企业官网建设流程全解析

做电力系统优化调度的仿真复现，最怕的不是公式难，而是题目看完不知道从哪下手。“基于阶梯碳交易的含P2G-CCS耦合和燃气掺氢的虚拟电厂优化调度”，这个标题里每一个词都是近两年的研究热点，但串在一起，意味着你要同时处理多能流耦合、碳交易机制、氢能利用和机组组合四层问题。这篇文章我按自己做的一套完整流程来写，从概念拆解、数学模型、代码实现到结果分析和调试经验，一步一步说清楚，希望能帮你少走几个月的弯路。

这个课题到底在做什么，一句话就能讲明：在一个聚合了风电、光伏、储能、燃气轮机、P2G（电转气）装置和CCS（碳捕集与封存）设备的虚拟电厂（VPP）内部，考虑阶梯式碳交易机制，同时允许燃气轮机掺烧一定比例的氢气，在满足电负荷平衡和各类设备运行约束的前提下，求解未来24小时各个设备的最优出力计划，使系统总运行成本最低。它适合三类人看：一是刚接触VPP优化调度的研究生，想找一个能落地的算例模型；二是做碳交易、P2G、氢储能方向，想快速搭一个对比实验的科研人员；三是已经会跑基础经济调度，但对P2G-CCS耦合建模和分段线性化碳成本不太熟悉的工程师。

1. 先把题目拆明白：四个关键词背后的真实含义

1.1 虚拟电厂不是一个“厂”，而是一种聚合方式

虚拟电厂这个词听起来唬人，其实它没有物理意义上的厂区、烟囱和汽轮机。它本质上是把分散在用户侧、电源侧的各类资源——这里是风电、光伏、储能电站、燃气轮机和P2G装置——通过一个调度控制中心聚合起来，统一参与电力市场和电网运行。打个比方，就像共享打车平台把私家车聚合成一支“车队”，虚拟电厂把分布式资源聚合成一个“可调度的电厂”。对外，它向电网提供电力；对内，它需要回答一个核心问题：24小时里每一台设备什么时候开、开多大、储能什么时候充放电、碳怎么处理。

这里要强调一点：虚拟电厂调度的优化结果不是“某个发电机怎么运行”的物理答案，而是一个市场层面的资源分配方案。它考虑的是综合成本，包括购能成本、设备运维成本、碳交易成本和弃可再生能源惩罚。这也是为什么后面建模时，目标函数和约束条件要围绕“日前调度”来写，而不是围绕单台设备。

1.2 P2G-CCS耦合：为什么非要把这俩绑在一起

P2G全称是Power to Gas，中文叫电转气。原理上分两步：第一步用可再生能源富余电力电解水制氢；第二步氢气可以和二氧化碳发生甲烷化反应生成甲烷（也就是天然气的主要成分），这样电就被“变成”气体储存起来。CCS是碳捕集与封存，把燃气轮机等排放源产生的二氧化碳捕集下来，一部分封存到地下或利用，避免它直接进大气。

单独看P2G和CCS都有各自的问题。P2G甲烷化需要稳定的二氧化碳来源，没有碳源反应就停了；CCS捕集下来的二氧化碳如果只拿去封存，成本回收压力大。把两者耦合起来刚好互补：CCS捕集到的CO2直接供给P2G做甲烷化原料，P2G产出的甲烷再送回燃气轮机燃烧，燃机排放的CO2又被CCS捕集。这样系统内部形成一条“燃料生产—燃烧发电—捕集—再生产”的碳循环链。

注意，这里我要强调一个容易踩坑的理解：循环利用的那部分CO2最终还是会通过燃机燃烧回到大气，只有CCS真正封存的那部分才叫净减排。建模时如果直接把P2G消耗的碳当作减排量扣掉，日尺度上就会出现重复计算，后面碳交易账就算错了。

1.3 燃气掺氢：不折腾管网就能降低碳排放

燃气掺氢是氢能利用里非常务实的一条路线。氢气不重新建管网，而是按一定比例掺入现有天然气管道，直接用改造过的燃气轮机燃烧。掺氢的好处一句话：同样发电量，氢气占比越高，化石天然气的消耗越少，碳排放自然下降。但掺氢比例不能随便加，燃气轮机燃烧室对氢气的适应性、管道材料的氢脆风险、压缩机工况变化都会限制比例上限。学术文献常见的研究范围一般在10%到30%（体积比），算例里取20%算比较激进的了。

回到模型里，掺氢带来的麻烦主要是热值变化。氢气低位热值大约是天然气的三分之一，掺氢后混合气的热值会降低，燃气轮机要保持发电出力就得增加总燃料流量。这个约束如果在代码里直接写“混合气热值=加权平均”，就引入了两个变量的乘积，问题立刻非线性。我在代码里用的处理方式很直接：把掺氢比例固定成常量，做几个方案对比，这样混合气热值、碳排放系数都变成已知参数，模型保持线性，后面求解难度小很多。

1.4 阶梯碳交易：碳市场里分层定价的“硬约束”

碳交易的基本思路是给企业发免费配额，实际排放低于配额可以卖出多余配额，超过配额需要购买。阶梯碳交易和普通固定碳价最大的区别在于惩罚力度是递增的：超排量落在第一档区间内，按基础碳价购买；超过第一档进入第二档，碳价上浮一定倍数（常见取1.25倍）；再往上第三档继续上浮。这种设计比固定碳价更符合“多排放多付钱”的原则，也让模型在优化时更倾向于优先把碳排放压在第一档以内。

从数学上看，阶梯碳成本是一个凸的分段线性函数，目标是让超排量尽量少。建模时不能直接把碳价当成一个常数乘碳排放量，必须做分段线性化处理，否则结果会严重低估超排惩罚，优化的排产策略也会偏向多烧燃气。这个分段处理是整套代码里比较关键的地方，后面我会专门展示具体怎么写。

2. 数学模型怎么搭：从目标函数到约束条件的完整设计

2.1 目标函数：钱从哪儿省，账怎么算

优化调度的目标函数，说白了就是“一天下来总花钱最少”。本文的日运行成本包括五个部分：购电成本、购气成本、设备运维成本、碳交易成本、弃风弃光惩罚。购电成本是按峰谷平时段电价乘以从电网买入的电量；购气成本是外购天然气乘以气价；运维成本按各设备出力乘以单位运维系数；碳交易成本就是前面说的阶梯碳成本（可以是正数也可以是负数，配额富余卖掉就是收益）；弃风弃光惩罚是为了防止模型为了省钱故意弃掉便宜的可再生能源，给弃掉的部分加一个惩罚系数。

目标函数写成公式就是：min C = C_buy_e + C_buy_g + C_om + C_co2 + C_abandon。这里的决策变量包括燃气轮机启停状态（0-1变量）、各机组发电出力、储能充放电功率、P2G耗电功率、CCS捕集量、购电量等。因为有启停决策变量，这是一个混合整数规划问题，求解用成熟的分支定界法，代码层面交给求解器实现。

2.2 电功率平衡和储能约束：每个时刻的“收支账”

电功率平衡是电力系统调度最基本的约束，任何时刻都不能破坏：风电出力+光伏出力+燃气轮机出力+储能放电+网购电 = 电负荷+储能充电+P2G耗电+CCS耗电。这个等式里P2G和CCS都是耗电大户，P2G电解水要耗电，CCS捕集CO2也要耗电，高峰时段如果可再生能源不够，系统可能反而要从电网买电来给P2G和CCS用，这种“为降碳而耗电”的行为，模型会自动权衡碳收益和电成本。

储能约束包括三块：充放电功率上下限、容量上下限、SOC递推公式，以及一个关键的逻辑约束——同一时刻不能既充电又放电。很多人初写代码时随手写个“P_cP_d <=0”，这在连续变量里是非线性非凸约束，求解器直接不认。正确做法是引入一个0-1变量u_es，P_c <= P_maxu_es，P_d <= P_max*(1-u_es)，把“二选一”变成线性约束。这个小坑几乎人人会踩，我在调试部分还会再提一次。

储能SOC的递推公式按小时步长写：E(t) = E(t-1) + η_c * P_c(t) * Δt - P_d(t) * Δt / η_d。η_c和η_d分别是充电和放电效率，一般锂电都取0.9左右。这里有个细节要注意，Δt在1小时步长下数值为1，很多人写代码时会直接忽略这个因子，一旦把步长改成15分钟或者30分钟就出问题，建议从一开始就保留Δt项，后面改分辨率不会有坑。

2.3 P2G-CCS耦合的约束：碳流和气流要守恒

这一小节是建模的核心难点。P2G部分的约束包括耗电功率上下限、产氢公式、甲烷化效率和二氧化碳消耗量。我用的简化公式是：电解槽产氢功率 = P2G耗电功率 × 电解效率（约0.75），产出氢气一部分直接进燃机掺烧，一部分进甲烷化；甲烷化这一步消耗氢气产出甲烷，同时消耗二氧化碳，消耗系数按化学反应平衡折算，大约每MWh甲烷热值需要0.2吨CO2。

CCS部分的约束包括捕集量计算公式：捕集CO2量 = 燃机排放CO2量 × 捕集率，捕集率和设备容量有上限；CO2的流向平衡是耦合的关键：CCS捕集的总CO2 = P2G甲烷化消耗量 + 封存量。也就是说，捕集下来的碳只有两个去处，要么进P2G循环，要么封存。封存的部分才减少净碳排放，P2G消耗的部分只是内部循环。把这个守恒方程写对，碳流账才算平。

2.4 阶梯碳成本和掺氢约束的数学处理

阶梯碳成本的分段建模，我推荐用“分段变量法”。把总超排量分成三段，每段对应一个非负连续变量，每段有上限（第一段上限比如100吨，第二段上限150吨，第三段不设上限），碳价分别为λ、1.25λ、1.56λ（1.25的平方）。这样碳成本 = λ×x1 + 1.25λ×x2 + 1.56λ×x3，而且x1+x2+x3 = 总超排量。因为阶梯碳价是单调递增的，模型自然会先填满第一段再去填第二段，不需要额外加整数变量，求解效率也高。配额富余时，碳成本是一个负值项，按基础碳价卖配额。

掺氢约束的数学处理在1.3里说了思路，这里给结论：固定掺氢比例r作为算例参数，则混合气中天然气热值占比、氢气热值占比都变成已知量，燃机燃料约束写成“燃机发电出力 = 燃机效率 × 混合燃料总热值”，碳排放总量 = 天然气热值份额 × 燃料排放因子。这样整条链上没有两个决策变量相乘，MILP模型就能稳定求解。

最后补充一个建模经验：所有约束尽量写成矩阵或向量形式，而不是用for循环逐小时拼。Yalmip在向量化约束下会生成更紧凑的模型，求解器处理起来更快，代码也更短。我在第3节里展示的代码都是向量化写法。

2.5 求解器选型：Yalmip建模，Cplex求解

工具链这块没什么悬念：Matlab + Yalmip + Cplex的组合是目前这类调度问题最顺手的一套。Yalmip是建模层，允许你用Matlab语法直接定义决策变量、目标函数和约束，然后自动调用底层求解器。Cplex和Gurobi都是成熟的商业MILP求解器，处理几百个变量、几百条约束的日前调度问题，通常在几秒到几十秒内就能收敛。如果学术环境没有商业求解器，Yalmip也可以调用Matlab自带的intlinprog，但求解速度和大算例稳定性都差不少，我建议有条件还是装Cplex。

3. Matlab+Yalmip代码实现：核心片段逐个拆解

3.1 算例参数：自己造一个24小时典型日

直接上参数。我搭的算例是一个虚构的虚拟电厂：风电装机300MW、光伏200MW、燃气轮机300MW、储能200MWh/50MW、电解槽100MW、CCS捕集率90%。典型日数据包括风电预测（夜间大、白天小）、光伏预测（正午峰值）、电负荷（早晚两个高峰）、峰谷平时段电价。天然气价格取2.8元/Nm³，基础碳价60元/吨，阶梯系数1.25，免费配额按每日1600吨CO2设定。这些参数不一定来自真实厂家，但数量级合理，方便复现。

电力数据方面，负荷峰值大约450MW，风电夜间出力能达到250MW，白天可能低到50MW以下，光伏正午峰值180MW。电价峰段1.2元/kWh、平段0.7、谷段0.35。这样设计可以让储能“低充高放”、P2G“谷电制氢”的经济性自然地出现在结果里。

3.2 核心代码片段：变量、目标、约束怎么写

下面贴的代码是核心片段，不是完整工程，但套上数据就能跑。先定义决策变量：

%% 决策变量定义 P_w = sdpvar(1, 24, 'full'); % 风电实际出力 P_pv = sdpvar(1, 24, 'full'); % 光伏实际出力 P_gt = sdpvar(1, 24, 'full'); % 燃气轮机发电出力 u_gt = binvar(1, 24); % 燃气轮机启停状态 P_buy = sdpvar(1, 24, 'full'); % 从电网购电 P_es_c = sdpvar(1, 24, 'full'); % 储能充电功率 P_es_d = sdpvar(1, 24, 'full'); % 储能放电功率 E_es = sdpvar(1, 25, 'full'); % 储能SOC，从0到24共25个点 P_p2g = sdpvar(1, 24, 'full'); % P2G耗电功率 M_ccs = sdpvar(1, 24, 'full'); % CCS捕集CO2量 M_seq = sdpvar(1, 24, 'full'); % CO2封存量

注意储能SOC我定义成25个点，因为递推公式里要处理E(t)=E(t-1)+...，定义25个点可以让下标对齐，避免循环里出现越界。这是个很实用的细节。

接着写目标函数。核心是四个成本块的叠加：

%% 目标函数 C_buy_e = sum(P_buy .* Price_e); % 购电成本 C_buy_g = sum(Q_gas_buy .* Price_g); % 购气成本 C_om = sum(P_gt .* 0.02 + P_w .* 0.01 + P_pv .* 0.01 ... + P_p2g .* 0.015); % 运维成本 C_co2 = carbon_cost; % 阶梯碳成本，单独函数块 C_ab = sum(0.5 * (P_w_pre - P_w)) + ... sum(0.5 * (P_pv_pre - P_pv)); % 弃风弃光惩罚 objective = C_buy_e + C_buy_g + C_om + C_co2 + C_ab;

弃风弃光惩罚里的系数0.5元/kWh，我故意设得比购电成本低一点、比光伏运维成本高很多，这样模型在“弃掉便宜可再生能源”和“多花运维成本消纳”之间会倾向于后者，但又不会为了消纳去倒贴太多钱。惩罚系数怎么设，会直接影响结果，我建议做敏感性分析时把它也列进去。

然后是最关键的电功率平衡和储能约束：

%% 电功率平衡 Constraints = [Constraints, ... P_w + P_pv + P_gt + P_es_d + P_buy == ... P_load + P_es_c + P_p2g + P_ccs_e]; %% 储能约束 E_es(1) = E_es0; for t = 2:25 E_es(t) = E_es(t-1) + eta_c * P_es_c(t-1) - P_es_d(t-1) / eta_d; end Constraints = [Constraints, ... 0 <= P_es_c <= P_es_c_max, ... 0 <= P_es_d <= P_es_d_max, ... E_es_min <= E_es <= E_es_max, ... u_es = binvar(1,24), ... P_es_c <= P_es_max * u_es, ... P_es_d <= P_es_max * (1 - u_es)];

这个写法里，储能“不能同时充放”是通过u_es实现的。有人可能觉得“我平时写模型也没出问题呀”，那是因为有些求解器能自动处理这类互补约束，但性能和稳定性都会受影响，而且一旦目标函数里同时充放有收益，模型会钻空子。

3.3 阶梯碳成本的分段线性化代码

阶梯碳成本我单独写一个函数块，这是整套代码里最值得抄的部分。思路是把超排量拆成三个有界段：

%% 阶梯碳成本建模 E_co2 = 0.2 * Q_gas_ng; % 燃机燃烧天然气排放，单位吨 E_total = sum(E_co2); E_quota = 1600; E_buy = sdpvar(1,1,'full'); % 需要购买的配额 E_sell = sdpvar(1,1,'full'); % 富余卖出的配额 Constraints = [Constraints, E_total - E_quota == E_buy - E_sell, ... E_buy >= 0, E_sell >= 0]; % 将E_buy拆成三段，逐段施加边界 E_b1 = sdpvar(1,1,'full'); E_b2 = sdpvar(1,1,'full'); E_b3 = sdpvar(1,1,'full'); d1 = 100; d2 = 150; lambda0 = 60; % 第一段上限100吨，第二段上限150吨 Constraints = [Constraints, ... E_buy == E_b1 + E_b2 + E_b3, ... 0 <= E_b1 <= d1, ... 0 <= E_b2 <= d2, ... E_b3 >= 0]; carbon_cost = lambda0 * E_b1 + 1.25 * lambda0 * E_b2 ... + 1.25^2 * lambda0 * E_b3 - lambda0 * E_sell;

因为碳价逐段递增，模型天然会优先填满第一段再填第二段，不用额外加0-1变量判断“当前在哪一段”。这段逻辑我第一次实现时加了三个二进制变量，求解时间直接翻倍，后来改成这种写法，24小时算例基本秒解。读者可以对比体会一下哪种更稳。

3.4 求解和结果提取

%% 求解 ops = sdpsettings('solver', 'cplex', 'verbose', 1); optimize(Constraints, objective, ops); %% 结果提取 P_gt_opt = value(P_gt); P_w_opt = value(P_w); P_p2g_opt = value(P_p2g); E_es_opt = value(E_es(1:24)); C_total = value(objective);

跑完之后，先用area函数画堆叠图，把风电、光伏、燃机、储能放电从上到下堆起来，和负荷曲线放一起看，一眼能看出功率平衡在哪几个时段是紧的。再画一张储能SOC曲线和P2G耗电功率的图，基本就能判断模型行为是否合理。我见过不少人拿到结果直接看目标函数值，这是错误的方向，先看功率平衡是否闭合，再看各设备运行曲线是否符合物理直觉，最后才看成本。

4. 仿真结果怎么分析：成本、碳排放和调度策略的真相

4.1 典型日运行曲线解读

我的算例跑出来的结果大致是这样一个模式：凌晨0点到6点，风电预测出力接近250MW，负荷只有200MW左右，电价处于谷段，P2G从2点开始满功率运行，电解槽消耗100MW电力制氢，储能也在3点到5点之间充满；燃气轮机全程停机，因为这时候购电和煤化工产生的燃气都比开燃机划算。

早上7点开始负荷爬升，光伏出力从8点开始明显上涨，储能开始放电。上午10点前后，光伏接近峰值，风电降到低谷，燃机没有启动，因为光伏价格低、燃气价格高，开燃机不划算。真正的转折点在晚上18点到21点的高峰段，光伏出力归零、风电也只有80MW左右，负荷冲到450MW，燃气轮机必须启动。这台燃机烧的是掺氢混合气，排放的CO2被CCS捕集，一部分封存，一部分送回P2G用于甲烷化，形成闭环。这个日运行曲线在学术上就是典型的“夜间制氢、白天发电、峰时顶峰”模式。

4.2 方案对比：有没有P2G-CCS和掺氢，差别有多大

我设计了三个方案做对比。方案A是基准场景：没有P2G和CCS，不掺氢，碳价固定；方案B加入P2G-CCS耦合，掺氢比例10%；方案C加入P2G-CCS耦合、掺氢比例20%，并切换为阶梯碳交易。结果用表格列出来：

从A到C，总成本下降了约11%，碳排放下降了约31%。成本下降里最大的贡献来自碳交易账单的改善，因为CCS封存和P2G循环把实际参与碳交易的净排放压低了；碳排放下降里掺氢贡献了一部分，因为氢气燃烧不产生CO2，CCS封存贡献了另一部分。弃风率大幅下降是因为P2G给了富余风电一个消纳出口，风电大发时段模型不再需要大规模弃电。

这里有个反直觉的点：方案C的购电成本比方案B还高一些。原因是阶梯碳价下，系统更倾向于从电网买电给P2G制氢，替代部分燃气轮机出力。如果电网电力的隐含碳排放不计入模型，这种“碳转移”在结果里会显得很划算。做政策敏感性分析时，这个现象值得重视。

4.3 灵敏度分析：掺氢比例和碳价会怎么改写调度策略

我分别把掺氢比例从0%、5%、10%、15%、20%拉了一遍，结果是碳排放几乎线性下降，但总成本是一个U型曲线。掺氢比例从0升到10%时成本下降明显，因为减少了天然气购买量和碳交易支出；但从15%升到20%时，成本反而略有回升，原因是电解槽产氢需要消耗大量电力，而富余风电和谷电不够时，系统得从电网高价买电来制氢，这部分电费把省下来的碳钱吃掉了。这个U型曲线说明掺氢不是越多越好，存在一个经济最优比例，通常在10%-15%之间。

碳价的灵敏度更直接。基础碳价从40元/吨提到100元/吨，燃气轮机的总发电量明显下降，P2G和储能的使用率上升，系统净排放下降。这个趋势在阶梯碳机制下比固定碳价更陡——因为阶梯系数放大了碳价上涨的边际惩罚，模型会更早地启动减排措施。如果做课题，建议把这两张灵敏度图都画出来，曲线趋势能说明很多机制问题。

5. 调试避坑记录：我踩过的几个典型问题

5.1 建模阶段最容易错的三件事

单位不统一是我见过的第一杀手。风电预测数据是MW，碳排是吨，天然气是Nm³，电价是元/kWh，这几类单位混在一个目标函数里，量级可能差几千倍。如果不统一，求解器优化时会自动去牺牲量级小、成本占比低的项，结果看起来“最优”，实际毫无物理意义。我的做法是在代码开头把所有物理量归一化：功率一律MW，能量一律MWh，CO2一律吨，成本一律万元，天然气按热值拆成MWh，不和Nm³直接混用。

储能SOC初值是个容易忽略的细节。E_es(1)=E_es0如果设成0，模型会为了省电尽量少放电，SOC长期趴在容量下限附近，调度曲线非常难看。我建议设成容量的一半，比如100MWh/200MWh，这样曲线更符合实际运行习惯。如果做多日连续调度，还要加“SOC日末回到初值”的约束，否则模型会把最后一天的储能放空。

还有一个典型的逻辑错误：P2G消耗的CO2直接作为减排量从总排放中扣除。前面我反复强调过，P2G消耗的CO2如果最终通过燃机燃烧回到大气，那只是内循环，不是净减排。我第一版模型就写错了，结果碳交易成本被明显低估，后来加了封存量这道闸，碳平衡才对上。

5.2 求解阶段的报错与慢收敛排查

Yalmip最常见的报错是“No suitable solver for this problem”。这通常不是代码问题，而是求解器没装好或者没被Yalmip识别。检查方法很简单：在Matlab里运行yalmiptest，它会列出当前可用的求解器。如果Cplex没出现，多半是PATH环境变量没配好，或者license文件没激活。临时替代可以用intlinprog跑，但求解速度会慢数倍。

数值尺度问题也很常见。目标函数里购电成本几万、碳成本几百、弃风惩罚几十，混在一起后，求解器数值稳定性和收敛速度都会受影响。解决方法是把单位量纲统一放大或缩小，比如以“万元”为成本单位，让所有系数都在0.01到100这个区间。我有个习惯，凡是目标函数系数跨了三个数量级，先不跑求解器，回去调整量纲。

5.3 结果不合理时的排查清单

如果跑完发现燃机全程没有启动，不要慌，按顺序查三处：一是燃气价格是否设得过高，二是负荷峰值是否低于燃机经济出力，三是储电和购电是否已经能覆盖负荷。如果燃机应该启动却没启动，多半是漏了最小运行时间约束或者启停次数限制。

如果P2G一直不投入，查三处：谷段电价是不是不够低，弃风惩罚是不是设得太低，P2G效率是不是设得偏低。有些文献里P2G效率只有0.5，对应到经济性上就可能完全不值得运行。如果储能的SOC曲线一直贴边，查充放效率是不是设了双向损失，很多初学者把η_c和η_d都设为1，储能就成了“免费电池”，结果SOC曲线必然贴边漂移。

最后给一个通用质检方法：把所有变量的最优解重新代入约束方程，逐项核对功率平衡、碳流平衡和SOC递推。这一步听起来麻烦，但能在十分钟内定位90%的建模错误。我每次改完模型都会用这个办法自查一遍，比盯着目标函数猜原因高效得多。

这套流程走下来，个人体会最深的几点

这套模型我前后调试了两周，最花时间的不是求解器配置，反而是单位换算和碳流平衡。如果让我重新做一遍，第一步一定是先把系统所有能量流、碳流画成一张图，标清楚每个设备的输入输出单位，再动手写约束。建模时多花一小时理清物理意义，比之后调三天bug划算得多。

最后再分享一个实用小技巧：每次跑完模型，先别急着看目标函数，把总电功率平衡、总碳平衡单独拿出来算一遍，闭合了再谈优化效果，这是最省事的质检方式。等到这两条平衡曲线画出来都自然顺畅，剩下的结果解读和论文配图，基本就是水到渠成的事了。