最近在做一个高比例可再生能源电力系统的调峰成本量化与分摊模型用 Matlab 把整套东西实现了一遍。这类研究相信很多人都不陌生风电、光伏出力一高系统净负荷的峰谷差被拉得特别大为了维持电力平衡常规火电机组就得不断压出力、深调、甚至启停来“调峰”。但调峰不是免费的煤耗增加、机组寿命损耗、频繁启停这些都是真金白银的成本。问题在于这笔钱到底该算多少又该由谁来承担前者是调峰成本量化后者是调峰成本分摊正好是项目标题里两个核心关键词。这篇不打算写成教科书我把模型思路、成本公式怎么落到 Matlab 代码里、分摊逻辑怎么设计、以及实际编程中容易踩的坑都系统整理一遍。适合正在做电力系统调峰、辅助服务测算、新能源并网影响评估的科研人员和工程技术人员参考。如果你只是想把模型跑通、快速出结果直接看我后面给的代码框架就行。1. 先搞清楚调峰成本到底从哪里来1.1 高比例新能源带来的调峰需求传统电力系统里负荷曲线有峰有谷但总体可预测调节压力主要靠火电、水电来扛。新能源比例上来以后问题就复杂了。风电出力半夜可能很高光伏白天高但晚上直接归零再加上天气导致的不确定性系统“净负荷”负荷减去新能源出力的峰谷差会显著增大。举个直观的例子某地区晚高峰负荷达到 9000MW而光伏出力为零风电只有 400MW那常规机组要发 8600MW。到了凌晨某个时刻负荷降到 5200MW风电却可能涨到 2000MW这时常规机组得压到 3200MW。一天之内火电可能要经历从 8600MW 到 3200MW 的大范围调节这就是调峰需求。在高比例可再生能源场景下调峰需求已经不只是“晚峰爬坡”那么简单还包含“光伏落山后的陡升爬坡”“风电骤增时的深压出力”“凌晨低谷期的深度调峰”。每一次大范围出力调整都在消耗常规机组的调节能力和设备寿命。我从项目里能够很直观地看到新能源渗透率越高净负荷的最小值和最大值之间差距越大需要付出的调峰代价也越高。所以量化这些代价是设计调峰补偿和分摊机制的基础。1.2 调峰成本的三个主要构成调峰成本不是单一概念在项目里我把它拆成了三块第一块是运行能耗增量。机组在非经济工况下运行煤耗率升高。正常工况下机组可能运行在 60% 到 80% 额定出力效率较高但深调时压到 30% 甚至 20% 额定出力供电煤耗会大幅增加。这部分增量可以通过机组煤耗特性曲线直接算出来。第二块是机组寿命损耗成本。机组长期深度调峰转子、汽缸等高温部件承受更大的热应力会产生低周疲劳损耗缩短检修周期。工程上常用等效运行小时EOH来近似评估这种损耗。简化模型里可以按深度调峰的比例给一个损耗系数再折算成钱。第三块是启停成本。机组启停一次要消耗大量燃料用于暖炉、冲转、并网还要考虑启动过程中的额外维护成本。启停调峰在新能源出力波动大时尤其常见比如日内风电骤降导致需要快速启动机组顶峰。另外如果调峰能力不足系统只能弃风弃光那么弃电损失也应该纳入广义调峰成本只是量化时通常单独列项。我在模型里把这部分叫做“缺调峰惩罚成本”在分摊时同样需要对应承担主体。1.3 成本量化不是简单“多烧了多少煤”看到这里你可能会想调峰成本不就是高峰出力和低谷出力下的燃料费差值吗我最初也这么认为但真正做模型时会发现单纯算煤耗差值是不够的。深度调峰工况下的寿命损耗必须单独叠加。比如一台 600MW 机组从 480MW 压到 180MW煤耗差值可能只是几十万元量级但转子寿命损耗折算综合下来单位深调电量的成本会显著提升。也因此我采用的成本函数是不分段线性而是一个带有“深调惩罚项”的非线性函数。另一个容易被忽略的是机会成本。当机组因为深度调峰而失去高负荷收益时这部分损失在电力市场环境下应被计入。在成本型调峰模型里可以采用“在给定出力区间内最小运行成本与额定经济出力运行成本的差值”来近似代表。最终我在 Matlab 模型里把单台机组的调峰成本定义为[ C_i(P)C_f(P_i)C_{life}(P_i)C_{startup}\cdot u_i ]其中 (C_f) 是煤耗成本函数(C_{life}) 是深度调峰寿命损耗(u_i) 是启停指示变量。这个公式看起来简单实际编程时难点在于 (C_f) 的系数怎么拟合、 (C_{life}) 怎么表达成出力 (P_i) 的连续函数。2. 调峰成本量化模型成本构成与计算公式2.1 煤耗成本函数用二次曲线拟合机组特性火电机组煤耗特性在传统经济调度里已经研究得很透通常采用二次函数拟合。设机组 (i) 在出力 (P) 下的燃料成本为[ C_{fuel,i}(P)a_ib_iPc_iP^2 ]单位是元/小时。系数 (a,b,c) 可以从机组的供电煤耗试验数据拟合得到也可以用典型机组的经验参数。在 Matlab 里我建议用一个结构体数组保存所有机组参数这样后续循环计算非常方便unit(1).Pmax 1000; % MW unit(1).Pmin 150; % MW unit(1).Pdeep 240; % 深度调峰门槛低于此值认为进入深调区间 unit(1).a 30; % 元/h unit(1).b 220; % 元/MWh unit(1).c 0.03; % 元/MW^2h unit(1).coal_price 800; % 元/吨 unit(1).life_loss_coef 0.00012; % 深调寿命损耗系数这里的系数只是示意实际项目要根据目标机组重新拟合。我建议用历史运行数据做多项式拟合而不是网上随便抄一组参数。否则你的量化结果可能偏离真实值非常大。2.2 深度调峰寿命损耗成本建模深度调峰寿命损耗是量化模型里最有门槛的部分。工程上很难精确复盘每一次调峰到底对转子寿命影响多大但可以建一个工程近似模型。我的做法参考了国内很多文献的常用思路机组在深度调峰运行时寿命损耗与“调峰深度”相关。定义调峰深度为[ d\frac{P_{max}-P}{P_{max}} ]机组在额定工况附近运行时热应力变化不大损耗可以忽略。当出力低于某个阈值比如 (P_{deep}40%P_{max})损耗成本按指数或二次函数上升。简化公式[ C_{life,i}(P)\lambda_i \cdot \left(\frac{P_{ref}-P}{P_{ref}}\right)^2 \cdot C_{unit,i} ]其中 (\lambda_i) 是寿命损耗折算系数(C_{unit,i}) 是机组单位容量造价(P_{ref}) 是参考出力一般取经济出力。在 Matlab 里这种函数写起来没有难度但要注意当 (P) 大于 (P_{ref}) 时这个公式会变成负值需要加判断。2.3 启停成本与缺调峰惩罚启停成本可以按单次启动成本乘以启动次数来计算公式比较简单[ C_{startup,i}C_{hot,i}\cdot N_{hot}C_{cold,i}\cdot N_{cold} ]实际算例中为了简化我把它折算到启停时段内每台机组启停一次直接叠加一个固定成本。缺调峰惩罚则用来量化如果系统调峰能力不够必须弃风弃光带来的损失。这个值等于[ C_{curtail}VOLL_{re}\cdot E_{curtail} ]其中 (E_{curtail}) 是弃风弃光电量(VOLL_{re}) 是新能源损失电量价值单位可以按当地上网电价或者综合电价估算。这部分不参与火电调峰成本但在后续分摊中扮演“责任源”角色因为弃电往往正是因为某个时段新能源出力过高系统调不动。2.4 系统总调峰成本怎么汇总每个时段系统总调峰成本是所有开机机组在该时段的调峰成本之和[ C_{peak}^{total}(t)\sum_{i \in G_{on}} \left[ C_{fuel,i}(P_{i,t})C_{life,i}(P_{i,t}) \right]C_{startup,t}C_{curtail,t} ]其中 (G_{on}) 是并网机组集合。这里隐含了一个前提我们需要先通过某种调度策略给出每台机组的实际出力 (P_{i,t})。你可以用优化模型求也可以直接用运行数据。更多的时候量化模型的核心工作是根据净负荷曲线和历史调度方式模拟出力分配。在 Matlab 实现中我写了一个子函数calcUnitCostByPower(P, unit)输入单机出力和机组参数结构体输出该机组的调峰成本。主程序循环 24 小时逐时段逐机组累加即可。3. 调峰成本分摊模型怎么分分给谁3.1 分摊原则谁引起、谁受益、谁承担量化出系统总调峰成本之后下一步是分摊。分摊机制的设计直接影响各方经济性不能拍脑袋。我采用的三条基本原则是第一谁引起调峰需求谁承担主要责任。新能源出力波动导致净负荷峰谷差扩大这是调峰成本上升的直接原因所以新能源场站应当承担一部分调峰成本。第二谁从调峰中受益谁承担合理补偿。常规火电提供了调峰服务用户负荷也因系统稳定而受益因此负荷侧也需要分摊一部分成本。第三分摊结果要具备可计算性、可验证性。不能搞一个黑箱模型输出结果必须能让各方审计和接受。在这个原则下分摊模型设计成“总成本 新能源责任部分 负荷责任部分”并且两部分可以再细分到每个场站或每个用户。项目里我重点实现了新能源场站内的分摊因为这是高比例可再生能源场景下最紧迫的问题。3.2 基于调节责任系数的分摊方法对新能源场站进行成本分摊时我采用“多指标责任系数法”。不搞复杂的合作博弈算法因为实际工程项目中数据可获得性有限而且参与方希望逻辑透明。责任系数由三部分组成[ \omega_j\alpha\cdot \frac{\sigma_j}{\sum_{k}\sigma_k} \beta\cdot \frac{r_j}{\sum_{k}r_k} \gamma\cdot \frac{E_{curt,j}}{\sum_{k}E_{curt,k}} ]其中(\sigma_j) 是新能源场站 (j) 的出力标准差反映出力波动程度(r_j) 是最大爬坡速率反映出力骤升骤降的威胁(E_{curt,j}) 是场站弃电量反映抢占调峰空间的程度(\alpha, \beta, \gamma) 是权重系数三者之和为1。这个公式的思想很直白波动越大、爬坡越快、挤占系统调节空间越多的场站应该承担更多调峰成本。权重系数的设置可以基于实际场景调整我一般在算例里设为 0.4、0.4、0.2并在结果里做敏感性分析。Matlab 实现这个逻辑非常简单。先计算总调峰成本C_total_sum再算各场站的权重weight最后分摊到各场站sigma std(power_wind); % 各场站出力标准差 ramp max(abs(diff(power_wind))); % 各场站最大爬坡 curtail curt_energy; % 各场站弃电量 w1 sigma / sum(sigma); w2 ramp / sum(ramp); w3 curtail / sum(curtail); weight alpha * w1 beta * w2 gamma * w3; C_alloc_j C_total_sum * weight;用这个模型跑出来的结果不同场站分摊成本差距会很明显。出力平稳的场站分摊少波动剧烈的场站分摊多整体合理性比较高。3.3 负荷侧分摊与双向调节逻辑光给新能源分摊还不完整。负荷侧的峰谷特性也在影响调峰成本尤其是一些峰谷差大的工业负荷。实际项目里我通常把总调峰成本拆成“新能源驱动部分”和“负荷驱动部分”。怎么拆一个实用做法是“基准情景对比法”先计算含新能源的净负荷峰谷差再计算一个移除新能源后的负荷峰谷差两者差值所对应的调峰成本增量由新能源侧承担剩下部分由负荷侧按峰谷电量比例分摊。[ \Delta V V_{net}^{withRES} - V_{load}^{withoutRES} ]如果 (\Delta V) 大于零说明新能源加剧了系统调峰压力这部分增量成本就是新能源的责任然后交给上文的场站责任系数模型继续细分。如果 (\Delta V) 小于零说明新能源在某些时段起到了削峰作用这时甚至可以产生“负调峰成本”应该给新能源补偿。这个双向逻辑非常重要。很多模型只做“新能源一定增加调峰成本”的单向假设结果在光伏渗透率高的午间负荷低谷时反而算出了不合理的巨额成本。采用基准情景对比法后结果会真实很多。4. Matlab 实现从数据准备到结果输出4.1 总体代码结构设计这个模型的代码不复杂但数据流要理清。我在项目中按模块化方式组织分四层数据层读取负荷、风电、光伏、机组参数做数据预处理计算层调峰需求计算、单机成本计算、总成本累计分摊层责任系数计算、新能源/负荷分摊输出层表格、曲线、结果文件。主程序大概长这样% 读取数据 [load_curve, wind_curve, pv_curve] load_data(case_data.xlsx); % 净负荷 net_load load_curve - wind_curve - pv_curve; % 调峰需求 peak_shaving_req net_load - min(net_load); % 量化成本 C_total zeros(size(net_load)); for t 1:length(net_load) C_total(t) calc_system_cost(t, net_load(t), unit_list); end % 分摊 alloc_result allocate_cost(C_total, wind_farm, pv_farm); plot_result(net_load, C_total, alloc_result);实际项目里我建议把输入数据统一放到一个 Excel 文件或.mat文件中避免代码里硬编码数据这样换一个算例只需要改数据文件代码不用动。4.2 数据读取与清洗注意时间粒度和缺失值时间粒度是个容易被忽略的坑。用 15 分钟数据算出来的调峰成本和用 1 小时数据算出来结果差异很大。原因很简单爬坡事件往往发生在 15 分钟甚至更短的时间尺度里按小时平均后尖峰被抹平了调峰需求被低估。我的建议是如果条件允许至少用 15 分钟分辨率的数据。如果只能用小时数据在报告里要明确说明时间粒度差异不能把小时数据的结果跟 15 分钟数据的结果直接对比。数据清洗方面新能源出力数据经常出现零值、空值、明显错误值。我一般在读取后先做这样几步% 用上一个有效值填充缺失 data fillmissing(data, previous); % 限制负值归零 data(data 0) 0; % 超过装机的数据按装机截断 data(data capacity) capacity;这几行代码能避免很多后面计算的“灵异”结果。4.3 成本计算核心函数单机调峰成本函数是整个模型的核心。我把calc_system_cost设计成接受净负荷和机组列表先做简单的经济调度分配再算成本。为了避免优化工具箱带来的复杂依赖我直接采用“等微增率原则”分配负荷这是传统调度经典方法对调峰成本量化足够用。核心函数片段function C calcUnitCost(P, u) % 煤耗成本 C_fuel u.a u.b * P u.c * P^2; % 深度调峰寿命损耗P低于Pdeep时开始计入 C_life 0; if P u.Pdeep d (u.Pdeep - P) / u.Pdeep; C_life u.life_loss_coef * d^2 * u.unit_capacity_cost; end % 启停成本此处简化为单时段固定值 C_startup 0; % 由主程序单独叠加 C C_fuel C_life C_startup; end为了让结果单位统一建议所有成本都用“元/h”。这样最后算出来某一时段的系统调峰成本就是所有机组该小时成本之和再乘以时间跨度就能得到日调峰成本。4.4 结果输出表格、曲线和敏感性分析跑完模型后输出是重中之重。我用 Matlab 的writetable把结果导出成 CSV方便 Excel 进一步处理。同时画三种图净负荷曲线、调峰成本时段分布柱状图、各场站分摊结果饼图。画净负荷曲线建议用tiledlayout同时叠加负荷、新能源出力和净负荷三条线。调峰成本柱状图能非常直观地看出哪个时段调峰压力最大我现在这个算例里晚高峰前两小时和凌晨低谷期是最贵的两个时段。敏感性分析我习惯固定其他参数单独改变新能源渗透率看总调峰成本怎么变化。这是验证模型合理性的重要手段如果渗透率上升、调峰成本反而下降那多半是净负荷计算或者成本函数设置有 bug。5. 算例演示一个典型日的调峰成本与分摊结果5.1 算例系统说明为了验证代码我构造了一个简化算例。系统包含2 台 1000MW 火电、1 台 600MW 火电、总装机 1500MW 的风电场分为 3 个场站、总装机 800MW 的光伏电站。负荷数据取自典型夏季日风电数据用了随机生成但符合出力规律的曲线。时间分辨率为 1 小时共 24 个时段。先计算净负荷再量化调峰成本。我挑几个关键时段列在下面时段负荷(MW)风电(MW)光伏(MW)净负荷(MW)系统调峰成本(万元/h)02:00480018000300018.507:0052001200100390012.211:00750080070060005.614:00730060075059506.119:0092004005087503.822:0080001000070008.9可以看出凌晨 2 点净负荷最小系统调峰成本最高达到 18.5 万元/h。中午光伏出力高净负荷反而不太高调峰成本相对低。到晚上 19 点负荷高但净负荷高火电基本都在高负荷运行调峰压力小成本低。这说明调峰成本跟“负荷大小”不直接相关而是跟“净负荷相对最小值的大小”相关。只要净负荷被压得越低机组深调越狠成本越高。5.2 新能源场站分摊结果把全天 24 小时总调峰成本累加大约 280 万元。按照责任系数法三个风电场和一个光伏电站分摊结果如下场站装机(MW)出力标准差(MW)最大爬坡(MW/h)分摊成本(万元)风电场A50032026092风电场B600410340118风电场C40018015038光伏电站80042048032看到没光伏电站出力标准差挺大、爬坡也最猛但分摊反而少因为它的总调峰责任里有一部分被午间削峰抵消了。这就是基准情景法的效果。如果只按波动性分摊不考虑净负荷峰谷差变化光伏电站一定被高估。这个算例说明分摊模型不能只看单一指标。我在第一次实现时只用了出力标准差结果光伏分摊占比高得离谱后来加入“对净负荷峰谷差的贡献”修正才合理。5.3 结果合理性验证模型跑完我会做三个验证第一个把总调峰成本除以新能源总发电量得到“单位新能源电量调峰成本”。这个数字是否在合理区间可以用来判断模型量级。我的算例是 280 万元 / 5000 MWh 0.56 元/kWh偏高了一点但考虑到一天内深调时段多也算正常。第二个观察调峰成本曲线与净负荷曲线的相关性。正常情况下净负荷越低、调峰成本越高两者应呈负相关。如果出现正相关基本是机组出力分配写错了。第三个随机改变一个新能源场站出力曲线看分摊成本是否朝预期方向变化。如果某场站出力波动加大分摊成本必须上升否则责任系数计算有 bug。6. 常见问题与排查技巧6.1 数据问题负荷和新能源数据不同步这是我碰到最多的问题。负荷数据来自调度系统新能源数据来自场站监控两者时间戳可能不对齐。有的差半小时有的差一小时直接做净负荷计算会得到极其离谱的峰谷值。排查方法很简单画一条双 y 轴曲线同时画负荷和新能源肉眼检查峰值是否对齐。如果不对齐就需要重采样。我最常用的做法是用retime函数统一到标准时刻如果数据没有明确时间戳至少要做插值对齐。6.2 成本函数出现负值有时候算出来某时段总调峰成本是负数别急着怀疑模型的物理意义。最常见原因是二次函数系数设置不当。二次函数在出力很低时不一定会单调减小反而可能因为常数项太大而出现负成本。我采用的处理办法是在calcUnitCost函数里加一个下限保护C_fuel max(C_fuel, 0);虽然这有点“物理修正”的味道但在工程模型里很实用。更重要的是要先用实际机组数据拟合系数避免出现这种异常。6.3 Matlab 版本兼容性问题这个模型里用到的函数有fillmissing、tiledlayout、retime这些在 R2019b 之后才有老版本会直接报错。如果你还在用 R2016 这种老版本就需要改用interp1、subplot、datevec那套方案。我建议在代码开头加一个版本检查if verLessThan(matlab, R2019b) error(请使用R2019b及以上版本运行本模型); end省得换了电脑才发现跑不了。6.4 计算速度慢向量化替代循环24 时段、几十台机组的计算量用 for 循环其实也不慢。但如果你要扩展成全年 8760 小时、上百台机组循环就吃力了。我的经验是凡是能向量化的地方都向量化。比如计算所有时段净负荷平均值用net_load load_curve - wind_curve - pv_curve; % 自动向量化 avg_net mean(net_load, 1);比显式循环快非常多。对于需要逐台机组计算成本的场景可以用数组操作替代结构体循环但结构体在调试时更友好。我建议先用结构体把逻辑调通再考虑性能优化。最后再分享一点经验把这个模型从算法设计到 Matlab 代码落地我最深的体会是调峰成本量化的难点不在公式而在参数和数据。公式的书本上都有但一组靠得住的机组煤耗系数、一套对齐的高质量新能源出力数据才是决定模型结果可信度的关键。另外分摊模型的“公平性”没有唯一答案。你选择不同的责任系数权重结果可以相差很大。所以我在项目里都会做敏感性分析明确告诉使用方当前结果使用的是什么权重、不同权重下结果怎么变而不是甩出一个看起来很精确的数字。如果你准备把模型扩展到实时运行建议加入机组爬坡约束和备用约束用linprog或quadprog替换等微增率分配方法。这样模型会更接近真实调度调峰成本量化也会更严谨。但那是另一个项目的事了先把这个版本跑通你已经有了一张能用的底图。