企业官网建设流程全解析

“双碳”这两个字喊了也有几年了，搞能源优化的人应该都深有体会。以前做调度，盯着电费、气费，把运行成本压下来就算交差；现在不行了，碳排放成了硬约束，哪怕成本高一点点，也要先把碳排降下来。很多做综合能源系统（Integrated Energy System，IES）研究的朋友，或者刚入行的工程师，拿到一个包含光伏、风电、热电联产（CHP）、燃气锅炉、电储能这类设备的系统，第一反应往往是不知道怎么把“低碳”和“经济性”同时塞进一个优化模型里。这篇博文就以我最近在Matlab里搭的一套低碳运行优化调度程序为例子，把建模思路、目标函数设计、约束处理、求解实现和踩坑经历完整拆开讲一遍。内容偏实战，适合正在写论文、做毕设、或者刚接触IES优化调度的同行参考，直接照着改数据就能用。

1. 程序整体设计与建模思路

1.1 综合能源系统里都有哪些“家伙”

拿到一个综合能源系统，第一步不是急着写代码，而是先把系统里的设备、能量流、信息流理清楚。我这套程序里默认的设备配置很典型：光伏（PV）、风电（WT）、热电联产机组（CHP）、燃气锅炉（GB）、电储能（ESS），外加从上级电网购电、从天然气网购气这两个外部能源入口。

这里要说清楚一个关键点：CHP和燃气锅炉是“电-热”耦合的核心。CHP一边发电一边产热，发电和产热之间存在强耦合关系；燃气锅炉则只产热，作为热力侧的补充。光伏和风电属于不可控可再生能源，出力曲线基本靠预测数据给定，调度模型里只能决定“用不用、用多少、弃不弃”。电储能是灵活性资源，可以在电价低谷充电、高峰放电，平抑可再生能源的波动。

热负荷侧通常还包括一个热储能罐，但为了控制程序复杂度，我初期先用“电储能 + 直接热平衡”的方式跑通，后期再叠加热储能。如果你手上的系统带了热储能，建模思路和电储能几乎一样，只是把能量状态换成热量状态而已。这套程序搭好之后，设备增减就是改模块的事。

1.2 调度模型的核心：能量平衡与设备出力分配

很多初学者最容易犯的错，是拿起代码就写目标函数，结果约束条件一加就冲突，半天调不出可行解。我的习惯是先画能量平衡图，再列数学表达式，最后才写Matlab代码。系统的核心平衡关系分两个层面：

• 电力平衡：光伏出力 + 风电出力 + CHP发电 + 电储能放电 + 上级购电 = 电负荷 + 电储能充电
• 热力平衡：CHP产热 + 燃气锅炉产热 = 热负荷

不要小看这两条平衡式，整个优化模型都是围着它们转的。设备多了以后，每条平衡式里还要加入损耗项、启停状态变量，但那是后话。初版模型只要把这两个平衡等式写对，后面的求解过程就顺了一半。

这套系统的调度时间尺度我采用的是典型日调度，时间分辨率为1小时，总共24个调度时段。你也可以改成15分钟一个时段，但那样决策变量数量会翻四倍，求解时间相应拉长，建议先1小时跑通再细化时间粒度。

1.3 为什么选Matlab + Yalmip这套组合

工具选型这块我多说两句。目前IES优化调度领域的程序实现主流方案就那么几种：Matlab亲生的优化工具箱、Yalmip + Cplex/Gurobi、Python的Pyomo + Gurobi，还有人用GAMS。我最终选择Matlab，纯粹是图它生态成熟、上手门槛低。

Yalmip是一个建模语言工具包，它最大的价值在于把“数学模型”和“求解器”解耦。你只需要用Yalmip的语法把变量、目标、约束描述出来，底层调用Cplex还是Gurobi，换个参数就切换了。这个特性在写论文时特别方便——审稿人质疑求解器，你花两分钟就能换一个重新算。

具体到版本，我用的是Matlab R2022b + Yalmip R20230630 + Cplex 12.10。如果你手头没有Cplex，用Gurobi也可以，求解MILP（混合整数线性规划）都没问题。实在没有商业求解器，先用Matlab内置的linprog跑一个去掉整数变量的LP版本，也能验证模型逻辑。

2. 设备建模与约束处理

2.1 光伏与风电：预测出力与弃用决策

光伏和风电的建模是整套程序里最“简单但也最讲究”的部分。说简单，是因为在调度层面我们基本不做物理建模，直接采用预测出力曲线作为输入；说讲究，是因为弃光弃风决策处理不好，模型要么过于乐观、要么约束过紧直接无解。

光伏出力的简化模型是：

[ P_{PV}(t) = P_{PV_rated} \times \frac{G(t)}{G_{STC}} \times [1 + k \times (T(t) - 25)] ]

其中(G(t))是实际光照强度，(G_{STC}=1000W/m^2)是标准测试条件光照，(T(t))是光伏板温度，(k)是温度系数（通常取-0.004/°C左右）。实际调度程序里，更常见的做法是直接读入一个归一化的预测出力曲线，再乘以装机容量。因为优化调度关心的是“在某时段能发多少电”，光伏内部的物理细节不是关注重点。

风电也类似，读入预测出力曲线。但风电有个特殊性：实际可用出力和调度允许出力之间，存在一个“弃风”决策变量。这个变量的设置非常关键，它在约束里长这样：

[ 0 \le P_{WT_dispatch}(t) \le P_{WT_forecast}(t) ]

也就是调度后的风电出力可以在0到预测值之间任意取，实际的弃风量就是预测值减去调度值。这种做法引入了“削峰填谷”的灵活性，也是低碳调度的核心操作——当系统电负荷很低、但光伏风电大发时，与其被强制降负荷，不如主动弃掉一部分可再生能源，换取整体运行成本不飙升。

注意：弃风弃光量一定要加进目标函数做惩罚，惩罚系数不能太小，否则模型会为了省成本疯狂弃风弃光；但也不能太大，否则等于硬性规定“必须全额消纳”，模型灵活性没了。我一般取度电成本的1.5~2倍作为弃风弃光惩罚系数。

2.2 热电联产机组的“电随热走”困境

CHP是整个系统建模里最需要花心思的部件，因为它同时横跨电力系统和热力系统，而且不同技术路线的CHP，运行约束完全不一样。

我程序里默认采用的是抽凝式CHP，它的可行运行区间可以描述为：

[ P_{CHP}(t) \in [P_{CHP_min}, P_{CHP_max}] ] [ H_{CHP}(t) = \eta_{chp_h} \times F_{CHP}(t) ] [ P_{CHP}(t) = \eta_{chp_e} \times F_{CHP}(t) ]

这里的核心是热电比，即产热和发电的比值。在简化模型里，我们直接定义：

[ H_{CHP}(t) = \alpha_{chp} \times P_{CHP}(t) ]

这个(\alpha_{chp})就是热电比。对于背压式CHP，热电比基本固定；对于抽凝式CHP，热电比在一定范围内可调。如果你的研究不需要做得太细，固定热电比是最省事的做法；如果要做深度分析，可以用可行域多边形去约束P和H的耦合关系，但程序复杂度会上一个台阶。

CHP最麻烦的是爬坡约束和启停约束。爬坡约束是：

[ -P_{CHP_ramp_down} \le P_{CHP}(t) - P_{CHP}(t-1) \le P_{CHP_ramp_up} ]

这个约束在Matlab里实现时需要把24小时的所有时段放在一起写，用循环生成约束条件再拼接成矩阵，也是最容易出错的地方。我的建议是先把一个机组的爬坡约束写对、测通，再扩展到多机组。

2.3 燃气锅炉与电储能：灵活性担当

燃气锅炉模型比CHP简单得多，本质上就是一个“天然气→热量”的转换器：

[ H_{GB}(t) = \eta_{gb} \times F_{GB}(t) ]

其中(F_{GB}(t))是燃气锅炉消耗的天然气功率，(\eta_{gb})是锅炉效率，一般在0.85~0.95之间。燃气锅炉的唯一运行约束就是出力上下限：

[ 0 \le H_{GB}(t) \le H_{GB_max} ]

它的作用很明确：当CHP产热不足或电负荷要求CHP降出力时，燃气锅炉顶上热力侧的缺口。

电储能（ESS）是灵活性提升的关键设备，建模用到经典的状态转移方程：

[ SOC(t+1) = SOC(t) + \frac{P_{ESS_ch}(t) \times \eta_{ch} \times \Delta t}{E_{ESS_cap}} - \frac{P_{ESS_dis}(t) \times \Delta t}{E_{ESS_cap} \times \eta_{dis}} ]

注意充放电是互斥的，所以需要引入0-1整数变量：

[ P_{ESS_ch}(t) \le M \times z_{ch}(t) ] [ P_{ESS_dis}(t) \le M \times z_{dis}(t) ] [ z_{ch}(t) + z_{dis}(t) \le 1 ]

这里的(M)是一个足够大的常数，在Yalmip里用约束生成的写法，这三条不等式要循环写上24个小时。同时SOC本身有上下限约束，通常工作在10%~90%区间，不要让电池完全放空或充满，这对实际寿命有利，也对模型求解有利。

2.4 碳排放约束：双碳目标如何“落地”

既然标题是“双碳目标下”的低碳调度，碳排放的刻画自然不能含糊。我这里采用的是碳交易机制下的碳排放成本建模，这也是目前IES低碳调度文献里最主流的写法。

先算系统的实际碳排放量：

[ E_{CO2} = E_{grid_buy} \times EF_{grid} + (F_{CHP} + F_{GB}) \times EF_{gas} ]

其中(EF_{grid})是电网购电的碳排放因子，单位是kgCO2/kWh；(EF_{gas})是天然气的碳排放因子，单位是kgCO2/kWh。然后引入免费碳排放配额：

[ E_{quota} = (P_{grid_buy} + P_{CHP}) \times EF_{quota} ]

实际碳排放量与配额的差值，就是需要去碳市场购买的碳配额量：

[ C_{carbon} = \lambda_{CO2} \times (E_{CO2} - E_{quota}) ]

当实际排放大于配额时，这是一个正的碳交易成本；当实际排放小于配额时，这就是卖碳的收益。这个机制非常有意思，它让系统有了“为减碳而减碳”的经济动机，也让优化结果更有现实意义。这个模型在Matlab里实现时，只要把碳交易价格(\lambda_{CO2})设成一个标量参数（比如0.25元/kg），碳成本就会自动进入目标函数。

3. 优化模型与求解实现

3.1 目标函数：经济性与低碳性的博弈

目标函数是整个程序灵魂所在。我最终采用的综合成本最小化目标函数包含四块：购电购气成本、设备运行维护成本、碳交易成本、弃风弃光惩罚成本。

[ \min \quad \sum_{t=1}^{24} [C_{grid}(t) + C_{gas}(t) + C_{om}(t) + C_{carbon}(t) + C_{curtail}(t)] ]

展开来看：

• 购电成本：购电功率乘以分时电价，电价曲线直接读入
• 购气成本：CHP和燃气锅炉的总耗气量乘以天然气价格，这里要注意单位统一，天然气的热值按kWh计算
• 运行维护成本：各设备出力乘以对应的单位运维成本系数，光伏、风电的运维成本很低但也要算
• 碳交易成本：如2.4节所述，这是一个线性表达式
• 弃风弃光惩罚：惩罚系数乘以弃风弃光电量

在Yalmip里，目标函数写起来非常直观。先用yalmip定义24维的优化变量，然后按上面的表达式逐项叠加，最后用optimize调用求解器。底层求解器会自动把问题转换成标准形式。

我特别想强调的是：低碳模型并不等于把所有成本都让位给碳成本。很多初学者把碳价格调得特别高，导致模型为了减碳不惜一切代价，最后结果一点都不经济。合理的做法是把碳价格设为实际碳市场的交易价格区间，然后做敏感性分析——观察碳价从低到高变化时，系统碳排放量和总成本的变化趋势，这才是“双碳目标下低碳运行”研究的正确打开方式。

3.2 Yalmip建模实操：从变量定义到约束拼接

我先贴一段精简的核心建模代码，展示如何用Yalmip搭建这套优化模型。这里只展示框架，完整代码建议自己动手补全，补的过程中对约束逻辑的理解会深很多。

%% 加载负荷与可再生能源预测数据 load('IES_data.mat'); % 包含 P_load, H_load, P_pv, P_wt, 电价, 气价等 %% 定义决策变量 P_Grid = sdpvar(1, 24, 'full'); % 购电功率 F_CHP = sdpvar(1, 24, 'full'); % CHP购气功率 F_GB = sdpvar(1, 24, 'full'); % 燃气锅炉购气功率 P_CHP = sdpvar(1, 24, 'full'); % CHP发电功率 H_GB = sdpvar(1, 24, 'full'); % 燃气锅炉产热功率 P_ESS_ch = sdpvar(1, 24, 'full'); % 电储能充电功率 P_ESS_dis = sdpvar(1, 24, 'full'); % 电储能放电功率 SOC = sdpvar(1, 25, 'full'); % 电储能荷电状态（25个点包含初末） z_ch = binvar(1, 24, 'full'); % 充电状态 z_dis = binvar(1, 24, 'full'); % 放电状态 % 弃风弃光变量也可以定义出来，这里省略

定义好变量后，约束条件用循环或向量化方式拼接。下面这段是电储能SOC递推约束的写法：

Constraints = []; for t = 1:24 % SOC 状态递推 Constraints = [Constraints, ... SOC(t+1) == SOC(t) + (P_ESS_ch(t) * eta_ch - P_ESS_dis(t) / eta_dis) / ESS_cap]; % 充放电互斥 Constraints = [Constraints, ... P_ESS_ch(t) >= 0, P_ESS_ch(t) <= ESS_cap * 0.5 * z_ch(t)]; Constraints = [Constraints, ... P_ESS_dis(t) >= 0, P_ESS_dis(t) <= ESS_cap * 0.5 * z_dis(t)]; Constraints = [Constraints, ... z_ch(t) + z_dis(t) <= 1]; end

这里把充放电功率上限设为了ESS容量的0.5倍，对应2小时充满/放空倍率。实际参数要根据具体电池特性去改，别照抄。SOC的初值设定为0.2，末值要求回到0.2，这是为了保证调度策略的可持续性，不会出现一天结束电池电量被完全耗尽的情况。

3.3 求解器配置与求解结果验证

求解器配置这块也有不少坑。Yalmip调用Cplex的语法是：

ops = sdpsettings('solver', 'cplex', 'verbose', 1, 'showprogress', 1); optimize(Constraints, Objective, ops);

这里verbose设为1可以看到求解过程日志，方便判断模型是否遇到数值问题。如果出现Infeasible problem，大概率不是求解器的问题，而是约束冲突，需要回去检查约束条件。

我的建议是：刚开始调试时，先用一个非常宽松的约束集合去跑，比如去掉爬坡约束、把储能容量设得很大，确认模型能出结果；然后逐步收紧，每加一组约束就重新求解一次，这样能快速定位是哪个约束把模型“卡死”了。这个调试流程是我实测效率最高的方式，比自己盯着代码猜要快得多。

求解完成后，一定要检查结果是否满足所有约束，尤其是电功率平衡和热功率平衡这两条等式约束。我曾经因为负荷数据单位不一致（一个用MW、一个用kW），导致平衡等式有偏差，结果曲线看起来合理，实际电量差了好几兆瓦时。这种错误最坑，因为不细看根本发现不了。建议在求解后增加一段校验代码：

residual_e = P_PV + P_WT + P_CHP + P_ESS_dis + P_Grid - P_Load - P_ESS_ch; residual_h = H_CHP + H_GB - H_Load; fprintf('最大电功率不平衡量: %.4f kW\n', max(abs(residual_e))); fprintf('最大热功率不平衡量: %.4f kW\n', max(abs(residual_h)));

这两行校验代码效率极高，能帮你快速发现建模时手滑写错符号、漏加变量之类的问题。

4. 结果分析与项目扩展方向

4.1 典型日调度结果解读：怎么看出模型的合理性

求解完成后，画图是必须的。我的惯例是画三张图：第一张是电功率平衡图，堆叠展示光伏、风电、CHP、储能、购电分别承担了多少负荷；第二张是热功率平衡图，看CHP和燃气锅炉的产热分配；第三张是SOC曲线和碳成本曲线，看储能充放电策略和碳排成本随时间的变化。

从结果里重点观察三点：分时电价引导的储能充放电策略是否合理、CHP在电负荷高峰和热负荷高峰时的出力是否合理、弃风弃光时段是否符合预期。举个例子，如果电价低谷时段出现在凌晨，而储能SOC在凌晨不涨反降，那大概率是SOC初值或约束写错了。

关于低碳效果评估，我习惯引入两个指标：碳减排率（对比不引入碳交易机制时的碳排放量）和综合成本变化率（对比纯经济调度时的运行成本）。这两个指标放在论文的结果分析里也好看，评审一看就知道你的模型价值在哪里。我实测的一组典型数据里，引入碳交易机制后碳排放量降低约12%，而总成本上升约4%——这个权衡关系是符合预期的。

4.2 常见问题与排查技巧实录

前面说了很多经验，这里集中整理一份常见问题速查表，都是我在实际调试这套程序时真实遇到过的问题和对应的排查方法：

还有一个非常实用的技巧，就是给每个设备单独跑一次“单机出力测试”。比如把所有其他设备关掉，只保留电网购电和电负荷，看模型能不能正确输出购电曲线；再单独测试CHP单独供电供热时价格变化如何影响出力比例。这些测试能帮你快速把问题定位到单个模块，而不是整个系统。

4.3 从固定场景到多维扩展：程序还能怎么改

这套程序我用下来最大的感受是它扩展性很强。如果你不想止步于一个“跑通”的固定算例，下面几个方向的改动难度都不高，但效果会明显提升：

• 多场景调度：把典型日换成夏冬两季、极端天气场景，对比不同场景下的机组出力和碳排表现，论文价值更高
• 多能源耦合叠加：加入氢能、地热、生物质等新设备，模型框架不用大改，只需新增对应的能量平衡方程和设备约束
• 不确定性优化：光伏风电预测本身就带误差，把确定性优化改成两阶段鲁棒优化或随机优化，程序整体结构不变，但目标函数和约束要分层处理
• 碳捕集装置：给CHP加装碳捕集设备，碳排放量变成可控变量，碳成本模型会变得更丰富

这些扩展方向在结构上都和现有程序兼容，改动量取决于你研究的侧重点。我的建议是先把当前这套“预测-优化-校验-绘图”的闭环跑顺，再决定往哪个方向深入。不要一上来就追热点加一堆新机制，模型过于复杂后，调试成本会指数级上升。

最后分享一个我在实际运行中养成的习惯：每次跑完优化，把关键结果存成结构化数据文件，包括目标函数各项成本明细、各设备逐时出力、SOC曲线、碳排放数据。积累几次不同场景的实验数据后，横向对比分析就变得特别容易。这也为我后来做敏感性分析、写论文、给导师汇报省下了大把时间。