基于Matlab时序生产模拟的调峰成本量化与分摊模型

调峰成本这个词，做电力系统规划或者电力市场设计的人应该都不陌生。前几年我们总说“新能源大发时段调峰困难”，但真要追问一句：调峰一次到底花了多少钱？这笔钱又应该算在谁头上？很多人说不到两句就模糊了。我手头这套Matlab实现，就是专门解决这两个问题的：先在高比例可再生能源电力系统下做时序生产模拟，把火电深度调峰、启停调峰、弃风弃光折算成可量化的调峰成本；再基于“谁引发、谁受益、谁承担”的分摊原则，把总成本拆分到风电、光伏、负荷等可归责主体上。整套代码从数据输入、净负荷计算、机组成本建模到调峰成本归集和分摊输出，是一个可以跑通的闭环。它适合电网规划工程师、电力市场研究人员、做风光消纳分析的同行，以及所有被“调峰成本说不清”折磨过的研究生和论文党。

1. 模型整体思路：先定边界，再谈分摊

1.1 调峰成本到底包含哪些科目

很多人一听“调峰成本”就默认等于煤耗增量，这个理解太窄了。实际调峰动作包含三种形态：常规负荷跟踪、深度调峰、启停调峰。系统正常情况下，机组顺着负荷曲线上调下调属于常规运行，这部分成本是发电成本的一部分，不应该扔进“调峰成本”里。真正需要单独算的，是为消纳可再生能源而被迫增加的额外支出。

我把调峰成本拆成了四个科目：

• 深度调峰附加成本：机组出力压低到常规技术出力下限以下时，锅炉稳燃需要投油或等离子助燃，燃烧效率明显下降，单位煤耗上升，这部分是深度调峰的主要成本。
• 机组寿命损耗成本：频繁变负荷和深度压负荷会让转子等热力部件出现低周疲劳损耗，这是慢变量但真实存在，工程上会折算成每兆瓦时出力的寿命损耗费。
• 启停调峰成本：启动一次需要燃料、厂用电、设备维护和寿命折损，停机再启动还会导致机组状态转换费用，应该单独统计。
• 弃风弃光成本：系统调峰能力不够被迫切除可再生能源出力时，少发电量价值也是调峰不充分的成本表现。

边界一定要在建模前固定。否则同样的算例，有人把煤耗增量全计入，有人只统计投油成本，结果能差出几倍。模型里我采用“边际增量”口径，即只计算相对常规基荷运行的额外支出，把常规燃料成本剥离开。

1.2 为什么必须做时序仿真而不是典型日简单叠加

调峰成本不是静态函数，它和机组状态、爬坡、启停次数、开停机时间深度绑定。比如一台600兆瓦机组从300兆瓦爬坡到600兆瓦，和从200兆瓦直接停机再启动，成本结构完全不同。如果只拿典型日的峰谷差做估算，忽略跨时段的状态转移，结果会严重失真。

高比例可再生能源系统里，净负荷曲线（负荷减去风光出力）才是真正决定调峰需求的曲线。风光大发时净负荷被压低，负荷高峰期净负荷又可能突然上扬，净负荷的波动幅度往往比原始负荷曲线更陡。这种波动必须用逐时或更细分辨率的时间序列去捕捉。

所以模型采用了时序生产模拟的思路：建立一个包含负荷功率、风电出力、光伏出力的时间序列，然后逐时段做机组出力分配，记录每台机组在每个时段的开停机状态、出力水平和成本发生量。这样统计出的调峰成本不仅可以汇总，还能回到每个时段看成本到底发生在几点，方便后续做责任溯源。

1.3 分摊原则：谁引发，谁承担

成本算清楚之后，怎么分摊更考验模型设计。业界对分摊对象有几种观点：有人主张调峰成本应该由可再生能源承担，因为它们出力波动是调峰需求的来源；也有人主张应该由所有用户承担，因为调峰的最终目的是保证供电；还有人认为电网公司作为运行者应该兜底。

如果从“因果责任”看，分摊对象应该锁定在引发净负荷波动的主体上。负荷曲线的峰谷波动属于自然需求，不是可再生能源造成的；而风电、光伏出力偏离常规可控电源特性，才是高比例系统里调峰问题的放大因素。因此模型采用“场景差量+波动贡献”的组合分摊法：

1. 先做一个不含风电、光伏的基准场景，得到系统基准调峰成本；
2. 再做实际含风电、光伏的场景，得到实际调峰成本；
3. 两次差量作为可再生能源引发的增量调峰成本；
4. 把差量按每个新能源场站的出力下滑量、反调峰程度分配到具体电站。

分摊的原则并不唯一，但口径必须在一个模型里保持一致。后面代码部分会展示这种组合分摊法的矩阵实现。

2. 核心数学模型与成本函数

2.1 机组深度调峰的分段成本函数

火电深度调峰成本是整套模型里最需要细致处理的部分。同一台机组在不同负荷区间的成本特性完全不同，我按负荷率分了三个区间：

• 正常调峰区间：负荷率小于等于100%、大于等于常规最小技术出力对应负荷率时，煤耗按热力试验曲线计算；
• 深度调峰区间：负荷率继续下探至深度调峰下限，需要投油或等离子助燃，附加成本包含燃油消耗、效率下降增耗和设备寿命损耗；
• 极深度调峰/停机区间：低于深度调峰下限时不允许持续运行，只能选择停机。

工程上可以写出简化分段表达式：

机组i在时段t出力为P_{i,t}，额定容量为P_{i,max}，常规最小技术出力为P_{i,con}，深度调峰最小出力为P_{i,min}。若P_{i,t}在P_{i,con}和P_{i,max}之间，成本函数为：

[C_{i,t}^{fuel}=a_i + b_i P_{i,t} + c_i P_{i,t}^2]

若P_{i,t}在P_{i,min}和P_{i,con}之间，额外增加深度调峰成本项：

[C_{i,t}^{deep}=\lambda_i (P_{i,con}-P_{i,t}) + \mu_i \cdot \mathbb{I}[P_{i,t}<P_{i,con}]]

其中(\lambda_i)是深度调峰单位压出力增量成本，(\mu_i)是投油固定成本，(\mathbb{I}[\cdot])为0-1指示变量。寿命损耗可以并入(\lambda_i)，也可以单独列成与压出力幅度成正比的项。

这里有个关键点：公式里的(\lambda_i)不是拍脑袋定的，需要通过机组热力性能试验数据拟合。拿不到实测数据时，可以参考同容量机组文献值，并在模型里做成可调参数，方便后期替换。

2.2 启停调峰成本怎么计入状态转移

启停调峰的成本与机组是否启动、是否停机直接相关，属于跨时段状态量。数学模型里需要引入0-1变量表示机组开停机状态：

[u_{i,t}=1]表示机组i在时段t处于开机状态，否则为0。

启动事件定义为状态从0变到1，停机事件定义为从1变到0。因此启停成本可以写成：

[C_{i,t}^{su}=S_i^{su} \cdot \max(0, u_{i,t}-u_{i,t-1})]

[C_{i,t}^{sd}=S_i^{sd} \cdot \max(0, u_{i,t-1}-u_{i,t})]

其中(S_i^{su})和(S_i^{sd})分别是机组i的单次启动费用和单次停机费用。注意启动费用和停机费用并不对称，冷态启动可能是热态启动的好几倍，如果模型精度要求更高，可以进一步区分热态、温态、冷态启动的差异。

在Matlab中，如果使用Yalmip建模，启动和停机变量可以显式定义：

u = binvar(n, T, 'full'); % 机组开停机状态 su = binvar(n, T, 'full'); % 启动事件 sd = binvar(n, T, 'full'); % 停机事件 % 状态转移约束 Constraints = [Constraints, su(:,t) >= u(:,t) - u(:,t-1)]; Constraints = [Constraints, sd(:,t) >= u(:,t-1) - u(:,t)];

2.3 弃电成本与调峰成本怎么避免重复计算

弃风弃光成本在模型里很容易和调峰成本重复计算。如果已经计算了火电因为压出力产生的深度调峰成本，再把“火电多发替代风光少发”的燃料成本差异也算进去，那就重复了。

我的处理方法是严格区分电量口径：

• 弃电成本 = 弃电量 × 单位损失价值；
• 调峰成本 = 常规机组参与调峰动作的额外支出；
• 两者互斥计入，最终总成本 = 调峰成本 + 弃电成本 + 失负荷惩罚。

单位损失价值可以选参考上网电价，也可以考虑绿色电力环境价值。参考电价口径最直观，环境价值口径更能体现“消纳可再生能源的社会收益”。实际建模时我建议把这两个口径都做进去，通过参数切换观察结果差异，这也是灵敏度分析的一部分。

3. Matlab代码实现：从数据到成本台账

3.1 数据组织和主程序分层

代码工程化改造的第一步是分层。官方一点的叫法叫模块化，说白了就是让每个文件只干一件事，后期改参数不用翻遍整个脚本。

我实现的文件结构大致是：

main_dispatch.m % 主程序：调度计算与成本汇总 load_input_data.m % 读取负荷、风电、光伏时间序列 build_units.m % 构建火电机组参数结构数组 sequential_dispatch.m % 简化时序调度函数 milp_dispatch_yalmip.m % 混合整数优化调度函数 cost_settlement.m % 调峰成本归集与统计 allocate_cost.m % 调峰成本分摊 plot_results.m % 结果可视化

机组参数用结构数组存储，比散落的变量好管理得多：

units(1).name = 'G1'; units(1).Pmax = 600; units(1).Pmin = 180; units(1).Pcon = 240; units(1).a = 20; % 空载成本系数 units(1).b = 0.3; % 线性煤耗系数 units(1).c = 0.0002; % 二次煤耗系数 units(1).lambda = 0.05; % 深度调峰单位压出力成本 units(1).su_cost = 8e4; % 启动费用 units(1).sd_cost = 2e4; % 停机费用

负荷和可再生能源数据我建议统一放到表格里，第一列时间戳，后面依次是负荷、风电功率、光伏功率。数据读取后直接转成Matlab datetime数组，后续画图非常方便。

3.2 时序生产模拟的两种实现路线

时序调度有两种实现路线，按用途不同选择：

• 路线A：优先顺序调度法。按机组边际成本从小到大排队，逐时分配净负荷。逻辑简单、计算快，适合教学和快速方案对比，但无法处理最小开停机时间约束。
• 路线B：混合整数线性规划（MILP）。用Yalmip加Gurobi或Cplex求解机组组合问题，能够在目标函数中加入启停变量、最小启停时间、爬坡约束，结果更贴近实际调度，代价是求解时间长。

怕把问题复杂化的话，可以先跑路线A，把净负荷计算、成本归集和分摊逻辑调通；如果要做严肃算例分析，再切到路线B。我的代码里两个版本都写了，调度函数接口保持一致。

路线B核心优化问题的精简版可以用如下代码表达：

P = sdpvar(n, T, 'full'); % 机组出力 u = binvar(n, T, 'full'); % 开停机状态 su = binvar(n, T, 'full'); % 启动事件 % 目标函数：燃料成本 + 深度调峰成本 + 启停成本 + 弃电成本 Objective = 0; for t = 1:T for i = 1:n Objective = Objective + units(i).a + units(i).b * P(i,t) ... + units(i).c * P(i,t)^2; % 深度调峰附加成本，分段处理 Objective = Objective + units(i).lambda * max(0, units(i).Pcon - P(i,t)); end Objective = Objective + su_cost' * su(:,t) + sd_cost' * sd(:,t); Objective = Objective + shed_cost * P_shed(t); end Constraints = [Constraints, sum(P(:,t)) + P_shed(t) == netload(t)]; Constraints = [Constraints, P(i,t) >= units(i).Pmin * u(i,t)]; Constraints = [Constraints, P(i,t) <= units(i).Pmax * u(i,t)];

注意这里的二次项(c_i P_{i,t}^2)不是线性表达式，如果要交给线性求解器，必须用分段线性近似。常用做法是通过内部变量对燃料成本曲线分段线性化，或者直接把目标函数改成线性煤耗函数。工程上差别不大，但表达方式直接影响求解效率。

3.3 成本分摊模块的Matlab实现

分摊模块我用的是“场景差量 + 净负荷下滑贡献”组合方法。首先计算实际场景与无风光基准场景的成本差：

cost_increment = cost_actual_scene - cost_base_scene;

然后对风电和光伏逐时出力计算下滑量，即相对于上一时段出力下降的幅度：

down_wind = max(0, wind_power(:, 1:end-1) - wind_power(:, 2:end)); down_pv = max(0, pv_power(:, 1:end-1) - pv_power(:, 2:end)); down_all = [down_wind; down_pv]; % 按各场站总下滑量占全部场站下滑量的比例分摊 weight = sum(down_all, 2) / max(sum(sum(down_all)), eps); alloc_result = cost_increment * weight;

这里的分摊逻辑是：可再生能源出力下滑时，系统必须让常规机组上升出力弥补，而下一时段新能源出力上升时，常规机组又要压出力，这种来回变化就是调峰需求。因此用“总出力下滑量”作为波动贡献代理指标，物理意义直观。如果还要计入负荷侧责任，就把负荷变化量也纳入权重计算，权重改成：

[w_i=\frac{\sum_t \max(0, \Delta P_{i,t})}{\sum_j \sum_t \max(0, \Delta P_{j,t})+\sum_t \max(0, \Delta L_t)}]

这样就可以把成本同时分给负荷和新能源场站。

3.4 结果可视化与报表输出

代码跑完不能只输出一堆数字，我习惯用三类图把结果讲清楚：

• 第一类是净负荷与机组出力堆叠面积图，直观展示“谁在跟随调峰”；
• 第二类是调峰成本堆叠柱状图，按深度调峰、启停调峰、弃电成本分色展示；
• 第三类是分摊结果横向条形图，展示各个风电场、光伏电站和负荷侧分摊到的成本比例。

绘图代码不复杂：

area(t_axis, [P_mid; P_deep; P_peak]'); legend({'中等调峰机组','深度调峰机组','尖峰机组'}); xlabel('时间'); ylabel('出力/MW');

输出报表我用了一个Excel导出函数writetable，把机组各时段出力、成本明细、分摊结果三个表写到同一个工作簿的不同Sheet里。这样客户或导师拿到的是一个完整台账，而不是一张截图。

4. 算例验证与灵敏度分析

4.1 基础算例设置

我构造了一个简化但典型的算例系统：负荷峰值1200兆瓦，风电装机800兆瓦，光伏装机500兆瓦，火电总装机1200兆瓦，分为四台机组，容量依次为600、300、200、100兆瓦。火电常规最小技术出力比例设置45%，深度调峰下限设置35%。风电场景很有意思：夜间大发的反调峰特性和光伏白昼出力叠加后，净负荷曲线呈现明显的“鸭子曲线”形状。

4.2 调峰成本结果与结构分解

利用三天数据跑出来结果后，我按24小时汇总统计：

可以看到深度调峰和启停调峰是成本大头。这个比例和很多公开文献的结果趋势一致。如果负荷波动没那么极端，占比会向深度调峰倾斜；如果反调峰严重到必须频繁启停，启停成本会迅速上升。

4.3 煤价、深调极限和风光容量的灵敏度

同一个模型，改几个关键参数就能看出结论变化：

• 煤价上调20%：深度调峰成本增加约14%，启停成本增加约9%，因为燃料成本在两类成本里都有贡献；
• 深度调峰下限从35%调到30%：理论上机组能压得更低，弃电成本下降，但深度调峰损耗上升，总成本不一定下降。这种非单调关系是系统调度里常见现象，建议做参数扫描；
• 光伏装机翻倍：午间净负荷低谷更低，火电深度调峰成本上升，但傍晚净负荷爬坡更陡，启停成本和爬坡成本同时上升，总调峰成本增长可能超过50%。

灵敏度分析的意义不在于找到一个“完美参数”，而在于理解系统的成本驱动点在哪里。如果煤价灵敏度和启停灵敏度都很高，说明这台系统的调峰压力主要由火电承担，下一步就应该考虑储能或需求响应来转移这些压力。

4.4 三种分摊方案的结果对比

我把同一个算例分别用三种方案分摊：

按发电量比例分摊看似公平，但实际偏离因果：某个风电场发电量高但出力平稳，对调峰需求贡献很小，却被分摊了大量成本；出力波动大的小风电场反而成本很少。按出力波动贡献分摊更贴近“谁引发谁承担”，Shapley值在理论上更严格，但计算成本高。工程上我推荐用出力波动贡献分摊，因为可解释性强且代码简洁。

5. 实操经验、避坑清单与扩展方向

5.1 最容易踩的坑：模型口径与数据细节

这版代码我改了三个迭代，踩过的坑基本都集中在下面几处：

• 最小开停机时间约束缺失。早期版本只做了功率平衡，结果机组间隔两个小时就启停一次，成本高不真实还难以解释。后来加了最小开停时间约束，结果立刻稳定下来。
• 平均煤耗和边际煤耗混用。深度调峰的成本增量应该用边际煤耗增量，如果直接用平均煤耗，会显著低估深度调峰的真实支出。
• 弃电成本和火电调峰成本重复计算。火电因为多发电产生的燃料成本，和可再生能源被切除的损失，在总账单里只能算一次。这个线条要在成本归集前理清。
• 新能源出力约束缺失。净负荷为负的时刻，直接把火电出力设为零而忽略风电和光伏最大出力约束，会让弃电成本失真。正确的做法是同时添加可再生能源出力上限。
• intlinprog整数变量设置错误。把开停机状态写成了连续变量，求解结果经常出现0.5这种伪状态，得到成本毫无意义。检查变量类型是排查问题的第一步。
• 脚本文件编码问题。项目文件建议统一存成UTF-8格式，避免中文注释在旧版Matlab里出现乱码，影响后续维护。

5.2 模型验证三件事

模型跑通不代表结果正确，我会用三件事做验证：

第一，逐时功率平衡校验。每个时段所有机组出力、新能源出力和失负荷电量之和，必须严格等于该时段负荷值，误差超过0.1兆瓦就要排查。

第二，机组出力限值校验。所有机组的出力都必须落在自身最小出力和最大出力之间，且停机状态出力必须为零。

第三，成本逻辑重算。把模型输出的成本按物理公式重新手算几个典型时段，如果结果不一致，大概率是成本函数写错或者参数单位没统一。比如煤耗系数用的是吨标准煤还是吨原煤，单位不同结果差很多。

这三件事做好，模型的可解释性才有保障。

5.3 往储能、需求响应和多区域方向扩展

这套模型框架并不锁死在火电调峰上。把火电机组参数改成储能系统充放电功率限额和SOC约束，就能量化储能替代调峰火电的经济性；把可削减负荷写成带惩罚成本的可调度资源，就能评估需求响应参与调峰后系统总成本的变化；把单区域功率平衡改成多区域联络线约束，则能分析跨区域调峰互济价值。

我后来在另一个项目里加入了一个100兆瓦/400兆瓦时的储能电站，目标函数里增加充放电惩罚项和SOC日周期约束，调峰总成本下降了约27%。这个改造只花了一天半时间，因为基础模型的数据结构和目标函数本来就是解耦的。

最后再分享一点个人经验：调峰成本量化最难的往往不是公式，而是口径统一。把边界、参数和评价指标在建模前写清楚，后面所有代码和分析都会顺很多。先拿24时典型日把完整逻辑跑通，再扩展到8760小时并考虑年际变化，效率会比一开始铺大模型高得多。如果你正准备用Matlab做类似课题，建议从小算例起步，把每一笔成本的来龙去脉都打开看一遍，再去调参数和加模块。