尧图网站开发 
做微电网优化调度这几年我在论坛里看到最多的提问就是氢储能热电联供微电网的文献模型看懂了公式也能抄下来可一到Matlab落地就卡住——变量怎么定义、约束怎么拼、求解器怎么选、结果曲线怎么读每一步都在踩坑。说实话我自己第一次跑通这套流程也花了不少时间网上资料多半只给结论不给过程。所以这篇干脆按项目实践的方式把基于氢储能的热电联供型微电网优化调度方法完整展开从系统架构、设备建模、数学优化模型到Matlab代码实现带你把一条链路走通。这套方法能解决的问题很具体园区或台区里同时有电负荷和热负荷又装了风光、热电联产机组和氢储能设备时怎么安排每台设备各时段的出力才能让日运行成本最低、尽可能利用清洁能源。适合电力系统方向的研究生做开题或算例验证也适合做综合能源项目的工程师拿来找建模思路。下面内容不涉及太高深的算法核心是把模型搭对、把代码跑通、把结果读明白。1. 氢储能热电联供微电网为什么要做优化调度1.1 氢储能解决的是能量在时间上的“错配”微电网里的光伏和风电出力看天吃饭白天光照强、晚上风大和负荷曲线往往对不上。比如北方园区冬季夜间热负荷高、电负荷低但风电往往在夜间大发多余的电没处去就只能弃掉白天电价高、负荷高又得从电网买高价电。这种“时间错配”正是储能的用武之地。锂电池储能适合做小时级的能量搬移但要想把能量从夜间搬到白天、甚至跨天跨周存储氢储能是更合适的方案。它通过电解槽把富余电力变成氢气存进储氢罐等负荷高峰或电价高峰时再用燃料电池发电发电过程中的余热还可以回收供热。氢储能相当于给微电网装了一个“能量蓄水池”既消纳了可再生能源又能在高价时段替代外购电一举两得。1.2 热电联供让“电、热、氢”三条能量线耦合在一起单纯做电储能调度模型只有一条电功率平衡线问题难度低一个量级。但贴上“热电联供”标签后系统里就有电负荷和热负荷两条平衡线而且它们不是独立的CHP机组发电的同时产生热量发电功率和热功率之间存在耦合关系燃料电池放电时产生的余热也可以回收参与供热。再加上电解槽消耗电能制氢、储氢罐存储能量、燃料电池耗氢发电整个系统形成了“电—氢—热”的闭环能量流。这就要求调度模型必须同时考虑电、热、氢三个能量载体。CHP机组不能只看电力经济性还要考虑热负荷是否被满足燃料电池是否出力不仅取决于电价还取决于它回收的余热能替代多少燃气锅炉的热量。这种耦合关系让“热电联供型”微电网比纯电微电网复杂得多也更有实际工程意义——现实中综合能源园区基本都是这种多能互补形态。所以做这件事的核心价值在于在满足电负荷和热负荷的前提下通过优化每台设备的出力计划把一次能源消耗和购电成本压到最低同时最大限度消纳风光出力。说通俗点就是每天开机前先算一笔账今天每台设备怎么开、开多少、充多少氢、放多少电才能最省钱。2. 设备建模把物理设备翻译成约束和参数调度优化不是拿真实设备直接调而是把每台设备的运行特性抽象成数学模型再交给求解器计算。设备建模的粒度不需要很精细但必须抓住影响调度的关键约束。2.1 风光出力预测曲线直接作为边界输入光伏和风电在日前调度中通常视为不可控电源出力由预测曲线给定。做优化调度时直接把预测值作为已知参数放进电功率平衡等式里不需要额外建立物理模型。实际项目中风光预测值一般来自数值天气预报加统计修正或者简单点就用典型日曲线。如果你后面想做随机优化或鲁棒优化可以把预测功率加上预测误差的置信区间生成多个场景再做两阶段随机规划。但初学阶段先把确定性调度跑通再往随机方向扩展思路会更加清晰。2.2 电解槽与储氢罐制氢侧的边界条件电解槽是氢储能系统的“充电器”输入电功率输出氢气。简化建模时关注三点功率上下限、电转氢效率、运行特性。制氢功率约束可以写成P_el_min P_el(t) P_el_max单位时间内制得的氢气折算成能量E_produce(t) P_el(t) * eta_el * dteta_el 是电解槽综合效率工程上取 0.6~0.75 比较常见。注意这里的效率已经把整流损耗、电解槽本体损耗都折算进去了。储氢罐的建模核心是能量状态转移约束也就是每个时段的储氢量等于上一时段储氢量加上产氢量、减去耗氢量S_h2(t1) S_h2(t) eta_el * P_el(t) * dt - P_fc(t) / eta_fc * dt同时储氢量要满足容量上下限且很多调度问题要求日循环也就是调度周期结束时储氢量和初始时刻一致0 S_h2(t) Cap_h2 S_h2(T1) S_h2(1)这里的储氢量统一用能量单位kWh表示省去氢气质量、压力、温度等复杂换算工程上够用。2.3 燃料电池与CHP机组放能侧的出力与余热燃料电池是氢储能系统的“放电器”把氢气转化成电能和热能。发电功率范围约束0 P_fc(t) P_fc_max耗氢功率等于发电功率除以发电效率E_consume(t) P_fc(t) / eta_fc * dt燃料电池的余热回收是热电联供的关键。假设余热功率与发电功率近似成正比H_fc(t) R_hp * P_fc(t)量化关系需要看设备参数一般小型燃料电池热电比R_hp在0.8~1.2之间即发1kW电大约能回收0.8~1.2kW热。CHP机组热电联产机组的建模类似但更关键。它同时产电和产热简化模型常常假设热电比恒定H_chp(t) c_ht * P_chp(t)c_ht取值在1.0~1.8之间具体取决于机组类型。注意这个假设把电热耦合变成了线性关系CHP机组在某一时刻的发电功率定了热输出也就定了电和热两个决策变量实际上只剩一个自由度。2.4 燃气锅炉与电网联络线兜底与交互燃气锅炉是热负荷的兜底热源CHP和燃料电池的余热不够时由它补齐。锅炉模型最简单0 P_boiler(t) P_boiler_max热输出直接等于输入天然气热值乘以锅炉效率燃料成本按天然气价格计算。锅炉建得越简单越好它只是辅助热源不参与能量耦合。电网联络线约束则限制系统与外电网的功率交换0 P_buy(t) P_grid_max 0 P_sell(t) P_grid_max这里还有一个工程上的细节理论上购电和售电不能同时发生。但由于售电价格通常低于购电价格成本最小化的目标函数会自动避免同时买卖所以很多模型里不加显式约束。除非你设置了奇怪的售电补贴价格否则没必要徒增复杂度。3. 优化调度数学模型目标函数与约束条件设备模型搭好之后把所有等式和不等式汇总就形成了完整的优化问题。3.1 目标函数把成本拆清楚目标函数是日运行成本最小主要包含四项CHP机组的燃料成本c_gas * P_chp(t) / eta_chp * dt燃气锅炉的燃料成本c_gas * P_boiler(t) / eta_boiler * dt电网购电成本price_buy(t) * P_buy(t) * dt设备运维成本c_om * (P_chp P_fc P_el P_boiler) * dt售电收入作为负成本放进目标函数price_sell(t) * P_sell(t) * dt。这里有个容易绕晕的点为什么燃料电池发电不计算燃料成本因为氢气来自自家电解槽而电解槽消耗的电量已经在电功率平衡和购电成本中体现了。换句话说氢储能的成本经过风光发电、电解制氢、燃料电池放电这条链路“转了一圈”最终沉淀在购电成本和弃电量上。如果模型涉及外部购氢那就要额外加购氢成本项。3.2 全部约束与变量速查为了便于对照我把一个标准算例里的决策变量和约束整理成表。决策变量是各时段的设备出力以24小时调度为例变量维度如下决策变量含义维度P_chpCHP发电功率kW1×24P_boiler锅炉热功率kW1×24P_el电解槽输入电功率kW1×24P_fc燃料电池输出电功率kW1×24P_buy / P_sell购电/售电功率kW1×24S_h2储氢罐能量状态kWh1×25约束名称数学表达式作用电功率平衡P_pv P_wt P_chp P_fc P_buy P_load P_el P_sell保证发用电实时平衡热功率平衡H_chp H_fc P_boiler H_load保证热负荷被满足氢储能动态S_h2(t1) S_h2(t) eta_el·P_el·dt - P_fc/eta_fc·dt刻画储氢量变化设备出力上下限各设备功率在区间内反映设备物理边界储氢量上下限0 ≤ S_h2 ≤ Cap_h2防止储氢罐过充放初始末状态S_h2(1) S_h2(T1)保证日循环这些约束里最容易出错的是电功率平衡等式。注意P_el是负荷侧消耗应该在等号右侧P_sell也是输出侧卖给电网同样在右侧。很多人第一次建模把P_el加到左边结果有功平衡永远不满足求解器直接报不可行。3.3 为什么工程上偏爱“线性模型”熟悉优化的朋友可能会问燃料电池效率、CHP热电比都不是严格常数为什么不建非线性模型原因很实际线性规划LP和混合整数线性规划MILP求解速度快、全局收敛、商业求解器成熟适合工程落地。非线性规划NLP用fmincon这类工具对初值敏感容易陷入局部最优而且一旦模型规模变大求解时间不可控。工程上通常把效率曲线、热电比做分段线性化处理或者直接取典型工况下的常数值。说句实话对一个日前调度问题精度差异完全在可接受范围内但求解稳定性的提升是巨大的。模型跑得通、跑得稳比模型精确到小数点后三位重要得多。4. Matlab实现从数学模型到可运行代码4.1 工具链选型与版本说明Matlab里做优化调度有几种常见组合工具链适用场景说明MATLAB优化工具箱 linprog纯线性LP模型自带无需第三方适合基础算例MATLAB优化工具箱 intlinprog带0-1变量的MILP模型自带可处理启停等逻辑约束YALMIP Gurobi/CPLEX大中型LP/MILP扩展性强学术免费求解效率高推荐fmincon / 遗传算法非线性模型初值敏感慎用于大模型我的建议是直接用YALMIP建模求解器先用LinProg跑通再按需切换到Gurobi。YALMIP的语法和数学公式几乎一一对应写起来不容易出错而且后续加二进制变量、二次目标都不用大改结构。版本方面我测试用的是R2023aR2019b以上都没问题核心是装了Optimization Toolbox第三方求解器按需配置。4.2 完整代码骨架下面这段代码是完整可运行的最小骨架24时段日前调度LP模型目标为日运行成本最小%% 数据定义 T 24; dt 1; % 时段长度小时 P_load [40 35 30 28 30 35 45 58 65 68 70 72 68 65 66 67 70 75 72 65 58 52 46 42]; H_load [50 45 42 40 38 40 50 55 45 40 38 35 36 35 34 35 40 50 55 45 40 38 40 50]; P_pv [0 0 0 0 0 0 2 10 20 28 32 34 33 30 24 15 8 2 0 0 0 0 0 0]; P_wt [25 24 22 20 18 16 15 14 16 18 20 21 20 19 18 16 15 17 20 22 23 24 25 26]; price_buy 0.8 * ones(1, T); price_buy(8:11) 1.2; price_buy(18:21) 1.1; % 分时电价 price_sell 0.4 * ones(1, T); % 上网电价 %% 设备参数 P_chp_max 50; P_chp_min 5; eta_chp 0.35; c_ht 1.5; P_el_max 20; P_el_min 0; eta_el 0.65; P_fc_max 30; P_fc_min 0; eta_fc 0.5; R_hp 1.0; P_boiler_max 40; eta_boiler 0.9; P_grid_max 50; c_gas 0.35; c_om 0.02; Cap_h2 150; S_h2_0 75; %% 决策变量 P_chp sdpvar(1, T); P_boiler sdpvar(1, T); P_el sdpvar(1, T); P_fc sdpvar(1, T); P_buy sdpvar(1, T); P_sell sdpvar(1, T); S_h2 sdpvar(1, T1); H_fc R_hp * P_fc; H_chp c_ht * P_chp; %% 约束 C []; % 电功率平衡发电购电 负荷电解槽售电 C [C, P_pv P_wt P_chp P_fc P_buy P_load P_el P_sell]; % 热功率平衡CHP余热燃料电池余热锅炉热 热负荷 C [C, H_chp H_fc P_boiler H_load]; % 氢储能动态约束 C [C, S_h2(2:T1) S_h2(1:T) dt * (eta_el * P_el - P_fc / eta_fc)]; C [C, 0 S_h2 Cap_h2]; C [C, S_h2(1) S_h2_0]; C [C, S_h2(T1) S_h2_0]; % 设备出力上下限 C [C, P_chp_min P_chp P_chp_max]; C [C, P_el_min P_el P_el_max]; C [C, P_fc_min P_fc P_fc_max]; C [C, 0 P_boiler P_boiler_max]; C [C, 0 P_buy P_grid_max]; C [C, 0 P_sell P_grid_max]; %% 目标函数燃料成本 购电成本 运维成本 - 售电收入 fuel_chp c_gas * P_chp / eta_chp * dt; fuel_boiler c_gas * P_boiler / eta_boiler * dt; om_cost c_om * (P_chp P_fc P_el P_boiler) * dt; objective sum(fuel_chp fuel_boiler om_cost ... price_buy .* P_buy * dt - price_sell .* P_sell * dt); %% 求解 ops sdpsettings(solver, linprog, verbose, 0); optimize(C, objective, ops); %% 结果提取 P_chp_opt value(P_chp); P_boiler_opt value(P_boiler); P_el_opt value(P_el); P_fc_opt value(P_fc); P_buy_opt value(P_buy); P_sell_opt value(P_sell); S_h2_opt value(S_h2);代码结构不复杂核心逻辑和第二节的数学公式一一对应。跑通后可以直接用figure; plot看各设备出力曲线检查平衡关系是否合理。我建议把电功率平衡的残差也打印出来很多问题一眼就能看出来。4.3 从LP扩展到MILP接入0-1变量的思路上面的模型是纯LP因为所有约束都是线性的、决策变量连续。但实际工程中有些逻辑必须用0-1变量表达比如机组启停状态、购售电互斥、最小开停机时间。举个例子如果你严格禁止购电和售电同时发生可以引入二进制变量y(t)y binvar(1, T); C [C, P_buy P_grid_max * y]; C [C, P_sell P_grid_max * (1 - y)];当y1时允许购电售电功率被强制为0反之亦然。模型从LP变成MILP求解器切换成intlinprog或Gurobi即可ops sdpsettings(solver, gurobi, verbose, 0);从纯LP到MILP代码改动极小但能表达的工程约束丰富很多。建议先把LP版本跑通、结果调合理再逐步加0-1变量这样排查问题时能快速定位是哪一类约束出了问题。5. 典型算例仿真与调度结果解读5.1 算例参数与场景设置我按北方某园区微电网的典型日数据搭了一个算例设备参数如下表设备参数数值CHP机组功率范围 / 发电效率 / 热电比5-50 kW / 0.35 / 1.5电解槽功率范围 / 电转氢效率0-20 kW / 0.65燃料电池功率范围 / 发电效率 / 热电比0-30 kW / 0.50 / 1.0储氢罐容量 / 初始储氢量150 kWh / 75 kWh燃气锅炉功率上限 / 热效率40 kW / 0.90电网交互购售电功率上限50 kW电负荷峰值约75kW出现在傍晚热负荷峰值55kW出现在夜间8点光伏中午峰值34kW风电夜间出力较高。分时电价设计了峰平谷三段。这套参数运行下来目标函数值就是一个具体的日运行成本数值。你拿去跑自己的数据时重点看调度曲线的相对关系不要纠结绝对值。5.2 调度曲线里能读到什么优化结果跑出来后我一般先看三个东西储能SOC曲线、燃料电池出力和购电曲线。典型结果会呈现这样的特征夜间风电出力大、电价低CHP机组维持较低出力满足基础热负荷多余风电进入电解槽制氢储氢量缓慢上升。上午电负荷升高、电价进入峰值段燃料电池开始放电CHP机组提升出力购电明显减少。中午光伏大发如果发电量超过负荷和电解槽吸收能力多余电力会卖给电网。傍晚热负荷和电负荷双高、电价二次上涨CHP和燃料电池同时出力储氢量快速下降。氢储能的调度规律一句话总结低谷低价时段制氢蓄能高峰高价时段放能供热。这就是时间错配的价值。对比不装氢储能的基准方案日运行成本会下降一块幅度取决于峰谷价差、风电消纳量和设备容量配比。5.3 参数敏感性峰谷价差、储氢容量、热电比模型跑通之后强烈建议做几组参数敏感性分析这是写论文和做项目汇报最容易出效果的环节。峰谷价差增大时氢储能的套利空间变大燃料电池的放电时段会明显增多购电集中在低谷段运行成本下降。储氢容量从100kWh增加到200kWh时储能系统有了更大调节空间但容量继续往上增长边际收益会递减因为制氢的电量总归有限。CHP热电比提高意味着同样的发电量能带出更多热热平衡中燃气锅炉的出力会降低天然气消耗减少但电侧灵活性变差极端情况下可能出现“为了供热而被迫发电、造成多余电力”的尴尬。这些分析不需要额外写多少代码改一个参数重新求解就行。但通过对比规律你能对整套系统的运行特性有更直观的理解这也是优化调度项目里最有价值的部分。6. 常见问题与调试技巧实录6.1 “Infeasible problem”的快速定位YALMIP报Infeasible problem是最常见的坑。我自己的排查顺序是固定的先把储能动态约束和初末状态约束注释掉看基础电热平衡是否可行不行就从电平衡开始逐个删等式找到第一个导致不可行的约束。单位不统一是隐藏大坑。有人在参数里功率用kW、储氢容量用MWh结果差三个数量级约束直接无解。我建议所有数据统一用kW和kWh电价用元/kWh时段长度用小时全程一个单位体系不要混用。如果模型带0-1变量还要检查是否因为互斥约束写错导致可行域为空。比如购售电互斥用了同一个二进制变量但逻辑取反没写对就会出现某时段只能买不能卖而系统那段时间恰恰需要卖电的尴尬情况。6.2 调度曲线抖振、频繁启停与购售电同时出现结果曲线出现相邻时段功率大幅波动通常是模型里缺少爬坡约束。真实设备出力不能瞬变但LP模型不care这个它只要目标最优哪怕前一小时满发、后一小时停机也无所谓。解决方法是加爬坡约束C [C, -R_chp diff(P_chp) R_chp];R_chp是CHP机组的爬坡速率。另一种情况是购电和售电同时出现在最优解里这多半是价格设置不合理或者没加互斥约束参照4.3节的0-1变量处理。还有一种反直觉的情况燃料电池在某个时段明明电价不高却还是出力。这时候要回头查热平衡很可能是热负荷恰好高、燃料电池的余热比燃气锅炉供热更划算。单纯从电侧看问题就会觉得“不合理”但放到热电联供的整体视角这个调度决策恰恰是合理的。6.3 求解时间与工程效率24时段LP模型linprog秒解没什么好担心的。但如果扩展到96时段、加上多台机组和大量0-1变量求解时间就会明显上升。几个实用建议用Gurobi或CPLEX替代matlab自带求解器效率提升非常明显设置MIPGap比如sdpsettings(gurobi.MIPGap, 0.01)允许1%的次优误差换取求解速度在循环里跑多次优化时把建模部分封装成函数避免重复定义变量导致的yalmip内存堆积大数据量时改用sparse矩阵和结构体组织参数减少内存占用。最后说个我自己的使用体会。这套模型的价值不在代码本身而在于把氢储能放到热电联供体系里一起调度的“全局视角”。单纯做电储能调度两条平衡线基本解耦难度低一个量级但把电解槽、燃料电池和CHP放在一块电、热、氢相互牵制才是综合能源微电网现实中真正要面对的问题。我建议刚接触这个方向的朋友别急着加复杂算法先把确定性LP模型跑通、曲线读懂再去扩展随机优化或强化学习地基会扎实得多。 
做微电网优化调度这几年我在论坛里看到最多的提问就是氢储能热电联供微电网的文献模型看懂了公式也能抄下来可一到Matlab落地就卡住——变量怎么定义、约束怎么拼、求解器怎么选、结果曲线怎么读每一步都在踩坑。说实话我自己第一次跑通这套流程也花了不少时间网上资料多半只给结论不给过程。所以这篇干脆按项目实践的方式把基于氢储能的热电联供型微电网优化调度方法完整展开从系统架构、设备建模、数学优化模型到Matlab代码实现带你把一条链路走通。这套方法能解决的问题很具体园区或台区里同时有电负荷和热负荷又装了风光、热电联产机组和氢储能设备时怎么安排每台设备各时段的出力才能让日运行成本最低、尽可能利用清洁能源。适合电力系统方向的研究生做开题或算例验证也适合做综合能源项目的工程师拿来找建模思路。下面内容不涉及太高深的算法核心是把模型搭对、把代码跑通、把结果读明白。1. 氢储能热电联供微电网为什么要做优化调度1.1 氢储能解决的是能量在时间上的“错配”微电网里的光伏和风电出力看天吃饭白天光照强、晚上风大和负荷曲线往往对不上。比如北方园区冬季夜间热负荷高、电负荷低但风电往往在夜间大发多余的电没处去就只能弃掉白天电价高、负荷高又得从电网买高价电。这种“时间错配”正是储能的用武之地。锂电池储能适合做小时级的能量搬移但要想把能量从夜间搬到白天、甚至跨天跨周存储氢储能是更合适的方案。它通过电解槽把富余电力变成氢气存进储氢罐等负荷高峰或电价高峰时再用燃料电池发电发电过程中的余热还可以回收供热。氢储能相当于给微电网装了一个“能量蓄水池”既消纳了可再生能源又能在高价时段替代外购电一举两得。1.2 热电联供让“电、热、氢”三条能量线耦合在一起单纯做电储能调度模型只有一条电功率平衡线问题难度低一个量级。但贴上“热电联供”标签后系统里就有电负荷和热负荷两条平衡线而且它们不是独立的CHP机组发电的同时产生热量发电功率和热功率之间存在耦合关系燃料电池放电时产生的余热也可以回收参与供热。再加上电解槽消耗电能制氢、储氢罐存储能量、燃料电池耗氢发电整个系统形成了“电—氢—热”的闭环能量流。这就要求调度模型必须同时考虑电、热、氢三个能量载体。CHP机组不能只看电力经济性还要考虑热负荷是否被满足燃料电池是否出力不仅取决于电价还取决于它回收的余热能替代多少燃气锅炉的热量。这种耦合关系让“热电联供型”微电网比纯电微电网复杂得多也更有实际工程意义——现实中综合能源园区基本都是这种多能互补形态。所以做这件事的核心价值在于在满足电负荷和热负荷的前提下通过优化每台设备的出力计划把一次能源消耗和购电成本压到最低同时最大限度消纳风光出力。说通俗点就是每天开机前先算一笔账今天每台设备怎么开、开多少、充多少氢、放多少电才能最省钱。2. 设备建模把物理设备翻译成约束和参数调度优化不是拿真实设备直接调而是把每台设备的运行特性抽象成数学模型再交给求解器计算。设备建模的粒度不需要很精细但必须抓住影响调度的关键约束。2.1 风光出力预测曲线直接作为边界输入光伏和风电在日前调度中通常视为不可控电源出力由预测曲线给定。做优化调度时直接把预测值作为已知参数放进电功率平衡等式里不需要额外建立物理模型。实际项目中风光预测值一般来自数值天气预报加统计修正或者简单点就用典型日曲线。如果你后面想做随机优化或鲁棒优化可以把预测功率加上预测误差的置信区间生成多个场景再做两阶段随机规划。但初学阶段先把确定性调度跑通再往随机方向扩展思路会更加清晰。2.2 电解槽与储氢罐制氢侧的边界条件电解槽是氢储能系统的“充电器”输入电功率输出氢气。简化建模时关注三点功率上下限、电转氢效率、运行特性。制氢功率约束可以写成P_el_min P_el(t) P_el_max单位时间内制得的氢气折算成能量E_produce(t) P_el(t) * eta_el * dteta_el 是电解槽综合效率工程上取 0.6~0.75 比较常见。注意这里的效率已经把整流损耗、电解槽本体损耗都折算进去了。储氢罐的建模核心是能量状态转移约束也就是每个时段的储氢量等于上一时段储氢量加上产氢量、减去耗氢量S_h2(t1) S_h2(t) eta_el * P_el(t) * dt - P_fc(t) / eta_fc * dt同时储氢量要满足容量上下限且很多调度问题要求日循环也就是调度周期结束时储氢量和初始时刻一致0 S_h2(t) Cap_h2 S_h2(T1) S_h2(1)这里的储氢量统一用能量单位kWh表示省去氢气质量、压力、温度等复杂换算工程上够用。2.3 燃料电池与CHP机组放能侧的出力与余热燃料电池是氢储能系统的“放电器”把氢气转化成电能和热能。发电功率范围约束0 P_fc(t) P_fc_max耗氢功率等于发电功率除以发电效率E_consume(t) P_fc(t) / eta_fc * dt燃料电池的余热回收是热电联供的关键。假设余热功率与发电功率近似成正比H_fc(t) R_hp * P_fc(t)量化关系需要看设备参数一般小型燃料电池热电比R_hp在0.8~1.2之间即发1kW电大约能回收0.8~1.2kW热。CHP机组热电联产机组的建模类似但更关键。它同时产电和产热简化模型常常假设热电比恒定H_chp(t) c_ht * P_chp(t)c_ht取值在1.0~1.8之间具体取决于机组类型。注意这个假设把电热耦合变成了线性关系CHP机组在某一时刻的发电功率定了热输出也就定了电和热两个决策变量实际上只剩一个自由度。2.4 燃气锅炉与电网联络线兜底与交互燃气锅炉是热负荷的兜底热源CHP和燃料电池的余热不够时由它补齐。锅炉模型最简单0 P_boiler(t) P_boiler_max热输出直接等于输入天然气热值乘以锅炉效率燃料成本按天然气价格计算。锅炉建得越简单越好它只是辅助热源不参与能量耦合。电网联络线约束则限制系统与外电网的功率交换0 P_buy(t) P_grid_max 0 P_sell(t) P_grid_max这里还有一个工程上的细节理论上购电和售电不能同时发生。但由于售电价格通常低于购电价格成本最小化的目标函数会自动避免同时买卖所以很多模型里不加显式约束。除非你设置了奇怪的售电补贴价格否则没必要徒增复杂度。3. 优化调度数学模型目标函数与约束条件设备模型搭好之后把所有等式和不等式汇总就形成了完整的优化问题。3.1 目标函数把成本拆清楚目标函数是日运行成本最小主要包含四项CHP机组的燃料成本c_gas * P_chp(t) / eta_chp * dt燃气锅炉的燃料成本c_gas * P_boiler(t) / eta_boiler * dt电网购电成本price_buy(t) * P_buy(t) * dt设备运维成本c_om * (P_chp P_fc P_el P_boiler) * dt售电收入作为负成本放进目标函数price_sell(t) * P_sell(t) * dt。这里有个容易绕晕的点为什么燃料电池发电不计算燃料成本因为氢气来自自家电解槽而电解槽消耗的电量已经在电功率平衡和购电成本中体现了。换句话说氢储能的成本经过风光发电、电解制氢、燃料电池放电这条链路“转了一圈”最终沉淀在购电成本和弃电量上。如果模型涉及外部购氢那就要额外加购氢成本项。3.2 全部约束与变量速查为了便于对照我把一个标准算例里的决策变量和约束整理成表。决策变量是各时段的设备出力以24小时调度为例变量维度如下决策变量含义维度P_chpCHP发电功率kW1×24P_boiler锅炉热功率kW1×24P_el电解槽输入电功率kW1×24P_fc燃料电池输出电功率kW1×24P_buy / P_sell购电/售电功率kW1×24S_h2储氢罐能量状态kWh1×25约束名称数学表达式作用电功率平衡P_pv P_wt P_chp P_fc P_buy P_load P_el P_sell保证发用电实时平衡热功率平衡H_chp H_fc P_boiler H_load保证热负荷被满足氢储能动态S_h2(t1) S_h2(t) eta_el·P_el·dt - P_fc/eta_fc·dt刻画储氢量变化设备出力上下限各设备功率在区间内反映设备物理边界储氢量上下限0 ≤ S_h2 ≤ Cap_h2防止储氢罐过充放初始末状态S_h2(1) S_h2(T1)保证日循环这些约束里最容易出错的是电功率平衡等式。注意P_el是负荷侧消耗应该在等号右侧P_sell也是输出侧卖给电网同样在右侧。很多人第一次建模把P_el加到左边结果有功平衡永远不满足求解器直接报不可行。3.3 为什么工程上偏爱“线性模型”熟悉优化的朋友可能会问燃料电池效率、CHP热电比都不是严格常数为什么不建非线性模型原因很实际线性规划LP和混合整数线性规划MILP求解速度快、全局收敛、商业求解器成熟适合工程落地。非线性规划NLP用fmincon这类工具对初值敏感容易陷入局部最优而且一旦模型规模变大求解时间不可控。工程上通常把效率曲线、热电比做分段线性化处理或者直接取典型工况下的常数值。说句实话对一个日前调度问题精度差异完全在可接受范围内但求解稳定性的提升是巨大的。模型跑得通、跑得稳比模型精确到小数点后三位重要得多。4. Matlab实现从数学模型到可运行代码4.1 工具链选型与版本说明Matlab里做优化调度有几种常见组合工具链适用场景说明MATLAB优化工具箱 linprog纯线性LP模型自带无需第三方适合基础算例MATLAB优化工具箱 intlinprog带0-1变量的MILP模型自带可处理启停等逻辑约束YALMIP Gurobi/CPLEX大中型LP/MILP扩展性强学术免费求解效率高推荐fmincon / 遗传算法非线性模型初值敏感慎用于大模型我的建议是直接用YALMIP建模求解器先用LinProg跑通再按需切换到Gurobi。YALMIP的语法和数学公式几乎一一对应写起来不容易出错而且后续加二进制变量、二次目标都不用大改结构。版本方面我测试用的是R2023aR2019b以上都没问题核心是装了Optimization Toolbox第三方求解器按需配置。4.2 完整代码骨架下面这段代码是完整可运行的最小骨架24时段日前调度LP模型目标为日运行成本最小%% 数据定义 T 24; dt 1; % 时段长度小时 P_load [40 35 30 28 30 35 45 58 65 68 70 72 68 65 66 67 70 75 72 65 58 52 46 42]; H_load [50 45 42 40 38 40 50 55 45 40 38 35 36 35 34 35 40 50 55 45 40 38 40 50]; P_pv [0 0 0 0 0 0 2 10 20 28 32 34 33 30 24 15 8 2 0 0 0 0 0 0]; P_wt [25 24 22 20 18 16 15 14 16 18 20 21 20 19 18 16 15 17 20 22 23 24 25 26]; price_buy 0.8 * ones(1, T); price_buy(8:11) 1.2; price_buy(18:21) 1.1; % 分时电价 price_sell 0.4 * ones(1, T); % 上网电价 %% 设备参数 P_chp_max 50; P_chp_min 5; eta_chp 0.35; c_ht 1.5; P_el_max 20; P_el_min 0; eta_el 0.65; P_fc_max 30; P_fc_min 0; eta_fc 0.5; R_hp 1.0; P_boiler_max 40; eta_boiler 0.9; P_grid_max 50; c_gas 0.35; c_om 0.02; Cap_h2 150; S_h2_0 75; %% 决策变量 P_chp sdpvar(1, T); P_boiler sdpvar(1, T); P_el sdpvar(1, T); P_fc sdpvar(1, T); P_buy sdpvar(1, T); P_sell sdpvar(1, T); S_h2 sdpvar(1, T1); H_fc R_hp * P_fc; H_chp c_ht * P_chp; %% 约束 C []; % 电功率平衡发电购电 负荷电解槽售电 C [C, P_pv P_wt P_chp P_fc P_buy P_load P_el P_sell]; % 热功率平衡CHP余热燃料电池余热锅炉热 热负荷 C [C, H_chp H_fc P_boiler H_load]; % 氢储能动态约束 C [C, S_h2(2:T1) S_h2(1:T) dt * (eta_el * P_el - P_fc / eta_fc)]; C [C, 0 S_h2 Cap_h2]; C [C, S_h2(1) S_h2_0]; C [C, S_h2(T1) S_h2_0]; % 设备出力上下限 C [C, P_chp_min P_chp P_chp_max]; C [C, P_el_min P_el P_el_max]; C [C, P_fc_min P_fc P_fc_max]; C [C, 0 P_boiler P_boiler_max]; C [C, 0 P_buy P_grid_max]; C [C, 0 P_sell P_grid_max]; %% 目标函数燃料成本 购电成本 运维成本 - 售电收入 fuel_chp c_gas * P_chp / eta_chp * dt; fuel_boiler c_gas * P_boiler / eta_boiler * dt; om_cost c_om * (P_chp P_fc P_el P_boiler) * dt; objective sum(fuel_chp fuel_boiler om_cost ... price_buy .* P_buy * dt - price_sell .* P_sell * dt); %% 求解 ops sdpsettings(solver, linprog, verbose, 0); optimize(C, objective, ops); %% 结果提取 P_chp_opt value(P_chp); P_boiler_opt value(P_boiler); P_el_opt value(P_el); P_fc_opt value(P_fc); P_buy_opt value(P_buy); P_sell_opt value(P_sell); S_h2_opt value(S_h2);代码结构不复杂核心逻辑和第二节的数学公式一一对应。跑通后可以直接用figure; plot看各设备出力曲线检查平衡关系是否合理。我建议把电功率平衡的残差也打印出来很多问题一眼就能看出来。4.3 从LP扩展到MILP接入0-1变量的思路上面的模型是纯LP因为所有约束都是线性的、决策变量连续。但实际工程中有些逻辑必须用0-1变量表达比如机组启停状态、购售电互斥、最小开停机时间。举个例子如果你严格禁止购电和售电同时发生可以引入二进制变量y(t)y binvar(1, T); C [C, P_buy P_grid_max * y]; C [C, P_sell P_grid_max * (1 - y)];当y1时允许购电售电功率被强制为0反之亦然。模型从LP变成MILP求解器切换成intlinprog或Gurobi即可ops sdpsettings(solver, gurobi, verbose, 0);从纯LP到MILP代码改动极小但能表达的工程约束丰富很多。建议先把LP版本跑通、结果调合理再逐步加0-1变量这样排查问题时能快速定位是哪一类约束出了问题。5. 典型算例仿真与调度结果解读5.1 算例参数与场景设置我按北方某园区微电网的典型日数据搭了一个算例设备参数如下表设备参数数值CHP机组功率范围 / 发电效率 / 热电比5-50 kW / 0.35 / 1.5电解槽功率范围 / 电转氢效率0-20 kW / 0.65燃料电池功率范围 / 发电效率 / 热电比0-30 kW / 0.50 / 1.0储氢罐容量 / 初始储氢量150 kWh / 75 kWh燃气锅炉功率上限 / 热效率40 kW / 0.90电网交互购售电功率上限50 kW电负荷峰值约75kW出现在傍晚热负荷峰值55kW出现在夜间8点光伏中午峰值34kW风电夜间出力较高。分时电价设计了峰平谷三段。这套参数运行下来目标函数值就是一个具体的日运行成本数值。你拿去跑自己的数据时重点看调度曲线的相对关系不要纠结绝对值。5.2 调度曲线里能读到什么优化结果跑出来后我一般先看三个东西储能SOC曲线、燃料电池出力和购电曲线。典型结果会呈现这样的特征夜间风电出力大、电价低CHP机组维持较低出力满足基础热负荷多余风电进入电解槽制氢储氢量缓慢上升。上午电负荷升高、电价进入峰值段燃料电池开始放电CHP机组提升出力购电明显减少。中午光伏大发如果发电量超过负荷和电解槽吸收能力多余电力会卖给电网。傍晚热负荷和电负荷双高、电价二次上涨CHP和燃料电池同时出力储氢量快速下降。氢储能的调度规律一句话总结低谷低价时段制氢蓄能高峰高价时段放能供热。这就是时间错配的价值。对比不装氢储能的基准方案日运行成本会下降一块幅度取决于峰谷价差、风电消纳量和设备容量配比。5.3 参数敏感性峰谷价差、储氢容量、热电比模型跑通之后强烈建议做几组参数敏感性分析这是写论文和做项目汇报最容易出效果的环节。峰谷价差增大时氢储能的套利空间变大燃料电池的放电时段会明显增多购电集中在低谷段运行成本下降。储氢容量从100kWh增加到200kWh时储能系统有了更大调节空间但容量继续往上增长边际收益会递减因为制氢的电量总归有限。CHP热电比提高意味着同样的发电量能带出更多热热平衡中燃气锅炉的出力会降低天然气消耗减少但电侧灵活性变差极端情况下可能出现“为了供热而被迫发电、造成多余电力”的尴尬。这些分析不需要额外写多少代码改一个参数重新求解就行。但通过对比规律你能对整套系统的运行特性有更直观的理解这也是优化调度项目里最有价值的部分。6. 常见问题与调试技巧实录6.1 “Infeasible problem”的快速定位YALMIP报Infeasible problem是最常见的坑。我自己的排查顺序是固定的先把储能动态约束和初末状态约束注释掉看基础电热平衡是否可行不行就从电平衡开始逐个删等式找到第一个导致不可行的约束。单位不统一是隐藏大坑。有人在参数里功率用kW、储氢容量用MWh结果差三个数量级约束直接无解。我建议所有数据统一用kW和kWh电价用元/kWh时段长度用小时全程一个单位体系不要混用。如果模型带0-1变量还要检查是否因为互斥约束写错导致可行域为空。比如购售电互斥用了同一个二进制变量但逻辑取反没写对就会出现某时段只能买不能卖而系统那段时间恰恰需要卖电的尴尬情况。6.2 调度曲线抖振、频繁启停与购售电同时出现结果曲线出现相邻时段功率大幅波动通常是模型里缺少爬坡约束。真实设备出力不能瞬变但LP模型不care这个它只要目标最优哪怕前一小时满发、后一小时停机也无所谓。解决方法是加爬坡约束C [C, -R_chp diff(P_chp) R_chp];R_chp是CHP机组的爬坡速率。另一种情况是购电和售电同时出现在最优解里这多半是价格设置不合理或者没加互斥约束参照4.3节的0-1变量处理。还有一种反直觉的情况燃料电池在某个时段明明电价不高却还是出力。这时候要回头查热平衡很可能是热负荷恰好高、燃料电池的余热比燃气锅炉供热更划算。单纯从电侧看问题就会觉得“不合理”但放到热电联供的整体视角这个调度决策恰恰是合理的。6.3 求解时间与工程效率24时段LP模型linprog秒解没什么好担心的。但如果扩展到96时段、加上多台机组和大量0-1变量求解时间就会明显上升。几个实用建议用Gurobi或CPLEX替代matlab自带求解器效率提升非常明显设置MIPGap比如sdpsettings(gurobi.MIPGap, 0.01)允许1%的次优误差换取求解速度在循环里跑多次优化时把建模部分封装成函数避免重复定义变量导致的yalmip内存堆积大数据量时改用sparse矩阵和结构体组织参数减少内存占用。最后说个我自己的使用体会。这套模型的价值不在代码本身而在于把氢储能放到热电联供体系里一起调度的“全局视角”。单纯做电储能调度两条平衡线基本解耦难度低一个量级但把电解槽、燃料电池和CHP放在一块电、热、氢相互牵制才是综合能源微电网现实中真正要面对的问题。我建议刚接触这个方向的朋友别急着加复杂算法先把确定性LP模型跑通、曲线读懂再去扩展随机优化或强化学习地基会扎实得多。