前阵子复现一篇关于CHP-MG（热电联供型微网）优化运行的文献，做到一半差点把模型推翻重来。按照最朴素的思路，把燃气轮机、燃气锅炉、蓄热罐、电储能这些设备的效率参数写进约束里，解出来的“最优运行方案”竟然会出现一个物理上不太说得通的结果：蓄热罐为了套峰谷电价的利差，在清晨低谷时段拼命蓄热，午后电价涨上来再放热，表面看每一度热都“省了钱”，可把散热损耗、设备循环寿命磨损和补水成本算进去，方案净收益已经所剩无几。问题出在哪儿？出在我一开始把“供给侧多能互补”理解得太简单了。
这篇博文，就是从那篇CHP-MG系统优化运行文献的框架出发，把供给侧多能互补模型的核心逻辑拆开讲一遍。我会重点聊模型怎么搭、优化怎么算、仿真怎么验证，也会把我复现过程中踩过的坑一并交代。想给正在做微网、综合能源系统建模的研究生，以及准备落地园区级多能联供项目的工程师一个可复用的参考。
1. CHP-MG系统要解决什么问题：三种能流的互补逻辑
1.1 从热电联供到微网：系统架构与能流角色
CHP是Combined Heat and Power的缩写，中文叫热电联供；MG是Microgrid，微电网。热电联产本身并不新鲜，火电厂早就用抽凝机组同时供热供电，但那是大电网尺度的事。微网尺度下的CHP-MG，指一个靠近用户的独立配电单元，内部装有一台或多台小型燃气轮机或燃气内燃机、余热回收装置、燃气锅炉，还可能配蓄热罐、蓄电池和热泵。系统外部同时连接配电网和天然气管网，需要时可以从电网买电、从管网购气。
在这个系统里，“气”并不是用户的负荷，而是上游的燃料输入。天然气进来之后有两条主要出路：给燃气轮机发电，发电同时产生的高温烟气和缸套水余热，通过余热回收装置转成热水或蒸汽，供给热负荷；或者直接进燃气锅炉，用燃烧的方式产热。所以整个系统的能源形式覆盖了“热、电、气”三种：
| 能源形式 | 在系统中的角色 | 主要转换路径 |
|---|---|---|
| 电 | 终端能量形式，供建筑和生产设备使用，也可转热 | 电网购电、燃气轮机发电、蓄电池放能 |
| 热 | 终端能量形式，供采暖和生活热水使用 | 余热回收、燃气锅炉、电锅炉、热泵、蓄热罐放热 |
| 气 | 供给侧燃料输入，不直接面向用户负荷 | 燃气轮机、燃气锅炉 |
搞明白这一点再读文献，就不容易把微网里的气误当成必须满足的“气负荷”。很多初学者看到“热、电、气3种能源形式”，第一时间会想是不是要像电负荷一样给用户供气。实际不是，在CHP-MG研究里，气更多扮演供给侧能量来源的角色，电和热才是最终要满足的负荷形式。
1.2 多能互补的三个维度：时间互补、空间互补与品位互补
多能互补这个词听着抽象，落到运行层面其实就是三件事。
第一，时间互补。电负荷高峰和热负荷高峰往往不重合。比如中午工厂生产用电多，但采暖需求低；后半夜电负荷低，建筑保温却需要持续补热。电价又通常是峰谷分时的，天然气价格相对稳定。于是系统可以在电价低谷时段用电锅炉或热泵蓄热，在电价高峰时段让燃气轮机多发一点电、少买一点市电。这就是时间互补——电和热在不同时段的替代关系形成一个经济上的套利空间。
第二，空间互补。燃气轮机的余热如果不回收就直接排进大气，在厂区尺度上等于把已经花钱买来的燃料白白扔掉。把余热就近引到热力管网，满足几百米或几公里范围内的采暖需求，就把原本无用的热量转化成了有价值的服务。空间互补的关键在于“就地取材”，热网不能拉太长，否则管道散热损失会吃掉余热回收的收益。
第三，品位互补。这是热力学里最值钱的一条。天然气是高品位化学能，直接烧锅炉产80摄氏度的热水，相当于拿造火箭的高压气瓶去吹气球——能量数量没变，品位的浪费却非常严重。合理的做法是让高品位燃料先经过燃气轮机发电做功，再把余热这种低品位能量用来供热。燃气轮机单独发电效率通常只有30%上下；如果做成热电联供，总能效率做到75%以上并不稀奇。多能互补本质上是把不同品位的能量放在最合适的位置上，实现能量的梯级利用。
1.3 优化运行真正要回答的三个问题
有了系统架构和互补逻辑，优化运行的目标就很明确了。它的本质是回答三个问题：
- 每一时刻，每台设备出多少力？燃气轮机是满发还是部分负荷，燃气锅炉补多少热，热泵要不要启动？
- 储能什么时候蓄、什么时候放？蓄热罐该在低谷蓄还是在余热富余时段蓄，蓄电池该什么时候充电？
- 从电网买多少电、从管网买多少气？购电比例和购气比例怎么分配？
这三个问题互相耦合。电负荷曲线和热负荷曲线不一样，电价曲线和气价曲线也不一样，只要其中一条曲线变化，最优的设备出力组合就会随之改变。特别是热负荷偏低时，燃气轮机如果只按电负荷需求发电，就会多产生不需要的热量；这些多余热量如果没有蓄热罐吸收，就只能弃掉。反过来，如果按热负荷需求去“以热定电”，又可能出现电发多了不能上网倒送、只能就地弃电的情况。优化模型要做的事情，就是在这些矛盾之间找到成本最低或能效最高的平衡点。
2. 供给侧多能互补模型的搭建：设备建模与能量耦合关系
2.1 先给能量画一张拓扑图：母线架构与能流走向
动手建模前，我习惯先把系统的能量拓扑画出来，哪怕只是草稿。CHP-MG一般抽象成两条能量母线：电母线和热母线。电网联络线、燃气轮机的发电出口、蓄电池都接在电母线上；余热回收装置、燃气锅炉、热泵、蓄热罐都接在热母线上。天然气作为一个独立的输入源，分别接到燃气轮机和燃气锅炉上。
这样做的好处是，能量平衡约束可以按母线分别写。电母线满足所有电负荷，热母线满足所有热负荷，两边的耦合点是燃气轮机的电出力和热出力、以及热泵/电锅炉的电转热。如果有制冷需求，再增加一条冷母线，接上吸收式制冷机和电制冷机，系统就从CHP变成CCHP。本文以电、热、气三种形式为主，冷负荷可以当成一种扩展场景。
这个拓扑结构看似简单，但它决定了模型的大部分细节。比如蓄热罐放在热母线上还是放在燃气锅炉出口，建模方式有细微差别：前者需要考虑与热网管道的运行配合，后者更像是设备内部缓冲。在微网尺度研究中，通常把蓄热罐直接接在热母线上，用一个能量平衡方程统一描述。
2.2 设备模型怎么写：效率、出力区间与爬坡
设备模型是供给侧多能互补模型的地基。我把常用设备的建模公式按类型整理了一下，方便对照：
| 设备 | 输入 | 输出 | 核心表达式 | 关键参数 |
|---|---|---|---|---|
| 燃气轮机 | 天然气F_GT | 电功率P_GT、回收热Q_GT | P_GT = η_e,GT × F_GT，Q_GT = α_HR × F_GT | 发电效率η_e，余热系数α_HR |
| 燃气锅炉 | 天然气F_GB | 热功率Q_GB | Q_GB = η_GB × F_GB | 锅炉效率η_GB |
| 电锅炉/热泵 | 电功率P_HP | 热功率Q_HP | Q_HP = COP × P_HP | 制热性能系数COP |
| 蓄热罐 | 蓄热/放热功率 | 热功率 | SOC(h,t+1) = SOC(h,t) + (Q_ch × η_ch - Q_dis/η_dis) × Δt - L_h | 蓄放热效率、散热损失L_h |
| 蓄电池 | 充电/放电功率 | 电功率 | SOC(b,t+1) = SOC(b,t) + (P_ch × η_c - P_dis/η_d) × Δt | 充放电效率、自放电率 |
每个设备还需要两个边界条件：出力上下限和爬坡速率。出力上限好理解，比如燃气轮机最大发电功率500kW，最小技术出力100kW；下限往往更关键，优化算法会倾向于让设备在极低负荷运行来省钱，但在实际中燃机在低负荷下效率急剧恶化，甚至无法稳定燃烧，所以最小技术出力约束必须有。
爬坡约束是我在复现时最容易忽略的一条。如果调度时间间隔是1小时，而燃气轮机15分钟就能从零爬到满负荷，那一小时的爬坡约束就形同虚设。建议两种情况：要么把调度步长细化到15分钟，并同步检查能量平衡公式里的时间变量；要么在1小时尺度上人为收紧每小时的功率变化上限来近似。否则模型会得出“设备可以瞬跳”的伪最优解，和现实差得很远。
2.3 用耦合矩阵理解“互补”，但在优化中慎用
供给侧多能互补模型在系统层面可以用能量枢纽耦合矩阵来表达。记系统输出为电功率P_e和热功率Q_h，输入为电网购电P_grid和天然气F_gas，则：
[ P_e ] [ a11 a12 ] [ P_grid ] [ Q_h ] = [ a21 a22 ] [ F_gas ]矩阵里的a11来自电网购电通道，a12来自燃气轮机发电，a21来自热泵或电锅炉的电转热，a22来自燃气锅炉和余热回收。两个输入通道、两个输出通道之间的耦合，就是“互补”的数学写照：同一个负荷需求，可以通过矩阵中不同列的组合来完成。电价便宜时多走第一列，气方便宜时多走第二列。
但我自己在写优化程序时，并不会真的先把方程化简成这种矩阵再去求解。原因很实际：一旦加入储能时序变量、启停0-1变量、爬坡约束，再强行用耦合矩阵表达会让模型变得极其别扭，约束矩阵会膨胀，调试起来也麻烦。耦合矩阵适合做系统级分析或者等值聚合，适合放在论文的机理章节讲清楚互补关系；真正进求解器的时候，还是按母线平衡、设备约束分开写成标准形式更稳妥。
2.4 模型假设的取舍：常数效率与线性化的边界
供给侧模型里最敏感的一个假设，是设备效率取常数还是随负载变化。常数效率模型简单、可解释性强，在典型日调度、全年逐时仿真里都够用；但燃气轮机的部分负荷效率曲线并不是平的，负荷率跌到50%时发电效率可能下降好几个百分点。如果整篇研究都采用额定效率计算，燃气轮机在低负荷运行的收益会被明显高估，最终优化结果在工程上不可信。
折中的做法是分段线性化。把燃气轮机负载率分成几段，每段采用不同的平均效率，或者直接用一组线性不等式来逼近二次效率曲线。代价是增加了一些约束变量，换来的是模型仍然停留在线性规划或混合整数线性规划框架内，求解稳定且快。不要轻易引入非线性表达式去描述效率，除非确实需要高精度且不在乎求解时间——这是我踩过多次坑之后总结出来的经验。
3. 优化运行问题的数学化：目标函数、约束条件与求解器选型
3.1 目标函数：经济性、能效与碳排放怎么权衡
优化运行的目标函数，绝大多数文献选择最小化总运行成本。一个典型的目标函数可以写成：
min Σ_t [ π_e(t)·P_grid(t) + π_g·F_gas(t) + c_om(t) + c_start(t) ]其中π_e(t)是分时电价，π_g是天然气价格，c_om是设备运维成本，c_start是启停成本。如果考虑碳排放约束，还可以在目标里加入碳交易成本项：Σ_t [ λ_CO2 × E_CO2(t) ]，E_CO2来自购电和购气的间接排放。
关于目标函数我有一个提醒：完全用经济目标做优化，得到的策略很可能牺牲效率和排放。比如电价很高时，系统可能让燃气轮机满发，余热太多只能弃掉，一次能源消耗反而不经济。很多研究会用多目标优化，把经济性和碳排放作为两个并列目标，通过权重法或epsilon约束法生成帕累托前沿。如果是做工程落地，单目标经济优化加碳排放约束就够用了；如果是发学术论文，多目标分析能拉开对比层次，但也不用做太复杂，两个目标就足够讲清楚协同关系。
3.2 约束条件的完整清单：从供需平衡到储能边界
我把CHP-MG优化运行里最常出现的约束整理成一张清单，复现模型时照着这个清单逐条检查，基本不会漏项：
| 约束类别 | 数学表达 | 说明 |
|---|---|---|
| 电功率平衡 | P_grid + P_GT + P_dis = P_load + P_HP + P_ch | 购电、发电、放电之和等于负荷与用电设备之和 |
| 热功率平衡 | Q_GT + Q_GB + Q_HP + Q_dis = Q_load + Q_ch | 产热与蓄热、放热必须和热负荷一致 |
| 设备出力区间 | P_min ≤ P ≤ P_max | 所有设备都有下限和上限 |
| 设备爬坡约束 | -ΔP_down ≤ P(t+1)-P(t) ≤ ΔP_up | 每步功率变化不能超过实际爬坡速率 |
| 储能SOC递推 | SOC(t+1) = SOC(t) + η_ch·P_ch - P_dis/η_dis | 蓄热罐和蓄电池都适用 |
| 储能容量约束 | SOC_min ≤ SOC(t) ≤ SOC_max | 防止过充过放 |
| 储能初始/末端状态 | SOC(0)=SOC(T) | 公平对比不同调度周期，避免把储能当免费资源 |
| 备用容量约束 | 系统可上调容量 ≥ 需求 | 孤网运行或高可靠要求时需要 |
这里面最容易犯的一个错，是不加初始/末端状态相等的约束。如果没有这条，优化算法会把蓄热罐的初始热量当作免费资源一次性放完，得到一个“假省钱”的结果。两个方案对比时，如果A方案把储能耗尽了、B方案保持初始状态，两者根本没有可比性。所以储能SOC的边界条件必须写死。
3.3 求解器与算法选型：MILP、滚动优化和启发式算法
模型写成线性或混合整数线性之后，求解器的选择很直接：
| 模型类型 | 适用场景 | 推荐工具 |
|---|---|---|
| LP（全线性） | 效率固定、无启停变量的经济调度 | Gurobi、CPLEX、开源CBC |
| MILP（含0-1变量） | 考虑设备启停、最小运行时间 | Gurobi、CPLEX，规模小时可用CBC |
| MINLP（非线性整数混合） | 必须描述非线性效率曲线，但尽量先线性化 | 先尝试分段线性化；不行再用GAMS DICOPT或启发式算法 |
| 大规模多周期 | 全年度8760小时、滚动优化 | 场景聚合、Benders分解、分布式求解 |
我个人的习惯是：能用商业求解器就用商业求解器，尤其是Gurobi，处理典型日24小时或一周168小时的MILP问题通常秒级到几十秒。如果研究中硬要用粒子群或遗传算法，往往是因为模型里带有非线性部件又不想做线性化。但对于带储能的模型，启发式算法很容易陷入“储能时序变量和0-1启停变量耦合”造成的不可行区域内，而且每次运行结果不固定，论文复现性差。真要用启发式，至少跑20次以上取可行最优解，并在论文中把随机种子写清楚。
如果做在线调度，可以考虑模型预测控制（MPC）的思路：每15分钟或1小时滚动一次，用最新的负荷预测重解一个较短时域（比如4小时或24小时）的优化问题，只执行第一个时段的控制信号。这样就把预测误差的影响限制在滚动窗口内，比一次性求解全天方案鲁棒得多。
4. 仿真算例怎么设计：场景搭建、结果对比与灵敏度分析
4.1 算例基础配置：设备参数与负荷曲线假设
仿真算例设计直接决定结论的可信程度。我复现文献时采用的是一套典型园区参数，这里列出来供参考，不是从特定文献抄来的，而是比较常见的公开量级：
| 设备 | 容量 | 关键效率参数 |
|---|---|---|
| 燃气轮机 | 500kW | 发电效率30%，余热回收效率40% |
| 燃气锅炉 | 500kW | 热效率90% |
| 热泵 | 200kW | COP 3.5 |
| 蓄热罐 | 1000kWh | 蓄放热效率95%，散热损失每小时0.5% |
| 蓄电池 | 500kWh | 充放电效率95% |
负荷方面，典型冬季日：白天8点到18点电负荷峰值为800kW，热负荷平缓，约400kW；夜间电负荷降到200kW，热负荷因为采暖需求反而涨到600kW。电价采用峰谷平三段：峰时1.1元/kWh、平时0.7元/kWh、谷时0.35元/kWh；天然气价格定为2.8元/m³，按热值折算相当于0.25元/kWh。这些假设看起来简单，但它能保证模型出现多个“关键切换点”：燃气轮机会不会开、蓄热罐什么时段蓄、热泵要不要顶上，都由这些数字决定。
4.2 分供、CHP、CHP加储能：三种方案的对比口径
仿真一般要设置对照组，才能体现供给侧多能互补的优势。我常用的三套方案是：
- 方案A：分供系统，电网购电加燃气锅炉产热，没有任何联供设备。
- 方案B：CHP系统，燃气轮机发电加余热回收，余热不够时锅炉补燃。
- 方案C：CHP加储能扩展，在方案B基础上加入蓄热罐和蓄电池，允许设备之间跨时段调度。
在同样的负荷和价格条件下，我复现得到的日运行成本和一次能源消耗大致如下（这是一组示例数据，不同文献参数下具体数值会不一样，但趋势具有参考性）：
| 指标 | 方案A（分供） | 方案B（CHP） | 方案C（CHP+储能） |
|---|---|---|---|
| 日运行成本 | 约2.10万元 | 约1.85万元 | 约1.72万元 |
| 一次能源消耗 | 约32.7MWh | 约30.9MWh | 约28.6MWh |
| 弃热率 | 无 | 约8% | 约2% |
方案B相比方案A有优势，核心原因是燃气轮机热电联供把高品位燃料的能量用满；但如果热负荷较低，余热用不完，就需要考虑方案C。蓄热罐把燃气轮机的余热在热负荷低时存起来、热负荷高时再放出，有效降低了弃热率；蓄电池则负责在电价低谷时充电、巅峰时放电，进一步压低购电成本。方案C的优势本质上来自“储能把时间维度上的自由度打开”了，这也解释了为什么供给侧多能互补必须和储能配合才能达到最优。
4.3 灵敏度分析：气价、热负荷比例与储能边界怎么影响结论
算例做完，灵敏度分析是检验结论是否稳健的关键，也是审稿人和工程投资方最看重的一环。我通常做三组：
第一组，天然气价格上浮10%。燃气轮机和燃气锅炉的成本同时上升，CHP相对分供的优势会明显缩小。气价涨到一定阈值后，燃气轮机满发不再是最优策略，系统会转而多买市电、让锅炉多供热。这一组分析能告诉读者结论对气价有多敏感，也顺便给出“什么时候CHP不值得上”的边界条件。
第二组，热负荷与电负荷的比例变化。热负荷占比太低时，CHP按电出力运行会产生大量无法消纳的余热，蓄热罐容量再大也存不下，弃热率飙升。在很多园区项目里，这个“热负荷不足”恰恰是实际运行中CHP系统经济性不佳的根本原因。研究这个场景的意义在于，它提醒我们不要只看额定工况，更不要拿一台大燃机配一个很小的热负荷去算收益。
第三组，储能的初始和末端SOC约束是否一致。我在做对比时特意分别跑了两个版本：一个强制SOC(0)=SOC(T)，一个允许自由结束。两者结果可能差出5%-10%的成本，自由结束版给出的省钱空间来源于“把储能初始能量白嫖掉”，这在工程上不可持续。灵敏度分析做到这一步，其实已经不只是在验证模型，而是在给自己和读者划定研究结论的适用边界。
5. 从论文走向工程：数据获取、求解效率和模型落地的现实问题
5.1 预测误差面前，最优运行方案还成立吗
论文里常假设负荷曲线和气象条件是已知的，但实际运行时只有预测值。负荷预测误差通常在5%-15%之间，光伏出力预测误差更大，这会直接影响优化出的设备调度指令——预测说下午热负荷高，你把燃气轮机开足了，实际热负荷却很低，余热全部浪费。
我建议工程实现上采用滚动优化加反馈修正。就算暂时不做模型预测控制，也要让优化程序能够定时读取最新的负荷预测和实际量测数据，重新求解未来4小时或24小时窗口。目标函数里还可以给设备加“动作惩罚项”，比如设备的功率调整次数超过一定阈值就加成本，避免系统在相邻两个调度周期之间反复启停设备。这样处理之后，虽然理论上损失了一点全局最优性，但可操作性大幅提升。
5.2 设备真实效率曲线：比额定效率更重要的数据
工程落地的第二道坎是数据。燃气轮机厂家样本给的效率是在ISO工况下测出来的，实际部分负载率在60%-80%时效率通常低于额定值，进口空气温度、进气压力损失、燃料气质都会影响真实出力。储能电池的实际可用容量会随循环次数和温度衰减，蓄热罐的水质和罐体保温效果也未必达到设计值。
在做项目可行性研究阶段，我会尽量要求厂家提供实测性能曲线，而不是只拿额定值做方案选型。若只能拿到额定值，至少留一个10%的容量裕度，并在结论里写明“收益存在不确定性”。研究型论文虽然可以用常数效率，但如果想在结论里说清楚“到底有多少利润空间”，这部分误差是回避不了的。
5.3 计算规模控制：典型日、场景聚合与时间步长
全年度8760小时的MILP模型，设备和约束稍多，求解时间就可能从几分钟膨胀到几小时甚至几天。我在复现时常用的方法是先做典型日聚合：把全年数据用k-means聚类，选出冬季采暖、过渡季、夏季制冷三种典型场景，再按天数加权还原全年估算。这样既保留了季节差异和负荷水平差异，又把24小时×3天的问题控制在秒级求解范围。
如果确实要跑全年逐时，可以考虑分治思路——把所有时段按“日间峰时段”和“夜间谷时段”切成若干子问题迭代求解，或者直接把时间步长从15分钟放宽到1小时。放宽步长前要重新确认爬坡约束和储能SOC递推里的时间变量都同步改了，否则容易在衔接段产生能量不守恒的问题。我建议把“先跑通小规模、再逐步扩大”作为调试铁律，不要第一步就上全年8760小时的大模型。
5.4 最后一公里的现实问题：储能运维与最低技术出力
最后一个容易被优化模型忽略的现实因素，是储能设备的运维和损耗成本。蓄热罐看起来只是存热水，实际上需要考虑补水、水处理、循环泵电耗、罐体定期维护；蓄电池更不用说，充放电循环次数直接对应寿命衰减。把单位循环成本折算进目标函数之后，很多“理论上省钱”的储热策略实际收益会被大幅压缩。我见过不少示范项目，优化报表上写的储能收益和实际结算差异很大，主要就是模型里没把这部分成本算进去。
同样的逻辑也适用于燃气轮机最低技术出力。优化程序经常会给出“燃气轮机带很小负荷运行”的解，用来应付低电负荷时段的边际需求。真实机组在那么低负荷下燃烧不稳定，NOx排放也可能超标，根本不允许长时间运行。所以建模时一定要把最小稳定出力写进约束，最好再加上最短连续运行时间和最短停机时间，否则优化结果只能停留在纸面上。
把“约束里必须存在的东西”放到第一位，是我做了多年微网运行优化之后最深的体会。供给侧多能互补的潜力确实可观，但前提是每一台设备的行为都经得起物理现实的检验。模型复杂一点、求解慢一点都不是问题，结果没法落地才是最伤的。
