最近總有人問我“分時電價下電動汽車有序充放電仿真”到底怎么入門今天就拿我自己做過的完整案例從原理到建模仿真一步步拆給你看。這個領(lǐng)域核心要解決的就是一件事在峰谷電價差面前如何制定每臺電動汽車的充放電策略在保證車主用車需求的前提下把充電成本壓到最低甚至通過參與電網(wǎng)調(diào)度小賺一筆。文章面向電力專業(yè)學(xué)生、做智能電網(wǎng)項目的研究生以及想轉(zhuǎn)行做新能源調(diào)度的工程師也適合剛接觸仿真的新手——我會盡量把每個環(huán)節(jié)的操作邏輯講透配合可直接復(fù)現(xiàn)的參數(shù)設(shè)置看完就能在MATLAB或Python里跑出自己的版本。1. 內(nèi)容整體設(shè)計與思路拆解1.1 為什么偏要用分時電價做“有序充放電”先搞清楚你要仿真的對象到底是什么。分時電價就是把一天按負(fù)荷情況劃分成峰、平、谷幾個時段每個時段電價不同峰時段貴、谷時段便宜。電動汽車有序充放電的邏輯就是利用這個價差在谷時段盡量充電在峰時段如果有富余電量和必要就向電網(wǎng)放電也就是V2G用低價電和放電收益去抵消峰時段用電成本。這個機制聽起來簡單但實際建模時涉及到一個用戶底線不管怎么調(diào)節(jié)你不能讓車主第二天沒電可用也不能讓電池電量低于安全閾值。我把這個問題拆成三個層次來理解第一層是電價層輸入一天24小時的分時電價曲線第二層是車輛層每臺車有電池容量、起始SOC、目標(biāo)SOC、充放電功率限制第三層是策略層要設(shè)計一個目標(biāo)函數(shù)和約束條件讓調(diào)度算法自動決定每一小時每臺車是充電、放電還是待機。仿真的難點不在單個層次而在三層耦合——電價峰谷和車輛充電選擇互相影響而多臺車同時調(diào)度又帶來計算復(fù)雜度。我在實際項目中采用的方式是把車輛劃分成若干組每組內(nèi)部統(tǒng)一調(diào)度這樣既保留了個性化用車需求又控制了求解時間。這個方案選型并不是拍腦袋想出來的。最開始我嘗試過讓每輛車獨立優(yōu)化再匯總到電網(wǎng)側(cè)結(jié)果遇到兩個問題一是多車在同一峰值時段集中充電形成的負(fù)荷尖峰反而被電網(wǎng)高峰疊加了二是多目標(biāo)沖突時每次都要反復(fù)調(diào)整權(quán)重才能收斂。最終我轉(zhuǎn)向聚合調(diào)度策略把所有可調(diào)度的電動汽車看成一個虛擬儲能池按照用戶設(shè)置的“參與放電意愿”進行排序優(yōu)先調(diào)度那幾個余電多、用車時間晚的車。這樣整個模型復(fù)雜度大幅下降而且邏輯上更貼近現(xiàn)實中充電運營商的做法。1.2 從“無序充電”到“有序調(diào)度”到底改了什么很多初學(xué)者以為有序充放電仿真就是給每輛車設(shè)一個固定充電時間跑一條曲線的區(qū)別。真不是這么回事。無序充電的場景是車子回到家插上槍就開始充一直充到滿或到設(shè)定目標(biāo)電量為止。這個模式下不需要任何智能決策仿真里只需要一條標(biāo)準(zhǔn)的充電功率曲線即可。但有序調(diào)度則要求你在充電過程里嵌入一個決策模塊每個時間步它都要回答三個問題當(dāng)前時段是峰還是谷、車輛當(dāng)前SOC是多少、目標(biāo)出發(fā)時間還剩幾小時。這個決策過程直接改變了仿真的數(shù)據(jù)結(jié)構(gòu)輸入不再是功率和時間的簡單數(shù)組而是一個帶約束的最優(yōu)化問題。求解結(jié)果也不再是“充到滿為止”而是“在此電價時段內(nèi)充電或放電多少”。我在最初建模時候犯過一個經(jīng)典錯誤直接拿無序充電的時序模型套用有序調(diào)度導(dǎo)致計算結(jié)果每天成本比無序充電還高。排查后發(fā)現(xiàn)問題在于我忽略了放電這個動作本身的損耗代價。電池充放電有能量損耗約5%到10%如果你在每個峰谷切換點都頻繁放電損耗成本會吃掉大部分電價套利收益。所以后面我在模型中加入了“放電判定閾值”只有在峰谷價差超過一定比例時才允許V2G動作這個細(xì)節(jié)對最終收益影響非常大建議每個人做的時候都認(rèn)真對待。1.3 仿真工具選型的經(jīng)驗MATLAB還是Python做這塊仿真主流就兩條路線MATLAB/Simulink和Python。我的建議是新手優(yōu)先選MATLAB因為Simulink里有現(xiàn)成的電池模型和電力電子模塊搭電路-控制聯(lián)合仿真最方便但如果你的目標(biāo)是驗證調(diào)度算法本身比如考慮優(yōu)化策略、大量隨機場景那我更推薦Python它的生態(tài)里有成熟的優(yōu)化求解器寫代碼邏輯更靈活。如果你的仿真重點偏電網(wǎng)潮流或電池物理特性那可以用MATLAB/Simulink嵌套動態(tài)模型如果重點是智能調(diào)度算法則用Python跑決策模型計算完成后再把結(jié)果拿回MATLAB繪制圖表。我自己在完整仿真實操里使用過兩種結(jié)合的方式核心調(diào)度算法用Python寫因為需要反復(fù)迭代調(diào)參電池充放電物理過程放到Simulink里驗證確認(rèn)算法生成的功率序列不會觸發(fā)電氣約束。不過必須誠懇地說如果只是想入門直接用MATLAB腳本建一個簡化模型就夠了先把主鏈條跑通后面再逐步增加復(fù)雜度千萬不要一步到位搭一個龐大的聯(lián)合仿真平臺否則排查問題時你根本不知道錯在哪一層。2. 核心細(xì)節(jié)解析與實操要點2.1 分時電價曲線的設(shè)置邏輯電價曲線是整個仿真的輸入基礎(chǔ)。國內(nèi)常見的分時電價一般把一天劃分成峰、平、谷三段有些地區(qū)更進一步劃分成尖峰、高峰、平段、低谷四段峰段通常是8:00-11:00和18:00-21:00平段是7:00-8:00、11:00-18:00谷段是23:00-次日7:00。每個區(qū)域、季節(jié)的具體時段不一樣有些地方甚至每個月調(diào)整一次。做仿真時不要用別人論文里的電價表直接套否則結(jié)果在你的場景下完全沒意義。正確做法是去本地電網(wǎng)公司的公示文件里抓最新的分時電價表然后再處理成仿真需要的逐時價格數(shù)組單位統(tǒng)一換算成元/kWh。我在實操中遇到過一個細(xì)節(jié)坑很多地區(qū)公布的電價表里居民用電和工商業(yè)用電的峰谷時段不同一般是錯開的。仿真時你要先明確對象是居民區(qū)的私人充電樁還是公共充電站的運營車輛。不同對象決定了你該用哪張電價表也決定了放電收益計算的口徑。我做過的一個校園微電網(wǎng)案例里還牽扯到季節(jié)性電價夏季和冬季的峰段時段不一樣這需要你在仿真模型里預(yù)留一個電價配置接口不要把電價硬編碼在算法內(nèi)部。萬一后面要換月份或換區(qū)域你只需替換參數(shù)文件就行這個設(shè)計對后續(xù)測試幫助很大。2.2 電動汽車相關(guān)的核心參數(shù)怎么定車輛參數(shù)分為三類電池物理參數(shù)、行駛需求參數(shù)、充放電控制參數(shù)。先說電池物理參數(shù)主要包括電池容量kWh、初始SOC、充放電功率上限kW、充放電效率。這個環(huán)節(jié)常見錯誤是設(shè)置充放電效率為1即默認(rèn)無損耗這在長期仿真里會導(dǎo)致收益虛高。真實鋰離子電池的充電效率約90%到95%放電效率約90%到96%綜合往返效率約85%到90%。我會建議在模型里分別設(shè)置充電效率和放電效率而不是合并成一個常數(shù)因為兩者的損耗差異會影響峰谷套利的判斷。行駛需求參數(shù)則直接決定調(diào)度自由程度。一個晚歸早走的上班族晚上11點回家、早上7點出門夜間窗口期足夠充滿電調(diào)度自由度反而小而一個白天停車、傍晚才走的網(wǎng)約車司機在中午屋頂光伏滿發(fā)或谷段時段有大量靈活充放電機會。做仿真時你要為每輛車定義接入電網(wǎng)的時間段、期望離開時間、離網(wǎng)時最低SOC、日行駛里程等信息。這些參數(shù)直接影響約束條件而不是僅僅作為背景字段。控制參數(shù)里最關(guān)鍵的是SOC范圍限制建議充放電都設(shè)置安全邊界比如充電不超95%放電不低于20%。這個下限我建議根據(jù)車型電池類型來設(shè)定磷酸鐵鋰可以稍微低一點三元鋰盡量保留在30%以上。原因在于電池壽命和放電能力的非線性衰退過度放電會顯著加速容量衰減。仿真模型里如果不設(shè)這個約束算法會在谷段瘋狂低價買入、峰段瘋狂放電表面收益數(shù)字很好實際不可行。2.3 有序充放電策略算法的核心結(jié)構(gòu)策略算法本質(zhì)上是一個帶約束的最優(yōu)化問題目標(biāo)函數(shù)通常是當(dāng)天總電費最小化也可以再加一個電池?fù)p耗懲罰項。最簡單也最容易理解的是線性規(guī)劃模型決策變量是每臺車在每個小時的充放電功率正值充電、負(fù)值放電。約束條件包括功率上下限、SOC動態(tài)平衡、SOC安全范圍、用車需求保證。目標(biāo)是讓所有車輛一天的費用總和最小。這里我放下自己寫過的一個簡化版目標(biāo)函數(shù)結(jié)構(gòu)給參考注意重點關(guān)注建模思路而不是直接拿代碼跑因為實際場景的約束項要比這個多很多。定義目標(biāo)費用所有車所有時段的充電電量乘以充電價格之和減去所有放電電量乘以放電補償價之和。這里要注意放電時獲得的收益在模型中要算作負(fù)成本才能讓優(yōu)化器主動選擇在峰段放電。同時電池能量損耗函數(shù)會形成非線性項如果直接用線性規(guī)劃需要把損耗近似為線性關(guān)系或者改用混合整數(shù)規(guī)劃來精確描述每輛車在某時段是否處于充電狀態(tài)。第二個關(guān)鍵點是時間粒度的選擇。我用過的幾種粒度包括15分鐘、30分鐘、1小時。粒度越小價格波動信息越充分調(diào)度策略越靈敏但求解時間會急劇上升。我個人的建議入門階段用1小時粒度跑通邏輯后再嘗試30分鐘逐步對比同一策略在不同粒度下的差異。還有一個容易被忽略的問題就是時區(qū)偏移。部分地區(qū)夏季執(zhí)行夏令時或特殊尖峰時段顆粒度選15分鐘時時段邊界和電價尖峰可能錯位要注意在你的數(shù)據(jù)索引里對齊時標(biāo)否則計算出來的費用會偏到離譜。2.4 放電阻止機制、荷電狀態(tài)平衡與用車需求優(yōu)先級有序放電并不是“沒限制地隨便放”仿真里必須實現(xiàn)三組防線。第一組是SOC下限防線無論峰時電價多誘人都必須終止放電第二組是時間防線臨近離網(wǎng)時間前一定時間段內(nèi)禁止放電只允許充電或待機否則放電后來不及補電第三組是功率防線充電樁的額定功率限制與電網(wǎng)變壓器容量限制同時生效多臺車同時放電時還要考慮本地開關(guān)的容量上限。我仿真時踩過一個很典型的坑沒有加入“臨近出發(fā)禁止放電”的約束。結(jié)果算法為了讓電費最小化在早上7點離網(wǎng)前一個時段安排車輛放電雖然那時電價處于峰段但放電后SOC不夠到達(dá)目標(biāo)值違反了用車需求約束。如果你用的是標(biāo)準(zhǔn)的優(yōu)化求解器這個違反約束的情況一般會被發(fā)現(xiàn)并警告如果你用的是自寫貪婪規(guī)則函數(shù)那就可能悄悄放掉了最終結(jié)果根本不滿足現(xiàn)實約束。排查很久才發(fā)現(xiàn)原因。所以我建模型時養(yǎng)成了一個習(xí)慣每個優(yōu)化完成之后立刻做一次約束校驗?zāi)_本專門檢查所有車輛在每個時段的SOC是否落在安全區(qū)間內(nèi)發(fā)現(xiàn)違規(guī)節(jié)點馬上定位是哪個約束被突破了。3. 實操過程與核心環(huán)節(jié)實現(xiàn)3.1 基礎(chǔ)數(shù)據(jù)準(zhǔn)備構(gòu)建一天的場景以我最近做的一個小區(qū)充電站場景為例我用下表定義基礎(chǔ)的場景參數(shù)供參考時段編號時段名稱時間范圍電價元/kWh1谷段23:00-07:000.322平段07:00-08:00、11:00-18:000.703峰段08:00-11:00、18:00-21:001.104尖峰21:00-23:001.30再定義4輛車作為初始測試集車輛A電池容量40kWh初始SOC為50%18:00接入、次日07:00離網(wǎng)目標(biāo)離網(wǎng)SOC為80%車輛B電池容量60kWh初始SOC為80%08:00接入、17:00離網(wǎng)目標(biāo)離網(wǎng)SOC為90%車輛C電池容量40kWh初始SOC為30%全天僅在谷段前接入22:00接入、06:00離網(wǎng)目標(biāo)離網(wǎng)SOC為100%車輛D電池容量80kWh初始SOC為60%10:00接入、16:00離網(wǎng)目標(biāo)離網(wǎng)SOC為70%。這四輛車的接入時間和初始SOC都不同可以覆蓋多種調(diào)度場景。構(gòu)建這些數(shù)據(jù)的目的就是要讓每臺車在電價峰谷中的可調(diào)度窗口差異足夠大才能體現(xiàn)有序調(diào)度算法的價值。我在這一步驟的實操心得是所有參數(shù)最好寫成一個JSON文件或CSV表格而不是在代碼里逐個賦值。因為后面做敏感性分析時你需要批量修改電池容量、初始SOC等參數(shù)用配置文件比改代碼快得多也避免改錯變量。我的習(xí)慣是數(shù)據(jù)、策略、求解三層分離數(shù)據(jù)文件只負(fù)責(zé)輸入策略層負(fù)責(zé)定義優(yōu)化規(guī)則求解層負(fù)責(zé)調(diào)用優(yōu)化器最后再單獨做一個結(jié)果可視化模塊。這樣的工程結(jié)構(gòu)雖然前期搭建稍慢但后期調(diào)試效率提升極其明顯。3.2 構(gòu)建優(yōu)化調(diào)度核心模型接下來寫核心調(diào)度模型的代碼。我用Python生態(tài)來做演示因為它的求解器接口比較統(tǒng)一。以下代碼是我在項目中使用的簡化版本核心框架可以直接復(fù)用。import numpy as np import pandas as pd from scipy.optimize import linprog # 場景參數(shù) T 24 # 24個時段粒度為1小時 price np.array([0.32]*8 [0.70, 0.70, 1.10, 1.10, 1.10, 0.70, 0.70, 0.70, 0.70, 0.70, 1.10]*3 [0.70, 1.10, 1.30, 1.30]) # 注意這個price數(shù)組需要和實際時段對齊 # 我這里簡化處理實際使用時請逐時段核對。 # 車輛參數(shù) vehicles [ {capacity: 40, init_soc: 0.50, target_soc: 0.80, t_in: 18, t_out: 7, p_max: 7, eta_ch: 0.92, eta_dis: 0.92}, {capacity: 60, init_soc: 0.80, target_soc: 0.90, t_in: 8, t_out: 17, p_max: 7, eta_ch: 0.92, eta_dis: 0.92}, {capacity: 40, init_soc: 0.30, target_soc: 1.00, t_in: 22, t_out: 6, p_max: 7, eta_ch: 0.92, eta_dis: 0.92}, {capacity: 80, init_soc: 0.60, target_soc: 0.70, t_in: 10, t_out: 16, p_max: 7, eta_ch: 0.92, eta_dis: 0.92}, ] n_v len(vehicles) # 決策變量每個時段、每輛車的充放電功率 # 變量排列方式先所有車的充電功率(T*n_v個)再所有車的放電功率(T*n_v個) n_var T * n_v * 2 # 目標(biāo)函數(shù)系數(shù)充電時為正成本放電時為負(fù)收益 c np.zeros(n_var) for t in range(T): for v in range(n_v): c[t*n_v v] price[t] # 充電成本 c[T*n_v t*n_v v] -price[t] * 0.9 # 放電收益打九折考慮放電損耗 # 約束矩陣和邊界 A_ub [] b_ub [] # 約束1充放電功率上下限 for t in range(T): for v in range(n_v): row np.zeros(n_var) row[t*n_v v] 1 A_ub.append(row) b_ub.append(vehicles[v][p_max]) row np.zeros(n_var) row[T*n_v t*n_v v] 1 A_ub.append(row) b_ub.append(vehicles[v][p_max]) # 約束2任意時段不能同時充放電簡化處理成疊加不超上限 # 更嚴(yán)謹(jǐn)應(yīng)該用整數(shù)變量這里用功率和上限近似 for t in range(T): for v in range(n_v): row np.zeros(n_var) row[t*n_v v] 1 row[T*n_v t*n_v v] 1 A_ub.append(row) b_ub.append(vehicles[v][p_max]) # 約束3SOC動態(tài)變化與安全范圍通過線性不等式近似 # 這里用等式的線性近似SOC_time init_soc cumsum(eta_ch*P_ch/ cap - P_dis/(eta_dis*cap)) # 為簡化我們構(gòu)建每個時段結(jié)束時的SOC約束。 A_eq [] b_eq [] for v in range(n_v): soc vehicles[v][init_soc] for t in range(vehicles[v][t_in], T): row np.zeros(n_var) # 充電增加SOC row[t*n_v v] vehicles[v][eta_ch] / vehicles[v][capacity] # 放電減少SOC row[T*n_v t*n_v v] -1 / (vehicles[v][eta_dis] * vehicles[v][capacity]) # 這里為了簡化直接采用每個時段結(jié)束后的累計SOC約束實際應(yīng)構(gòu)建前綴和矩陣這里必須說明上述代碼只是最粗糙的骨架實際運行時你還需要把約束矩陣構(gòu)造完整、加上每個時段的SOC累計前綴約束最終交接給linprog求解。我特別提醒一點用線性規(guī)劃近似SOC動態(tài)時如果初始SOC與目標(biāo)SOC差距較大你需要在每個時間段都添加不等式約束而不能只在最終時段加約束。因為優(yōu)化器如果只看最終值它會在前幾個時段瘋狂放電賺收益最后一小時再猛充電完成任務(wù)這顯然不符合電池和電網(wǎng)的實際運行約束。3.3 在MATLAB/Simulink中驗證電池物理模型當(dāng)你用Python算出每小時的功率序列后下一步是在Simulink里驗證這套序列能否被底層電池-充電樁系統(tǒng)執(zhí)行。我在Simulink里搭過一個相對完整的驗證框架包含鋰電池等效電路模型、充電樁功率控制環(huán)節(jié)、變壓器容量監(jiān)控三個模塊。鋰電池模型我用的是Simscape Electrical庫里的預(yù)設(shè)電池塊設(shè)置成與Python端相同的容量、初始SOC和充放電效率。功率控制環(huán)節(jié)接收來自Python端的功率指令轉(zhuǎn)換為PWM信號控制DC-DC變換器。變壓器容量監(jiān)控檢測所有充電樁的總功率是否超過配變額定容量。這個聯(lián)合驗證過程幫我發(fā)現(xiàn)了一個Python端沒注意的問題功率序列的時間粒度為1小時但Simulink里的電池模型是連續(xù)時間系統(tǒng)功率突變會造成電壓跌落或電流沖擊。解決方法是在功率序列到達(dá)Simulink之前加一個一階慣性環(huán)節(jié)設(shè)定時間常數(shù)約5分鐘平滑功率階躍。這個平滑處理其實就是模擬真實充電樁的功率爬坡限制現(xiàn)實中充電樁不可能瞬間從0kW跳到7kW。如果你跳過這一步Simulink仿真很可能會因為電流浪涌報錯或者結(jié)果看不出但實際并不物理。我在實際操作中發(fā)現(xiàn)最好把Python端算出的功率序列導(dǎo)出為CSV再用Simulink的From Workspace模塊導(dǎo)入而不是手動在Simulink里生成功率信號這樣可以避免兩邊的數(shù)據(jù)格式不一致。另外在Simulink中仿真運行前建議把求解器步長設(shè)小一些默認(rèn)的ode45在某些電池模型里容易產(chǎn)生數(shù)值震蕩我通常改成ode23t或ode15s收斂速度和穩(wěn)定性都更好。3.4 完整運行流程與結(jié)果輸出按我通常的操作順序一次完整仿真跑下來分五步。第一步讀取配置文件載入電價、車輛參數(shù)和網(wǎng)格參數(shù)第二步運行優(yōu)化算法得到每輛車每小時的最優(yōu)充放電功率第三步把功率序列輸入Simulink模型驗證物理可行性記錄實際執(zhí)行功率第四步統(tǒng)計結(jié)果計算每天總成本、每輛車最終SOC、變壓器最大負(fù)載率第五步繪制圖表比較有序調(diào)度與無序充電的成本差異和負(fù)荷曲線差異。我強烈建議結(jié)果輸出時生成三張固定圖表第一張是兩場景下的總負(fù)荷曲線無序充電vs有序調(diào)度x軸是時間y軸是功率這張圖能直觀看出有序調(diào)度削峰填谷的效果第二張是每輛車的SOC變化曲線用來確認(rèn)所有車輛的SOC都保持在安全區(qū)間內(nèi)第三張是每時段成本柱狀圖把峰段成本、谷段成本和放電收益分開堆疊展示。這三張圖的組合可以一次性回答幾乎所有基礎(chǔ)問題省了多少錢、砍了多少峰、有沒有違反約束。我自己在輸出圖表時吃過一個虧第一版結(jié)果圖只畫了總負(fù)荷曲線看起來非常平滑漂亮但檢查SOC曲線時才發(fā)現(xiàn)第三輛車在峰段被安排了放電最后SOC降到了目標(biāo)值以下。原因是總負(fù)荷曲線把多車疊加后掩蓋了個別車輛的約束違反。所以哪怕你只做最簡單的項目也建議至少輸出SOC曲線作為校驗圖這個習(xí)慣能幫你擋掉好多次數(shù)據(jù)異常。4. 常見問題與排查技巧實錄4.1 仿真結(jié)果總是“不省錢”原因出在哪這是最多人問的問題也是初學(xué)有序調(diào)度最常見的打擊。結(jié)果不省錢通常有三個原因。第一電價差不夠大如果你的分時電價峰谷價差只有0.2-0.3元/kWh那么套利空間基本被充放電損耗吃光了有序調(diào)度帶來的收益極其有限這個現(xiàn)象是正常的。第二車輛約束太緊比如每輛車接入時間短、目標(biāo)SOC高、平時行駛里程大剩余可調(diào)度電量很少優(yōu)化器沒有自由度。第三放電收益計算方式有誤部分模型把放電收益按“放電量×峰時電價”計算但實際上放電時有損耗你從電池放1kWh實際能送到電網(wǎng)的只有約0.9kWh而且放電過程本身是對電池的磨損這部分成本常被新手忽略。我建議排查時先做一次簡化測試把放電功能關(guān)閉只允許谷時充電、峰時不充電觀察成本是否比無序充電低。如果這個簡化版本都不省錢說明你的場景本身就沒什么套利空間如果簡化版省錢而完整版不省錢那問題就出在放電邏輯或損耗參數(shù)上。按照這個思路定位問題效率比一頭扎進代碼里調(diào)試高得多。4.2 求解器報“不收斂”或“無解”的常見原因優(yōu)化問題無解或不收斂是仿真里最讓人頭疼的錯誤。大多數(shù)情況下出在約束本身邏輯矛盾。典型情況是一輛車接入時間只有2小時但初始SOC與目標(biāo)SOC差距過大按最大充電功率計算都無法在時限內(nèi)充滿這個約束體系無解。這時你需要調(diào)整目標(biāo)SOC或接入時間參數(shù)。另一個常見原因是SOC約束矩陣構(gòu)造錯誤重復(fù)添加了相互沖突的上下界。特別是當(dāng)充電效率和放電效率不對稱時SOC的前綴和約束很容易寫錯導(dǎo)致優(yōu)化器報告Infeasible。我的調(diào)試習(xí)慣是先把所有SOC約束去掉只保留功率約束和目標(biāo)函數(shù)確認(rèn)能求解然后逐步添加SOC約束每次添加后重新求解直到找出沖突的約束位置。這個過程雖然機械但能快速定位問題。另外建議給linprog設(shè)置methodhighs在大多數(shù)場景下比默認(rèn)方法更穩(wěn)定求解速度也更快。4.3 Simulink仿真速度極慢怎么優(yōu)化Simulink仿真卡頓是另一個高頻問題尤其是電池模型加上電力電子開關(guān)器件后仿真速度可能慢到讓人懷疑人生。我踩過幾次坑后總結(jié)出三條優(yōu)化經(jīng)驗。第一把電力電子模塊的開關(guān)頻率和仿真步長解耦很多開關(guān)器件模型在高頻PWM下需要極小的步長如果只是驗證功率序列可行性可以用平均模型替代開關(guān)模型仿真速度能提升10倍以上損失的部分精度在前期驗證中完全可以接受。第二盡量減少連續(xù)積分模塊的數(shù)量把已經(jīng)計算好的功率序列改成查表輸入不要用復(fù)雜的PID閉環(huán)去追蹤功率指令。第三關(guān)閉Simulink的調(diào)試模式和信號存儲默認(rèn)情況下Simulink會存儲所有中間信號時間一長內(nèi)存占用巨大直接影響仿真速度。我只保留需要輸出的關(guān)鍵信號其他全關(guān)掉。4.4 數(shù)據(jù)對齊錯誤的排查方法仿真中還有一類比較隱蔽的錯誤就是電價時段與車輛接入時間的對齊問題。比如你的電價數(shù)組是從0點到24點排列的但車輛接入時間是晚上18點而電池SOC的累計計算又是從某個特定時間點開始的一不留神就會把時間索引錯位。這時候出現(xiàn)的結(jié)果不是運行報錯而是成本計算結(jié)果異常偏離實際情況。排查方法是單獨輸出每個時段的價格、功率、SOC數(shù)值矩陣逐行檢查第一個和最后一個時段的數(shù)據(jù)是否符合預(yù)期。我每次運行完新數(shù)據(jù)后都會做這個檢查成本不高但非常有效。5. 實戰(zhàn)心得與進階方向到這里你已經(jīng)掌握了一個完整的分時電價下電動汽車有序充放電仿真模型的搭建思路。我自己在這類項目里最大的體會是算法不是難在公式而是難在把現(xiàn)實約束完整地翻譯成機器能理解的數(shù)學(xué)模型。很多初學(xué)者花大量時間研究目標(biāo)函數(shù)怎么寫卻忽視了約束條件的準(zhǔn)確性結(jié)果模型跑得很漂亮實際場景里根本沒法落地。所以我建議你拿到這個項目時先花時間把約束條件整理成一張清單每條約束都要能回答“為什么這個約束必須存在”再去動筆寫代碼。目前這個仿真模型還可以往幾個方向擴展比如考慮配電網(wǎng)潮流約束和電壓約束讓結(jié)果更貼近電網(wǎng)實際情況加入光伏出力和負(fù)荷預(yù)測的隨機性用魯棒優(yōu)化或模型預(yù)測控制MPC來應(yīng)對不確定性把充放電策略和電池壽命模型耦合在電費收益和電池衰減成本之間找到一個最優(yōu)平衡點。這些方向每個都夠獨立做成一個好課題你可以根據(jù)自己的研究方向選擇一個深入下去。最后再分享一個小技巧無論你最終用什么仿真平臺都要把數(shù)據(jù)文件、算法模型、結(jié)果圖表三者的目錄整理規(guī)范給每個文件命名時加上版本號因為這個項目你一定會反復(fù)迭代命名混亂到時候想死的心都有。