智能电网：新能源调度

可视化演示

展示风光功率预测、多源协调调度与储能充放电的调度过程，可切换三种模式观察如何平抑新能源波动并降低成本。

调度基本概念

城市大食堂的运营长，最怕的不是客人多，而是灶台开了一排，菜却没按点端上桌。智能电网的调度中心，正是电力大食堂的运营长。它要同时盯住四类角色：发电的“源”、输电的“网”、用电的“荷”、存电的“储”。新能源调度，就是协调这四类角色，让每时每刻的供电量和用电量严丝合缝。

“源”包括火电、水电、核电，以及看天吃饭的风电和光伏；“网”是连接食堂各窗口的传菜通道，也就是输电线路；“荷”是千家万户的灯、空调和工厂马达；“储”则像后厨的大冰柜，电多时存起来，电少时放出来。传统电力系统只关心“源随荷动”，也就是发电追着用电跑；而新能源调度强调“源网荷储协同”，让用电侧和储能也主动配合。

无论怎么协同，电网的第一铁律都是“实时平衡”。可以用下面的功率平衡公式表示：

运营长盯着的不是某口锅火旺不旺，而是端上桌的菜和吃掉的菜始终一样多。新能源调度的一切算法，最终都是为了守住这个平衡。

新能源出力特点

菜农的收成看天吃饭：晴天摘得多，阴天摘得少；风大时菜运得快，没风只能干等。风电场和光伏电站就是这样的“特殊供货商”。它们的出力不像火电那样想开就开、想停就停，而是由天气说了算，这正是新能源调度最头疼的地方。

光伏出力在一天内呈现明显的“倒 U 形”：中午日照最强时出力最大，早晨和傍晚出力很小。可问题在于，傍晚恰好是下班回家、用电攀升的高峰，太阳却先“下班”了。这种“可再生能源出力高峰与用电需求高峰错位”的现象，叫做“反调峰”。风电则更任性，一阵强风可能让几十台风机同时满发，风停了出力又迅速下跌，形成爬坡事件。

为了定量描述光伏出力，工程上常用标准测试条件（STC）下的额定功率来折算：

除了反调峰，新能源还带走了系统的“压舱石”。传统火电、水电机组有巨大的旋转转子，扰动来了能靠惯性顶一顶；而风光通过逆变器并网，几乎没有旋转质量，导致系统惯性降低。食堂里没了压舱石，一阵风就可能让“电力大船”晃得更厉害。

调度核心算法

面对这么多“看天吃饭”的供货商，运营长得提前排好第二天菜单：哪些灶台开火，哪些休息，每口锅做多少菜。电力系统里，这分别对应“机组组合”和“经济调度”。机组组合（Unit Commitment, UC）解决“开几台、开哪些”的离散决策；经济调度（Economic Dispatch, ED）解决“每台发多少功率”的连续决策。

新能源大规模接入后，调度员还必须额外考虑“爬坡约束”：火电机组不是水龙头，出力不能瞬间从 100 MW 跳到 500 MW，它一分钟只能改变这么多。同时还得留出“旋转备用”，就像食堂预留几口热灶，忽然加菜时能立刻顶上。把这些写成一个优化问题，就是经典的经济调度模型：

机组组合像排班，经济调度像分菜，爬坡约束像“灶台升温需要时间”，备用容量则是“随时能加菜的机动锅”。把四者放到一个优化模型里，新能源调度才能在成本和安全之间找到平衡点。

预测与不确定性

运营长给明天备菜，总得先看天气预报。可惜天气预报会变卦：说好的晴天突然飘来云，风力预测偏差 30% 也时有发生。新能源调度的第一步，就是预测未来一段时间风光能发多少电。主流方法包括数值天气预报（NWP）驱动的物理模型，以及 LSTM、随机森林等机器学习方法。

预测得再准，误差也无法避免。因此调度不能把预测值当成“铁板钉钉”，而要把误差当成“必点菜”提前留出空间。不确定性建模就是描述“可能偏多少、长什么样”，并用概率分布或场景集来刻画：

理解了不确定性，就理解了为什么调度方案总喜欢“留一手”：多留几台备用机组、多存一些电量、多签几份可中断负荷合同。AI 的价值，就是让“留一手”从盲目保守变成精准备菜。

储能与需求响应

食堂后厨的大冰柜，是运营长最倚重的调节工具：菜多做多了就存进冰柜，客人突然加菜就从冰柜里取。电网储能就是“电力冰柜”，抽水蓄能、电化学储能、压缩空气储能都是它的不同形态。储能的核心指标是“荷电状态”SOC，可以理解成冰柜还剩多少菜：

除了储能这个“冰柜”，还有一群愿意错峰吃饭的常客——“需求响应”。他们可以在电价高的晚高峰少开空调，把洗衣机挪到半夜。把成千上万个这样的用户、充电桩、空调、分布式光伏聚在一起统一调度，就构成了“虚拟电厂”：它没有实体厂房，却像一个真正电厂一样听话。电动汽车则是会跑的“移动冰柜”，在虚拟电厂的指挥下有序充放电，实现车网互动。

优化求解技术

前面那些模型，运营长不可能用口算解决。电力系统调度问题通常是成百上千台机组、几十个时段、数万个约束交织在一起的“总账本”。其中，“开哪台、不开哪台”是离散的 0/1 开关，“每台发多少电”是连续变量，这类问题被称为混合整数规划（MILP）：

MILP 有成熟的商业求解器，但新能源接入后问题规模爆炸，计算时间太长。于是工程师们引入启发式算法，如遗传算法、粒子群算法，以及 AI 领域的强化学习，先用 AI 缩小搜索范围，再用精确求解器收尾。这就像大厨先凭经验圈出“最可能的几组菜单”，再让计算机精确计算哪一组最省钱。

工程实践应用

从城市大食堂回到乡间小饭馆，新能源调度同样无处不在。最具代表性的应用是“农光互补”：光伏板架在农田或大棚上方，板下种菜，板上发电。这类农业微电网往往远离主网，更需要聪明的调度，让光伏、储能、滴灌水泵和冷藏库在本地保持平衡。

工程实践中，调度不仅要算经济账，还要算“碳账”。全球碳约束下，碳排放强度成为调度模型里一个越来越重要的惩罚项。常用公式是给每台机组乘上碳排放系数，把碳排量计入总成本：

在偏远山区、海岛和农业园区，微电网把“源网荷储”浓缩在一个小范围里，靠 AI 调度实现自给自足。无论系统大小，安全稳定始终是底线：频率偏移、电压越限、线路过载，任何一条都可能让食堂停电停菜。因此，新能源调度的工程落地，最后都要落到“安全、经济、低碳”这三个词上。

AI 应用场景

Python 演示

class Battery:    def __init__(self, capacity, max_power, init_soc=0.5):        self.capacity = capacity        self.max_power = max_power        self.soc = init_soc * capacity     def charge(self, power, dt=1.0):        power = min(max(power, 0), self.max_power, (self.capacity - self.soc) / dt)        self.soc += power * dt        return power     def discharge(self, power, dt=1.0):        power = min(max(power, 0), self.max_power, self.soc / dt)        self.soc -= power * dt        return power  def dispatch_step(load, solar, wind, th_min, th_max, batt):    renew = solar + wind    needed = load - renew - th_min    if needed < 0:        charged = batt.charge(-needed)        curtailed = max(0, -needed - charged)        return renew, th_min, -charged, curtailed, 0    added = min(needed, th_max - th_min)    thermal = th_min + added    remaining = needed - added    discharged = batt.discharge(remaining)    thermal += discharged    shortage = max(0, remaining - discharged)    return renew, thermal, -discharged, 0, shortage  def simulate(load, solar, wind, th_min, th_max, batt):    records = []    shortage_total = 0.0    curtailed_total = 0.0    for t in range(len(load)):        renew, thermal, batt_power, curtailed, shortage = dispatch_step(            load[t], solar[t], wind[t], th_min, th_max, batt        )        shortage_total += shortage        curtailed_total += curtailed        records.append((renew, thermal, batt_power, curtailed, shortage))    return records, shortage_total, curtailed_total  if __name__ == "__main__":    hours = range(24)    load = [60 + 15 * int((h + 8) % 12 > 6) + 5 * int(h == 19) for h in hours]    solar = [0 if h < 6 or h > 18 else 30 * max(0, (h - 6) * (18 - h)) / 36 for h in hours]    wind = [12 + 8 * ((h * 7) % 5) for h in hours]    batt = Battery(capacity=40, max_power=15, init_soc=0.5)    records, shortage, curtailed = simulate(load, solar, wind, 40, 80, batt)    print("total_shortage: %.1f MWh" % shortage)    print("total_curtailment: %.1f MWh" % curtailed)    print("final_soc: %.1f MWh" % batt.soc)

1. needed = load - renew - th_min计算新能源发完电之后还差多少电，负数表示电用不完。
2. charged = batt.charge(-needed)把多余的电充进储能“大冰柜”。
3. curtailed = max(0, -needed - charged)储能满了还多出来的电只能“弃掉”，也就是倒掉。
4. added = min(needed, th_max - th_min)先让火电在爬坡范围内顶上一部分缺口。
5. discharged = batt.discharge(remaining)火电不够时，让储能放电补上最后一段缺口。
6. shortage = max(0, remaining - discharged)储能也放完了仍不够，就是真实的缺电。

常见误区

面试题