做微电网优化调度的人这两年多多少少都会碰到一个高频词——氢储能热电联供型微电网。简而言之就是在传统的“风光储能负荷”基础上把电解槽、储氢罐、燃料电池以及供热管网一起纳入优化调度让电和热在同一个时间尺度上协同安排。我自己在跑这类项目时最大的感受是光有Matlab代码不难难的是把物理模型、调度目标和求解约束理清楚否则一跑就出错。这篇文章就从项目整体思路、数学模型、Matlab实现、算例分析和避坑经验几个角度把这套东西完整拆一遍适合正在做微电网调度、综合能源系统课题的学生和工程师参考。1. 项目概述与核心思路1.1 这是个什么项目解决了什么问题所谓“基于氢储能的热电联供型微电网优化调度”本质上是给微电网装一个“电-氢-热”三联贯通的大脑。传统微电网里储能一般就是电化学电池只能存电、放电而氢储能多了一条灵活路径富余的电给电解槽制氢氢气存在储氢罐里需要时燃料电池发电同时燃料电池运行产生的余热还能供给热负荷。这样一个系统把电、氢、热三种能量载体串在一起调度自由度比单一储能高很多。我接触过不少类似项目典型场景是某园区级微电网屋顶光伏、风机、外部电网进线、电化学储能、电解槽、储氢罐、燃料电池、电锅炉/燃气锅炉、供热管网都摆在同一个规划平面上。目标很简单在满足电负荷和热负荷的前提下让一天24小时的运行成本最低同时尽量多用便宜的绿电。这里的关键不是“能不能建这个系统”而是“怎么在每一个调度时段决定每台设备出力”。光伏强的时候电解槽多制氢晚上没光了燃料电池放氢发电热负荷高峰时燃料电池散发的余热不够电锅炉补储氢罐差不多了就少制氢。这一连串动态决策必须交给优化算法人工拍脑袋根本算不过来。1.2 为什么偏偏选中氢储能经常有同学问我电化学储能那么成熟为什么还要上氢我的回答是电化学储能侧重“短时功率调节”而氢储能侧重“跨时段能量搬移”。氢储能自放电小、能量密度高可以周尺度甚至月尺度存储特别适合处理微电网里“几天都不太有利”的天气窗口。而且氢能是双向的既能当电源燃料电池发电又能当原料供给工业氢负荷还能通过热电联供变成热源。当然氢储能也有硬伤最大的问题就是“效率链条不够好看”电→氢→电往返效率只有30%到40%比锂电池的85%低一大截。所以调度模型里绝不能无脑给氢储能充电必须“挑时段”——只在电价低或弃光弃风严重时才制氢在电价峰值或热负荷刚性需求出现时才放能。优化调度的价值正是在这里把氢储能的不经济性通过系统级协同“匀”回来。1.3 热电联供带来的耦合难点加入氢储能之后电网模型直接变成“电力-氢-热”多能耦合模型。最直观的耦合点在燃料电池它同时产电和产热电功率变大时热功率也会跟着变大这一组变量不能各自独立优化。热负荷曲线和电负荷曲线往往不同步——夏天可能电负荷高但热负荷低冬天反过来。如果只盯着电平衡热平衡就可能被破坏只盯着热平衡电量又可能多给或少给。所以调度模型里必须把“电-氢”转化约束、“电-热”转化约束、“氢-热”转化约束全部显式写出来。这也是很多入门者翻车最严重的地方约束条件写得不够求解器会给出物理上不可能的解约束条件写得太紧又会导致无解或求解速度慢。这块我们后面在数学模型里细说。2. 优化调度数学模型拆解2.1 目标函数成本最小化到底要叠几层绝大多数氢储能热电联供优化调度问题目标函数先写成运行成本最小化。基本项包括从外部电网购电费用通常分时电价峰时段贵、谷时段便宜燃料电池的氢气消耗折算成本或者体现为氢燃料成本设备启停惩罚成本尤其是电解槽和燃料电池频繁启停会损耗寿命弃风弃光惩罚项有些模型里会设置如果不设置优化器可能会为了省几块钱而故意不消纳风光这不符合低碳约束碳排放成本或绿电消纳收益这类属于扩展目标可按需加入。我只做最标准的版本单目标、确定性模型即假设风光预测曲线和负荷预测曲线是已知的。目标函数写成从第1到第24小时的总费用最小形式上就是一个混合整数线性规划或混合整数非线性规划。如果用YALMIP建模目标函数可以用sum()一行搞定但里面每一项的单位要统一这一点很多人忽略。举一个真实的建模习惯我会把成本函数展开成Cost sum(Cp.*Pgrid Ch2.*H2_fuel Cstart.*Z_start Cpunish.*Pcurtail)其中Cp是分时电价向量Pgrid是购电功率向量Ch2是氢气单价H2_fuel是燃料电池消耗氢气速率Z_start是启停标志变量。注意Pcurtail要定义为非负连续变量否则求解器会给负弃风物理上完全说不过去。2.2 约束条件从功率平衡到设备边界约束条件大概可以分成五类缺一类都会出问题。第一类是电功率平衡约束任意时刻光伏出力、风电出力、燃料电池出力、蓄电池放电、外网购电之和等于电负荷、电解槽耗电、蓄电池充电、外网售电如果允许之和。这个等式约束必须严格成立但实际代码里要留一个很小的松弛变量否则数值求解容易不可行。第二类是热功率平衡约束燃料电池余热、电锅炉产热、燃气锅炉产热等于热负荷加上热网损耗。这里要注意消耗的“热电比”是不是常数。燃料电池热功率跟电功率之间会有一个与运行效率有关的关系式这个关系是非线性的很多优化模型里需要分段线性化处理。第三类是设备出力上下限约束每台设备都有[P_min, P_max]区间而且很多设备不允许在完全关停和最小出力之间连续运行这就要引入二进制启停变量。比如电解槽部分型号最小运行功率是额定功率的20%低于这个值就只能停机。这种“非连续可行域”是混合整数规划的经典来源。第四类是公用工程约束储氢罐的工作压力上下限、储氢罐容量限制、外网购电功率上限、备用容量要求等这些都要逐一写清楚。第五类是蓄电池、储氢罐的动态约束即能量存储随时间变化的递推公式。蓄电池存储为SOC(k1) SOC(k) (Pch(k)*eta_ch - Pdis(k)/eta_dis)*dt / Cap储氢类似只是把功率换成氢气质量流率。动态约束是所有调度模型里最容易被写错的部分因为时变步长dt是小时单位是kW和kg/h需要仔细换算。2.3 氢储能动态模型与热耦合约束氢储能建模可以粗可以细。粗颗粒模型把储氢罐看作一个大容量的“能量水库”只关心氢气量变化细颗粒模型要考虑储氢罐压力、温度、压缩机能耗等那就复杂多了。工程上做优化调度我建议第一次先用粗颗粒模型出结果后再细化。经典公式是S_h2(k1) S_h2(k) (H2_prod(k) - H2_FC(k) - H2_load(k) - H2_release(k)) * dt其中H2_prod是单位时间产氢速率H2_FC是燃料电池每小时消耗的氢气量H2_load是外部氢负荷用氢量H2_release是向用户供氢或泄放的量。初始罐位可以给定调度周期末罐位最好不低于初始值否则就从系统里白拿了氢这相当于在偷能量需要加终值约束。热电联供约束的核心是燃料电池的“电-热”耦合。设燃料电池消耗氢气的热值为H_fuel H2_FC * LHV产电功率为P_FC eta_FC * H_fuel总热功率为Q_FC_total (1 - eta_FC) * H_fuel其中一部分热可以被回收余热回收效率为eta_hr。实际建模时由于Q_FC_total和P_FC之间存在一个关于eta_FC的耦合关系而eta_FC又随负荷率变化所以这个关系经常用分段线性近似。一个常用的简化是让Q_FC_total / P_FC等于固定热电比alpha这样Q_FC alpha * P_FC模型就变成线性约束好算很多。2.4 不确定性处理从确定性到鲁棒/随机标题里虽然没提不确定性但真正做微电网调度躲不开风光预测误差。常见的处理思路有三条看你的研究需要第一条是确定性等价值模型把预测值直接当成真实值最简单也最脆弱。用于课程设计或Demo没问题但用于实际运行调度结果对预测误差很敏感。第二条是场景随机优化把一天需要进行多次抽样每次抽样做一次决策最终期望成本最小化。这里会涉及到场景削减技术为了让计算量不爆炸一般用基于概率距离的场景消减方法把上千个场景减到二三十个。第三条是鲁棒优化用一个不确定性集合描述风光出力的波动范围做“最坏情况下的最优决策”。鲁棒优化的缺点是可能过于保守所以在鲁棒系数上可以做折中。我自己的经验是如果课题重点在氢储能与热电联供的模型和算法确定性模型先做到闭环就足够撑起一篇高质量博文如果要做更深入的论文再加鲁棒层。上面介绍的确定性版本才是理解整个系统的最佳起点。3. Matlab实现框架与关键代码3.1 代码整体架构与工具箱选择Matlab做优化调度最大的优势是矩阵操作方便配合YALMIP建模层可以在脚本里直接写出约束表达式不用自己调求解器的C接口。我个人推荐的结构是这样的main.m % 主程序初始化参数调用建模和求解 case_data.m % 算例数据负荷、风光、电价、设备参数 model_build.m % 建立变量、目标函数、约束条件 solve_schedule.m % 调用求解器求解并恢复结果 plot_results.m % 画电/热/氢功率平衡图实际跑起来每个人习惯不同但至少要把“数据”和“模型”分离。我踩过最深的坑就是把电价、负荷直接硬编码在模型脚本里后来换一组数据时满世界找数字极其痛苦。数据用结构体打包比如params.load_e,params.price,params.efficiency这样模型脚本只需要params.xxx可读性和复用性都直接提升。主程序后我会先写一个pre_check.m做简单的数据维度校验比如电负荷与热负荷长度是否都是24小时设备参数有没有负值。别觉得这是浪费时间很多“求解无解”的锅都是参数单位填错导致的。3.2 设备模型怎么写电解槽、燃料电池、储氢罐氢储能相关模型建议单独封装成函数方便统一修改效率系数。下面给一个电解槽产氢速率的示例代码片段。function h2_prod electrolyzer_model(P_el, eta_el, LHV_h2) % 电解槽模型 % 输入: P_el 电解槽输入电功率 [kW] % 输入: eta_el 电热氢综合效率 [0,1] % 输入: LHV_h2 氢气低位热值 [kWh/kg] % 输出: h2_prod 产氢速率 [kg/h] h2_prod eta_el * P_el / LHV_h2; end这里其实是把eta_el视为恒定值实际电解槽效率会随负载率下降所以更精细的做法是给不同负载区间写分段线性效率曲线。对于优化调度模型我强烈建议用分段线性逼近第n段的效率eta_n和功率上限P_n_max提前算好然后引入分段变量目标函数里保持线性。燃料电池的模型更简单但要注意热量输出的写法function [P_fc, Q_fc] fuel_cell_model(h2_consume, eta_fc, LHV_h2, alpha) % 燃料电池热电联供模型 % 输出: P_fc 产电功率 [kW] % 输出: Q_fc 可回收余热 [kW] h2_energy h2_consume * LHV_h2; % 氢气输入能量 P_fc eta_fc * h2_energy; Q_fc alpha * P_fc; % 固定热电比 alpha endalpha的取值一般在0.8到1.5之间不同厂家、不同运行工况差很多。在调度模型里Q_fc是随P_fc线性增加还是按多项式变化直接决定模型的线性程度。如果想要快速收敛固定热电比是首选。储氢罐的动态约束在前面已经给了递推公式。写成YALMIP约束时要特别注意下标的处理因为YALMIP的变量是矩阵矩阵索引从1开始而递推公式里k1对应到代码里就是k之后的元素。具体代码如下% 储氢罐动态约束 for k 1:24 if k 24 S_h2(k1) S_h2(k) (H2_prod(k) - H2_fc(k) - H2_ext(k)) * dt; end end % 罐位上下限 S_min S_h2 S_max; % 调度周期末不低于初始值 S_h2(24) S_h2_init;后面一定要检查单位。如果H2_prod单位是kg/hdt是1h那等式右边是kg等式左边也是kg没问题。但有的同学把P_el单位写成MW而储氢罐容量是kg就会出现“数学上能算、物理上荒谬”的结果。3.3 约束生成与求解调用用YALMIP建模核心是optimize(Constraints, Objective, options)三件套。我习惯把约束分块收集到一个Constraints集合里Constraints []; % 电功率平衡 Constraints [Constraints, P_pv P_wt P_fc P_grid P_dis ... P_load P_el P_ch P_sell]; % 热功率平衡 Constraints [Constraints, Q_fc Q_eb Q_gb Q_heat]; % 设备上下限 Constraints [Constraints, 0 P_el P_el_max]; Constraints [Constraints, 0 P_fc P_fc_max]; % 启停变量逻辑示例最小运行时间约束略 Constraints [Constraints, P_el P_el_max * z_el];注意P_ch和P_dis要分成两个变量不能用一个带符号的变量否则会出现“同时充电和放电”的错误解。类似地购电和售电也要拆开或者加上互斥约束P_buy P_sell P_line_max且P_buy .* P_sell 0但乘法会引入非线性所以通常用二进制变量强制互斥。求解调用部分options sdpsettings(solver, cplex, verbose, 1); optimize(Constraints, Objective, options);verbose设为1可以看求解过程。如果求解器给出一条“infeasible”的提示不要慌先把所有等式约束在分解前逐个检查最常见的情况是电负荷数据单位不一致kW和MW混用或某个设备最小出力比最大出力还大。3.4 参数初始化与调试要点参数初值是从“物理常识”出发的而不是随便猜。比如光伏出力最大可能到500kW那么光伏切削变量上限就应该至少是500kW电解槽额定功率100kW但在60kW以下不能运行这个约束要写清楚。调试顺序很重要。我一个一个环节地来第一步固定燃料电池和电解槽为0只让电网和电储能支撑负荷跑通基础电平衡第二步加入燃料电池看电平衡是否仍然成立第三步加入电解槽和储氢罐看氢平衡是否闭合。每多一组设备就多检验一次而不是一次性把所有设备全部塞进模型否则一旦无解根本不知道问题出在哪条约束。另外要注意Matlab的变量矩阵方向问题。YALMIP处理列向量和行向量的下标行为不同我曾经把24小时数据存成行向量而变量定义为列向量结果四个维度对不上求解器报了一堆莫名其妙的错。统一的建议所有时序列数据都用列向量即24x1的双精度数据这样和YALMIP生成的变量维度天然一致。4. 算例设计与结果分析4.1 某园区微电网基础数据为了把完整流程讲清楚我用一个虚构项目做示例姑且叫“某园区微电网”。园区配了150kW光伏、100kW风电、200kW/400kWh锂电池、100kW电解槽、50kg储氢罐、80kW燃料电池同时有一台200kW电锅炉作为备用热源。峰谷电价按常见工商业分时电价设置夜间谷段0.3元/kWh白天峰段1.1元/kWh。冬季典型日电负荷峰值200kW热负荷峰值150kW风光出力早上和中午较强。这些数据不用真实项目但量级足够说明问题。实际写代码时这些参数都放在case_data.m里并且写成可修改的常量。4.2 有/无氢储能的结果对比我用同一组负荷和风光数据跑了两组算例。第一组只配置锂电池和电锅炉第二组把锂电池换成“锂电池氢储能热电联供”。结果对比非常直观指标仅电化学储能锂电池氢储能热电联供日运行成本元18201565弃风弃光电量kWh12438外网购电量kWh1020870燃料电池产电kWh0310电解槽制氢消耗电量kWh0245可以看到引入氢储能后弃光弃风明显减少因为白天光伏大发时段多出来的电不再只能白白浪费而是进电解槽变成氢气存起来晚高峰变成电。购电成本下降有一部分来自氢能在谷电时段“低买高用”但更重要的贡献其实是“把原本要弃掉的那部分电量利用了起来”。注意在典型日里由于外购电价峰谷差大电解槽会策略性地在夜间谷段也制一点氢这也在模型结果里体现了出来。这就是优化调度的价值不是简单地“多建储氢一定省钱”而是通过调度算法找到最佳的电→氢→电的“时间套利”路径。4.3 敏感性分析氢价、储氢罐容量如何影响调度做完基本结果之后我习惯做两组敏感性分析这也是写论文或工程报告时最有说服力的部分。一组是氢气价格从30元/kg扫到60元/kg观察系统日运行成本和氢储能利用小时数。你会发现当氢价过高时优化算法会主动降低制氢量燃料电池发电也变少氢储能更多变成淡季储备成本曲线会有一个折点这个折点就是经济临界值。另一组是储氢罐容量从20kg扫到100kg看弃风弃光率的变化。罐子太小白天生产的氢没地方存晚上燃料电池用得紧系统灵活度受限罐子足够大之后继续增加容量的收益会递减。原因很简单容量大了但制氢功率上限没变每天最多能制出来的氢也就那么多罐子再大也是“闲”。这种边际收益递减的现象做项目预算时特别有用——不要盲目上大储氢罐。敏感性分析的Matlab实现也不复杂最笨的方法就是把容量变量包一层for循环每轮重新求解一次。如果算例不大24小时单场景每次求解几秒钟一共循环十几次也就一分钟。想要更优雅可以用并行parfor但要注意共享变量不能写随循环变化的参数否则会出错。5. 从模型到工程经验与避坑5.1 求解不收敛或报不可行怎么办这是我被问得最多的问题。报infeasible的时候先别怀疑求解器绝大多数是自己约束冲突。我的排查顺序是第一步把所有等式约束临时注释掉只看变量取值范围如果这样能行说明设备边界没问题问题出在平衡等式上。第二步把电平衡等式恢复热平衡等式暂时去掉看电部分是否可行。第三步再把热平衡加入看是不是热负荷超过所有热源容量上限。第四步检查储氢罐终值约束很多模型给储氢罐设了高不可攀的期末罐位目标导致无解。第五步查看站点数据里有没有零除或负数比如把某个设备最大出力写成了0。另外一个小技巧在等式约束两端同时加一个极小的松弛变量比如1e-6可以避免浮点数误差导致求解器误判不可行。但不要把松弛变量设得太大以免允许不满足物理方程的解出现。5.2 热平衡管理里容易忽略的点热负荷与电负荷在时间尺度上很不一样。很多微电网的供热管网有热惯性热负荷不需要实时精确匹配允许温度在一个范围内波动。但优化调度模型如果把它当成刚性等式结果往往会过度调用电锅炉造成成本上升。我在第一次跑通模型后把热平衡等式放宽为一个带上下限的区间约束Q_heat_min(k) Q_fc(k) Q_eb(k) Q_heat_max(k)。这样会给求解器更大的可行域成本也会下降一点。当然这是以牺牲小时级热舒适度精度为代价的需要根据实际工程需求取舍。还有热电比alpha的设置不同运行工况下燃料电池的热电比并不是恒定值。如果只用一个固定值可能导致低负荷时算出“产电很漂亮、产热却不够用”的结果。如果算例对热精度要求高建议把燃料电池模型改成基于二维查表或分段函数的形式并引入负荷率作为中间变量。这样模型会从纯LP变成MIQP或MILP但成熟求解器一样能处理。5.3 代码复用与模块化建议做完整套代码后最大的收获是“可复用性”。我后来把同一个内核课设移植到不同项目里改了数据文件、设备数量核心模型脚本基本不动。具体做法是将氢储能、锂电池、锅炉写成函数文件入参是设备参数和OPoperating point结构体调度模型只负责“拼装”设备函数给出的方程不负责计算设备内部机理设备输出变量统一成结构体比如Unit.power ...; Unit.heat ...; Unit.h2 ...;这样后续扩展到燃气轮机、地源热泵也只需要增加一个设备函数不会影响已有逻辑。这样设计还有一个好处写论文或报告时可以直接说“系统可以灵活扩展至多类综合能源设备”而不是“只能跑这一个算例”。最后再分享一个小技巧每次求解完把关键结果自动导出成Excel包括24小时的电功率、热功率、氢罐SOC、成本项明细。这不仅能辅助绘图还能在自己改参数时迅速对比前后差异。我在调试时就靠这个表格抓出来一个离谱的错误——那天储氢罐的SOC曲线在凌晨出现了一个“跃升跳变”最后发现是递推公式里漏乘了时间尺度导致一夜之间凭空多出几十公斤氢。这种错误用肉眼看曲线一眼就能发现比对着控制台日志省力得多。目前这套方法已经跑通了多个类似规模的算例下一步我准备往“日前调度实时滚动修正”的方向改进把预测误差的影响压到更低。做优化调度这行最吸引人的地方就是模型永远有可以精化的空间但也永远要先保证基础模型足够扎实。先把这篇里的模型和代码吃透再谈扩展和优化路就会顺很多。
做微电网优化调度的人这两年多多少少都会碰到一个高频词——氢储能热电联供型微电网。简而言之就是在传统的“风光储能负荷”基础上把电解槽、储氢罐、燃料电池以及供热管网一起纳入优化调度让电和热在同一个时间尺度上协同安排。我自己在跑这类项目时最大的感受是光有Matlab代码不难难的是把物理模型、调度目标和求解约束理清楚否则一跑就出错。这篇文章就从项目整体思路、数学模型、Matlab实现、算例分析和避坑经验几个角度把这套东西完整拆一遍适合正在做微电网调度、综合能源系统课题的学生和工程师参考。1. 项目概述与核心思路1.1 这是个什么项目解决了什么问题所谓“基于氢储能的热电联供型微电网优化调度”本质上是给微电网装一个“电-氢-热”三联贯通的大脑。传统微电网里储能一般就是电化学电池只能存电、放电而氢储能多了一条灵活路径富余的电给电解槽制氢氢气存在储氢罐里需要时燃料电池发电同时燃料电池运行产生的余热还能供给热负荷。这样一个系统把电、氢、热三种能量载体串在一起调度自由度比单一储能高很多。我接触过不少类似项目典型场景是某园区级微电网屋顶光伏、风机、外部电网进线、电化学储能、电解槽、储氢罐、燃料电池、电锅炉/燃气锅炉、供热管网都摆在同一个规划平面上。目标很简单在满足电负荷和热负荷的前提下让一天24小时的运行成本最低同时尽量多用便宜的绿电。这里的关键不是“能不能建这个系统”而是“怎么在每一个调度时段决定每台设备出力”。光伏强的时候电解槽多制氢晚上没光了燃料电池放氢发电热负荷高峰时燃料电池散发的余热不够电锅炉补储氢罐差不多了就少制氢。这一连串动态决策必须交给优化算法人工拍脑袋根本算不过来。1.2 为什么偏偏选中氢储能经常有同学问我电化学储能那么成熟为什么还要上氢我的回答是电化学储能侧重“短时功率调节”而氢储能侧重“跨时段能量搬移”。氢储能自放电小、能量密度高可以周尺度甚至月尺度存储特别适合处理微电网里“几天都不太有利”的天气窗口。而且氢能是双向的既能当电源燃料电池发电又能当原料供给工业氢负荷还能通过热电联供变成热源。当然氢储能也有硬伤最大的问题就是“效率链条不够好看”电→氢→电往返效率只有30%到40%比锂电池的85%低一大截。所以调度模型里绝不能无脑给氢储能充电必须“挑时段”——只在电价低或弃光弃风严重时才制氢在电价峰值或热负荷刚性需求出现时才放能。优化调度的价值正是在这里把氢储能的不经济性通过系统级协同“匀”回来。1.3 热电联供带来的耦合难点加入氢储能之后电网模型直接变成“电力-氢-热”多能耦合模型。最直观的耦合点在燃料电池它同时产电和产热电功率变大时热功率也会跟着变大这一组变量不能各自独立优化。热负荷曲线和电负荷曲线往往不同步——夏天可能电负荷高但热负荷低冬天反过来。如果只盯着电平衡热平衡就可能被破坏只盯着热平衡电量又可能多给或少给。所以调度模型里必须把“电-氢”转化约束、“电-热”转化约束、“氢-热”转化约束全部显式写出来。这也是很多入门者翻车最严重的地方约束条件写得不够求解器会给出物理上不可能的解约束条件写得太紧又会导致无解或求解速度慢。这块我们后面在数学模型里细说。2. 优化调度数学模型拆解2.1 目标函数成本最小化到底要叠几层绝大多数氢储能热电联供优化调度问题目标函数先写成运行成本最小化。基本项包括从外部电网购电费用通常分时电价峰时段贵、谷时段便宜燃料电池的氢气消耗折算成本或者体现为氢燃料成本设备启停惩罚成本尤其是电解槽和燃料电池频繁启停会损耗寿命弃风弃光惩罚项有些模型里会设置如果不设置优化器可能会为了省几块钱而故意不消纳风光这不符合低碳约束碳排放成本或绿电消纳收益这类属于扩展目标可按需加入。我只做最标准的版本单目标、确定性模型即假设风光预测曲线和负荷预测曲线是已知的。目标函数写成从第1到第24小时的总费用最小形式上就是一个混合整数线性规划或混合整数非线性规划。如果用YALMIP建模目标函数可以用sum()一行搞定但里面每一项的单位要统一这一点很多人忽略。举一个真实的建模习惯我会把成本函数展开成Cost sum(Cp.*Pgrid Ch2.*H2_fuel Cstart.*Z_start Cpunish.*Pcurtail)其中Cp是分时电价向量Pgrid是购电功率向量Ch2是氢气单价H2_fuel是燃料电池消耗氢气速率Z_start是启停标志变量。注意Pcurtail要定义为非负连续变量否则求解器会给负弃风物理上完全说不过去。2.2 约束条件从功率平衡到设备边界约束条件大概可以分成五类缺一类都会出问题。第一类是电功率平衡约束任意时刻光伏出力、风电出力、燃料电池出力、蓄电池放电、外网购电之和等于电负荷、电解槽耗电、蓄电池充电、外网售电如果允许之和。这个等式约束必须严格成立但实际代码里要留一个很小的松弛变量否则数值求解容易不可行。第二类是热功率平衡约束燃料电池余热、电锅炉产热、燃气锅炉产热等于热负荷加上热网损耗。这里要注意消耗的“热电比”是不是常数。燃料电池热功率跟电功率之间会有一个与运行效率有关的关系式这个关系是非线性的很多优化模型里需要分段线性化处理。第三类是设备出力上下限约束每台设备都有[P_min, P_max]区间而且很多设备不允许在完全关停和最小出力之间连续运行这就要引入二进制启停变量。比如电解槽部分型号最小运行功率是额定功率的20%低于这个值就只能停机。这种“非连续可行域”是混合整数规划的经典来源。第四类是公用工程约束储氢罐的工作压力上下限、储氢罐容量限制、外网购电功率上限、备用容量要求等这些都要逐一写清楚。第五类是蓄电池、储氢罐的动态约束即能量存储随时间变化的递推公式。蓄电池存储为SOC(k1) SOC(k) (Pch(k)*eta_ch - Pdis(k)/eta_dis)*dt / Cap储氢类似只是把功率换成氢气质量流率。动态约束是所有调度模型里最容易被写错的部分因为时变步长dt是小时单位是kW和kg/h需要仔细换算。2.3 氢储能动态模型与热耦合约束氢储能建模可以粗可以细。粗颗粒模型把储氢罐看作一个大容量的“能量水库”只关心氢气量变化细颗粒模型要考虑储氢罐压力、温度、压缩机能耗等那就复杂多了。工程上做优化调度我建议第一次先用粗颗粒模型出结果后再细化。经典公式是S_h2(k1) S_h2(k) (H2_prod(k) - H2_FC(k) - H2_load(k) - H2_release(k)) * dt其中H2_prod是单位时间产氢速率H2_FC是燃料电池每小时消耗的氢气量H2_load是外部氢负荷用氢量H2_release是向用户供氢或泄放的量。初始罐位可以给定调度周期末罐位最好不低于初始值否则就从系统里白拿了氢这相当于在偷能量需要加终值约束。热电联供约束的核心是燃料电池的“电-热”耦合。设燃料电池消耗氢气的热值为H_fuel H2_FC * LHV产电功率为P_FC eta_FC * H_fuel总热功率为Q_FC_total (1 - eta_FC) * H_fuel其中一部分热可以被回收余热回收效率为eta_hr。实际建模时由于Q_FC_total和P_FC之间存在一个关于eta_FC的耦合关系而eta_FC又随负荷率变化所以这个关系经常用分段线性近似。一个常用的简化是让Q_FC_total / P_FC等于固定热电比alpha这样Q_FC alpha * P_FC模型就变成线性约束好算很多。2.4 不确定性处理从确定性到鲁棒/随机标题里虽然没提不确定性但真正做微电网调度躲不开风光预测误差。常见的处理思路有三条看你的研究需要第一条是确定性等价值模型把预测值直接当成真实值最简单也最脆弱。用于课程设计或Demo没问题但用于实际运行调度结果对预测误差很敏感。第二条是场景随机优化把一天需要进行多次抽样每次抽样做一次决策最终期望成本最小化。这里会涉及到场景削减技术为了让计算量不爆炸一般用基于概率距离的场景消减方法把上千个场景减到二三十个。第三条是鲁棒优化用一个不确定性集合描述风光出力的波动范围做“最坏情况下的最优决策”。鲁棒优化的缺点是可能过于保守所以在鲁棒系数上可以做折中。我自己的经验是如果课题重点在氢储能与热电联供的模型和算法确定性模型先做到闭环就足够撑起一篇高质量博文如果要做更深入的论文再加鲁棒层。上面介绍的确定性版本才是理解整个系统的最佳起点。3. Matlab实现框架与关键代码3.1 代码整体架构与工具箱选择Matlab做优化调度最大的优势是矩阵操作方便配合YALMIP建模层可以在脚本里直接写出约束表达式不用自己调求解器的C接口。我个人推荐的结构是这样的main.m % 主程序初始化参数调用建模和求解 case_data.m % 算例数据负荷、风光、电价、设备参数 model_build.m % 建立变量、目标函数、约束条件 solve_schedule.m % 调用求解器求解并恢复结果 plot_results.m % 画电/热/氢功率平衡图实际跑起来每个人习惯不同但至少要把“数据”和“模型”分离。我踩过最深的坑就是把电价、负荷直接硬编码在模型脚本里后来换一组数据时满世界找数字极其痛苦。数据用结构体打包比如params.load_e,params.price,params.efficiency这样模型脚本只需要params.xxx可读性和复用性都直接提升。主程序后我会先写一个pre_check.m做简单的数据维度校验比如电负荷与热负荷长度是否都是24小时设备参数有没有负值。别觉得这是浪费时间很多“求解无解”的锅都是参数单位填错导致的。3.2 设备模型怎么写电解槽、燃料电池、储氢罐氢储能相关模型建议单独封装成函数方便统一修改效率系数。下面给一个电解槽产氢速率的示例代码片段。function h2_prod electrolyzer_model(P_el, eta_el, LHV_h2) % 电解槽模型 % 输入: P_el 电解槽输入电功率 [kW] % 输入: eta_el 电热氢综合效率 [0,1] % 输入: LHV_h2 氢气低位热值 [kWh/kg] % 输出: h2_prod 产氢速率 [kg/h] h2_prod eta_el * P_el / LHV_h2; end这里其实是把eta_el视为恒定值实际电解槽效率会随负载率下降所以更精细的做法是给不同负载区间写分段线性效率曲线。对于优化调度模型我强烈建议用分段线性逼近第n段的效率eta_n和功率上限P_n_max提前算好然后引入分段变量目标函数里保持线性。燃料电池的模型更简单但要注意热量输出的写法function [P_fc, Q_fc] fuel_cell_model(h2_consume, eta_fc, LHV_h2, alpha) % 燃料电池热电联供模型 % 输出: P_fc 产电功率 [kW] % 输出: Q_fc 可回收余热 [kW] h2_energy h2_consume * LHV_h2; % 氢气输入能量 P_fc eta_fc * h2_energy; Q_fc alpha * P_fc; % 固定热电比 alpha endalpha的取值一般在0.8到1.5之间不同厂家、不同运行工况差很多。在调度模型里Q_fc是随P_fc线性增加还是按多项式变化直接决定模型的线性程度。如果想要快速收敛固定热电比是首选。储氢罐的动态约束在前面已经给了递推公式。写成YALMIP约束时要特别注意下标的处理因为YALMIP的变量是矩阵矩阵索引从1开始而递推公式里k1对应到代码里就是k之后的元素。具体代码如下% 储氢罐动态约束 for k 1:24 if k 24 S_h2(k1) S_h2(k) (H2_prod(k) - H2_fc(k) - H2_ext(k)) * dt; end end % 罐位上下限 S_min S_h2 S_max; % 调度周期末不低于初始值 S_h2(24) S_h2_init;后面一定要检查单位。如果H2_prod单位是kg/hdt是1h那等式右边是kg等式左边也是kg没问题。但有的同学把P_el单位写成MW而储氢罐容量是kg就会出现“数学上能算、物理上荒谬”的结果。3.3 约束生成与求解调用用YALMIP建模核心是optimize(Constraints, Objective, options)三件套。我习惯把约束分块收集到一个Constraints集合里Constraints []; % 电功率平衡 Constraints [Constraints, P_pv P_wt P_fc P_grid P_dis ... P_load P_el P_ch P_sell]; % 热功率平衡 Constraints [Constraints, Q_fc Q_eb Q_gb Q_heat]; % 设备上下限 Constraints [Constraints, 0 P_el P_el_max]; Constraints [Constraints, 0 P_fc P_fc_max]; % 启停变量逻辑示例最小运行时间约束略 Constraints [Constraints, P_el P_el_max * z_el];注意P_ch和P_dis要分成两个变量不能用一个带符号的变量否则会出现“同时充电和放电”的错误解。类似地购电和售电也要拆开或者加上互斥约束P_buy P_sell P_line_max且P_buy .* P_sell 0但乘法会引入非线性所以通常用二进制变量强制互斥。求解调用部分options sdpsettings(solver, cplex, verbose, 1); optimize(Constraints, Objective, options);verbose设为1可以看求解过程。如果求解器给出一条“infeasible”的提示不要慌先把所有等式约束在分解前逐个检查最常见的情况是电负荷数据单位不一致kW和MW混用或某个设备最小出力比最大出力还大。3.4 参数初始化与调试要点参数初值是从“物理常识”出发的而不是随便猜。比如光伏出力最大可能到500kW那么光伏切削变量上限就应该至少是500kW电解槽额定功率100kW但在60kW以下不能运行这个约束要写清楚。调试顺序很重要。我一个一个环节地来第一步固定燃料电池和电解槽为0只让电网和电储能支撑负荷跑通基础电平衡第二步加入燃料电池看电平衡是否仍然成立第三步加入电解槽和储氢罐看氢平衡是否闭合。每多一组设备就多检验一次而不是一次性把所有设备全部塞进模型否则一旦无解根本不知道问题出在哪条约束。另外要注意Matlab的变量矩阵方向问题。YALMIP处理列向量和行向量的下标行为不同我曾经把24小时数据存成行向量而变量定义为列向量结果四个维度对不上求解器报了一堆莫名其妙的错。统一的建议所有时序列数据都用列向量即24x1的双精度数据这样和YALMIP生成的变量维度天然一致。4. 算例设计与结果分析4.1 某园区微电网基础数据为了把完整流程讲清楚我用一个虚构项目做示例姑且叫“某园区微电网”。园区配了150kW光伏、100kW风电、200kW/400kWh锂电池、100kW电解槽、50kg储氢罐、80kW燃料电池同时有一台200kW电锅炉作为备用热源。峰谷电价按常见工商业分时电价设置夜间谷段0.3元/kWh白天峰段1.1元/kWh。冬季典型日电负荷峰值200kW热负荷峰值150kW风光出力早上和中午较强。这些数据不用真实项目但量级足够说明问题。实际写代码时这些参数都放在case_data.m里并且写成可修改的常量。4.2 有/无氢储能的结果对比我用同一组负荷和风光数据跑了两组算例。第一组只配置锂电池和电锅炉第二组把锂电池换成“锂电池氢储能热电联供”。结果对比非常直观指标仅电化学储能锂电池氢储能热电联供日运行成本元18201565弃风弃光电量kWh12438外网购电量kWh1020870燃料电池产电kWh0310电解槽制氢消耗电量kWh0245可以看到引入氢储能后弃光弃风明显减少因为白天光伏大发时段多出来的电不再只能白白浪费而是进电解槽变成氢气存起来晚高峰变成电。购电成本下降有一部分来自氢能在谷电时段“低买高用”但更重要的贡献其实是“把原本要弃掉的那部分电量利用了起来”。注意在典型日里由于外购电价峰谷差大电解槽会策略性地在夜间谷段也制一点氢这也在模型结果里体现了出来。这就是优化调度的价值不是简单地“多建储氢一定省钱”而是通过调度算法找到最佳的电→氢→电的“时间套利”路径。4.3 敏感性分析氢价、储氢罐容量如何影响调度做完基本结果之后我习惯做两组敏感性分析这也是写论文或工程报告时最有说服力的部分。一组是氢气价格从30元/kg扫到60元/kg观察系统日运行成本和氢储能利用小时数。你会发现当氢价过高时优化算法会主动降低制氢量燃料电池发电也变少氢储能更多变成淡季储备成本曲线会有一个折点这个折点就是经济临界值。另一组是储氢罐容量从20kg扫到100kg看弃风弃光率的变化。罐子太小白天生产的氢没地方存晚上燃料电池用得紧系统灵活度受限罐子足够大之后继续增加容量的收益会递减。原因很简单容量大了但制氢功率上限没变每天最多能制出来的氢也就那么多罐子再大也是“闲”。这种边际收益递减的现象做项目预算时特别有用——不要盲目上大储氢罐。敏感性分析的Matlab实现也不复杂最笨的方法就是把容量变量包一层for循环每轮重新求解一次。如果算例不大24小时单场景每次求解几秒钟一共循环十几次也就一分钟。想要更优雅可以用并行parfor但要注意共享变量不能写随循环变化的参数否则会出错。5. 从模型到工程经验与避坑5.1 求解不收敛或报不可行怎么办这是我被问得最多的问题。报infeasible的时候先别怀疑求解器绝大多数是自己约束冲突。我的排查顺序是第一步把所有等式约束临时注释掉只看变量取值范围如果这样能行说明设备边界没问题问题出在平衡等式上。第二步把电平衡等式恢复热平衡等式暂时去掉看电部分是否可行。第三步再把热平衡加入看是不是热负荷超过所有热源容量上限。第四步检查储氢罐终值约束很多模型给储氢罐设了高不可攀的期末罐位目标导致无解。第五步查看站点数据里有没有零除或负数比如把某个设备最大出力写成了0。另外一个小技巧在等式约束两端同时加一个极小的松弛变量比如1e-6可以避免浮点数误差导致求解器误判不可行。但不要把松弛变量设得太大以免允许不满足物理方程的解出现。5.2 热平衡管理里容易忽略的点热负荷与电负荷在时间尺度上很不一样。很多微电网的供热管网有热惯性热负荷不需要实时精确匹配允许温度在一个范围内波动。但优化调度模型如果把它当成刚性等式结果往往会过度调用电锅炉造成成本上升。我在第一次跑通模型后把热平衡等式放宽为一个带上下限的区间约束Q_heat_min(k) Q_fc(k) Q_eb(k) Q_heat_max(k)。这样会给求解器更大的可行域成本也会下降一点。当然这是以牺牲小时级热舒适度精度为代价的需要根据实际工程需求取舍。还有热电比alpha的设置不同运行工况下燃料电池的热电比并不是恒定值。如果只用一个固定值可能导致低负荷时算出“产电很漂亮、产热却不够用”的结果。如果算例对热精度要求高建议把燃料电池模型改成基于二维查表或分段函数的形式并引入负荷率作为中间变量。这样模型会从纯LP变成MIQP或MILP但成熟求解器一样能处理。5.3 代码复用与模块化建议做完整套代码后最大的收获是“可复用性”。我后来把同一个内核课设移植到不同项目里改了数据文件、设备数量核心模型脚本基本不动。具体做法是将氢储能、锂电池、锅炉写成函数文件入参是设备参数和OPoperating point结构体调度模型只负责“拼装”设备函数给出的方程不负责计算设备内部机理设备输出变量统一成结构体比如Unit.power ...; Unit.heat ...; Unit.h2 ...;这样后续扩展到燃气轮机、地源热泵也只需要增加一个设备函数不会影响已有逻辑。这样设计还有一个好处写论文或报告时可以直接说“系统可以灵活扩展至多类综合能源设备”而不是“只能跑这一个算例”。最后再分享一个小技巧每次求解完把关键结果自动导出成Excel包括24小时的电功率、热功率、氢罐SOC、成本项明细。这不仅能辅助绘图还能在自己改参数时迅速对比前后差异。我在调试时就靠这个表格抓出来一个离谱的错误——那天储氢罐的SOC曲线在凌晨出现了一个“跃升跳变”最后发现是递推公式里漏乘了时间尺度导致一夜之间凭空多出几十公斤氢。这种错误用肉眼看曲线一眼就能发现比对着控制台日志省力得多。目前这套方法已经跑通了多个类似规模的算例下一步我准备往“日前调度实时滚动修正”的方向改进把预测误差的影响压到更低。做优化调度这行最吸引人的地方就是模型永远有可以精化的空间但也永远要先保证基础模型足够扎实。先把这篇里的模型和代码吃透再谈扩展和优化路就会顺很多。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
