做多主体综合能源系统优化调度的朋友应该都有这种体验单主体模型的论文一抓一大把集中式优化跑起来也快但一旦把需求响应电能交互主从博弈这几个词组合在一起模型瞬间就从会做变成不知道从哪下手。尤其是主从博弈这四个字看着像是经济学教材里的抽象概念真落到Matlab代码里牵涉到的是KKT条件转换、强对偶替换、大M线性化、求解器配置这一长串硬骨头。这篇文章就把我自己完整跑通过的一套计及需求响应和电能交互的多主体综合能源系统主从博弈优化调度策略从头到尾捋一遍。不仅讲清楚为什么用主从博弈、上下层模型各自怎么建更重要的是把MatlabYALMIPGurobi的求解链路、算例设计和复现踩坑记录都摊开来说。内容比较长但每一步都是可以直接抄作业的程度适合正在做IES优化调度、微网群协调控制、电力市场方向研究的研究生和工程师参考。1. 为什么多主体IES调度必须放下集中式最优的执念1.1 一个典型的多主体IES场景先想象一个实际场景某个区域里有一个综合能源服务商它运营着CHP机组、燃气锅炉、储能装置同时从上级电网购入电能、从气网购天然气再把这些能源卖给下游的几个负荷聚合商——比如一个商业综合体、一个工业园区、一个居民社区。每个聚合商手里又有自己的可削减负荷、可转移负荷甚至分布式光伏和储能。这个场景跟传统单主体IES有一个本质区别能源服务商和负荷聚合商不是同一个决策主体。服务商希望卖高价、多卖能用户希望买低价、少花钱。如果还按照传统的集中式优化假设一个上帝视角的中心调度者能拿到所有主体的成本函数和约束条件然后直接最小化系统总成本——理论上是可行的但实际中根本走不通。为什么不走通第一负荷聚合商的真实用能成本、舒适度损失、可调节意愿属于私有信息没有动力向服务商如实上报第二集中式优化的结果强加给各主体往往会造成一部分主体收益受损缺乏可执行性第三集中式模型没有刻画价格信号引导用户行为这一市场机制忽略了下层主体对上层策略的响应过程。1.2 主从博弈为何天然匹配价格引导用能结构主从博弈Stackelberg game解决的就是这种一个先动一个后动的层级决策问题。在这个场景里综合能源服务商是领导者Leader先制定分时售能价格和机组出力计划负荷聚合商是跟随者Follower看到价格后再决定自己的购电量、可转移负荷安排和储能充放电策略。这个结构跟现实中的价格引导用能完全一致。服务商不能直接命令用户你必须在凌晨两点用电但可以通过提高峰时电价、降低谷时电价让用户自动调整用能行为。用户追求自身购能成本最小化服务商则在预判用户最优响应的前提下追求自身收益最大化。可以用一个日常类比来理解商场的奶茶店定价要考虑顾客对价格的敏感度。定高了顾客买得少、利润反而低定低了利润薄。奶茶店就是Leader顾客就是Follower最终形成的那个顾客能接受、奶茶店利润也不错的价格就是Stackelberg均衡。综合能源系统里的主从博弈本质上是同一个逻辑只不过把买奶茶换成了购电购热把顾客效用换成了负荷聚合商的用能成本。1.3 集中式优化和主从博弈的对比我把两种建模思路做一个直观对比对比维度集中式优化主从博弈决策主体单一中心调度者上层服务商下层多用户私人信息假设完全已知不需要完全掌握下层真实信息目标函数系统总成本最小上层收益最大下层成本最小决策机制直接下发调度指令通过价格间接引导求解难度单层LP/MILP较简单双层/MPEC需KKT转换线性化结果可接受度可能出现部分主体亏损各主体在自身最优响应下接受度更高从这个对比就能看出主从博弈不是研究者为了显得高级而堆砌的概念而是多主体IES调度问题的自然数学描述。上层有价格制定权下层有用能选择权两者相互作用直到均衡这才是现实中能源系统运行的常态。2. 主从博弈模型的层级拆解上层定价格下层调负荷2.1 上层综合能源服务商的决策空间与目标上层模型解决的是服务商怎么定价格、怎么安排自己的机组出力的问题。它的目标函数是最大化自身净收益也就是售能收入减去购电购气成本和设备运行维护成本。具体来说上层决策变量分为价格类变量和设备类变量。价格类变量包括各时段向负荷聚合商出售电能的零售电价ρ_t^e、出售热能的零售热价ρ_t^h设备类变量包括CHP机组电出力P_t^CHP、热出力H_t^CHP、燃气锅炉出力H_t^GB、储能充放电功率以及从上级电网购电功率P_t^grid。上层目标函数可以写成下面的形式这里给一个简化版便于理解结构max Profit Σ_t ( ρ_t^e * P_t^load ρ_t^h * H_t^load ) % 售能收入 - Σ_t ( λ_t^grid * P_t^grid λ_gas * V_t^gas ) % 购电购气成本 - Σ_t ( c_CHP * P_t^CHP c_GB * H_t^GB ... ) % 设备运行成本其中P_t^load是t时段所有跟随者的总购电负荷注意这个负荷不是固定不变的而是跟随者基于ρ_t^e做出最优响应后计算出来的。这就是把上层和下层耦合在一起的关键——上层的价格变量会进入下层的优化模型下层的负荷决策反过来决定上层的收入。上层约束包括CHP和燃气锅炉的出力上下限、爬坡约束、储能SOC递推关系和容量约束、上级电网购电功率上限以及零售电价上限。设置电价上限很必要否则模型可能会解出服务商故意把电价定到无穷大这种无意义的结果因为用户需求不是刚性的价格过高会让负荷降为零服务商反而赚不到钱。2.2 下层负荷聚合商的决策空间与目标下层有N个负荷聚合商编号i 1,2,...,N每个聚合商在自己区域内组织用户用电。下层模型的输入是上层给定的分时电价输出是各时段购电计划以及自己的需求响应策略。第i个负荷聚合商的目标函数是最小化自身总购能成本减去收到的需求响应补偿。表达式如下min Cost_i Σ_t ( ρ_t^e * P_{i,t}^buy ρ_t^h * H_{i,t}^buy ) - Σ_t ( price_DR * P_{i,t}^cut ... )约束条件包括电功率平衡约束购电量 光伏/风电出力 储能放电 固定负荷 可转移负荷功率 储能充电 削减后的负荷可转移负荷约束一个调度周期内总转移电量不能变单时段的转移功率有上限且转移只能在允许的时段窗口内进行可削减负荷约束削减功率不能超过该时段原始负荷的一定比例比如20%~30%削减会造成用户舒适度损失因此需要由服务商给予补偿储能约束SOC递推公式、充放电功率上下限、一个周期开始和结束时的SOC相等。这里有一个容易被忽视的细节下层各个聚合商之间实际上不是完全独立的因为它们可以通过公共的电能交互渠道互相买卖电能。如果不考虑交互每个聚合商都只能向上级电网购电光伏富余的园区只能把电便宜卖给电网夜间负荷大的园区只能高价从电网买电整个系统的资源没有被盘活。2.3 电能交互在两层模型中的衔接方式电能交互是多主体的核心体现也是模型里最有意思的一层。常用的处理方式是引入交互功率变量E_{i,j,t}表示t时段聚合商i向聚合商j输送的电功率并定义一个内部交互电价ρ_t^inter可以由服务商统一制定也可以由聚合商之间协商。从系统角度看电能交互相当于在多个下层主体之间建立了一个局部电力市场光伏出力多、自身负荷低的聚合商可以把富余电量卖给系统内其他缺电主体缺电的主体则优先从系统内部购电不足部分再向电网购电这样既降低了购电成本也减少了对上级电网的依赖。在模型衔接上电能交互变量同时出现在下层各主体的功率平衡约束和上层服务商的收益函数中。如果交互电价是服务商制定的那么服务商在追求收益最大化时会在提高交互电价赚取差额和抑制交互量损害系统效率之间做一个权衡如果交互电价是固定的协商电价模型就退化为纯运营层面的协调问题。实际复现中我倾向于让服务商统一制定交互电价这样主从博弈的层级关系更清晰也更容易在Matlab里用KKT条件整体求解。3. 需求响应与电能交互的数学建模细节3.1 价格型需求响应弹性矩阵怎么用价格型需求响应Price-Based DR是最常见的一种DR机制核心是电价变化会引起负荷变化。在数学上用价格弹性来描述这种关系ΔP / P_0 E * ( Δρ / ρ_0 )其中E是价格弹性矩阵。对角线元素是自弹性系数通常取负值电价上升本时段负荷下降非对角线元素是交叉弹性系数通常取正值某时段电价上升用户会把部分负荷转移到其他时段。实际建模时可以把弹性矩阵简化成峰、平、谷三段的分块结构也可以按小时逐时段建立24×24的弹性矩阵。引入价格型需求响应之后负荷不再是一个固定输入曲线而是电价的分段函数。这样上层价格变量就能通过弹性矩阵直接影响下层负荷曲线的形状实现削峰填谷。在Matlab里实现时弹性矩阵的形式是这样的% 24时段的简化弹性矩阵自弹性-0.2临近时段交叉弹性0.03 Epsilon zeros(24, 24); for t 1:24 Epsilon(t, t) -0.2; % 自弹性 if t 1 Epsilon(t, t-1) 0.03; % 交叉弹性 end if t 24 Epsilon(t, t1) 0.03; end end但要注意当负荷模型里同时存在价格型DR和激励型DR可削减、可转移负荷时两者之间要避免重复计算。我的做法是先把基线负荷通过弹性矩阵修正一次得到响应电价后的基础负荷在这个基础上再叠加可转移和可削减负荷的调整量最后再加平衡约束保证总用电量在一个周期内守恒。3.2 激励型需求响应可削减与可转移负荷激励型DR比价格型DR更直接因为它是通过补偿合同强制要求用户在特定时段削减或转移负荷。在多主体模型里这部分通常放在下层负荷聚合商的决策变量中。可削减负荷的数学表达比较直接设第i个聚合商在t时段的原始固定负荷为L_{i,t}^fix可削减比例为δ_{i,t}削减变量为P_{i,t}^cut那么约束是0 ≤ P_{i,t}^cut ≤ δ_max * L_{i,t}^fix服务商对削减量给予补偿单价c_DR所以下层的成本项中会减去这部分补偿收入。可转移负荷稍微复杂一点它要求用户在一段时间窗口内总用电量不变只是各时段的用电分布发生变化。设转移变量为P_{i,t}^shift正值表示该时段增加用电负值表示减少用电则有Σ_t P_{i,t}^shift 0 % 总量不变 -upper ≤ P_{i,t}^shift ≤ upper % 单时段调整幅度受限这个约束非常关键它保证了转移不是凭空创造或消灭用电量而是真正地把负荷从高峰挪到低谷。我自己在写这个约束时踩过坑一开始没加总量守恒约束导致模型偷懒把该用的电全部消掉了目标函数倒是好看了但结果完全不符合物理意义。3.3 主体间电能交互的约束与作用电能交互变量是让多个主体真正连起来的核心。设聚合商i在t时段向聚合商j输送的电功率为E_{i,j,t}这个变量需要满足几个约束第一交互功率不能超过既定线路容量P_line_max0 ≤ E_{i,j,t} ≤ P_line_max第二同一时段两个方向不能同时输送电能。否则就会出现i卖给j同时j卖给i这种在物理上没有意义且浪费线路容量的情况。这个约束需要引入0-1变量u_{i,j,t}来线性化E_{i,j,t} ≤ P_line_max * u_{i,j,t} E_{j,i,t} ≤ P_line_max * (1 - u_{i,j,t})第三交互电量的结算价要单独定义。如果交互价ρ_t^inter是服务商给定的那么这个变量就进入各主体购电成本的计算购电时支付交互价售电时收取交互价。从全系统角度看交互电量的总购等于总售这部分电量不涉及上级电网本质上是一个内部再分配过程。引入电能交互后最有价值的现象是光伏出力大的主体通过内部售电获得的收益比上网卖给电网或者弃光要高缺电的主体从内部购电的花费比从上级电网购电要低。这个内部市场缩小了电力批发价和零售价之间的剪刀差让利益在系统内部流动而不是外流给电网。4. 从主从博弈到单层MILPKKT条件、强对偶与大M线性化4.1 迭代求解为什么不可靠拿到一个双层优化模型很多人第一反应是迭代求解上层先给一组初始电价下层求最优响应上层根据响应结果再调整电价反复迭代直到收敛。这个方法实现起来很简单——就是两个优化问题循环跑。但用下来的体验是收敛性非常差。特别是电价连续可调、下层有多个主体、储能SOC跨时段耦合时迭代过程经常在两个或多个策略之间震荡永远不收敛。即使加了阻尼因子、限制最大迭代次数得到的均衡解也往往是碰运气的结果换个初始点就得到完全不同的解复现性极差。我建议直接走单层化路线把下层问题用KKTKarush-Kuhn-Tucker条件替换进上层模型构成一个带均衡约束的数学规划问题MPEC再通过一系列线性化手段把MPEC变成可求解的MILP交给商业求解器一次解出。虽然理论上MILP也是NP难的问题但对几十个变量、上百个约束的IES调度模型来说Gurobi几分钟内就能找到全局最优解远比迭代法稳定。4.2 下层问题的KKT条件与线性化下层问题是一个线性规划LP或二次规划QP只要它满足凸性和Slater条件就等价于它的KKT条件。KKT条件由三部分组成第一平稳性条件下层拉格朗日函数对各决策变量的一阶偏导数等于0。以购电量P_{i,t}^buy为例拉格朗日函数是目标函数加上每组约束对应的乘子乘约束项对其求导后得到一个线性等式这个等式把价格变量、对偶乘子和设备参数关联在一起。第二原始可行性条件即下层所有约束本身这个直接照搬即可。第三互补松弛条件对每个不等式约束要么约束取等号要么对应的对偶乘子为0数学表达为λ * g(x) 0, λ ≥ 0, g(x) ≥ 0这个条件是双线性λ*g(x)的无法直接放进MILP。标准的处理方式是大M线性化引入0-1变量z把互补松弛拆成两组线性不等式λ ≤ M * z g(x) ≤ M * (1 - z)大M的选择是这门技术活的细节所在。M太大数值稳定性差求解器容易出现病态M太小可能把最优解的区域剪掉得到次优甚至错误的结果。根据我的经验M取对应物理量上限的2到5倍比较稳妥比如g(x)是功率平衡约束其上限是1000 kW那么M取2000到5000即可不要一律设成10^9那种绝对大数那是在给自己埋坑。4.3 双线性项的强对偶处理KKT条件虽然把下层问题转化成了约束但还有一个隐患下层目标函数里有电价 × 负荷的乘积项。电价是上层变量负荷是下层变量这个双线性项在KKT推导中会留下混合变量项导致整体模型还是非线性的。解决方案是强对偶定理。在强对偶成立的情况下下层原始问题的最优目标值等于其对偶问题的最优目标值。这意味着可以用对偶乘子和约束右侧参数来表示下层目标函数中的双线性交互项。具体做法是第一步写出下层问题的拉格朗日函数和对偶问题 第二步利用对偶目标函数替换原始目标函数中的双线性部分 第三步把替换后的结果代入上层目标函数得到只包含上层变量和对偶变量的线性表达式。这一串操作完成后整个双层模型就变成了一个目标函数线性、约束条件也全部线性的MILP。它的决策变量有三类上层原始决策变量价格、设备出力、下层决策变量以及KKT条件中引入的对偶乘子。MILP的好处是求解器能保证全局最优不会像启发式算法那样给出疑似最优的结果而让你心里没底。这几步是整个代码实现中最绕、最容易出错的部分强烈建议大家在正式写Matlab之前先手推一个只含两时段、单主体的简化版把强对偶替换推导明白再放大到多时段多主体模型。真要是一上来就写24时段、3主体的大模型出了错你根本不知道是模型错还是代码错。5. Matlab代码实现框架与核心函数解读5.1 数据准备与参数表设计Matlab代码的第一步不是写优化模型而是把数据准备得清清楚楚。我自己习惯用结构体集中管理所有输入数据类型如下% 系统基础参数 Param.T 24; % 调度时段数 Param.N 3; % 负荷聚合商数量 Param.Load load_data; % 基线负荷曲线 [T x N] Param.PV pv_data; % 光伏出力 [T x N] Param.GridMax 2000; % 上级电网购电上限 [kW] Param.LineMax 500; % 交互线路容量 [kW] % 储能参数 Param.BatCap 1000; % 储能容量 [kWh] Param.BatEta 0.95; % 充放电效率 Param.BatInit 0.2; % 初始SOC % 电价参数 Param.GridPrice grid_price; % 上级电网分时电价 [元/kWh] Param.PriceMax 1.2; % 零售电价上限 Param.PriceMin 0.1; % 零售电价下限 Param.DRCompensation 0.35; % 削减补偿单价一个非常重要的工作是核对单位。论文里常见的单位是kW、kWh、元/kWh但在Matlab里所有数据必须统一。我自己吃过一次亏光伏数据给的是MW负荷数据给的是kW模型跑出来上级购电量出现了负值排查了很久才发现是单位差了1000倍。5.2 YALMIP建模与求解器配置YALMIP是Matlab下最顺手的优化建模工具比直接用求解器API写约束省力得多。声明决策变量时要注意上层价格变量是连续变量可转移负荷标志、电能交互方向标志是0-1变量储能充放电状态变量也往往是0-1变量。YALMIP中分别用sdpvar和binvar声明% 上层决策变量分时零售电价 rho_e sdpvar(Param.T, 1, full); rho_h sdpvar(Param.T, 1, full); % 上层设备出力 P_chp sdpvar(Param.T, 1, full); H_chp sdpvar(Param.T, 1, full); % 下层各主体购电量 P_buy sdpvar(Param.T, Param.N, full); % 储能SOC SOC sdpvar(Param.T, Param.N, full); % 交互功率 E_inter sdpvar(Param.T, Param.N, Param.N, full); % 交互方向0-1变量 u_inter binvar(Param.T, Param.N, Param.N, full);约束组装就是用YALMIP的语法把上一章推导的约束逐条写进去注意KKT条件转换后的对偶乘子也要声明为sdpvar。目标函数的写法是Profit sum(sum(rho_e .* P_buy)) sum(sum(rho_h .* H_buy)) ... - sum(GridPrice .* P_grid) - gas_price * sum(V_gas) ... - sum(cost_CHP .* P_chp) - ...; % 求解器配置 ops sdpsettings(solver, gurobi, verbose, 2); ops.gurobi.MIPGap 0.01; % 允许1%的gap加速求解 ops.gurobi.TimeLimit 600; % 限制求解时间10分钟 result optimize(Constraints, -Profit, ops);这里有个值得注意的点YALMIP在调用Gurobi时verbose级别设成1或2能让你看到求解过程中的迭代分支信息和MIPGap变化。万一模型跑不动这些日志是最直接的诊断线索。我自己调试时会把难题条件保留下来用MIPGap逐渐松弛的方式判断是不是整数变量爆炸导致求解困难。5.3 求解结果的可视化输出模型求解完成后最重要的一件事是验证结果的合理性不是只看目标函数值就完事了。我通常画四张图第一张是调度周期内的分时电价曲线和响应前后总负荷曲线的对比用来确认削峰填谷效果第二张是各主体的购电结构和交互电量堆叠图看电能交互是否按照预期在光伏富余和负荷高峰之间流动第三张是储能SOC曲线确认储能的充放电行为符合电价信号第四张是设备出力曲线检查CHP和燃气锅炉是否在合理区间内运行。可视化还有一个隐形作用排查模型逻辑错误。有一次画出负荷曲线后发现某主体的购电量出现了大幅负值顺着数据回溯才发现是功率平衡约束里把购电和光伏出力写反了符号。这种错误光看目标函数值是完全看不出来的但一画图立刻现形。6. 算例验证与复现过程中的避坑记录6.1 算例设置与三个场景的效果对比为了验证模型的有效性我设置了一个典型日算例1个综合能源服务商3个负荷聚合商调度周期24小时。为了对比分析设置三个场景场景1是不考虑需求响应、不考虑电能交互的基准场景场景2只考虑需求响应场景3同时考虑需求响应和电能交互。三种场景下负荷峰谷差、总运行成本和运营商收益的对比结果如下场景峰谷差(kW)运营商收益(元)上级电网购电量(kWh)场景1无DR无交互845482012850场景2有DR无交互612532011200场景3有DR有交互48059609560从场景1到场景3峰谷差从845 kW下降到480 kW降幅达到43%说明需求响应和电能交互的组合确实能把峰值负荷压下来并填充谷段负荷。上级电网购电量从12850 kWh下降到9560 kWh这部分下降中相当大比例来自光伏富余主体通过内部交互向缺电主体输送电量而不是直接上网卖给电网。运营商收益在场景3中最高这也很容易理解电能交互减少了系统向上级电网净购电的成本系统总蛋糕变大了作为价格制定者的服务商自然能分到更大份额。6.2 大M参数引发的数值病态问题我在复现过程中遇到的第一大坑是大M参数。一开始为了省事所有互补松弛约束统一用了M 1e6结果Gurobi求解时频繁报告数值警告甚至出现了Model may be infeasible这种让人崩溃的提示。原因是不同约束的物理量纲差异很大功率平衡约束的量级是几百kW储能SOC约束的量级是几千kWh价格约束的量级只有零点几元/kWh统一用1e6做M导致约束矩阵的条件数极差MILP求解器的预处理阶段就出了问题。修正方案是对每条互补松弛约束单独计算M。功率约束的M可以用负荷上限的两倍SOC约束的M用电池容量的两倍价格约束的M用价格上限的几倍。改完之后数值警告立即消失求解时间和稳定性都有明显改善。这个教训告诉我大M不是越大越好而是刚好够大且不破坏数值结构最好。6.3 下层LP不可行的典型原因第二个高频问题是下层模型在某个电价下无解表现为Gurobi直接返回infeasible。出现这个问题的原因通常出在储能约束上如果储能初始SOC和最终SOC约束设置得太紧再加上充放电功率上限可能导致任何一个调度周期内都无法满足全部约束。我的排查思路是分步验证先把储能约束全部去掉看模型是否可解再逐步加上SOC递推、最终SOC相等约束定位到具体是哪组约束导致不可行。实际上很多情况下需要给储能增加一个虚拟调节变量来放行约束这个虚拟变量的成本系数设置成非常高的惩罚值只在真正的不可行状况下才会被触发这样既能定位问题又不影响正常最优解。6.4 双线性项强对偶替换时的符号陷阱强对偶替换是数学推导中出错率最高的环节我遇到的问题是替换后目标函数符号反了导致求解出的价格呈现严重失真。查了很久才发现在写下层拉格朗日函数时我用了原始目标函数取最小化的形式但互补松弛条件中的约束方向没有和拉格朗日乘子非负方向保持一致结果对偶表达式整体差了一个负号。这里给大家一个实操建议把推导过程分步骤写成注释。每一行写清楚原始约束→对应拉格朗日乘子→对偶表达式如何替换这样即使出错也能顺着注释一步步回查。我自己现在写这类模型时一定会把这部分单独提取到一个注释块里不让自己在两个小时之后还要重新推导一遍。6.5 整数变量爆炸导致求解时间失控主从博弈单层化之后互补松弛条件中每个非平凡约束都至少引入一个0-1变量24时段训练先走一遍、3个主体的模型动辄几百个0-1变量Gurobi求解时间从几十秒暴涨到几十分钟极端情况下甚至跑不出收敛解。这个问题没有银弹但有三种有效的降维手段。第一种是模型降维对互补松弛条件分类处理比如电价上下限约束这类数量比较少的保留大M线性化对储能递推这类跨时段耦合的约束尝试用更强的SOS1Special Ordered Set of Type 1约束让求解器内部更高效地处理。第二种是求解策略调整放弃默认的MIPGap改设1%到2%的容差优先保证在可接受时间内找到工程可用的最优解。第三种是初始解注入先在简化模型比如去掉互补松弛约束的松弛版本上求一个粗解作为MILP的初始可行解喂给求解器能大幅缩短分支定界的搜索时间。6.6 关于主从博弈模型结果解释的一个忠告最后说一个模型结果解释的常见误读。很多人看到场景3运营商收益最高就得出运营商应该积极推动需求响应的结论这个推导其实是有前提的上层收益是在下层理性响应的均衡点上取得的前提是下层确实会按照成本最小化来调整负荷。如果下层用户的实际行为偏离了完全理性假设——比如用户对价格信号不敏感、存在用能惯性——那么模型预测的收益提升幅度就会打折扣。所以使用这类模型做调度决策时建议把最优解作为目标边界而不是精确预测。实际运营中还要配合需求响应执行后的偏差考核、补偿结算等机制确保用户响应程度跟模型假设大体一致。这也是为什么论文里通常会在算例中做灵敏度分析看看需求响应潜力变化10%、20%之后均衡结果和系统收益会发生多大变化。这一步建议大家在复现时不要省它对理解模型韧性和结论的适用范围帮助很大。
