2026年认证杯B题一出不少队伍看到“微电网—电动车—建筑协同调度”就直接懵了。三个词拆开都认识合在一起就不知道从哪下手。作为连续带过多年数模竞赛、自己也做过微电网优化调度相关项目的过来人我想说这道题看着唬人但它本质上是一个标准的多主体能量管理优化问题而且出题人把“电动车”和“建筑”这两个灵活性资源塞进来恰恰是给了你拉开差距的空间。这篇文章我会从题目本质理解、建模思路、优化模型搭建、求解代码框架、论文写作要点到常见坑位一步步拆开来讲。既照顾到第一次打认证杯的新手也会给出让老手能直接复用的方法。全程用我做实际微电网调度项目的思路来讲不是教科书式的堆公式而是你比赛时真正用得上的东西。1. 题目理解与破题思路这个题到底在考什么1.1 三个主体的角色拆解先别急着看数据先把“微电网、电动车、建筑”这三个东西在题目里各扮演什么角色搞清楚这是后面建模的地基。微电网是整个园区的能量枢纽。它内部有光伏、储能外部可以跟大电网买卖电。它的诉求是在满足园区用电需求的前提下尽量多消纳光伏、降低购电成本。注意微电网不是孤立系统它和外部电网之间有功率交互上限这就是一个实实在在的约束。电动车在这个题里是最灵活的角色。它既是负荷要充电又是电源V2G放电还是一个“移动的储能罐”。为什么说它是协同调度的关键因为电动车在园区里停着的时间段是完全可以参与充放电调度的。比如白天光伏大发的时候让电动车多充电晚上电价贵的时候让电动车放电反哺园区。这就是“协同”二字的精髓——如果只把电动车当普通负荷那这道题就白出了。建筑在以往很多题目里是纯粹的负荷但在协同调度框架下建筑是柔性负荷。空调、暖气、通风这类系统有一定的热惯性——你把空调临时关掉半小时室温不会立刻飙升人体舒适度也不会马上崩掉。这种“短暂的弹性”就是建筑侧可以参与调度的资本。建筑可以通过提前预冷、蓄热、短时调整功率配合整个园区的用能计划。1.2 三天比赛时间怎么分配三天时间看起来充裕实际上很容易在前两天陷入模型泥潭。我的建议是第一天上午把题意彻底吃透下午开始搭建基础模型第二天完成核心优化求解第三天上午做灵敏度分析、可视化下午集中写论文。如果第二天晚上模型还没跑通第三天就会非常被动。还有一点很多人忽略认证杯是网络挑战赛提交时间卡得很死。强烈建议第一天就把论文框架、摘要模板搭好后续直接往里填结果。等最后再写论文大概率会超时或者写得很仓促。2. 四个核心模块的数学建模把物理过程翻译成公式2.1 光伏出力和基础负荷的时序建模光伏是微电网里的主力电源但它是个“看天吃饭”的角色。在确定性调度前提下我们可以用典型日逐时出力曲线来描述或者用如下简化模型P_pv(t) P_STC × (G(t) / G_STC) × [1 - β × (T_cell(t) - T_STC)]其中 P_STC 是标准测试条件下的额定功率G(t) 是 t 时刻光照强度β 是温度系数T_cell 是电池板温度。实际比赛时数据表里通常直接给了逐时光伏出力就不用自己拟合了但你要在论文里把公式写出来表明你理解这个物理过程。基础负荷就是园区内除电动车充电、空调之外的那些刚性用电比如照明、办公设备、数据中心等。这个负荷不可调只能满足。它的时序特点往往是早上和下午各有一个高峰中午相对低一些。这里有个容易出错的地方单位和时间粒度的统一。如果时间是15分钟一个断面所有功率单位是kW那电量就是 kW × 0.25h。很多人算SOC迭代时忘记乘时间步长导致能量不守恒这类低级错误在阅卷时非常明显。2.2 储能系统的SOC递推与损耗建模储能电池是微电网调度的核心缓冲器。它的模型核心是SOC荷电状态递推方程以及充放电功率限制。SOC递推式以15分钟为一个步长Δt为小时数SOC(t1) SOC(t) η_ch × P_ch(t) × Δt / E_bat - P_dis(t) × Δt / (η_dis × E_bat)其中 η_ch 和 η_dis 是充电效率和放电效率E_bat 是电池容量。注意充放电效率不对称是真实电池的特性竞赛题里如果没给具体值一般取0.9~0.95并在论文假设里写清楚。充放电功率约束0 ≤ P_ch(t) ≤ P_ch_max × u_ch(t) 0 ≤ P_dis(t) ≤ P_dis_max × u_dis(t) u_ch(t) u_dis(t) ≤ 1这组约束里 u_ch 和 u_dis 是0-1变量表示同一时刻电池不能既充电又放电物理上也不可能。这就是为什么这道题本质上是混合整数线性规划MILP而不只是线性规划LP。有些队伍为了偷懒直接允许充放电同时发生且用一个净功率变量代替这在数学上能跑通但在物理上是错的容易被评委挑刺。SOC还需要满足上下限约束和周期约束。周期约束很关键一个调度周期结束后SOC要回到初始值或者不低于某个值否则下一个周期怎么继续运行这体现了储能调度的可持续性。2.3 电动车的移动储能模型V2G的关键假设电动车的建模要抓住三个要素时间窗、充电需求、V2G能力。时间窗是指每辆电动车在园区停靠的时间区间。只有在停靠区间内电动车才能充电或放电。比如一辆车早上8点到园区晚上18点下班离开那它在 [8,18] 这个窗口内参与调度离开时必须保证电量达到用户设定的目标比如满电。假设园区有 N 辆电动车聚合后的充电功率和放电功率为P_ev_ch(t) Σ P_ev_ch,i(t) P_ev_dis(t) Σ P_ev_dis,i(t)约束条件包括每辆车的充电功率上限取决于充电桩类型比如7kW慢充或60kW快充每辆车的放电功率上限V2G放电通常功率较低取决于逆变器离开时SOC满足最低要求最关键的是SOC递推和离开时的电量约束。如果一辆车18点离开那么18点时它的SOC必须大于等于初始SOC加上用户期望增加的电量或者达到用户设定值。这个约束是硬约束不能妥协——用户不会允许你把车开到园区然后亏电开回家。在简化建模时如果题目数据里只有聚合信息没有每辆车的明细那就把整个车队当成一个“大电池”但要额外加一个约束车队总电量在每个离开时刻不能低于车队总需求的一定比例。具体怎么简化要看题目给的数据粒度这个在论文里要做出合理解释。2.4 建筑柔性负荷热惯性模型的引入建筑负荷这块很多人只会把它当成“可削减负荷”用一个比例系数去削减。但这样做太粗糙了体现不出“协同”的深度。更好的做法是引入一阶等效热参数模型RC模型。C_build × dT_in/dt Q_gain(t) - (T_in(t) - T_out(t)) / R_build - Q_hvac(t)其中 C_build 是建筑等效热容R_build 是等效热阻T_in 是室内温度T_out 是室外温度Q_hvac 是空调/暖通的制冷或制热功率。离散化后T_in(t1) T_in(t) [Q_gain(t) - (T_in(t)-T_out(t))/R_build - Q_hvac(t)] × Δt / C_build空调电功率与制冷功率的关系可以近似为线性P_ac(t) Q_hvac(t) / COP其中 COP 是能效比通常取2.5~3.5。有了这个模型你就可以让空调用电功率在一定范围内浮动同时保证室内温度在舒适区间 [T_min, T_max] 内。比如中午光伏大发、电价低的时候可以提前把建筑温度降到下限也就是“预冷”等到下午电价高的时候空调就可以少出力甚至停机室内温度慢慢回升但仍在舒适区间内。这就是建筑侧的“储能”效应。这个模型带来的直接好处是你的论文里多了一个有物理依据的博弈空间而不是简单地把负荷削掉一块显得更有说服力也更像一个真正的协同调度系统。3. 协同调度优化模型目标函数与约束的完整搭建3.1 目标函数怎么定经济性、碳排放与舒适度的平衡这道题的第一问基本是经济性目标即整个园区一个调度周期内的总运行成本最小。总成本通常包含以下几项与外部电网交互的成本从电网购电的费用减去向电网售电的收益。储能充放电的损耗成本电池每充放一次都有寿命折损可以折算成每千瓦时的成本。电动车V2G放电的补偿成本用户不会白白让你用他的电池放电所以要有放电补贴。建筑舒适度惩罚如果室内温度偏离舒适区间中心值可以加一个二次惩罚项。目标函数写出来大概是这样min Σ [price_buy(t) × P_buy(t) - price_sell(t) × P_sell(t) k_bat × (P_chP_dis) k_ev × P_ev_dis k_temp × (T_in(t) - T_ref(t))²]其中 P_buy 和 P_sell 不能同时为正需要引入0-1变量或者通过约束限制。price_buy 和 price_sell 是分时电价通常卖电价低于买电价。注意目标函数里不要堆砌太多项每一项都要有实际物理意义和参数来源。评委最反感的就是那种“拍脑袋造参数”的目标函数。每个参数怎么来的要在论文里用数据说明。3.2 约束条件的完整清单把所有约束整理成一张表就是你论文里最清晰的模型展示。节点功率平衡约束每个时刻P_pv(t) P_dis(t) P_ev_dis(t) P_buy(t) P_load_base(t) P_ch(t) P_ev_ch(t) P_ac(t) P_sell(t)这是整个调度模型的核心等式所有主体的功率都汇聚在这里。储能相关约束SOC递推式、充放电功率上下限、SOC上下限、周期始末SOC相等或相等或大于初始值。电动车相关约束每辆车在停靠窗口内才能充放电、充放电功率限制、离开时SOC满足最低要求、充放电互斥约束。建筑热动态约束室温递推方程、室温上下限约束、空调功率上下限。电网交互约束P_buy 不超过变压器容量限制P_sell 不超过上网功率上限以及购售电互斥约束。把这些约束条件全部列出来你会发现这其实是一个非常标准的MILP问题。决策变量有连续变量各功率、SOC、室温和0-1变量充放电状态、购售电状态问题的规模在竞赛范围内是完全可以高效求解的。3.3 求解工具选型与代码实现框架数学模型搭完之后最关键的问题就是怎么求解。这里我强烈推荐用Python cvxpy或者PuLP。如果你更熟悉MATLAB用YALMIP Gurobi也是可以的。但考虑到现在Python生态的普及度以及CVXPY在处理这类问题时的简洁性我下面以Python为例来写。如果你用的是cvxpy求解MILP需要一个MIP求解器Gurobi和Cplex是商业的但学生可以申请学术许可开源方案里CBC和GLPK也能解决问题只是大模型下速度会稍慢。比赛题目规模一般不大CBC足够用了。3.4 一份可以直接改的简化求解代码我把核心框架贴出来。这里做了一些简化聚合电动车为一个车队、空调用一阶RC模型。你拿到题目数据后主要工作是改参数和细化约束。import numpy as np import cvxpy as cp T 96 # 15分钟一个断面共24小时 dt 0.25 # 时间步长小时 # ---------- 参数输入示例比赛时替换为题目数据 ---------- # 分时电价买电价格元/kWh96个断面 price_buy np.array([0.8]*32 [1.2]*16 [0.6]*16 [1.2]*16 [0.8]*16) # 卖电价格一般按燃煤标杆电价这里取0.4 price_sell np.full(T, 0.4) # 光伏出力kW题目会给典型日数据 pv np.array([0]*20 [10, 25, 50, 80, 120, 160, 200, 220, 240, 250, 245, 235, 215, 190, 150, 100, 60, 30, 10, 5, 0, 0, 0, 0, 0]*4)[:T] p_load_base np.array([150]*T) # 基础负荷kW # 储能参数 E_bat 500 # 电池容量 kWh P_ch_max 100 # 最大充电功率 kW P_dis_max 100 # 最大放电功率 kW eta_ch 0.95 # 充电效率 eta_dis 0.95 # 放电效率 soc_min, soc_max 0.1, 0.9 soc_init 0.5 # 电动车聚合参数 E_ev_total 800 # 车队电池总容量 kWh P_ev_ch_max 120 # 聚合最大充电功率 kW P_ev_dis_max 80 # 聚合最大放电功率 kW eta_ev_ch 0.9 eta_ev_dis 0.9 soc_ev_min 0.3 # 离开时SOC下限 # 假设整个调度周期车队都会停靠简化处理 # 建筑参数一阶RC模型 C_build 200 # 等效热容 kWh/℃ R_build 10 # 等效热阻 ℃/kW T_out np.full(T, 25) # 室外温度简化 T_in_init 24 T_min, T_max 22, 26 COP 3.0 P_ac_max 60 # 空调最大用电功率 kW # ---------- 决策变量 ---------- P_buy cp.Variable(T, nonnegTrue) # 从电网购电 P_sell cp.Variable(T, nonnegTrue) # 向电网售电 P_ch cp.Variable(T, nonnegTrue) # 储能充电 P_dis cp.Variable(T, nonnegTrue) # 储能放电 soc cp.Variable(T 1) # 储能SOC P_ev_ch cp.Variable(T, nonnegTrue) # 电动车充电 P_ev_dis cp.Variable(T, nonnegTrue)# 电动车放电 soc_ev cp.Variable(T 1) # 电动车队SOC P_ac cp.Variable(T, nonnegTrue) # 空调用电功率 T_in cp.Variable(T) # 室内温度 # 0-1变量状态互斥 u_storage cp.Variable(T, booleanTrue) # 1充电0放电 u_grid cp.Variable(T, booleanTrue) # 1购电0售电 # ---------- 约束条件 ---------- constraints [] # SOC递推 constraints [soc[0] soc_init] constraints [soc[t1] soc[t] eta_ch * P_ch[t] * dt / E_bat - P_dis[t] * dt / (eta_dis * E_bat) for t in range(T)] constraints [soc_min soc[t] soc_max for t in range(T1)] # 储能充放电互斥 constraints [P_ch[t] P_ch_max * u_storage[t] for t in range(T)] constraints [P_dis[t] P_dis_max * (1 - u_storage[t]) for t in range(T)] # 周期SOC回归 constraints [soc[T] soc_init] # 电动车SOC递推和限制 constraints [soc_ev[0] 0.5] constraints [soc_ev[t1] soc_ev[t] eta_ev_ch * P_ev_ch[t] * dt / E_ev_total - P_ev_dis[t] * dt / (eta_ev_dis * E_ev_total) for t in range(T)] constraints [soc_ev[T] soc_ev_min] # 调度结束时满足最低电量 constraints [P_ev_ch[t] P_ev_ch_max for t in range(T)] constraints [P_ev_dis[t] P_ev_dis_max for t in range(T)] # 建筑热动态 constraints [T_in[0] T_in_init] constraints [T_in[t1] T_in[t] ( - (T_in[t] - T_out[t]) / R_build - COP * P_ac[t] ) * dt / C_build for t in range(T-1)] constraints [T_min T_in[t] T_max for t in range(T)] constraints [P_ac[t] P_ac_max for t in range(T)] # 电网交互互斥 constraints [P_buy[t] 500 * u_grid[t] for t in range(T)] constraints [P_sell[t] 200 * (1 - u_grid[t]) for t in range(T)] # 节点功率平衡 constraints [pv[t] P_dis[t] P_ev_dis[t] P_buy[t] p_load_base[t] P_ch[t] P_ev_ch[t] P_ac[t] P_sell[t] for t in range(T)] # ---------- 目标函数 ---------- cost_buy cp.sum(price_buy P_buy) * dt income_sell cp.sum(price_sell P_sell) * dt battery_battery cp.sum(0.02 * (P_ch P_dis)) * dt # 储能损耗成本 ev_compensation cp.sum(0.05 * P_ev_dis) * dt # EV放电补贴 comfort_penalty cp.sum(0.1 * cp.abs(T_in - 24)) * dt # 舒适度偏离惩罚 objective cp.Minimize(cost_buy - income_sell ev_compensation comfort_penalty) # ---------- 求解 ---------- prob cp.Problem(objective, constraints) prob.solve(solvercp.CBC, verboseTrue) print(总成本, prob.value) print(购电量, np.sum(P_buy.value) * dt) print(售电量, np.sum(P_sell.value) * dt)拿到代码不要直接跑完就完事要做两件事。第一把输出结果对一遍量纲成本是不是元、电量是不是kWh、功率是不是kW。第二画逐时功率平衡曲线检查每个时刻发电和用电是否严格相等。如果出现功率不平衡大概率是时间步长乘错了。3.5 常见问题与排查技巧实录SOC越界。很多人发现SOC算出来是负的或超过1原因是递推公式里放电那项分母上乘的效率和充电效率混用。记住一个口诀充电效率乘在充电功率上放电效率除在放电功率上。求解器报错“infeasible”——模型无可行解大概率是约束太紧了。先把电动车离开SOC约束放宽再把建筑温度上下限放宽看看哪个约束是瓶颈。这也是比赛论文中灵敏度分析的一部分调整某参数看系统成本和可行域的变化。0-1变量太多导致求解慢。如果题目规模很大考虑把时间粒度从15分钟改成1小时或者对电动车做聚合减少0-1变量数量。结果出现“同时充电和放电”的怪象。这就是没加互斥约束或互斥约束失效了。检查你写的u_storage条件是不是严格限制了同一时刻只有一个状态。还有一个常被忽略的坑分时电价有峰谷平三个时段每个时段的时间边界必须和数据表完全对齐。差一个时间断面结果会完全不同。拿到数据先画电价曲线和常识对照一遍。3.6 从确定性调度到不确定性优化第一问用确定性模型就能解决但第二问很可能引入不确定性比如光伏出力预测误差、电动车到达时间随机等。这时候有两种主流处理方式。第一种是随机规划给光伏出力和EV到达时间设置几个典型场景每个场景赋一个概率目标函数变成所有场景的期望成本最小。这种方法逻辑清晰但计算量会成倍增加。第二种是鲁棒优化只考虑光伏出力最差的情况比如阴天让调度方案在最恶劣条件下也满足所有约束。这种方法偏保守但好处是不需要假设概率分布。如果题目数据给了历史误差范围我建议做随机规划如果只给了一个波动区间那鲁棒优化更合适。还有一条路是模型预测控制MPC把整个周期切成多个滚动窗口每次只优化未来几个小时然后不断滚动。这个方法在2017年电工杯A题和很多微电网论文里都是标配写进论文里会显得你很有水平。具体做法是先做一次日前调度给出计划值然后在实时阶段每15分钟滚动优化一次只执行第一步的指令。4. 论文写作要点与获奖技巧把模型“讲”给评委听4.1 摘要怎么写出“拿到奖的感觉”摘要是一篇数模论文的灵魂评委大概率只精读摘要和结论。我的建议是摘要控制在800字左右含以下要素——题目要解决的问题、你建了什么模型、用什么方法求解、得到了什么关键结果、有什么有价值的结论。不要用“本文研究了”这种干巴巴的写法。要直接写“针对微电网-电动车-建筑协同调度问题建立了以总运行成本最小为目标的混合整数线性规划模型综合考虑了储能寿命损耗、EV用户放电补偿和建筑热舒适度通过……求解得到……”一上来就让评委知道你的工作量和方法论。4.2 假设、符号表与图表的细节数学建模论文最怕的是模型里出现了50个变量却没有一张符号表。建议所有变量和参数统一用表格列在模型开头符号、含义、单位、取值来源四列。这能大幅降低评委阅读难度。假设部分不要写废话比如“假设天气晴朗”这种。要写对模型有实际影响的假设比如“假设电动车在调度周期内均停靠在园区且可参与V2G”“假设建筑热工参数不随温度变化”等每条假设后面附一句为什么需要这个假设。图表方面不要只放软件默认配色图。逐时功率平衡图用堆叠面积图把光伏、购电、放电堆在正半轴把负荷、充电堆在负半轴一眼就能看出供需平衡。SOC曲线用阶梯图室内温度曲线旁边标注舒适区间上下界。这些图不需要多华丽但信息量要大。4.3 灵敏度分析让评委觉得你的模型“不虚”好的论文一定有灵敏度分析。针对这道题可以做三类灵敏度分析电价变化对总成本的影响把峰谷电价倍差从1.5倍调到3倍看购电策略怎么变化。电动车数量对园区成本的影响车队规模从20辆增加到100辆看V2G的收益何时饱和。光伏渗透率对购电量的影响光伏容量从100kW调到1MW看购电成本下降的边际效应。每个灵敏度分析画一张曲线图然后给出你的解释。不需要所有结论都“意料之中”有时候反直觉的结论反而更有价值。4.4 论文行文的节奏好的数模论文读起来像一篇科技报告有清晰的逻辑流问题重述→假设→符号说明→建模→求解→结果展示→分析→结论。建模和求解是核心但结果分析和灵敏度分析才是拉开分数的地方。前面模型写得再漂亮如果没有对结果做出有洞察力的解释评委会觉得你是“跑了个程序但没理解问题”。5. 一些贴士与经验总结大赛前夜最容易出的状况是工具链没准备好。建议比赛第一天就开始建论文骨架不要让建模和写作完全分离比赛期间所有人都在高强度思考建议队伍里指定一个“时间警察”专门负责提醒进度和防止在某一步无限纠结。如果第二问或第三问遇到不会的优化算法不要慌。先判断它属于什么问题如果是随机性就用多个确定性场景逼近如果主体之间目标冲突可以试着做双层规划或者引入纳什均衡概念。但绝大多数情况下评委更看重你把基础模型做扎实而不是盲目堆砌高端算法。最后再说一个我在实际微电网项目中踩过的坑不要过度追求模型复杂度。有一个队伍把碳交易、需求响应、电池衰减全部塞进模型结果参数全是瞎编的求解出来的结果根本没有说服力。模型复杂度和数据可得性是匹配的题目给了什么数据就做什么层次的模型这才是正道。把这个平衡拿捏好获奖概率自然就上去了。