企业官网建设流程全解析

综合能源系统热电优化这个方向，最近几年在各类期刊、毕业设计和工程答辩里出现的频率高得吓人。我去年前后做了几个类似的优化调度项目，最觉得有得聊的，就是带“阶梯式碳交易机制”和“电制氢”的这一套：跑出来的结果不仅能讲出很强的故事逻辑，还特别贴合现在低碳转型背景下的真实痛点。这篇文章就围绕我用MATLAB搭建并求解这样一个模型的完整过程，把模型怎么建、碳交易怎么线性化、电制氢怎么接进系统、算例结果长什么样，以及调试时踩过的坑，一次性讲透。

先说明一下这个问题的性质：给定某园区一天24小时的电负荷、热负荷，以及预测的风电光伏出力，在考虑阶梯式碳交易成本的条件下，优化各台设备的逐时出力计划，使系统总运行成本最低，同时让碳排放尽量低。这个问题本质上是一个混合整数线性规划，少量整数变量用来处理设备启停或分段选择，其余出力变量都是连续量。整个模型不算复杂，但真正动手写MATLAB代码时，最容易翻车的其实不是求解，而是碳交易函数怎么线性化、氢的电热换算怎么统一、以及约束条件之间怎么避免互相矛盾。

1. 这个项目到底在解决什么问题

1.1 从“热电耦合”到“电-热-氢三网耦合”

传统热电联产系统里，CHP机组是核心设备，它既发电又发热，但电出力和热出力往往强耦合。冬天运行时要“以热定电”，热负荷高的时候机组必须多发，电也跟着多出来；反过来如果热负荷不高，机组压着电出力跑，风电光伏又上了高比例，就容易出现弃风。这是热电联产系统调度里最经典的一个矛盾。

引入电制氢之后，系统多了一条灵活的出路：把多余的电变成氢气存起来，等需要时再通过燃料电池发电、放热。这样就打破了“电跟着热走”的硬约束，系统可以在电富余时段制氢，在电高峰时段用燃料电池补电。所以这个项目的核心从“热电耦合”扩展成了“电-热-氢三网耦合”，优化变量也多了很多，但灵活性提升的收益非常明显。

这类优化模型适用的场景也很典型：园区级综合能源系统、微电网、区域冷热电联供系统的日前调度，尤其是冬夏典型日的运行模拟。只要你有负荷曲线、可再生能源出力预测、分时电价、燃气价格，就能套用这套框架。

1.2 阶梯式碳交易为什么值得写进优化模型

如果模型里只有普通碳价，也就是每吨二氧化碳一个固定价格，那对运行优化的影响其实就是给每个机组统一加一笔线性成本。固定碳价会让高排放机组的成本抬高，但它对排放的约束是“均匀”的，系统总能在边际成本那里找平衡，冲击力有限。

阶梯式碳交易机制就不同了。它相当于给每个系统发一个免费碳排放配额，实际排放低于配额时，富余的配额可以拿到碳市场上去卖，获得收益；实际排放超出配额时，超出部分按阶梯价格购买额度，超得越多，单价越贵。比如第一档50吨按20元一吨，第二档按30元一吨，第三档按40元一吨，这是累进计价模式。

这种机制会对优化模型产生两个直接影响：

• 高排放机组的边际成本被大幅抬高，机组组合会明显向低碳设备倾斜。
• 系统会主动增加对可再生能源的消纳，因为多消纳一度风电，就能少排放一吨碳，少买一档昂贵的碳配额。

从数学上看，阶梯碳交易引入的是一段“分段线性”的成本函数。只要保持这个函数在线性约束里表达出来，整个模型仍然是一个MILP，可以用成熟的求解器稳定求解。这也是这个项目技术上的一个亮点。

1.3 项目整体解题框架

我自己习惯把整个问题拆成四层：

第一层是输入数据，包括24小时电负荷、热负荷、氢负荷，风电和光伏的预测出力上限，分时购电价，天然气价格，碳排放系数，碳配额参数。

第二层是决策变量，包括CHP电出力和热出力、燃气锅炉产热、电锅炉耗电产热、储电充放、储热充放、电解槽耗电制氢、储氢罐充放、燃料电池出力、外购电量、弃风量等。

第三层是目标函数与约束，目标是最小化总运行成本，约束是三大能量平衡、设备出力上下限、爬坡约束、储能SOC约束、氢罐约束、碳交易约束。第四层是结果输出，各设备出力计划、成本构成、碳排放量、弃风率，以及各类对比曲线。

这套框架的本质就是我们常说的“建模-求解-分析”闭环。建模阶段要把物理规律写清楚，求解阶段要保证模型可计算，分析阶段要能解释结果背后的机制。下面我重点讲数学建模和MATLAB实现这两块，因为这是最核心的部分。

2. 数学建模：把问题变成一行行约束

2.1 设备模型与能量平衡约束

先约定好系统内有哪些设备。我这个模型里包含风机、光伏、CHP机组、燃气锅炉、电锅炉、储电、储热、电解槽、储氢罐、燃料电池，外加外购电网。每个设备的出力变量都按24小时逐时定义。

三大能量平衡是模型的骨架：

电功率平衡： P_wind(t) + P_pv(t) + P_chp(t) + P_fc(t) + P_buy(t) + E_dch(t) = P_load(t) + P_elz(t) + P_ehb(t) + E_ch(t)

其中P_wind是实际使用的风电，P_pv是光伏出力，P_chp是CHP发电，P_fc是燃料电池发电，P_buy是外购电，E_dch和E_ch分别是储电放电和充电功率。等式右侧是电负荷、电解槽耗电、电锅炉耗电。注意这里省略了网损和辅助设备用电，实际项目里如果要精确到工程级，可以再加一个常数比例。

热功率平衡： H_chp(t) + H_boiler(t) + H_ehb(t) + H_fc(t) + H_dch(t) = H_load(t) + H_ch(t)

H_chp是CHP供热，H_boiler是燃气锅炉供热，H_ehb是电锅炉供热，H_fc是燃料电池余热回收，H_dch和H_ch是储热放热和蓄热。

氢平衡： H2_prod(t) + H2_dch(t) = H2_load(t) + H2_fc(t) + H2_ch(t)

H2_prod是电解槽产氢量，H2_fc是燃料电池消耗的氢量，H2_ch和H2_dch是储氢罐的充放量。

设备模型方面，CHP是最复杂的。初学者建议先用背压式线性模型，也就是热出力与电出力按固定比例关系绑定：H_chp(t) = alpha * P_chp(t) + beta。如果要做抽凝式机组，CHP运行在一个二维可行域内，需要用凸包约束描述电出力和热出力的范围，模型更接近实际，但变量和约束也更多。我把抽凝式的凸包表达留作扩展点，文章里一律用背压式简化模型。

燃气锅炉和电锅炉都是输入燃料或电能，输出热功率，线性关系即可。电解槽模型更简单一些，耗电功率P_elz和产氢量H2_prod通过效率线性关联。燃料电池则是消耗氢气，同时产生电和热。储电、储热、储氢各有一个SOC状态变量，按时段传递。

2.2 阶梯式碳交易机制的精准建模

这是整个模型的精髓，我单独拿出来讲。

先定义系统的实际碳排放量E_real。它由两部分构成：一部分是外购电力对应的间接排放，另一部分是系统内燃气设备燃烧产生的直接排放。写成公式就是：

E_real = P_buy_total * EF_grid + Gas_total * EF_gas

P_buy_total是全天外购电量，EF_grid是电网平均碳排放因子，Gas_total是天然气总消耗量。如果外购电采用的电网碳因子偏高，优化器就会自动减少外购电、增加本地燃气出力，因为天然气机组的单位碳排放通常比电网平均碳因子要低。

再定义初始碳配额E0。常见做法是按系统输出的电量和热量乘以各自的配额系数，比如：

E0 = quota_p * P_total + quota_h * H_total

P_total是全天发电量或供电量，H_total是全天供热量，quota_p和quota_h是单位电量、单位热量的免费配额系数。实际排量低于配额，富余部分出售；超出配额，超出部分分区间累进购买。

阶梯碳交易成本函数可以写成分段形式。比如设定三段：

• 超出配额不超过L1时，碳价c1
• 超出L1到L2之间的部分，碳价c2
• 超过L2的部分，碳价c3

其中c1 < c2 < c3。实际排放越超标，边际代价越高。这样整个碳成本函数是一个凸的分段线性函数。

处理这个函数，我强烈推荐一个工程上的小技巧：不需要引入0-1整数变量，直接用“松弛变量累加”的方法建模。假设超标购买量是X，把它拆成三段非负变量X1、X2、X3，分别对应三段区间：

X1 = X1，上限L1 X2，上限L2 - L1 X3无上限

约束写成：

X = X1 + X2 + X3 0 <= X1 <= L1 0 <= X2 <= L2 - L1 X3 >= 0

于是碳购买成本就是：

C_buy = c1 * X1 + c2 * X2 + c3 * X3

为什么这样写不需要整数变量？因为目标函数是最小化总成本，边际价格c1 < c2 < c3，优化器一定会优先把X1填满，再把X2填满，最后才用X3。任何“跳过便宜的区间直接买贵区间”的方案，成本都更高，不可能成为最优解。这就是凸分段线性函数可以用连续变量线性建模的原理。

配额富余出售的收益是线性的。设富余量Y = E0 - E_real，且Y >= 0，收益就是Y * c_sell，其中c_sell是碳市场出售价格。碳交易净成本就是：

C_co2 = C_buy - c_sell * Y

实际写代码时要注意一点：如果同时允许购入和出售，必须保证它们不会同时为正，否则模型可能通过“多排放多买碳、多富余多卖碳”这种循环套利。正确做法是把整个碳成本写成以实际排放量E_real为自变量的分段线性函数，或者用互补约束。工程上最简单的方式是设定c_sell低于c1，并且用E_real与E0的偏差关系来约束，严格保证同侧变动。我在后面的代码骨架里给出了处理方式。

2.3 目标函数与运行约束

目标函数是总运行成本最小化。总成本包括六块：

• 外购电费：按分时电价乘以购电量
• 天然气费用：CHP和燃气锅炉消耗的天然气
• 碳交易净成本：如上所述，可能是正也可能是负
• 弃风弃光惩罚：可再生能源预测出力与实际出力之差乘以惩罚系数
• 运维成本：各设备出力乘以单位运维成本
• 储能折旧或充电成本：可选，一般可以合并到运维里

表达式如下：

TotalCost = sum(price_buy(t) * P_buy(t)) + gas_price * Gas_total + C_co2 + penalty_wind * sum(P_wind_for(t) - P_wind(t)) + sum(C_op_i * Y_i(t))

约束条件除了三大平衡，还需要设备上下限、爬坡约束、储能SOC传递约束、储氢罐容量约束、碳交易逻辑约束。储能SOC的末端约束很重要，常规做法是要求调度周期末SOC回到初始值，防止模型把储能当作“免费电池”在一天之末压干电量。

对于CHP、锅炉、电解槽这类设备，建议顺手加一条爬坡约束，限制每个时段之间的出力变化率。如果忽略爬坡，优化结果虽然无限可行，但实际工程中机组根本跟不上功率指令，这样算出来的“最优计划”就没有落地价值。

2.4 单位统一与时间粒度的处理

这个部分看着不起眼，实际很容易把整个模型搞炸。我见过不少同学把kW和kWh直接相加，或者在氢那儿一会儿用kg、一会儿用标准立方米、一会儿用kWh，结果约束矩阵里出现上百倍的偏差，求解器报不可行或者结果荒谬。

我的习惯是：全模型统一用kW和kWh作为能量单位，时间粒度取1小时。天然气热值用kWh/m³来换算，氢气按低位热值转换成kWh。具体来说：

• 天然气消耗量换算：Gas_power = Heat_output / boiler_eff / gas_LHV
• 电解槽产氢：H2_prod = P_elz * eta_elz / H2_LHV，其中H2_LHV约等于33.33 kWh/kg
• 燃料电池发电：P_fc = H2_fc * eta_fc_e * H2_LHV，余热回收量同理

所有排放因子也统一成tCO2/MWh。这样单位之间每步都有明确的换算关系，检查约束时心里有数，不会出现数量级错误。

3. MATLAB代码骨架：照着填就能跑

3.1 参数准备与数据结构

MATLAB里建议把所有已知数据放在一个结构体里，方便管理。我通常这么组织：

T = 24; % 负荷曲线，单位kW data.P_load = [...]; % 1 x T data.H_load = [...]; % 1 x T data.H2_load = [...]; % 如果有氢负荷，单位kW（氢的低位热值） % 可再生预测 data.P_wind_max = [...]; % 风电预测上限 kW data.P_pv_max = [...]; % 光伏预测上限 kW % 价格与成本 data.price_buy = [...]; % 分时购电价 元/kWh data.gas_price = [...]; % 天然气价 元/kWh（按热值） data.carbon_price = [20, 30, 40]; % 阶梯碳价 data.quota_price_sell = 15; % 配额出售单价 % 排放因子 data.EF_grid = 0.58; % tCO2/MWh data.EF_gas = 0.20; % tCO2/MWh（燃气热值） % 设备容量 cap.chp_pmax = 5000; cap.chp_pmin = 500; cap.boiler_hmax = 4000; cap.ehb_pmax = 2000; cap.elz_pmax = 3000; cap.fc_pmax = 1000;

这里只是示例，具体数值要和你自己的系统对应。一套合理的参数放在最前面，后面求解器写给谁都方便。

3.2 变量定义与约束矩阵

用MATLAB的YALMIP工具箱定义变量非常顺手。我的习惯是每个设备一个sdpvar行向量：

P_chp = sdpvar(1, T); H_chp = sdpvar(1, T); P_boiler = sdpvar(1, T); % 燃气锅炉热出力 P_ehb = sdpvar(1, T); % 电锅炉耗电 H_ehb = sdpvar(1, T); % 电锅炉供热 P_elz = sdpvar(1, T); % 电解槽耗电 H2_prod = sdpvar(1, T); % 电解槽产氢 kWh H2_fc = sdpvar(1, T); % 燃料电池耗氢 kWh P_fc = sdpvar(1, T); % 燃料电池发电 H_fc = sdpvar(1, T); % 燃料电池供热 P_buy = sdpvar(1, T); % 外购电 P_wind = sdpvar(1, T); % 实际风电 P_pv = sdpvar(1, T); % 实际光伏 E_ch = sdpvar(1, T); E_dch = sdpvar(1, T); SOC_e = sdpvar(1, T+1); H_ch = sdpvar(1, T); H_dch = sdpvar(1, T); SOC_h = sdpvar(1, T+1); H2_ch = sdpvar(1, T); H2_dch = sdpvar(1, T); SOC_h2 = sdpvar(1, T+1); % 碳交易辅助变量 X1 = sdpvar(1, 1); X2 = sdpvar(1, 1); X3 = sdpvar(1, 1); E_quota = sdpvar(1, 1); E_real = sdpvar(1, 1);

变量命名建议和数学公式完全对应，否则调试的时候很容易绕晕。

3.3 阶梯碳交易约束的代码实现

这一块是代码的核心。我把碳排放变量和配额变量用等式连接到系统变量上：

E_real = EF_grid * sum(P_buy) + EF_gas * (sum(P_chp)/chp_eff + sum(P_boiler)/boiler_eff) / LHV_gas_unit; E_quota = quota_p * sum(P_chp + P_fc + P_wind + P_pv) + quota_h * sum(H_chp + H_ehb + H_boiler + H_fc); % 没有外部变量时，直接在约束矩阵里写偏差变量 % 引入超标购买量X和富余量Y，并设置互斥逻辑 C = [C, E_real - E_quota == X_buy - Y_sell, X_buy >= 0, Y_sell >= 0]; % 斜坡分段 delta1 = 50; delta2 = 30; % 配额超标第一、第二区间宽度 C = [C, X_buy == X1 + X2 + X3]; C = [C, 0 <= X1 <= delta1, 0 <= X2 <= delta2, X3 >= 0]; % 避免同时买卖，用一个小惩罚+逻辑约束实现 % 推荐方式：直接约束 X_buy * Y_sell == 0，但由于非线性， % 可以用该互斥条件弱化为：设置购买和出售价格关系后， % 在目标中让出售收益系数小于购买成本系数，并加极小惩罚 C = [C, X_buy <= 1e6 * z_buy, Y_sell <= 1e6 * z_sell]; C = [C, z_buy + z_sell <= 1]; z_buy = binvar(1,1); z_sell = binvar(1,1);

如果你不想引入整数变量，也可以利用凸分段线性函数的特性，但需要把富余配额收益和超标购买合并成一个以E_real为自变量的分段函数。两种方法都能算。我个人的建议是：模型规模不大时，用整数变量保证互斥关系更直观；模型规模很大且整数变量成为瓶颈时，再换凸分段线性写法。

目标函数中的碳成本：

C_co2 = carbon_price(1) * X1 + carbon_price(2) * X2 + carbon_price(3) * X3 - sell_price * Y_sell;

这里有一个容易犯的错误：只在约束里定义了X1、X2、X3，却忘记把C_co2写进目标函数。结果碳交易机制完全不起作用，系统照样高排放。

3.4 求解、结果提取与可视化

约束全部组装完之后，定义目标函数，然后调用求解器：

Objective = sum(data.price_buy .* P_buy) + data.gas_price * gas_total + C_co2 + ... penalty * sum(data.P_wind_max - P_wind) + sum(om_cost .* (P_chp + P_boiler + P_ehb + P_fc)); ops = sdpsettings('solver', '', 'verbose', 2); % 求解器名称填你机器上装好的 result = optimize(C, Objective, ops); % 检查求解状态 if result.problem == 0 P_chp_opt = value(P_chp); P_buy_opt = value(P_buy); ... else disp('求解失败，请检查约束'); result.info end

结果可视化部分，我最常用的是堆叠面积图：电出力的堆叠图、热出力的堆叠图，以及碳交易成本随配额变化的曲线。用bar和area都能实现，注意把每台设备的输出数据按列排好，图例写清楚。

4. 算例演示：碳交易机制到底改变了什么

4.1 典型日算例参数

我这里是演示算例，参考了一个中等规模产业园区冬季典型日的运行数据。系统基本组成是：风电装机10MW，光伏装机3MW，CHP机组电出力上限5MW，燃气锅炉热出力上限4MW，电锅炉容量2MW，电解槽额定功率3MW，储氢罐容量500kg（按热值折算约16650kWh），燃料电池额定电出力1MW。

电负荷峰值在晚间，约7.5MW，白天约4-5MW；热负荷早高峰和晚高峰比较明显，峰值约6MW。风电出力深夜很足，白天较弱，光伏集中在午间。分时电价设定为峰1.2元/kWh、平0.8元/kWh、谷0.4元/kWh。天然气价格按热值折算约0.35元/kWh。

碳配额系数取单位供电配额0.4 t/MWh、单位供热配额0.3 t/MWh。超额分段参数L1=50吨、L2=30吨，碳价分别为20、30、40元/吨，富余配额出售价格15元/吨。这个配额设计比较紧，所以系统会感受到明显的减碳压力。

4.2 三种机制下的优化结果对比

为了看清机制的作用，我对比了三个方案：不引入碳交易、固定碳价20元/吨、阶梯式碳交易，结果如下表所示。

可以看到，总成本是逐步上升的，碳排放和弃风率是逐步下降的。这个结果其实很符合预期：碳交易机制本质上是在原来只算经济账的基础上，把“碳排放”也变成了成本项，系统只能在经济性和低碳性之间找新的平衡点。阶梯式碳交易由于对超排惩罚更重，系统会愿意花更多钱去减碳，所以碳排放降幅最明显。

外购电量大幅减少是一个关键信号，因为电网平均排放因子比较高，减少外购电等于直接削减间接排放。CHP和燃料电池出力上升，替代了部分外购电，而电解槽耗电量增加，说明原本弃掉的风电被转化为氢，补充了燃料电池的燃料。整条逻辑链完整闭合。

4.3 从结果里读出深层逻辑

三条机制路径其实非常清晰：

第一，阶梯碳交易改变了机组出力结构。高碳排放的外购电被压低，低碳的天然气机组和燃料电池出力升高。固定碳价也能做到这一点，但因为所有排放都只按一个价格收费，系统减少排放的动力有限；阶梯碳价使得超过配额越多越贵，系统必须大幅压降排放。

第二，电制氢在低碳转型里承担了“储能”和“缓冲”双重角色。风电大发时段，电解槽满负荷制氢，把原本要弃掉的风电变成氢；晚间电负荷高峰时段，燃料电池用掉这些氢来发电和供热，相当于把凌晨的风储到了晚上用。

第三，碳交易成本并不是一味增加系统负担。配额设计合理时，系统可以通过出售富余配额获得部分收益，用于补贴电解槽等低碳设备的运行。阶梯碳交易机制越严格，这套“用清洁能源换碳收益”的路径越明显。

5. 调试与避坑经验

5.1 建模阶段的“隐形杀手”

建模阶段最常见的坑是单位混乱。电功率、热功率、氢功率如果不用统一体系，约束矩阵会出现数量级偏差。比如把氢的质量和能量混在一起，燃料电池发电量算出来差几十倍，模型直接不可行。

另一个坑是配额基准的设置。如果免费配额给得太宽，系统实际排放一直低于配额，碳交易成本一直是负数，这时候等于给系统发补贴，结果就会过度激励所有设备满发。反之配额给太紧，所有时段都在最高档碳价购买，E0的调节作用失效。建议先跑几次测试，把配额系数调到一个‘正常年景下略有缺口’的状态，才能在结果里看到阶梯价格的梯度影响。

储能SOC的初末相等也是一个隐形约束。如果不加这一条，模型会在最后一个时段把储能全部放空，把电热全压在负荷侧，第二天又从零开始充电，相当于白赚了一轮储能循环。实际运行中储能SOC是连续的，这个约束必须加。

5.2 线性化与计算效率的平衡

阶梯碳交易的线性化如果做得不好，模型要么不准，要么慢。我见过有人用四个0-1变量、十几个大M约束来表达三段阶梯，模型规模翻倍，求解时间直接上一个量级。对于凸的分段线性函数，优先用“松弛变量累加法”那个套路，不需要整数变量，求解速度快得多。

如果必须使用大M法，比如要处理非凸的分段线性函数或设备启停，大M系数的取值要特别小心。M设得太大，数值条件数变差，求解器容易报数值错误；M设得太小，又会错误地排除可行解。一般取变量数量级上界乘以10到100倍即可，不要随手写1e7。

MIQP和MILP的选择上，建议保持目标函数线性。效率、采收率这类参数哪怕有一点非线性，也尽量用分段线性近似，不要直接引入二次项，否则模型求解难度会上一个台阶，工程应用时没必要。

5.3 求解与结果合理性排查

如果你跑完发现结果里“弃风率高，但外购电也高”，首先不要慌。检查两步：

• 第一步看约束，是不是风电出力因为爬坡或储氢容量限制无法完全消纳；
• 第二步看目标函数，弃风惩罚是不是设得太低，低于外购电成本时，系统宁愿弃风也不愿多消纳。

如果弃风惩罚已经很高，还出现弃风和购电并存，那大概率是约束之间有冲突，比如储氢罐已经满了、电解槽又没到最小运行功率，无法继续消纳风电，只能弃掉一部分。

再比如，燃料电池一整晚都在发电，但储氢罐SOC却不见下降，那说明氢平衡约束写错了。检查H2_fc消耗项是否真的接入了氢平衡，以及SOC_h2的更新方程是否写成了差而不是差分。

还有一个常见问题是结果出现“同时充放电”现象，储电在一个时段既充电又放电。虽然直观不合理，但理论上只要两项都在平衡约束里，模型就可能利用充放同跑来“洗能量”，尤其当充放电效率和价格有缝隙时。解决办法是加一个极小的充电惩罚，或者用变量互补约束。

5.4 一些我常用的验证小技巧

模型建完不要急着看结果，先做三组“冒烟测试”。

第一组，把所有碳价格设成0，跑一遍。结果应该退化成“不考虑碳的普通热电优化”，这个结果可以作为基准。

第二组，把电解槽容量设成0，跑一遍。此时系统应该是“CHP+锅炉+储电储热”的经典热电联供调度，看热平衡约束是否天然成立。

第三组，把某一天的负荷整体清零，跑一遍。如果结果里还有大量出力，说明某个设备出力的下限约束或固定运行约束写错了。

这个小技巧非常实用，能把建模错误快速定位到具体约束条上。我每次写新模型都会先做这三步，能省下大量排查时间。

我个人在实际操作中最深的体会是：这个项目的难点不在MATLAB代码本身，而在于把碳交易的政策逻辑转化成数学表达，再把数学表达落到约束和变量的组织里。碳配额怎么定、阶梯分几档、氢的换算关系是否统一、储能是否加了初末SOC约束，任何一环粗糙，最后结果都会失真。阶梯碳交易与电制氢的组合，本质上是让系统同时“看见”碳成本和长时储能价值，算是综合能源优化里相当有代表性的模型了。希望这篇记录能帮你把模型搭起来，少走几步弯路。