干过分布式光伏储能项目的人应该都有同感：容量配错了，比设备故障还让人睡不着觉。光伏装多了，午间大发时段往往也是电价被压低的时候，发出来的电卖不上价；储能装小了，光伏大发时没地方存，峰谷价差的收益眼睁睁抓不住；储能装大了，循环次数利用率上不去，每千瓦时容量的购置成本被摊到几十次充放上，照样不划算。于是“配多大的光、配多大的储”就成了决定一个项目能不能赚钱的第一步。
这篇文章聊的是我用Matlab实现的一套基于双层模型的分布式光伏储能优化配置方法，以及跑代码过程中踩过的各种坑。上层做容量决策，下层做运行调度，两层反复迭代，最后给出在项目生命周期内净现值最优的光伏装机功率、储能额定功率和储能额定容量。适合正在做光储配置研究的学生、做园区微电网或用户侧储能规划设计的工程师，以及所有想快速复现一版可跑通代码的同行。
1. 双层优化到底拆掉了什么？
1.1 配置与运行，本来就不是同一个决策问题
很多人第一次接触“光储优化配置”时会觉得奇怪：这不就是一个带约束的优化问题吗，把光伏容量、储能功率、储能容量都设成变量，让目标函数最大不就行了？为什么非要分成两层？
这里面藏着一个关键矛盾：配置方案是“一次性”的长期决策，但它的经济价值要由未来每一天的运行调度行为来决定。举个例子，你给园区配了一组储能，容量是80kWh，那它一年到底能赚多少钱？这不是拍脑袋能算出来的。储能什么时段充、什么时段放、充放多少功率、SOC维持在什么区间，这些运行层面的决策决定了它实际捕捉到多少峰谷价差、提升了多少光伏消纳率。也就是说，容量配置的价值，必须放到“最优运行策略”下才能被正确评估。
反过来也一样：运行策略本身又受容量配置的硬约束。储能只有40kW功率，那午间光伏大发时最多只能按40kW往里充；光伏只装了100kWp，那就算储能再大，午间也没有多余的电可以存。配置给运行提供边界，运行给配置反馈价值。这两个决策层级互相咬合，在数学上就天然构成了一个主从递阶的问题。
1.2 上层定容量，下层定行为：领导者-跟随者结构
双层模型在形式化之后，本质上是一个领导者-跟随者博弈（Stackelberg game）。上层是领导者，决定光伏装机功率、储能额定功率和储能额定容量；下层是跟随者，在给定容量的前提下，安排每个典型日各时段的购电、售电、充放电动作，追求运行成本最小或运行收益最大。
上层每给出一个容量方案，下层就把它当成固定参数，重新求解一次调度问题，返回这个方案对应的最优年运行收益。上层再根据这个收益计算项目的净现值（NPV），判断这个容量方案好不好。如此反复迭代，直到上层搜索到全局最优的容量组合。
这样说可能还是有点抽象。你把它想成装修房子：上层决定买多大的冰箱、几个房间装空调；下层则是在这个前提下调整个家的用电习惯。冰箱买大了，电价低谷时段囤了一堆菜，但平时根本吃不完，电费白花；冰箱买小了，想囤菜的时候装不下，只能每次跑超市。你没法脱离生活习惯去评判冰箱尺寸，更不能脱离冰箱尺寸去谈囤菜方案。
1.3 为什么不用一个超大单层模型
理论上当然可以把两层都塞进一个单层模型。把容量变量、充放电0-1变量、功率平衡约束、SOC递推约束全部摊开，一次性求解一个混合整数规划。但实际操作下来，这种路径在工程上非常难受。
第一，容量变量和运行变量之间往往是乘积耦合，比如“储能放电功率×储能容量”这类项会引入非线性。第二，单层模型的决策变量动不动就是几千个，其中还包括大量的0-1状态变量，商业求解器也未必能在可接受时间内稳定收敛。第三，这种黑箱式的单层表达让工程人员很难做后验分析：到底这个方案是因为光伏收益率不够被淘汰，还是因为储能循环次数太低被淘汰？在双层框架下，上层评价NPV、下层评价运行收益，每一层的问题都相对独立，结果归因非常清楚。
所以我个人的建议是：规划尺度的光储配置问题，首选双层分解。上层用群体智能算法做小规模搜索，下层交给精确求解器做MILP全局求解，各自用各自擅长的工具，这也是目前实际路线上最稳的搭配。
2. 上层：净现值最大化下的光储容量决策
2.1 决策变量与生命周期经济账
上层模型的核心，是回答三个问题：光伏装多少？储能逆变器按多大功率配？储能电池按多大容量配？对应的决策变量就是：
- 光伏额定装机功率 P_pv，单位kWp；
- 储能系统额定功率 P_bess，单位kW；
- 储能系统额定容量 E_bess，单位kWh。
目标函数直接取项目全生命周期净现值最大：
NPV = -C_inv + Σ (R_y - C_om,y) / (1+d)^y + C_res / (1+d)^Y其中，y是年份编号，Y是评估周期（通常取20年左右），d是折现率，C_inv是初始投资，R_y是第y年的运行收益，C_om,y是第y年的运维成本，C_res是期末残值。
初投资这一项拆开看是：
C_inv = c_pv × P_pv + c_pcs × P_bess + c_bat × E_bessc_pv是光伏单位容量造价，c_pcs是储能PCS及配套的单位功率造价，c_bat是电池的单位容量造价。这里有一个容易忽略的点：储能系统造价要拆成功率成本和容量成本两部分，而不是简单给一个“每kWh多少钱”。因为PCS、变压器、电缆这些按功率走，电芯、温控、消防这些按容量走，混在一起会混淆约束。
2.2 折现、收益项与成本项怎么落地
运行收益R_y怎么来？它由下层调度模型返回。但上层拿到的不是一天的收益，而是一年的汇总值。实务中通常先把一年聚类成四季或若干典型日，每个典型日做一次运行优化，再把各典型日的日收益乘以对应的天数权重求和，得到年收益。
折现率d的取值很敏感。我见过不少人用8%，也有用6%的，差别确实不小。给个直观感受：同样一笔年收益10万元，评估期20年，折现率6%时现值约114万元，折现率8%时现值约98万元，差了16万。所以项目内部做收益测算的时候，折现率一定要和财务口径对齐，别今天项目组用7%，明天领导拍板用5%，最后NPV曲线完全不是一个形状。
收益项通常包括三块：
- 光伏自发自用节省的电费，等于光伏实际消纳电量乘以用户侧购电价；
- 余电上网收入，等于上网电量乘以上网电价；
- 储能峰谷套利收益，等于低价时段充电、高价时段放电产生的价差收益，这部分隐含在下层的购售电决策中。
成本项除了初投资，还要考虑每年的运行维护成本。光伏运维一般按初投资的0.5%~1%估算，储能运维会更高一些，因为电池冷却、BMS管理、定期巡检都花钱。还有一笔隐蔽成本是电池衰减，如果模型里完全不考虑储能容量逐年衰退，那NPV会偏乐观，这一点后面算例会特别说明。
2.3 规划层约束：场地、接入容量与投资上限
上层约束不多，但每一个都直接卡死了容量边界，漏掉任何一个都可能跑出“纸面最优、实际装不了”的方案。
第一是安装空间约束。屋顶可安装面积决定了光伏装机的上限，P_pv不能超过可用面积乘以单位面积装机密度。这里要注意，光伏屋顶不能100%全部排满，要留检修通道、避开遮挡物，实际可用系数通常只有0.7~0.85。
第二是并网接入容量约束。园区变压器容量、并网线路载流量都会限制光伏和储能的总充放电功率。最粗暴的做法是限制P_pv和P_bess之和不超过变压器额定容量的某比例，精细一点的还要分方向约束：向上网传输功率和向下购电功率分别限值。
第三是储能能量与功率之比约束。E_bess/P_bess通常在1小时到4小时之间。比值太小，储能变成“大功率小容量”，充不了几分钟就满了，没有什么削峰填谷意义；比值太大，变成“小功率大容量”，电芯长期闲着，利用率偏低，经济上也划不来。
第四是总投资上限。很多项目有投资概算红线，这个直接作为NPV计算之外的硬约束处理就可以。
这层模型在代码里其实很短，真正麻烦的是它每评估一个方案，都要驱动下层跑一遍完整调度，所以上层约束写得松一点，搜索空间变大，计算时间就成倍上升。写法上建议把所有约束都做成函数句柄，方便后面接不同的启发式算法。
3. 下层：典型日调度，把每一度电的收益算明白
3.1 典型日集合怎么选才有代表性
下层不可能把全年8760小时的运行都逐时仿真一遍，那样上层迭代几百次之后计算量会直接爆炸。常规做法是聚类出若干典型日，用少数的代表性曲线近似全年运行特征。
最简单的方案是四季典型日：把每个季节的负荷曲线和光伏辐照曲线分别取平均，得到4条日曲线，春季典型日权重90天、夏季92天、秋季91天、冬季92天。进阶一点的做法是用K-means或者K-medoids对全年的“日负荷-日辐照”向量做聚类，再按每个簇的天数分配权重。
这里有一个很实际的坑：平均出来的典型日曲线会抹掉极端场景。真实项目中，夏季午间光伏满载、傍晚负荷高峰重叠的日子往往决定储能要不要多配，平均曲线把这些尖锐特征平滑掉之后，储能容量会被明显低估。所以我比较推荐按“典型高负荷日、典型高辐照日、典型平均日、典型低负荷日”来手工挑几条场景曲线，再辅以季节权重，这比纯机械平均更贴近工程直觉。
3.2 运行约束：平衡、SOC、充放互斥和电价窗口
给定P_pv、P_bess、E_bess之后，下层在一个典型日T个时段内做调度。决策变量包括各时段购电功率p_buy(t)、售电功率p_sell(t)、储能充电功率p_ch(t)、放电功率p_dis(t)，以及储能SOC状态s(t)，还有一组0-1变量表示充放电状态。
功率平衡约束是每时段的硬约束：
p_pv(t) + p_dis(t) + p_buy(t) = p_load(t) + p_ch(t) + p_sell(t)左边是电力的来源，右边是电力的去向。买电和卖电不能同时发生，实际项目中要么靠物理条件自然避免，要么在建模时加一个0-1变量把两个功率变量互斥掉。我倾向于显式加上，否则遇到某些商业求解器数值异常时，可能出现既买又卖的离谱解。
储能SOC递推是最容易写错的地方。正确写法是：
s(t+1) = s(t) + (η_ch × p_ch(t) - p_dis(t) / η_dis) × Δt / E_bess其中η_ch是充电效率，η_dis是放电效率，Δt是单个时段时长。放电侧要把效率放到分母上，代表“放出去1kWh电，电池内部要消耗1/η_dis kWh”，这个位置反了的话，整个套利收益会被高估。
SOC还要限制在安全区间，比如0.1到0.9之间。这个区间本质上就是储能“可用容量”的定义。如果手里有厂家给的DOD推荐值，直接用DOD代替0.1~0.9也完全没问题，只是别把上下限写成0~1，那会让电池寿命模型失真。
为了不让储能“吃老本”，还要加周期性约束：典型日起始SOC等于结束SOC。这是很多新手漏掉的一步。不加的话，优化器会让储能从1.0开始放，放到0.1结束，白白多出一截容量收益，年化下来虚高很多。有人会问，那真实系统不是每天都可能从不同SOC开始吗？对，所以更稳妥的是让起始SOC本身也成为一个决策变量，所有典型日共享同一个起始值，再让它可调。这样既符合实际，又不会把边界条件变成一个免费充电机。
3.3 从运行收益反推配置方案的真正价值
下层求解完成之后，返回的是这个典型日在给定容量下的最优运行净收益。回代到上层时，这个收益会被解析成一句话：这个容量方案，在全年最典型的运行条件下，能赚多少钱。
这一步是双层模型里价值和意义最大的地方。没有下层运行模型，上层只能靠经验公式估算储能收益，算出来必然不准；有了下层调度，每一个容量方案的经济评价都是“最优运行下的最佳结果”，不会出现“储能挺大，但被闲置了大半年”这种测算和实际脱节的问题。
当然这背后也有一个前提假设：未来每一天都会像这些典型日一样运行，且运行策略完全理性。真实项目当然做不到，所以NPV结果只能作为一个决策参考，而不是合同承诺的数字。理解这个边界，比揪着某个具体数值精确到小数点后两位重要得多。
4. Matlab代码架构：外圈寻优加内圈MILP
4.1 程序模块划分与数据流
我用Matlab实现这版代码时，没有把文件粗暴地堆成一个大型脚本，而是按数据流分成了五个模块。
data_input.m 整理负荷曲线、辐照曲线、电价、设备参数 pso_main.m 上层主循环，粒子群搜索容量组合 lower_solve.m 构建并求解下层典型日MILP模型 cal_npv.m 根据运行收益折算项目全生命周期NPV plot_result.m 绘制调度曲线、SOC曲线、收益分解数据流是单向的：data_input先整理出所有基础参数，pso_main生成一组待评估的容量粒子，逐个调用lower_solve，拿到全年运行收益后交给cal_npv，计算适应度，再反馈给粒子群迭代。画图模块只在全部迭代完成后运行一次，避免算法运行中频繁绘图拖慢速度。
这里要特别说一个经验：数据定义必须集中在data_input，不要散落在各个脚本里。否则后面改一个电价，可能要同时改三个地方，改漏一处跑出来的结果就是整个项目的错误决策依据。
4.2 上层PSO主循环的关键实现
我选的算法是粒子群优化（PSO），原因是它在二维三维问题上的收敛速度快、参数少、实现简单。这类的容量决策问题，决策变量很少，PSO的全局搜索能力并不比遗传算法差，代码还更好维护。
核心循环如下：
% 粒子向量: [P_pv, P_bess, E_bess] particle = pop(i, :); % 调用下层运行模型，得到全年运行收益 [annual_profit, op_detail] = lower_solve(particle, data); % 计算净现值 npv = cal_npv(particle, annual_profit, data); % PSO按最小化处理，所以目标值取负NPV fitness(i) = -npv;有几个细节直接影响收敛质量。一是速度限幅，粒子每次更新的步长不要超过搜索空间宽度的10%，否则容易飞出可行域。二是越界处理，我建议用反射边界而不是直接截断到边界，反射能让粒子在边界附近继续搜索，截断则容易让大量粒子堆在边界上。三是惩罚项，如果粒子违反了我前面说过的面积、并网容量、容量比等约束，直接返回一个很大的负收益值，不要试图把这个粒子强行“修好”，启发式算法的容错能力不需要那么强。
种群规模和迭代次数的搭配也要合理。我试过30个粒子迭代50次，也试过50个粒子迭代30次，效果差不多，总评估次数都在1500次左右。再往上加，计算时间涨得很快，NPV改善却很有限。一般情况下，种群规模30到40、迭代次数40到60，是一个比较经济的工作区间。
4.3 下层Yalmip调度的关键代码
下层模型用Yalmip建模，求解器我用的是商业MILP求解器。Yalmip的写法自带一层抽象，换求解器时不用改模型，这比直接用求解器自带接口舒服很多。下面是单典型日的核心结构：
T = 24; % 1小时分辨率 % 决策变量 p_buy = sdpvar(T, 1); % 购电功率 p_sell = sdpvar(T, 1); % 售电功率 p_ch = sdpvar(T, 1); % 充电功率 p_dis = sdpvar(T, 1); % 放电功率 soc = sdpvar(T+1, 1); % SOC，多一个点给末尾状态 u = binvar(T, 1); % 1表示充电，0表示放电 constraints = {}; % 功率平衡 constraints = [constraints, p_pv_curve * P_pv + p_dis + p_buy == ... p_load_curve + p_ch + p_sell]; % 充放电互斥与功率上限 constraints = [constraints, 0 <= p_ch <= P_bess .* u]; constraints = [constraints, 0 <= p_dis <= P_bess .* (1-u)]; % SOC递推 constraints = [constraints, soc(1) == 0.5]; constraints = [constraints, soc(2:end) == soc(1:end-1) + ... (eta_ch * p_ch - p_dis / eta_dis) * dt / E_bess]; constraints = [constraints, 0.1 <= soc <= 0.9]; constraints = [constraints, soc(1) == soc(end)]; % 周期约束 % 购售电功率非负且不超过变压器上限 constraints = [constraints, 0 <= p_buy <= trans_cap]; constraints = [constraints, 0 <= p_sell <= sell_cap]; % 目标：最小化日购电成本，扣除余电上网收入 objective = sum(p_buy .* price_buy) - sum(p_sell .* price_sell); ops = sdpsettings('solver', 'milp_solver', 'verbose', 0); optimize(constraints, objective, ops);这里p_pv_curve和p_load_curve都是长度为T的归一化曲线，乘以容量后得到实际功率序列。目标函数是“购电成本减去售电收入”，也就是从电网视角看的净支出，把它最小化。这一层的求解结果就是给定容量下这个典型日的最优运行方式。
看代码你会发现，我没有把“光伏自发自用电量的价值”直接写进目标函数，而是通过优化购电量间接体现：光伏发了电，负荷优先用掉，等效减少了购电支出。模型里少一个收益项，就少一个潜在bug，这个思路在工程建模里很重要。
5. 求解器配合与真正容易翻车的建模细节
5.1 Yalmip加商业求解器，不是装个包就能跑
Yalmip只是一个建模语言，真正干重活的是背后那个MILP求解器。我在这个项目里用的是Gurobi，遇到规模特别大的模型时性能优势很明显。如果暂时没有商业求解器，Matlab自带intlinprog也能跑，但双层迭代几百次之后，差距很快就能体会到。
一个值得说的经验是：Yalmip默认参数不一定适合双层循环。你要自己设MIP解的最优间隙，我通常把MIPGap设成0.5%到1%。完全收敛到0不是做不到，而是没必要，规划问题对收益精度的要求远没有采出过程那么高，MIPGap放宽一倍，求解时间经常能缩短到原来的三分之一。
另外，每次optimize结束之后，记得检查求解状态和约束残差。我吃过一次亏，某个典型日因为约束数值问题导致infeasible，上层粒子被直接判死，PSO的群体迅速跑到一个奇怪角落，最后跑出来的“最优解”实际上是个假象。所以每次求解后立刻检查solveps(ops)或model.status，有异常就记录日志，不要盲目信任输出结果。
5.2 充放电互斥、大M与SOC效率的建模陷阱
充放电互斥看起来简单，实际坑很多。上面代码里用u这个0-1变量实现互斥，这是最直观的方式，但如果你把约束写成“p_ch乘以p_dis等于0”这种乘积形式，就会引入非线性，MILP直接变成MINLP，求解时间暴涨。
另一种常见做法是不显式互斥，靠目标函数天然抑制。比如充电成本为正、放电收益为正，同是充电合理时段电价低、放电合理时段电价高，优化器自然没有同时充放的动机。但如果模型里没有明确的电价差，或者效率接近1，数值上就可能出现“充了又放”的病态解。我的做法是：显式加0-1互斥约束，即使多花一点求解时间，也要保证解物理可解释。
SOC递推里的效率位置也是重灾区。充电效率0.95、放电效率0.95，看起来差不多，但如果你把t+1时刻SOC写成“soc(t+1) = soc(t) + (p_ch * η - p_dis * η) * Δt / E”，那么放电时内部消耗同样被压缩了，等于免费得到了一部分损耗，套利收益会明显偏高。我在复盘时发现，效率摆放错误能让储能年收益虚高15%左右，这个误差在项目投资测算里足以改变“做不做储能”的决策。
5.3 双层迭代慢、结果振荡的排查思路
双层迭代最常见的问题是：同一组容量配置，每次跑出来的NPV不一样；或者迭代很多代，最优解还在跳来跳去。这两类问题原因不同，排查思路也不同。
NPV不一致，优先查下层求解器的数值稳定性。MILP有时候会因为MIPGap设置过松，返回一个次优解，两层结果自然漂移。解决办法是收紧MIPGap，或者对同一配置做二次求解，取更优的那个结果再做适应度评价。
最优解来回振荡，优先查PSO的参数和约束惩罚机制。惩罚过大，粒子在不可行域边缘被强拉回来，容易产生锯齿；惩罚过小，粒子会长期在不可行域里乱飞。我的做法是在约束违反量上做一个温和的二次惩罚：违反得越多，fitness惩罚越大，但不直接一票否决。几种方案跑下来，收敛曲线的平滑度比硬惩罚好很多。
还有一个隐蔽问题：初始SOC的周期约束和SOC上下限放一起时，有可能把可行域压缩得很小。比如起始SOC被约束等于末尾SOC，上限0.9、下限0.1，看起来没问题，但如果储能容量很小，一个时段能充放的量有限，某些典型日可能压根不存在可行解。出现这种情况，要回到模型层去看是不是容量比约束太紧，而不是一味怀疑粒子群算法。
5.4 SOC初值、充电效率和储能寿命损耗的取舍
在初版代码里，我建议先用“充放效率恒定、容量不衰减”的简化模型跑通整个框架。等结果可信了，再加两层进阶细节：
一是引入年衰减。光伏组件每年衰减0.5%左右，储能可用容量每年衰减1%~2%，在cal_npv里对年收益乘以衰减因子就行，不需要改动下层优化模型。
二是引入储能寿命损耗。完整做法是用雨流计数法统计循环深度和循环次数，再折算电池寿命消耗，但这个对规划模型来说太重了。工程上可以用平均等效循环次数估算：假设储能每天一充一放，DOD按80%，查到对应DOD下的循环寿命，就能粗算储能多少年需要更换，把更换成本摊入对应年份。算例里如果完全不考虑更换成本，储能容量容易配得偏高，这一点要特别小心。
6. 一个可复现算例：参数、结果与调参心得
6.1 一个虚构园区的边界条件
为了让上面的模型落地，我给一个演示算例。警告写在前面：所有数据都来自虚构场景，不代表任何特定地区或产品，但计算逻辑和配置结果是完整的。
- 某园区日负荷峰值约420kW，日用电量约5000kWh；
- 屋顶可安装光伏面积折算上限为150kWp；
- 光伏单位造价3500元/kWp，年有效利用小时数按1050h测算；
- 储能PCS单位造价700元/kW，电池单位容量造价1100元/kWh；
- 分时电价：峰时段8:00-11:00、17:00-21:00执行1.0元/kWh，平时段12:00-16:00、22:00-23:00执行0.65元/kWh，谷时段0:00-7:00执行0.32元/kWh；
- 余电上网电价0.43元/kWh；
- 评估周期20年，折现率6%，储能系统初投资在第8年做一次容量衰减后的补充维护，简单按2万元计入运维；
- 光伏年衰减0.5%，储能可用容量年衰减1%。
这个边界条件很常见，如果读者有自己的项目参数，直接替换data_input里的数值即可。
6.2 最优配置结果与收益拆解
我在上述条件下跑完整套双层模型，最优结果落在：
- 光伏装机 120kWp；
- 储能功率 40kW；
- 储能容量 80kWh；
- 项目NPV约47万元；
- 静态回收期约5.7年。
光伏年发电量约126000kWh，其中约80%被园区负荷直接消纳，按0.8元/kWh左右的综合替代电价计算，年收益约9.1万元；剩余20%余电上网，按0.43元/kWh计算，年收入约1.1万元。储能按每天一充一放，40kW/80kWh的配置在峰谷价差0.68元/kWh下，扣除充放损耗后年套利收益约1.1万元。三项合计年运行收益约11.3万元，扣除运维费用和逐年衰减后，年净收益约9万元。
这个结果最有说服力的地方在于：并不是装到150kWp上限就最好。我把P_pv硬推到150kWp做了一组对比，新增的30kWp光伏发电量里，自发自用比例从80%掉到65%左右，差不多一半的新增电量只能按0.43元/kg上去上网，收益反而被拉低，NPV比120kWp方案少了约8万元。这正是“容量配置需要优化，而不是按边界上限拍脑袋”的最好例证。
6.3 调参经验：怎样避免“看似最优，实际不可行”
跑完这版算例之后，有几条调参经验我觉得比模型本身更值钱。
第一，典型日曲线至少要包含一个“光伏大发+负荷低谷”的极端场景。我发现如果只用四季平均曲线，储能容量会明显偏小，因为平均相把午间光伏和傍晚负荷错开的过程给平滑掉了，储能削峰填谷的作用被削弱，最优容量自然就降下来了。把这个极端场景加入典型日集合后，储能最优容量从60kWh变成了80kWh，这个差异不是小数目。
第二，上层每次评估完都要保存一个日志文件。这个日志里记录每个粒子的容量、下层是否可行、运行收益、NPV，以及这个粒子违反了哪条约束。没有日志的情况下，PSO收敛到一个奇怪结果，你都不知道是算法问题还是下层模型问题。有日志之后，几分钟就能定位是哪个粒子、哪个典型日导致的跳变。
第三，和NPV结果做一次手工粗算对拍。比如算例跑出年净收益9万元，你可以手工快速估计：120kWp光伏，年发电约12.6万度，自用算9万度按0.8元，上网属于3.6万度按0.43元，储能套利算1万出头，加起来也差不多在这个数量级。如果程序输出和手工粗算对不上，八成是模型里某个效率、权重或者收益项重复计算了。这个习惯能拦住大部分隐蔽的代码bug。
第四，对“最优结果”要做参数敏感性测试。我把储能电池造价从1100元/kWh调到900元/kWh，最优储能容量就从80kWh跳到了120kWh；再把峰谷价差从0.68元调到0.5元，储能直接大幅缩水。这说明在当前边界下，储能容量对造价和价差极其敏感。做项目决策时，不能只报一个“最优值”，要把价格波动下的容量区间一起报出来，这才是一个让人放心的结果。
7. 从双层模型继续延伸的几条路
7.1 双层转单层：KKT、强对偶与互补线性化
有人会问，双层迭代每次都要跑几百次MILP，能不能用KKT条件把下层替换掉，直接转成一个大规模单层问题？这个思路在理论上完全成立，做法是把下层调度问题的KKT条件作为约束塞进上层，再通过Big-M法把互补松弛条件线性化，变成一个大MILP。
但我在实际使用中有一个比较清醒的结论：单层化之后的模型规模通常比原问题大一个数量级，大M系数也容易把求解器数值搞差。对于2到3个决策变量的规划问题，双层迭代已经很快了，单层化反而得不偿失。只有当上层决策变量很多、又需要精确全局最优时，单层化才有明显优势。对大多数光储配置场景，我的建议是老老实实用双层迭代，把时间花在调价格参数上，收益更大。
7.2 不确定性、储能寿命和更细时间粒度
上一版模型的光伏出力和负荷都来自典型日曲线，是确定性假设。实际运行中，光伏有云层波动，负荷有临时大设备启动，这些不确定性会影响储能的真实收益。更稳的做法是引入多场景随机优化：生成几十组光伏和负荷场景，下层在每个场景下分别做调度，收益取期望值。这样上层选出来的容量方案对不确定性有整体宽松的边界，不至于因为某一条“美好典型日”而过度乐观。
时间粒度方面，一小时分辨率对容量配置来说基本够用。如果想把研究做到秒级/分钟级的功率波动，或者考虑PV逆变器无功调节，那就要把下层细化到15分钟甚至5分钟，但这时决策变量和约束数量会大幅膨胀，求解时间也会跟着成倍增长。规划问题不是越细越好，合适就好。
还有一个我非常推荐加的方向：如果把光伏、储能放到一个多节点的配电网环境里，而不是集中在单母线上，那下层模型要增加潮流方程和电压约束。DistFlow线性化是一个不错的选择，和本框架的耦合也很自然，把下层从“单点调度”扩展成“网络调度”，配置结果才真正符合分布式项目的物理边界。
7.3 给正在写代码的人一句实在建议
整套代码跑通之后，我最大的体会是：双层模型这个技术栈本身并不难，难的是把经济参数、物理约束和算法参数之间的边界切割清楚。上层算法的好坏只能决定你花了多少时间找到最优解，下层模型和经济参数的准确程度才真正决定那个“最优解”到底是不是最优。
如果你正打算复现这套东西，不要急着把代码写得很长。先把数据文件整理好，把单个典型日的MILP跑通，再串PSO循环。等上层迭代出结果，第一件事不是看那个漂亮的NPV数字，而是拿笔算一遍，看看光伏年收益、储能套利收益分别占多少，是不是符合直觉。只有能解释清楚每一笔收益来源的模型，才是真正可用的模型。
