典型日算法和 8760 逐时仿真给出的容量常常对不上。这篇讲清两种算法各丢了什么、约束怎么定、双层寻优怎么求解，并附一个实际项目的运行日SOC曲线。

配储这件事，最后会落在一个数字上：容量定多少。

定大了，储能大部分时间闲着，投资摊在每一度电上。定小了，考核不达标，罚款是真金白银。中间那个点落在哪里，取决于你用多高的精度去算。

行业里有两种主流做法。一种把一年压成12个典型日，一种把8760小时逐个跑一遍。这篇把两种算法摊开讲，也把一款实际工具的运行输出拿出来对照。

一、两种算法，差在时间粒度

典型日算法的思路是降维。一年8760小时里挑出12个有代表性的日子，每个日子代表一个月，用这12天推出全年。

优势很直接：计算量小，几秒钟出结果，适合项目早期比选方案。

怎么挑这12天，有两类做法。一类按季节分层，春夏秋冬各选几天。一类用聚类，把全年出力曲线分成三到五类，每一类配一个概率权重。

代价在时间维度上。代表日保留了变量各自的分布，丢掉的是变量之间的联合分布。

风光出力、负荷和电价三条曲线，各自的统计特征还能还原，同一时刻的耦合关系却被平均掉了。

这个损失对储能格外要命。储能的价值来自低买高卖，也就是出力大、电价低的时候充电，出力小、电价高的时候放电。这种相关性一旦被摊平，储能就显得没什么用。

另一层损失是荷电状态的时序依赖。上午放过电的电池，可能来不及充电去接晚高峰。能不能同时应付这两个尖峰，取决于前一小时的荷电状态，而代表日里没有这条序列。

文献里有一个明确的比较：模型若省掉荷电状态的序列约束，储能的价值会被系统性高估。

偏差的方向还不固定，可能算小也可能算大，取决于这一年里起伏被平均掉的程度。所以拿到典型日的结果，把它当成候选区间的中心更合适。

二、典型日法丢掉的三种过程

落到具体场景，丢掉的其实是三类过程。

跨日累积是第一类。连续三天的阴雨、连续五天的高价时段，这些量在单日里看不出来，却决定储能能不能周转得过来。

第二类是极端事件。出力骤减的天气过程持续一两天时，储能的调用强度和平时完全不同。

第三类是爬坡时段。傍晚光伏退坡和负荷抬升叠在一起，对储能功率的需求往往比日平均高出一截。

有人做过对比，两种算法的偏差量级大致在10%到20%之间。这个数量级足以改变一个项目的投资判断。

典型日不保证保守，它只保证算得快。

三、逐时仿真贵在哪，值在哪

8760逐时仿真是另一个极端。一年里的每一小时，都单独算一次充放电决策。

它贵在算力。8760个时间点，每个点都要读当前的风光出力、负荷和电价，再决定充还是放。

它值在保留了完整的时间序列。跨日的余缺、连续的峰谷、季节之间的迁移，都在模型里。

同一个项目，两种算法跑出来的最优容量常常要差一个档位。即便选定同一个容量，模拟出来的年收益也会有差距。

逐时仿真也有边界。8760曲线通常取自一个典型年，实际出力偏离这个典型年时，规划结果就可能落空。

更稳妥的做法是拿多年数据分别跑，看容量结论在P50和P90情景下稳不稳。

典型日适合粗筛，定案要把逐时跑一遍。

四、四层约束，缺一层结论就不成立

容量要同时满足四层约束，任何一层通不过，这个数就落不了地。

第一层，接入与涉网。升压站容量、送出线路、并网技术要求，每一条都可能把容量卡住。

第二层，荷电状态运行带。磷酸铁锂一般设在10%到90%，保守的项目会收到20%到80%，可用容量因此小于名义容量。

第三层，充放电倍率。倍率决定储能能多快充满或放空，0.5C对应两小时，1C对应一小时。倍率选高了，循环寿命和变流器投资都要往上走。

第四层，寿命与吞吐量。循环寿命和单次循环深度强相关。为防止模型把电池用到透支，一般会加一条累计吞吐量约束。

四层之外才是经济性。投资、运维、衰减、收益口径，最后折算成一个经济指标。顺序不能颠倒，先过前三道筛子，剩下的区间再拿去做经济性比选。

五、寻优：外层容量，内层策略

确定最优容量，本质是一个双层问题。外层给一组候选容量，内层算这一容量下的最优充放电安排。

两层互相牵制。容量不同，最优策略不同；策略不同，同一个容量的价值也不同，所以要来回迭代。

求解可以分三个层级。决策变量只有功率和容量两个时，二维网格枚举加时序仿真就够。

变量再多一些，用遗传算法或粒子群做外层寻优，内层调时序仿真算适应度。内层若交给混合整数线性规划，还能得到成组的权衡解。

建模里有两个坑。一个是充放电互斥，同一时刻不能既充又放，用两个0-1 变量表达最直接。另一个是荷电状态的终值，不约束的话模型会把电池放空收尾。

内层的策略搜索最容易被简化。很多测算里，充放电策略是写死的：一天一充一放，或者按固定时段充放。

这么做省事，代价是低估了储能的真实价值。电价波动大的月份，灵活策略和固定策略的收益差距会拉开。

迭代次数有个自然的停点。容量搜索到一定精度之后，继续加密带来的收益增量会迅速变小，工程上通常在容量变化小于一个设定阈值时就停。

容量决定能做什么，策略决定做得好不好，两者要一起找。

六、一个实际项目的运行日

抽象的道理讲完，看一张真实运行输出。

下面是某配储项目的模拟结果。装机容量2261kWh，额定充放电功率1131kW，倍率约0.5C。

图1 某配储项目 2027年4月1日运行模拟：SOC曲线与逐时充放电功率

这一天是一次完整的充放循环。8时到13时充电，荷电状态从9.2%升到96.3%，随后维持在98%附近。17时到21时放电，回落到9%上下，日终与日初基本对齐。

再看充电功率的形状。六小时并不均等：8时只有130.89kW，12时升到全天最高的547.73kW，13时又回落到334.53kW。

这个形状来自内层策略寻优，人工排期排不出这种曲线。中午时段的可充电量最大，策略就把功率往这里压。

放电段的形状类似。17时和18时功率偏低，19时和20时抬到525.60kW和552.00kW，21时收在338.22kW。

如果把它简化成固定策略，比如8时按额定功率充满、18时开始放，同样的设备收益会低一截。

这张图只是全年365天里的一天。8760仿真要做的，是把这365天连起来跑，每一天的起止荷电状态和充放电时段都不相同。

七、动手之前，先定死五个参数

自己动手算之前，有五个参数必须先定下来。它们定得含糊，后面所有结论都不牢。

资源数据口径：用哪一年的数据，是实测还是反演，代表年怎么选，是否做了P50修正

电价口径：中长期签约价、现货均价还是分时电价，补贴按什么时点确认

策略前提：一天允许多少次循环，深度放到多少，备用荷电状态留多少

衰减与寿命口径：首年衰减、逐年衰减、循环寿命怎么折算

收益边界：电量收入算不算，辅助服务和容量补偿算不算进来

这五项直接决定结论。同一份资源数据，电价口径换一套，最优容量可能就变了。

八、把这个过程变成一次计算

容量搜索和策略迭代，手工做一遍要很久。改一个电价假设，所有结果都得重算。

能耀科技的XDesigner把这两层放在同一套模型里跑。输入资源、电价和设备参数，系统自动遍历候选容量，同步寻优运行策略。

储能容量的答案从来不只是一个数字，而是一组参数共同确定的结果。