这两年新能源装机一路高歌猛进，规划口径里风光占比看着挺舒服，但真正在调度台前值班的人最清楚：负荷曲线还是那条负荷曲线，电源侧却越来越“不听话”了。光伏午间大发、夜间直接归零，风电一阵一阵地起落，系统想维持功率平衡，火电就不得不在低谷期深调、尖峰期快爬，甚至频繁启停。这些动作背后每一笔都是真金白银——这就是调峰成本。这篇内容把我最近完整跑通的Matlab代码项目拆开讲清楚：高比例可再生能源电力系统的调峰成本怎么量化、怎么在各主体之间分摊、代码每一段在干什么、算出来的结果怎么解读。适合电力系统方向的研究生、做辅助服务结算或现货市场的工程师，以及想快速用Matlab搭一套调峰成本测算工具的朋友参考。
1. 高比例可再生能源并网后的调峰压力到底从哪来
1.1 净负荷曲线的本质变化
调峰问题绕不开一个核心概念：净负荷。所谓净负荷，就是系统原始负荷减去风电、光伏这类不可调电源出力之后，剩下的必须由常规可调机组（火电、水电、储能等）平衡的那部分功率。
在新能源渗透率比较低的年代，净负荷曲线和原始负荷曲线形状差不多，早晚两个峰、凌晨一个谷，调度员按经验就能排出发电机组计划。但风光比例上来以后，净负荷曲线的形态会发生剧烈扭曲：光伏大发的中午，净负荷可能被压出一个巨大的“深坑”；傍晚光伏退出、负荷仍处高峰时，净负荷又会在两三个小时内陡峭拉升。业内常说的“鸭型曲线”，就是这个东西。
我用Matlab做过一个很直观的对比实验：把一条典型日负荷曲线分别减去不同渗透率的风光出力，然后画出净负荷曲线。渗透率从10%提高到40%时，净负荷的最小值从早上的低谷转移到中午，而且数值一路下探；最大爬坡速率从每小时两三百兆瓦直接翻到接近一千兆瓦。这意味着系统对调峰资源的要求，从“每天安排一次深度调峰”变成了“一天之内多次快速调节”，成本自然水涨船高。
1.2 三类需要单独计价的调峰需求
在代码里，我不会把调峰成本笼统算一个数字，而是先按调峰需求类型拆开。原因很简单：不同类型需求的成本驱动因素不同，分摊逻辑也不同。
第一类是低谷弃风弃光调峰。夜间风电大发遭遇负荷低谷，或者午间光伏大发遭遇负荷低点，常规机组必须压到最小技术出力以下运行，甚至停机备用。这类调峰的核心成本是火电深度调峰带来的煤耗增加和机组寿命损耗，以及被迫弃电的机会成本。
第二类是爬坡调峰。最典型的是傍晚光伏出力快速归零、负荷又处在晚高峰起点的时段。这类调峰要求机组在短时间内大幅增加出力，既需要足够的上调容量，又需要机组具备较高的爬坡速率。成本体现在机组效率下降、燃料品质要求提高，以及为爬坡预留容量而牺牲的经济运行方式。
第三类是频率与备用型调峰。风光出力具有随机波动性，预测误差在一定范围内是常态。系统必须预留额外的旋转备用容量，以备风光出力突降时快速补上。这部分成本常常被忽略，但在高渗透率场景里它占比不小。
把这三类需求建模清楚，后面量化成本才有根基。我在Matlab代码里用净负荷曲线的一阶导数和局部极值来识别爬坡事件和低谷区间，具体逻辑后面会展开。
2. 调峰成本量化：不是一笔糊涂账，是每一台机组真金白银的支出
2.1 火电深度调峰成本：煤耗增量与寿命损耗
火电机组不是在任何出力点运行都保持同样的效率。额定工况附近效率最高，出力往下压的时候，煤耗率会逐步上升；一旦进入深度调峰区间（低于最小技术出力，通常指低于50%额定容量），煤耗快速恶化，还可能出现燃烧不稳定，需要投油或等离子稳燃，这些燃料和设备损耗都是钱。
我在模型中把火电调峰成本分了三段处理。第一段是常规调峰段，从额定出力到最小技术出力，成本主要是煤耗率随负荷率变化的增量，可以用一个二次函数拟合；第二段是深度不投油段，从最小技术出力再往下压，大约能到30%额定容量，这一段要额外加上机组转子热疲劳和锅炉承压部件寿命损耗折算费用；第三段是深度投油段，低于30%甚至20%，还需要把助燃燃料费用加进来。
寿命损耗这部分是最容易被算漏的。机组频繁在低负荷和额定负荷之间大幅交变，汽轮机转子承受交变热应力，长期运行会出现低周疲劳裂纹，检修周期被迫缩短，这部分费用本质上属于“提前消耗设备寿命”。工程上常用的方法是查厂家给出的转子寿命损耗曲线，或者按等效运行小时折算，每兆瓦时深度调峰电量分摊几块到十几块钱不等。
2.2 启停调峰成本与快速爬坡溢价
当净负荷低谷过于深重，仅靠深度调峰仍然无法平衡时，调度会让一部分机组停机，等负荷起来再热启动。一次冷态启动的燃料成本从几十万到上百万不等，温态、热态启动相对便宜，但也需要消耗大量辅助燃料和设备寿命。这种成本在传统调度里往往只作为约束条件处理，但在高比例可再生能源场景下，启停台数和频次都大幅增加，必须显式计入调峰总成本。
与启停对应的是快速爬坡。机组爬坡速率越高，对燃煤制粉系统、汽水系统、自动控制系统的要求就越高。实际运行中，为了让机组在关键时刻“爬得动”，调度往往提前让机组偏离最优煤耗点运行，这也是一种机会成本。我在量化模型里用一个爬坡速率相关的附加费用系数来表达，虽然不如煤耗曲线那么精细，但能在机制设计层面给出合理量级。
2.3 储能与抽水蓄能参与调峰的成本
储能装置参与调峰并不是零成本。抽水蓄能电站抽水要耗电，发电效率通常在75%左右，抽四度电才能发三度电，损失的那一部分就是真实的能量成本。此外，抽蓄电站的容量成本（投资折旧、运维）在电力市场环境下需要通过容量电价或辅助服务费回收，如果它被频繁调用做日内调节，容量电价的折算单价也要相应提高。
电化学储能更复杂一些。除了充放电效率损失，还有循环寿命衰减——每多充放一次，电池寿命就减少一点，这种衰减在财务上应当折算为当次调峰成本。业内常用“度电老化成本”来估算：电池全生命周期可吞吐电量除以更换成本，得到每度电的损耗费用。磷酸铁锂电池在较深充放电策略下，度电老化成本大约在0.1到0.3元区间。把它算进调峰成本后，储能的真实调节成本并不低，很多项目只看充放电价差觉得能赚钱，把老化成本一加就发现根本不是那么回事。
2.4 弃风弃光的机会成本怎么处理
在调峰能力不足时，调度只能选择弃掉一部分风光电量。这部分电量对应的损失，通常按弃电量乘以上网电价或综合电价估算。但从系统角度看，这里有个更精细的处理方式：弃掉的应该是“边际价值最低”的那部分电量。我在代码里支持两种口径，一种是用固定电价直接算，另一种是用户自己传入一个弃电价值曲线，体现不同时段弃电价值的差异。后者对于后续分摊更加合理，因为低谷时段的风光电量本身市场价值就低，把它和其他时段的电量按同一价格算分摊，会夸大低谷调峰缺口造成的损失。
3. 调峰成本分摊模型：先讲公平，再谈效率
3.1 为什么不能简单地“按发电量平均摊”
最直观的分摊方式是按各电源的发电量比例平摊调峰成本。这种办法在Excel里一个公式就能算完，但它的逻辑缺陷很明显：风电光伏出力越大的时段，往往正是系统调峰压力最大的时段，如果只看发电量，新能源出力大反而分摊多，这并不符合“成本由引发者承担”的公平原则。更关键的是，按发电量平摊完全不区分电力的时间价值，凌晨三点的风电和晚上八点的风电对系统的作用天差地别，用同一个单价分摊，结果很难服众。
我在实际项目里遇到过类似争议：某风电场认为自己凌晨出力大、帮系统省了燃料，却因为发电量大被分摊了更多调峰费。这提示我们，分摊机制的设计必须回到物理本质——调峰需求是怎么产生的，谁的行为加剧了调峰需求，谁又为调峰提供了正向支撑。
3.2 责任分摊法：按对净负荷形态的贡献度来算
责任分摊法的核心思路是：先定义若干“调峰需求指标”，比如净负荷峰谷差、最大爬坡速率、低谷深度等，然后计算每个电源对指标的边际贡献。贡献为正的电源，应当承担相应的调峰成本；贡献为负的电源（也就是帮忙削峰填谷的），则应该获得补偿。
具体到Matlab实现，我会先计算不含某个电源时系统的调峰需求指标值，再计算包含该电源时的指标值，两者之差就是该电源的边际贡献。为了避免逐一剔除带来的计算压力，工程上常用灵敏度简化：用该电源出力序列与净负荷序列的协方差、与峰谷差变化的比值来近似边际贡献。我的代码里两种方式都保留了，小系统用精确剔除法，大系统用灵敏度近似法。
3.3 基于Shapley值的合作博弈分摊
如果想要更严格的成本分摊，可以引入合作博弈里的Shapley值。把每个电源（或电源类型）看作博弈参与者，调峰成本看作合作总成本，Shapley值给出每个参与者在所有可能联盟顺序下的平均边际贡献。这个方法在理论上无懈可击，满足对称性、有效性和可加性，分摊结果不容易被挑战。
但它有个致命问题：计算量随参与者数量指数爆炸。系统里有几十台机组、十几个风电场和光伏电站时，遍历所有联盟子集根本不现实。实践中一般做两类近似：一是把相同类型、相同区域的电源聚合成一个参与者，只算几个大类之间的Shapley值；二是用随机采样估计每个参与者的期望边际贡献。我在代码里实现了聚合类Shapley值，对火电、风电、光伏、储能四类主体做分摊，既保留了理论严谨性，又能在普通电脑上几分钟内跑完。
3.4 本文采用的混合分摊流程
最后我落地的方案是“责任分摊为主、Shapley值校验为辅”的混合流程。先用责任分摊法算出一个粗糙的分摊比例，再对机组数量较少的小系统用Shapley值做精确核算，两者偏差在可接受范围内时，用责任分摊结果作为结算依据；偏差过大时，说明系统中存在强耦合主体，再针对特定联盟做细分核算。这个流程在算例里效果不错，既有理论支撑，又兼顾了计算效率。
4. Matlab代码实现：从曲线到分摊结果的完整链路
4.1 数据准备与净负荷曲线识别
代码的第一步是读入原始数据。我习惯把负荷、风电、光伏三条曲线放在Excel里，按15分钟一个点组织，长度96列（一天）或更多天连续排列。读进来之后统一转成列向量，然后计算净负荷。
%% 数据读入与净负荷计算 load_data = xlsread('input_data.xlsx', '负荷'); wind_data = xlsread('input_data.xlsx', '风电'); solar_data = xlsread('input_data.xlsx', '光伏'); T = length(load_data); net_load = load_data - wind_data - solar_data; %% 基础统计指标 peak_val = max(net_load); valley_val = min(net_load); peak_valley_diff = peak_val - valley_val; [max_ramp, ramp_idx] = max(abs(diff(net_load))); fprintf('净负荷峰谷差: %.2f MW\n', peak_valley_diff); fprintf('最大爬坡速率: %.2f MW/15min\n', max_ramp);这一段输出的峰谷差和爬坡速率，就是后续分摊模型里的核心需求指标。很多初学者会直接拿原始负荷算峰谷差，那是不对的，因为调峰压力是针对净负荷而言，原始负荷的峰谷差再大，如果水电和储能能平滑掉，也不构成调峰成本。
4.2 调峰需求事件提取
光看全天指标还不够，需要识别具体的调峰事件，比如低谷时段在哪里、爬坡过程发生在几点。我用滑动窗口加局部极值检测来做：
%% 调峰事件识别 win = 4; % 1小时窗口，15min一个点 valley_idx = find(net_load < (mean(net_load) - 0.5*std(net_load))); % 爬坡事件：连续四个点净负荷变化超过阈值 ramp_threshold = 100; % MW event_list = []; for t = win+1 : T-win local_slope = (net_load(t+win) - net_load(t-win)) / (2*win); if abs(local_slope) > ramp_threshold event_list = [event_list; t, local_slope]; end end disp(['识别到爬坡事件数: ', num2str(size(event_list,1))]);这段代码的输出会直接喂给成本量化模块：低谷事件对应深度调峰成本，爬坡事件对应爬坡附加成本。阈值参数（win、ramp_threshold）需要根据系统规模调整，我一般在算例里先跑一遍看看识别出的事件是否符合调度经验，然后再定参数。
4.3 火电调峰成本量化函数
成本量化模块我封装成独立的函数，方便反复调用。输入是机组技术参数和出力序列，输出是各类成本的明细向量。下面是核心部分：
function cost = thermalPeakingCost(P, P_max, P_min, c_coal, deepFactor) % P: 机组实际出力序列(MW) % P_max, P_min: 额定出力与最小技术出力 % c_coal: 标煤单价(元/吨) % deepFactor: 深度调峰损耗系数(元/MWh) n = length(P); cost.base = zeros(n,1); % 常规煤耗增量 cost.deep = zeros(n,1); % 深度调峰寿命损耗 cost.deepLimit = 0.3 * P_max; % 不投油深度上限 for t = 1:n % 常规段：负荷率低于0.6后煤耗率上升 if P(t) > P_min loadRate = P(t)/P_max; if loadRate >= 0.6 cost.base(t) = 0; % 高于0.6按额定煤耗考虑 else extraCoal = 20 + 60*(0.6 - loadRate)^2; % g/kWh 经验拟合 cost.base(t) = extraCoal * P(t) * c_coal / 1e6; % 元 end end % 深度段：进入深度调峰后按电量计寿命损耗 if P(t) > 0 && P(t) < P_min cost.deep(t) = (P_min - P(t)) * deepFactor; end end cost.total = cost.base + cost.deep; end煤耗率上升的拟合参数，我参考了几个典型300MW和600MW机组的试验数据：负荷率降到50%左右时，煤耗大约上升10到20克每千瓦时；再往下压到30%附近，上升量会超过40克。实际项目里最好拿到所研究区域机组的实测数据，拟合精度会高很多。
储能调峰成本类似，输入充放电功率序列，按效率损失加老化成本折算，逻辑比较简单就不再贴完整代码了。抽蓄的成本函数里有个关键细节：抽水电价和发电电价可能不同，能量损失折算要用系统边际成本而不是固定电价，否则算出来的成本在现货市场环境下会失真。
4.4 责任分摊系数计算与结果输出
分摊模块我按边际贡献思路实现，核心是计算每个电源序列与净负荷峰谷差的协变关系：
%% 责任分摊法 function share = responsibilityShare(resourceData, net_load) % resourceData: 各电源出力矩阵，行=时间，列=电源 % net_load: 净负荷序列 n_res = size(resourceData, 2); indicator_base = max(net_load) - min(net_load); contrib = zeros(n_res, 1); for k = 1:n_res net_load_without = net_load + resourceData(:,k); % 去掉该电源后的净负荷 indicator_new = max(net_load_without) - min(net_load_without); contrib(k) = indicator_base - indicator_new; % 贡献为正=加剧峰谷差，为负=平抑峰谷差 end % 成本分摊：只有贡献为正的电源承担正费用，负贡献电源获得补偿 cost_share = max(contrib, 0) ./ sum(max(contrib, 0)) * totalCost; compensation = min(contrib, 0) ./ sum(min(contrib, 0)) * totalCompensationPool; end注意这里有个工程处理：我不会让总成本在所有主体间机械地按贡献度全部分掉，而是先设定一个“成本分摊池”和一个“补偿池”。贡献为正的主体向分摊池交钱，贡献为负的主体从补偿池拿钱，两个池子分别按各自的贡献绝对值和归一化系数结算。这样避免了正负抵消后某些主体反而拿钱的怪象，结算逻辑上也更接近辅助服务市场的实际运作方式。
输出阶段，我习惯生成两张表：一张是各类主体调峰成本明细表（单位：元/天），另一张是分摊结果对比表（含责任分摊法、Shapley值法、按电量平摊三种口径），方便直接对比不同机制下的费用差异。
%% 结果输出 results_table = table(participants, share_flat, share_resp, share_sv); writetable(results_table, 'allocation_results.xlsx');5. 算例试算：一个典型省级系统的成本构成与分摊效果
5.1 典型日场景设定
我用一个简化的省级系统做算例：总装机12000MW，其中火电6000MW（4台300MW、8台600MW），风电3000MW，光伏2000MW，抽蓄1000MW。负荷峰值9000MW，典型日的负荷曲线、风电曲线、光伏曲线按实际数据的典型形态构造。标煤单价800元/吨，风电上网电价0.35元/kWh，光伏0.4元/kWh。
这一天的结果很典型：净负荷峰谷差达到4200MW，比原始负荷峰谷差放大了近三成，最大爬坡速率出现在17:15到17:45之间，正好对应光伏快速退出时段。调峰事件识别模块找出3个深谷事件和2个强爬坡事件，程序运行时间不到10秒。
5.2 成本构成解读
调峰总成本算出来是约310万元/天。拆开看：火电深度调峰成本约占55%，其中煤耗增量占比35%、寿命损耗折算15%、投油助燃5%；启停调峰成本约占15%，这一天有两台300MW机组参与了启停；储能和抽蓄的调用成本约占20%，主要是抽蓄效率损失和电池老化分摊；弃风弃光机会成本占10%，弃电量约180MWh。
这个构成在工程上非常合理。很多研究报告喜欢强调弃风弃光损失，实际算下来占比反而不高，主要原因是我们用低谷边际电价计算机会成本，而不是用标杆电价全额计算。真正的大头还是火电深度调峰——这提醒我们在机制设计时，重点应该放在如何激励火电提供深度调峰灵活性，而不是一味追逐弃电率的数字。
5.3 分摊结果与敏感性分析
按责任分摊法，各主体的分摊结果如下：
| 主体类型 | 发电量占比 | 责任分摊占比 | 按电量平摊占比 |
|---|---|---|---|
| 火电 | 58% | 42% | 58% |
| 风电 | 22% | 31% | 22% |
| 光伏 | 12% | 19% | 12% |
| 抽蓄 | 8% | 8% | 8% |
火电虽然发电量大，但由于其在低谷时段让路、平抑了部分峰谷差，责任分摊占比反而低于电量占比；风电和光伏因为出力与负荷节奏错配，承担了更高的分摊比例。这个结果在向新能源企业解释时，比“一刀切按电量分摊”更容易获得认可——因为它直接回应了“我们凌晨出力是不是增加了系统调峰压力”这个物理事实。
敏感性分析方面，我把新能源渗透率从25%逐步调到45%，发现调峰总成本从310万元/天上升到660万元/天，几乎翻倍；但单位新能源电量的调峰成本（元/MWh）从28元上升到41元，增长的斜率明显放缓。这说明系统存在调峰成本的非线性特征：渗透率越高，风光消纳的边际代价越大，这也是为什么单纯依靠火电灵活性改造解决不了最终问题的原因。
6. 工程化落地的几个坑：数据、口径、结算衔接
6.1 数据口径不一致是最常见的翻车点
我在不同项目里反复吃过头疼的亏：电网给的负荷数据是电网口径（含厂用电和线损），风电场报的出力是场站关口表口径，两者时间基准甚至有时差，直接相减得到的净负荷曲线会出现早晚高峰错位、峰谷差不合理的现象。处理办法是统一使用调度侧SCADA系统的母线负荷数据和新能源场站AGC实际出力数据，时间戳对齐到分钟级后再聚合到15分钟。
另一个容易被忽略的是数据的时间分辨率。用小时级数据算出来的爬坡速率比15分钟级数据小很多，因为小时内的高频波动被平均掉了。如果模型用于辅助服务费用结算，必须用不低于15分钟的数据；只是做宏观分析，小时级可以接受。模型里一定要把时间分辨率作为参数传进去，而不是写死。
6.2 成本参数的可信度直接影响结果说服力
调峰成本量化模型再精细，如果输入的煤耗增量曲线、寿命损耗系数是拍脑袋定的，算出来的结果就是数字游戏。我建议优先从三个渠道取数：一是区域内机组的实际运行试验报告，二是省级电力公司经研院或电科院的技术经济参数库，三是权威期刊里公开的同类机组实测数据。实在拿不到实测值时，我会在代码里把参数设置成可配置项，并且在报告中同时给出“保守参数”和“激进参数”两套结果，把不确定性摆到明面上。
寿命损耗系数尤其要谨慎。它受机组类型、运行年限、检修策略影响极大，我见过同一个系数在不同机组上适用性差异接近一倍。稳妥的做法是设定一个相对较低的基准值，再通过敏感性分析给出一段区间，不要试图用单一数字覆盖所有场景。
6.3 分摊模型要与辅助服务市场规则衔接
调峰成本分摊最终要落到结算凭证上，因此分摊原则必须兼容当地电力辅助服务市场的基本规则。比如某些省份的调峰辅助服务已经实行“按调用量结算”，火电企业提供深度调峰服务按元/MWh获得补偿，新能源企业按发电量分摊费用。这样场景下，我的模型输出可以直接映射为两部分：一是各火电和储能机组的调峰服务提供量（用于计算补偿），二是各新能源场站的调峰费用分摊系数（用于计算扣费）。
还有一点是我的切身体会：模型结果不能“一次算完就交付”。调度运行方式、系统检修计划、新能源装机进度都会影响调峰需求和成本。我把Matlab代码设计成可重复运行的测算工具，每次结算周期结束后重新跑一遍，参数文件独立存放，这样任何政策调整或运行方式变化，都能快速测算对分摊结果的影响。这也是这套代码最大的实用价值——它不是一个一次性研究脚本，而是一个可以长期维护的测算工具。
我在实际使用中还有一个偏好：无论模型多复杂，最后输出给非技术决策者看的一定是那张“谁分摊了多少、为什么”的简明表格。算法上的严谨性用来经得起复核，表达上的简洁才用来推动落地。调峰成本量化与分摊这件事，本质上不是纯数学问题，而是系统运行规律与市场规则之间的桥梁，做扎实了能省下很多机制设计上的争执。
