4. 优化调度通用数学基础

储能优化调度本质上是一个“在有限时间内，把有限的充放电能力分配到最合适的时段”的数学决策问题。要把它写成计算机能求解的形式，必须先把物理语言翻译成数学语言：哪些量可以自由决定，哪些量必须满足物理与运行规则，最终要最大化或最小化什么。这一节围绕这组翻译规则展开，并说明不同数学形式在储能调度中的实际角色。

一、决策变量：调度方案的自由度在哪里

决策变量是优化模型真正“求解”的对象。储能调度中最核心的决策变量是每个时段的充电功率 P_ch[t] 与放电功率 P_dis[t]，以及由它们累积得到的荷电状态 SOC[t]。若调度周期为 24 个时段、步长 1 小时，则 t = 1…24，共 48 个功率变量加 24 个状态变量。

除功率外，还有一类“开关型”决策变量，例如表示第 t 时段是否处于充电状态的 0-1 变量 u_ch[t]，以及是否处于放电状态的 u_dis[t]。它们不表示功率大小，而表示“状态是否发生”，这正是混合整数规划出现的原因。若还要决定储能是否参与某类辅助服务、是否启用某一套充放电策略，同样用 0-1 变量表达。

需要强调的是，SOC 通常不作为独立自由变量，而是由功率通过能量平衡关系推导出来：

SOC[t] = SOC[t-1] + (η_ch · P_ch[t] · Δt - P_dis[t] · Δt / η_dis) / E_rated

其中 η_ch、η_dis 分别为充放电效率，E_rated 为额定容量。这样 SOC 就成为功率变量的函数，模型规模更小，物理含义也更清晰。

二、目标函数：调度到底在优化什么

目标函数决定调度结果的“性格”。储能调度常见目标有三类：一是经济性目标，如最小化购电成本或最大化套利收益；二是技术性目标，如最小化弃风弃光、最小化功率波动；三是复合目标，把多项指标加权求和。

以峰谷套利为例，目标函数可写为：

min  Σ_t [ price[t] · (P_load[t] - P_dis[t] + P_ch[t]) · Δt ]

若同时考虑电池老化，可加入循环损耗项，例如按吞吐量折算的衰减成本 c_deg · (P_ch[t] + P_dis[t]) · Δt。此时目标函数从单纯电费最小化，变为“电费 + 寿命成本”的联合最小化，这也是储能寿命约束优化调度区别于普通经济调度的关键。

三、约束条件：把物理规律和运行规则写进模型

约束条件决定调度方案的可行性。储能调度中最基本的约束包括：

• 功率上下限：0 ≤ P_ch[t] ≤ P_ch_max，0 ≤ P_dis[t] ≤ P_dis_max；
• SOC 范围：SOC_min ≤ SOC[t] ≤ SOC_max，通常 SOC_min 取 0.1～0.2，SOC_max 取 0.9～0.95；
• 充放电互斥：P_ch[t] ≤ M · u_ch[t]，P_dis[t] ≤ M · u_dis[t]，u_ch[t] + u_dis[t] ≤ 1；
• 周期首末平衡：SOC[0] = SOC[T]，避免调度周期结束后电量被“掏空”或“灌满”；
• 功率平衡：P_grid[t] = P_load[t] - P_dis[t] + P_ch[t]，并满足并网点功率限制。

其中 M 是一个足够大的常数，用于把 0-1 变量与连续功率变量关联起来。若 M 取值过大，松弛会变松、求解变慢；取值过小，则可能误删可行解。工程上常取 M = P_ch_max 或 P_dis_max，而不是随意取一个很大的数。

四、三类数学形式在储能调度中的角色

线性规划（LP）适用于目标与约束均为线性的场景，例如固定电价下的功率分配，求解快、易获得全局最优。混合整数线性规划（MILP）在 LP 基础上引入 0-1 变量，能表达充放电互斥、启停、分段等逻辑，是储能调度最常用的形式。非线性规划（NLP）用于处理效率随功率变化、寿命衰减非线性等情形，但求解难度大、易陷入局部最优。凸优化则介于两者之间：若能把非线性关系转化为凸形式，就能兼顾表达能力和全局最优性。

图中把模型拆成三层：决策变量层给出自由度，目标函数层给出偏好，约束条件层给出边界。三者共同决定最终调度曲线。实际建模时，建议先写清决策变量，再写目标函数，最后逐条补约束，避免“边写边改”导致变量定义混乱。

五、从数学形式到可执行模型：一个最小示例

假设某储能额定容量 100 kWh，最大充放电功率 50 kW，η_ch = η_dis = 0.95，SOC 范围 0.1～0.9，分时电价在 0.3～1.2 元/kWh 之间波动。若采用 MILP 建模，决策变量为 24 个 P_ch、24 个 P_dis、24 个 u_ch、24 个 u_dis，共 96 个变量；目标函数为 24 项购电成本之和；约束包括上述功率、SOC、互斥和首末平衡。用开源求解器 CBC 或 GLPK 即可在秒级得到结果。

若把效率改为随功率变化的曲线 η(P)，模型就从 MILP 变为 NLP。此时可先对效率曲线做分段线性化，把每段斜率作为新的连续变量，再引入 0-1 变量选择分段，从而把 NLP 近似为 MILP。这是工程上处理非线性储能特性的常用手段：用精度换求解稳定性。

六、建模检查清单