企业官网建设流程全解析

最近我把《考虑碳减排的综合能源服务商合作运行优化策略》这篇EI论文完整复现了一遍。说实话，这类题目在综合能源系统里很常见，但真正动手复现和只看摘要完全是两码事。这篇论文的核心问题就一句话：在碳交易机制下，多个拥有冷热电供能设备的综合能源服务商，是各自独立运行划算，还是通过联络线互相借力、组成联盟共同运行更划算，如果合作划算了，省下来的钱又该怎么分。

复现过程等于把“建模—求解—分配”这一整条方法链都过了一遍。最开始的几天，我光是在理解碳配额公式上就卡住了，后面又在ADMM的参数调优上反复试错。这篇文章我会把完整思路、模型细节、求解技巧和踩过的坑全部记录下来，给正在做相关复现或者刚入门综合能源优化的朋友一个详细参考。

1. 复现之前的功课：先把论文“读透”

1.1 这篇论文到底在解决什么问题

论文里的“综合能源服务商”，不是传统意义上的电网公司或燃气公司，而是同时拥有多种供能设备、能向用户供应电力、热力和冷力的能源运营主体。典型配置包括燃气轮机（CHP）、电锅炉、燃气锅炉、热泵、电储能和光伏等。现实中这类服务商可以是园区能源站、区域综合能源公司、新建的智慧城市供能单元。

它们面临一个现实问题：碳交易市场逐步收紧之后，碳排放是有成本的，设备怎么调度、能源怎么采购，直接决定运行成本和碳履约成本的高低。如果每个服务商只盯着自己的“一亩三分地”独立运行，往往会出现这样的情况：A服务商白天光伏大发、电用不完只能低价上网甚至弃光，B服务商却在同一时刻从电网高价购电；A的燃气轮机余热足够供暖还有富余，B却在用效率更低的燃气锅炉烧热。这种配置错配，就是合作运行的利润空间。

论文解决的就是这个错配问题。它把多个服务商放在一个联盟里，允许它们通过联络线交换电力和热力，在满足各自负荷需求的同时，让整个联盟的运行成本加碳交易成本最小。合作之后省下的成本，再通过某种收益分配机制分给每个成员，保证每个成员都愿意入伙。

1.2 复现论文需要哪些基础储备

复现之前一定要盘点自己的知识储备，缺哪块补哪块，不然中途会卡得很痛苦。

第一是运筹学基础。线性规划、混合整数线性规划、目标函数和约束条件的基本概念是必备的。读论文时你会频繁看到“minimization of total operational cost”“binary variable for charging/discharging state”这些表述，如果连松弛变量和整数变量都分不清，后面的工作会非常吃力。

第二是分布式优化基础。论文合作运行策略中很可能会用到交替方向乘子法（ADMM）或者类似的一致性约束分解方法。需要理解拉格朗日乘子、增广拉格朗日函数、原始残差和对偶残差这些概念。

第三是求解工具。我推荐用MATLAB + YALMIP + CPLEX或者Gurobi的组合。YALMIP是一个建模工具箱，它负责把数学模型“翻译”成求解器能懂的格式，你不需要手动写单纯形法或者分支定界法，只要把目标函数和约束写对即可。

最后一个容易被忽略的是数据敏感性。复现用的负荷曲线、分时电价、设备参数，论文里不一定全部给出。你需要会从公开数据平台或者行业标准里找合理数值，并记录好每一处假设，后面结果对比的时候才有的放矢。

1.3 从标题反推论文的逻辑链条

拿到标题先别急着找数据，我习惯先把标题拆成关键词，倒推出论文的内容地图。

“考虑碳减排”——这意味着模型中一定有碳交易机制。具体会体现在目标函数的碳交易成本项、碳排放约束，或者两者兼有。碳配额怎么算、超排罚款是线性还是阶梯式，这是理解全文的钥匙。

“综合能源服务商”——说明是多主体系统，不是单一园区。多个主体意味着需要处理它们之间的功率交换、信息交互以及利益分配。

“合作运行优化策略”——合作两个字说明存在联盟或者说一种协同框架；优化说明最终要给出各设备的出力计划和联络线功率计划；策略说明不仅要算结果，还要给出可执行的运行方案。

把这三个关键词连起来，论文的逻辑主线其实是：建立考虑碳交易的多服务商合作运行优化模型 → 选择或设计合适的求解方法 → 用算例验证合作相对独立的优势 → 通过收益分配保证合作的稳定性。

复现时跟着这条主线走，就不会在细节里迷失。

2. 模型核心：目标函数与约束体系还原

2.1 目标函数：运行成本加碳成本怎么搭

论文中目标函数的一般形式是：最小化整个联盟的总运行成本，包括购电购气成本、设备运维成本、碳交易成本，再扣除可能的售电收益。写成数学形式大致是这样：

min f = ∑_i ∑_t ( C_buy,e(i,t) + C_buy,g(i,t) + C_om(i,t) + C_carbon(i,t) - C_sell(i,t) )

下标i代表第几个服务商，t代表时段，一般为24小时。C_buy,e是向电网购电的成本，C_buy,g是购买天然气的成本，C_om是设备运行维护成本，C_carbon是与碳排放配额相关的成本或收益，C_sell是向电网售电的收益。

这里有一个设计细节值得注意：目标函数选择“成本最小化”而不是“收益最大化”，是因为服务商的收入端（售电售热给用户的价格）通常是政府核定或者合同约定的，短期内不可控，而成本端才是运营者真正能通过调度优化的部分。把不可控的收入固定下来，只优化可控成本，在数学上更干净，在业务上也更符合能源运营商的实际处境。

碳交易成本这一项要重点看论文是怎么处理的。最常见的做法是：先给每个服务商分配一个免费碳排放配额，然后统计它运行过程中实际产生的碳排放量，两者相减为正，说明配额不够用，需要到碳市场购买配额；相减为负，说明配额有盈余，可以出售获利。公式写出来就是：

C_carbon = c_carbon × (E_actual - E_allowance)

c_carbon是市场碳价，E_actual是实际碳排放，E_allowance是免费配额。如果E_actual大于E_allowance，这一项是正的，记入成本；反之则为负，变成收益。

购电成本这一项有个隐含逻辑：电网电本身也有碳排放，因为火电占据较大比例。所以在计算实际碳排放E_actual时，外购电力对应的排放会被折算进来，用“购电量 × 电网排放因子”计算。这个细节直接影响到合作运行的经济性判断，如果购电量增加但购气量减少，碳排放总量到底升还是降，取决于电网排放因子和天然气燃烧排放因子的相对大小。

2.2 碳交易机制建模：从线性碳价到阶梯碳价

最初复现时，我先按最简单的线性碳价来处理，也就是不管超排多少，每吨碳的价格都一样。这样目标函数里的碳成本项是个线性表达式，模型是标准的MILP，非常好解。

但不少论文为了更贴近碳市场的真实规则，会把碳价设置为阶梯式。比如免费配额内的排放不花钱，超过配额的部分在某个区间内按较低碳价计费，超过更多则按更高的碳价计费。这种阶梯碳价本质上是非线性的，要对它建模必须引入分段线性化。

YALMIP里做分段线性碳价有两种办法。第一种是直接使用implies命令加二进制变量，把超排量分成几段，每段对应一个碳价；第二种是使用标准的分段线性函数工具，把碳成本和超排量之间的关系表示为一个凸分段线性函数。

我实际用的是第一种，因为它的逻辑更直观。大致思路是：定义超排量E_over = max(0, E_actual - E_allowance)，然后把它拆成三段的叠加：

E_over = e1 + e2 + e3

e1在[0, q1]之间，适用碳价p1；e2在[0, q2 - q1]之间，适用碳价p2；e3在[0, q3 - q2]之间，适用碳价p3。模型需要保证只有e1用满之后，e2才会大于零，这种顺序约束可以通过引入二进制变量和足够大的常数来线性化。

阶梯碳价对运行策略的影响非常直接。碳价越高，服务商就越倾向于多用外购电、少用气，因为外购电的碳排放折算到单位热值后可能低于天然气。尤其当碳价高于某个临界值后，原本“气价低但排放高”的CHP方案就会失宠，电网购电加电锅炉制热反而成为更优选择。复现时可以通过调整碳价参数观察设备出力转移现象，来验证模型是否正常。

2.3 约束条件清单

梳理约束条件是复现中最琐碎也最容易遗漏的部分。我按照设备类型列了一个清单，每类约束都必须体现在代码里：

储能约束是MILP中比较经典的部分，递推公式是：

SOC(t+1) = SOC(t) + (P_ch(t) × η_ch - P_dis(t) / η_dis) × Δt

SOC是储能荷电状态，P_ch和P_dis分别是充放电功率，η_ch和η_dis是充放电效率，Δt是单个时段时长（如1小时）。充放互斥条件用P_ch(t) + P_dis(t) ≤ U(t) × P_ch_max + (1 - U(t)) × P_dis_max来表达，U(t)是二进制变量，等于1时允许充电不允许放电，等于0时相反。

这部分最容易犯的错误是漏掉首末SOC一致约束。如果不加这个约束，求解器会把储能能量全部放光来降低成本，结果不满足日循环要求，算出来的成本会偏低。复现时一定要检查SOC的初始值和最终值是否相等。

联络线功率建模也有讲究。两个服务商之间的交换功率，我建议用一个有符号变量表示，正值表示从A流向B，负值表示反方向，再用两个不等式约束它的上下限。不要用两个独立的非负变量来表示双向流动，那样容易在没有互斥条件的情况下出现同时“卖出又买入”的诡异结果。

3. 从独立运行到合作运行：核心机制拆解

3.1 独立运行与联盟运行的边界条件

独立运行模式下，各服务商自扫门前雪，不允许相邻服务商之间的功率交换。每个服务商只能靠自己的设备和从电网购电来满足负荷，余电只能低价上网。

联盟运行模式则放松这个限制，允许通过联络线交换电力和热力。联络线功率成为决策变量，而且受到传输容量上限的约束。

两种模式的本质差异在于资源匹配的自由度。独立运行下，服务商A的富余光伏无法直接卖给服务商B，只能以较低的上网电价卖给电网，服务商B再以较高的零售电价从电网买回，一进一出中间就差出了价格。联盟运行则直接砍掉中间商，让功率内部流动。

复现时，独立运行和合作运行的模型框架是同一套，唯一的区别在于是否让联络线功率变量为非零值。最简单的方式是在独立运行模型里把联络线功率固定为0，在合作运行模型里放开它。两个模型跑完，用合作运行总成本减去独立运行总成本之和，就是合作带来的总节省。

3.2 联盟总成本最小化建模

合作运行的总体目标是把联盟视为一个整体，最小化所有成员的成本之和。这需要把所有服务商的变量放在同一个优化问题里求解，同时要满足一条关键约束：联络线两端的功率必须相等。

举例来说，服务商A在联络线1上送出功率P_line(1,t)，服务商B在同一时刻同一线路上接收功率必须是-P_line(1,t)。如果连接A和B的联络线功率定义在A侧，输出为P_ab(t)，那么在B侧的功率平衡方程里，这个量的符号就要反号，相当于B收到了来自A的功率。

这种约束在集中式模型里实现起来很容易，直接在公共约束集里写一行等式即可。但如果走分布式路线，联络线变量在子问题间共享，就需要用一致性约束来表达，这正是后面ADMM发挥作用的地方。

合作模型里还要注意，联络线功率是否产生购售电价差。有些论文会设定内部交易电价为某个固定值，比如电网购电价和上网电价的中值；另一些论文则完全内部结算，联盟总成本里不出现内部交易金额，只让联络线功率在两侧的平衡方程里一正一负抵消掉。复现时一定要确认作者采用的是哪种方式，这直接影响子问题的利润计算结果。

3.3 收益分配方法选择

合作运行优化得到的是联盟总成本最小，每个成员实际承担的成本需要进一步计算。最简单的方法是平均分配总成本，但这显然不公平，因为不同成员设备配置不同，对合作的贡献也不同。贡献大的成员会退出联盟，屈服于“搭便车”行为。

论文里可能采用的概念包括Shapley值、核仁以及最小核心法等合作博弈解概念。Shapley值的基本思想是：每个成员获得的收益等于它对所有可能联盟的边际贡献的加权平均。计算过程需要枚举所有子集联盟，分别求每个子联盟的合作运行成本。对于三个服务商，联盟组合包括三个单元素、三个双元素和一个三元素，总共7次优化求解，工作量完全可控。但服务商数量增加到5个以上，枚举数量会指数增长，这时需要改用采样近似或其他分配方法。

实际操作中我建议先跑通三服务商算例，用Shapley值做收益分配，这样逻辑清晰、工作量也小。如果是为了复现论文中更大的算例，可以考虑用核仁方法，它的本质是求解一个线性规划，让所有联盟成员的最大“不满”最小化，不需要枚举所有联盟。

分配结果的验证标准也很直观：分配后每个成员的成本必须低于它独立运行的成本，否则联盟不可持续。这一步在复现论文时是必检查项，如果发现某个成员分到的成本比独立还高，说明收益分配方法实现有误，或者合作节省本身就不够大。

4. 求解之路：从集中式到分布式ADMM

4.1 集中式求解最直观

刚开始复现时，我并没有直接上分布式，而是先把所有服务商的变量放在一个MILP里，用YALMIP加Gurobi直接求解。集中式模型规模不大，三个服务商各10个连续变量、5个二进制变量、24小时，加上联络线变量，完全在商业求解器的舒适区内，基本秒解。

集中式求解的意义有两点。第一是提供一个“标准答案”，后续分布式算法跑出来的结果应该逼近这个答案；第二是帮助你快速验证模型和参数是否正确，如果集中式结果出现功率不平衡、碳排放异常这类问题，一定是建模而不是算法的问题。

如果论文的主线是分布式优化，你不能只停在集中式求解这一步。你需要理解作者为什么要分布式：可能是联盟成员之间不愿意共享全部隐私信息，比如各自的负荷曲线、设备参数等；也可能是为了让某类LP、MILP子问题可以利用更小规模的并行计算加速。无论如何，集中式解是参照系，分布式解是标榜的“成果”。

4.2 ADMM的数学框架

ADMM适合处理如下形式的问题：目标函数可分离，但变量之间通过线性约束耦合。放到这个场景里，联盟总问题的变量可以分成两组或多组，每组对应一个服务商的局部变量，耦合约束就是联络线的一致性条件。

标准的ADMM框架是：

min f(x) + g(z)，s.t. x - z = 0

增广拉格朗日函数写为：

L_ρ(x, z, λ) = f(x) + g(z) + λ^T(x - z) + (ρ/2)‖x - z‖²

迭代更新分三步：先在固定z和λ的情况下更新x；再固定x和λ更新z；最后更新乘子λ。ρ是罚参数，控制解的可行性和收敛速度。

放到综合能源场景类比一下：两个服务商之间有一条联络线，它们需要就“联络线上究竟传输多少功率”达成一致。ADMM的迭代过程，可以理解为双方先各自按自己的想法调度设备，报出一个期望交换功率，然后根据对方报出的数值和一个价格信号（乘子λ），逐步修正自己的期望，直到双方给出的交换功率一致。这个场景和市场上买卖双方讨价还价非常像，λ就相当于补贴或惩罚影子价格。

4.3 YALMIP建模关键代码骨架

复现中真正写代码时，我不会把所有逻辑塞进一个大脚本，而是按子函数拆分。这里给出一个YALMIP建模的简化骨架，展示服务商子问题怎么建，ADMM外层怎么迭代。

首先是子问题建模函数：

function [x_out, Pl_out, cost] = solve_subproblem(Pl_ref, lambda, rho, params) % 单个服务商子问题 % Pl_ref: 参考交换功率（来自其他子问题的平均值） % lambda: ADMM乘子 % rho: 罚参数 % 返回值：局部变量、交换功率、子问题目标值 % 定义变量 x = sdpvar(params.nx, params.T, 'full'); % 连续变量：各设备出力 u = binvar(params.ng, params.T, 'full'); % 二进制变量：储能充放、启停 Pl = sdpvar(params.nl, params.T, 'full'); % 联络线功率 % 局部约束 Constraints = []; for t = 1:params.T Constraints = [Constraints, params.A * x(:,t) <= params.b]; Constraints = [Constraints, params.E * x(:,t) + params.F * u(:,t) <= params.g]; end % 目标函数：局部运行成本 + ADMM增广项 Objective = cost_local(x, u, params); for i = 1:params.nl Objective = Objective + ... lambda(i,:) * (Pl(i,:) - Pl_ref(i,:))' + ... (rho/2) * norm(Pl(i,:) - Pl_ref(i,:), 2)^2; end % 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 0); optimize(Constraints, Objective, ops); x_out = value(x); Pl_out = value(Pl); cost = value(cost_local(x, u, params)); end

然后是ADMM外层主循环的伪代码：

% 初始化 Pl_k = zeros(nl, T); lambda_k = zeros(nl, T); rho = 1.0; max_iter = 200; tol = 1e-4; for k = 1:max_iter % 第一步：并行求解所有子问题 for i = 1:N [x_i, Pl_i, ~] = solve_subproblem(Pl_k, lambda_k, rho, params_i); Pl_cell{i} = Pl_i; end % 第二步：更新参考交换功率，取相邻节点平均值 for line = 1:nl [a, b] = get_endpoints(line); Pl_ref_new(line,:) = (Pl_cell{a}(line,:) + Pl_cell{b}(line,:)) / 2; end % 第三步：更新乘子 lambda_k = lambda_k + rho * (Pl_cell{i} - Pl_ref_new); % 收敛检查：原始残差和对偶残差 r_prim = norm(Pl_cell{i} - Pl_ref_new(对应行), 2); r_dual = norm(rho * (Pl_ref_new - Pl_ref_old), 2); if r_prim < tol && r_dual < tol break; end Pl_k = Pl_ref_new; end

注意这个骨架为了演示做了简化，实际实现中每个子问题只有一个服务商，联络线功率的本地值和参考值需要根据具体网络拓扑做行对应调整，否则迭代方向会反掉。

4.4 罚参数怎么调

ADMM最让新手头疼的是罚参数ρ。调得过小，迭代慢，甚至迟迟不收敛；调得过大，前期可行解离目标最优解太远，虽然收敛快但解的质量差，甚至出现振荡。

我踩过的坑是：用固定ρ=1去跑三服务商算例，跑了300次迭代原始残差还在1e-2量级，怎么都降不下去。后来改成自适应调节策略，每10次迭代检查一次原始残差和对偶残差的比值：如果原始残差大于10倍对偶残差，就把ρ乘以2；如果对偶残差大于10倍原始残差，就把ρ除以2。这样调节后，60次迭代以内就收敛了。

在实际代码中，ρ的调整要选择合适的时机，一般建议在迭代初期不要太激进地调整，否则乘子更新会混乱。另外乘子的初始值一般取0向量即可，不用刻意设置。

收敛容差也值得说道。论文图表中可能显示收敛误差在1e-6量级，但这个精度在实际工程中往往过于严格。我的经验是原始残差和对偶残差降到1e-4相对运行成本的影响已经很小了，可以视为收敛。追求过高的精度会白白拖长迭代次数。

5. 算例复现实战：数据准备与结果对照

5.1 算例系统构建

我构建的是三服务商系统，为了方便对照排布，让三者在设备配置上各有侧重。服务商A配了大容量光伏和中型储能，服务商B配了燃气轮机和燃气锅炉，服务商C配了电锅炉和热泵，三者通过三条联络线形成一个简单的环形连接。

负荷曲线方面，论文里通常只给一幅24小时负荷曲线图，不提供原始数据。我的处理方法是用自定义方式生成一组小幅波动的典型曲线：电力负荷早晚两个高峰，热负荷集中在凌晨和白天，冷负荷若考虑则放在午间峰值。生成后手动检查每个时段的数值是否和该类型负荷的典型比例一致。

这段时间要特别注意时间粒度。论文统一切到1小时为间隔，一天24个决策点。如果想节省求解时间，可以采用聚合时段的方法，把相似负荷时段合并后再计算，但这会影响联络线功率曲线的精确还原度，所以复现阶段我还是保留完整24点。

5.2 关键参数设置

参数不见得论文里全都有，为了可复现性，我把关键参数列在下面，这也是我最终跑通的基础配置。

注意电网排放因子这个数值非常关键。不同区域的电网排放因子差异很大，有的地方接近0.8，有的地方只有0.4。如果论文使用某个特定数值而你没有注意到，算出来的碳减排效果会天差地别。

5.3 复现结果的几个判定标准

复现完成后，必须用几个硬性指标来验证结果是否合理有效：

第一个指标是合作运行总成本必须严格低于独立运行总成本之和。如果出现合作成本更高的结果，大概率是合作约束处理错了，或者联络线功率方向定义反了。我一开始就遇到过联络线方向反了导致合作成本超过独立的情况，排查后修正符号才恢复正常。

第二个指标是碳排放量降低。论文题眼就是“考虑碳减排”，如果合作运行后碳排放反而上升，说明模型中碳约束或者碳排放因子设置有误。不过这里要区分：如果碳价很低，合作带来的成本节省主要来自能量互补，碳排放可能并不一定下降；论文里的结论应该是同时实现了成本降低和减排，才配得上这个标题。

第三个指标是ADMM分布式求解结果与集中式求解结果的偏差。一般来说，目标函数值的相对偏差应该在1%以内，联络线功率绝对偏差在个位数kW以下。偏差过大说明子问题的一致性约束没有正确实现。

第四个指标是设备出力曲线的合理性。比如光伏出力曲线应该在中午有峰，CHP的电热出力应该在负荷高峰时增加，储能SOC曲线应该呈现“谷充峰放”的规律。曲线出现突兀的振荡或者阶梯跳变，通常是约束写漏或者二进制变量状态错误。

6. 踩坑记录与问题速查

6.1 收敛性差：罚参数、初值、步长

ADMM收敛慢是最常见的问题。根源通常有三个：罚参数不当、乘子更新步长不对、参考变量更新方式有问题。

罚参数方面，我在4.4节已经介绍过自适应调整方法。这里补充一个注意事项：ρ的变化幅度不宜过大，倍增因子建议在1.5到2.5之间，减半因子同理。变化过猛容易让迭代轨迹杂乱无章，前期看似快，后期反而震荡。

参考变量的更新方式上，常见的取法包括取相邻节点最近两次本地交换功率的平均值，以及只取上一次的本地值。我测试下来，取平均值稳定性更好，尤其当系统有环网结构时，简单取上一次值很容易形成闭环振荡。

实操中对收敛性还有一个技巧，就是对变量做归一化。联络线功率的量纲是kW，而目标函数里碳成本的量纲是元，两者数量级可能差很多。把功率变量除以基准容量（比如500kW）作为标幺值代入ADMM子问题，再在输出的时候还原，能有效改善数值稳定性。

6.2 结果和论文对不上怎么排查

这是复现中最让人抓狂的问题：代码没报错，模型能求解，可是结果和论文里的数据对不上。我的排查顺序是固定的：

先查单位。论文里碳配额的单位是吨还是千克，成本是万元还是元，功率是kW还是MW，任何一处换算错误都会让结果差一个数量级。我就犯过把天然气排放因子的单位从tCO2/MWh当成kgCO2/kWh来用，导致碳排放量低了一半。

再查公式的时间尺度。论文中的参数可能是月度或年度数据，但在优化模型中需要除以天数或者小时数折算到单个调度周期。碳配额尤其容易在这个地方出错，免费配额按月给定，但优化是日调度，需要换算成日配额。

然后查负荷曲线来源。论文算例里的负荷曲线可能是某个真实区域抄表数据，也有可能是人为构造的典型曲线。负荷曲线不同，结果自然不同。我的建议是读图取点：把论文里的负荷曲线和光伏曲线截下来，按照坐标网格人工读取大约十几个关键点，再用插值生成完整24点曲线。这样至少能保证输入数据的形态一致。

最后检查约束的边界条件。很多论文的约束会写成不等式，但实际最优解都在边界上，如果某个约束被错误地放宽了边界，结果就会偏离。比如碳配额约束没有严格执行，超额排放被放松，碳交易成本自然偏小。

6.3 数据缺失时的合理补全方法

EI论文的篇幅有限，不可能把所有数据都表列出来。遇到缺失数据时，不要凭空编造，要采用有依据的合理补全，并且把这部分假设写进论文复现笔记。

我常用的补全途径有四个。第一是查设备厂商的产品手册，比如燃气轮机的效率和热电比，不同型号有明确参数；第二是查电力行业标准或者地方能源规划文件，电网排放因子、天然气热值都有公开数据；第三是用论文引用的参考文献里的参数，如果论文引用了某篇报告给出碳配额总量，可以顺藤摸瓜；第四是查典型日负荷曲线数据库，欧洲和美国能源机构发布了很多公开数据集，按气候和产业结构特征找接近的曲线。

补全数据时要做敏感性分析。对于缺失的参数，比如碳价、配额量，可以跑三组数据：基准值、上浮20%、下浮20%。如果三组情况下合作模式依然优于独立模式，说明结论稳健；如果结论在某组数据下反转，就要在复现笔记里专门标注说明，这对判断论文的适用范围很有价值。

7. 写在最后：复现之外的个人体会

7.1 复现一篇EI论文的真正价值

复现论文不是简单的“翻译代码”，它逼着你把论文里的每一个公式、每一个下角标、每一段文字描述落实到具体变量和约束里。只读论文的时候，碳配额公式看起来平平无奇，等自己写约束时才发现E_allowance的单位要换算，E_actual的统计范围要定义清晰。所谓“看会了”和“做会了”之间的差距，就是这一个又一个细节点累积起来的。

复现过程中最大的收获，其实不是复现出论文的结果，而是建立了“合作优化该怎么建模”的系统性认知。以后再遇到类似的园区级多能互补问题、虚拟电厂协同调度问题、多微网交易问题，我脑子里会自然浮现“目标函数怎么拆、耦合约束怎么建、分布式怎么解、收益怎么分”的分析框架。这是读十篇论文都换不来的内化能力。

7.2 还能往哪些方向扩展

复现完成后，如果你有精力，我建议沿着三个方向做扩展练习。

第一个方向是增大系统规模。把三服务商扩展到六到八个，测试Shapley值的计算瓶颈，把分配方法切换为核仁法，感受合作博弈解概念的工程可行性边界。

第二个方向是替换求解算法。用ADMM的变体比如带惯性项的ADMM、或者用近端梯度算子做加速，对比迭代收敛速度和解质量。这是包装成改进算法的一个热门思路，很多高水平论文的idea都是这么生出来的。

第三个方向是把确定性模型升级为不确定性优化。比如光伏出力和负荷预测都不可能是完美的，把目标函数改成两阶段随机规划或者分布鲁棒优化，然后对比不同不确定性集合下的运行策略差异。这一步做完，你就不再是复现别人论文，而是有了一点自己的增量贡献。

最后分享一个小技巧：复现任何论文前，建一个“参数-数值-来源”三列的表格，把所有关键参数和它的出处填写清楚。这个表格看起来不起眼，却能让你少走大量弯路——因为调试到深夜最后发现只是数据抄错了的感觉，真的一次都不想再有了。