企业官网建设流程全解析

上周有个做新能源方向的研究生来找我，说他论文里那套风光制氢合成氨系统优化的模型，怎么调也跑不出文中的结果。我扫了一眼他的代码，问题不出在求解器，也不在数据，而是他根本没搞清楚这个系统到底在"优化"什么。

这其实不是个例。风光制氢合成氨听起来是个概念级的大题目，但真正落到数学模型上，要回答的是两个具体问题：**第一，风电场、光伏电站、电解槽、储氢罐、合成氨装置各建多大容量；第二，在给定容量下，这些设备每个小时该以多大功率运行。**前者叫容量配置优化，后者叫运行调度优化，两者经常被混在一篇文章里，但建模对象、决策变量、约束条件完全不同。

这篇博文把我复现这类系统优化研究的完整过程整理出来，从能量链路拆解、数学模型构建、Python代码骨架、约束条件清单，到结果解读和踩坑记录，一次性说清楚。打算做或正在做相关复现的同学，可以直接照着搭框架。

1. 风光制氢合成氨到底在优化哪盘棋：先认清容量配置和运行调度的区别

1.1 一条完整能量链路里藏着三个子系统

风光制氢合成氨系统的物理链路并不复杂，但每一步都有独立的物理特性和时间尺度。整个系统可以拆成三段看：

第一段是发电侧。风电机组和光伏组件出力完全跟着气象走，具有明显的波动性、间歇性和反调峰特性。风电往往夜间出力大，光伏只有白天有电，两者天然存在互补性，所以绝大多数论文会把它们放在同一个场站内联合供电。

第二段是制氢侧。电解槽吃进电能，产出氢气和氧气。碱性电解槽和质子交换膜电解槽是两种主流方案，前者的最低运行负荷一般在20%到40%之间，后者的响应速度快但成本高。从系统优化的角度，电解槽不是一台"开了就有、关了就没"的开关设备，它有最小技术出力、爬坡速率、启停损耗，这些都会影响调度结果。

第三段是合成氨侧。氢气进入合成氨装置，与氮气在高温高压和催化剂作用下反应生成氨。工业上最成熟的是哈伯-博世工艺，反应式是N₂ + 3H₂ = 2NH₃，从质量平衡角度，每生成1公斤氨大约需要0.1765公斤氢气。合成氨装置是刚性生产单元，它不希望频繁启停，也不喜欢原料氢气流量大幅波动，所以在优化模型里通常被处理成"给定年产量的定负荷需求"或"带最小开工率的可调负荷"。

这三段之间由储氢罐衔接。储氢罐的作用类似水库，风光大发时电解槽多制氢存起来，风光不足时释放氢气维持合成氨连续运行。没有储氢罐，系统就只能"看天吃饭"；储氢罐容量太小，弃电和缺氢会同时存在。储氢容量本身就是优化模型里的关键决策变量。

1.2 容量优化和调度优化：决策变量与时间尺度的根本差异

很多初学者直接把容量和功率混在一个模型里，看到目标函数里有投资成本又有运行成本，就以为自己做的是"联合优化"。实际上，这两类问题的时间尺度和决策变量完全不同。

容量配置优化回答的是"建多大"的问题。决策变量包括风电场装机容量、光伏装机容量、电解槽额定功率、储氢罐容量、合成氨装置设计规模。因为设备一旦建成，多年内不会变，所以这类问题一般以年为单位做投资决策，再嵌套典型日的运行模拟来评估运行成本。年化投资成本系数会把一次性投资摊到每一年。

运行调度优化回答的是"怎么开"的问题。给定所有设备的装机容量，决策变量是每个时段的风电出力、光伏出力、电解槽输入功率、制氢量、储氢罐充放氢量、合成氨耗氢量和购售电量。时间分辨率常见的是1小时，也有论文用15分钟甚至5分钟来刻画电解槽的爬坡。

两者的关系是：**容量配置是上层问题，运行调度是下层问题。**常见的处理方式有三种，我在复现时逐一试过：

我自己复现的这篇，采用的就是第三种方式，即单层混合整数线性规划。好处很明显：一次性给出最优容量和对应的全年运行策略，不需要人工迭代，而且用商业求解器能直接拿到全局最优解。坏处也真实存在：如果时间分辨率取1小时、全年8760小时全建模，变量数会到几十万，求解时间可能从几分钟飙到几小时。所以后面要引入典型日场景削减。

2. 三步把论文里的能量流变成可计算的数学模型

2.1 第一步：把风光出力拆成"容量系数"而不是实际功率曲线

风光资源数据的处理是整个建模里最容易走偏的一步。很多复现者直接从数据库下载一整年的实测出力曲线，归一化后塞进模型。这样做没有错，但会让模型规模失去控制。

一个更规范、也更贴近论文做法的思路是：把每个候选站址的风速、光照数据转成单位装机的出力序列。具体做法是，风电用功率曲线把风速映射成出力系数，光伏用辐照度乘上组件效率再考虑温度修正。这样得到的是0到1之间的标幺值序列，乘以装机容量就得到该时刻的出力上限。

以风电为例，典型的映射关系是：

[ P_{wt}(t) = \begin{cases} 0, & v(t) < v_{in} \text{ 或 } v(t) > v_{out} \ \frac{v(t)^3 - v_{in}^3}{v_r^3 - v_{in}^3} \cdot P_r, & v_{in} \le v(t) \le v_r \ P_r, & v_r < v(t) \le v_{out} \end{cases} ]

代码里不用把每个时段的公式都写出来，只需要预先算好一个标幺值数组。下面是我常用的预处理方式：

import numpy as np import pandas as pd def wind_capacity_factor(wind_speed, v_in=3.0, v_r=12.0, v_out=25.0): """把风速序列映射为风电容量系数（单位装机出力）""" cf = np.zeros_like(wind_speed) mask_ramp = (wind_speed >= v_in) & (wind_speed < v_r) mask_full = (wind_speed >= v_r) & (wind_speed <= v_out) cf[mask_ramp] = (wind_speed[mask_ramp]**3 - v_in**3) / (v_r**3 - v_in**3) cf[mask_full] = 1.0 return cf # 读取风速数据 # wind_speed = pd.read_csv("wind_speed.csv")["ws"].values # cf_wind = wind_capacity_factor(wind_speed)

光伏部分更简单，通常直接用单位面积的出力系数，即实际辐照度除以标准测试条件下的1000W/m²，再乘上一个综合效率系数（约0.8到0.85）。这样处理后，风光出力的随机性被封装成一个确定性的标幺值序列，模型的输入就变得非常干净。

2.2 第二步：把电解槽和合成氨装置写成效率和负荷特性约束

电解槽的建模要特别注意：它不是一个"输入多少电就出多少氢"的简单比例器，实际运行中存在最低负荷约束。我复现的论文里用的是碱性电解槽参数，最低运行负荷为额定功率的20%，制氢效率取55 kWh/kg（即每生产1公斤氢气消耗55度电，按低热值折算）。换算成效率表达式：

[ m_{H2}(t) = \frac{P_{el}(t) \cdot \eta_{el}}{HHV_{H2}} ]

其中 (HHV_{H2}) 取33.3 kWh/kg，(\eta_{el}) 取0.75左右会更接近电解槽实际电耗，很多论文直接用55 kWh/kg作为单位电耗系数。

在代码里，电解槽的运行约束包含三个核心部分：最低负荷、最大负荷、爬坡限制。写成约束就是：

# 电解槽功率约束 model += [P_el[t] >= 0.2 * Cap_el * y_el[t] for t in range(T)] model += [P_el[t] <= Cap_el * y_el[t] for t in range(T)]

这里的 (y_{el}[t]) 是一个0-1变量，表示电解槽是否开机。为什么必须有这个0-1变量？因为如果直接用 (0.2Cap \le P_{el} \le Cap)，当 (P_{el}=0) 时约束会要求 (0.2Cap \le 0)，矛盾。所以必须引入开机状态变量，让功率为0时对应 (y=0)，功率在最低负荷以上时对应 (y=1)。这就是混合整数线性规划里"半连续变量"的典型处理方式。

合成氨装置的建模同样有讲究。哈伯-博世工艺需要持续稳定的氢气供应，装置本身有一个最小运行负荷，通常设定为设计负荷的50%或60%。氨产量和耗氢量按化学计量比折算，即每生产1吨氨消耗约0.1765吨氢气。此外，合成氨装置本身还要消耗一部分电力，用于压缩机、循环泵和冷却系统，这部分电耗通常按固定值加变动值处理：

[ P_{nh3}(t) = a \cdot F_{NH3}(t) + b \cdot y_{nh3}(t) ]

(a) 是单位氨产量的变动电耗，(b) 是装置启机后的基础电耗，两者分开建模比直接乘一个综合系数更贴近实际工艺。我在复现时取的参数是变动电耗约0.3 MWh/t氨，基础电耗约2 MW。

2.3 第三步：统一成本口径，目标函数别把一次性投资和年运行费用直接相加

目标函数是复现论文时最容易产生歧义的地方。我在帮那个研究生改代码时发现，他把风机单位投资直接乘以装机容量，又和年运行成本相加，得到的结果竟然是负的——因为投资单位是万元，运行成本单位是元，量纲差了四个数量级。

正确的做法是把所有成本折算到同一个时间口径。设备投资通常用资金回收系数（CRF）等额分摊到每一年：

[ CRF = \frac{r (1+r)^N}{(1+r)^N - 1} ]

其中 (r) 是折现率，取8%；(N) 是设备寿命，风电和光伏取20年，电解槽取10年，合成氨装置取20年。这样年化投资成本就是 (C_{inv} = CRF \cdot c_{unit} \cdot P_{cap})。

运行维护成本分成两块：固定运维按装机容量的百分比计，变动运维按发电量或制氢量计。购电成本只在系统缺电时发生，即从电网购电补足缺额。如果弃风弃光，可以在目标函数里加一个弃电惩罚项，这样模型会主动尽量减少弃电，而不是无脑装机。

一个典型的、可直接套用的目标函数写成代码是这个样子：

# 目标函数：年化总成本最小化 total_cost = investment_cost + opex_cost + grid_purchase_cost + penalty_curtail model.setObjective(total_cost, sense=GRB.MINIMIZE)

其中 (investment_cost) 是所有设备的年化投资之和，(opex_cost) 是固定运维与变动运维之和，(grid_purchase_cost) 是全年购电费用，(penalty_curtail) 是弃风弃光惩罚项。四个部分的单位统一为万元/年，后面的结果分析才能直接按百分比拆占比。

3. 从论文公式到可运行Python代码：求解器选型与代码骨架设计

3.1 为什么选MILP而不是非线性规划，以及求解器怎么选

风光制氢合成氨系统优化的核心难点在于设备的最小负荷约束、启停状态和储氢罐的时序耦合，这些天然带进0-1变量和线性约束，所以最自然的建模框架就是混合整数线性规划（MILP）。把非线性因素（如电解槽随负荷变化的效率）做分段线性化处理后，整个模型就是纯粹的MILP。

选择求解器时，商业求解器和开源求解器我都用过。商业求解器在求解速度和内存管理上确实更强，处理几万个变量和几十万条约束不费劲，适合容量配置和全年调度联合优化；开源求解器胜在免费、部署简单，适合小规模算例验证逻辑。我建议做复现的同学先拿小规模数据跑通模型逻辑，再上完整数据集，否则一上来就把求解器榨干，连模型对错都没法判断。

另外提一句，Python环境里写优化模型，可以用建模语言直接描述约束，也可以用字典和列表自己拼接矩阵。前者可读性好、后续改约束方便，我后文的代码都基于这种方式。

3.2 典型日场景削减：让8760小时变成可解的规模

全年的风电光伏出力有8760个小时点，直接全部建模不是不可以，但模型里每个设备约束都要乘上8760，整数变量一多，求解时间会指数级上升。我复现的论文用的是K-means聚类选取典型日的方法——先把全年的风速、辐照度数据按天切片，然后用K-means聚成三类或四类，每类取一个代表日，再按每类的天数占比作为权重。

聚类数据要不要归一化？要。风速和辐照度的量纲不同，直接聚类会让辐照度主导聚类结果，风速的作用被淹没。我的做法是把风速序列和辐照度序列分别除各自的全年最大值，得到0到1之间的相对序列后再拼接成特征向量。

典型日数量选多少合理？我在同一个算例上对比过：

实际复现时我最终选了4个典型日，时间和精度的平衡点最好。如果追求论文级精度同时又不让求解器崩溃，可以考虑6到8个典型日。超过8个后精度提升很小，求解时间却拉得非常长，性价比很低。

3.3 代码骨架：数据层、建模层、求解层、结果层四段式

拿到一篇论文，怎么快速组织代码？我习惯分成四个模块，对应四个文件：

project_root/ ├── data_load.py # 读取气象数据、设备参数，生成典型日 ├── model_build.py # 创建决策变量、约束条件、目标函数 ├── solve_model.py # 调用求解器求解、输出日志 └── result_plot.py # 绘制Gantt图、功率平衡图、成本饼图

data_load.py只负责数据，不做任何建模相关操作。它读取风速序列、辐照度序列，处理成典型日标幺值序列和设备的经济技术参数，返回一个字典。model_build.py接受这个字典，创建模型对象、添加变量和约束，返回未求解的模型。solve_model.py设置求解参数并求解。这四个文件解耦后，换一组参数只改data_load.py，改约束只动model_build.py，调试效率高很多。

初始化决策变量的代码我放在模型构建模块里，核心写法如下：

# 决策变量 Cap_wt = model.addVar(vtype=GRB.CONTINUOUS, name="Cap_wt") # 风电装机容量 MW Cap_pv = model.addVar(vtype=GRB.CONTINUOUS, name="Cap_pv") # 光伏装机容量 MW Cap_el = model.addVar(vtype=GRB.CONTINUOUS, name="Cap_el") # 电解槽额定功率 MW Cap_h2 = model.addVar(vtype=GRB.CONTINUOUS, name="Cap_h2") # 储氢罐容量 t # 时序变量 P_wt = model.addVars(T, name="P_wt") # 风电出力 P_pv = model.addVars(T, name="P_pv") # 光伏出力 P_el = model.addVars(T, name="P_el") # 电解槽输入功率 y_el = model.addVars(T, vtype=GRB.BINARY, name="y_el") # 电解槽开停状态 S_h2 = model.addVars(T+1, name="S_h2") # 储氢罐氢量

先写到这里，变量全都定义清楚，下一步把约束一条一条加进去。这里有个非常容易出错的细节：储氢罐的状态变量要定义到 (T+1)，因为 (S[0]) 是初始氢量，(S[T]) 是结束氢量，两者都要出现在约束里。很多人的代码崩溃或结果不合理，就是因为状态变量只定义到 (T)，导致最后一个时段的平衡约束没有可行解。

4. 约束条件完整清单与添加顺序，少写一条结果就错

4.1 功率平衡约束：一切优化的起点

功率平衡是整个系统模型的"宪法"，它规定每个时段所有电力的来去必须相等。我的写法是：

[ P_{wt}(t) + P_{pv}(t) + P_{grid}(t) + P_{dis}(t) = P_{el}(t) + P_{nh3}(t) + P_{curt}(t) ]

左侧是电力供应：风电、光伏、电网购电、储氢放电（如果储氢系统还能反向供电，但这个项目里没有）。右侧是电力消费：电解槽用电、合成氨装置用电、弃电。这里 (P_{curt}(t)) 是弃电功率，它表示风电和光伏实际出力与可用出力的差值：

[ P_{curt}(t) = \big(P_{wt}^{avail}(t) - P_{wt}(t)\big) + \big(P_{pv}^{avail}(t) - P_{pv}(t)\big) ]

为什么不直接把弃电设为零，而是专门设一个变量？因为当风电光伏出力超过系统需求时，模型必须有一个"释放多余电力"的出口，否则功率平衡约束无解。把弃电视作一个非负变量，模型可以在"弃电惩罚成本"和多装设备之间做权衡，这更贴近工程实际——你不可能把每一度风光电都用上，适度弃电是经济最优的。

加入功率平衡后，还要每个设备自身出力在0到可用出力之间：

model.addConstrs(P_wt[t] <= cf_wind[t] * Cap_wt for t in range(T)) model.addConstrs(P_pv[t] <= cf_pv[t] * Cap_pv for t in range(T))

这两条是"发电机出力受资源限制"的物理约束，少了它们，模型可能让风电在任何时刻都发满功率，显然不合理。

4.2 电解槽与合成氨装置的运行约束：半连续变量和启停逻辑

电解槽的约束前面提过，用 (y_{el}[t]) 控制最低负荷和最高负荷，这里再补一条爬坡约束。电解槽功率从一个时段到下一个时段的变化不能太快，否则会造成电压和电流冲击，影响设备寿命。以每分钟1%额定功率的爬坡速率、单位时段1小时来算，相邻时段功率变化量不超过60%额定功率：

[ -0.6 Cap_{el} \le P_{el}(t) - P_{el}(t-1) \le 0.6 Cap_{el} ]

由于每个时段都加了 (y_{el}[t]) 和0.2倍额定功率的下限，爬坡约束会和启停约束产生耦合。比如电解槽在 (t) 时段停机、(t+1) 时段开机到最低负荷，功率变化是从0跳到0.2Cap，完全在爬坡限幅内，所以不会冲突。如果爬坡限幅设置太小，可能连启机都无法实现，这种参数组合要尽量避免。

合成氨装置的处理更刚一些。它的氢气消耗量和氨产量直接挂钩，同时要求装置连续运行不频繁停机，所以模型一般不设置启停变量，而是把它当作全天候运行的固定负荷。它的运行功率由氨产量决定：

model.addConstrs(P_nh3[t] == 0.3 * F_nh3[t] + 2.0 * y_nh3 for t in range(T))

这里 (y_nh3) 是全天候运行的0-1变量，如果全年运行则直接设为1。但如果你要优化"合成氨装置是否全年连续运行"这个决策，那么 (y_nh3) 就必须作为决策变量，并且与储氢罐的初始和末端氢量联动。

4.3 储氢罐时序耦合约束：最容易被忽视的"跨时段记忆"

储氢罐是整个系统的时间桥梁，是风光制氢合成氨系统区别于普通供电系统的地方。它的约束是：

[ S_{H2}(t+1) = S_{H2}(t) + m_{H2}^{prod}(t) - m_{H2}^{cons}(t) - \eta_{loss} \cdot S_{H2}(t) ]

其中 (S_{H2}(t)) 是时段初储氢量，(m_{H2}^{prod}(t)) 是电解槽产氢量，(m_{H2}^{cons}(t)) 是合成氨消耗量，(\eta_{loss}) 是储氢自损耗率（一般很小，可以忽略）。这个约束必须从 (t=0) 到 (t=T-1) 全部添加，而且要特别处理初始和末端状态。

我复现的论文里设定了一个周期循环条件：(S_{H2}(0) = S_{H2}(T))，意思是一个调度周期结束后储氢罐回到初始状态，这样每个周期都是自洽的，不会出现"把前面的氢全用完、后面不管"的作弊解。

储氢罐容量上下限也不能漏：

model.addConstrs(S_h2[t] >= 0.1 * Cap_h2 for t in range(T)) model.addConstrs(S_h2[t] <= 0.9 * Cap_h2 for t in range(T))

上下限不只是0到Cap，而是设置了安全运行区间，留出10%的缓冲。因为储氢罐不能完全放空（防止杂质进入），也不能完全充满（防止压力过高），这在实际工程里是硬性要求。把这个区间写进约束后，模型解出来的容量配置才真正可用，很多论文为了简化会忽略这个细节，复现时若发现结果过于极端，可以检查这里。

4.4 约束添加顺序为什么要固定

我在model_build.py里添加约束的顺序是固定的：先加功率平衡，再加设备运行约束，最后加储氢罐时序约束。之所以保持这个顺序，是因为调试时要从功率平衡看起——如果模型的解不满足功率平衡，往往是设备约束写错了；如果设备约束没问题但储氢量始终不合理，问题大概率出在时序约束上。把约束分成三段检查，能快速定位建模错误。

这里分享一个小技巧：每加一组约束就输出一次该组约束的条数。比如加了24条功率平衡约束、24条电解槽约束、24条储氢约束，检查总数对不对。我遇到过因为循环范围写错导致只添加了 (T-1) 条约束的情况，输出条数后立刻发现了问题。

5. 求解结果如何解读：成本拆分、敏感性分析与论文图表还原

5.1 成本拆分：先看占比再看绝对值

求解完成后，第一件事不是看装机容量，而是看成本结构。我会把总成本拆成设备投资、运维、购电、弃电惩罚四个部分，并计算各自占比。正常的结论是：设备投资占大头，运维次之，购电和弃电惩罚应该很小。如果弃电惩罚占比过高，说明风光装机配得太大，系统消纳不了；如果购电成本占主导，说明制氢负荷太刚性，储能容量不足，需要加大储氢罐。

用一个简单的表格整理典型结果：

如果某一项占比异常，就要回溯对应的约束。我曾经遇到电解槽年化投资占比极高的情况，检查后发现电解槽额定功率被优化到很大，但实际平均运行功率只有额定值的15%——因为模型为了满足尖峰时段的合成氨用氢需求，只能配大电解槽，平时却用不满。这就是典型的"容量配置不合理"，改进方向是增加储氢罐容量，让电解槽可以在低负荷时段多制氢存起来，减少尖峰功率需求。

5.2 敏感性分析：扰动哪些参数能讲出有说服力的故事

论文里只给一个固定参数下的最优解是不够的，必须有敏感性分析。我的经验是选三个最核心的参数做单因素敏感性分析：风光资源乘数、碳价/环保罚金、电解槽单位投资。风资源乘数可以从0.8调到1.2，看风光装机比例怎么变；碳价从0调到一个较高水平，看系统是否更倾向多装风光、减少购电；电解槽投资下降时，看制氢容量是否增加、合成氨产量是否提升。

敏感参数的选择不能乱来，必须跟论文的"创新点"挂钩。如果论文的亮点是"源-氢-氨耦合协同优化"，那碳价和外送电价就是核心变量；如果亮点是"多时间尺度调度策略"，那风光预测误差就是核心变量。我复现的论文重点是容量配置，所以选了风光渗透率和电解槽成本做敏感性分析，做出的结果曲线在单调性和拐点上都合理，审稿人看着也舒服。

5.3 把求解结果还原成论文图表的关键画法

复现论文时，图表是直接反映模型对错的窗口。我至少会画三张图：全年功率平衡堆叠图、储氢罐荷电状态曲线、成本结构饼图。

功率平衡堆叠图的做法是：横轴是时段，纵轴是功率，风电出力、光伏出力、电解槽负荷、合成氨负荷分颜色堆叠，购电和弃电用阴影标出。这张图能直观看出系统的电量平衡关系。储氢罐曲线则看波动是否合理——如果曲线在上下限之间频繁撞线，说明储氢容量配置偏小；如果曲线长期平坦，说明储氢容量冗余。

画图时有个要注意的坑：典型日的权重叠加。如果模型用了4个典型日，每个典型日代表不同的天数加权，画全年曲线时要把4个典型日按权重拼接或分别绘制，不能在时间轴上简单连续拼接，否则曲线会出现"时间跳变"。我的做法是分别画每个典型日的曲线，再在下方标注该季节的天数权重，信息量更清晰。

6. 复现路上的三个大坑和对后来者的三条建议

6.1 大坑之一：目标函数量纲混乱导致结果离谱

这是我认为最值得强调的坑。当时我在复现一篇文献时，初版模型求解后，优化结果是风电装机为零、全靠电网购电。直觉告诉我这不合理，检查后发现两个问题：一是电网购电电价按元/kWh计，而设备投资按万元/MW计，目标函数里电价项的量级比投资项小了四个数量级，模型当然会选择"买个毛线的风机，全靠买电"；二是合成氨收益没有建模，系统纯粹是成本最小化，天然会偏向最便宜的电。

解决方法是把所有价格统一折算到同一基准：电价从元/kWh换算成万元/MWh，投资从元/kW换算成万元/MW，并统一除以一个基准值（比如10000），让所有系数落在0.01到100之间。这样处理后求解器数值稳定性也更好，结果才符合物理常识。我后来在做任何优化模型前，都会先做一步"量纲自检"，把所有参数的物理单位列一张表，确认每一项加总后单位一致。

6.2 大坑之二：所有典型日共用一个权重，忽略了季节差异

典型日聚类的一个隐蔽陷阱是权重的使用方式。有些复现者把每个典型日的天数设为总天数除以聚类数，比如全年365天聚成4类，每类权重设为91.25天。这样做忽略了各类实际包含的天数差异。如果某类只有30天，却被赋予91.25天的权重，相当于放大2倍，结果自然偏离实际。

正确做法是，K-means聚类完成后统计每个簇内实际天数，用天数占比作为对应典型日的权重。这个细节看起来小，实际对优化结果影响很大——特别是过渡季节（春季和秋季）的风光特性差异明显，权重搞错了，最优容量配置能差出10%以上。

6.3 大坑之三：储氢罐初始状态与末端状态不闭合

我再强调一次储氢罐的循环约束。如果不加 (S(0) = S(T))，模型总是倾向于在最后一个时段把储氢罐放空，把合成氨产量拉满，制造一个"虚假的最优"。加入循环约束后，系统的储氢策略才是可持续的。这也是很多论文复现者结果中储氢罐曲线"右高左低"或"一路走低"的根本原因。

6.4 给后来者的三条实操建议

第一，先复现小算例。用一个风电场加一个光伏电站、一个电解槽、一个储氢罐的最小配置，时间分辨率取1小时、只模拟3天，把模型跑通再扩到全年。小算例能让你在几秒钟内看到模型行为是否合理，调试效率远高于直接跑完整模型。

第二，用"最优性间隙"作为判断标准。不是每个MILP模型都能在可接受时间内达到零间隙，求解器给出的间隙越小，说明当前解越接近全局最优。一般控制在1%到3%之间，工程上是可以接受的。如果间隙一直降不下去，优先检查是否存在大M约束导致数值病态，或者目标函数系数跨度太大。

第三，不要急着堆算法。论文里写着"采用遗传算法求解"或"采用改进粒子群求解"，很多复现者就会跟着用启发式算法。但大多数这类系统优化问题其实是MILP，交给求解器即可。启发式算法只有在模型规模确实大到无法用求解器直接求解时才值得上。我的建议是：先写MILP模型，求解器解不了，再降维或做分解，不要一上来就搞启发式。

现在回头看，风光制氢合成氨系统优化本身不算复杂，难点在于把化工过程、电力系统和优化理论三者正确对接。做完这一轮复现，我最大的体会是：这个领域真正有价值的不是算法炫技，而是对设备物理特性和时间尺度耦合的理解。拿着现成代码改参数容易，但能把自己的模型按物理逻辑拆开讲清楚，才算是真正复现了一篇论文。