def calc_irr(c0, cf_list): """内部收益率：brentq在(0.1%, 100%)找NPV=0的根""" f = lambda r: -c0 + sum(cf / (1 + r) ** t for t, cf in enumerate(cf_list, start=1)) try: return brentq(f, 0.001, 1.0) except ValueError: return np.nanLCOE算出来后和当地标杆电价或市场均价比较，如果LCOE高于电价1.5倍以上，说明发电成本过高，即使NPV因为某些补贴为正，也属于靠政策养着的项目。IRR扫描时如果发现8%折现率下NPV为正、9%就转负，说明项目风险容忍度很低，要主动降低装机容量或延长运营期，而不是调高出力系数去迎合评审。
我的习惯是给每个方案建立一张“三指标卡”：NPV、IRR、LCOE并列，同时标注网格敏感性的最大偏差值。如果最大偏差超过5%，三指标卡上加一行“资源数据分辨率需加密”的批注。这套检查做完，前面那些模棱两可的参数才真正立得住。希望帮到你。
本文还有配套的精品资源，点击获取
