1. 赛题拆解从“光伏电”到“经济账”的核心逻辑每年看到华数杯、美赛这类数学建模竞赛的题目很多同学第一反应是“题目好长好复杂”。今年的B题“光伏电”就是一个典型。它表面上是一个关于清洁能源和电力系统的题目但内核其实是一道披着工程外衣的经济优化题。我参加过也指导过不少次这类竞赛一个深刻的体会是读题时如果抓不住“经济性”这个牛鼻子后面所有模型构建都会跑偏。题目描述了一个情景我们计划在特定区域安装光伏发电系统需要考虑光伏板的朝向、倾角以及配套的储能电池。目标很明确——在满足区域用电需求的前提下让整个系统的全生命周期总成本最低。这里划几个重点“全生命周期成本”、“满足用电需求”、“成本最低”。这意味着我们不是在单纯地追求发电量最大也不是在追求某个技术指标最优而是在做一道复杂的“经济应用题”。发电量高可能初始投资也高电池配得大保障能力强但成本也飙升。我们的模型就是要在这几个相互拉扯的变量之间找到一个最划算的平衡点。所以第一步不是急着去查光伏发电公式而是要把题目翻译成数学语言我们的决策变量是什么约束条件是什么目标函数是什么决策变量很清晰光伏板的方位角朝东、朝南、朝西、倾斜角以及储能电池的容量。约束条件就是电力供需平衡在任何时刻光伏发电量加上电池的放电量必须大于等于用电负荷不够的话就得从电网买电电池也不能过度充电。目标函数就是那个“总成本”它应该包括光伏系统的初始投资和运维成本、电池系统的初始投资和运维成本以及向电网购电的费用。购电费用是随时间变化的因为题目提到了电价峰谷差异这直接引入了“时序优化”的概念。理解到这一层整个问题的骨架就清晰了。2. 数据基石如何构建与处理关键输入数据集模型大厦能否立得住首先看数据地基打得牢不牢。这道题没有提供现成的数据集需要我们自己根据题目描述和常识进行合理构造。这是建模竞赛的常态也是考察能力的关键点。数据构造不是胡编乱造而是要基于物理规律和典型场景做到“合理可信”。我们需要构造至少一整年8760小时的时序数据主要包括三类2.1 光伏发电功率时序数据这是最核心的输入。发电功率取决于太阳辐射强度而辐射强度又取决于地理位置、时间、天气和光伏板的姿态。一个经典且足够用于本题精度的方法是使用HDKR模型Hay, Davies, Klucher, Reindl模型来计算倾斜面上的太阳辐射。我们需要以下基础数据水平面总辐射、直射辐射、散射辐射可以引用中国典型气象年TMY数据或者从NASA SSE、PVGIS等公开数据库获取某个典型城市如北京、上海的逐小时数据。地理位置参数纬度、经度、时区。时间序列年、月、日、小时、日序数1到365、太阳时。光伏板参数方位角我们的决策变量之一通常以南向为0度东负西正、倾斜角我们的决策变量之二。计算过程大致是先计算太阳位置高度角、方位角再计算倾斜面上的直射辐射、散射辐射和地面反射辐射三者之和即为倾斜面总辐射。最后乘以光伏板面积和光电转换效率一个常数如15%-20%就得到了逐小时的发电功率序列。这里要注意效率通常认为在标准条件下是常数但高级模型中可以考虑温度影响对于本题忽略温度效应是可接受的简化。注意在编程实现时强烈建议将辐射计算模型封装成一个函数PV_power(lat, lon, tilt, azimuth, weather_data)方便后续优化算法反复调用。初始验证时可以固定一组角度如当地纬度倾角、朝南生成一条发电曲线观察其是否具有明显的日变化和季节变化夏天发电多冬天发电少中午是高峰这是检验数据生成逻辑是否正确的最直观方法。2.2 区域用电负荷时序数据用电负荷数据需要体现日内变化和季节变化。一个常用的方法是使用标准负荷曲线模板。我们可以定义典型日负荷曲线绘制一条24小时的曲线形状通常为“双峰”或“三峰”即早高峰8-12点、午间平缓、晚高峰18-22点、夜间低谷。可以给每个小时赋予一个0到1之间的系数。季节修正系数夏季和冬季由于空调、采暖需求整体负荷水平会高于春秋季。可以设置四个季节的基准负荷值。随机波动为了更真实可以在基准负荷上叠加一个小的随机噪声如±5%。将典型日曲线根据季节系数缩放再拼接成全年序列就得到了全年的用电负荷数据Load_t。单位可以是kW或MW注意与光伏发电功率的单位保持一致。2.3 电网购电电价时序数据电价是驱动储能系统充放电行为的关键经济信号。题目暗示了峰谷电价。我们需要构造一个分时电价序列Price_t。例如峰时段如10:00-15:00 18:00-22:00高电价如1.2元/kWh。平时段如7:00-10:00 15:00-18:00 22:00-23:00中等电价如0.8元/kWh。谷时段如23:00-次日7:00低电价如0.4元/kWh。 周末和节假日可以单独设定一套规则。这个电价序列将与电力缺口负荷减去光伏发电结合计算购电成本。3. 模型核心混合整数规划与系统运行模拟有了数据接下来就是搭建模型的心脏。这个问题天然适合用优化模型来求解。由于电池的充放电行为、与电网的买卖电行为都是随时间连续变化的并且存在“是否购电”这种0-1决策虽然可以简化我们可以将其构建为一个线性规划LP或混合整数线性规划MILP模型。但考虑到计算复杂度和模型的直观性我更推荐采用“优化模拟”的两层策略。3.1 决策变量与目标函数定义首先定义清晰的决策变量P_pv: 光伏系统的安装容量kW这是一个连续变量。在本题中我们可以将光伏板面积和容量关联或者直接优化容量。theta: 光伏板倾斜角度连续变量通常范围0-90度。alpha: 光伏板方位角度连续变量范围-180到180度南向0度。E_batt: 储能电池的额定容量kWh连续变量。P_charge_t,P_discharge_t: 电池在t时刻的充电和放电功率kW均为连续变量且需满足充放电功率上限约束。SOC_t: 电池在t时刻的荷电状态kWh连续变量是电池容量的函数。Grid_buy_t: t时刻从电网购买的电量kW连续变量。目标函数是最小化全生命周期总成本Total_CostTotal_Cost C_pv * P_pv C_batt * E_batt Sum_t (Price_t * Grid_buy_t * Delta_t) OM其中C_pv是光伏的单位容量成本元/kW包括初始投资按生命周期折现的年化值。C_batt是电池的单位容量成本元/kWh同样折现。第三项是全年购电总费用。OM是运维成本通常可以表示为光伏和电池初始投资的一个百分比。3.2 系统运行约束条件模型的约束条件确保了系统的物理可行性和运行逻辑功率平衡约束最核心在每一个时间步长t如1小时必须满足P_pv * G_t(theta, alpha) P_discharge_t Grid_buy_t Load_t其中G_t是t时刻单位容量的光伏发电量kWh/kW由第2部分的数据生成模型计算得出。Grid_buy_t 0。电池储能动态约束状态更新SOC_{t1} SOC_t (eta_charge * P_charge_t - P_discharge_t / eta_discharge) * Delta_t其中eta_charge和eta_discharge是充放电效率如0.95。容量限制0 SOC_t E_batt充放电功率限制0 P_charge_t P_charge_max,0 P_discharge_t P_discharge_max。通常P_charge_max和P_discharge_max与电池容量有关比如最大功率为容量的0.5倍即0.5C倍率。互斥约束电池不能同时充电和放电。这可以通过引入0-1整数变量来严格约束但会增加模型复杂度。一个常见且有效的简化是在同一个时间步t只允许P_charge_t和P_discharge_t其中一个大于0。这可以通过添加一个大M约束来实现或者更简单地在模拟逻辑中通过规则控制。光伏板角度约束0 theta 90,-180 alpha 180。3.3 求解策略两层优化与模拟退火直接求解这个包含8760个时间步、多个连续和整数变量的MILP问题计算量非常巨大。因此实用的策略是进行解耦和分层优化外层优化系统配置优化优化变量是P_pvthetaalphaE_batt。这些是长期配置参数变化相对缓慢。对于这组变量的每一个候选解[P_pv, theta, alpha, E_batt]我们都需要评估其对应的全年总成本。内层模拟最优运行策略模拟给定一组固定的配置参数我们需要模拟电池在全年的最优充放电策略以最小化购电成本。这本身也是一个优化问题但可以转化为一个确定性的规则控制问题从而高效求解。一个经典且有效的规则是“基于电价的能量管理策略”充电规则当光伏发电有剩余即P_pv * G_t Load_t时优先用剩余电量给电池充电直至充满。如果还有剩余则视为弃光本题未考虑卖电回电网。放电规则当光伏发电不足即P_pv * G_t Load_t时优先用电池放电来弥补缺口。关键决策点在于何时放电。一个聪明的策略是只在电价高峰时段放电以替代高价购电在电价低谷时段即使有缺口也优先选择从电网买低价电而把电池的电留到高峰时段用。这需要预先知道未来的电价和负荷在实际中属于“预测控制”在本题的全年模拟中我们可以假设完全预知从而实现全局最优调度。这个内层模拟可以用一个简单的时序循环来实现逻辑清晰计算速度快。模拟结束后就能得到该配置下的全年购电量Sum(Grid_buy_t)进而计算总成本。外层优化算法选择由于目标函数计算调用内层模拟耗时且决策变量不多4个但目标函数可能是非线性的、非凸的由于三角函数G_t的存在适合使用启发式算法如模拟退火SA、粒子群算法PSO或遗传算法GA。我个人的经验是模拟退火在解决这类有界连续变量优化问题时调参相对简单容易获得不错的解。我们需要为四个变量定义邻域移动方式如小幅扰动角度和容量并设计一个合理的冷却进度表。4. 求解实现从MATLAB/Python代码到结果分析理论模型建立后就需要用代码将其实现并求解。这里以Python为例因为它有丰富的数据处理和科学计算库。4.1 代码框架与关键模块import numpy as np import pandas as pd from scipy.optimize import minimize import time # 1. 数据准备模块 def generate_weather_data(lat, lon): # 模拟或加载TMY数据生成DataFrame包含列GHI, DNI, DHI, Temperature等 pass def calculate_pv_generation(lat, lon, tilt, azimuth, weather_df): 基于HDKR模型计算倾斜面辐射及单位容量发电量序列 G_t 返回长度为8760的数组 G_t (kWh/kW) # 实现太阳位置计算、辐射分解、倾斜面辐射计算 # G_t (倾斜面总辐射 * 面板效率 * 损失因子) / 1000 (W/m^2 转 kW/m^2) pass def generate_load_profile(): # 生成8760小时的负荷序列 Load_t (kW) pass def generate_electricity_price(): # 生成8760小时的电价序列 Price_t (元/kWh) pass # 2. 内层模拟模块 def simulate_operation(P_pv, E_batt, G_t, Load_t, Price_t, params): 模拟给定配置下全年最优基于规则运行的总购电成本。 params: 包含电池参数如充放电效率、最大功率、初始SOC等。 T len(Load_t) SOC np.zeros(T1) SOC[0] params[SOC_init] * E_batt # 初始电量 Grid_buy np.zeros(T) P_charge np.zeros(T) P_discharge np.zeros(T) for t in range(T): # 当前时刻光伏发电量 PV_gen P_pv * G_t[t] # 净负荷正表示不足负表示盈余 net_load Load_t[t] - PV_gen # 初始化当前时刻决策 charge_power 0 discharge_power 0 buy_power 0 # 规则1如果有光伏盈余优先充电 if PV_gen Load_t[t]: surplus PV_gen - Load_t[t] # 可充电量受剩余容量和最大充电功率限制 charge_available min(surplus, params[P_charge_max], (E_batt - SOC[t]) / params[eta_charge]) charge_power charge_available # 充电后更新SOC SOC[t1] SOC[t] charge_power * params[eta_charge] # 如果还有剩余弃光本题不考虑卖电 else: # 光伏不足需要电池或电网补充 deficit -net_load # 规则2判断是否放电策略仅在电价高峰时段放电否则从电网买电 if Price_t[t] params[price_threshold_high]: # 高峰电价 # 可放电量受当前存量和最大放电功率限制 discharge_available min(deficit, params[P_discharge_max], SOC[t] * params[eta_discharge]) discharge_power discharge_available deficit - discharge_power SOC[t1] SOC[t] - discharge_power / params[eta_discharge] # 剩余缺口由电网购买 buy_power deficit SOC[t1] SOC[t] # 此情况下未充放电SOC不变 # 确保SOC在边界内 SOC[t1] np.clip(SOC[t1], 0, E_batt) # 记录 P_charge[t] charge_power P_discharge[t] discharge_power Grid_buy[t] buy_power total_grid_cost np.sum(Grid_buy * Price_t) return total_grid_cost, Grid_buy, SOC, P_charge, P_discharge # 3. 外层优化目标函数 def objective_function(x, G_t, Load_t, Price_t, params, cost_params): x [P_pv, tilt, azimuth, E_batt] 返回全生命周期总成本 P_pv, tilt, azimuth, E_batt x # 计算该角度下的光伏发电序列 (这里简化实际需重新计算G_t) # 注意优化中每次迭代都计算G_t效率低可预先计算一个网格或使用近似/插值。 G_t_current calculate_pv_generation(lat, lon, tilt, azimuth, weather_df) # 运行模拟得到购电成本 grid_cost, _, _, _, _ simulate_operation(P_pv, E_batt, G_t_current, Load_t, Price_t, params) # 计算总投资成本年化 capex cost_params[C_pv] * P_pv cost_params[C_batt] * E_batt opex capex * cost_params[OM_rate] total_annual_cost capex opex grid_cost return total_annual_cost # 4. 主优化流程 def main(): # 加载或生成基础数据 weather_df generate_weather_data(lat, lon) Load_t generate_load_profile() Price_t generate_electricity_price() # 系统参数 params {eta_charge: 0.95, eta_discharge: 0.95, P_charge_max: 100, P_discharge_max: 100, SOC_init: 0.5, price_threshold_high: 0.9} cost_params {C_pv: 4000, C_batt: 1500, OM_rate: 0.02} # 示例成本单位元/kW, 元/kWh # 初始猜测 x0 [100, 30, 0, 200] # 100kW光伏30度倾角朝南200kWh电池 # 边界约束 bounds [(50, 500), (0, 90), (-180, 180), (50, 1000)] # P_pv, tilt, azimuth, E_batt # 调用优化器这里用scipy.minimize示意实际复杂问题可用模拟退火等 result minimize(objective_function, x0, args(G_t_fixed_angle, Load_t, Price_t, params, cost_params), boundsbounds, methodL-BFGS-B) optimal_config result.x min_cost result.fun print(f最优配置: 光伏容量{optimal_config[0]:.1f}kW, 倾角{optimal_config[1]:.1f}°, f方位角{optimal_config[2]:.1f}°, 电池容量{optimal_config[3]:.1f}kWh) print(f最小年化总成本: {min_cost:.2f} 元) # 5. 结果分析与可视化 # 用最优配置运行一次完整模拟获取详细的运行数据 optimal_P_pv, optimal_tilt, optimal_azimuth, optimal_E_batt optimal_config optimal_G_t calculate_pv_generation(lat, lon, optimal_tilt, optimal_azimuth, weather_df) total_cost, Grid_buy, SOC, P_charge, P_discharge simulate_operation( optimal_P_pv, optimal_E_batt, optimal_G_t, Load_t, Price_t, params) # 绘制关键曲线比如典型日夏/冬的负荷、光伏发电、电池SOC、电网购电功率曲线 # 计算自给率、购电成本占比等关键指标 total_load np.sum(Load_t) total_pv_gen np.sum(optimal_P_pv * optimal_G_t) self_sufficiency_rate (total_pv_gen - np.sum(P_charge)) / total_load # 近似自给率 print(f光伏总发电量: {total_pv_gen:.0f} kWh) print(f总用电负荷: {total_load:.0f} kWh) print(f系统自给率: {self_sufficiency_rate:.2%}) print(f全年购电费用: {np.sum(Grid_buy * Price_t):.0f} 元) if __name__ __main__: main()4.2 结果解读与敏感性分析运行优化程序后我们会得到一组“最优”配置参数。但建模竞赛的答案从来不是一组孤立的数字而是基于这组数字的深度分析和洞察。首先解读最优解为什么是这个倾角通常固定式光伏在某一纬度地区最优倾角接近当地纬度以最大化全年接收的太阳辐射。但如果电价峰谷差很大模型可能会略微调整倾角使发电曲线更偏向电价高峰时段例如稍微向西倾斜让下午发电更多以匹配晚高峰负荷和电价。方位角同理朝南0度通常是基准但结合负荷特性可能会有微调。电池容量E_batt的大小直接反映了通过储能进行“能量时移”的经济价值。如果购电峰谷差价很大电池容量就会更大如果光伏发电曲线与负荷曲线匹配得很好电池容量可能就会小一些。其次必须进行敏感性分析。这是论文拿高分的关键。我们需要探究当关键参数变化时最优解和最优成本如何变化。这能体现模型的稳健性和现实指导意义。至少要做以下几个分析电价敏感性将峰谷电价差扩大或缩小20%重新优化观察光伏容量、电池容量和总成本的变化。这能回答“电价政策如何影响储能经济性”的问题。成本敏感性分别将光伏单位成本C_pv和电池单位成本C_batt降低20%模拟技术降价观察最优配置的变化。这能说明哪个部件的成本下降对系统推广更关键。负荷特性敏感性改变负荷曲线的形状例如增加晚高峰负荷观察系统配置特别是电池和光伏方位角如何调整以适应新的负荷模式。光伏效率/辐射敏感性考虑不同地区不同纬度、不同太阳能资源分析最优倾角和系统经济性的变化。最后可视化呈现。一图胜千言。至少要提供图1最优配置下典型日夏季晴天、冬季晴天的系统运行状态图。用多曲线子图展示负荷曲线、光伏发电曲线、电池SOC曲线、电网购电曲线。这张图能清晰展示电池如何“削峰填谷”白天光伏过剩时充电傍晚负荷高峰且电价高时放电。图2成本构成饼图。展示总成本中光伏初始投资、电池初始投资、运维成本、购电成本的占比。图3敏感性分析曲线图。例如以电池成本为横坐标以最优电池容量和总成本为纵坐标绘制两条曲线直观展示成本下降对系统配置的影响。5. 论文撰写点睛从“解题报告”到“研究故事”模型和代码都做好了最后一步是把所有工作编织成一个逻辑严谨、叙述清晰的故事也就是论文。数学建模竞赛的论文本质上是一份技术报告但它需要有学术论文的骨架和工程报告的清晰。摘要是论文的脸面评委可能只用几分钟看摘要。必须用精炼的语言300-500字概括全部精华针对什么问题、建立了什么模型、采用了什么方法、得到了什么关键结果用数据说话、得出了什么主要结论。例如“本文针对光伏-储能微电网的优化配置问题以全生命周期成本最小化为目标构建了包含光伏朝向、倾角及电池容量的混合整数规划模型。为高效求解提出了‘配置优化-运行模拟’的两层求解框架并设计了基于分时电价的最优充放电规则。基于中国某地气象数据与负荷特性进行仿真结果表明在基准场景下最优系统配置为……相比无储能系统总成本降低XX%。敏感性分析进一步揭示了电池成本与电价政策是影响系统经济性的最关键因素。”问题重述与分析部分不要照抄题目要用自己的话梳理问题的背景、目标和约束并画出技术路线图让读者一眼看清你的解题思路。模型假设是模型的边界必须清晰合理。例如可以假设1) 光伏板效率恒定2) 电池充放电效率为常数3) 负荷与电价数据可完全预知4) 忽略输配电损耗5) 系统寿命期内成本参数不变。合理的简化是必要的但要在文中明确指出。模型建立与求解是核心章节。要按照“总-分”结构来写先给出整体模型框架目标函数、决策变量、约束条件然后分小节详细阐述每一个子模块光伏发电模型、负荷模型、电池运行模型、优化算法。公式要编号变量要说明。算法部分可以给出伪代码或流程图。结果分析章节要围绕数据和图表展开。不要只说“我们得到了结果”而要解读“这个结果意味着什么”。为什么最优倾角是35度而不是当地纬度32度因为模型在平衡全年总辐射和下午发电量以匹配晚高峰电价。电池容量为什么是250kWh而不是300kWh因为边际效益递减第251个kWh的电池带来的成本节约已经低于其自身投资成本了。将这些背后的经济学和物理学原理讲出来。敏感性分析单独成一节展示你思考的全面性。用表格或图表清晰呈现参数变动对结果的影响并给出管理启示或政策建议。例如“分析表明当电池成本下降至1000元/kWh时最优配置中的电池容量将增加40%总成本下降15%。这提示储能技术的成本突破是推动光储系统普及的关键。”模型评价与推广是体现思考深度的部分。客观评价自己模型的优点如考虑了时序特性、经济性驱动、求解高效和缺点如假设完全信息、忽略设备老化、未考虑极端天气。并提出可行的改进方向例如引入不确定性用随机规划或鲁棒优化处理光伏和负荷的预测误差或者考虑更复杂的电池衰减模型。最后关于参考文献和附录引用关键的公式来源如HDKR模型、数据来源如NASA SSE、优化算法教材。将核心代码、大型数据表格放在附录保持正文简洁。从我个人的经验看一篇优秀的数模论文其灵魂不在于用了多高深的算法而在于逻辑的严密性、假设的合理性、结果的洞察力以及表达的清晰度。把这道B题从一道开放性的工程经济题通过合理的假设转化为可计算的数学模型再用严谨的分析讲好一个“如何最经济地利用太阳能”的故事这才是取胜之道。代码是工具模型是框架而论文才是最终交付的价值。
