企业官网建设流程全解析

“以热定电”这四个字，做热电联产综合能源系统的人基本都绕不开。火电靠热电联产机组供暖，机组热电耦合，冬天采暖季想降电负荷就得跟着降热出力，电网调峰能力被死死摁住，风光大发的日子只能眼睁睁看着弃风弃光率往上蹿。同时碳捕集设备（CCS）也在能源系统低碳转型里被寄予厚望，但它本身是典型的耗能大户，再生塔再沸器要用大量蒸汽，溶剂循环和压缩还要用电，捕碳的同时又加重了电热负担——这个矛盾在热电联产系统里尤其刺眼。

做了一段时间的优化调度研究之后，我越来越觉得P2G（电转气）和碳捕集设备放在同一个模型里，不是简单的设备堆叠，而是从源头上把"弃电—耗能—碳排放"三个问题串成了一条可闭环的链路。这篇博文就把我在这个方向上的完整思考路径、数学模型搭建方式、以及求解中踩过的坑整理一遍，希望能给打算做或者正在做这个方向的朋友一些参考。

1. 为什么非要把P2G和碳捕集放在一个模型里？

先说个常见的误区：不少人把P2G和碳捕集当作两个独立的低碳设备，分别建个模型，再塞进同一个目标函数就完事了。这样做的结果往往是模型复杂了，效果却一般，两个设备各干各的，甚至还会互相抢能量。事实上，这两个设备单独看都有痛点，但它们放到热电联供系统里，刚好能形成一种互相"解围"的关系。

1.1 热电联产的"以热定电"困境，P2G是怎么破局的？

热电联产机组（CHP）的核心约束是热电比，或者说热电可行运行区间。采暖期热负荷爬升，机组必须保持较高的电出力来满足供热需求，电网就给风电、光伏留出了更小的消纳空间。这个问题的本质是：系统里缺少一个能把过剩电力"吞掉"的季节性灵活负荷。

P2G就是那个可以当灵活负荷的设备。富余风电通过电解水制氢，氢再和二氧化碳发生甲烷化反应生成合成天然气，直接注入天然气管网或者进储气罐。它把电力系统的冗余电力转移到天然气系统的时空尺度上，相当于给电网装了一个"大容量缓冲器"，而且这个缓冲器能消纳的时间尺度和规模，都比电池储能有更宽的想象空间。

1.2 碳捕集设备的能耗死角，谁来解决？

再来看碳捕集。胺法（化学吸收法）是目前工程上最成熟的碳捕集路径，捕集一吨CO2大概需要消耗2.5~4GJ的热能（主要是再生塔再沸器蒸汽）和0.2~0.3GJ的电能。常规思路是让CHP机组分出部分蒸汽去供再生塔，但蒸汽是从汽轮机中间级抽出来的，抽得越多，发电量掉得越多；要是用电捕集路线，那就和P2G抢电了。

这就出现了一个比"以热定电"更微妙的问题：热电联产系统本来热源就紧张，碳捕集还要额外切走一块热。如果没有P2G，碳捕集设备扩大捕集规模，就意味着CHP机组要么减少外供热量，要么增加燃料消耗来补足蒸汽。前者影响用户供热，后者直接拉高煤耗和碳排放，捕集的意义就被削弱了。

1.3 真正的协同闭环：碳源、碳汇与能量的三角关系

放到同一个模型里之后，协同逻辑就顺了：

碳捕集提供CO2，P2G需要CO2，两者直接形成碳源-碳汇闭环。P2G的甲烷化反应需要CO2，如果没有外部碳源，甲烷化就只能用一部分氢气去反应，剩下的氢只能按低价值处理；而碳捕集设备捕集到的CO2浓度高、纯度高，正好可以作为甲烷化的原料。捕集下来的碳没有直接封存而是进入燃料循环，相当于多了一条"碳循环利用"的路径。

CHP的热出力同时支撑供热负荷和碳捕集再生能耗，P2G吸收CHP的过剩电出力，这就把热、电、气、碳四条能量流编织成了一个闭环网络。实际建模时这个关系可以用一个简化的耦合表述：

• 碳捕集设备运行功率 (P_{CCS} = \eta_{CCS} * E_{CO2, capture})
• P2G甲烷化耗CO2量 (V_{CO2, P2G} = \alpha * P_{P2G})
• 供需平衡约束 (E_{CO2, capture} = V_{CO2, P2G} + E_{CO2, sealed})

只要把这三个式子写进约束里，两个设备就不再是孤岛，而是通过碳流量耦合成了一个整体。这个时候的调度策略会发生质的改变：弃风多发时段，系统会自动增加P2G出力，同时让碳捕集设备满负荷运行，捕下来的碳一部分封存、一部分供给P2G制甲烷；到了晚高峰用电紧张时段，P2G产出的天然气又可以通过机组发电顶峰。电、气、碳三个市场被同一个调度计划串了起来。

2. 系统架构搭建：能量流如何从"烧煤发电路径"变成"碳循环路径"

模型不能凭空搭，得先把物理系统结构定下来。我自己常用的架构是"一个典型热电联供综合能源系统"，包含CHP机组、风电场、光伏电站、碳捕集设备、P2G设备、储电/储热/储气装置、燃气锅炉，以及电、热、气三个母线的耦合网络。仿真平台选择上，偏好用MATLAB或Python加YALMIP调用商业求解器，数据则用改进后的IEEE标准节点系统作为基础架构。

2.1 母线与能量枢纽：调度模型的物理底盘

三个母线分别承担不同职责：

• 电力母线：CHP机组、风电场、光伏、P2G电解槽、碳捕集设备的所有耗电负荷、储电装置都挂在上面。功率平衡就是总发电=总负荷，多余的弃电被P2G和储电吸收。
• 热力母线：CHP机组的抽汽供热、燃气锅炉、储热罐向热负荷和碳捕集再生塔提供热能。热平衡约束要同时考虑热负荷、碳捕集热耗和储热装置的充放热。
• 天然气母线：P2G产气、气源购气、储气罐一起满足燃气锅炉和CHP机组补燃用气需求。

能量枢纽的建模核心是"转化矩阵"思想：所有设备本质上都是把一种或多种能量转化为另一种能量，彼此之间通过母线交换能量。列能量平衡方程时，按母线视角列写比按设备视角列写要清晰得多，尤其在后面加网络潮流约束时，这个思路能省不少事。

2.2 关键设备模型：CHP、碳捕集、P2G的核心数学描述

CHP机组是整个系统的供能中枢。抽汽式机组的可行域是一个凸多边形（热电运行区间），表征了电出力和热出力之间的耦合关系：

• 电出力下限受锅炉最小稳定燃烧负荷限制
• 热出力越大，可发电调整范围越小
• 表征为热电耦合线性约束：(P_{CHP} = P_{max} - C_v \cdot H_{CHP})（简化形式）

碳捕集设备模型的核心是"能量-碳量"的线性关系：

• 捕集CO2量 (E_{CO2} = \lambda_{CCS} \cdot P_{CCS,elec})（电驱动时）
• 热再生能耗 (H_{regen} = \mu_{regen} \cdot E_{CO2})
• 捕集率可调，从0到0.9左右连续可调，这部分可调性对调度至关重要——捕集率低的时候，设备相当于纯耗能小负载；捕集率拉满时，系统碳流量和能耗同时上升

P2G设备考虑两段转化：

• 电解水制氢：3.8~4.2 kW·h电产生1标方氢气，效率一般在70%左右
• 甲烷化反应：CO2 + 4H2 → CH4 + 2H2O，氢转天然气的化学效率在75%~80%
• 整体能量转换效率可以近似到 55%~60%，不算高，但胜在把"不可存储的电"变成了"可存储的气"，这是时间维度上的价值

储能装置不细说了，统一用耦合的充放能功率和储能量动态方程描述，注意充放能效率系数要分开取，热储容器还会存在散热损耗系数，别把它当成理想储能。

2.3 工况耦合：把多条链路串起来的边界条件

这一步是模型的关键。设备模型各自独立建模后，要把它们用工作状态和边界条件耦合起来。我采用的方法是把碳捕集设备作为一个"可调电热负荷"来处理：

• 碳捕集的耗电功率 (P_{CCS,elec}) 是可调变量，调节范围0~(P_{CCS,max})
• 碳捕集的耗热功率 (H_{regen}) 与其捕集量线性相关，而捕集量又和耗电功率线性相关，所以实际上耗热和耗电之间有一个固定比例
• 结果就是碳捕集成了一个"消耗双重能量但产出碳流量"的等效元件

P2G则作为一个"可控电负荷+产气源"来处理，它的CO2消耗和产气量之间的比例关系，和碳捕集的CO2产量形成等式约束。这样，CHP、风电场、光伏、储电，以及CCS和P2G之间就通过电-热-气-碳四条链路全部串联起来了。

3. 优化调度模型的核心数学结构：目标函数与约束逐项拆解

模型本质是一个多时段混合整数线性规划（MILP）问题，这是整个研究方向成败的关键——模型必须既能反映物理过程，又能让求解器在可接受时间内找到全局最优解。

3.1 目标函数：不止是花钱最少，碳价要进来

目标函数我采用"运行成本+碳排放交易成本+弃风弃光惩罚"的综合最小化形式。分开来看：

运行成本包括：

• 购气成本（天然气购气费用，P2G产气和气源购气统一计价）
• 购电成本（如果系统与大电网连接，外购电价按分时电价计）
• 设备运行维护成本（按出力线性折算，一般是单位电量运维系数×设备出力）
• 启停成本（CHP机组存在启停成本，整数变量描述）

碳排放交易成本是最关键的一项。这里我用了基准线法下的阶梯碳交易机制：政府给系统分配一个碳排放配额，实际排放量小于配额时可以出售富余配额获得收益，超过配额则要购买，超额越多，碳价越贵（阶梯式惩罚）。

这个机制直接决定了"多捕碳吃不吃亏"。碳价给到50元/吨和200元/吨时，系统的调度结果是完全不一样的：碳价低时，P2G和CCS主要靠弃风消纳的收益回本；碳价高到一定阈值，CCS会主动满负荷捕碳，因为多捕的那部分碳减排量卖配额比卖电还划算。后面做敏感性分析时，碳价是要重点扫的参数。

弃风弃光惩罚不是可有可无的，它决定了调度模型"强迫消纳"的倾向。惩罚系数设得过低，模型会倾向于直接弃掉风电给P2G提供电力；设得过高又会失真。一般取购电成本的1.5~2倍比较合理。

3.2 关键约束条件：功率平衡之外，还有三个容易漏的

除了标准的电热功率平衡约束、机组出力上下限约束、爬坡约束、储能动态约束这些常规项，以下三个约束是这个模型里最核心、也最容易被遗漏或写错的部分：

热电耦合约束——CHP的可行运行区间约束是抽汽机的电热耦合。必须注意用多段线性化来描述电出力和热出力的非完全线性关系，比如可行域用一组线性不等式来表示，而不是简单写一个线性方程。不然模型会允许机组运行在实际不存在的工况点上，调度结果无法落地。

碳捕集与P2G的碳流耦合约束——前面提到的CO2供需平衡。这个约束要区分运行场景：碳捕集量大于P2G需求时，多余部分进入封存；不足时，P2G从外部购买CO2（成本计入运行费用）。两种工况用二进制变量切换，这在MILP框架里是最典型的"含整数变量的分段线性约束"。

系统备用约束——综合能源系统不仅要有电备用，还要考虑热备用。因为CHP的热出力会影响电出力的调整范围，供热高峰期的可上调电容量实际上变少了。调度模型如果只设电备用不设热备用，实际运营里很可能出现"备用看似充足、调峰实际不足"的情况。

3.3 不确定性处理：场景法和鲁棒优化怎么选

再往前走一步，风光出力都是不确定的。处理方式上，我常用的有两条路线：

• 随机规划（多场景法）：用代表性场景描述风光出力不确定性，目标函数写成场景概率加权期望。好处是经济性刻画准确，坏处是场景一多求解规模膨胀。实际做法是先用聚类把历史数据缩减到5~10个场景，兼顾精度和速度。
• 鲁棒优化：用不确定集描述风光出力波动范围，寻求最坏场景下也可行的调度方案。对追求系统安全稳健的日前调度场景很合适，但容易过于保守，成本偏高。

我的建议是：基础版本先用确定性模型把物理过程搞清楚，再加随机性。一步到位直接上两阶段随机规划，模型还没调通，光辨识问题和调试场景就要耗掉大量时间。顺序是：确定性模型→灵敏度分析→场景随机规划→（可选）两阶段鲁棒，一步一个脚印。

4. 从MINLP到MILP：线性化处理与求解器实战避坑记录

我最初试着直接建混合整数非线性规划（MINLP），因为P2G效率和碳捕集能耗其实都和运行状态相关，是典型的非线性关系。结果求解器跑起来不是不收敛就是收敛到很差的局部解，效率也低得离谱。后来老老实实转成MILP，求解效率立刻上了一个台阶。

4.1 非线性环节怎么线性化：以碳捕集和P2G效率为例

碳捕集能耗系数的非线性主要来自捕集率。捕集率越高，再生能耗是非线性上升的。简化处理是把捕集率离散成几个区间，每个区间内能耗系数取常数，再用二进制变量选择区间。用3~5段分段线性化，误差一般能控制在5%以内，对调度结果的影响远小于风光预测误差。

P2G效率的线性化思路类似：电解槽在部分负荷下效率会略微下降，将其效率曲线分段线性化即可。更细节的部分——比如电解槽功率和产氢量的关系在工程上接近二次曲线——可以用"分段线性+整数选择"的方式去逼近，这在MILP框架里是成熟做法。

这里要特别提醒：线性化不是越细越好。分段多了，二进制变量数量爆炸，求解时间成指数增长。以碳捕集能耗为例，3~5段和10段的分段精度对结果影响非常小，但求解时间差了近一个数量级。做优化调度研究，要在精度和求解时间之间找平衡点。

4.2 求解器选择与参数调校的经验

求解器我常用两种：开源里用CBC和高性能求解器；商用里Gurobi和CPLEX都行。实际体验是，Gurobi在这个模型上的求解速度要快不少，尤其当系统节点数增多、整数变量上千时差距明显。

几个特别实用的调参经验：

大M法的大M值要手动设，不能贪大。热电耦合约束里的M值，我见到很多人直接填1e6，结果数值稳定性极差，变量解出来都在小数的边缘疯狂试探。正确做法是找约束的物理边界，比如系统总装机容量再多留20%余量作为M值。

松弛整数变量的优先级设置。热电联产机组启停变量、碳捕集模式切换变量、P2G运行区间选择变量，这三组整数变量的决策优先级不一样——机组启停是全局性的，影响最大。把优先级别设置好，求解器分支定界时会先锁定高优先级变量，速度能快30%。

初值设置的作用不可低估。用上一时段调度结果作为初值，或者先用连续松弛模型（把0-1变量放宽为0到1之间的连续变量）跑一遍得到初值，都能明显降低MILP求解时间。

4.3 经典踩坑记录：CCS排碳约束与热备用约束的矛盾

第一次跑通模型时，我遇到一个意料之外的结果：CCS捕集率越高，系统总碳排放反而越大。排查了半天，原因是碳捕集的能耗需求由CHP机组多烧燃料来满足，多烧的那部分燃料增加了总碳排放量，捕碳的伴随排放比捕到的碳还多——这在实际系统中被称为"捕碳回弹效应"。

解决思路有两类：一类是加入碳排放强度的上限约束，限制机组额外供能的排碳强度，本质上是对系统"总碳预算"做约束；另一类是让碳捕集设备优先使用原本要弃掉的风电电力，而不是让CHP多烧燃料来供能。后者的做法更有工程意义，也更能体现P2G与CCS协同的价值。

热备用约束和CCS热能耗的冲突则是另一个典型坑：调度模型为了满足热负荷和CCS热需求，可能把CHP热出力顶到接近上限，此时CHP电出力被压低，电备用容量反而虚高——因为"能发的电被热绑定拖住了"。所以模型里必须显式留热备用，让CCS捕碳在热负荷高峰时自动降频，否则求解出的"最优解"根本不能在实际系统里执行。

5. 算例设计与结果解读思路：方案对比怎么设计才能说明问题

模型建完，更重要的是通过算例验证模型逻辑。我建议无论如何都要设计一个"对照组齐全、递进关系清晰"的方案集，否则审稿人一句"为什么不用别的低碳方案"就能把模型的观点问倒。

5.1 基础场景设置与对比方案设计

基础测试系统建议用改造后的IEEE 6节点或9节点系统：两座CHP机组、一座风电场、一座光伏电站、CCS设备、P2G设备、燃气锅炉、储电/储热/储气装置，连接上级电网与气网。典型日选取要覆盖三种场景：采暖期典型日（强调热负荷）、大风日（强调消纳压力）、夏季无供热日（作为对照组）。

方案对比建议这样设置：

方案D是最核心的，重点考察CCS捕集的CO2能否被P2G消化，碳排放相对方案B是否进一步下降，系统运行成本相对方案C是否有改善。

5.2 结果解读的三个关键维度

第一维度是系统能源调度结果：各时段CHP电出力、热出力、P2G耗电、CCS捕碳量、储气与用气情况。重点看P2G是否在弃风时段启动并吸收CO2，CCS是否在风电大发时段增强捕集。这是验证模型物理正确性的第一步。

第二维度是经济性分析：系统总运行成本、碳交易成本、购电购气成本拆分，方案间的成本结构差异。这里会出现一个反直觉的结果——方案D初始投资和运行成本可能比方案B高，但碳交易收益（或减排收益）会把它抹平甚至反超。这个转折点正是碳价的函数。

第三维度是碳排放与弃电率分析：把系统CO2总排放量、单位供电碳排放强度、弃风弃光率三个指标拉出来，看方案D相对方案A/B/C的改善幅度。我实测的典型结果通常是：方案D的弃电率降到极低，碳排放量比方案A下降30%以上，系统运行成本因为P2G产气的替代效应反而节省了一部分购气费用。这些指标就是模型价值的直接证明。

5.3 敏感性分析：哪些参数决定了模型的结论方向

参数敏感性分析是这个方向论文里最能体现工作量、也最容易出彩的部分。我重点关注三个参数的敏感性：

• 碳交易价格：从50元/吨扫到300元/吨，观察CCS捕集量和P2G运行时间的变化。结论一般是：存在一个"碳价临界点"，低于该值CCS基本不启动，高于该值CCS会快速满负荷，但继续抬升碳价边际效果递减。这个临界点可以直接指导碳市场政策设计。
• 天然气价格：影响P2G制天然气的经济性。气价高时P2G产气的替代效益变强，系统会更倾向于多产气；气价低时P2G可能仅作为"弃电消纳装置"运行，产气与否不再重要。
• 风电/光伏装机容量：目的是验证"高比例新能源接入后，P2G+CCS的协同消纳能力到底有多强"。新能源渗透率从20%提到60%时，方案C的弃电率会重新抬头，但方案D的弃电率依然能压得比较低，这个对比能说明P2G+CCS是支撑高渗透率新能源消纳的关键技术组合之一。

6. 模型之外的思考：从仿真研究走向工程落地，还差几步

做这类研究的价值不应止步于"发一篇好论文"。我始终认为，优化调度模型最大的意义是给实际工程规划与运行提供决策工具。这段说说我在模型落地方向上的几个观察。

6.1 从离线优化到在线滚动优化

日前调度模型在工程落地时遭遇的第一个问题是"预测不准"。实际运行中，次日的风光出力、热负荷、气价都会变化，开环最优解很快失效。工程上常见的做法是改成滚动时域优化（MPC）：每15分钟或1小时滚动一次，滚动窗口从未来4小时到24小时可调，每次只执行第一个时段的最优指令，下一次重新求解。这个模式下，模型的MILP求解时间就是落地可行性的硬指标——必须在几分钟甚至几十秒内解完。

6.2 多能市场协同：碳、电、气、热四市场联动的潜力

更进一步，这套模型天然支持“碳-电-气-热”多市场协同决策。当前工程实践中，碳排放权交易、电力现货、天然气现货、热力市场往往是分头运行的，碳价信号和电力现货价格信号之间互相割裂。但如果在模型里把碳价、分时电价、分时气价全部外生给定，调度计划会自动完成跨市场套利：弃电时段用电制气，碳价高时多捕碳、卖配额或使用绿电，这其实就是未来区域综合能源系统参与多市场交易的基本形态。

6.3 对工程规划的前瞻价值

我还尝试过把这类优化模型倒过来用：固定系统参数，反过来求"碳捕集设备该装多大、P2G该装多大"，也就是把调度模型嵌套进规划模型的迭代里。两阶段规划-运行联合优化模型的复杂度会明显提升，但对工程方案的可行性评估非常有价值。它能回答一个工程前期最关心的问题："花多少钱装多少设备，能在多少年回收成本、带来多少减排量？"这个问题在纯定性分析里很难回答，但有了这套优化模型，就是用一组线性不等式就能回答的问题。

写在最后的一点体会

研究做下来，我最大的感受是：综合能源系统的优化调度，难点从来不在数学本身，而是对物理过程的准确抽象和理解。P2G和碳捕集设备单独建模都不难，难的是看清它们在"热电联供"这个特殊语境下的耦合关系——碳捕集的耗热和CHP的供热是矛盾的，P2G的耗电和碳捕集的耗电是会抢资源的，但如果把碳流当作耦合纽带，把"弃电时段捕碳制气"作为调度逻辑的出发点，这些矛盾就全部转化为协同关系了。

如果你正在做类似方向，我的建议是：先把物理过程一丝不苟地梳理清楚，再动笔写数学表达式，建模逻辑最好用能量流图反复验证，确认每个设备的输入输出都对接得上，再上求解器。磨刀不误砍柴工，模型物理逻辑清晰了，后面的求解、算例验证都会顺很多。这个方向还有很多延伸空间，比如把P2G的副产氧纳入综合能源系统、加入热网动态特性、考虑碳捕集溶剂损耗等更细的工程因素，踏踏实实把一个环节做扎实，就已经是很扎实的成果了。