前阵子帮学院做新能源并网频率安全评估发现一个让人头疼的情况某地区风电光伏占比已经超过40%白天光照好的时候两台大火电几乎压到最低技术出力但一次调频的裕度已经告警——逆变器不响应频率变化系统惯量低到调度员不敢停那些“多余”的火电机组。光伏一抖动AGC就开始疲于奔命二次调频备用也经常捉襟见肘。那段时间我一直在想传统的经济调度模型只管功率平衡和“旋转备用大概够不够”根本没有区分一次调频和二次调频也不会管火电、水电、储能这些机组在频率响应能力上的巨大差异。后来我干脆把这个想法做成了一个完整的研究项目“考虑一次调频与二次调频及机组差异化特性的风光水火储双目标动态调度”全程用Matlab实现。今天就把整个建模思路、代码结构和我踩过的坑完整分享出来。这个项目适合谁正在做电力系统优化调度方向的研究生做新能源并网或辅助服务市场的工程师以及想了解AGC、一次调频备用如何嵌入调度模型的朋友。不需要你有很深的理论功底但希望你手里有一套Matlab和可用的商业求解器。下面直接上干货。1. 为什么调度模型要同时“管”一次调频和二次调频1.1 一次调频和二次调频的时间尺度与分工要理解这个模型先要把频率控制这件事拆开。电力系统的频率稳定靠的是“扰动—响应—恢复”的闭环当系统里出现功率缺额比如一台机组跳闸、一条联络线断开或者负荷突然上升频率会下降这时必须有人快速把功率补上否则频率会跌破允许下限触发低频减载甚至电网崩溃。一次调频和二次调频就是在这个过程中的两个不同阶段一次调频是自发响应。频率下降的瞬间所有并网同步机组的调速器检测到转速偏差自动增加进气量/进水量在几秒到十几秒内把出力提上去托住频率不再继续跌。它是“有差调节”——频率稳定在比额定值低一点的位置靠调差系数维持新的平衡。二次调频是有组织恢复。AGC系统检测到区域控制偏差ACE后每几秒到几十秒向指定机组下发调节指令调整机组的功率设定值把频率拉回额定值实现“无差调节”。在调度模型里这两种调频对应的备用容量性质完全不同。一次调频备用要求机组够快秒级能响应二次调频备用要求机组够持续能在分钟级尺度上跟踪AGC指令连续调节。如果调度模型不区分这两者只写一个“总旋转备用≥xxx MW”那等于默认所有机组都能同时满足两类需求这在低惯量、高比例新能源系统里是站不住脚的。1.2 传统备用约束在“双高”电网面前的短板传统调度模型的备用约束一般长这样sum(P_reserve(:, t)) R_need(t);R_need可能是最大负荷的5%或8%取个固定比例。这种约束的隐含假设是所有机组都有相同的响应速度备用容量可以互相替代。但在实际系统中一台600MW的火电如果当前出力已经接近上限它就没有向上的一次调频空间。但你把它留在“旋转备用”名单里调度员如果不知道它的调频上限就会错误地认为系统有足够备用。储能和火电的一次调频速度差了上百倍但传统约束给两者的备用“打分”完全一样。这低估了储能在频率支撑上的价值也高估了火电在瞬时响应项目上的能力。一次调频和二次调频同时需要时机组的可调空间是叠加占用的。如果一个机组同时承诺了一次调频20MW和二次调频15MW而它的实际可增出力只有30MW那在频率事件发生时就会“超卖”结果就是机组实际出力达不到指令要求频率恢复变慢。新能源接入后问题更严重风机、光伏大多通过电力电子变流器并网不提供天然惯量也不响应频率变化。系统里能真正支撑频率的只剩下同步机组和储能如同一个团队里能扛事的人变少了你还用原来粗放的方式点兵风险自然翻倍。这也是我这个项目的出发点——把调频全过程按一次、二次拆开并按机组的差异化特性分别建模。2. 机组差异化调频特性的数学刻画2.1 火电响应慢但出力范围大受锅炉蓄热限制火电机组的调频特性可以用三个维度来刻画可调容量上限、响应速度、持续能力。从调速器静态特性看一次调频增量与频率偏差近似线性[ \Delta P -\frac{1}{\sigma} \cdot \frac{P_N}{f_N} \cdot \Delta f ]σ是调差系数火电一般取4%~5%。σ越大同样频率偏差下机组承担的功率变化越小相当于调频“出力意愿”低。但光有这个还不够调度模型里必须考虑机组的当前运行点如果一台机组已经在P_max附近运行那它的一次调频向上容量就是零。所以我会这样写% 火电一次调频备用约束 0 R1_gen(i,t) R1_max_gen(i); P_gen(i,t) R1_gen(i,t) alpha * R2_gen(i,t) P_max_gen(i) * u_gen(i,t);至于二次调频火电的调节速率一般在1%~3%额定容量每分钟600MW机组大约每分钟能调8MW。这个速率可以直接用爬坡约束的“动态版本”写进模型机组在两时段之间的出力变化不能超过爬坡速率乘以时间间隔同时AGC调节能力还要求机组在设定值上下留出能接受指令的带宽。火电还有一个容易被忽略的问题锅炉蓄热。在频率下跌的瞬间汽轮机调门全开能短时多发出5%~10%额定功率这个能量来自锅炉蓄热——但如果一次调频持续几十秒甚至几分钟蓄热放完出力会回落实际能支撑的能量是有限的。所以严格建模时一次调频备用不仅要看容量还要看能量。我在做项目时把火电的一次调频上限R1_max经验性地设为额定容量的5%~8%并在报告里说明这是基于典型锅炉蓄热能力的保守估计。2.2 水电与储能快响应的“短跑选手”水电的一次调频响应速度比火电快一个数量级水轮机的调速器动作很快调差系数也能做到3%~4%。加上水电机组出力范围宽从零到额定爬坡率极高适合承担调频主力。不过水电有“能量天花板”——日发电量受来水约束不能像火电那样连续满发好几天。所以在模型里我加了日电量约束sum(P_hyd(:,t) * dt) E_hyd_day;储能的调频特性更特殊PCS储能变流器的响应时间在百毫秒级比水电还快一个量级而且功率可以双向调节既能增发也能吸收非常适合一次调频和AGC辅助调频。但储能的短板是能量有限。一台50MW/100MWh的储能以50MW功率放电2小时就放完了用于一次调频时虽然只需支撑几十秒但如果SOC初值太高一次调频向上放电时可能瞬间越限甚至过放停机。我处理储能的方式是给SOC加“调频预留走廊”SOC_min (R1_bat(t) R2_bat(t)) * T_fr_hour / E_bat SOC(t); SOC(t) SOC_max - (R1_bat(t) R2_bat(t)) * T_fr_hour / E_bat;这里T_fr_hour是一次调频支撑时间折算成小时一般取1~2分钟意思是调度模型在任意时刻都要保证即使储能同时被调用来一次调频和二次调频它的SOC也不会撞上上下限。这个约束看起来简单实际跑模型时作用非常大——它能让储能“知趣”地不在低谷时段把所有电量放光也不会在高峰时段一直满充导致没有放电空间。2.3 风光机组通过减载和虚拟惯量参与调频风电和光伏天然不参与频率调节但这并不代表它们完全没有调频能力。业内比较成熟的做法是让风电机组减载运行正常最大功率追踪MPPT时发P_max现在让它只发90%甚至85%留下10%左右的有功备用频率下跌时通过变流器控制快速抬高有功输出实现类似一次调频的效果。光伏也类似可以通过功率限制器预留备用。代价很清楚减载就是主动弃电。模型里我用一个带惩罚成本的决策变量来表示风光减载量让优化算法自己权衡——是顶着弃风弃光惩罚去换调频容量还是留着火电压出力来提供调频。这个权衡在新能源高占比场景下非常有意思后面仿真部分会再展开。虚拟惯量则是另一条技术路线变流器附加惯量控制让风机在频率变化时短暂释放转子动能。但虚拟惯量的可靠性和持续时间都低于同步机在调度模型中很难准确量化我一般把它当作“锦上添花”不在主模型里建模留到仿真后校验。3. 双目标动态调度模型的完整构建3.1 目标一综合运行成本最小化第一个目标函数是综合运行成本包含四部分[ \min F_1 \sum_{t1}^{T} \left[ \sum_{i \in G} \left( a_i P_{i,t}^2 b_i P_{i,t} c_i \right) \cdot u_{i,t} SU_{i,t} \right] \sum_{t} C_{bat} \cdot |P_{b,t}| \sum_{t} C_{curtail} \cdot \left( P_{wind,ava,t} - P_{wind,t} P_{pv,ava,t} - P_{pv,t} \right) ]火电燃料成本用二次函数拟合这是标准做法启停成本按机组启停事件计储能损耗按充放电功率计弃风弃光惩罚让模型尽量消纳新能源。研究场景下弃电惩罚系数取得比火电边际成本略高这样模型优先用新能源发电、逼不得已才弃。3.2 目标二碳排放最小化第二个目标只统计火电的碳排放水电、风电、光伏、储能视为零碳[ \min F_2 \sum_{t1}^{T} \sum_{i \in G} e_i \cdot P_{i,t} \cdot \Delta t ]两个目标天然冲突压排放就要压火电出力可能得让火电频繁启停或者用更贵的低碳机组成本就上去了。这就是“双目标”的含义——用一套模型算出一整条Pareto前沿让决策者自己选要省钱还是要减碳。3.3 调频相关核心约束重点中的重点模型里最核心的不是目标函数而是以下几组约束。它们直接决定了模型的物理正确性。功率平衡约束[ \sum_{i} P_{i,t} P_{hyd,t} P_{wind,t} P_{pv,t} P_{b,dis,t} L_t P_{b,ch,t} ]这里注意储能充放电我分别用两个非负变量表示并加互斥约束防止同时充放。这个细节很多人会忽略求解结果出现“储能又充电又放电抵消功率”的无意义解时多半就是漏了这条。一次调频备用约束系统在任何时刻都必须有足够的一次调频备用[ \sum_{i \in G} R_{1,i,t} R_{1,hyd,t} R_{1,bat,t} \ge R_{1,need} ]R1_need的取值我后面会专门说不能拍脑袋定。二次调频备用约束[ \sum_{i \in G} R_{2,i,t} R_{2,hyd,t} R_{2,bat,t} \ge R_{2,need} ]机组出力与调频容量耦合约束这是本项目的关键创新点[ P_{i,t} R_{1,i,t} \alpha \cdot R_{2,i,t} \le P_{i,\max} \cdot u_{i,t} ][ P_{i,t} - R_{1,i,t}^{down} - \beta \cdot R_{2,i,t}^{down} \ge P_{i,\min} \cdot u_{i,t} ]α是一个可调系数表示一次调频与二次调频同时动作的叠加程度。α1代表最保守的情况——一次和二次调频同时需要机组增出力两者容量完全叠加α0代表两者完美错峰容量不叠加。我实测下来取α0.5~0.8比较符合物理过程但建议在不同的可靠性要求下做灵敏度分析。爬坡约束考虑相邻时段出力变化[ |P_{i,t} - P_{i,t-1}| \le Ramp_i \cdot \Delta t ]储能SOC递推与调频预留约束前面公式已给出水电日电量约束[ \sum P_{hyd,t} \cdot \Delta t \le E_{hyd,day} ]这套约束体系加上双目标就是一个典型的混合整数二次规划MIQP问题。如果煤耗曲线线性化可以变成MILP。我这里用YALMIP搭建交给Gurobi求解后面详细讲。4. Matlab实现程序架构与关键求解手法4.1 程序模块与数据流设计整个项目我拆成五个模块各干各的事调试时能快速定位问题% main_frequency_dispatch.m %% 1. 数据初始化 init_case; % 机组参数、负荷曲线、风光出力、储能参数 init_frequency; % 一次/二次调频备用需求、调频参数 %% 2. 模型构建 build_constraints; % 功率平衡、调频备用、爬坡、SOC等 build_objectives; % 经济目标、碳排放目标 %% 3. 求解 solve_single_objective; % 单目标求解用于确定上下界 solve_epsilon_constraint; % ε约束法求Pareto前沿 %% 4. 后处理 plot_dispatch_curve; % 出力曲线 plot_pareto_front; % Pareto前沿 plot_frequency_reserve; % 调频备用分配情况init_case里用结构体存数据这样后面约束写起来可读性很高gen_data.name {G1; G2; G3; Hydro}; gen_data.Pmax [600; 300; 200; 100]; gen_data.Pmin [180; 90; 60; 0]; gen_data.R1max [30; 20; 15; 20]; % 一次调频上限 MW gen_data.ramp [3; 2; 1.2; 10]; % 爬坡速率 MW/min gen_data.coal_a [0.0002; 0.0005; 0.001; 0]; gen_data.coal_b [0.32; 0.35; 0.40; 0]; gen_data.coal_c [20; 15; 12; 0]; gen_data.emission [0.85; 0.85; 0.85; 0]; % t/MWh4.2 YALMIP建模的关键代码示例YALMIP写这类调度模型非常顺手决策变量、约束、目标写法几乎和数学表达式一一对应。核心代码长这样%% 决策变量 P_gen sdpvar(n_gen, T, full); % 机组出力 u_gen binvar(n_gen, T, full); % 启停状态 R1_gen sdpvar(n_gen, T, full); % 一次调频备用 R2_gen sdpvar(n_gen, T, full); % 二次调频备用 P_b sdpvar(1, T, full); % 储能出力正放负充 P_b_dis sdpvar(1, T, full); % 放电功率 P_b_ch sdpvar(1, T, full); % 充电功率 SOC sdpvar(1, T, full); % 荷电状态 P_wind sdpvar(1, T, full); % 风电实际出力 P_pv sdpvar(1, T, full); % 光伏实际出力 %% 约束 Constraints []; % 功率平衡 Constraints [Constraints, sum(P_gen,1) P_hyd P_wind P_pv P_b_dis ... Load P_b_ch]; % 一次调频备用需求 Constraints [Constraints, sum(R1_gen,1) R1_hyd R1_bat R1_need * ones(1,T)]; % 二次调频备用需求 Constraints [Constraints, sum(R2_gen,1) R2_hyd R2_bat R2_need * ones(1,T)]; % 机组出力与调频容量耦合 for i 1:n_gen Constraints [Constraints, P_gen(i,:) R1_gen(i,:) alpha * R2_gen(i,:) ... gen_data.Pmax(i) * u_gen(i,:)]; Constraints [Constraints, P_gen(i,:) - gen_data.Pmin(i) * u_gen(i,:) 0]; end % 储能 Constraints [Constraints, SOC(2:end) SOC(1:end-1) - (P_b(2:end) * dt) / E_bat]; Constraints [Constraints, SOC_min (R1_bat R2_bat) * T_fr / E_bat SOC]; Constraints [Constraints, SOC SOC_max - (R1_bat R2_bat) * T_fr / E_bat]; Constraints [Constraints, P_b P_b_dis - P_b_ch]; Constraints [Constraints, P_b_ch P_b_dis P_b_rated]; % 避免同时充放我觉得实际代码里最容易出错的是SOC递推里的正负号约定。我习惯用“P_b0表示放电”的约定那么SOC就会下降所以SOC(t)SOC(t-1) - P_b(t)*dt/E_bat。你如果写成P_b0表示充电公式全反了结果会出现储能越充SOC越低的荒谬场景。建议写完后先跑一个“空跑测试”——把目标函数设成常数让模型只找可行解检查SOC曲线是否连续合理。4.3 双目标求解放置为什么不用权重法而用ε约束法双目标优化的朴素做法是线性加权[ \min F w \cdot F_1 (1-w) \cdot F_2 ]扫w从0到1跑几十次理论上能得到Pareto前沿。但我在实际项目中吃过亏当模型含整数变量时可行域是非凸的权重法会漏掉Pareto前沿的凹段。具体表现就是画出来的前沿缺一块或者两个相邻权重点之间跳变巨大看起来不像一条连续曲线。我改用ε约束法思路更稳先只优化F1经济成本最小记录最优值F1_min。在这个解下计算F2的值记为F2_max因为要让排放最小F2肯定高于理论最小值。再只优化F2排放最小得F2_min。在[F2_min, F2_max]之间均匀取N个ε值。依次求解“min F1约束F2 ≤ ε”每次得到Pareto前沿上的一个点。最后画出F1-F2曲线。核心代码% 先求F2的最小值排放最小 optimize(Constraints, F2, options); F2_min value(F2); % 求F1在F2F2_min时的值 optimize(Constraints, F1, options); F1_at_minF2 value(F1); % 再求F1单目标下F2的值 optimize(Constraints, F1, options); F1_min value(F1); F2_at_minF1 value(F2); % ε约束法取N个点 eps_list linspace(F2_min, F2_at_minF1, 30); Pareto_F1 zeros(1, length(eps_list)); Pareto_F2 zeros(1, length(eps_list)); for k 1:length(eps_list) Constraints_k [Constraints, F2 eps_list(k)]; optimize(Constraints_k, F1, options); Pareto_F1(k) value(F1); Pareto_F2(k) value(F2); end注意每次循环里要判断求解状态如果infeasible就跳过。另外初始解如果直接丢给Gurobi它会花不少时间找可行解。我习惯先用Gurobi的warming start机制把上一次的解作为初始解传入能快不少。5. 仿真结果算例配置与规律分析5.1 算例系统与参数我用的测试系统参数如下不算复杂但足够说明问题机组类型额定容量(MW)一次调频上限(MW)爬坡(MW/min)碳排放系数(t/MWh)G1火电6003030.85G2火电3002020.85G3火电200151.20.85Hydro水电10020100Wind风电300减载备用-0PV光伏200减载备用-0Battery储能50/100MWh50-0一次调频备用需求R1_need 60MW二次调频备用需求R2_need 40MW。调度周期24小时分辨率15分钟T96负荷曲线取典型夏季日负荷风电、光伏出力取典型日曲线。储能SOC范围20%~90%充放电效率92%初始SOC50%。5.2 典型日调度结果的三个特征跑完基础算例结果很有代表性。第一个特征是低谷时段火电被一次调频备用“钉”在了特定出力点。凌晨2点到5点负荷很低风电出力却可能有180MW按理说系统可以压掉一台火电或者把G1压到180MW极限。但G1一旦压到极限它的一次调频备用就变成了零系统总的一次调频备用不够60MW。所以模型宁可多弃一些风也要让G1留出至少30MW的调频空间。这个现象直观解释了一个行业内经常说的痛点调频备用占用了新能源消纳空间。第二特征是储能虽然只有50MW但在调频备用分配中作用被放大了。储能的R1_bat设定上限是50MW比任何一台火电都高而成本只是很小的损耗费用所以模型几乎把所有R1_bat都占满。它承担了一次调频备用的主力角色间接让火电不用压那么低减少了弃风和燃煤。第三特征是高峰时段二次调频备用约束开始“吃紧”。晚高峰负荷到900MWG1和G2几乎满载此时要向火电要二次调频备用就得让它们降出力——形成了一种“越缺电越不敢满发”的奇观。储能此时由于SOC预留约束要给调频留能量走廊可放电量也被压缩了。这个结果让我认识到单纯堆新能源装机并不能解决调频问题真正决定新能源消纳上限的往往是这些看不见的“频率安全约束”。5.3 Pareto前沿与调频备用灵敏度的“意外发现”用ε约束法跑出的Pareto前沿最直观的趋势是排放降低初期成本增长平缓后期急剧上升。碳排放从9600吨降到9000吨成本只增加3%左右可再往下压到8700吨成本要跳增12%以上。这个拐点对应的系统状态是G3最小的火电从“不启停”变成“启停调峰”频繁启停带来的成本暴增。如果只靠权重法这个拐点很容易被平滑掉ε约束法能捕捉到它这也是我坚持用ε约束法的原因。灵敏度分析做了两组。第一组把R1_need从30MW逐步升到100MW系统总成本上升约8%弃风率从2%升到6%。这印证了一个结论一次调频备用需求每提升10MW系统付出的边际成本是递增的因为越来越需要让昂贵的调频机组让出发电空间。第二组把R2_need从20MW升到80MW成本只上升了2.5%左右。原因在于二次调频备用主要靠机组出力范围内的向上空间火电在非满发状态下都能满足不像一次调频那样受“响应速度”约束。这个对比很有用它说明在类似系统里“调频质量”的瓶颈主要在一次调频不是二次调频。这意味着如果做工程改造优先提升机组的一次调频响应能力比如加装储能、改造调速器比增加AGC调节容量更能解锁新能源消纳空间。6. 从模型到落地的避坑经验6.1 一次/二次调频备用的重复计算陷阱这是我在代码审查中看到的最常见错误。很多初版模型会写两个独立约束% 错误示例独立约束会允许PR1R2超过Pmax Constraints [Constraints, P R1 Pmax]; Constraints [Constraints, P R2 Pmax];单独看每个不等式都没问题但组合起来完全可能在P550, R130, R220时满足PR1580≤600PR2570≤600而实际上PR1R2600刚好在上限——够幸运的。如果P560, R130, R220两条都满足但三者之和610已经越限。为什么会出这种问题因为一次调频和二次调频在物理上不是完全错峰的事件。频率跌落瞬间一次调频动作同时AGC收到信号后几十秒也开始调节两者在时间轴上是有重叠的。我在模型里用耦合系数α把这一层建模进去P R1 α·R2 ≤ P_max。当成纯学术研究时α可以设为1代表最保守场景做工程时可以根据机组响应时间常数估算重叠度常在0.5~0.8之间取值。6.2 SOC初值与末端SOC储能会不会“白嫖”只跑单日调度而不加末端SOC约束会让模型“白嫖”储能的电量——初始SOC给20%时模型会让储能在一开始就全力放电把电量放干反正第二天不用负责。如果初始SOC给80%模型反而会让储能先充电再放电多做无谓循环。我的经验是加一条末端SOC的回订约束Constraints [Constraints, SOC(end) SOC(1) - 0.05]; % 允许5%的偏差这么做虽然牺牲了一点当日经济性但换来了调度结果的工程可用性——第二天接着跑时储能状态是连续的。工程上更讲究的方法是滚动优化receding horizon每次只优化未来6~8小时但用上一轮的SOC做初值代价是代码复杂度明显上升。6.3 调频动作后的爬坡恢复约束这个坑我一开始完全没意识到。起初模型只写了常规相邻时段爬坡约束结果仿真后发现一个不合理场景某台火电在t时段被分配了大量二次调频备用R2AGC指令下发后它实际出力会从P跳到PR2。下一个时段调度模型让它把出力降回来但降回的速度受爬坡约束限制——它可能根本无法在15分钟内完成“升上去再降回来”这个动作。换句话说调频备用不仅占用出力上限空间还占用“下一时段的爬坡预算”。我在模型里加了一组修正约束[ P_{i,t1} - P_{i,t} \le Ramp_i \cdot \Delta t - R_{1,i,t} - R_{2,i,t} ][ P_{i,t} - P_{i,t1} \le Ramp_i \cdot \Delta t R_{1,i,t} R_{2,i,t} ]这组约束的含义是如果机组在t时段已经预留了调频容量那么下一时段它要先“还债”才能做新的爬坡动作。不加这组约束模型给出的调度结果在数学上可行但在物理世界中执行不了。6.4 模型规模膨胀与求解器选择我这套系统决策变量在2000个左右二元变量约300个Gurobi 9.x求解时间大约20~40秒完全可以接受。但如果你要把线路潮流约束加进来或者把机组数扩到几十台规模会迅速膨胀几分钟都跑不完。这时候有两个降规模的技巧第一把煤耗曲线的二次函数分段线性化把MIQP转成MILP。Gurobi对MILP的处理能力远强于MIQP分段数取5段时误差普遍小于0.5%但求解速度能快好几倍。第二把15分钟粒度放宽到1小时先做预调度用预调度的启停结果固定前几小时机组的启停状态再用15分钟粒度做精细化调度。这样牺牲一点全局最优性但换来求解时间从几分钟降到几十秒工程上很划算。求解器方面我用的是Gurobi YALMIP。没有商业许可证的话可以改用SCIP或者HiGHS但求解MILP的性能会有明显下降。如果你的问题规模不大机组少于5台、时段96以内HiGHS基本够用。安装配置时记得yalmiptest跑一下确认Gurobi能被YALMIP正确识别不然optimize会默认走内置的fmincon碰到整数变量直接报错。另外调频备用需求R1_need和R2_need这两个参数不要随便拍脑袋。比较规范的做法是用SFR系统频率响应模型离线算一次给定最大单机故障缺额假设系统惯量H和负荷阻尼D解频率动态方程反推需要的一次调频总功率。R1_need偏小仿真结果过于乐观R1_need偏大新能源消纳被过度限制。这两个值的敏感性分析建议每次项目都固定跑一组。回到开头那个场景——我后来用这套模型给新能源高占比区域做了测算结论很清楚在现有火电调速器性能下系统的调频瓶颈不在“电量”而在“速度”。多加一组储能或者让水电分担更多一次调频带来的新能源消纳收益比单纯增加火电备用容量大得多。这类结论只有把一次调频和二次调频拆开建模、把机组差异化特性写进约束之后才能得出传统粗放备用模型根本摸不到这层。Matlab YALMIP Gurobi这套组合做研究、写论文、给工程做方案验证都很顺手。我把整套代码的模块划分、核心约束、求解流程都梳理在上面了建议你拿到案例数据后先跑通基础算例再加调频约束和双目标一步步来别一上来就铺全模型。后面我打算把SFR频率校验模块单独整理一篇专门讲怎么在调度结果基础上做动态频率验证有兴趣的可以持续关注。
