前阵子给一个园区级虚拟电厂做优化调度，白天光伏一上来，晚间风电又满发，偏偏深夜负荷往下掉，燃气轮机只能压到最低技术出力甚至停机。起初只看电功率平衡，问题勉强靠弃风解决，可一旦把碳成本、P2G-CCS耦合和燃气掺氢这些环节加进去，调度决策就完全变了——深夜的多余风电不再只是“多余的电”，它可以变成氢气、变成天然气，甚至变成碳减排额度。这就是我写下这篇分享的原因。
这篇内容围绕“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”展开，把我实际用Matlab跑通的一套实现思路完整讲清楚：从阶梯碳交易怎么建模，到P2G-CCS能量流和物质流怎么耦合，再到燃气掺氢的热值修正、优化模型的目标函数与约束，最后是Yalmip+Gurobi环境下的代码细节和排坑经验。适合正在做虚拟电厂、综合能源系统优化调度，尤其是想把碳交易机制和电转气/碳捕集纳入模型的研究生和工程师参考。
1. 把调度对象先拆清楚：P2G-CCS、掺氢燃气轮机在虚拟电厂里的位置
1.1 一次具体的调度困境：低谷时段为什么愁
假设一个典型日，园区负荷凌晨时段在40-50MW左右，风电出力却有70MW。没有储能、没有P2G时，风电只能压出力或弃掉。如果燃气轮机还要带最低负荷，那电功率平衡就更紧：要么燃气轮机停，要么风电弃。这时候如果把“碳”作为约束加进来，单纯弃风反而是“安全”的选择，因为燃气轮机一启动就会产生碳排放，碳配额超了要付出额外成本。
可问题是，弃风本身就是一种经济损失。风电边际成本接近零，弃掉等于白白浪费了绿色电力。而P2G设备的出现，让“多余电能”多了一个出口：电解水制氢，氢气可以储起来，也可以直接和捕集到的CO2甲烷化，生成天然气供燃气轮机使用。这样一来，低谷时段的弃风可以通过P2G变成“燃料”，而燃气轮机掺氢燃烧又能降低单位出力的碳排放。整个虚拟电厂的调度就从单纯的“电功率平衡”变成了“电、气、氢、碳”四个网络耦合的优化问题。
1.2 虚拟电厂各单元的功能与能量流
这类系统中各单元的任务可以简单归类：
- 风电、光伏：可再生电源，出力具有不确定性，优先消纳。
- 燃气轮机：可控电源，承担基荷或调峰，但会产生碳排放。
- P2G单元：电解槽制氢，氢气一部分进入储氢罐，一部分进入甲烷化反应器。
- CCS单元：从燃气轮机或外部烟气中捕集CO2，捕集后的CO2送入甲烷化反应器，作为合成天然气的碳原料。
- 甲烷化反应器：将H2和CO2合成为CH4，生成合成天然气，可注入天然气网络存储。
- 储氢、储气、蓄电池：提供时间维度的解耦能力。
- 电负荷、气负荷：终端用户需求。
这里面最关键的耦合是：P2G需要电，CCS也需要电；甲烷化需要CO2和H2；燃气轮机可以使用天然气和氢的混合物；碳排放总量影响碳交易成本。每一条能量流背后都有一个成本项或约束项，建模时最怕的是只考虑功率平衡而忽略物质流平衡。
1.3 耦合关系引发的建模难点
耦合关系带来的直接难点是变量维度膨胀。传统机组组合问题里有连续变量、0-1变量；加了P2G-CCS后，还需要同时跟踪氢气流量、CO2流量、天然气流量。如果每个时段都定义一套变量，模型的规模会翻倍。
另一个难点是时间尺度。电解槽可以在分钟级调整出力，甲烷化反应器则有一定惰性；燃气轮机掺氢比例受限于设备改造上限。这些限制都需要用约束表达，否则优化结果会“天马行空”，比如让掺氢比例在1%和40%之间瞬间跳变。所以我在建模时特意加入了调节速率约束和比例上下限约束，宁可保守一些，也不能让结果在工程上不可执行。
2. 阶梯碳交易建模：从统一碳价到分段惩罚，差别在“边际压力”
2.1 统一碳价为什么不够用
很多入门模型假设碳价是固定常数，例如每吨CO2 60元，这样碳成本就是排放量与单价的简单乘积。这种模型的好处是线性、好求解，但缺陷是：无论排放量多高，边际碳价始终不变，系统只要排放量小于某个阈值，就没有进一步减排的动力。实际碳市场中，配额免费发放，超出部分按阶梯价格购买，超得越多，碳价越贵，减排压力逐级增加。
阶梯碳交易的核心思想就是对“配额内排放”和“超配额排放”区别对待。配额内排放不产生购买成本，甚至可以通过出售富余配额获得收益；超配额部分划分若干区间，每一区间的价格高于上一区间。这样优化的边际成本是分段上升的，调度模型会自动想办法把排放量压到更低的阶梯内。
我在项目中采用的是“购买阶梯惩罚”模型，不涉及出售配额，这样偏保守，也更容易收敛。如果要把出售配额也考虑进去，可以再加一个对称的收益分段函数，但要注意买卖价格不等时，模型会套利，需要增加约束防止同时买卖。
2.2 阶梯碳交易的分段函数表达
设调度周期内有T个时段，免费碳配额总量为E0（可以是全周期总量的配额，也可以分摊到每个时段）。为了简化，我按整个调度周期核算总碳排放量：
[ C_{CO2}= \begin{cases} 0 & E \le E_0 \ p_1 (E-E_0) & E_0 < E \le E_0+\Delta_1 \ p_1 \Delta_1 + p_2 (E-E_0-\Delta_1) & E_0+\Delta_1 < E \le E_0+\Delta_1+\Delta_2 \ ... \end{cases} ]
其中 (E) 为总碳排放量，(\Delta_1, \Delta_2) 为阶梯区间长度，(p_1, p_2,...) 为对应阶梯碳价。实际文献中阶梯碳价常取 (p_2=1.2p_1)、(p_3=1.4p_1) 等递增系数。
关键点在于：这个函数是分段线性的，直接写进目标函数会引入非线性，需要线性化。我在Matlab里采用的是“区间变量拆分”方式：将超出配额部分拆成若干区间变量 (E_{seg,k})，满足：
[ 0 \le E_{seg,1} \le \Delta_1,\quad 0 \le E_{seg,2} \le \Delta_2,\quad ... ] [ E - E_0 = \sum_k E_{seg,k} ]
目标函数中加入 (\sum_k p_k E_{seg,k})。为了保证低阶梯先被使用，除了约束区间上限外，还可以依赖p递增的特性，优化器自然会优先填满低价区间。这个线性化方式比big-M引入二进制变量更简单，求解速度也更快。
2.3 配额分配与参数设置的细节点
配额计算有两种常见口径：按历史排放强度分配（祖父法）和按设定基准线分配（基准法）。我在仿真中采用的是“按出力-排放基准线”方式，即根据燃气轮机的有功出力和设计排放因子估算一个免费额度，再乘以一个系数 (\alpha)（比如0.9），表示碳配额逐渐收紧。
这样做还有个好处：配额跟出力水平挂钩，不会因为燃气轮机开得少而配额过低，导致模型过度惩罚机组启停。细节点是，阶梯区间长度的单位是吨，调度周期若取24小时，配额也应是当日配额，不要混用年度配额口径。
2.4 分段函数线性化：big-M还是sos2
除了区间拆分，还可以用文献中常见的0-1变量方法：引入 (S_k) 指示是否进入第k阶梯，然后用big-M约束。但这种方法在每个时段都要加多个二元变量，对大型机组组合问题负担很大。我个人建议优先试试区间拆分法，因为阶梯价格天然递增，模型会自动按顺序用。如果你的碳价并非严格递增（例如某些情况下阶梯价格先高后低），那就只能老老实实用二进制变量。
另一个替代方案是Yalmip自带的piecewise函数。虽然用起来方便，但它在背后会引入辅助变量，有时候会带来额外的数值问题。我更习惯自己搭结构，至少出了问题容易排查。
3. P2G-CCS耦合单元：碳不再是终点，而是下一个反应物的原料
3.1 P2G的两步反应与能量效率
P2G通常分两步。
第一步是电解水制氢：
[ 2H_2O \rightarrow 2H_2 + O_2 ]
第二步是甲烷化（Sabatier反应）：
[ CO_2 + 4H_2 \rightarrow CH_4 + 2H_2O ]
从反应式可以看出来，制备1个单位的CH4（按物质的量），需要4个单位的H2和1个单位的CO2。但在能量层面，电解槽消耗电能，效率一般取65%-75%（按氢气低热值折算），甲烷化反应本身放热，但工程上更关心的是H2到CH4的转化效率，通常按80%-90%考虑。整体P2G能量效率在50%-60%左右。
建模时我会定义三个关键变量：电解槽输入电功率 (P_{P2G,t})、氢气产量 (H_{H2,t})、甲烷产量 (G_{CH4,t})。用转换系数关联：
[ H_{H2,t} = \eta_{ele} P_{P2G,t} / \lambda_H ]
其中 (\lambda_H) 是单位氢量对应的热值。如果做纯“功率”建模，直接把电、氢、气都换算成功率的p.u.值，数学上更整齐，但会在物质流上出问题。我的做法是：内部统一用kW和kWh，氢量和气量用热值（kWh/m³或kWh/kg）换算成能量单位，这样碳流计算时再用整数化学反应计量比折算CO2消耗量。
3.2 CCS捕集量与甲烷化需要的CO2的平衡关系
CCS环节捕集CO2需要额外电能。设捕集每吨CO2的耗电为 (e_{ccs}) kWh，那么CCS运行时，除了捕集设备的固定电耗外，还要在电功率平衡中扣除一部分“自身消耗”。
耦合约束的核心是：甲烷化反应消耗的CO2不超过CCS捕集量与外部供给CO2量之和。由于碳捕集成本通常高于外购CO2，优化器会倾向捕集烟气中的CO2，相当于燃气轮机排放的碳又被回收了一部分，形成碳循环。但需要注意的是，捕集量不能超过燃气轮机实际排放量，即：
[ E_{ccs,t} \le E_{gt,t} ]
否则模型会无中生有地“产生”减排量。这个约束我一开始漏掉了，结果碳捕集量超过了机组排放，碳交易成本变成负的，出现明显的不符合物理的套利。这也是很多初稿里常见的错误。
3.3 储氢储气环节为什么必须加
电解槽产氢和甲烷化用氢不一定同步，所以必须有储氢罐缓冲。存储环节建模与蓄电池类似：
[ S_{H2,t+1} = S_{H2,t} + H_{pro,t} - H_{use,t} - H_{sale,t} ]
同时要设置储氢容量上下限和充放速率。储气也类似，用于存储甲烷化生成的合成天然气，以及从天然气网购得的天然气。加了存储后，P2G可以在夜间风电富余时低电价电解水，把氢气或合成天然气存储起来，白天燃气轮机掺氢燃烧或直接供气，实现“削峰填谷”。
存储模型最容易被忽略的是自损耗。氢分子小，储存会有泄漏，但24小时尺度内泄漏比例很小，可以忽略；如果做长时间尺度，建议加一个0.1%-0.5%/h的自损耗系数。
3.4 实际建模中的能量自耗和响应速度
P2G和CCS本身也要消耗能量。电解槽除了消耗直流电，还有辅助系统电耗；捕获系统在再生塔需要热能。如果系统里有热电联产（CHP），捕集系统的热耗可以由余热提供，如果忽略这部分热平衡，会高估捕集系统的净减排收益。
响应速度方面，电解槽功率调节速率一般能达到每分钟10%-20%额定功率，甲烷化装置调节速率稍慢。在日尺度调度中，如果不考虑机组组合，可以只加最大爬坡约束；如果涉及实时调度，建议用一阶惯性环节描述。
我在参数设置时，P2G最大输入功率设为10MW，CCS捕集速率上限设为对应燃气轮机额定排放的80%，储氢容量设置为3MW（按热值折算），这样一天内的灵活性基本够用。
4. 燃气掺氢燃烧建模：别只用体积比例，热值会骗人
4.1 混合燃料热值计算与标幺问题
燃气轮机掺氢是当前降低碳排放的重要技术路线。掺氢比例 (\alpha) 通常指体积分数。氢气低热值（LHV）约10.8 MJ/Nm³，天然气LHV约35.8 MJ/Nm³，二者差异巨大。混合燃料的低热值按下式计算：
[ LHV_{mix} = (1-\alpha)LHV_{CH4} + \alpha LHV_{H2} ]
注意，这里的体积是同一标准状态下的体积。如果按质量比例算，热值关系又会不同。所以写代码时一定要统一单位。我见过不少文献直接用“掺氢比例20%”然后假设燃料成本下降20%，这是错的。20%体积掺氢后，混合燃料热值变为：
[ LHV_{mix} = 0.8 \times 35.8 + 0.2 \times 10.8 = 30.8 \text{ MJ/Nm³} ]
相比纯天然气低热值下降约14%，这意味着产生同样的热量，需要的混合燃料体积要增加约16%。
4.2 掺氢后的机组燃料费用和出力效率
设定燃气轮机在纯天然气模式下的燃料耗量函数为：
[ F_{CH4,t} = a P_{gt,t} + b u_{gt,t} ]
其中 (a)、(b) 是耗量系数，(u) 是启停状态0-1变量。掺氢后，由于燃料热值变化，燃料消耗体积会变化，但机组所需输入的热量基本不变。因此，可以先将耗量函数换算成输入热量：
[ Q_{in,t} = F_{CH4,t} \cdot LHV_{CH4} ]
然后混合燃料体积消耗：
[ F_{mix,t} = Q_{in,t} / LHV_{mix,t} ]
燃气轮机效率本身也会随掺氢比例变化，这与燃烧室设计有关。保守做法假设电效率不变，只修正燃料热值；更精细的做法加一个效率修正系数 (\eta_{gt}(\alpha))，例如文献中掺氢30%时效率下降约0.5-1个百分点。我采用的是线性修正：
[ \eta_{gt,t} = \eta_{gt,0} \cdot (1 - \beta \alpha_t) ]
其中 (\beta) 取0.02左右，表示掺氢带来的效率惩罚。这个参数直接影响结果：如果忽略效率惩罚，模型会无限堆高掺氢比例；加上后，结果才会出现一个合理的拐点。
4.3 掺氢后的碳排放核算
碳排放核算的基础是实际燃用的碳摩尔数。混合燃料中，只有天然气含碳。单位体积混合燃料燃烧产生的CO2质量可以表示为：
[ EF_{mix} = (1-\alpha) \cdot EF_{CH4} ]
其中 (EF_{CH4}) 是每标准立方米纯天然气燃烧产生的CO2量。这里要特别提醒：不能用“单位热值排放因子”乘以混合燃料的热值来算，因为氢气的热值不为零但没有碳排放，这样会高估碳排放。正确思路是：先算出混合燃料的体积消耗，再乘以 ((1-\alpha))，从而得到碳排量。
4.4 掺氢比例上限：安全与设备约束
掺氢比例不能无限提高。现有燃气轮机的燃烧室、燃料阀、密封和控制系统通常只能承受一定的氢份额，某些机型改造后可以到50%甚至更高，但日常运行中为了安全，一般限制在20%-30%体积比例内。我的模型中加入：
[ 0 \le \alpha_t \le \alpha_{\max} ]
并且加了掺氢比例变化速率约束，防止每个时段跳变。还要注意，如果虚拟电厂里有多个燃气轮机，每一台的掺氢上限可能不同，不能统一用一个比例，否则问题约束不够准确。
5. 完整优化模型：目标函数、约束与线性化处理
5.1 目标函数：四类成本怎么放进一个式子里
整个优化调度的目标函数可以写为最小化调度周期内的总成本。我分四块：
- 购气和购电成本：从天然气网购气，从主网购电。
- 设备运行维护成本：风电、光伏、燃气轮机、P2G、CCS等按出力线性计算维护费用。
- 碳交易成本：阶梯碳价产生的费用。
- 弃风弃光惩罚成本：单位弃电量设一个惩罚因子，让优化器尽量消纳可再生能源。
目标函数写出来就是：
[ \min \sum_{t=1}^{T} [C_{gas,t} + C_{buy,t} + C_{om,t} + C_{CO2,t} + C_{curt,t}] ]
这里面最难处理的是碳交易成本 (C_{CO2,t})，因为它是全周期碳排放量的函数，不是每个时段独立。所以我把碳排放总量写成所有时段的排放之和，然后用2.2节的区间拆分方式建模。
5.2 功率平衡、气量平衡、碳量平衡
电功率平衡：
[ P_{wt,t} + P_{pv,t} + P_{gt,t} + P_{buy,t} + P_{dis,t} = P_{load,t} + P_{p2g,t} + P_{ccs,t} + P_{ch,t} ]
其中 (P_{ch,t}) 是蓄电池充电功率，(P_{dis,t}) 是放电功率。P2G和CCS的用电都作为负荷参与平衡。
气量平衡：
[ G_{buy,t} + G_{ch4,t}^{p2g} + G_{out,t}^{storage} = G_{load,t} + G_{gt,t}^{fuel} + G_{in,t}^{storage} ]
碳平衡并不是系统级的总量守恒，而是追踪燃气轮机燃烧产生的CO2、CCS捕集量、以及最终排放到大气中的CO2：
[ E_{gt,t} = E_{ccs,t} + E_{emit,t} ]
总排放配额核算使用 (E_{emit,t}) 的累加。
5.3 机组运行约束与储能SOC约束
燃气轮机约束包括：出力上下限、爬坡速率、最小启停时间、启停变量逻辑。由于是MILP，最小启停时间会增加计算负担，如果只是分析性算例，可以先忽略最小启停时间，只保留爬坡和出力范围。
蓄电池SOC约束：
[ SOC_{t+1} = SOC_t + \eta_{ch}P_{ch,t} - P_{dis,t}/\eta_{dis} ]
[ SOC_{\min} \le SOC_t \le SOC_{\max} ]
还要防止同时充放电，加一个互斥约束或者通过补充0-1变量。如果模型规模大，可以用简化：每时段要么充电要么放电，但约束不能漏。
P2G、CCS、储氢、储气都需要对应的容量、上下限、爬坡约束。这里不再一一列公式，但代码里必须完整。
5.4 整体模型梳理与求解器选择
最终模型是一个混合整数线性规划（MILP）问题。因为掺氢比例、碳交易分段、充放电互斥这些都需要0-1变量，线性关系可以通过分段线性函数保留。求解器方面，Matlab下最方便的组合是Yalmip + Gurobi或Cplex。我实际用的是Gurobi 9.5和Matlab R2021b，Yalmip版本为2023版。
为什么不用fmincon？因为MILP需要分支定界，fmincon只能解连续非线性。如果强行用罚函数处理0-1，容易陷入局部最优，而且分段碳交易函数的非光滑性会让梯度法失效。
6. Matlab代码实现与排坑：Yalmip+Gurobi下的真实操作
6.1 数据结构与参数表
写代码前强烈建议先把参数整理成一个结构体数组。我习惯用 struct，字段名可读性强，比散落的变量清晰很多。
% 设备参数示例 para.gt.Pmax = 30; % 燃气轮机最大出力 MW para.gt.Pmin = 6; % 最小出力 MW para.gt.a = 2.5; % 耗量系数 MMBTU/MWh para.gt.b = 1.2; % 空载耗量 MMBTU para.gt.ramp = 6; % 爬坡速率 MW/h para.gt.alpha_max = 0.3; % 最大掺氢体积比例 para.p2g.eta_ele = 0.7; % 电解槽效率 para.p2g.eta_meth = 0.85; % 甲烷化效率 para.p2g.Pmax = 10; % P2G最大电功率 MW ...时间序列数据例如风电、光伏、负荷曲线，用T*1列向量。每个时段为1小时，T=24。
6.2 关键建模代码：变量、约束和分段碳成本
变量定义：
T = 24; P_gt = sdpvar(1,T); % 燃气轮机出力 u_gt = binvar(1,T); % 启停状态 alpha = sdpvar(1,T); % 掺氢比例 P_p2g = sdpvar(1,T); % P2G输入电功率 E_emit = sdpvar(1,T); % 实际碳排放量 E_ccs = sdpvar(1,T); % CCS捕集量 S_h2 = sdpvar(1,T+1); % 储氢状态 ... % 碳交易阶梯变量 dE1 = sdpvar(1,1); dE2 = sdpvar(1,1); dE3 = sdpvar(1,1);约束添加示例——P2G产气量：
% 电解槽产氢量（按热值折算为MW） H_pro = para.p2g.eta_ele * P_p2g / 3.6 * 34; % 每MWh电对应氢气热值？实际要按单位换算 % 甲烷化耗氢与产气 G_ch4 = para.p2g.eta_meth * H_pro / 4.2; % 简化比例 % 实际使用中建议直接把所有能量单位统一为MW，反应计量比用摩尔比换算这里不展开完整物理量转化，但提醒一句：氢气和天然气的热值单位、燃料耗量单位如果不统一，很容易在甲烷化环节算出差数倍的结果。我自己就犯过错，一度以为模型可以“凭空产气”。
分段碳成本约束：
E_total = sum(E_emit); dE1 + dE2 + dE3 == E_total - E0; 0 <= dE1 <= D1; 0 <= dE2 <= D2; 0 <= dE3 <= D3; C_co2 = p1*dE1 + p2*dE2 + p3*dE3;Yalmip中这样直接添加即可。注意如果E_total < E0，差值应为0，所以在约束左边需要加 max？分段区间变量本来就是非负的，当E_total < E0时，等式右边负数会导致无解。处理方法是在等式前加一个“负偏差变量”表示配额富余，或者直接用max表达式。更稳妥的方式是引入 (dE_neg)：
dE1 + dE2 + dE3 - dE_neg == E_total - E0; dE_neg >= 0;配额富余时 dE_neg > 0，碳交易成本为0（不奖励）。
6.3 让模型可解的三个细节
第一，给所有连续变量设定合理上下限。Yalmip里不设置bounds，Gurobi虽然能处理，但预处理效果差，求解速度明显下降。尤其是SOC变量，一定要bind到容量上下限。
第二，储能互斥约束不要用乘积。正确的线性化方式是：
P_ch <= M * u_ch; P_dis <= M * (1 - u_ch); u_ch = binvar(1,T);M取一个足够大的数，比如500，但别太大，否则数值不稳定。
第三，模型里所有的0-1约束尽量用二进制变量配合big-M，而不是用ceil等其它函数。Gurobi对二元变量有很好的处理，但要避免变量名中的NaN和重复定义。
6.4 调试中的常见错误与解决
我实际踩过几个坑：
- 坑一：等式约束两边量纲不一致。比如功率是MW，气体量是m³，直接相加导致无解。解决办法是全部折算成MW或者标幺值。
- 坑二：碳配额E0用全年数据，而调度周期是24小时，导致E_total - E0永远是负数，模型认为没有任何碳成本。解决方法是把配额按天数折算或按比例折算。
- 坑三：Yalmip中sdpvar和binvar的维度没对齐，约束矩阵维度不一致，报“Inconsistent dimensions”。解决方法是先初始化空约束，再循环添加，避免用矩阵批量乘法时弄错维度。
- 坑四：求解器gap设置太紧，MILP长时间不收敛。实际算例中我设置相对gap为0.5%或1%，完全够用。
7. 算例结果给我的三个直接结论
7.1 阶梯碳价倒逼燃料结构变化
我用一个典型日负荷和风电数据进行测试，算例规模为：1台燃气轮机、10MW P2G、8MW CCS、蓄电池5MWh、储氢3MWh。在统一碳价60元/吨时，累计碳排放为128吨；改用电价35/55/80元/吨的三阶梯碳价后，相同负荷条件下累计碳排放降到了96吨，下降约25%。原因是模型把一部分天然气消耗转移到了“夜间风电电解水制氢+甲烷化”环节，白天燃气轮机的出力被压低，高碳价的边际压力真正起了作用。
这个现象说明，阶梯碳价不仅增加成本，更重要的是改变了不同时段机组出力的相对经济性。夜间风电便宜，P2G制气成本低，合成的天然气白天用，整体碳排放自然降低。
7.2 P2G-CCS对弃风消纳的贡献比想象中大
同样场景下，纯电调度弃风率为18.6%；加入P2G后，夜间多出来的2MW风电直接被电解槽吸收，弃风率降到了10.2%；再加上CCS捕集和储气环节，弃风率进一步降到6.1%。P2G-CCS耦合的价值不在于“多发了几度电”，而在于给系统增加了一个跨时段、跨能源品种的调节通道。
要注意的是，弃风率下降不等于总成本一定下降。P2G和CCS的设备折旧与维护费用不低，在我的参数设定下，含P2G-CCS的总运行成本比纯电调度高约4%，但如果把碳交易成本算进去，总成本反而略低。所以评估时要看综合成本，而不是只看弃风率。
7.3 掺氢比例不是越大越好
我把最大掺氢比例从0逐步调到30%观察变化。掺氢从0到20%时碳排放下降明显，因为氢气替代了部分天然气；但超过20%后，由于混合燃料热值下降，燃料体积流量增加，加上效率小幅下降，总燃料成本上升，碳排放下降速度趋缓。在阶梯碳价下，最优掺氢比例基本停在20%-25%之间，而不是一直冲到上限。
这说明，掺氢是一个“边际收益递减”的技术。实际工程中不必追求最大掺氢比例，而是要根据氢气来源成本、设备效率和碳价水平做联合优化。虚拟电厂调度模型的优势就在这里：它能在每个时段给出最优掺氢比例，而不是人为拍一个固定值。
如果你也想复现这套程序，我的建议是：先搭一个最简版——只有燃气轮机、风电、负荷和阶梯碳交易，跑通后再逐步加入P2G、CCS、储氢和掺氢。每加一个环节，就对比一下前后的功率平衡和碳排放变化，这样能快速定位模型问题。我最初就是跳过这一步，直接把所有单元一起建模，结果模型不收敛时根本不知道是哪个环节出了问题。这个项目还有很多可以扩展的地方，比如加入碳捕集率优化、考虑风电预测误差的鲁棒调度、把掺氢比例做成机组组合的一部分而非固定值。先把手里的模型跑出可信结果，再往更复杂的方向走，不会走弯路。
