企业官网建设流程全解析

最近在折腾一个偏教学科研的模拟项目，题目是“基于阶梯碳交易的含P2G-CCS耦合和燃气掺氢的虚拟电厂优化调度探索”，涉及的东西有点多：阶梯碳交易、电转气（P2G）、碳捕集封存（CCS）、燃气掺氢、虚拟电厂（VPP）优化调度。你要是单看名词，会觉得这五个东西好像都能各讲各的，难就难在把它们揉进一个优化模型里，还要让结果在成本、碳排、设备出力这几个维度上自洽。

这篇文章把我的建模思路、阶梯碳交易的处理方式、P2G-CCS耦合的能量流梳理，以及燃气掺氢带来的非线性问题都拆开讲。没有涉及太深的理论推导，重点放在怎么落地、怎么设参数、怎么避坑。适合正在做虚拟电厂调度、综合能源系统优化、碳交易机制建模方向的同学，或者刚入坑想找完整案例参考的工程师。我会把建模逻辑和实操细节尽量讲得直白，部分参数来自我在模拟项目中采用的典型设置，你可以按自己的数据替换。

1. 为什么把“阶梯碳交易+P2G-CCS+掺氢”放在一个模型里

1.1 虚拟电厂不只是一堆分布式资源的简单拼盘

虚拟电厂这个概念，本质上是把分散的风电、光伏、燃气机组、储能、可调负荷通过通信和调度系统聚合起来，对外像一个可控电源一样参与电网运行和电力市场交易。很多人第一次搞VPP调度，容易把它当成“多设备的经济调度问题”，目标函数就一个总成本最小，约束条件就是功率平衡加设备上下限，做完就完事了。

但如果你把碳排放约束考虑进来，事情就没那么简单。因为虚拟电厂内部不同机组的碳排放强度差异很大：燃气轮机直接烧天然气，排放因子高；风电光伏几乎零碳；P2G和CCS耦合之后又可以把一部分碳捕集回来，甚至把捕集的CO2和绿氢合成甲烷重新当燃料用。这时候，调度问题不再是单纯“谁便宜谁出力”，而是“谁在碳约束下更有价值”。

我做的这个模拟项目里，虚拟电厂包含2台50MW燃气轮机、100MW风电场、80MW光伏、60MW电解槽、20MW电锅炉、30MW/120MWh储能、储氢罐以及P2G-CCS耦合模块。目标就是在满足负荷需求的前提下，让总运行成本、碳交易成本、启停成本之和最小。这个设定比较接近当前国内园区级综合能源系统的实际配置，也方便对比不同碳交易机制的影响。

1.2 碳交易机制在调度模型里到底怎么“起作用”

碳排放成本进入优化模型，常见做法是给一个固定的碳价，比如每吨CO2排放60元，然后乘上系统总排放量，加进目标函数。这个做法简单，但有个问题：它没有体现“排放量越高，处罚越重”的政策导向。

阶梯碳交易就相当于把碳价分成几个档位：排放量在免费配额以内，不需要买配额；超出配额的部分进入第一档碳价；继续超排，进入第二档，碳价更高；再往上，第三档更贵。这个逻辑很像家里用的阶梯电价——用得越多，单价越贵，逼着你节能。

把这种机制嵌进调度模型，会产生一个很有意思的效果：调度系统会自动把碳排放量“压”到配额附近，因为一旦超排进入更高阶梯，边际成本会突然跳升。燃气机组出力越高，碳排放越多，可能很快就把排放量推到第二档第三档；而P2G消耗多余风电制氢，再通过二氧化碳甲烷化把碳循环利用，就能在满足能源需求的同时降低净排放。这就是P2G-CCS耦合在碳交易背景下真正有价值的地方。

1.3 一个容易忽略的现实：碳排放配额分配与机组排放强度的错位

很多人做模型时默认配额分配得很理想，其实实际中碳排放配额跟机组类型、历史排放强度都有关。常见的方式是免费配额按历史排放强度的一定比例确定，比如按照机组基准年碳排放量的95%作为免费配额。对一个以燃气为主、含新能源的虚拟电厂来说，风光出力的随机性会导致燃气机组在某些时段必须高发，排放量很容易突破配额，触发高阶碳价。

我在模拟项目里把配额设为系统基准排放量的92%，然后用阶梯碳价做压力测试，结果发现一个“反直觉”现象：如果阶梯梯度设置过陡，系统反而会更倾向于在风光大发时段让P2G满负荷运行，把多余电能转化为氢气储存，再通过燃料电池或掺氢燃烧释放。因为这样可以在高风光时段“挤掉”燃气出力，从而把碳排放控制在第一阶梯以内。所以阶梯碳交易本质上改变了传统经济调度的“排序方式”，让碳约束变成了与功率平衡并列的硬条件。

2. 阶梯碳交易的数学表达与参数化设计

2.1 为什么阶梯比单一碳价更贴近实际政策

单一碳价的优化结果通常比较温和：系统只要考虑一个固定碳成本，边际成本曲线平移，机组的出力排序不会发生剧烈变化。但实际碳市场运行中，价格往往是分档或者由市场供需动态形成的，企业面临的不是“每吨固定价”，而是“越超排越贵”。

阶梯碳交易的数学模型可以表达为：将碳排放总量划分为若干区间，每个区间对应一个不同的碳价格，且三者之间满足递增关系。例如设基础碳价为60元/tCO2，配额为E0，第一阶梯超出量为0~10%配额，碳价为60元/t；第二阶梯为10%~20%配额，碳价为72元/t；第三阶梯为20%以上配额，碳价为90元/t。这种分段线性函数天然适合用混合整数线性规划（MILP）处理，因为每一段可以用0-1变量激活。

2.2 阶梯碳成本的建模方式（含可运行的MILP思路）

在优化模型中，阶梯碳成本不是简单的一个乘式，而是需要引入分段线性化。一个可行的做法是把总碳排放量E分解成三个非负变量E1、E2、E3，每个变量对应的区间用0-1变量约束其上下界，碳成本就是E1p1 + E2p2 + E3*p3。这样目标函数仍然是线性的，整个模型保持MILP结构。

下面给出一个简化版的Yalmip风格伪代码片段。不一定需要照搬，但能说明分段线性化的核心做法：

% 决策变量 E_total = 系统总碳排放量 (连续变量) E_seg = sdpvar(1,3); % 三个阶梯区间的排放量 z = binvar(1,3); % 0-1变量，表示是否进入对应阶梯 % 约束：三个区间加和等于总量 E_total == sum(E_seg); % 约束：第一个阶梯可用区间 [0, Δ1] E_seg(1) <= Δ1 * z(1); E_seg(1) >= 0; % 约束：第二个阶梯可用区间 (Δ1, Δ2] E_seg(2) <= (Δ2 - Δ1) * z(2); E_seg(2) >= Δ1 * z(2); % 进入第二阶梯必须先占满第一阶梯 % 约束：第三个阶梯从 Δ2 开始 E_seg(3) >= Δ2 * z(3); E_seg(3) <= E_max * z(3); % 逻辑约束：阶梯的进入顺序 z(1) >= z(2) >= z(3); % 目标函数中加入阶梯碳成本 carbon_cost = p1 * E_seg(1) + p2 * E_seg(2) + p3 * E_seg(3);

这段代码的关键在于把总排放量“拆段”，并要求后面的阶梯触发时前面的阶梯必须占满，这样才能保证分段函数的单调连续性。实际求解时要注意大M取值不要过小，否则容易导致数值病态，我后面在问题排查部分会单独讲。

2.3 阶梯区间划分与价格参数如何标定

阶梯区间不是一个拍脑袋的值。配额比例、各阶梯长度、价格倍率，取决于政策基准和系统自身排放特性。模拟项目里，我把基准碳价设为60元/tCO2，配额比例设为系统基准排放的92%，第一阶梯区间长度为配额的10%，第二阶梯区间长度为配额的10%，第三阶梯上不封顶。价格分别为1倍、1.2倍、1.5倍基准价。

这样设置的好处是：在风光出力较高的场景下，燃气机组如果控制在较低出力，碳排放刚好落在配额附近；如果遇到晚高峰负荷大、风光出力不足，燃气机组被迫高发，碳排放会进入第二、第三阶梯，碳成本显著上升，此时调度系统会更积极调用储氢、燃料电池甚至让P2G适时停机，避免额外碳排放。

注意：阶梯碳价参数不是固定不变的。如果基准碳价本身很低，阶梯梯度再陡也拉不动调度决策；如果基准碳价过高，系统会过度投资/调用低碳设备，导致成本失真。建议先做几组敏感性分析，再锁定额度参数。

3. P2G-CCS耦合的系统结构与能量流分析

3.1 P2G和CCS单独理解都不难，难在耦合

电转气P2G，简单说就是用电把水电解成氢气和氧气，氢气可以直接用，也可以和CO2反应合成甲烷。碳捕集CCS是把燃烧或工业过程产生的CO2捕集下来，压缩、运输、封存或利用。单独看，一个是“用电制气”，一个是“抓二氧化碳”，方向相反：P2G消耗电能产出燃料，CCS消耗电热产出“减碳”。

但如果把P2G和CCS耦合起来，就形成了一个闭环：燃气机组燃烧排放CO2，CCS模块捕集部分CO2，送到P2G的甲烷化反应器，与电解槽产生的氢气反应生成甲烷，再重新注入天然气管网或直接供给燃气机组。在这个循环里，P2G的甲烷化解决了“氢难运输、难存储”的问题——氢转成甲烷后可以直接用天然气基础设施；CCS捕集的CO2也有了利用途径，而不是必须长途运输到封存地。

3.2 CO2循环+氢能注入的两条典型技术路径

从我做的模拟项目来看，P2G-CCS耦合在虚拟电厂中有两种落地路径。

第一条路径是“电转甲烷”：电解槽产氢后进入甲烷化反应器，与CCS捕集的CO2在催化剂作用下生成甲烷，产物可以直接当作天然气使用。这个路径的优势是系统兼容性好，天然气机组、管网、储气设施都不用大改，缺点是甲烷化反应耗氢量大，1分子CO2需要4分子H2，导致对电解槽容量要求很高，而且甲烷化过程有能量损失。

第二条路径是“直接掺氢+CCS补碳”：电解槽产氢后不经过甲烷化，而是按一定比例直接掺入天然气管道，供燃气机组使用。燃气机组的燃料热值会降低，但CO2排放也下降。与此同时，CCS模块捕集的CO2一部分用于驱替或封存，另一部分可以视情况补充化工原料。这个路径的优点是电转气效率更高（省去了甲烷化的效率损耗），缺点是对燃气轮机的掺氢燃烧适应性要求更高。

在模拟项目里，我采用了“P2G电解槽产氢分成两路：一路去甲烷化与CO2合成甲烷，一路去掺氢混合器”的配置，甲烷化产出的甲烷同样进入混合器或天然气管网。这样模型既能体现CCS捕集的CO2利用，又能体现掺氢对燃气机组的直接减碳作用。

3.3 耦合之后虚拟电厂多出来的“灵活性”

P2G-CCS耦合不是单纯多了一个设备，而是给虚拟电厂多了一组“可调节的碳流”：当电力系统出现弃风弃光时，P2G可以消纳这部分电能制氢，间接提升新能源消纳率；制出的氢既可以掺入燃气，又可以在氢价/电价合适的时段通过燃料电池反向发电；CCS模块则可以根据碳价高低灵活调节捕集率，碳价高就多捕集，碳价低就少捕集，这相当于给系统增加了一个“碳容性负荷”。

这种灵活性在调度模型里体现为：P2G和CCS的出力不再是固定值，而是随着碳价、电价的时序波动动态变化的决策变量。晚高峰电价高、碳价高的时候，系统会倾向于让P2G降功率，把更多电力供给负荷；凌晨风电大发、电价低谷时，P2G满负荷运行，制氢和甲烷化同步启动，把电能储存为气体的化学能。整个“电-气-碳”之间的耦合关系，是优化调度最核心的约束来源，也是建模时最需要耐心梳理的地方。

4. 燃气掺氢对调度模型的影响与处理方式

4.1 掺氢比例改变的不只是碳排放系数

燃气掺氢乍一看很简单：天然气里掺点氢气，燃烧时单位热量对应的碳排放就降低了，在目标函数里把碳排放因子按掺氢比例折算一下就行。但在实际模型里，掺氢比例会同时影响燃气轮机的热值、气耗率、最大出力、启停性能，甚至影响燃烧器的稳定性。

天然气的主要成分是甲烷，热值约36MJ/m3；氢气的低位热值约10.8MJ/m3，体积热值不到天然气的三分之一。同样体积的燃气，掺氢比例越高，单位体积的热值越低。因此，燃气轮机要发出相同的功率，需要更大的燃料体积流量，这对调压站、管道流量、燃烧器喷嘴都会产生影响。在优化调度模型里，如果不考虑热值变化，仅把碳排放因子降低，会导致燃料成本被低估。

4.2 燃气轮机的热值、气耗与出力上限变化

在建模时，我通常采用“能量等效”的方式处理掺氢：设天然气的低位热值为LHV_ng，氢气的低位热值为LHV_h2，掺氢比例为α（体积比），混合燃料的低位热值LHV_mix为：

LHV_mix = (1 - α) × LHV_ng + α × LHV_h2

然后规定燃气机组的燃料输入功率（MW）是由混合燃气提供的。机组电出力和燃料输入功率之间通过效率曲线关联，出力的上限还受到燃料体积流量上限的约束。当α增大时，混合燃气体积热值降低，同样体积流量对应的燃料输入功率减小，可能造成机组最大出力下降。

我在模拟项目里的处理方式是：燃气机组最大出力按掺氢比例修正，取原最大出力与体积流量约束下的折算最大出力中的较小值。这个细节很多人第一次做时容易漏掉，结果导致掺氢比例很高时系统还让机组出满力，虚增了消纳能力。

掺氢对排放的计算也不只是乘一个(1-α)系数。燃气轮机燃烧氢气时，单位热值的碳排放本来就是0，但要注意NOx排放可能变化，且氢气燃烧速度更快，燃烧温度更高，可能影响燃烧室的寿命。在调度模型里，第一版可以先只考虑CO2排放，后续再扩展NOx约束。

4.3 掺氢、P2G、碳交易三者的闭环关系

把掺氢放进P2G-CCS耦合模型里，可以看到一个完整的减碳闭环：风力光伏发电→电解槽制氢→一部分氢直接掺入燃气轮机使用，降低碳排放；另一部分氢和CCS捕集的CO2合成甲烷→甲烷进入天然气管网或储气罐→供燃气机组使用。燃气机组的排放又会被CCS再捕集一部分，减少系统净碳排放。

在调度模型里，这条闭环的“松紧度”直接受到阶梯碳价的影响。碳价低时，系统让燃气机组多发可能更经济，CCS捕集率也可以降下来；碳价高时，P2G和CCS同时出力，把碳排放压到配额内，虽然增加了电耗成本，但总成本反而更低。这种耦合效应，靠人为经验很难手工调优，必须用优化模型统一决策。

5. 优化调度模型的目标函数与约束体系

5.1 决策变量与场景设置

模型决策变量主要包括：燃气轮机出力（2台）、风电场出力、光伏出力、储能的充放电功率和SOC、P2G电解槽耗电功率和产氢速率、甲烷化反应器的CO2消耗量、CCS捕集率和捕集功率、掺氢比例、储氢罐充放速率，以及各机组的启停状态。

时间分辨率取1小时，调度周期取24小时，这是一个比较常规的设定。如果你需要更精细的日内旋转备用分析，可以取15分钟一个时段，但模型规模会变大，求解时间变长。模拟项目里，我对比了三种场景：

• 场景A：不考虑碳交易，只追求运行成本最小。
• 场景B：考虑单一碳价，碳价固定60元/tCO2。
• 场景C：考虑阶梯碳交易，配额为基准排放的92%，阶梯价格60/72/90元/tCO2。

这样对比能直观看出阶梯碳交易对调度结果的影响。

5.2 目标函数：运行成本+碳成本+启停成本

目标函数为总成本最小化，包含四块：燃气燃料成本、购电成本（从上级电网购电）、碳交易成本（阶梯函数）、设备启停成本和运维成本。燃料成本根据燃气机组的气耗量和天然气价格计算；购电成本根据分时电价计算；碳交易成本按第二节的分段线性函数计算；运维成本按设备出力乘固定系数计算。

风电和光伏的出力按预测值处理，预测误差可以通过旋转备用容量约束来应对。第一版模型不要求随机优化，采用确定性的日前调度；如果后续想做鲁棒优化或随机优化，可以在约束里增加概率场景。

5.3 关键约束：功率平衡、P2G、CCS、储氢、掺氢耦合

约束条件是优化模型里最需要小心的地方。我总结了几类核心约束：

功率平衡约束：风电+光伏+燃气轮机+储能放电+购电 = 负荷+储能充电+电锅炉+P2G耗电+CCS耗电。这个约束看起来简单，但P2G和CCS耗电会让系统负荷曲线“变形”，所以在夜间风电大发时，P2G自动成为可平移的大负荷。

P2G约束：电解槽产氢功率与耗电功率通过效率系数关联，并受到容量上下限约束。产氢分为两路，一路进甲烷化，一路进掺氢混合器，两路之和等于总产氢量。

CCS约束：捕集CO2量与燃气机组排放量、捕集率相关，捕集率是一个0-1连续变量，但捕集能耗和捕集量存在线性关系。CCS捕集到的CO2一部分作为甲烷化原料，剩下可以视为封存或外售。

燃气掺氢约束：掺氢比例有上下限，且掺氢量不能超过储氢罐当前可供量。混合后燃气热值用于燃料成本计算，同时燃气机组的最大出力做修正。

储氢罐约束：储氢罐SOC连续变化，充放之间有损耗，且调度周期末储氢量需要回到初始值附近，保证日间循环的可持续性。

5.4 求解方法与MILP化技巧

整个模型因为引入了0-1变量（机组启停、阶梯区间选择），是一个混合整数线性规划问题。在模拟项目里，我用Yalmip建模，调用求解器求解。模型规模不算大，基本能在几分钟内完成。

如果你自己做，有几个MILP化技巧值得记住：

• 分段线性函数尽量用“特殊有序集”或者“0-1变量+大M法”实现，不要直接引入非线性项。
• 燃气轮机的效率曲线如果非线性的，建议分段线性化，避免模型变成MINLP，否则求解时间会指数级上升。
• 有些变量之间的乘积，比如掺氢比例与燃气轮机出力的乘积，会导致非线性。解决办法是固定掺氢比例为几个档位（0%、5%、10%、15%、20%），用整数变量选择档位，这样可以保持MILP结构。

我在模拟项目里就采用了“掺氢比例离散化”的方法：把掺氢比例设为5个离散档，每一个档位对应一组机组出力和排放参数。这样既保证了模型精度，又不会让问题变成非凸非线性规划，求解稳定性和速度都好了很多。

6. 典型日算例结果与场景对比

6.1 参数设定与数据准备

模拟项目选取了某地区冬季典型日数据：风电出力夜间大、中午小，光伏中午大、傍晚为零，负荷呈现“双峰”特性。分时电价采用峰谷电价：峰段电价为1.1元/kWh，平段0.65元/kWh，谷段0.33元/kWh。天然气价格为2.8元/Nm3（约合0.35元/kWh热量）。燃气轮机效率取42%，电解槽效率按75%计算，甲烷化反应效率按80%计算。

CCS捕集率上限设为90%，单位捕集能耗取0.25 kWh/kgCO2。这个值会对结果影响很大，因为捕集CO2本身要耗电，耗电又会增加系统总负荷，可能导致其他机组多发电，造成间接排放增加。所以在低电价时段多捕集、在高电价时段少捕集，是优化模型给出的典型策略。

6.2 三种场景调度结果对比

场景A（无碳交易）下，燃气机组基本是“负荷高峰多出力、低谷少出力”，碳成本完全不被考虑，总碳排放量最高。系统在夜间风电大发时会出现轻微弃风，因为没有足够的本地负荷消纳。

场景B（单一碳价）下，机组碳排放被折算成固定成本，燃气轮机的相对经济性变差，系统更倾向于在谷段从电网购电、在峰段用燃气机组出力，碳排放总量略有下降，但下降幅度不算大。

场景C（阶梯碳交易）下，情况明显不同：系统会在风电大发时段调用P2G制氢，并将部分氢气存储；在晚高峰时段，储氢罐放出的氢气掺入燃气轮机燃料，降低净碳排放；CCS捕集率在碳价较高的时段拉满，把总排放控制在配额以内。碳排放总量相比场景A降低了大约24%，但总成本只增加了约11%。这其实就是阶梯碳交易“用有限成本换明显减碳效果”的典型结果。

6.3 掺氢比例对成本和排放的影响曲线

我还做了掺氢比例从0%到20%的敏感性分析。掺氢比例增大后，燃气轮机的燃料热值下降，相同出力的气耗体积增加，但综合燃料成本不一定线性上升，因为氢气的成本来自P2G的电耗，而P2G的电来自低谷风电和光伏，边际成本很低。掺氢比例超过15%以后，系统的总成本下降变缓，而燃气轮机燃烧稳定性、NOx控制等问题开始凸显，所以从工程角度看，10%~15%的掺氢比例是比较合理的选择。

7. 实操中容易踩的坑与排查实录

7.1 阶梯碳成本建模中的“顺序触发”问题

第一次搭阶梯碳成本函数时，很容易漏掉“后一阶梯必须由前一阶梯占满”的约束。比如系统总排放量只有2000t，但模型为了让碳成本最小，直接把2000t全部塞进第一阶梯，甚至把0-1变量z2置1，结果碳成本被严重低估。解决办法就是加上顺序约束：z1≥z2≥z3，并且第二、第三阶梯的下界必须与前面阶梯的上界衔接。

7.2 大M取值不当导致求解精度下降

这个坑很难排查，因为模型没报错，但结果明显不对。大M如果取得太大，比如超过1e6，可能导致MILP求解器在分支定界过程中出现数值容忍度问题，收敛到次优解；取得太小，又可能切断可行域。建议大M的取值尽量紧，比如阶梯三段的排放量上限，就取系统最大可能排放量，不要随手设一个1e6。

7.3 P2G和CCS耦合的单位匹配

P2G中电解槽的产氢量通常用kg/h或Nm3/h表示，CCS的捕集量通常用tCO2/h表示，甲烷化反应又涉及摩尔比，三者单位如果不统一，很容易在约束里出现量级错误。我的做法是：所有气体量都换算成热值单位MW或者质量单位kg，CO2和CH4用摩尔质量换算，氢气和天然气用热值换算。列一张单位换算表放在模型注释里，可以省去很多调试时间。

7.4 数值仿真常见其他问题速查表

在多次试跑和调试后，我整理了一个问题速查表：

7.5 数据缺失与气象不确定性的处理

风电和光伏的预测出力与实际出力总有偏差。在日前调度模型里，我一般会预留10%的旋转备用容量，由燃气轮机和储能共同承担。如果要做日内滚动优化，可以把P2G、储能作为快速响应资源，把旋转备用约束逐步收紧。

还有一种常见的现实情况是：CCS设备的CO2捕集量受到入口烟气中CO2浓度的限制，而烟气CO2浓度又与燃气轮机负荷率有关。因此不能简单设一个固定捕集率上限，最好建立一个“捕集率上限随机组出力变化”的表格或者线性关系。我在模拟项目的第二版里就是这么处理的，模型求解时间和精度并没有明显恶化，但结果合理性好了很多。

最后分享几个让我印象深刻的实操体验

我在实际跑这个模型的过程中，最大的体会是：碳交易机制、P2G-CCS耦合、燃气掺氢，这三样东西单独拎出来，每一个都有人写过完整的调度模型，但合在一起后，真正的瓶颈不是数学方法，而是设备之间能量流和碳流的单位匹配、时间尺度匹配，以及你对“什么参数最敏感”的判断。

比如阶梯碳价梯度设到1.5倍以上，系统会疯狂压低排放，但可能带来储氢罐过度配置、CCS捕集率常年顶满，导致模型结果在成本上并不合理；掺氢比例如果超过20%，燃气轮机出力限制开始成为主要矛盾，P2G消纳的风电量反而下降。这些都是不跑几轮算例根本发现不了的细节。

另外，绿色证书、辅助服务市场和需求响应等机制，后续都可以平滑地加到这个框架里。你只需要在目标函数里增加对应的收益项，并在约束里补充外送功率、备用容量等措施，模型主体不需要推翻重来。工具层面也可以用Python开源生态重写，不一定非要依赖商业工具。

如果你也想做类似的探索，我建议你先从简化版开始：两个星期内先跑通“燃气轮机+风电+光伏+储能+P2G”的基础经济调度，再加上阶梯碳成本函数；确认模型结果合理后，再逐步叠加CCS模块和掺氢档位。一块一块加，出了问题也容易隔离定位。千万不要一开始就把所有设备都堆进去，否则你连不收敛的报错都看不懂是哪个环节引起的。

这个课题后续还有很大的扩展空间，尤其是把调度结果放到真实的气象数据和分时电价下做滚动优化，以及把CCS捕集的CO2再利用考虑成化工原料的收益模型。跑通一整套流程之后，你对碳约束下多能互补系统的理解，会比单纯看文献要深得多。