1. 为什么要单独研究旋转备用出清
1.1 旋转备用在电力市场里的角色
做电力市场出清模型的朋友应该都有体会，能量市场大家做得很多，但真正把辅助服务一起纳入联合优化的时候，问题就开始复杂了。旋转备用（Spinning Reserve）是所有辅助服务品类里最特殊的一个，它要求机组处于同步运行状态，能够随时响应调度指令，在规定时间内完成出力调整。也就是说，不是所有机组都有资格提供旋转备用，你停机了就是停机了，冷备用、热备用都无法替代旋转备用的实时响应能力。
那为什么要把旋转备用单独拿出来做市场出清模型？核心原因在于，旋转备用的成本结构和能量不同。能量市场的报价反映的是发电变动成本，而旋转备用一旦被调用，机组就失去了在能量市场出售这部分电量的机会，这个损失叫作机会成本。更麻烦的是，旋转备用的容量占用和能量出清互相耦合——一台机组如果把自己的容量全部报给能量市场，它就没有办法再提供备用；反过来，预留了备用容量，就压缩了它在能量市场的竞价空间。所以主辅助服务市场出清绝不是一个简单的“能量一个场、备用一个场”的独立问题，而是需要在一个统一框架下联合优化。
我接下来说的这套Matlab代码实现，解决的就是这个联合出清问题。它把能量市场出清与旋转备用市场出清合并进同一个优化模型，用线性规划求解，最终同时得到机组出力计划、备用容量分配、能量出清价和备用容量出清价。这套模型在学术研究中很常见，也是目前国内电力现货市场“电能量+辅助服务”联合出清的基本思路之一，适合电力市场方向的研究生、售电公司分析人员以及电网调度侧做市场规则验证的工程师参考。
1.2 联合出清与顺序出清的取舍
先聊一个每个做辅助服务出清的人都会面对的问题：到底是顺序出清还是联合出清？
顺序出清很简单，先跑能量市场，跑完拿到机组出力和边际电价，再根据结果安排备用容量。这种方式的优点在于规则清晰、计算拆分，缺点是能量市场出清结果未必给备用留出足够的容量空间。极端情况下可能出现能量市场把某台大机组的容量全部用满，到了备用市场发现系统旋转备用不足，再回头强行压低能量市场出清结果，造成二次调整和不公平的结算。
联合出清则把能量和备用放进同一个目标函数里，让优化器来自动权衡“发一度电”和“留一兆瓦备用”哪个更有价值。从数学本质上讲，联合出清是在满足负荷平衡、备用容量需求、机组出力上下限等全部约束的前提下，求总购电成本最小化。这样处理的好处是，备用容量占用不会凭空消失，它在目标函数里天然抬高了机组的综合边际成本，出清价格能够更真实地反映系统资源稀缺性。
我个人的观点是，研究阶段优先做联合出清模型，它更贴近“市场出清”这个词的本质。等联合出清的代码跑通了，再去对比顺序出清的结果，你会非常直观地看到两种机制对机组备用分配和价格的影响差异。这也是很多论文的标准做法。
2. 出清模型的数学表达
2.1 目标函数设计思路
旋转备用出清模型的目标函数，我在项目里用的是这样一个形式：
在实际建模中，我假设所有机组在出清时刻都处于运行状态，因此目标函数只包含两部分：能量费用和备用容量费用。能量费用用机组的能量报价曲线（通常近似为分段线性函数）乘以出力计算；备用容量费用用备用报价乘以备用容量计算。
目标函数可以表达为：
[ \min \sum_{i=1}^{N} C_i(P_i) + \sum_{i=1}^{N} R_i \cdot RC_i ]
其中：
- (P_i) 是机组 i 的有功出力
- (C_i(P_i)) 是机组 i 的能量成本函数，简化为线性函数 (C_i(P_i) = a_i P_i + b_i u_i)
- (R_i) 是机组 i 提供的旋转备用容量
- (RC_i) 是机组 i 的备用容量报价
为什么用线性函数而不是二次函数？这是我在实际项目中踩过的一个选择点。线性规划求解效率高、收敛稳定，出清价格信息提取非常方便——对偶乘子就是价格。二次规划虽然能更精细地反映机组煤耗曲线，但求解速度和数值稳定性都要差一些，而且对于市场出清模型，分段线性报价更接近真实市场规则。国内电力现货市场目前采用的分段报价机制，本质上就是线性化处理。
2.2 约束条件逐条拆解
模型的核心约束，我在代码里写全了这样几条：
第一条是系统功率平衡约束：
[ \sum_{i=1}^{N} P_i = D ]
D 是系统总负荷。这个约束的拉格朗日乘子，就是系统能量的边际价格——也就是我们常说的系统能量出清价（SMP，System Marginal Price）。很多做市场分析的朋友问我出清价到底怎么从模型里拿，答案就在这条约束的对偶变量里。
第二条是旋转备用容量需求约束：
[ \sum_{i=1}^{N} R_i \geq R_{req} ]
(R_{req}) 是系统所需旋转备用容量。旋转备用需求怎么定？工程实践里比较通用的做法是按“最大单机容量”设定，也就是系统需要保证任何一台机组跳闸后，剩余旋转备用仍然能满足负荷需求。也有的规则按系统峰值负荷的某个百分比（比如5%~10%）设定。在代码里我把 (R_{req}) 设成参数，方便不同场景切换。
第三条是机组出力与备用容量耦合约束：
[ P_i + R_i \leq P_{i,\max} ]
[ P_i \geq P_{i,\min} ]
[ 0 \leq R_i \leq R_{i,\max} ]
这里最关键的是 (P_i + R_i \leq P_{i,\max})。它表达的是物理事实：一台机组的出力加上它预留的备用容量，不能超过机组的最大技术出力。这个约束直接体现了“能量和备用竞争同一块容量”的本质，也是联合出清和顺序出清结果差异的主要来源。
第四条是旋转备用响应能力约束：
[ R_i \leq r_{i,10} \cdot 10 ]
这表示机组提供的旋转备用量必须在10分钟内能够完全响应（即满足10分钟爬坡速率约束）。如果机组爬坡速率很快，这个约束自然松弛；如果机组爬坡慢，即使有富余容量也不能提供同样多的备用。这是旋转备用区别于其他备用品种的重要约束，很多初学做模型的人容易漏掉。
2.3 旋转备用价格怎么算
能量出清价的提取上面说了，取功率平衡约束的对偶乘子。备用容量出清价格则要取备用容量需求约束的对偶乘子。
值得特别注意的是，当备用容量需求约束紧（即 (\sum R_i = R_{req})）时，备用价格等于边际机组提供一单位备用的边际成本；而当备用容量充裕、约束松弛时，备用出清价格会趋向于零。这不是模型bug，而是市场实际的反映——备用不缺的时候，额外的备用容量不会产生价值。
另外还有一个容易被忽略的细节，就是能量价格与备用价格之间的联动关系。为什么备用价格很少等于备用报价？因为那些同时处于能量出清边际的机组，多提供一单位备用就意味着少发一单位电，这部分能量收益损失必须通过备用价格补偿。这就是为什么很多文献强调，旋转备用的完整成本应该包含“运行成本增量 + 机会成本”两个部分。我建议在代码求完价格后，把每台机组的机会成本单独算出来，你会看到它和备用出清价格之间高度相关。
3. Matlab代码实现落地
3.1 建模工具选型
Matlab做优化建模，我在这个项目里用的是Yalmip+gurobi的组合方案。纯新手可能对Yalmip比较陌生，我稍微解释一下：Yalmip是Matlab下一个免费的开源建模工具，它把线性规划、整数规划、二次规划等不同类型的问题统一成一套建模语法，底层再调用不同的求解器，比如gurobi、cplex、mosek等。
用Yalmip有几个好处。第一是建模速度快，它允许直接用符号变量定义优化变量，写约束的方式和数学表达式几乎一一对应，调试起来非常方便。第二是换求解器成本低，同一套代码，在gurobi和cplex之间切换只需要改一行设置。第三是拿对偶乘子方便，yalmiptime里提供了dual(constraint)接口，直接提取约束对应的拉格朗日乘子，不需要手动翻译KKT条件。
不过有一点我要提醒，Yalmip安装后一定要自己装一个求解器，它本身不包含求解功能。如果用的是sedumi或linprog也能跑小算例，但速度太慢，商用问题建议还是gurobi或cplex，有学术license免费申请。
3.2 核心代码框架
下面这段是模型的核心实现，我省略了数据读取和结果绘图部分，保留最关键的建模段。代码里机组数量、负荷数据、备用需求这些都是按矩阵和向量组织的，方便扩展到更大规模的系统。
%% 旋转备用联合出清模型 % 决策变量: P_i 出力, R_i 备用容量 % 目标: 能量成本 + 备用容量费用最小化 % 求解器: gurobi via yalmip % 基础数据（3机系统示例） Pmax = [100; 150; 200]; % 最大出力 MW Pmin = [20; 30; 40]; % 最小出力 MW a = [0.20; 0.25; 0.18]; % 能量报价 元/MWh b = [50; 60; 55]; % 空载成本 元/h RC = [30; 35; 28]; % 备用容量报价 元/MWh Rmax = [50; 60; 70]; % 最大可提供旋转备用 MW ru10 = [6; 8; 10]; % 10分钟爬坡速率 MW/min D = 300; % 系统总负荷 MW Rreq = 100; % 旋转备用需求 MW % 定义优化变量 P = sdpvar(3, 1); R = sdpvar(3, 1); % 目标函数 Objective = a'*P + b'*ones(3,1) + RC'*R; % 约束 Constraints = []; % 功率平衡 Constraints = [Constraints, sum(P) == D]; % 旋转备用需求 Constraints = [Constraints, sum(R) >= Rreq]; % 机组出力上下限 Constraints = [Constraints, P >= Pmin]; Constraints = [Constraints, P <= Pmax]; % 出力和备用耦合约束 Constraints = [Constraints, P + R <= Pmax]; % 备用上下限和爬坡约束 Constraints = [Constraints, R >= 0]; Constraints = [Constraints, R <= Rmax]; Constraints = [Constraints, R <= ru10 * 10]; % 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 0); optimize(Constraints, Objective, ops); % 提取结果 P_result = value(P); R_result = value(R); energy_price = dual(Constraints(1)); % 功率平衡约束对偶乘子 reserve_price = dual(Constraints(2)); % 备用需求约束对偶乘子 fprintf('能量出清价: %.2f 元/MWh\n', energy_price); fprintf('备用容量出清价: %.2f 元/MWh\n', reserve_price); fprintf('各机组出力: '); disp(P_result'); fprintf('各机组备用: '); disp(R_result');这段代码虽然短，但已经把上面数学模型里的每一个约束都实现了。我特别说一下约束矩阵的索引问题：在Matlab代码里我用Constraints(1)指向功率平衡约束，用Constraints(2)指向备用需求约束。这里有个坑——如果你在约束定义过程中临时改变了约束声明顺序，索引就会对不上。所以我一般建议在约束写完之后，用assign或直接打印Constraints来核对顺序，不然拿到的对偶乘子可能张冠李戴。
3.3 算例与参数设置
我测试用的是3机系统，目的就是快速验证模型逻辑，数据设计也有讲究：
- 1号机组：最大100MW，能量报价0.20元/MWh，备用报价30元/MWh，属于典型高成本小机组
- 2号机组：最大150MW，能量报价0.25元/MWh，备用报价35元/MWh，典型中间层
- 3号机组：最大200MW，能量报价0.18元/MWh，备用报价28元/MWh，明显是经济型大机组
负荷D取300MW，备用需求Rreq取100MW。这个备用需求不是拍脑袋设的，按N-1准则近似，当最大机组200MW时取50%作为需求，也可以认为系统要求提供最大机组一半容量的旋转备用；实际调度中取100MW比较符合中小型测试系统的常见设定。
运行代码后会看到，3号机组由于能量报价最低，会优先加载出力；1号和2号机组再根据各自的备用报价情况承担备用任务。具体的出力分配要看优化结果，因为备用容量报价在目标函数里直接和能量报价竞争，不同报价组合会得到完全不同的分配结果。
建议读者拿到代码后，试着改三组场景：
- 把备用需求从100MW提高到180MW，观察出力计划和备用计划的重新分配
- 把1号机组的备用报价从30降到10，观察1号机组是否会从“纯出力”变成“大量备用”
- 把负荷提高到400MW，此时系统资源变得紧张，观察能量出清价和备用价格的变化幅度
实测下来，第2种场景最能体现联合出清的耦合效应：报价调整后，1号机组的出力可能会下降，把容量让给备用，而3号机组则补上出力的缺口——这就是容量在能量和备用之间再分配的过程。
4. 仿真结果分析
4.1 看什么指标
模型跑完，很多人拿到结果不知道先看什么。我通常按这个顺序来分析：
第一步看出力计划是否合理。每台机组的出力是否在上下限内，是否出现了某台机组出力非常低却承担大量备用的“割裂”情况。如果出现这种情况，往往不是模型错了，而是备用报价太低，优化器发现让这台机组多发备用、少发电更加经济，此时要额外检查它申报的备用容量是否匹配机组的实际爬坡能力。
第二步看备用分配结果。备用容量应该优先分配给备用报价低、且爬坡速率满足要求的机组。如果结果里出现了备用报价高但被大量调用、备用报价低反而不调用的情况，大概率是约束设置有问题，重点检查耦合约束 (P_i + R_i \leq P_{i,\max}) 是否写成了 (P_i \leq P_{i,\max}) 和 (R_i \leq R_{i,\max}) 两条独立约束。
第三步也是最关键的一步，看两个出清价格。能量出清价反映的是系统边际能量成本，备用容量出清价反映的是系统边际备用成本。可以对比这两个价格和机组报价的关系：正常情况下，出清价会落在一个合理区间内，不会低于所有报价，也不会远高于报价上限。如果你发现备用价格波动非常剧烈，试试看备用需求约束是不是处于“临界紧”状态——即约束刚好等于需求，任何微小参数变化都会导致对偶乘子跳变。
第四步，有条件的话做灵敏度分析。我项目里会固定负荷不变，从80MW到150MW循环改变备用需求，画出备用价格和能量价格的曲线。这条曲线能非常直观地告诉你，系统备用资源是在哪个节点开始变稀缺的。价格拐点对应的备用需求值，就是系统备用容量的价值边界，也是市场规则设计者关心的关键参数。
4.2 结果合理性校验
模型结果合不合理，除了看数值范围，还要做一套基础校验。我在代码里加了一个自检函数，包括：
- 功率平衡校验：(|\sum P_i - D| < epsilon)
- 备用需求校验：(\sum R_i \geq R_{req})
- 机组限幅校验：(P_{i,\min} \leq P_i \leq P_{i,\max})
- 容量耦合校验：(P_i + R_i \leq P_{i,\max})
- 爬坡校验：(R_i \leq ru_{i,10} \cdot 10)
这些校验如果有一项不满足，就要回头检查约束定义。特别提醒一点，Yalmip给的是数值解，浮点误差是存在的，所以校验时不要用严格等号，要设置一个1e-6级别的容忍度。
另外，价格合理性需要结合经济学的直觉来检查。如果能量出清价明明很高，备用价格却非常低，说明备用约束很不紧，备用资源充裕；反之，如果备用价格高于多台机组的备用报价上限，说明备用需求设置可能超出了系统物理能力，建议下调需求或放开部分机组的备用上限。
5. 常见问题与排查实录
5.1 Yalmip建模报错
我见过的初学者错误里，最高频的是优化变量维度和数据矩阵维度不匹配。比如sdpvar(3,1)定义的是列向量，但后面用行向量加载数据，某些约束运算会直接报维度错误。这个问题解决起来最简单——在定义变量和数据后，在求解前加一行size(P)和size(Pmax)，肉眼核对维度。
第二个高频问题是约束列表拼接方式错误。正确拼接方式是：
Constraints = []; Constraints = [Constraints, sum(P) == D]; Constraints = [Constraints, P >= Pmin];注意这里用的是英文逗号或者空格，不是分号。如果用了分号，Constraints会变成一个矩阵而不是一个约束列表，后续optimize函数无法正常解析。这个问题报错信息不太直观，往往是“Index exceeds array bounds”这类让人摸不着头脑的提示，我一开始也被坑过。
5.2 模型不可行怎么排查
模型不可行（infeasible problem）是出清模型里另一个高频问题。根源通常是约束之间互相矛盾。
最常见的情况是负荷和备用需求加起来超过了系统总容量。比如本算例中总最大出力是450MW，如果你设负荷350MW加上备用需求150MW，合计500MW，模型必然无解（除非允许机组全部满载且备用为0，但那样备用约束又不满足）。
解决办法是把模型改成可诊断的格式。Yalmip里有个非常实用的工具，叫optimize的第三个返回值：
diagnostics = optimize(Constraints, Objective, ops); if diagnostics.problem ~= 0 disp('问题诊断:'); disp(diagnostics.info); enddiagnostics.info会给出求解器返回的具体问题类型。如果是不可行，可以用gurobi的 IIS（Irreducible Infeasible Subsystem）功能，我自己的检查方法是逐步注释掉约束，跑一次模型，看看注释掉哪个约束之后模型变得可行——这个约束十有八九就是矛盾源。
5.3 数值问题与求解器参数
第三个故障点是数值稳定性问题。当机组的成本系数数量级差异很大时（比如一个0.01，一个5000），gurobi求解过程中可能出现数值警告甚至错误结果。我在这个模型里就遇到过，备用报价从20元到500元不等，能量报价从0.15元到0.9元，量级差异还不算特别大，但扩展到几百台机组时很容易出问题。
两个应对方法。一是数据归一化，把成本系数统一到同一个数量级；二是在sdpsettings里开启更好的数值处理选项：
ops = sdpsettings('solver', 'gurobi', 'gurobi.NumericFocus', 2, 'gurobi.ScaleFlag', 2);另外Yalmip默认使用的求解容差是1e-6，如果模型规模较大，可以放宽到1e-4或1e-3，能有效减少无意义的微小迭代。我实测中，小模型用1e-6没问题，但扩展到100台机组以上，容差太紧可能让求解时间成倍增加。
5.4 对偶乘子提取失败
Yalmip里提取对偶乘子需要特别小心一点：必须保证优化问题存在唯一最优解，并且约束引用正确。
如果提取出来是NaN，多半是问题求解失败或者是非凸问题。旋转备用出清模型我按线性规划写，理论上一定收敛，但如果数据里有非线性表达式（比如把成本写成二次函数、又把备用约束写成非线性），Yalmip可能会调用非线性求解器，此时对偶乘子就不一定可靠了。
建议所有对偶分析都基于线性模型完成。如果确实需要二次成本函数，优先考虑用分段线性逼近，而不是直接求解二次规划——前者在出清价提取上更规范。
6. 模型扩展方向
这套基础模型跑通之后，有两条扩展路径比较推荐。一条是引入机组启停状态（即把0-1整数变量加进去，变成混合整数规划MILP），这样可以研究“启停备用”与“旋转备用”的分层协调问题。另一条是引入网络安全约束（直流潮流约束），把模型从单节点扩展为多节点网络，这时候备用出清价就会带上位置信号，形成分区域的备用价格。
我个人在实际操作中更推荐先做第二条扩展，因为电力市场的空间维度是躲不开的。单节点模型虽然学术上方便，但现实中“本地备用”和“全网备用”的价值差异非常大，如果忽略线路传输约束，容易低估局部尖峰负荷地区的备用稀缺性。加入直流潮流约束的思路也很直接，就是把每一台机组和每一个负荷映射到节点上，再增加线路传输容量约束。Yalmip对这类多节点直流潮流建模支持得很好，你只需要提前把节点导纳矩阵和线路功率传输分布因子矩阵算好，剩下的就是拼接约束。
做扩展时还有个体会：不要一上来就把模型做得很复杂。先把单节点线性模型的结果吃透，画出出力分配图和价格曲线，理解了每个参数对结果的影响，再逐步增加复杂度。否则模型出了问题，你可能都不知道是物理约束错了还是网络数据错了。这个经验适用于所有做优化建模的朋友。
以后如果要接论文或者项目结题，可以在模型基础上补充时序联动的细节，比如96点时段的滚动出清，以及备用市场与调频市场的联合出清。核心建模逻辑都一样，只是约束数量和变量维度变大，代码框架不需要推倒重来。
