非居民自建共享储能与蓄热式电采暖的冬季日前优化调度MILP建模

先说明一下我理解这个题目的背景。“非居民自建共享储能”、“含蓄热式电采暖用户”、“冬季日前优化调度”，这几个词叠在一起，初看像是三个独立问题，实际上是一个典型的多能互补场景：非居民用户要交电费、要供暖，想通过自己投资的储能降低成本，又不想一台储能只服务自己导致利用率太低，于是把容量共享给同台区其他用户；同时电采暖不是普通电暖气，而是带蓄热罐的蓄热式系统，能在谷电时段把热量“存起来”到峰段放热。冬季日前调度，就是在知道次日负荷、电价和天气边界的情况下，把储能充放电、电锅炉产热、蓄热罐充放热、电网购电计划一次性优化出来。

这篇文章想写给三类人看：一是正在做综合能源调度方向的硕士生和工程师，二是想在Matlab里复现类似模型但不知道怎么建模的初学者，三是已经跑通简单储能调度、想加入蓄热式电采暖与共享机制的人。我不会只贴一个大流程，而是把题目里的每个关键词拆开讲清楚，给出可复现的MILP建模思路、YALMIP建模代码片段、典型冬季日算例结果，以及我在实际仿真中反复踩过的坑。文本较长，建议一边看一边画模型结构图。

1. 题目拆解：为什么这三个关键词必须放在一起建模

1.1 非居民用户与居民用户的电价和负荷特征差异

很多初次接触这个题目的人会先问：非居民用户和居民用户，在优化调度里到底有什么本质区别？这个区别不在负荷大小，而在电价结构和运行边界。

居民用户通常执行阶梯电价，峰谷价格差相对有限，负荷曲线也比较集中；非居民用户，也就是工商业和公共建筑用户，面对的往往是分时电价加两部制电价。分时电价不必多说，关键是两部制里除了电度电费，还有按最大需量或变压器容量计收的基本电费。也就是说，即便一天总用电量不变，只要把峰值功率压下来几百千瓦，就能直接省一笔可观的基本电费。这在建模里不是一个小扰动，而是必须显式表达的约束或目标项。

另一个特征是负荷结构。冬季非居民用户的电负荷往往不是单一供暖负荷，而是照明、电梯、水泵、生产设备、办公设备这些基础电负荷与电采暖热负荷叠加在一起。电采暖负荷比例越高，整体负荷越容易被蓄热设备“搬移”。但如果只盯着采暖负荷建模，不考虑基础电负荷和光伏等资源，储能和蓄热设备的协同空间就会被严重低估。所以我在建模的时候，把电负荷和热负荷分开列写，再通过电平衡和热平衡耦合起来。

1.2 自建共享储能：从“一台储能服务一个用户”到容量复用

自建储能和共享储能看起来矛盾：既然是自建，为什么还要共享？实际操作里一点都不矛盾。自建的产权归自己，但产权不等于独占使用。一个园区或一个台区里，A用户的储能不可能每时每刻都满充满放，总有空闲时段。如果允许B、C这些周边用户按合同容量接入同一台储能，储能的年利用率会明显上升，投资回收期也会缩短。

这个模式落到日前优化调度里，就带来一个之前做单用户储能时不太需要管的约束：同一台储能的功率和电量，需要在多个用户之间动态分配。比如某时刻储能放电功率是500千瓦，这500千瓦里有多少供给自建用户，有多少供给共享用户，是优化变量。分配关系一旦写在约束里，优化器就会自动根据各用户负荷和电价选择最划算的分配方式。这就是“共享”在数学上的意义。

在本文的模型里，我按“核心用户A自建储能，同时向同台区用户B开放共享容量”的场景处理。储能产权属于A，但B可以接入；目标函数统一计算整个台区总购电成本、储能运维成本和蓄热设备运维成本，不展开内部结算。这样做的好处是模型简单、物理意义清晰，又完全体现了共享储能容量复用的核心逻辑。如果你需要做内部租赁费用结算，只需引入一个线性转移支付项，模型骨架不需要大改。

1.3 蓄热式电采暖与储能在时间尺度上的互补

蓄热式电采暖不是“电暖气”，它通常由电锅炉和蓄热罐组成。电锅炉在电价低的时段把水或固体蓄热材料加热，蓄热罐把热量存起来，在电价高或热负荷高峰时段放热供暖。它的本质是把电能转化成热能再存储，储能的本质是直接存电。二者在时间尺度上互补：蓄热罐适合搬移大规模负荷，响应慢半拍但要的是量；电池储能适合搬移中小规模负荷，响应快但要受SOC和充放互斥约束。

如果把蓄热式电采暖单独做优化，它在谷时段会拼命蓄热，可能把变压器容量顶到上限；如果把储能单独做优化，它能搬移的负荷量又有限。把两者放一起后，蓄热式电采暖负责解决“大块热负荷转移”，储能负责平滑剩余峰段电负荷，同时还能从谷段低价充电。两者的收益不是简单相加，因为谷段功率会互相竞争，峰段放电也会竞争，谁占用哪一段功率由优化器统一决定。这也是题目把三个关键词叠在一起的核心价值：不是做两个独立优化再接起来，而是做一个整体优化。

2. 物理设备到数学约束：蓄热式电采暖与共享储能的建模细节

2.1 蓄热式电采暖：电锅炉、蓄热罐与热负荷的平衡关系

把物理设备翻译成数学约束是这类调度问题最关键的一步。我习惯按时间步长 $t=1,\dots,24$ 来建模，时间步长取1小时，这样功率单位用kW、能量单位用kWh时可以直接换算，不需要额外乘dt。

蓄热式电采暖系统由电锅炉和蓄热罐两个核心设备组成，我用这几个约束描述它：

$$Q_{eb}(t) = \eta_{eb} \cdot P_{eb}(t)$$

这个式子表示电锅炉消耗电功率 $P_{eb}$，按电热转换效率 $\eta_{eb}$ 产生热功率 $Q_{eb}$。电锅炉的输出功率有上下限，冬季连续运行场景下一般不需要整数变量表示启停，只需要：

$$0 \le P_{eb}(t) \le P_{eb}^{max}$$

热功率不会凭空出现也不会凭空消失，所以系统内部必须满足热平衡：

$$Q_{eb}(t) + Q_{dis}^{h}(t) = Q_{load}(t) + Q_{ch}^{h}(t)$$

其中 $Q_{dis}^{h}$ 是蓄热罐放热功率，$Q_{ch}^{h}$ 是蓄热罐充热功率，$Q_{load}$ 是建筑热负荷。这个式子含义很直接：电锅炉产的热，加上蓄热罐放出的热，恰好等于用户消耗的热和蓄进罐里的热。

蓄热罐本身是一个储能设备，能量状态用蓄热量 $H(t)$ 表示：

$$H(t+1) = H(t) + Q_{ch}^{h}(t) \cdot \eta_{h,ch} - \frac{Q_{dis}^{h}(t)}{\eta_{h,dis}}$$

这里区分了充热效率和放热效率，工程上更精细一些；如果模型只用单效率，可以简化成 $H(t+1)=H(t)+Q_{ch}^{h}(t)-Q_{dis}^{h}(t)$。蓄热罐还必须满足容量上下限、充放热功率上下限，以及充放热互斥约束：

$$0 \le H(t) \le H^{max}$$

$$0 \le Q_{ch}^{h}(t) \le Q_{ch,h}^{max} \cdot u_{hch}(t)$$

$$0 \le Q_{dis}^{h}(t) \le Q_{dis,h}^{max} \cdot u_{hdis}(t)$$

$$u_{hch}(t) + u_{hdis}(t) \le 1$$

最后一个互斥约束很重要。物理上蓄热罐虽然不存在像电池那样“同时充放电”的硬损伤问题，但工程上同时充放意味着热量内耗，调度结果没有任何意义，而且会让目标函数得不偿失。实际建模时如果不加互斥，优化器在数值上有可能利用同时充放来“制造热量”，所以必须用两个二进制变量限制。

还有一个经常被忽略的约束是终端蓄热量。如果只优化一天，优化器会在最后一个时段把蓄热罐放到最低，因为这样对目标函数最有利。但次日还需要继续供暖，所以必须加：

$$H(T+1) \ge H_{init}$$

这个约束保证了“今天结束时，罐里还保留着明天启动所需的热量”。

2.2 共享储能：SOC、充放电互斥与多用户接入

电池储能模型比蓄热罐多一个特征：充电和放电互斥必须严格成立，因为电池本身不能同时充放。两个二进制变量 $u_{ch}$ 和 $u_{dis}$ 能解决这个问题：

$$SOC(t+1) = SOC(t) + P_{ch}(t) \cdot \eta_{ch} - \frac{P_{dis}(t)}{\eta_{dis}}$$

$$SOC^{min} \le SOC(t) \le SOC^{max}$$

$$0 \le P_{ch}(t) \le P_{ch}^{max} \cdot u_{ch}(t)$$

$$0 \le P_{dis}(t) \le P_{dis}^{max} \cdot u_{dis}(t)$$

$$u_{ch}(t) + u_{dis}(t) \le 1$$

这里仍然假设时间步长为1小时，所以功率×1小时就是能量。SOC的范围我习惯设在0.1到0.9之间，不完全放空，既保护电池，也给调度留出余量。终端SOC约束一般取 $SOC(T+1) \ge SOC(1)$，保证储能经过一天循环后状态可恢复，否则次日优化会从一个不合理的低SOC起步。

共享储能的重点在多用户接入。我在模型里用一个总量拆分关系表达共享：

$$P_{ch}(t) = P_{ch}^{A}(t) + P_{ch}^{B}(t)$$

$$P_{dis}(t) = P_{dis}^{A}(t) + P_{dis}^{B}(t)$$

也就是说，储能的总充电功率由用户A和用户B各自贡献的充电请求之和组成，总放电功率也拆分给A和B。这样做看似只是多加了几个变量，实际上把“共享容量”变成了由优化器动态决定的资源。典型日里可能出现清晨时段储能优先给B的夜间生产负荷供电，午后时段储能又全力给A的基础电负荷削峰。两台设备背后的不同负荷曲线，让储能的日利用次数明显提升。

如果担心共享功率无限制流动，可以再限制单用户接入功率上限，比如 $P_{dis}^{B}(t) \le P_{dis}^{B,max}$，这相当于物理上给B安装了一个限流器。但在算例里不加这些额外限制，让模型充分自由分配，更能看清共享机制的理论收益上限。

2.3 电热耦合约束与变压器/需量边界

把电和热耦合在一起的是两台设备：电锅炉用电产热，蓄热罐不直接耗电；储能用电和放电动的是电侧。最终整个台区的电平衡可以写成：

$$P_{buy}(t) + P_{dis}(t) + P_{pv}(t) = P_{load}^{A}(t) + P_{load}^{B}(t) + P_{ch}(t) + P_{eb}(t)$$

左边是台区从电网购入的电、储能放出的电、光伏出力，右边是用户A、用户B的基础电负荷、储能充电功率、电锅炉用电功率。注意这里 $P_{dis}(t)$ 已经是A和B的放电功率之和，所以电平衡是台区总平衡，不再区分内部流向。这种简化足够支撑日前调度，如果以后要做潮流分析，再改成分节点平衡即可。

电网侧还需要两条边界。一条是变压器容量硬约束：

$$P_{buy}(t) \le P_{trans}^{max}$$

另一条是最大需量约束。非居民用户的电费中，最大需量按一个月内出现的最高购电功率计算。在日前优化里，我引入一个连续变量 $D_{peak}$ 表示当日最大购电功率，然后：

$$0 \le P_{buy}(t) \le D_{peak}$$

再把 $D_{peak}$ 乘需量单价放进目标函数。这样优化器会自动权衡：压低峰值虽然多约束了一些功率，但能省下基本电费。$D_{peak}$ 的存在让模型不再只盯着电量转移，而是会主动削峰，这非常符合非居民用户的实际运行逻辑。

3. 日前优化调度的目标函数与决策变量体系

3.1 目标函数：购电费、需量费、运维费与共享收益

目标函数是所有调度模型的心脏。本文的目标不是在“省钱”和“舒适”之间妥协，而是直接以运行成本最小为目标，暂不考虑舒适度惩罚项，因为热负荷曲线已经由建筑热需求给出，蓄热系统只需要满足这些需求。

目标函数我写成三项之和：

第一项是电度电费：

$$\sum_{t=1}^{24} price(t) \cdot P_{buy}(t)$$

其中 $price(t)$ 是分时电价。第二项是需量电费：

$$\lambda_D \cdot D_{peak}$$

$\lambda_D$ 是需量单价，$D_{peak}$ 是当日最大购电功率。第三项是设备运维成本：

$$c_m^{sto} \cdot \sum_t (P_{ch}(t) + P_{dis}(t)) + c_m^{eb} \cdot \sum_t P_{eb}(t)$$

运维成本一般较小，但必须加，否则优化器会追求极致的充放电次数，出现无意义的频繁动作。

至于共享储能的经济收益，在台区综合成本模型里没有单独列内部结算项。用户B使用储能不会在目标函数里产生额外收入，但它承担的购电成本已经包含在 $P_{buy}(t)$ 中。如果读者想体现自建方的投资回报，可以在目标函数中加一项 $-c_{share} \cdot \sum_t P_{dis}^{B}(t)$，表示B向A支付的共享电费，这是完整的线性表达式，不影响模型性质。

3.2 决策变量与约束体系汇总

把整个模型需要的决策变量整理出来，大致是这样的：

约束体系分为四类：电平衡约束、热平衡约束、储能设备约束、蓄热设备约束，最后再加上变压器容量和需量边界。整个问题一共有24个时段，连续变量约十几个×24，二进制变量约4×24=96个，规模非常小，求解难度主要不是规模，而是怎么把非线性项都线性化干净。

3.3 为什么这是一个MILP而非LP或NLP

很多刚接触的人会问：既然目标函数只有买入功率乘以电价，为什么不是线性规划？问题出在四个互斥约束上。储能充电和放电不能同时进行，需要二进制变量；蓄热罐充放热不能同时进行，也需要二进制变量。二进制变量一旦引入，模型就变成混合整数线性规划。

如果去掉这些二进制变量会发生什么？优化器会发现，同时充电和放电时，储能充入的电量又放出来，表面上多了一倍的充放电量，运维成本可能增加，但如果把运维成本设为零或很低，它就会利用这种虚假动作来制造能量损耗，甚至在极端情况下形成“热罐充热和放热同时发生”的荒谬解。更隐蔽的问题是直流母线功率、交流侧功率这些变量如果没处理好，整数变量缺失还可能导致模型约束本身松弛，得出完全偏离物理意义的结果。

另一种思路是尝试非线性优化，用平滑函数近似互斥约束。这在小规模问题上也能收敛，但非线性求解器对初值敏感，结果不稳定，而且看得到目标函数非凸。对工程计算来说，MILP是更快、更稳、更可复现的选择，也是目前这类调度问题的主流建模方式。

4. Matlab代码实现：从数据准备到YALMIP求解的完整链路

4.1 基础数据准备：参数表、负荷曲线与电价

Matlab里实现日前调度的第一步不是写优化代码，而是把基础数据收拾干净。我习惯把所有参数放到一个结构体里，例如把系统参数、分时电价、热负荷曲线、电负荷曲线都定义清楚，方便后面的算例复用。

以下是这个算例的基础参数，你可以直接用来跑通模型，再替换成实际数据：

数据单位统一为kW和kWh，时间步长1小时。定义结构体时特别注意，热负荷曲线每天可能不同，不要把数值直接写死在代码里，尽量用向量加载。

4.2 YALMIP建模关键代码：变量、约束与目标

我习惯用YALMIP做建模层，求解器可选Gurobi或Cplex。YALMIP的好处是建模语法接近数学表达式，写起来快，出问题时也能直观看到约束矩阵是否奇异。以下是核心建模代码结构：

T = 24; dt = 1; % 决策变量 Pbuy = sdpvar(T, 1); Peb = sdpvar(T, 1); Pch = sdpvar(T, 1); Pdis = sdpvar(T, 1); SOC = sdpvar(T+1, 1); Qch_h = sdpvar(T, 1); Qdis_h = sdpvar(T, 1); H = sdpvar(T+1, 1); u_ch = binvar(T, 1); u_dis = binvar(T, 1); u_hch = binvar(T, 1); u_hdis = binvar(T, 1); Dpeak = sdpvar(1, 1); % 目标函数 objective = sum(price .* Pbuy) * dt ... + lambda_D * Dpeak ... + c_m_sto * sum(Pch + Pdis) ... + c_m_eb * sum(Peb); % 约束 Constraints = []; % 电平衡 Constraints = [Constraints, Pbuy + Pdis + Ppv == Pel_A + Pel_B + Pch + Peb]; % 变压器与需量 Constraints = [Constraints, Pbuy <= Ptrans_max]; Constraints = [Constraints, 0 <= Pbuy <= Dpeak]; Constraints = [Constraints, Dpeak >= 0]; % 储能约束 Constraints = [Constraints, SOC(1) == 0.5]; for t = 1:T Constraints = [Constraints, SOC(t+1) == SOC(t) + Pch(t)*eta_ch - Pdis(t)/eta_dis]; Constraints = [Constraints, SOC_min <= SOC(t+1) <= SOC_max]; Constraints = [Constraints, 0 <= Pch(t) <= Pch_max * u_ch(t)]; Constraints = [Constraints, 0 <= Pdis(t) <= Pdis_max * u_dis(t)]; Constraints = [Constraints, u_ch(t) + u_dis(t) <= 1]; end Constraints = [Constraints, SOC(T+1) >= SOC(1)]; % 蓄热式电采暖约束 Constraints = [Constraints, H(1) == H_init]; for t = 1:T Constraints = [Constraints, Qeb(t) == eta_eb * Peb(t)]; Constraints = [Constraints, Qeb(t) + Qdis_h(t) == Qload(t) + Qch_h(t)]; Constraints = [Constraints, H(t+1) == H(t) + Qch_h(t)*eta_hch - Qdis_h(t)/eta_hdis]; Constraints = [Constraints, 0 <= Peb(t) <= Peb_max]; Constraints = [Constraints, 0 <= H(t+1) <= H_max]; Constraints = [Constraints, 0 <= Qch_h(t) <= Qch_h_max * u_hch(t)]; Constraints = [Constraints, 0 <= Qdis_h(t) <= Qdis_h_max * u_hdis(t)]; Constraints = [Constraints, u_hch(t) + u_hdis(t) <= 1]; end Constraints = [Constraints, H(T+1) >= H_init]; % 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 2); result = optimize(Constraints, objective, ops);

这段代码里我特意把所有约束写成矩阵拼接形式，方便阅读。需要注意几点：

一是Pbuy + Pdis + Ppv == Pel_A + Pel_B + Pch + Peb是向量等式，YALMIP自动展开到每个时段。二是Pbuy <= Dpeak必须对每个时段成立，所以直接向量约束。三是储能和蓄热罐SOC、H都定义成了T+1维，初始状态单独设置，这段代码里没有把电锅炉产热作为一个变量直接定义Qeb = eta_eb * Peb再使用，而是用了eta_eb * Peb(t)，两种写法都可以。

如果你没有Gurobi或Cplex，可以用Matlab自带求解器，把sdpsettings里的求解器换成intlinprog。对于24时段的模型，intlinprog也能很快解出来，只是求解时间明显比Gurobi长，尤其当你后面扩展到96时段或含多场景随机优化时，差距会更明显。

4.3 求解器配置与结果导出

求解之后的处理同样重要。我先取结果：

if result.problem == 0 Pbuy_opt = value(Pbuy); Pch_opt = value(Pch); Pdis_opt = value(Pdis); SOC_opt = value(SOC); Peb_opt = value(Peb); H_opt = value(H); Dpeak_opt = value(Dpeak); else disp('求解失败'); yalmiperror(result.problem); end

value函数把sdpvar变量转成数值。得到这些值后，我通常会画三张图：第一张是全天24小时的电功率柱状图，把储能充放电、电锅炉、基础负荷堆叠起来；第二张是SOC和蓄热罐蓄热量的双纵轴曲线；第三张是购电功率和电价曲线，看看每个时段的购电量是不是都集中在谷段、避开峰段。

画图不是给论文凑数，而是帮你快速发现模型错误。比如SOC曲线如果在某段出现锯齿状跳变，说明充放电互斥约束没生效；蓄热罐的蓄热量如果在末端突然降到最低，说明终端蓄热量约束加漏了。这些图形反馈比单纯看目标函数数值灵敏得多。

5. 算例结果与敏感性分析：冬季典型日省了钱，但省在哪

5.1 算例设置与对比方案

为了验证模型，我设置了一个冬季典型日算例。用户A是办公型建筑，基础电负荷白天高、夜间低，峰值约600kW，日用电量约7000kWh；用户B是小型生产企业，基础电负荷日夜较平，峰值约400kW，日用电量约3000kWh。建筑热负荷由蓄热式电采暖系统承担，冬季日热需求约6000kWh，热负荷夜间和早晨高，白天中等。

为了看清不同设备的价值，我跑了四个方案：

四个方案都满足同样的热负荷和电负荷，都受变压器容量1500kW限制。优化目标统一为台区总运行成本最小。

5.2 结果解读：成本构成、SOC曲线与热罐状态

仿真结果整理成下面的表，具体数值我做了四舍五入，追求趋势准确。

先看基准方案。电锅炉在需要用热的时段直接用电产热，白天峰时段热负荷一上来，购电功率就冲高，导致电度电费高，最大需量也高。方案1加入蓄热罐后，电锅炉在夜间谷时段多产热，把白天的热负荷提前转移到谷时段，最大需量从3400元左右降到2500元左右，节省主要来自峰谷电费差和需量电费下降。方案2单独用储能，它能削峰填谷的量有限，因为储能容量只有2000kWh，而热负荷需求是6000kWh，储能再怎么搬也搬不动大块采暖电量，所以节省只有1090元。

方案3是最有意思的。蓄热式电采暖把大块热负荷搬到谷段，储能再精准地解决剩余峰段基础电负荷。两者的谷段功率竞争会不会互相抵消？算例显示不会：热负荷已经完全由蓄热罐承担，储能不需要重复搬运这部分热量，它只需要搬运基础电负荷里最贵的那几千kWh。最终电度电费从9680元降到6880元，需量电费也降到2100元，总成本相对基准节省了约26%。

从能量流曲线上看，蓄热罐的蓄热量在谷段不断上升，峰段持续下降；储能的SOC则是典型的一天两充两放模式，凌晨浅充一次满足B用户早间生产，午间深度充电应对A用户下午高峰，傍晚放电应对照明高峰。共享储能在A和B之间的分配比例不是固定50%，而是随时段浮动的，这正是优化的价值所在。

5.3 敏感性分析：容量配置、电价差与需量约束

算例结果稳定之后，我又跑了几组敏感性分析，这里说几个被验证过的结论。

电价差是决定性因素。把峰谷价差从0.5元/kWh调到0.9元/kWh，方案3的总成本下降了更多，但下降的主力是蓄热式电采暖，不是储能。因为热负荷量远大于储能容量，电价差扩大后，蓄热罐多蓄一单位热量的边际收益仍然高，而储能很快受容量上限限制，无法继续增加谷段充电量。这说明在热负荷占比很高的场景，储能只是给蓄热系统“查漏补缺”，不要期望它能替代蓄热的移峰作用。

蓄热罐容量的边际收益递减。把蓄热罐容量从3000kWh增加到6000kWh，方案3的成本持续下降，但降幅越来越小。原因不在蓄热罐本身，而在谷电时段总共只有8小时，电锅炉功率上限800kW决定了谷段最多只能蓄6400kWh，蓄热罐再大也装不满。所以配置蓄热罐容量时，应该和谷电时长、锅炉功率一起算，而不是盲目加大。

共享储能的利用率与用户负荷错峰程度高度相关。如果B用户改成一个只在白天用电的写字楼，与A用户负荷重合度很高，储能就经常处于“要么同时给A和B放电，要么谁都没需求”的状态，日利用次数降低，共享价值变小。反过来，B如果以夜间生产为主，与白天为主的A形成互补，储能就能在凌晨给B充电或在深夜蓄能，中午再给A削峰。这说明共享储能的价值不仅仅取决于储能本身，还取决于共享用户群的负荷曲线多样性和互补性。

6. 实际建模仿真中踩过的坑与建模边界

6.1 充放电互斥与Big-M的调参经验

第一个坑来自储能充放电互斥约束。如果你直接写Pch * Pdis == 0，这是一个非线性约束，YALMIP会尝试调用非线性求解器，或者报“没有非线性求解器可用”的错误。正确的做法就是用二进制变量把约束写成：

$$0 \le P_{ch}(t) \le P_{ch}^{max} \cdot u_{ch}(t)$$

$$0 \le P_{dis}(t) \le P_{dis}^{max} \cdot u_{dis}(t)$$

$$u_{ch}(t) + u_{dis}(t) \le 1$$

这里的 $P_{ch}^{max}$ 既是物理上限，也起到Big-M的作用。有一个经验：Big-M不要取得过于夸张。如果储能最大功率是500kW，就写500，不要写成10000。Big-M过大会让MILP的线性松弛变得很松，整数变量分支定界时要探索的节点大幅增加，求解时间明显上升。同理，蓄热罐的充放热互斥约束也要用实际功率上限，不要为了“保险”给一个很大值。

还有一点容易被新手忽略：如果储能充放电效率不对称，比如充电效率0.95、放电效率0.95，SOC更新公式写错方向会直接导致能量不守恒，最终结果出现“白天充1kWh，晚上只能放0.85kWh”的奇怪现象。建议先做一个2时段的简单测试，充1kWh、放1kWh，看SOC是否回到初始值附近，再跑完整模型。

6.2 蓄热罐“空罐/满罐”边界与末端热量约束

蓄热罐建模最容易出错的地方是终端约束。不加终端约束时，优化器总会在最后一个时段把蓄热量放到最小值，因为这样可以少在谷段充电或少在平时段产热，目标函数更好看。但实际运行中，第二天早晨还需要热负荷，罐是空的怎么应对？

解决方法是上面写的终端蓄热量约束 $H(T+1) \ge H_{init}$。更严格的约束是令每天结束时的蓄热量等于初始值，也就是 $H(24+1)=H(1)$。这样做的好处是模型天然形成周期性，可以连续模拟多天运行而不会逐天“掉血”。

另一个边界问题是蓄热罐满罐后的处理。谷段结束时，蓄热罐可能已经满了，但谷段电价还剩最后一小时，此时电锅炉如果继续产热，热量无处可去，优化器只能把电锅炉功率压到刚好维持当前热负荷的水平。如果热负荷恰好也很低，电锅炉就可能停机。这段行为在曲线图上看起来像是谷段末尾突然出现一个“功率塌陷”，初学者容易误认为是约束写错，其实这是蓄热罐满罐约束正确作用的结果。

6.3 从确定性日前模型往前走：滚动优化、随机与鲁棒化

最后聊一下这个模型的扩展边界。前文所有讨论都假设已知次日所有负荷曲线和电价曲线，这是标准的确定性日前优化。实际运行中，热负荷预测和光伏出力预测都有误差，电价也可能波动，所以工程上往往把日前计划作为基准，再叠加日内滚动修正。

我自己的建议是，先把这个确定性模型跑透，再按两步扩展。第一步是滚动优化：每4小时更新一次负荷预测，重新求解未来12小时或24小时的调度计划，只执行第一个时段的指令。第二步是随机规划或鲁棒优化：把热负荷预测误差建模为若干典型场景，用随机规划处理；或者直接用区间鲁棒，求解最坏情况下的可行计划。这两种扩展都会显著增加变量数和求解时间，但模型的骨架和前面的Matlab代码不需要推倒重来，只需要把目标函数或约束按场景结构改写成循环。

还有一个比较现实的问题：随着光伏接入比例提高，冬季晴天的午间可能出现电网售电价格很低甚至为负的情况，这时候储能和蓄热罐的调度策略会发生改变，优化器会考虑“午间充电、晚间放电”，而不是固守“谷充峰放”。如果要做更完整的冬季调度，建议在数据准备阶段加入光伏出力曲线，并把倒送功率或禁止倒送约束一并考虑进去。

我自己跑完这个算例后的体会是，蓄热式电采暖与共享储能协同优化的精度，很大程度上取决于对热负荷曲线和用户负荷错峰程度的理解。模型本身不复杂，复杂的是把每一类柔性资源的物理边界写准、把每一个约束的效率系数调对。如果你也想用Matlab复现这个模型，建议从最简单的无储能、无蓄热基准模型开始，逐步把设备加进去，每加一类设备就单独验证其SOC或蓄热量的曲线是否合理。这样即使最终结果不理想，也能快速定位问题，而不是在一堆耦合约束里大海捞针。