基本原理

本节全面介绍 IESLab 规划优化平台方案计算的基本原理与使用方法：从优化设计哲学与边界（第 1 章，建议先读）出发，涵盖优化功能总览、优化数学模型、数学优化原理基础、求解计算方式、典型场景生成（GMM 聚类）、财务评估基础理论，以及面向工程交付的结果正确性判定（第 9 章）。文档面向能源规划从业者，帮助您快速理解平台并上手完成能源规划优化业务。

相关文档：

本文档（原理篇）：本文档为规划优化相关技术与原理；

计算方案配置：系统级约束（预设模板 + 自定义 DSL）、各类计算参数的逐项说明及各类工程场景的配置指南，见计算方案配置；

结果与报告：优化结果的查看方法、图表详解及调试技巧，见结果页面。

1. 优化设计哲学与边界

优化设计哲学：优化程序是一台"算得又快又准的计算器"，但问题的抽象、数据的真实性、参数的取舍、结果的判定与责任，始终属于使用者。本文档全篇的技术内容，都服务于这一句话。

阅读指引：正因如此，本章（第 1 章）与第 9 章"结果正确性判定"不只是背景介绍，而是全书最重要的两节；中间各章的算法与语法，只是把"你已正确定义的问题"算得更快的方法、技巧和工具。先把问题定义对，再谈求解。

1.1 先建模，后算法

1979 年，系统规划与运筹学大师 Russell L. Ackoff（阿克夫） 在《运筹学学会学报》（Journal of the Operational Research Society, JORS）卷 30 第 2 期（pp. 93–104） 发表 《运筹学的未来已成过去》（The Future of Operational Research is Past），并在同年发表续篇 《复活运筹学的未来》（Resurrecting the Future of Operational Research）。他一针见血地指出：运筹学（OR）的核心价值不在 "求解" 而在 "建模"。

阿克夫的反思固然有一定的时代局限性，但其重“建模”的系统工程思维，对本平台的每一位使用者都有直接的方法论意义：

优化的价值在于理解和解决的系统工程问题，求解计算并不是最重要的，最关键的是用户的建模过程——哪些量纳入优化（决策变量）、优化什么（目标）、如何取舍约束（哪些必须硬满足、哪些可以让步、让步要付多少代价）、把系统切在哪个边界上。这些建模决策决定了"你算的是不是那个真问题"，其权重远高于"用哪个求解器、把 gap 压到小数点后几位"。
建模差之毫厘，结果谬以千里：目标函数漏写一项燃料成本、上网率约束口径填错、把柔性负荷的"重要部分"错误地允许削减——模型照样"求解成功"，却会把一个错误问题的正确答案交到你手上。阿克夫把它概括为 "doing the right thing（做对的事：建模、选型、定边界）远比 doing things right（把事做对：求解、调参、提速）更重要"。工程界的共识同样一致——"所有的模型都是错的，但有些是有用的"（Box）；价值在于建模者清楚自己的模型在哪些维度上"错得可以接受"。

软件只接受一种输入：已经成型的数学模型——目标函数、决策变量、约束条件（见第 4 章）。而"一个实际工程问题如何变成这个数学模型"，软件无法代劳：

使用者的抽象工作	为什么必须由人来做
决定优化什么（目标：全生命周期成本？）	目标决定了"什么算好方案"，属工程价值判断
决定允许什么（约束：上网比例、保供时长、容量上下限）	约束是合规与安全的边界，只能来自政策、合同与工程经验
决定假设什么（电价、设备价格、负荷增长）	假设直接决定结论；平台无法判断假设是否符合当地实际
决定忽略什么（不做暂态、不做随机规划）	简化是刻意的工程取舍，必须由使用者知情同意

平台提供了通用的优化建模工具——拓扑化建模、9 类载能体（电、热、冷、冰、氢、甲烷、氨、碳、氮）、40+ 组件、系统级约束（预设模板与自定义 DSL，见计算方案配置）——目的是把"建模与求解"这件事做得可复用、可校验。但它不会、也不能替使用者决定上述四件事。

一句话记忆：软件负责"求解"，使用者负责"问题定义"。问题定义错了，求解器只会更快地给出错误答案。

1.2 三根支柱与责任链

优化结果的可信度沿一条链传递——数据 → 参数 → 判定——链上任何一环失守，结论就不可用：

真实合理的数据  →  合理的约束范围与参数  →  使用者对结果的判定与采用
  （数据模块）  （拓扑模块、计算方案设置）    （结果页面 / 工程决策）

环节	使用者要做的事	平台能帮的事	失守后的典型表现	参考文档
数据	提供合理、真实的负荷/气象/价格/设备参数	单位展示、数据完整性检查、场景可视化	结果量级离谱、缺电/弃电异常	数据准备要点
参数	设置合理的约束范围与优化参数（惩罚、间隙、时限）	守恒校验、退化判定、告警	约束"设了不生效"、约束被松弛买通	计算方案配置
判定	对结果指标与项目设置做交叉验证，判断方案是否值得投资	结果报表、能量平衡表、松弛与告警提示	采用了一个"最优但错误"的方案	第 9 章

关键认识：数据质量是这条链上权重最大的一环。设备参数差 10%、负荷曲线单位错 1000 倍、上网电价漏绑定——这些都不是求解器能"算回来"的。"输入一个垃圾，输出必然是包装精美的垃圾"，这是本领域最贵的一条经验。

1.3 求解成功不等于结果正确

优化结果的失败不只有"报错"一种。按发现难度，分为四种形态：

形态	现象	典型例子	靠什么发现
① 求解失败（显式）	报错、无可行解、超时无解	约束互相矛盾（如上网率 20% + 自消纳下限 85%）	日志与报错提示
② 结论不物理（隐性）	求解成功，但结果违反工程常识	系统缺电非零、弃电异常、储能同时充放电	检查"必须为零/必须在合理区间"的量
③ 静默失效（最隐蔽）	参数填了、报告也写了，但约束根本没进模型或未真正生效	自消纳率设 65%，实际 53%；约束被松弛"买通"	结果指标与项目设置交叉验证
④ 数据不合理（最根本）	模型与求解都正确，但方案在工程上不可行	负荷单位填错、设备价格失真、气象数据缺失	与台账、实测、同类项目对比

平台的设计选择：为了让模型"容易有解"（避免因参数互相矛盾直接失败），系统级的缺电、弃电与合规约束都被设计为带惩罚的软约束——违反要交罚款，但不禁止。这个设计的代价是：问题被隐藏进了目标函数。所以"求解状态显示成功"，只是"计算过程没有问题"，不等于"结果可信"。这正是第 ②③ 类失败普遍存在的原因。

1.4 Design for AI 但方向盘在人手里

平台在设计上贯彻 CloudPSS Design for AI 思想，规划优化的领域知识（建模规范、参数含义、异常诊断路径，即本文档与配套调试文档）被沉淀为可检索、可复用的知识，使 AI 能协助任务拆解、批量检查与异常初筛。

但设计为 AI 友好，不等于把决策权交给 AI：

适合由 AI/自动化承担	必须由使用者负责
自然语言意图 → 数据/拓扑/方案的翻译与草拟	数据是否真实、假设是否符合当地实际
批量一致性检查（单位、缺失、量级）	参数取舍与合规边界（上网比例、保供时长）
异常初筛与排查线索提示	方案是否合理、是否值得投资
报告草稿与图表说明	结果签发与工程决策

决策者在人：优化结果建议由工程师复核后使用

1.5 优化范围与边界

愿景：把重复、繁琐、易错的计算交给机器，把工程判断与责任留给工程师。平台追求的不是"替代工程师"，而是把工程师从试算与核对中解放出来，去做真正的方案决策。

能做什么（适用场景）：

适合用 IESLab 规划优化	典型产出
园区/AIDC综合能源系统规划设计	设备选型定容 + 运行策略
风光储容量配比与投资估算	装机/储能配置与投资回收测算
绿电直连项目合规性校核	绿电占比/上网/自消纳三率合规校验
多方案比选分析	多计算方案关键指标并排对比

平台是稳态规划、线性优化、确定性优化，以下内容明确不在范围内（避免误用）：

边界外	说明
暂态/电磁暂态仿真	秒级以下动态过程属仿真域，请用 EMTLab 等工具
全非线性交流潮流（AC-PF）	IESLab 采用交直流线性潮流；非线性潮流属潮流内核 DSLab 范畴
随机规划 / 鲁棒优化	以典型日聚类 + 极端场景近似不确定性，不显式建模概率分布
电力市场出清/竞价	电价作为边界条件参数，不做市场博弈建模，但可以设置多个电价进行比较，或编程实现灵敏性分析
施工时序、工程排期	不做建设进度安排

1.6 为什么用数学优化（MILP），而不是智能启发式算法

本程序采用基于数学规划的混合整数线性规划（MILP），而非粒子群（PSO）、模拟退火、遗传等智能启发式算法，原因在于两类方法"定的解的可信度"完全不同：

维度	数学优化（MILP）	启发式（PSO / 模拟退火 / 遗传…）
解的性质	全局最优，且可给出"离最优差多少"的证明（gap）	局部最优——通常找不到全局最优，且无任何最优性证据
结果稳定性	同一算例可复现、确定	依赖随机过程，结果极不稳定，难以稳定复现
初值敏感性	与初值无关，解不受初值影响	极大依赖初值与参数，不同初值走向不同局部最优
可验证/可审计	有最优性 gap，可证明离最优多远，结果可复核	无可证明的收敛保证，调参即玄学

一句话：数学优化给"有证据的最优 + 可复现"，启发式只给"碰运气的好解"。对需要交付、评审、复算的规划项目，可证明性比"算得快"重要得多——这也是本程序不采用智能启发式的根本原因。

为什么规划阶段用线性、不做非线性：

在项目初期的规划优化阶段，求解的是确定性的方案，实现选型定容与运行策略优化，其核心约束（能量平衡、设备出力上下限、储能 SOC、容量范围）都能线性表达；线性模型求解快、全局最优可证明；
非线性的主要来源是精确交流潮流（AC-OPF）下的潮流方程——那是运行/校核阶段（DSLab）的范畴，规划阶段采用交直流线性潮流已足够准确且远更稳定；
在规划阶段引入非线性，既显著增加求解难度与不稳定，又几乎不给"选型定容"带来额外价值。刻意不做非线性，是规划阶段的工程取舍，而非能力缺失。

1.7 使用者责任清单

我理解这个优化问题的目标是什么，并认可它代表"好方案"；
我提供的数据（负荷、气象、价格、设备参数）来源可追溯，格式和单位已按平台要求核对；
我设置的约束（上网率、自消纳率、保供、容量范围）有依据，且知道哪些是硬性的、哪些是"罚款式"的软约束；
我核对过三个必须为零/合理的量：系统缺电、系统弃电、约束松弛；
我把结果指标与项目设置做了交叉验证（例如设了自消纳率 ≥65%，实测是否 ≥65%）；
我知道本次结果的主要假设与局限（数据真实性、价格假设、未建模的忽略因素）；
我在采用该方案前做过工程合理性判断（容量规模、投资额、回收期是否符合常识与同类项目）；
我保留了算例与结果版本，便于后续复算、回归与审计。

以上清单在第 9 章给出逐项的技术判定方法；操作层面的排障步骤见结果页面 · 优化调试技巧。

相关：本章是方法论与边界。第 2-3 章回答"平台能算什么"（功能定位与使用流程、优化功能总览）；第 4-5 章回答"模型与算法长什么样"（优化数学模型、数学优化原理基础）；填参数见计算方案配置，判结果见结果页面。

2. 功能定位与使用流程

2.1 初学者导读

在阅读本节之前，先建立一个直观认识：能源系统规划优化，就是让在所有可行的方案中，自动找出成本最低的那一个。

以一个园区能源规划为例，您可能面临这样的问题：

园区有电、热两种负荷。我可以装光伏、装风机、装蓄电池、装燃气锅炉，也可以直接从电网买电。每种设备有多种型号、投资不同、效率不同；电价白天贵、晚上便宜。每种设备各装多少台、每天怎么运行，全年花的钱最少？

这个问题可能的组合方案成千上万种——手动试算根本算不过来。规划优化平台把这个问题写成数学模型，交给求解器（一种高效的数学计算软件）自动搜索，几分钟到几十分钟内给出全局最优（或接近最优）的答案：

您在平台上做的事	平台自动做的事
画出系统拓扑（哪些设备、怎么连接）	识别拓扑，生成能量平衡关系
录入数据（负荷曲线、气象、电价、设备型号库）	将数据填入优化模型
配置方案参数（见计算方案配置）	组装数学优化模型的约束等
点击"开始计算"	调用求解器搜索最优方案
结果查看	输出设备配置、运行策略、成本与财务报表

理解本节内容，您不需要任何优化专业背景；第 5 章会简单介绍线性规划等数学原理，感兴趣可以深入阅读，不感兴趣也不影响正常使用——您只需知道：平台会自动找到"最省钱且满足所有物理约束"的方案。

2.2 功能定义

IESLab 规划优化平台的方案计算功能，面向处于规划设计阶段的园区级至区域级的冷、热、电、氢等多能源耦合系统（亦包含单一能源的供能系统），在典型运行场景下，基于优化目标对系统中的设备进行选型与定容，并优化其在典型日下的运行方式。

简单来说，平台回答三个问题：

问题	输出	举例
选什么、配多少？	各设备的候选型号选择与配置台数/容量	风机选"远景 1200kW"2 台 + 光伏 5000 kW
怎么运行？	典型日 24h 逐时出力、充放电、启停策略	蓄电池夜里充电、白天高峰放电
投资划算吗？	全生命周期成本、投资回收期、财务报表	静态回收期 6.8 年，全投资 IRR 9.2%

2.3 核心能力

能力维度	支持内容
能源载体	电（交流/直流）、热、冷、冰、氢、甲烷、氨、碳、氮等9 类载能体（完整词表见计算方案配置）
设备模型	40+ 类组件（光伏、风机、蓄电池、电解槽、燃料电池、制冷机、热泵、锅炉、储氢罐等）
规划维度	设备选型（多候选型号池）+ 定容（容量范围约束下的台数优化）
运行维度	8760h 全年或典型日逐时运行策略优化
潮流内核	交直流线性潮流——节点-支路拓扑上的功率平衡与潮流分布，功率流向可见
系统约束	绿电占比、上网比例、弃电率等合规约束，支持自定义 DSL 语法
求解规模	50+ 设备、全年 8760h 优化，两阶段解耦可将求解时间由数小时压缩至数十分钟
结果输出	设备配置表、运行曲线、能量平衡图、11 张财务报表、一键 Word 项目报告

2.4 典型使用流程

一次完整的规划优化通常按以下五步进行：

数据准备 → 拓扑搭建 → 方案配置 → 启动计算 → 结果查看

步骤	操作内容	参考文档
数据准备	在数据管理模块录入气象数据（辐照、风速、温度）、电/冷/热/氢负荷曲线、分时电价、待选设备型号库	数据管理模块文档
拓扑搭建	在拓扑编辑器中放置元件、建立连接，设置元件约束；平台在您手动搭建的拓扑基础上自动识别交直流母线与节点-支路-设备连接关系，无需手动声明供能方式	拓扑编辑文档
方案配置	创建计算方案，设置规划类型、场景缩减方式、惩罚参数、系统约束（预设模板或自定义 DSL）、财务参数	计算方案配置
启动计算	选择优化目标，点击开始计算；可随时停止或停止并删除	启动计算
结果查看	方案列表比选、设备配置详情、典型日运行曲线、能量平衡图、财务报表、Word 报告导出	结果查看

同一项目可创建多个计算方案，各自独立配置设备选型、容量与运行策略，所有方案本地保留，关键指标可并排比选。

2.5 数据准备要点

优化结果的可靠性直接取决于输入数据的质量。启动计算前请核对以下数据：

数据类别	内容	注意事项
气象数据	太阳辐照强度、风速、温度等（逐时）	决定光伏/风机理论出力；若已经资源评估，请直接上传特性曲线
负荷曲线	电/冷/热/氢负荷逐时曲线	注意单位（kW 为功率值）；最重要的边界条件之一，刚性负荷支持“以荷定源”，柔性电负荷可支持“以源定荷”
电价数据	分时电价 /常数电价	影响购电成本与储能策略；两部制电价支持容量、需量电费
设备候选库	每类设备的候选型号（额定功率、投资单价、效率、寿命、运维成本）	型号池越丰富，选型空间越大；容量范围约束在此配置
电网参数	上下网功率与比例、峰谷差率、两部制电价等	决定与外部电网的交换能力

单位自查清单：负荷与出力用 kW、电量用 kWh。注意平台存在两套单位并存的情况：数据管理模块中的设备效率（如储能充放电效率）为 0~1 的实数；而拓扑编辑模块与计算方案中的比率类参数（最大上网率、最低自消纳率、峰谷差率、SOC 上下限等）为 百分数（0~100%）。两者混用会造成 100 倍的数值错误，是"结果偏大/偏小一个数量级"最常见的原因。

相关：本章是入口。功能清单见第 3 章，模型与算法见第 4 章、第 5 章，结果判定见第 9 章。

3. 优化功能总览

平台围绕"规划 + 运行"两条主线，提供以下优化功能：

3.1 设备选型与定容

每类设备可配置多个候选型号（如风机可选"厂家1 EN-120/1400"与"厂家2 GW2500-140"两种型号），平台从中自动挑选最划算的组合；
在用户指定的容量范围（如 1000~3000 kW）内自动优化配置台数；
选型与定容同时优化，兼顾型号间的效率、投资、运维差异。

示例：用户指定的风机容量范围为 1000 ~ 3000 kW，候选型号池中有两种风机 —— 厂家1 EN-120/1400（额定 1200 kW）与厂家2 GW2500-140（额定 2500 kW）。则厂家1 可配 1~2 台、厂家2 可配 1 台，平台会在这些组合中自动择优。

3.2 运行策略优化

逐时出力曲线：发电设备出力、储能充放电、转换设备能量分配；
储能充放电策略：在电价峰谷间套利、消纳富余新能源；
最大购电功率优化：两部制电价下优化需量电费。

3.3 储能保供

滑动窗口法自动识别全年极端工况，生成保供曲线并转化为储能时变 SOC 下限——平时用足容量，极端工况自动留足应急余量。通过 PowerGuarantee 参数（保供小时数）启用。

直观理解：假设保供小时数为 4，平台会检查全年每一个连续 4 小时的高负荷窗口，确保储能在这些窗口内有足够电量顶上，避免电网停电或新能源出力骤降时负荷失电。

3.4 设备启停优化

面向电解槽等启停敏感设备，可启用逐时启停排班优化：运行台数、启停跟踪、最小运行负载率等。规划阶段即可知道"买几台、何时开、何时关"。

典型案例：碱性电解槽（ALK）启动耗时长、频繁启停损耗大。开启 UC 后，平台会为其排定"白天开启，夜晚停机"这类符合物理规程的启停计划，而不是让它逐小时随意开关。

术语说明：本文所称"启停优化"是规划场景下对启停敏感设备的简化机组组合——只建模启停成本与最低负载率（必要时加启停次数限制），不含电力市场中传统机组组合 UC 的连续运行时间、爬坡、备用等约束。同理，"运行优化"是在给定电价（固定边界条件）下最小化运行成本的调度，不对电价本身做市场化竞价——电价始终作为输入。

3.5 柔性负荷调度

柔性电负荷（FlexEleLoad）支持四种调节模式，以更好地对调节能力和调节价格进行建模，实现“以源定荷”：

模式	说明	适用设备	计算方式
挡位功率	按固定功率挡位增减载	空调、水泵等离散档位设备	混合整数（MILP）
挡位比例	按额定功率的固定比例挡位增减载	有百分比挡位的设备	混合整数（MILP）
无级功率	连续功率调节	可连续调节的负荷（推荐）	线性规划（LP）
无级比例	连续比例调节	可连续调节的负荷（推荐）	线性规划（LP）

新能源大发时段增载消纳、低谷时段减载降本，调节成本计入目标函数。大规模优化推荐使用无级模式（纯 LP，求解效率更高）。

3.6 全生命周期设备替换

按设备寿命与项目运营期自动计算替换次数，替换投资纳入全生命周期成本优化。

直观理解：项目周期 25 年，蓄电池寿命 10 年——期间需要更换 2 次。这两笔更换投资会自动计入设备投资总成本，避免"只算首次投资、低估真实成本"。

3.7 自定义元件模型

平台内置 40+ 类组件之外，还支持自定义元件模型：不改内核代码，只需在平台上用定义表（集合、参数、变量、约束、目标、成本）描述"一类设备长什么样"，再在约束与目标中用元件 DSL 书写数学关系（如 $Etes = Etes[pd-1] + \eta_{ch} Q_{ch} - Q_{dis}/\eta_{dis}$ 这样的递推式），即可把新设备（塔式光热、工艺产线、新型热泵等）接入选型定容与运行优化，其约束与成本项自动进入第 4 章的模型框架。

注意区分两套 DSL：元件 DSL（描述单个元件内部的数学关系，索引域写法为 in 域）与 系统约束 DSL（见4.4.3 节，跨设备聚合，不同设备域写法为 @组件）是两套独立语言，语法不通用、不可混用。完整语法、校验规则与塔式光热（CSP）实例走查见自定义元件模型 DSL 与 CSP 实例。

3.8 财务后评估

优化完成后可执行财务后评估，输出 11 张标准财务报表与投资收益率、投资回收期、度电成本等指标（详见结果查看）。

相关：这些功能背后是统一的数学模型（第 4 章）；不同规模该选哪种求解模式，见第 6 章。

4. 优化数学模型

4.1 读懂优化模型

优化模型由目标、变量、约束三要素构成，以"家庭装修选家具"作类比：

三要素	数学名称	家装类比	本平台对应
想决定什么	决策变量	买几张床、几张桌	设备台数、逐时出力
想要什么最好	目标函数	花钱最少、利用率最高	全生命周期成本最小
必须满足什么	约束条件	房间面积有限、预算上限	能量平衡、设备物理限制、合规指标

优化求解器做的事：在所有满足约束的变量取值组合（可行方案）中，找到让目标函数最好（最优）的那一组。

平台已将能源规划的这三要素预置为模板：您录入拓扑与数据后，平台自动生成目标函数和绝大多数约束；您在方案中配置的参数（见计算方案配置）只是对少数关键项做调整。理解三要素，就能明白每个参数"到底在改模型的哪一部分"。

4.2 优化目标

平台基于单目标优化模型，优化目标为经济性——系统全生命周期综合成本最小：

\min \; C_{TC} = C_{inv} + C_{op,f} + C_{op,v} + C_{fuel} + C_{pur} - C_{sel} + C_{penalty}

各项含义与通俗解释：

分项	含义	通俗解释
$C_{inv}$	投资等效年金	一次性投资折算成"每年摊多少钱"。买 100 万设备用 10 年，不是每年算 100 万，而是按年金公式摊到每年约 13~16 万（取决于贴现率）
$C_{op,f}$	固定运维成本	只要设备在，每年就得花的钱（检修、人工），与容量成正比
$C_{op,v}$	可变运维成本	每发一度电（每供一焦热）多花的钱，与出力成正比
$C_{fuel}$	燃料消耗成本	燃气锅炉、燃机的燃料费
$C_{pur}$	购能成本	从电网买电的钱，分时电价下白天贵、晚上便宜
$C_{sel}$	售能收益	新能源发电上网卖钱的收入（前面带负号，从总成本中扣除）
$C_{penalty}$	惩罚项	缺供电、弃风弃光、约束越限的"罚款"（见4.5 节）

其中投资等效年金的计算公式为：

C_{inv} = \sum\limits_{i=1}^{M} \frac{r(1+r)^{T_i}}{(1+r)^{T_i} - 1}\,\phi_i

符号	含义
$r$	贴现率，考虑资金的时间价值，默认 7%
$T_i$	第 $i$ 类设备的寿命年限	光伏约 25 年、蓄电池约 10 年
$M$	待规划的设备种类数
$\phi_i$	第 $i$ 类设备的投资费用	型号单价 × 台数

贴现率的直观作用：贴现率越高，未来支出的"现值"越低，优化越倾向于"少花钱建设、多花钱运行"；贴现率越低，越倾向于"一次性多投资、换取低运行成本"。工程中贴现率一般取 5%~8%。

关于设备寿命与中途替换：上式中的 $T_i$ 是单台设备的寿命年限（不是项目运营期）。当项目运营期长于设备寿命时（如项目 25 年、蓄电池 10 年），期间发生的更换投资由3.6 节的替换逻辑单独计算并计入全生命周期成本——即 $C_{inv}$ 中的 $\phi_i$ 只反映首期投资的年金化，中途更换投资由替换项补充。

4.3 决策变量

优化模型求解时，以下变量由算法自动确定（您只需在平台上配置范围，不必逐个指定取值）：

变量类别	类型	含义	示例
设备选型	整数	每种候选型号的配置台数	选"型号 A"还是"型号 B"风机、各几台
运行出力	连续	各典型日各时段的出力/充放电/能量流	蓄电池一天内的充放电策略、制冷机出力曲线
模式状态	0-1	启停敏感设备各时段的开/停	电解槽逐时启停排班（启用 UC 时）
柔性调节	无级连续/挡位0-1	柔性负荷各时段的增/减载量	算力负荷高峰时段减载多少
潮流分布	连续	各支路各时段的功率流向与大小	每条线路、每个节点的功率分布
最大购电功率	连续	计费周期内的最大需量	两部制电价需量电费优化
松弛变量	连续	软约束的违反量	合规约束轻微越限时付出惩罚代价

设备选型与容量范围的关系：选型变量的取值范围取决于数据管理模块中的待选设备型号池；容量变量取值范围是用户指定容量约束内该型号可配的台数范围。示例见 3.1 节。

4.4 约束条件

4.4.1 能量模型约束

指系统的能量转换与平衡关系，是模型的"物理骨架"，由平台根据拓扑自动生成：

设备能量转换关系：每类设备的输入-输出关系，如制冷机的"电→冷"按能效比（COP）转换、锅炉的"气→热"按效率转换；
节点能量平衡：每个节点每个时段，流入功率 = 流出功率，各载体分别平衡——"供多少、用多少、存多少，账要平"。

平台采用交直流线性潮流内核在节点-支路拓扑上建模：

传输线：线性化交直流潮流模型，支持支路容量双向约束，以匹配绿电直连专线；
MMC 换流器：桥接交直流网络，支持主从控制；

线性化潮流避开非线性求解的不稳定，同时保留功率方向与容量信息——过去只能看到"系统发了多少电、用了多少电"，现在能看到每一台设备、每一条线路、每一个节点在每一时刻的功率流向。

拓扑连接由用户在拓扑编辑器中手动搭建，平台在其基础上自动识别交直流母线与电压等级、自动推导平衡关系，用户无需手动声明供能方式。

4.4.2 设备运行约束

每类设备依据其物理特性施加运行约束：

约束类型	说明	通俗解释	适用设备
出力上下限	出力不超过已配置容量，不低于最小负载率	"这台机器最多干这么多活"	所有设备
能效转换关系	输出 = 输入 × 能效比（COP/效率）	"消耗 3 度电产 10 度冷"	热泵、制冷机、锅炉、换热器等
储能 SOC 限制	荷电状态在允许范围内，始末容量一致	"电池不能充爆、不能放空，调度周期内存放电量打平"	蓄电池、储热/冷/氢罐
充放电功率上限	充/放电功率分别不超过额定充/放电功率，均为非负连续变量	"这台储能最多这么快充、最多这么快放"	蓄电池、储热/冷/氢罐
启停逻辑	启停成本	"启停一次成本较高，不能随意启停"	电解槽等
特性曲线	特性曲线分段线性化	"部分负荷下效率会变，按曲线算"	单/双工况制冷机
冷热双模式	同一设备冷热模式切换	"同一台设备，不能在同一时段同时制冷制热"	热泵、吸收式设备

提示：同时充放不是模型的解算错误，而是富余电力没有合理正当去处的症状。正确处理见结果页面 · 弃电与同时充放电，根因通常是上网通道未打通或弃电成本设置较高。以上为内置组件的约束；自定义元件的运行约束由用户以元件 DSL 声明（见3.7 节），构建后与本节约束同层生效。

4.4.3 系统级约束

跨设备的系统级指标约束，如绿电直连合规指标、新能源消纳比例、储能保供等。平台提供预设约束模板（直接选类型给限值）与自定义 DSL（用接近数学表达式的语法描述，仅支持统一模型），详见计算方案配置 · 系统约束。

4.4.4 外部条件约束

约束	说明	通俗解释
外部电源最大购电量	电网接口的购电功率上限	"供电局只允许你这么大功率用电"
最大上网电量	新能源上网比例限制（外部电源属性）	"反送回电网的电不能超过这个比例"
变压器或传输线容量	传输容量限制	"变压器就这个容量"

4.5 惩罚项

优化模型中，能量不平衡（缺供、弃能）与软约束违反通过惩罚成本计入目标函数，而非硬性禁止。这样既保证模型有解，又引导优化结果尽量满足供需平衡与合规要求：

惩罚项	参数	默认值	触发场景
电不平衡惩罚	电不平衡惩罚单价	10000 元/kW	负荷缺供、余电无法消纳
新能源弃电惩罚	新能源弃电惩罚	0.2 元/kWh	弃风弃光

直观理解：惩罚项相当于在优化"心里"给每度缺供电、每度弃电标了个价格。如果"配 1 台储能"比"交罚款"便宜，优化就配储能；反之宁可受罚。所以：

惩罚设太低 → 结果大量缺供/弃电（"罚得起就随便犯"）；
惩罚设太高 → 结果过度配置设备来避免任何微小不平衡（"过度防御"）。

设置建议：电不平衡惩罚应显著高于购电单价（缺供是严重事件）；弃电惩罚介于 0 与电价之间。具体见计算方案配置 · 优化设置参数。

5. 数学优化原理基础

本章面向初学者，用通俗语言介绍平台背后的数学优化原理。读完您将理解：为什么规划问题是"混合整数线性规划"、求解器在做什么、"最优性间隙 1%"是什么意思。跳过本章不影响使用平台。

5.1 线性规划

什么是线性规划

线性规划（Linear Programming, LP）是运筹学中最基础、应用最广的优化方法：目标函数和所有约束都是变量的一次函数（没有平方、没有乘积）。

一个直观的例子：

某工厂生产 A、B 两种产品：A 每件赚 3 元、耗电 2 度；B 每件赚 4 元、耗电 4 度。每天最多供电 80 度，且 B 的日产量不能超过 15 件。各生产多少件利润最大？

写成数学形式：

\max \; 3x_A + 4x_B \qquad \text{（利润最大 = 目标函数）}

\text{s.t.} \quad 2x_A + 4x_B \leq 80 \qquad \text{（电量约束）}

\quad\;\; x_B \leq 15 \qquad\qquad\;\;\; \text{（销量约束）}

\quad\;\; x_A, x_B \geq 0 \qquad\qquad\;\; \text{（非负约束）}

其中 s.t.（subject to）表示"受约束于"。 $x_A, x_B$ 就是决策变量，而您将优化决定它们的取值。

线性规划的几何直觉

把每个可行方案看成坐标系里的一个点，所有满足约束的点构成一个可行域——它是一个凸多面体（二维时是多边形）。一个经典结论是：

线性规划的最优解一定出现在可行域的某个"顶点"上。

这就像在一个多边形的围墙里找"最低点"，只需沿着围墙（顶点）走，不必考察围墙内的无穷多个点。正因如此，LP 可以在多项式时间内被精确求解——这使 LP 成为运筹学中"最好解"的一类问题。

平台中的 LP

平台的基础运行优化（设备出力、交直流线性能量潮流优化）就是大规模 LP：对于平台的 LP 项目，上百万条约束、数百万个变量，求解器仍然能在秒到分钟级精确求解。

5.2 整数规划与混合整数规划

为什么需要整数变量

设备不能买半台——选型"1 台或 2 台"是离散决策；设备某一时刻要么开、要么停——启停是"是/否"决策。这些量必须用整数变量（或 0-1 变量）表达。

整数规划（IP）：所有变量都是整数；
混合整数规划（MILP）：部分变量整数（选型台数、启停状态、模式变量、运行挡位）、部分变量连续（出力功率）——本平台规划问题的类型。

整数带来的质变

整数变量让模型能表达"逻辑"：

需求	数学实现	平台中的应用
要么买 A 型、要么买 B 型，不能都买	两个 0-1 变量之和 ≤ 1	多型号互斥选型
开机才能出力，关机必然零出力	$P \leq P_{max} \cdot z$ （ $z$ 为 0-1 启停变量）	UC 启停、大 M 法
电网不能同时上下网	两个状态变量互斥	上下网模式互斥
双工况机组只能处于一种模式	模式 0-1 变量之和 = 1	制冷/制冰模式切换

MILP 比 LP 难在哪

LP 只需考察可行域顶点；而整数变量的存在把可行域"切碎"成离散点集，求解器通常需要分支定界（Branch and Bound）：先放宽整数要求按 LP 求解，再逐层"分支"尝试将变量固定为整数，用"边界"（bound）剪掉不可能更优的分支。问题规模越大、整数变量越多，搜索树越庞大——这就是大规模 MILP 求解耗时长的根本原因，也是平台提供两阶段解耦（第 6 章）的原因。

5.3 求解器如何寻找最优解

您不需要了解算法细节，但了解以下流程与信息有助于理解 MILP 的求解原理：

阶段	求解器在做什么	日志（如有）
预处理（Presolve）	消去冗余约束与平凡变量，缩小问题	"Presolve: removed xxx rows"
求下界（LP 松弛）	放宽整数约束求 LP，得到"理论最好能好到什么程度"	"Best bound" 持续上升
分支搜索	逐个固定整数变量、分支剪枝，不断找到更好的可行方案	"Best integer" 持续下降（最小化问题）
收敛判定	当"最好可行解"与"理论下界"的相对差距 ≤ 最优性间隙，停止	"Gap: 0.8% < 1%, optimal"

最优性间隙 MIP Gap

MILP 通常不追求严格数学最优，而是允许一个相对偏差容忍度：

\text{Gap} = \frac{\text{当前可行解成本} - \text{理论下界}}{\text{当前可行解成本}}

默认 Gap = 1%：即找到的方案成本保证不超过理论最优的 1%。对工程规划而言 1% 的偏差远小于负荷预测等数据本身的误差，完全可接受。调小 Gap 换精度、调大 Gap 换速度。

5.4 常用术语速查

术语	英文	通俗解释
目标函数	Objective Function	要最小化/最大化的量（这里是总成本）
决策变量	Decision Variable	由优化决定的量（台数、出力、启停）
约束条件	Constraint	变量取值必须满足的限制
可行解 / 可行域	Feasible Solution / Region	满足全部约束的方案 / 所有可行方案的集合
最优解	Optimal Solution	可行域中目标函数最好的方案
无可行解	Infeasible (IIS)	约束互相矛盾，无任何方案能满足
线性规划	LP	目标与约束全为线性的优化问题
混合整数规划	MILP	部分变量取整数的优化问题
松弛变量	Slack Variable	软约束的"违反量"，付出惩罚换取可行
最优性间隙	MIP Gap	当前解与理论最优的相对偏差
求解器	Solver	专业数学优化计算软件（HiGHS、CBC 等）
凸优化	Convex Optimization	一类性质良好、可高效求解的优化问题，LP 是其特例

相关：本章解释"模型为什么这样解"。平台据此选择求解模式（第 6 章）；读取结果时的判定要点见第 9 章。

6. 求解计算

6.1 求解模式

平台提供三种求解模式，按模型规模与精度需求选择：

模式	技术路线	适用场景	特点
统一模型	全部场景构建为一个混合整数规划模型，一次求解	中小规模、需要全局精确最优解	精度最高，求解时间随时段数增长较快
两阶段串行	先配置、再运行：第一阶段在极端场景下确定设备配置；第二阶段固定配置，逐场景优化运行	大规模、含启停（UC）逻辑	兼顾精度与效率
两阶段并行	同上，第二阶段各场景分区并行求解	大规模复杂项目的全年 8760h 优化	速度最快，牺牲一定精度

6.2 两阶段解耦技术路线

两阶段解耦的核心思路是**"先配置、再运行"**：

第一阶段（配置定容）
  优化设备选型与容量
        │
        │  设备配置固定
        ▼
第二阶段（运行优化）
  逐时段优化运行策略
        │
        ▼
结果展示：全年 8760h 运行曲线 → 统计与财务评估

模式选择建议（决策判据）：

如果你的诉求是… 选哪种模式
项目初期快速估算、规模较小、要全局最优解 统一模型
高阶用户，启用自定义约束 DSL 统一模型
全年 8760h / 设备多，复杂优化 两阶段串行

注意：自定义表达式约束（ConstraintType=2）与两阶段互斥——启用自定义表达式时求解模式必须为统一模型；而模板预设（=1）支持分阶段（Phase 1 跳过比率类、Phase 2 生效）。

如果你的诉求是…	选哪种模式
项目初期快速估算、规模较小、要全局最优解	统一模型
高阶用户，启用自定义约束 DSL	统一模型
全年 8760h / 设备多，复杂优化	两阶段串行

6.3 求解

求解器选项（时间限制、最优间隙、并行线程数）由平台统一配置，一般无需修改；高级用户可在计算方案中调整。平台支持与主流优化求解器对接，如 HiGHS / SCIP / CBC 等，推荐 HiGHS 求解器。HiGHS 是由英国爱丁堡大学开发的开源高性能线性规划（LP）与混合整数线性规划（MILP）求解器，采用 MIT 许可。它内置单纯形法、内点法和分支割平面引擎，性能在开源求解器中处于第一梯队，大规模 MILP 实例上显著优于老牌的 CBC，接近 Gurobi、CPLEX 等商业求解器水平，提供 highspy 等 Python 接口，被 Pyomo、JuMP 等主流建模框架原生支持。

选项	默认值	说明
求解时间限制	1200 s	优化求解的最长时间
最优性间隙	1%	解与理论最优的相对偏差容忍度（见5.3 节）
并行核心数	8	求解器内部并行核心数

相关：模式选择的前提是理解模型规模（第 4 章）与典型场景如何缩减（第 7 章）。

7. 典型场景生成与 GMM 聚类算法

7.1 为什么需要场景缩减

不管是综合能源系统的规划投资还是仿真模拟分析，都需要海量场景的支撑，都需要首先确定综合能源场景，包括主要的气象条件（太阳辐照强度、风速、温度等）、电冷热负荷参数等。在准确的综合能源场景下的规划设计结果更具备可行性。

若综合能源场景包含 8760h 所有的数据，不仅会使得规划优化问题异常复杂，还对计算资源要求很高，计算时间很长，带来**"维数灾难"，需要进行场景缩减生成**。传统做法是通过把气象条件和电冷热负荷加权后生成场景，如年典型日、季节典型（夏天、冬天和过渡季节）和月度典型日，以降低计算复杂度。但这类典型日的数量少，规划设计精度较低，其规划方案不能用于实际生产设计，难以实际落地；也未考虑极端场景，极端工况发生概率不明确，可能造成投资过多而浪费。

因此需要通过场景生成技术，让典型场景兼容海量场景的丰富性和少量场景的代表性，兼顾计算准确和效率：相似场景聚类后只需计算一次，避免"维数灾难"，为规划提供具有合理精度的基本完整数据集。

7.2 聚类算法

生成典型场景的主流方法是聚类算法，按"每个时刻归属几类"可分为硬分类与软分类两类：

类别	代表算法	特点	局限
硬分类	k-means、k-medoids、层次聚类、基于密度的聚类（DBSCAN）	每个时刻硬性划分到某一个类别；需指定类别数量与距离度量	丢失场景间过渡信息；边界时刻归属武断
软分类	高斯混合模型（GMM）	计算某时刻属于各典型日的概率，结合概率统计方法	计算量略大（平台已优化）

直观对比：凌晨 3 点到早晨 7 点，负荷从"夜间形态"逐渐过渡到"日间形态"。硬分类会在某个整点把它"一刀切"进某一类；GMM 则认为 5 点"60% 像夜间形态 + 40% 像日间形态"，典型日形态由概率加权融合——过渡更平滑、形态更贴近真实，可以更好地指导综合能源系统的投资规划。

IESLab 默认采用 GMM 软聚类 生成典型场景：典型日用于运行优化，8760h 全量曲线由典型日按权重映射重组得到。

7.3 场景生成方式

方式	方法	输出	计算量	精度	适用阶段
月度平均	每月取均值	12 个典型日	极小	低	项目初期快速估算
月度聚类	每月独立 GMM 聚类	每月若干典型日	小	中	月度精细分析
全周期聚类	全时间周期按天进行 GMM 聚类	≤20 个典型日	中	较高	兼顾效率与精度
8760h 全年	不缩减，全量建模	全年逐时	最大	最高	运行阶段精细化优化

选择指引：

月度平均：综合能源项目初期规划阶段，计算量小，可以快速找到合适的设备型号及容量配置方案；
聚类（月度/全周期）：能够兼顾计算效率和精度，满足大多数场景需求——一般项目的推荐选择；
8760h 全年：适合运行阶段的设备出力优化，对优化结果要求较高的场景，如风光储项目中对储能的精细化调控。

7.4 GMM 聚类算法原理

7.4.1 数学模型

GMM 假设观测数据（各时刻的多维特征：负荷 + 气象）由 $K$ 个高斯分布混合生成：

p(x) = \sum_{k=1}^{K} \pi_k \cdot \mathcal{N}(x \mid \mu_k, \Sigma_k)

符号	含义	通俗解释
$\pi_k$	第 $k$ 个成分的权重（ $\sum_k \pi_k = 1$ ）	这类形态的时段占全年多大比例
$\mu_k$	第 $k$ 个成分的中心	这类"典型日"的形态长什么样
$\Sigma_k$	第 $k$ 个成分的离散程度	这类形态内部的差异有多大

7.4.2 算法流程

数据预处理
   曲线补全为整天逐时数据，缺失值时间插值，MinMax 归一化消除量纲影响
        │
        ▼
PCA 降维
   提取主要特征成分，降低高维聚类的计算复杂度
        │
        ▼
EM 迭代求解
   E 步：计算每个时刻属于各成分的概率（软分配）
   M 步：按概率加权更新各成分的中心与离散度
   反复迭代直至收敛
        │
        ▼
BIC 准则确定聚类数目
   BIC(K) = -2·ln(似然) + 参数数·ln(样本数)，取最小值对应的 K
        │
        ▼
生成典型日
   每个成分 → 一个典型日；权重 = 该成分覆盖的小时数
   典型日曲线 = 成员时刻的加权平均

其计算流程如下图：

EM 迭代的直觉：E 步先"猜"每个时刻属于哪类（按概率），M 步再根据猜测重新估计每类的"长相"；如此反复，分类与类形态互相改进，直至不再明显变化——类似"先按印象分组、再按分组修正印象"的迭代过程。

7.4.3 BIC 准则自动确定聚类数目

聚类数目 $K$ 越大，对数据的拟合越精细，但模型越复杂、后续优化计算量越大。**BIC（贝叶斯信息准则）**在两者间自动权衡：

BIC(K) = -2\ln(\hat{L}) + p\ln(n)

$\hat{L}$ ：模型对数据的拟合优度（似然值）；
$p$ ：模型参数个数（随 $K$ 增长）；
$n$ ：样本量。

BIC 取最小值对应的 $K$ ——即"拟合精度提升不足以抵偿复杂度增加"的临界点。

方式	说明	建议
自动确定（默认）	按 BIC 准则寻优	一般场景推荐
指定数目	用户手动指定（月度聚类每月上限 6，全周期聚类上限 20）	对比敏感性、控制计算量时使用

经验参考：全周期聚类 8~15 个典型日通常已能较好覆盖全年特征；若关注极端工况，请配合两阶段模式的极端场景识别（其独立于聚类自动运行）。

7.5 聚类结果的构成

每个典型日包含：

字段	含义
典型日编号 / 名称	如"1月典型日 1"、"年度典型日 3"
所属月份	典型日归属月份
持续时长（权重）	该典型日代表全年多少小时
各类负荷最大/平均值	电/冷/热/氢负荷统计
24h 逐时曲线	气象与各负荷/出力曲线

可在方案中开启"场景是否可视化"，在结果中直观检查聚类效果（每类形态是否合理、权重分布是否均衡）。

相关：场景缩减为求解效率服务（第 6 章）；优化得到方案后，如何做全生命周期财务评价见第 8 章。

8. 财务评估基础理论

优化完成后，平台支持对方案进行全生命周期的财务评价，输出投资收益率、回报期等经济性指标以及十余张财务报表。本节介绍读懂报表和处理财务评估结果所必需的基础财务知识，理解本节有助于在计算方案配置（财务参数）中正确填写各项财务参数。如果已经熟悉项目财务评价，可以跳过本节直接阅读报表原理。

名词澄清：本节是"评估与报表的数学原理"。平台中与财务相关的三块内容——评估原理（本节）、方案中的财务参数（见计算方案配置）、结果报表明细（见结果页面）——三者分别属于原理、配置与结果，阅读时可对照参考。

8.1 资金时间价值与折现

资金时间价值是指资金在不同时间点上具有不同价值：今天的一元钱比一年后的一元钱更值钱，因为可以投资生息。财务评估必须把不同年份的现金流量放在同一个时间基准上比较，这就是折现（贴现）。

折现的数学形式为：

某年现金流的现值 = 该年现金流 / (1 + 折现率)^年数

其中折现率即机会成本或基准收益率。基于折现可以定义两个最重要的指标：

财务净现值（NPV）：把项目全周期的净现金流量按基准折现率折算到起点后的总和。NPV > 0 表示项目收益超过基准收益水平，可行；NPV < 0 表示项目达不到基准收益水平。
财务内部收益率（IRR）：使项目净现金流量现值总和恰好等于 0 的那个折现率，即"项目自身的投资回报率"。IRR 越高，项目盈利能力越强。由于 IRR 的方程无法直接求解，本平台采用牛顿迭代法求解（从初始值 8% 出发迭代，相邻两次解的差小于千分之一时收敛）。

平台概览指标中的财务净现值和内部收益率均按上述原理计算。

8.2 项目财务评价的两套口径

财务评估先把"项目整体"和"投资者角度"分开考察，对应两套现金流量表：

融资前分析（项目投资现金流量表）：站在项目整体角度，不考虑钱是借来的还是自己的，现金流出只包括建设投资、流动资金、经营成本、税金，不含借款及其还本付息。它衡量项目自身的盈利能力，计算"项目投资内部收益率"。
融资后分析（项目资本金现金流量表）：站在投资者的角度，只考察自有资金（资本金）的投入与回报，现金流出包含资本金投入、还本付息、所得税等。它衡量投资者的回报水平，计算"资本金内部收益率（即财务内部收益率，FIRR）"。

两者的关系是：融资前分析看"项目值不值得做"，融资后分析看"项目对股东划不划算"。

8.3 盈利能力评价指标族

平台经济性指标分为静态指标（不考虑资金时间价值）与动态指标（考虑资金时间价值）两类：

类型	指标	含义	计算公式（平台实现）
动态	资本金内部收益率	资本金口径现金流 IRR	使资本金净现金流量现值=0 的折现率（牛顿迭代）
动态	项目投资内部收益率	项目整体口径现金流 IRR	使总投资净现金流量现值=0 的折现率，分所得税前/后
动态	财务净现值	按基准折现率折算的净现值	Σ 各年净现金流量×(1+基准折现率)^(-年数)，分所得税前/后
动态	投资回报期	收回全部投资所需年数	累计净现金流量首次转正的年份 + 插值修正
静态	总投资收益率（ROI）	项目整体盈利能力	平均年息税前利润 / 项目动态总投资 × 100%
静态	资本金利润率	资本金盈利能力	平均年净利润 / 项目资本金总额 × 100%
静态	年销售收入	项目投产后年收入水平	运营期首年产品销售收入
静态	平均年总成本费用	运营期年均成本	运营期总成本费用之和 / 运营期年数
静态	项目动态总投资	含建设期利息的总投资	建设投资 + 建设期利息 + 流动资金

投资回报期的插值计算：观察累计净现金流量序列，找到首次由负转正的那一年 N，则回收期 = (N-1) + |第 N-1 年累计净现金流量| / 第 N 年净现金流量，即用线性插值精确到小数。

为什么要同时看所得税前和所得税后：所得税前指标反映项目"不含税负调节"的真实盈利能力，便于横向比较；所得税后指标反映投资者实际可获得的回报，更贴近现实判断。

8.4 全生命周期财务模型的总框架

财务评估把项目生命周期分为建设期与运营期。整个模型按以下顺序逐层推算：

投资估算（建设投资、流动资金）
   ↓
融资方案（资本金 + 债务资金、建设期利息资本化）
   ↓
折旧与摊销 → 总成本费用（含财务费用）
   ↓
营业收入与税金 → 利润与利润分配（所得税、公积金、股息）
   ↓
现金流量表（融资前/融资后/财务计划）→ 概览经济性指标
   ↓
资产负债表（资产 = 负债 + 所有者权益，校验全模型平衡）

每一层的输出都作为下一层的输入，层层递进、互相勾稽，最终由资产负债表验证整个模型年度平衡。

下一步：财务报表之间的勾稽关系、11 张报表的逐一计算原理，以及各财务参数的填写说明，见计算方案配置；生成报表的查看位置与方法见结果页面。

9. 结果正确性判定

平台返回计算结果不等于结果可信。只保证"在您给定的模型与数据下，找到了成本最低的可行方案"；如果模型或数据本身有问题，它同样会返回一个"最优"的错误答案。因此，结果的正确性必须由人来判定。

本节给出一套从粗到细的三级校验，建议每次拿到结果后按顺序执行。工程排障的完整操作手册见结果页面 · 优化调试技巧。

9.1 第一级查看报错提示

判定的第一道闸门，是查看报错提示，并核对本应恒为零的"病态量"是否真的为零——若非零，说明结果存在物理或约束层面的异常，不应直接采用。

必须为零的量	含义	非零意味着什么
系统缺电	负荷没有被满足的功率缺口（kW）	供电能力不足或购电通道被堵死 → 见9.4
系统弃电	发出来但用不掉、也没处送的富余电（kW）	新能源富余且消纳路径不通 → 见9.5
松弛变量	系统级约束被违反的量	合规约束未被真正满足 → 见9.6

为什么这三项"非零却不报错"：平台把缺电、弃电和约束违反设计成带惩罚的软约束——违反要交"罚款"，但不禁止。这样模型永远有解（不会因为参数互相矛盾而直接失败），代价是问题被隐藏进了目标函数。所以求解状态显示"成功"时，仍必须自己检查这三项。

9.2 第二级看能量是否守恒

对每个能源载体（电/热/冷/氢等），每个时段的供应侧之和必须等于消耗侧之和。结果页面的能量平衡表（可导出 Excel）逐时给出了分项数据，直接用"供应项求和 = 消耗项求和"校验即可。

电平衡中，"购电下网 + 新能源实际出力 + 储能放电 + 系统缺电"应等于"电负荷 + 储能充电 + 余电上网 + 系统弃电"；
若某时段两侧对不上，优先怀疑单位错误（kW 填成 W、kWh 填成 MWh）与数据缺失（气象/负荷曲线有空档被插补）。

9.3 第三级检查约束设置看比率是否自洽

平台对新能源的电力去向有一条强制守恒关系：

\underbrace{g}_{\text{最大上网率}} + \underbrace{s}_{\text{最低自消纳率}} + \underbrace{c}_{\text{最大弃电率}} = 1

优先级为 上网 > 自消纳 > 弃电。含义是：新能源发出的电，只能在这三个去处之间分配，比例之和恒为 1。由此产生两条重要推论：

弃电率上限通常不是您填的那个值——它由引擎按 c = 1 − g − s 自动推导。例如外部电源最大上网率 20%、自消纳率下限 60%，则弃电率上限被推导为 1 − 0.2 − 0.6 = 20%；此时即便您手动填了"弃电率上限 50%"，引擎也会将其下调并告警。
收紧其中一项，必然挤占另一项。若把上网率压到 5%、又要求自消纳率 ≥ 90%，则弃电空间只剩 5%；一旦新能源出力波动超过这个余量，就会触发弃电惩罚或约束松弛。

拿到结果后请核对结果页的"上网率 / 自消纳率 / 弃电率"三项之和是否接近 1，若严重偏离，说明某项设置未生效或数据口径不一致。

9.4 典型异常一缺电

现象：能量平衡表"系统缺电"列非零；储能长期处于下限；购电功率顶到上限；目标函数中的电不平衡惩罚项显著。

机理：某一时刻"负荷需求"超过了"本地发电 + 储能放电 + 外部购电"三者之和，缺口以系统缺电计入，并按 10000 元/kW 计罚。

按以下顺序排查（命中率由高到低）：

顺序	检查项	说明
1	外部电源最大下网功率是否被填小或留空	这是最常见的根因。购电通道被堵死，本地又发不够，必然缺电
2	设备容量范围上限是否过低	规划阶段把"光伏 0~500 kW"写死，负荷却是 2000 kW
3	负荷曲线单位是否错误	负荷填成 W 会被放大 1000 倍；填成 kWh 会造成时段错位
4	气象数据是否缺失导致新能源理论出力为 0	辐照/风速为空时，光伏/风机等同"没装"
5	储能是否因 SOC 下限或保供约束被锁死无法放电	会锁住可用容量
6	是否启用了峰谷差率，是否合理	详见下方"峰谷差率陷阱"

峰谷差率陷阱：峰谷差率约束= | 下网功率- 最大下网功率 | / 最大下网功率，若最大下网功率填得很大，而峰谷差率又填了 60 %之类，则等价于强制每个时段的实际下网功率至少按最大下网功率的 40% 购电，会造成大量不平衡。规避：最大下网功率请按实际最大需量填写（如 1.2 倍最大负荷）；峰谷差率数值一定要慎重填写，不需要峰谷差率约束时请填 100%。

9.5 典型异常二弃电与同时充放电

现象：能量平衡表"系统弃电"列非零；或日志出现"第 N 个典型场景的 H 时存在同时充放现象，不可行"。

机理：新能源大发而负荷低谷时，富余电力只有三个去处——上网、充进储能、弃掉。当三者都不通或都不划算时，就会出现弃电；若"弃电惩罚（默认 0.2 元/kWh）"高于"储能充放电的可变运维成本"，模型会选择用储能边充边放把电耗散掉，形成同时充放。

排查与处置：

先查上网通道是否真的打通（首要根因）。需同时满足三项，缺一不可：
- 外部电源允许上网；
- 上网容量不为零；
- 上网率不为零。同时，必须在数据模块绑定上网电价，否则上网毫无收益，模型宁可弃电。
再查弃电率上限是否被守恒挤占：见 9.3。
务必检查成本项：储能充放电的可变运维成本是否设置合理，如正常储能充放电运维成本约 0.1 元/kWh，检查新能源弃电惩罚是否设置过高，默认 0.2 元/kWh较合理。
最后才考虑调惩罚参数：若确认富余电在物理上确实无处可去（如孤岛系统），适当降低弃电惩罚，可消除无意义的同時充放；但这是治标，应先排除第 1 项。

重要：同时充放不是求解器算错，而是"富余电力没有正当去处"的症状。不要把它当成模型缺陷，而应当作一条指向"上网通道未打通"的诊断线索。

9.6 典型异常三约束被松弛

现象：求解成功、结果看起来合理，但某项合规指标（自消纳率、上网率、绿电占用电比）实际未达标；或结果页出现松弛告警。

机理：系统级约束默认以软约束实现——自定义约束允许松弛，即允许越限，并向目标函数追加罚款。于是形成一个"买通"关系：

若"违反约束交的罚款" < "为满足约束多花的投资"，优化就会选择交罚款。

这意味着约束看起来在模型里，实际上没被满足。判定方法是：不要只看报告里"写了这条约束"，而要看结果指标是否真的达标。

处置：

在结果中核对该项指标的实际值（如自消纳率实际 52%，而非要求的 65%）；
若存在越限，说明惩罚单价相对投资成本偏低 → 修改约束，直到优化认为"守规矩更划算"；
同时检查约束是否真的生成了——见 9.7。

特别提示：保供约束默认不松弛，因此其惩罚用的是电不平衡惩罚价（默认 10000 元/kW），远大于普通软约束。因为保供违约代价极高，不允许被轻易"买通"。若保供约束出现松弛，说明问题相当严重，务必排查储能容量与极端工况设置。

9.7 典型异常四设了参数却不生效

这是最隐蔽的一类问题：您在界面上填了参数，但引擎判定该约束"退化"并直接跳过构建，全程无任何报错。已知规则如下：

参数/约束	不生效的条件	正确做法
下限类约束（自消纳率、占用电比）	下限 ≤ 0	需要生效就填大于 0 的值
上限类约束（弃电率、上网率）	上限 ≥ 100%（视为"不限"）或上限 ≤ 0（视为"不允许"）	需要生效就填 0~100 之间的值
上网率约束	外部电源不允许上网	允许上网并填 0~100 之间的百分数
保供约束	保供时长为0	需要保供就填大于 0 的小时数
自定义表达式约束	求解模式为两阶段	模板预设支持分阶段；自定义表达式与分阶段互斥，请改用统一模型
最低自消纳率（计算方案设置）	填 0 或留空	需要生效就填 >0 的百分数（如 65）；若同时配置了"新能源自消纳率"预设模板，以模板为准
自定义约束	自定义约束类型为不支持——此时整张列表被忽略	需要预设/自定义约束生效，请将约束类型置为预设或自定义表达式

通用工作原则：要对结果指标和项目设置做交叉验证。如项目设置了自消纳率约束≥ 65%，但实际消纳率却为 60%，请务必仔细对照审查。

9.8 典型异常五静默失效约束设置了不等于算正确了

9.7列的是引擎主动判定退化的情形；实践中还有一类更隐蔽的问题：约束看似配置成功（平台页面设置了），但从未真正约束求解。建议按"四层追问"逐层排除：

层级	追问	检查手段	典型表现
L1 生成但未生效（退化）	是否被"退化判定"跳过，或界被守恒推导覆盖？	9.7退化规则表；守恒关系 `g+s+c=1`	填了弃电率 50%，实际按 20% 执行并告警
L2 生效但被"买通"（软约束）	是否以"交罚款"代替了"满足约束"？	松弛量/松弛告警 + 指标实际值	约束确实在模型里，但优化选择交罚款（9.6）
L3 满足但数据不合理	指标都达标，方案在工程上可行吗？	与台账、实测、同类项目对比	数据口径错，模型"最优地"算出一个不现实的方案
L4 优化内核未生成（bug）	这条约束真的进优化模型了吗？	结果数据分析	参数填了、报告也写了，但模型里查无此约束，为平台算法 bug，请联系 CloudPSS 反馈

提示：

"设置了约束" ≠ "模型里有约束"——平台约束设置由配置字段生成，而优化模型中的约束由引擎构建；当平台字段与引擎读取口径发生漂移时，二者会不一致，且全程不报错；

"参数生效"必须用结果指标反证——任何合规类参数都要用结果结果的实际指标验证（例如设了自消纳率 ≥65%，就去核对实际消纳率），而不是只看界面是否填了值。

9.9 判定清单可打印对照

每次拿到优化结果，建议按此清单逐项打勾：

求解状态为正常，不报错，且有优化结果；
报错提示无系统缺电、系统弃电、同时充放电、约束松弛；
电/热/冷/氢各载体能量平衡表逐时守恒；
上网率 + 自消纳率 + 弃电率 ≈ 1；
设备配置台数为整数，且落在设定的容量范围内；
储能 SOC 曲线在上下限内、日末基本回到起点；
关键参数单位复核（kW / kWh / 元 / 百分数）；
报告描述的约束与结果指标交叉验证一致。

延伸阅读：本系列共三篇——原理篇（本篇，回答"模型在算什么、结果怎么判"）、配置篇（计算方案配置，回答"每个参数怎么填、有什么约束"）、结果篇（结果页面，回答"怎么读图、怎么排障"）。本篇第 9 章给出的判定方法，其操作层面的完整排障手册见结果页面 · 优化调试技巧。

目录​

1. 优化设计哲学与边界​

1.1 先建模，后算法​

1.2 三根支柱与责任链​

1.3 求解成功不等于结果正确​

1.4 Design for AI 但方向盘在人手里​

1.5 优化范围与边界​

1.6 为什么用数学优化（MILP），而不是智能启发式算法​

1.7 使用者责任清单​

2. 功能定位与使用流程​

2.1 初学者导读​

2.2 功能定义​

2.3 核心能力​

2.4 典型使用流程​

2.5 数据准备要点​

3. 优化功能总览​

3.1 设备选型与定容​

3.2 运行策略优化​

3.3 储能保供​

3.4 设备启停优化​

3.5 柔性负荷调度​

3.6 全生命周期设备替换​

3.7 自定义元件模型​

3.8 财务后评估​

4. 优化数学模型​

4.1 读懂优化模型​

4.2 优化目标​

4.3 决策变量​

4.4 约束条件​

4.4.1 能量模型约束​

4.4.2 设备运行约束​

4.4.3 系统级约束​

4.4.4 外部条件约束​

4.5 惩罚项​

5. 数学优化原理基础​

5.1 线性规划​

什么是线性规划​

线性规划的几何直觉​

平台中的 LP​

5.2 整数规划与混合整数规划​

为什么需要整数变量​

整数带来的质变​

MILP 比 LP 难在哪​

5.3 求解器如何寻找最优解​

最优性间隙 MIP Gap​

5.4 常用术语速查​

6. 求解计算​

6.1 求解模式​

6.2 两阶段解耦技术路线​

6.3 求解​

7. 典型场景生成与 GMM 聚类算法​

7.1 为什么需要场景缩减​

7.2 聚类算法​

7.3 场景生成方式​

7.4 GMM 聚类算法原理​

7.4.1 数学模型​

7.4.2 算法流程​

7.4.3 BIC 准则自动确定聚类数目​

7.5 聚类结果的构成​

8. 财务评估基础理论​

8.1 资金时间价值与折现​

8.2 项目财务评价的两套口径​

8.3 盈利能力评价指标族​

8.4 全生命周期财务模型的总框架​

9. 结果正确性判定​

9.1 第一级 查看报错提示​

9.2 第二级 看能量是否守恒​

9.3 第三级 检查约束设置 看比率是否自洽​

9.4 典型异常一 缺电​

9.5 典型异常二 弃电与同时充放电​

9.6 典型异常三 约束被松弛​

9.7 典型异常四 设了参数却不生效​

9.8 典型异常五 静默失效 约束设置了不等于算正确了​

9.9 判定清单 可打印对照​

目录