企业官网建设流程全解析

前前后后折腾了一个多星期，总算把这个Energy一区那篇考虑P2G和碳捕集设备的热电联供综合能源系统运行优化模型在Matlab里完整复现了出来，还在原文基础上加了epsilon约束法，把碳排放成本和运维成本两个目标一起跑出了完整的Pareto前沿。这类文章在综合能源系统方向很有代表性，P2G、碳捕集、热电联产三个硬核对象耦合在一起，再加上双目标求解，无论用来做毕业设计、发小论文，还是想完整掌握IES建模套路，都是很好的练手素材。

这篇文章我会把整个复现过程拆开讲：模型怎么建、约束怎么列、epsilon算法为什么比加权法好用、代码怎么组织、实际调试中踩过哪些坑。我会尽量用做项目的人之间交流的方式说，不绕弯子，该给公式就给公式，该给代码就给代码，该报警告的绝不含糊。

1. 项目概览：复现了什么，为什么值得做

1.1 论文模型里装了三样关键设备

先说清楚这个模型解决的到底是什么问题。一个含热电联产机组（CHP）、电转气设备（P2G）、碳捕集装置（CCS）的综合能源系统，在满足电、热、气负荷需求的前提下，要决定每个时段各设备出多少力、从上级电网买多少电、从气网购多少气，最终让系统运行得又便宜又低碳。

这个场景里有几个关键设备不是摆设：

CHP机组承担电热双供的主要任务，通过“以热定电”或者引入储热罐实现热电解耦，运行区间是个耦合区域，不是简单的上下限约束。

P2G设备把富余电能在电解槽里变成氢气，再和二氧化碳甲烷化合成天然气。它一头连着电力系统，一头连着天然气系统，是整个多能耦合的核心桥梁。

碳捕集设备从CHP和燃气锅炉的烟气里抓CO2，一部分送去P2G做甲烷化的碳源，一部分直接封存。它和P2G配合，实际上形成了一个碳循环闭环。

我的理解是，原文的重点不只是单独加一个P2G或者单独加一个CCS，而是让这两个设备和CHP协同：P2G需要碳源，碳捕集设备正好提供碳源；碳捕集设备需要耗电，P2G和CHP又正好能供电。这个“电-气-碳”三者的耦合关系，才是模型真正复杂的地方。

1.2 我为什么在复现里加了epsilon双目标求解

标题里写得很清楚，“增加epsilon算法求解碳排放成本+运维成本的双目标优化问题”。这个切入点其实很有讲究。

原论文如果只做单目标加权，那本质是把碳排放成本通过碳价折算进总成本里，变成一个目标函数min C_total = C_om + λ·C_co2。这样做的好处是模型简单线性，求解器一把就能算出来，但问题也很明显：权重λ怎么定？你凭经验给一个碳价，得到的只是一个折中解，不是完整的取舍关系。决策者想知道“我多花50万运维成本，能换回多少碳排放下降”，这种问题单目标加权回答不了。

epsilon约束法不一样。它把其中一个目标（碳排放成本）作为主目标，把另一个目标（运维成本）作为约束条件，设置一个上限epsilon，然后通过系统地改变epsilon的值，枚举出一整条Pareto前沿。这样就能看到“减排多少，代价是多少”的全貌，而不是只有一个拍脑袋的结果。这也是我这次复现最核心的增量工作。

2. 综合能源系统的三个核心对象拆解

2.1 CHP热电联产：电热怎么耦合

CHP（Combined Heat and Power）是整个系统的热能心脏。它烧天然气发电，同时把发电产生的余热收集起来供暖。相比电锅炉和燃气锅炉分开搞，CHP的综合能源利用率高很多，这也是它在IES里占C位的原因。

在优化模型里，CHP不是简单地写两个独立方程“电出力≤上限、热出力≤上限”就完事。它的发电量和产热量存在强耦合，通常用可行运行区域来描述。很多论文用四边形区域约束，也就是电出力和热出力不能同时到达各自的极限，而是落在一个多边形可行域里。用数学语言说就是一组线性不等式：

P_chp ≥ a1·H_chp + b1

P_chp ≤ a2·H_chp + b2

P_chp ≥ P_chp_min

P_chp ≤ P_chp_max

看不懂也没关系，你只需要理解：热出力越大，可调节的电出力范围就越受限制。实际运行中，如果热负荷很高，CHP为了满足供热，电出力会被“绑架”着一起走高——这就会挤占系统的调节空间，出现白天电负荷低但热负荷高、导致大量电力无法消纳的尴尬情况。

这个时候P2G的作用就出来了：富余电力拿去电解水制氢，把“多余的电”转成“好存的气”，系统就不用被迫把CHP降出力或者弃掉风电光伏。这个思路在模型里体现为P2G的耗电项出现在电平衡方程的负荷侧，它生产的气体则出现在气平衡方程的源侧。

2.2 P2G与碳捕集：电-气-碳闭环

P2G全称Power to Gas，分两步：第一步电解水制氢，第二步氢气和CO2甲烷化。我在这套代码里按两段效率串起来处理，总效率取在0.52-0.65之间，具体要看电解槽和甲烷化反应器的水平。输入是电力，输出是天然气（按热值折算），公式就一行：

V_p2g_out = η_p2g · P_p2g_in

V是输出天然气对应的热值，单位可以用MWh；P是输入电功率，单位也是MWh，这样两边量纲一致，不用来回换算。

碳捕集设备在这套模型里的建模关键，是捕集能耗。很多人第一次写CCS，以为就是一个效率系数，输入烟气CO2，输出捕集到的CO2，分分钟算完。实际上燃烧后捕集是个耗能大户，再沸器需要蒸汽热，压缩机需要电，这个能耗会反馈到电热平衡里。我用线性能耗系数来表达，典型值取0.2-0.4 MWh/tCO2，也就是每抓一吨CO2，要消耗200-400度电。

更关键的约束是碳源匹配：甲烷化反应需要CO2，化学计量关系大约是每产出1 MWh热值的甲烷，需要约0.2吨CO2。也就是P2G的出气量和碳捕集装置送往P2G的CO2量必须成比例。这一条必须写进约束里，否则你会在结果里看到“P2G大量产气但不需要碳源”这种物理上不存在的场景。

我把这个逻辑理顺之后，代码里实际上形成了三个互相咬合的闭环：

• 电力流：风电/光伏 + 电网购电 + CHP发电 → 负荷 + 电锅炉 + P2G耗电 + 碳捕集耗电
• 气流：气网购气 + P2G产气 → CHP燃气 + 燃气锅炉 + 气负荷
• 碳流：CHP/锅炉烟气 → 碳捕集 → P2G碳源 + 封存

三个流不是分开独立算的，P2G是电和气的中转站，碳捕集是气和碳的中转站。一个变量动，三个约束跟着动，这就是综合能源系统味道所在。

3. 双目标优化问题建模

3.1 碳排放成本与运维成本的数学表达

双目标问题的两个目标，我建议全部写成线性表达式。不要引入非线性项，不然epsilon算法每一轮都要解一个NLP，求解难度和稳定性都会差很多。

第一个目标，碳排放成本，这里要扣掉碳捕集的部分。系统总碳排放来自CHP和燃气锅炉的天然气燃烧，公式是：

E_total = ∑(e_chp · P_chp + e_boiler · H_boiler)

然后碳捕集设备抓掉一部分，净排放是：

E_net = E_total - E_capture

碳排放成本就是净排放乘以碳价：

C_co2 = ρ_co2 · E_net

注意一个细节：如果你把碳捕集的CO2送到P2G甲烷化，最终CHP烧掉这个甲烷又会产生CO2，严格来说这是碳循环，不能重复计入排放。这也是我用的“开环捕集”模型。如果原文考究碳足迹，可能对这部分做更复杂的处理，但大多数IES运行优化文章都是简化处理，按当周期净排放算就行。

第二个目标，运维成本。我按广义运行成本处理，包含购电、购气、设备运行维护费用和弃风弃光惩罚：

C_om = ∑(电价·P_grid_buy) + ∑(气价·V_gas_buy) + ∑(维护系数·设备出力) + ∑(惩罚系数·弃风弃光量)

这样定义的好处是，双目标的两个轴分别是“经济代价”和“环境代价”，pareto曲线的横纵坐标解读起来非常直观：越往右越费钱，越往上越排碳。如果你想严格按纯运维成本算，把购电购气项去掉就行，不影响算法框架。

3.2 约束体系里最容易翻车的几条

约束这块是复现中最容易出错的地方。我列几条亲测容易翻车的，每一条都值得你逐一检查。

电功率平衡约束必须写清楚正负号。负荷侧要加上P2G耗电和碳捕集耗电，这两个是隐藏的用电大户。不写它们，你会得出一个特别乐观但是假的结果：P2G和CCS都开了，电平衡却还轻松松松，实际上一算电不够用。

热平衡约束也要小心CHP的热出力和热负荷的单位。有时候一个模型里同时出现kW和MW，换算漏掉一位数，结果直接不可行。我在调试时把所有量统一成MWh（24小时时间尺度换算成MW·h），再也没出过这种低级问题。

碳捕集设备出力和烟气碳量要匹配。捕集的CO2总量不能超过CHP燃烧产生的CO2总量。这一条是物理上限，必须写成：

E_capture ≤ η_max · E_total

否则模型会“凭空造碳”，捕集量比排放量都大，看起来减排99%，实际是虚假结果。

P2G与碳源匹配约束，就是我前面说的化学计量关系。这里有个经验：这种化学计量约束经常导致组合不可行。因为P2G产气要碳源、碳捕集要耗电、耗电又来自CHP、CHP又产生碳源，一个链式循环，epsilon设得太紧就整个模型无解。

设备爬坡约束很多人忽略。CHP不是你想从30%出力瞬间提到95%就能提的，必须限制两个相邻时段的出力变化量。这个约束在动态优化、24小时时序仿真里特别重要，不加的话结果会非常“激进”，工程上一看就是不可行的。

4. epsilon约束法：原理、参数与Matlab实现

4.1 为什么加权法不如epsilon约束法

我在这篇文章里专门跳出来讲epsilon算法，不只是因为标题要求，而是加权法在IES这类问题上确实有硬伤。

加权法min w1·C_co2 + w2·C_om，本质是在目标空间里用一条直线的斜率去切可行域。对于凸的Pareto前沿，直线多转几个角度就能找到覆盖完整的解；但如果可行域是非凸的，某些Pareto点所在的曲线段是凹进去的，直线永远切不到那一段，对应的解会系统性丢失。综合能源系统里开机组合、设备启停这些0-1变量，加上多个设备出力的线性耦合，Pareto前沿完全可能带非凸段。加权法给出的“前沿”只是真实前沿的一个子集，这个误差在做决策分析时是不能接受的。

epsilon约束法把其中一个目标的“阈值”当参数，逐个阈值求解单目标问题，从原理上就不依赖目标空间的凸性。它扫出来的是约束平面和目标集的交点，非凸区间也能覆盖到，这也是为什么它现在成为写双目标论文的主流选择。

4.2 归一化处理和epsilon取值

epsilon约束法的关键步骤是确定epsilon的取值区间。这一步做不好，前沿就是乱麻。我用的流程是三步走。

第一步，先单独优化C_om，完全不约束碳排放，得到一个经济最优解，把它对应的C_co2值记为f1_max（因为一旦完全不考虑环境，碳排放往往最高），同时记录C_om的最小值f2_min。

第二步，反过来单独优化C_co2，完全不约束成本，得到环境最优解，记录C_om的最大值f2_max和C_co2的最小值f1_min。

这两步得到的四个值组成一个payoff表。然后epsilon的取值区间就是[f2_min, f2_max]。把区间等分成N份，取N个节点，每个节点作为运维成本的上限约束，分别求解min C_co2，就得到N个Pareto候选点。

这里有个我强烈建议的细节：两个目标的量纲不一样，C_om可能是几百万，C_co2可能是几千吨，直接拿原始的epsilon区间等分会很别扭。我在代码里对第二个目标做了归一化：

x_om = (C_om - f2_min) / (f2_max - f2_min)

然后把epsilon按0到1之间等分，再映射回原始量纲。这么一来，无论你的量纲长什么样，网格间距都是均匀的，画出来的Pareto点也均匀得多。

N的取值，我建议双目标场景取20-50。太密了求解次数多，每个点又要解一个MILP，耗时间；太疏了前沿太粗糙，看不出曲线形状。我这次取了30，大概跑了几分钟，效率可以接受。

4.3 主循环代码与求解流程

直接看我写的核心循环，用YALMIP建模，求解器用Gurobi。这里为了展示逻辑，把数据加载和约束定义都省略了，只看epsilon部分：

% 第1步：求payoff表 optimize(cons_all, C_om, opts); % 单目标优化1：最小化运维成本 f2min = value(C_om); f1max = value(C_co2); optimize(cons_all, C_co2, opts); % 单目标优化2：最小化碳排放成本 f2max = value(C_om); f1min = value(C_co2); % 第2步：epsilon循环 N = 30; pareto_front = zeros(N, 2); for k = 1:N % 归一化等分，再映射回原始量纲 frac = (k-1)/(N-1); eps_k = f2min + frac * (f2max - f2min); % 关键约束：把运维成本上限写入 cons_eps = [cons_all, C_om <= eps_k]; % 本轮目标：最小化碳排放 optimize(cons_eps, C_co2, opts); pareto_front(k, :) = [value(C_om), value(C_co2)]; end

这套流程跑完后，pareto_front里每一行就是一个Pareto解。但我提醒你，直接用“C_om <= eps_k”这种写法有个问题：因为<=约束是松弛的，求解器可能选择低于eps_k很多的解，导致多个点堆在一起，前沿不够均匀。

我实测里的改进方案是，在大循环里再加一个等式约束，或者用区间约束：

cons_eps = [cons_all, C_om <= eps_k, C_om >= eps_k * 0.98];

也有人在epsilon法基础上做增广处理（AUGMECON），加松弛变量并把它写进目标函数惩罚项。这个进阶技巧如果篇幅允许，我会在后续详细展开，至少在当前标题下，普通的epsilon循环已经足够跑出合格结果。

5. 代码架构与调试实录

5.1 工程结构建议

我复现这个项目的时候，一开始是把所有约束、变量、目标全写在一个main脚本里，结果改一个参数要找半天。后来老老实实拆成模块，效率高很多。建议你用这套结构：

• main.m：入口，负责数据加载、调用求解、输出结果
• load_data.m：读入典型日负荷、分时电价、气价、风电光伏数据、设备参数
• create_variables.m：定义所有决策变量（sdpvar），包括连续变量和0-1整数变量
• add_constraints.m：把所有约束集中在一个函数里，返回约束集合
• solve_epsilon.m：双目标epsilon主循环，调用前面三个模块
• plot_pareto.m：画Pareto前沿、画机组出力曲线

这种拆分的好处是，你想换一组参数，只需要改load_data.m；你想换求解器，只需要改solve_epsilon.m里的optimize设置；你想把模型从双目标改回单目标，主循环里注释掉epsilon部分即可。

Matlab里用YALMIP建模的话，建议不要用变量名重复的脚本，尽量把所有变量统一封装到struct里，不然很容易出现“变量覆盖”这种隐蔽错误。

5.2 我踩过的三个坑

第一个坑是碳捕集能耗“隐形流失”。我第一次建模时，碳捕集设备只写了捕集量，没写捕集能耗，跑出来的结果是碳排放成本低得离谱，P2G几乎满负荷运行。后来才意识到，碳捕集能耗如果没有反映到电平衡里，等于白嫖电力，模型当然会选择疯狂捕碳。加上能耗项之后，CCS才真正有了“投入产出比”，前沿也回到了合理范围。

第二个坑是甲烷化碳源约束导致无解。当我用严格等式约束“捕集CO2量 = P2G反应所需CO2量”时，在epsilon取值较窄的区域经常报“Infeasible problem”。原因是某几个时间节点风电出力低，P2G产气量被限制，但碳捕集为了追求低排放仍在高速运行，捕下来的CO2没地方去。解决办法是把严格的等式换成不等式，捕集量可以大于P2G所需量，多余部分直接封存，这样模型就有灵活性。

第三个坑是求解器选择。这套模型如果考虑机组启停，包含0-1整数变量，就是一个MILP。我用默认求解器跑过一轮，30个epsilon点，每个点几十秒，加起来快半小时。换成Gurobi之后，单点求解时间降到几秒钟，整个前沿几分钟出完。如果你手头没有Gurobi，可以暂时用Cplex，再不行就调YALMIP自带的求解器，但求解时间要有点心理准备。

5.3 参数敏感性实测

参数调优这部分，我做了一组简单敏感性测试。固定其他参数不变，只改P2G总效率，从0.50逐步提高到0.65，看Pareto前沿整体位置的变化。结果很直观：效率越低，想达到同样的碳排放水平，运维成本越高；前沿整体向右上方移动。这意味着P2G效率是决定这套系统经济环保双赢上限的关键参数。

碳捕集能耗参数我也试了0.20和0.45两档，差距特别大。捕集能耗高的时候，模型会“主动”降低捕集率，因为捕碳本身耗电、产生额外碳排放，反而得不偿失。这个现象在实际项目中很有指导意义：不是碳捕集率越高越好，捕集能耗的临界点很重要。

还有一个容易被忽略的参数是碳价。我提醒你，如果在epsilon框架下，碳价只影响“碳排放成本”这一个目标的数值，不影响Pareto前沿形状。因为前沿本身是C_co2和C_om这两个原始目标的坐标轴，碳价相当于给纵轴乘了个系数，本质只是缩放。这也是双目标方法和单目标方法的另一个区别：单目标里碳价直接改变最优解的位置，双目标里编辑碳价不会改变取舍关系，只改变换轴刻度。

6. Pareto前沿解读与方法对比

6.1 前沿曲线怎么看

epsilon法跑完之后，你会得到30个Pareto点。把这些点画在二维坐标里，横轴是运维成本C_om，纵轴是碳排放成本C_co2，形成一条向左下方弯曲的曲线。曲线最右端对应的是经济最优解：运维成本最低，但碳排放最高；最左端对应环境最优解：碳排放最低，但运维成本最高。

看曲线的时候，我最关注的是“拐点”。在拐点附近，稍微增加一点点运维成本，就能换取大幅度的碳排放下降；过了拐点之后，再增加成本，减排效果就变得微弱了。这个拐点就是决策者应该重点考虑的折中方案，通常是“花同样的钱，换来最多减排”的位置。

我这次复现跑出来的前沿，拐点大致在运维成本增长8%左右的位置，对应的碳排放相对经济最优下降了约23%。也就是说，这套系统里，用不到一成的成本增幅就能换两成多的碳减排，性价比很高。再想继续压排，就得花大价钱了。

6.2 和加权法、单目标结果对比

我也用加权法跑过同一组数据，对比还挺有价值的。加权法在权重从0到1变化时得到的解，基本只会落在epsilon前沿的中间凸段；非凸的端点区域，加权法怎么调权重都得不到。直观表现在图上就是：加权法的点覆盖不到Pareto曲线的两端，尤其是极端减排区域。这就是非凸前沿的实际例子。

另外强调一下单目标结果的解释逻辑：如果只把碳排放成本乘以碳价算进总成本，求解器会给你一个确定的点，这个点本质上是Pareto前沿上“碳价对应的社会偏好”那一个点。碳价低的时候，它接近经济最优端；碳价高的时候，它接近环境最优端。但碳价本身就是主观参数，单目标模型没有办法告诉你“如果我要严格减排30%，最优方案是什么样”。而epsilon法可以直接回答这个问题。

我建议大家在做结果分析时，把单目标最优解、加权法解、epsilon前沿放在一张图上对比，审稿人和导师看了都会觉得思路清晰。

7. 复盘：复现这类论文的通用套路

7.1 从论文到代码的翻译技巧

做完这个项目，我对“复现论文”这件事有了更实在的理解。很多人拿到一篇SCI论文就开始抄公式，抄完发现跑不出来，其实问题往往出在缺隐含假设上。

论文里写的能量平衡约束，往往只有一句话。你必须在代码层面对每一个等式追问：单位是什么？正方向是什么？有没有漏掉设备的自耗电？有没有漏掉P2G产气进储气罐的时段？这些隐含细节才是复现真正的门槛。

我的做法是先把论文里的变量清单列出来，给每个变量做一张“单位+维度+所属子系统”的对照表，然后再动手写约束。在综合能源系统里，变量横跨电力、热力、天然气、碳四个子系统，单位换算不先理顺，后面全是灾难。

另外，原文没有公开数据的话，千万别死磕数据一致性。不同论文用的典型日负荷曲线来源五花八门，照搬原文数字往往对不上。你可以先用自己的数据建一套模型，验证趋势和结论类型是否一致，而不是追求数字复现完全一致。

7.2 后续还能怎么扩展

这套模型虽然已经能跑，但还有很多扩展空间。如果你有精力，可以往这几个方向改：

把确定性优化改成鲁棒优化或者分布鲁棒优化，考虑风电光伏预测误差，这是智能电网方向的热门延伸。

在碳捕集设备里加溶剂存储模型，让捕集能耗可以在时间上转移，更加现实。

把P2G的重点从“消纳弃电”扩展到“参与氢市场、天然气市场”，多主体博弈方向也很有写头。

如果做小论文，光是在双目标求解方法上做文章都够一个章节，比如用改进AUGMECON、或者用NSGA-III做对比，都是不错的增量。

说实话，复现一篇论文最大的价值不是把你变成“抄代码的人”，而是把整个建模思路揉碎了再拼回来。我这套Matlab代码并不是原封不动的抄写，参数也需要你根据自己算例微调，但整套建模框架、epsilon求解流程、调试排查方法，是直接可以拿去用的。尤其如果你正要处理P2G+CCS+CHP这组耦合设备，建议你先把我说的碳源匹配约束和捕集能耗这两块看清楚，这两个地方通了，其他都是水到渠成的事。

最后再分享一个我惯用的小技巧：跑epsilon循环之前，先单独跑两次单目标优化，确认两个优化方向都是可行的，再进循环。否则一旦方向求反，或者本来就不可行的位置进了循环，你在30个点上都会看到同一个报错，排查起来非常浪费时间。先花两分钟验证单点可行，再跑循环，是最省时间的做法。