企业官网建设流程全解析

冷热电微网双层优化，这几年在综合能源方向几乎成了标配选题，MATLAB+YALMIP也成了最常见的实现组合。但说实话，光看论文摘要觉得很简单，真到自己写代码时才发现一堆坑：上层和下层怎么嵌套？储能SOC怎么递推才不会出现同时充放电？YALMIP报Infeasible之后从哪查起？这篇内容我按自己做模拟项目X时踩过的路，把双层优化的建模思路、求解路线、代码骨架和调参心得一次讲清楚。适合正在做微网储能优化、课程设计或者准备论文的同行，也适合刚接触YALMIP、想快速搭起可运行模型的同学。

先说清楚一个根本问题：双层优化为什么非要用“两层”而不是一个大模型搞定？这直接决定了后面所有代码怎么写。

1. 先想清楚：双层优化到底在优化什么

1.1 时间尺度差异让问题天然分层

冷热电微网里面有容量规划和运行调度两类决策，它们的决策频率完全不同。容量规划决定“装多大的燃气轮机、装多少储能、配多少光伏”，这个决策一做就是十几年，属于年尺度甚至项目周期尺度的长期投资问题。运行调度决定“某一天某一时刻燃气轮机发多少电、储能充多少放多少、从电网买多少电”，这个决策是小时尺度的短期运行问题。

如果把两类变量塞进一个模型，目标函数里既要算二十年投资回报，又要算8760个小时的逐时购电成本，求解器面对的量级和语义完全不一样，很难在同一个优化框架下做权衡。而且容量和运行本身就存在主从关系：定了容量之后，系统的运行受容量上限约束；反过来运行的经济性又决定了大容量值不值。这种“你先定、我后跑”的主从关系，用双层模型表达最自然。

我在做模拟项目X时最大的体会是：先别急着写代码，先把上层变量、下层变量、各自目标、各自约束列成一张表，你就能发现上下层交换的信息到底是什么。上面传下来的是容量上限，下面传回去的是年运行成本或收益。这不只是概念清楚的问题，它直接决定你外层适应度函数怎么写。

1.2 上层与下层的数学模型

上层优化通常是最小化全生命周期总成本，或者最大化项目净收益。一般写成：

min C_total = C_inv + C_om + C_run

其中C_inv是设备投资的等年值，C_om是年维护费用，C_run是内层优化返回的年运行费用（购电、购气成本减去售电收益等）。上层决策变量是容量，比如燃气轮机额定功率、储能额定容量和功率、电制冷机容量、光伏装机容量。

下层优化在给定容量下，求解典型日或全年时段的运行方案：

min C_run = sum(购电费用 + 购气费用 - 售电收益)

下层决策变量是各时刻的设备出力、储能充放电功率、购售电功率、启停状态等。约束包括功率平衡、设备出力上下限、储能SOC递推、爬坡约束、备用约束等。

注意上层的C_inv需要折算成年值，公式是：

C_inv = C_cap_total * r * (1+r)^n / ((1+r)^n - 1)

这里的r是折现率，n是项目年限。很多新手直接把总投资加进目标函数，内层返回的却是一年费用，这样量纲不一致，优化出来的容量必然偏小。我一开始也在这个地方迷糊过，后来统一把上层所有成本都折算到年，才得到合理结果。

1.3 储能是链接上下层的关键枢纽

储能装置在这类模型中非常特殊：它的容量属于上层变量，它的充放电功率属于下层变量，而且它的运行状态不能孤立确定，必须满足跨时段递推关系。换句话说，储能是上下层信息交换的核心载体。上层决定了电池装多大，下层只能在“这块电池”的范围内动态调度。

实话说，如果模型里没有储能，双层优化就会退化成单层配置问题加一堆运行约束，复杂度降一个量级。正因为储能引入了SOC的状态变量和时序耦合，下层才真正变成一个动态优化问题，上层也才需要通过反复迭代来寻找容量最优值。这也是为什么绝大多数论文和项目都把储能作为优化重点的原因。

2. 微网模型搭建：把冷热电和储能写成数学表达式

2.1 能量流与设备库

先搭能量流框架。冷热电微网系统通常包含三条母线：电母线、热母线和冷母线。设备按“源—转换—存储—负荷”四类划分。

常见组成：

• 源侧：光伏、风电、电网购电
• 转换设备：燃气轮机（发电兼余热回收）、燃气锅炉（补热）、吸收式制冷机（用热制冷）、电制冷机（用电制冷）
• 存储设备：蓄电池（存电）、蓄热罐（存热）、蓄冷罐（存冷）
• 负荷：电负荷、热负荷、冷负荷

这三条母线之间通过设备耦合，比如燃气轮机发电的同时产生余热，余热进入热母线，一部分直接供热，一部分进吸收式制冷机转成冷。你可以想象成电力、热水、冷水三套管路在一个园区里交织，优化要做的就是决定每一时刻能量往哪条管路走、走多少。

2.2 关键设备数学模型

设备建模不用搞得太复杂，工程上常用简化线性模型，保主要特性即可。

燃气轮机（或内燃机）的发电模型：

P_gt = eta_gt * LHV * F_gas

其中eta_gt是发电效率，LHV是天然气低位热值，F_gas是燃料消耗速率。它的余热回收量可以写成：

Q_hr = alpha_hr * P_gt

alpha_hr是热电比系数，不同机型的温差、排烟热量不同，取值通常在0.5到1.5之间。我曾经见过有人把Q_hr写成(1-eta_gt)*P_gt，这其实是错的，因为排烟损失、散热损失都没算进去，回收不到那么多热量。

燃气锅炉模型：

Q_boiler = eta_boiler * LHV * F_boiler

吸收式制冷机：

Q_cold_abs = COP_abs * Q_heat_in

电制冷机：

Q_cold_ec = COP_ec * P_ec

光伏模型可以简化成：

P_pv(t) = P_pv_cap * irradiance_norm(t)

irradiance_norm是归一化辐照序列，如果有温度系数可以再加一个温度修正项，但对容量规划问题来说，归一化辐照已经够用。

把这些设备约束写成线性不等式组，交给YALMIP处理后交给求解器，整个过程会很顺畅。关键是别在建模阶段就引入非线性，比如燃料成本函数做成分段线性、设备效率做成常数，线性模型跑出来的结果已经足够支撑容量决策趋势分析。

2.3 储能建模是双层耦合的核心

蓄电池SOC递推公式是这类模型最容易出错的地方：

SOC(t+1) = SOC(t) + eta_ch * P_ch(t) * dt / E_cap - P_dis(t) * dt / (eta_dis * E_cap)

注意充电效率eta_ch是乘在充电功率上的，放电效率eta_dis是放在分母上的。含义很简单：充进去1度电，电池实际存下的只有eta_ch度；放出来1度电，电池内部需要消耗1/eta_dis度的能量。效率位置一旦写反，SOC递推就会出现能量不守恒，运行成本也会虚高。

重要约束：

0 <= P_ch(t) <= P_ch_max 0 <= P_dis(t) <= P_dis_max SOC_min <= SOC(t) <= SOC_max

还要处理一个工程细节：防止同一时刻既充电又放电。YALMIP里可以直接加互斥约束，也可以引入二进制变量：

P_ch(t) <= M * u_ch(t) P_dis(t) <= M * (1 - u_ch(t))

其中M是足够大的常数，u_ch是0-1变量。有时候电池模型本身就允许轻微同时充放，但为了竞赛和论文评审的严谨性，建议还是加上互斥约束。

蓄热罐、蓄冷罐的模型与电池类似，只是把电功率换成热功率/冷功率，效率和容量约束同理。储能SOC的初值和终值也要写成等式或不等式，比如要求一个调度周期结束时SOC回到初始值，这样才能让日调度方案可重复执行。

3. 求解路线选择：主流的三条打法

3.1 三种路线对比

双层优化的求解方法有不少，我实际用下来主要分三条路线：

我最推荐也最常用的是第一条路线——遗传算法+YALMIP。理由很现实：冷热电微网下层通常是混合整数线性规划，KKT条件写起来极其痛苦，MPEC对求解器和建模技巧要求又高，而智能算法套YALMIP几乎不需要额外推导，只要把上下层接口写好就能跑。计算量确实大，但通过典型日加权、并行计算完全能接受。

3.2 遗传算法作为外层框架的核心流程

外层GA的框架大概是这样的：

1. 初始化种群，每个个体是一组容量配置，比如[P_gt_cap, E_sto_cap, P_sto_ch_max, P_ec_cap, P_pv_cap]
2. 对每个个体调用内层运行优化，得到典型日运行成本
3. 用运行成本加上投资年值，计算适应度
4. 选择、交叉、变异生成下一代
5. 迭代直到收敛或达到最大代数

这里有个很关键的设计点：GA的适应度函数中，运行成本必须是从内层优化器返回的，不能自己凭经验估。因为内层调度结果直接反映容量配置是否合理：容量太小会导致无法满足负荷或大量购电，容量太大会造成投资浪费。GA搜索的过程，本质上就是不断让内层调度去验证各种容量组合的运行效果。

我在编码时用实数编码而不是二进制编码，原因是容量变量连续且边界明确，实数编码直接对应实际工程单位，避免编解码误差，也方便后期加约束。搜索范围设置成设备可能容量的1.2倍左右，不要设太大，否则收敛很慢。

3.3 为什么内层必须用YALMIP而不是手写求解

内层运行调度是多时段、多设备、多约束的优化问题，手写求解器或者用单纯形法自己编码实现，工作量巨大且极易出错。YALMIP的核心价值在于：它让你用声明式的方式描述优化问题，而不需要关心标准型转换、求解器接口这些底层细节。你只需要定义sdpvar决策变量，用Constraints = [Constraints, ...]累加约束，再调用optimize，剩下的交给求解器。

还有一个好处：YALMIP天然支持混合整数变量。当你需要处理机组启停、储能互斥、阶梯电价档位选择时，只需要把一个变量声明为binvar，求解器会自动按混合整数规划处理。如果手写求解器，光是分支定界就得写一堆代码。

4. MATLAB+YALMIP代码骨架与实现要点

4.1 工程目录结构

我习惯把项目拆成清晰的功能模块，模拟项目X的目录如下：

/project_x/ data/load_curve.mat % 负荷、辐照、电价等时间序列 scripts/main.m % 主程序入口 scripts/upper_ga.m % 外层遗传算法 scripts/inner_schedule.m % 内层运行调度 utils/calc_investment.m % 投资年值计算 output/results.mat % 结果输出

主程序只需要读数据、设置优化参数、调用上层GA、输出结果。内层调度函数接收容量参数和基础数据，返回运行成本。这样写的好处是可以单独调试内层，确认无误后再接外层，避免两边同时出错时无从排查。

4.2 内层运行调度代码骨架

内层函数核心是YALMIP建模。以一个24小时典型日为例：

function run_cost = inner_schedule(cap, data) T = 24; % 决策变量 P_gt = sdpvar(T, 1); % 燃气轮机发电功率 P_ch = sdpvar(T, 1); % 储能充电功率 P_dis = sdpvar(T, 1); % 储能放电功率 SOC = sdpvar(T + 1, 1); % 储能SOC P_grid = sdpvar(T, 1); % 购电功率 P_ec = sdpvar(T, 1); % 电制冷机功率 % 基础数据 P_load_e = data.P_load_e; % 电负荷 Q_load_h = data.Q_load_h; % 热负荷 Q_load_c = data.Q_load_c; % 冷负荷 P_pv = data.P_pv; % 光伏出力序列 price = data.price; % 分时电价 Constraints = []; for t = 1:T % 设备出力上下限 Constraints = [Constraints, 0 <= P_gt(t) <= cap.P_gt_cap]; Constraints = [Constraints, 0 <= P_ch(t) <= cap.P_ch_max]; Constraints = [Constraints, 0 <= P_dis(t) <= cap.P_dis_max]; Constraints = [Constraints, 0 <= P_ec(t) <= cap.P_ec_cap]; % 储能SOC递推 Constraints = [Constraints, ... SOC(t+1) == SOC(t) + 0.95 * P_ch(t) * 1 / cap.E_sto ... - P_dis(t) * 1 / (0.95 * cap.E_sto)]; Constraints = [Constraints, 0.1 <= SOC(t+1) <= 0.9]; % 电功率平衡 Constraints = [Constraints, ... P_gt(t) + P_dis(t) + P_pv(t) + P_grid(t) == ... P_load_e(t) + P_ch(t) + P_ec(t)]; % 冷功率平衡（吸收式制冷用热、电制冷用电） % 这里简化：吸收式制冷量 = alpha_cool * Q_hr(t) % 详细模型视具体设备配置而定 end % 储能SOC首尾约束 Constraints = [Constraints, SOC(1) == SOC(T + 1)]; % 目标函数：购电费用 - 售电收益 + 购气费用 gas_cost = sum(P_gt) * data.gas_price / data.eta_gt; elec_cost = sum(P_grid .* price); Objective = elec_cost + gas_cost; % 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 0); optimize(Constraints, Objective, ops); % 返回目标值 run_cost = value(Objective); end

注意我在SOC递推里用的充电效率0.95，放电效率0.95，单位是小时所以dt=1。实际项目中如果时间步长是15分钟，记得把dt带入公式，否则SOC变化速度会明显失真。

还有一个容易被忽略的点：电功率平衡中的P_grid(t)如果允许负数，代表向电网售电。这时目标函数里要区分购电价格和售电价格，否则求解器会把“先多买再卖”当成套利手段，模糊化处理会让结果失真。

4.3 外层遗传算法主循环与并行加速

外层GA的核心循环大致如下：

function [best_sol, best_fit] = upper_ga(data, ga_options) pop_size = ga_options.pop_size; max_gen = ga_options.max_gen; bounds = ga_options.bounds; % 初始化种群，均匀随机分布在边界内 pop = zeros(pop_size, n_vars); for i = 1:pop_size for j = 1:n_vars pop(i, j) = bounds(j, 1) + rand * (bounds(j, 2) - bounds(j, 1)); end end for gen = 1:max_gen fitness = zeros(pop_size, 1); parfor i = 1:pop_size cap = decode(pop(i, :)); C_inv = calc_investment(cap); % 投资年值 C_run = inner_schedule(cap, data); % 内层运行成本 fitness(i) = C_inv + C_run; % 总适应度 end % 选择、交叉、变异 % ... end end

这里有几个实战经验：

1. parfor并行很有用，但要确保每个worker都能访问YALMIP和求解器。如果并行池初始化后报找不到求解器，就在并行循环内加上一行yalmip('clear')或重新sdpsettings。
2. 先串行跑一遍小规模用例，确认内层全部没问题再开并行。并行调试一旦报错，错误提示往往非常隐晦。
3. GA种群一般设30到60，迭代次数50到100。太小收敛不好，太大计算时间成倍增加，性价比不高。

4.4 求解器配置要点

YALMIP本身不是求解器，它只是建模层。如果没有安装求解器，optimize会报错。常用的组合是商业求解器如Gurobi或CPLEX，它们对线性规划和混合整数线性规划的求解效率非常高。个人或者学术用途可以申请免费许可证。

配置方式：

ops = sdpsettings('solver', 'gurobi', 'verbose', 1);

verbose设为1时，会输出求解过程中的迭代信息，方便查看问题规模和解的状态。跑成功后检查value(Objective)是否合理，同时确认YALMIP返回的problem字段为0，0代表求解成功，1代表不可行，其他值代表数值问题。

如果实在装不上商业求解器，MATLAB自带的linprog和intlinprog也能救急。但要注意，纯纯的linprog不能处理0-1变量，遇到启停约束就得用intlinprog或另想办法。我的建议是尽早把商业求解器配好，后面能省掉无数折腾时间。

5. 实测复盘：模拟项目X的完整参数与结果

5.1 项目参数与数据设置

模拟项目X是一个园区级冷热电微网，基本参数如下：

负荷数据用三个典型日加权：冬季典型日（权重90天）、夏季典型日（权重90天）、过渡季典型日（权重185天）。每个典型日24个点，既有冷热电负荷曲线，也有归一化光伏辐照曲线。这样做比直接跑8760小时快得多，同时仍能反映季节差异。

分时电价采用峰谷平三段式：峰时9点到12点、17点到20点，电价高；平时6点到9点、12点到17点、20点到22点；谷时22点到次日6点。这个设置很常见，也是储能套利空间的主要来源。

5.2 双层迭代的收敛情况

我试了两组参数：第一组GA种群30代、迭代40代，第二组种群60代、迭代80代。第二组最后得到的容量配置比第一组总成本低3%左右，但计算时间从40分钟涨到近3小时。这说明GA收敛性对参数敏感，建议先小规模跑通，再按需增加精度。

内层单次调用耗时约0.3秒到1秒，主要取决于YALMIP的约束个数和求解器的效率。上层一次完整迭代需要调用种群规模次内层，这也是总计算时间的大头。

收敛曲线通常表现为前10代快速下降，后面进入缓慢优化阶段。如果前10代没有明显下降，检查一下适应度函数有没有问题，比如投资年值折算错误、内层返回值是负数等。

5.3 储能容量对经济性的影响

我单独固定其他容量，扫描储能容量从50 kWh到500 kWh，得到年总成本的变化趋势。结果并不是储能越大越好：容量从50增加到200 kWh时，年运行成本下降明显，购电费用减少，储能套利收益增加；但超过200 kWh后，投资年值的增加开始超过运行费用的节省，总成本反而回升。

这背后逻辑很好理解：储能越大，能转移的电量越多，但边际套利收益是递减的——每天就那么多峰谷价差，电池一天只能充放一次两次，装得再大也消化不了；而投资成本是线性的，所以在某个拐点之后，储能就成了“赔钱货”。拐点位置取决于峰谷价差、电池单位投资成本和循环寿命。这就解释了为什么储能容量必须靠优化而不是拍脑袋定。

输出结果中我还对比了是否考虑SOC首尾约束的差异。不加首尾约束时，模型会把有效容量放大，实际运行时会出现第一天从满电开始、最后一天放空的“作弊”现象，年成本偏低，结论失真。加上SOC回位约束之后，结果才真正可落地。

6. 常见问题与排查心得

6.1 问题速查表

实际跑模型时遇到的问题，我整理了一张速查表：

6.2 不可行问题的排查流程

遇到Infeasible千万别慌，它不是“代码坏了”，而是数学上约束自相矛盾。我的排查顺序是：

1. 先求解一个“只有运行调度、不包含投资决策”的内层问题，如果这个都不可行，说明负荷平衡或SOC约束本身有问题。
2. 把SOC的上下界从0.1~0.9放宽到0~1，排除SOC边界太紧导致的无解。
3. 把购电功率上限从1000 kW放宽到1e6 kW，排除购电上限限制导致的不可行。
4. 检查冷热电平衡公式，尤其是单位：kW和kWh不能混，热量单位要用一致。
5. 最后用YALMIP的diagnostic函数或者把Constraints拆成两部分，分别求解，很快就能定位冲突的那个约束组。

还有一个容易被忽略的原因：储能SOC初值和终值相等加上充放电互斥，可能在高负荷日没有可行解。这时可以把首尾约束从等式改成不等式，比如允许终值不低于初值的90%，既保住可重复性，又给求解器更多自由度。

6.3 计算时间优化心得

双层优化最烦人的就是慢。8760小时全时段内层优化会让YALMIP建模变得很重，变量数量动辄十几万以上，求解时间让人崩溃。我的经验是按季节选典型日，每个典型日24个点，乘上对应的天数权重。这样内层问题规模小两个量级，结果却能反映全年的经济性走向。

如果一定要跑全年，可以考虑把储能SOC的跨天耦合拆开，或者用滚动窗口近似。不过对容量规划来说，典型日法完全够用，没必要一开始就追求全年8760小时。

还有一个提速技巧：内层问题尽量保持线性，避免分段二次或非线性目标。YALMIP遇到非线性会尝试调用非线性求解器，速度慢且容易不稳定。把设备效率设为常数、燃料成本线性化、阶梯电价用0-1变量表达，虽然约束多了，但求解起来反而快。

最后再说一个小技巧。写外层GA时，给每个容量变量设一个合理的离散精度，比如储能容量按10 kWh为步长取整，光伏按5 kW取整。这样既压缩了搜索空间，也让结果更贴近实际工程选型，不至于优化出一个“203.7 kWh”的诡异容量。实话说，这个项目反复调试下来，我最深的感受是：双层优化的难点不在算法本身，而在于把物理问题严谨地转成数学问题，再严谨地转成代码。先把单层运行模型调通，再套外层迭代，一步步来，比任何捷径都稳。