企业官网建设流程全解析

前阵子一个师弟做毕业设计，拿了一个热电联供微网优化模型跑了很久，在仿真里结果一直很漂亮，可一换数据就崩，最后来问我，我一看就明白了——他那套模型里,源和荷全用的是确定值。

这个方向其实很有意思，也很折磨人：热电联供微网优化本身就是一个多变量、多约束、强耦合的问题，再把源荷随机特征扔进来，模型瞬间从“麻烦”变成“复杂系统”。但恰恰是这一步，才是从“能发论文”走向“能落地”的分水岭。今天我就以自己复现和改造相关模型的经验，把“考虑源荷随机特征的热电联供微网优化”这件事从头到尾拆一遍，包括建模思路、不确定性怎么处理、MATLAB里怎么实现，以及我在实际调试中踩过的坑。

需要说明的是，下面这部分内容基于该领域目前的主流研究框架和通用工程实践，结合我个人对这类模型的复现经验来写，代码和参数只代表一种可用的方案，不一定是最优雅的，但足够你跑通并且在这个基础上往上加东西。

1. 为什么说源荷不确定性是热电联供微网调度的“隐形天花板”

1.1 确定性调度在真实场景中的尴尬

先讲一个很直观的对比。

确定性调度做起来很爽：给定一条负荷曲线，给定一个风电光伏出力序列，优化器把各台机组的出力、购电量、储热罐充放热一次全算出来，目标函数最小，约束全满足，画出来的图也是一条条平滑漂亮的曲线，连审稿人看着都舒服。

但你想过没有，这条“最优调度曲线”存在的根基是——你给优化器的负荷预测和新能源出力预测是百分百准确的。现实里可能吗？不可能。

风电的随机波动、光伏的云层遮挡、用户负荷在一天里的突发变化，这些不确定性会直接导致一个结果：按照确定性优化算出来的调度计划执行，实际运行中会出现功率不平衡、热负荷供应不足、频率电压越限，甚至被迫弃风弃光、切负荷。

我和不少同行交流过一个共识：确定性优化在纯理论推演、案例分析、教科书示范里有价值，但只要你手里的微网真实接了风机、光伏、电锅炉、储热罐，确定性结果只能当参考，不能当执行方案。

1.2 热电联供系统的双层不确定性链条

热电联供微网比纯电力微网更麻烦的地方在于——它有两条能量流：电和热。

这两条能量流不是独立的，CHP机组发多少电，往往就带出多少热（取决于机组类型）。你调整供电策略，供暖平衡就跟着动；你调蓄热罐，电平衡又受影响。这种强耦合关系下，不确定性会在两条链上同时传导：

• 电源侧不确定性：风机出力随风速波动，光伏出力因云层变化呈间歇性，这两个变量直接冲击电功率平衡。
• 负荷侧不确定性：电负荷随用户行为随机波动，热负荷受天气、建筑围护结构、供热方式影响，时间和空间上都有明显的随机特征。

更麻烦的是，负荷侧的电和热本身还有相关性。比如冬天的傍晚，大家下班回家，电负荷上升，热负荷也上升；夏天的中午，空调制冷负荷飙升，热负荷反而处在低谷。这种相关性如果处理不好，会导致你生成的不确定性场景失真，优化结果出现系统性偏差。

1.3 三类主流处理方法：随机优化、鲁棒优化、区间优化

要处理源荷随机特征，现在学术界和工程界常用三套框架，各有各的适用场景。

随机优化（Stochastic Optimization）：对随机变量的概率分布进行采样，生成大量场景，用期望值做目标，做两阶段或多阶段决策。优点是贴近实际，能利用概率信息；缺点是计算量大，且需要一个“可信”的概率分布。

鲁棒优化（Robust Optimization）：不依赖具体概率分布，只给不确定性变量一个“集合”（区间、盒式、椭球式等），优化结果在所有集合内的最坏情况下依然可行。优点是稳健、对概率分布不敏感；缺点是偏保守，最坏情况不常发生，经济性会有损失。

区间优化（Interval Optimization）：是鲁棒优化的一种简化形态，直接用区间上下界描述不确定量，思路简单、求解快，但信息利用率低，结果往往更粗糙。

我做复现时，最常用的是“随机场景 + 两阶段”的方式，因为它在经济性和鲁棒性之间比较好平衡，而且MATLAB里用YALMIP配合商业求解器，处理起来非常顺手。具体怎么搭，往下看。

2. 热电联供微网的建模底层：目标函数与电热耦合约束

2.1 从“电热解耦”到“电热耦合”的变化

很多刚开始接触这个方向的人，容易陷入一个思维定式：把热电联供系统拆成“电网子问题 + 热网子问题”两个独立模块，分别优化后再合并。

这个问题我劝你从一开始就别这么做。

热电联供的核心特征是“以热定电”或“以电定热”，具体取决于机组类型和运行策略。抽凝式机组的热电比在一定范围内可调，背压式机组则是“发多少电就排多少热”，强制耦合。你把电热拆开，等于把最关键的耦合约束扔掉了，算出来的“最优”方案在物理上根本可能不成立。

正确的做法，是用一组耦合变量把两条能量流绑在一起，在同一个优化模型里同时决策。说白了，就是在一个大的优化问题里同时写电平衡、热平衡、CHP出力关系、储热罐状态、购电交互等约束，让求解器自己去协调。

2.2 热电联产机组的可行域：抽凝式与背压式的不同

CHP机组的建模是整个热电联合优化的基础，也是新手最容易出错的环节。

背压式机组：汽轮机排汽全部进入热网加热器放热，发电功率和热功率之间存在一个近似固定的比例关系：

[ P_{chp} = c·Q_{chp} ]

其中c对某一台确定机组是一个常数（如0.4~0.7之间浮动）。这类机组模型简单，但因为没有调节自由度，在运行中灵活性很差。我在实际项目里一般不单独用背压式，除非场景固定、热负荷稳定。

抽凝式机组：可以从汽轮机中间级抽取部分蒸汽用于供热，其余蒸汽继续发电。它的电出力和热出力是一个二维可行域，通常用多边形的顶点来刻画：

[ \begin{aligned} P_{chp}^{min} &\leq P_{chp} \leq P_{chp}^{max} \ 0 &\leq Q_{chp} \leq Q_{chp}^{max} \ P_{chp} &\geq \alpha_{chp} Q_{chp} + \beta_{chp} \end{aligned} ]

实际建模时，根据机组的不同工况，可行域可能是一个五边形、六边形甚至更复杂的多边形。我建议你先把机组的技术资料里的运行工况点拿到，然后用顶点枚举法把可行域描述出来，再转成线性约束。

一个要注意的细节是：很多论文为了简化，把不等式的斜率/截距写成一个固定的常系数。但真实机组的可行域往往是非凸的，直接线性化会引入误差。对于硕士阶段的项目，线性化精度通常够了；如果是博士课题或工程应用，还是建议用分段线性化甚至混合整数建模把非凸区域尽量逼近。

2.3 热网动态约束与热负荷平衡条件

热网和电网不一样，电是“瞬时平衡”，热是有“惯性”的。热水在管道里流动有延迟，建筑本身有热存储效应，所以热负荷平衡不一定需要每一时刻严格等于供热端出力。

但很多初版模型会直接把热平衡写成静态等式：

[ Q_{chp} + Q_b + Q_{hs,out} - Q_{hs,in} = Q_{load} ]

这个写法在较长调度时间段（比如24小时，步长1小时）里可以接受，但如果你的步长缩小到15分钟甚至更短，就必须考虑管道延迟和建筑热惯性。否则算出来的热出力曲线会剧烈跳动，和实际系统完全对不上。

我在实际项目里处理这个问题，通常分两步走：

• 在规划级优化里，用静态热平衡，步长1小时，先求整体的调度策略。
• 在执行级（日内滚动）里，引入热网延迟系数和储热罐SOC，做精细化校核。

这样做的好处是，既不会让规划模型因热网动态约束维数爆炸而不可解，又能在执行层面把热网惯性利用起来。

3. 源荷随机特征的数学抽象：概率、场景与不确定性集合

3.1 风光出力随机特征：从时序波动到概率分布

先说风电。

风速本身服从威布尔分布，风电出力与风速之间又有非线性关系（切入风速、额定风速、切出风速三段），所以直接对出力做概率统计更实用。你可以用历史运行数据，通过核密度估计拟合出风电场出力的概率密度函数，然后生成大量随机出力曲线。

光伏相对简单一些，主要受光照强度影响。同一时刻的光照强度可以用Beta分布近似描述，光伏出力近似等于光照强度乘以一个转换效率。但注意，光伏还有一个特点：日内的时序相关性很强，上午到中午上升、下午下降，你不可能把每个时刻都当作独立随机变量来处理。

我的做法是：先对24小时的风光出力分别建一个“基准场景”和“误差场景”。基准场景取预测值，误差场景从历史预测误差的概率分布中抽样，然后把二者叠加。这样既保留了时序特性，又引入了随机性。

3.2 负荷预测误差的统计特征与相关性

电负荷和热负荷也都不是确定值。

对负荷建模，我通常用“预测值 + 误差项”的结构：

[ L_{load} = L_{load}^{forecast} + \varepsilon ]

误差项ε的分布一般假设为零均值正态分布，标准差与负荷量级和历史预测精度相关。如果你手里有微网的历史负荷数据和对应预测数据，可以直接算出误差序列，再统计出标准差。

这里有一个我踩过的坑：负荷误差不是每个时刻独立的。比如晚间高峰出现预测偏差，往往连着好几个小时都偏高或偏低，因为造成偏差的天气原因通常会持续一段时间。所以单纯用独立正态分布生成场景，场景会过分“毛躁”，和真实情况的持续性偏差不符。

处理办法是引入时间相关性：可以用一阶自回归模型AR(1)来生成误差序列，或者先对误差做主成分分析，保留主要模态再加随机扰动。后一种在数据量不够时更稳。

3.3 场景生成与场景缩减：从一万条曲线到几条代表曲线

有了随机变量的分布，下一步就是生成场景。

蒙特卡洛抽样是首选：比如对风、光、电负荷、热负荷四个随机变量，每个变量抽1000次样，组合起来就产生1000个“四维场景”。每个场景就是一组24小时的风出力、光出力、电负荷、热负荷曲线，附带一个概率值（等概率的话就是1/1000）。

但1000个场景直接代入优化模型，别说是非线性，哪怕是线性规划，求解器也会被拖垮。所以必须做场景缩减，把1000个场景聚合成少量的代表性场景，比如5~10个，然后每个场景分配一个权重（等于被削减到该场景的原始场景概率之和）。

常用的场景缩减方法有：

• 快速前向选择法（同步回代消除法为主）：每次找一对“最相似”的场景，把其中一个的权重合并到另一个，重复直到场景数量达标。
• K-means聚类型方法：把每个场景看作高维空间的一个点，聚类中心就是代表性场景。

MATLAB里这两个方法都有现成实现，也可以自己写。我在实际项目中更倾向用同步回代消除法，因为它在保持概率分布形状方面效果好，并且实现起来也不复杂。

4. 考虑随机特征的两阶段优化框架：从“调度计划”到“再调整”

4.1 两阶段决策变量怎么划分

两阶段随机优化是处理源荷不确定性的一个非常自然的框架。它的核心思想是：把决策分成“现在必须做、还没看到随机变量实现值”的决策和“看到随机变量实现值后、可以调整”的决策。

在热电联供微网里，通常这样划分：

第一阶段决策（Here-and-Now）：

• 机组的启停状态（0/1变量）
• 与上级电网的购电/售电的中长期计划
• 储热罐的充放热策略基准值

这些决策必须提前确定，且在调度周期内不能轻易改变。

第二阶段决策（Wait-and-See）：

• 各机组在每个场景下的实际出力调整量
• 切负荷量/弃风弃光量的实时修正
• 储能设备的实时充放电调整

这些决策是在每个具体场景（即不确定性实现后）内做出的，为的是保证系统在该场景下可行，同时尽可能经济。

模型写成紧凑形式就是：

[ \min_{x} \left( c^T x + \sum_{s=1}^{S} \pi_s Q(x, \xi_s) \right) ]

其中(Q(x, \xi_s))是场景(s)下的第二阶段最优成本，(\pi_s)是场景概率，x代表第一阶段决策。

4.2 不确定性集合在阶段二怎么发挥作用

如果你用的是随机场景方法，第二阶段就是在每个场景(\xi_s)下分别求解一个确定性优化问题，然后取加权期望。

如果你决定用鲁棒优化框架，那就不需要场景了，取而代之的是一个不确定性集合U。优化问题变成：

[ \min_{x} \left( c^T x + \max_{\xi \in U} Q(x, \xi) \right) ]

内层的“max”找最坏情况，外层“min”优化第一阶段决策，使最坏情况下的成本最小或可行性最好。

最常用的不确定性集合是“盒式 + 预算约束”的组合，也就是每个随机变量在预测值(\bar{\xi})附近可波动，但整个调度周期内波动总量受一个预算控制。这样做的目的是避免模型无限保守——允许每一天、每一时刻都取最坏值，那优化结果会保守到没法用。

预算参数Γ（读作Gamma）是一个关键参数，它实质上是“你愿意为鲁棒性牺牲多少经济性”。Γ越大越保守，总成本越高；Γ越小越接近确定性模型。实际调参时，我一般从Γ=0开始，逐步增大，观察总成本和“违背约束风险”的曲线拐点，选择一个经济性损失小于5%——10%的最大Γ值。

4.3 结合经典研究思路的参考框架

王锐等人在含可再生能源热电联供型微网方面的研究思路，大致可以概括为“不确定性建模 + 鲁棒/随机优化 + 电热耦合调度”，这个框架在业界被广泛借鉴。我自己复现这类模型时，通常会再加一层“运行风险评估”，也就是在优化完成后，统计各个不确定性场景下的越限情况，把“约束被违背的概率”作为输出指标。

这样做有一个很大的好处：审稿人或者领导不会只盯着总成本数字，他们会问“你这个方案如果遇到极端天气，扛不扛得住”。你把风险评估结果拿出来，比任何解释都更有说服力。

5. MATLAB+YALMIP实现：从搭建模型到求解的完整流程

5.1 为什么用YALMIP而不是手写求解器

MATLAB里做优化建模，我强烈建议用YALMIP。原因有三：

第一，YALMIP的语法非常接近数学表达，变量定义、约束写入、目标函数设置几乎和论文公式一一对应，调试效率极高。

第二，YALMIP后端可以无缝切换Gurobi、CPLEX、Mosek等商业求解器，你可以先拿Gurobi跑，再拿CPLEX验证结果一致性，不用改模型代码。

第三，YALMIP对混合整数线性规划（MILP）、混合整数二阶锥规划（MISOCP）等复杂模型的支持很成熟，而热电联供微网优化恰恰经常要处理整数变量和非线性项。

如果你非要用MATLAB自带的linprog、intlinprog，也不是不行，但处理大规模场景、多个整数变量时，求解速度会慢很多。一个24小时、10个场景、20台设备的热电联供优化问题，用intlinprog可能要好几分钟，Gurobi一般几秒上下。

5.2 求解器选型与参数设置

这里单独说下求解器的选择。

模型是纯线性规划（LP）或者只有连续变量的二次规划（QP），用Gurobi/CPLEX都行，差距不大。但如果包含0/1启停变量，就必须上MILP求解器，并且需要注意：

• 设置时间限制，防止极端情况卡死。
• 设置MIP Gap阈值（比如1e-3或0.1%），避免求解器为了追求无穷精度一直跑下去。
• 开启多线程，充分利用电脑CPU。

在YALMIP里设置这些参数很简单：

ops = sdpsettings('solver', 'gurobi', 'gurobi.TimeLimit', 300, ... 'gurobi.MIPGap', 0.001, 'gurobi.Threads', 8); optimize(constraints, objective, ops);

如果你没有商业求解器授权，也可以先用MATLAB自带的intlinprog做验证，模型小的时候完全够用。

5.3 一个最小可运行案例的核心代码与结果解读

下面我写一个极简的、但结构完整的热电联供微网“场景法两阶段”优化示例，方便你对整体流程有个直观感受。这个示例还谈不上“完整工程”，但把最关键的点都涵盖了。

假设调度周期24小时，步长1h，系统含：

• 1台抽凝式CHP机组
• 1台燃气锅炉
• 1台储能（电池，可选）
• 风电场（出力含随机误差）
• 电负荷（预测值+误差）
• 与上级电网可交互购电

%% 基础参数 H = 24; % 时段数 S = 5; % 场景数 c_gas = 0.35; % 天然气价格（元/kWh热值） c_buy = 0.6; % 购电价（元/kWh） c_sell = 0.4; % 售电价（元/kWh） Pi = ones(S, 1) / S; % 场景概率均分 % CHP机组参数 Pchp_max = 200; Pchp_min = 40; Qchp_max = 180; % 效率系数（简化的热电比线性关系） eta_chp_e = 0.35; eta_chp_h = 0.45; %% 场景数据：风电出力（以每小时为单位的预测值+误差） wind_forecast = 50 + 30 * sin((1:H)/24 * pi); % 预测曲线 % 生成场景：每个场景是 1xH 的风电曲线，在预测值上叠加噪声 wind_scen = zeros(S, H); for s = 1:S wind_scen(s, :) = wind_forecast + 10 * randn(1, H); wind_scen(s, :) = max(wind_scen(s, :), 0); % 风电不为负 end %% 负荷场景 load_forecast = 300 + 80 * sin((1:H)/24 * pi + 0.5); load_scen = zeros(S, H); for s = 1:S load_scen(s, :) = load_forecast + 20 * randn(1, H); load_scen(s, :) = max(load_scen(s, :), 0); end %% 热负荷（假设比电负荷低一些，形状类似） heat_forecast = 200 + 50 * sin((1:H)/24 * pi + 0.8); heat_load = repmat(heat_forecast, S, 1); %% 建立优化模型 yalmip('clear') X = sdpvar(S, H); % CHP发电量（场景s，时刻h） Y = sdpvar(S, H); % CHP供热量（场景s，时刻h） B = sdpvar(S, H); % 锅炉供热量 G = sdpvar(S, H); % 从电网购电量 R = sdpvar(S, H); % 弃风量 % 目标函数：期望的总成本 obj = 0; for s = 1:S cost_chp_gas = c_gas * ( X(s,:) / eta_chp_e + Y(s,:) / eta_chp_h ) / 2; % 简化燃气成本 cost_buy = c_buy * G(s,:); obj = obj + Pi(s) * sum(cost_chp_gas + cost_buy); end % 约束 C = []; for s = 1:S for h = 1:H % CHP可行域约束（简化） C = [C, Pchp_min <= X(s,h) <= Pchp_max]; C = [C, 0 <= Y(s,h) <= Qchp_max]; % 电功率平衡：CHP + 风电 + 购电 = 负荷 + 弃风 C = [C, X(s,h) + wind_scen(s,h) + G(s,h) == load_scen(s,h) + R(s,h)]; % 热功率平衡：CHP + 锅炉 = 热负荷 C = [C, Y(s,h) + B(s,h) == heat_load(s,h)]; C = [C, B(s,h) >= 0]; end end ops = sdpsettings('solver', 'gurobi', 'verbose', 0); optimize(C, obj, ops);

这里CHP的燃气成本我做了高度简化，真实项目里要按气耗量曲线来写，通常是关于电出力的二次函数，用分段线性近似处理。

跑完后，你可以画一张图，把场景1~5下的CHP电出力、购电量画出来看看：

figure; plot(1:H, value(X(1,:)), 'r-', 'LineWidth', 1.5); hold on; plot(1:H, value(X(2,:)), 'b--', 'LineWidth', 1.5); plot(1:H, value(X(3,:)), 'g-.', 'LineWidth', 1.5); legend('场景1', '场景2', '场景3'); xlabel('时刻/h'); ylabel('CHP电出力/kW');

正常情况下，不同场景下的CHP出力曲线应该有一些差别，这正体现了“考虑随机特征”的作用——每个场景对应一种可能的实现，调度方案用期望总成本来平衡，不会只针对某一条曲线做到最优。

6. 实际项目里的坑与调优经验

6.1 不确定性集合边界定多大才不假保守

前面提到鲁棒优化的不确定性集合，这里具体展开一下边界大小的选择。

我见过很多刚接触鲁棒优化的人，直接把不确定量的上下限设成年最大偏差/年最小偏差，结果优化出来一堆机组全开、储能全满的“堡垒式调度”，成本高得离谱，实际根本用不上。

正确的做法是，用“一定置信水平的预测区间”作为波动范围，而不是历史极值。比如，对风电预测误差，统计出误差的90%分位数，把不确定性集合边界设为±1.28σ（反正态分布的90%分位数对应约1.28倍标准差），这样既覆盖了绝大多数情况，又不会因为极端小概率事件让模型过度保守。

预算参数Γ的调节，可以参考我前面提到的“成本—风险曲线”法逐点扫描。如果你懒得扫描，有一个经验值：Γ取调度时段数H的1/4到1/3。比如24小时调度，Γ取6~8，一般的工程问题效果就不错。

6.2 热网模型的时间步长与动态约束处理

这个坑我前面提过，但值得再强调一次。

很多人为了精细化，把热网管道延迟精确到分钟级建模，然后和小时的调度模型耦合，结果模型规模爆炸，求解时间从几秒变成几十分钟，而且整数变量一多，经常半天出不来最优解。

我的实践建议是：

• 优化层面：步长取1小时，热平衡用静态等式 + 储热罐SOC修正。
• 校核层面：针对优化结果，用15分钟步长做热网动态仿真，检查是否有温度越限、流量越限问题。
• 如果确实需要在优化里加动态热网约束，尽量采用“管道传输延迟 + 热损失系数”的简化和线性化模型，并且减少整数变量，否则模型稳定性很难保证。

6.3 求解时间爆炸与预归约

当场景数增加到50个以上，设备数超过20台，MILP模型的规模会迅速膨胀，求解时间可能从秒级跳到分钟级甚至小时级。

几个有效的手段：

1. 减少整数变量：很多启停变量在部分时段可以通过逻辑关系提前固定，比如热负荷高峰期CHP必开，这类变量可以直接赋固定值，减少分支定界的搜索空间。
2. 场景预处理：如果两个场景之间相似度过高，做一次场景缩减再进优化，比直接丢100个场景进去要快得多。
3. 给求解器一个热启动初值：先用确定性模型算一个解，作为两阶段模型的整数变量初值传入，能大幅加快MILP收敛。
4. 松弛检验：先把整数变量松弛成连续变量跑一遍LP，看看目标和约束是否合理。如果LP都解不出来，那就不是求解器的问题，而是模型本身有bug。

6.4 不收敛和奇异解的排查清单

最后给一个排查清单，都是我实际调试时遇到过的问题：

• 约束写成了双向不等式，且两边方向反了：检查每个等式的左右单位是否一致。
• 储能SOC出现非物理值：忘了加SOC范围约束，或者在循环中SOC递推写反了正负号。
• 场景权重没归一化：导致目标函数量级失真，优化器给出的解偏向某个权重异常大的场景。
• 热平衡约束缺少松弛变量：当负荷和供热量在某个场景下无论如何都配不平（尤其是极端场景），模型会直接报不可行。此时需要检查场景生成有没有产生明显不合理的极限值，必要时加少量松弛变量并惩罚。
• 求解器设置过于激进：MIPGap设得过于接近0，求解器为了证明最优性会一直跑，实际解早已稳定。工程上设0.1%或0.5%就足够了。

我自己复现这类“考虑源荷随机特征的热电联供微网优化”模型，最大的体会是：模型不是越复杂越好，关键是把不确定性的特征描述准确、把电热耦合关系写对、把求解环节调稳，这三点做到位，你的模型就比大多数“套模板”的实现要靠谱得多。尤其是场景缩减和不确定性预算这两个环节，看似小，实际上决定了整个模型的经济性和可解释性，值得多花点时间琢磨。