企业官网建设流程全解析

做微网调度优化这个方向也有好几年了。最近不少同行和研究生在问“含冰蓄冷空调的冷热电联供型微网多时间尺度优化调度”这个题目怎么做，尤其是蓄冰槽怎么建模、怎么用Matlab落地。这个题目看似复杂，但拆开来看，其实就是“一个CCHP微网”加上“一台冰蓄冷空调”再套上“日前+日内两阶段调度”的组合。难的不是单个环节，而是怎么把冷、热、电三种能量流统一到同一个优化框架里，还要让Ice Storage这种“隐性储能”真正发挥作用。这篇文章我就以自己做过的某园区冷热电联供微网项目为基础，把物理结构、数学模型、多时间尺度调度逻辑以及Matlab代码实现的关键点完整拆一遍，给想复现这个方向的同学一条可以直接走的路。

1. 项目全貌与需求拆解

1.1 这个项目到底在解决什么问题

常规微网调度只考虑电功率平衡，但冷热电联供型微网要同时处理三条能量母线：电负荷、热负荷和冷负荷。燃气轮机发电时有大量余热排出，这部分热可以回收用于供暖，也可以驱动吸收式制冷机制冷。问题在于，供电和供冷/供热并不是同步的——白天冷负荷拉满的时候，电价通常也是最高的；而夜里冷负荷低、谷电便宜，燃气轮机却不可能为了“蓄冷”单独满负荷跑一晚上。

这时候冰蓄冷空调就派上了用场。它本质上是一种“电转冷”的时间平移装置：夜间用低谷电驱动制冷机组制冰，把冷量以冰的形式存起来；白天用电高峰时段融冰供冷，少开或者不开电制冷机。这样一来，微网里的冷负荷不再是刚性的，而是变成了一个可以被调度安排的能量项。把这个思路放到整个CCHP系统里，就不只是空调省钱的问题了，而是能让燃气轮机的运行策略、蓄电池的充放策略、购售电策略全部跟着联动起来，运行成本才能整体降下来。

1.2 冰蓄冷空调在微网中的角色定位

很多第一次接触冰蓄冷的人会把它当成“一个大冰箱”，其实它的本质更像一个“冷量水库”。夜间蓄冰就相当于往水库里蓄水，白天融冰供冷就相当于开闸放水。在优化模型里，它的角色和蓄电池非常类似，都有一个荷电状态（SOC），有储/放功率上下限，有能量转换效率，唯独不同的是它的“能量”是冷量而不是电量。

但要注意，冰蓄冷和蓄电池在建模上有一个关键差异：蓄电池是双向的，既可以充电也可以放电，充放可以在同一时刻二选一；而蓄冰槽的输入是“电制冷产生的冷量”，输出是“融冰释放的冷量”，输入和输出在物理上也是互斥的。蓄冰工况下COP约3左右，也就是说消耗1份电可以存进3份冷量；融冰工况下释放冷量的效率接近1，基本没有太大损耗，但融冰速率受冰槽结构和换热条件限制。

我在第一次建模时犯过一个典型错误：直接把蓄冰槽当成普通电池，用充放电状态变量去表达，结果优化结果特别离谱——白天一边用电制冷一边融冰，晚上一边蓄冰一边放冷，看着完全反逻辑。后来重构模型时才想明白，蓄冰槽一定要在“冷功率平衡”里用冷量表达：蓄冰是在冷负荷侧增加了一个冷量吸收项，融冰是在冷负荷侧增加了一个冷量供应项，二者之间只通过SOC状态变量建立联系。这一步想通了，整个模型才顺起来。

1.3 为什么非要“多时间尺度”调度

如果只靠一个单阶段的日前调度，预测误差会直接吃掉调度方案的可行性。光伏出力受天气影响大，冷负荷受气温和人员活动影响大，日前预测的偏差到20%是很常见的事情。例如某天下午实际冷负荷比预测高出一截，日前计划里分配的吸收式制冷和融冰供冷就不够了，这时候如果不做日内修正，只能现场紧急购电开电制冷机，成本一下子就上去了。

多时间尺度调度的思路，用大白话说就是“走一步看一步、看一步修正一步”。日前调度先根据未来24小时的预测数据，制定一个全局性的运行计划，确定燃气轮机启停组合、蓄冰槽蓄放冰框架、蓄电池充放框架；日内滚动调度再根据超短期预测，以15分钟为周期对未来的1~4小时重新求解，在尽量不偏离日前框架的前提下，修正各设备的出力。这个思想和模型预测控制（MPC）的滚动优化本质上是同一套逻辑。

时间尺度划分的比较关系可以看下面这个表：

这篇文章后面重点讲的，就是前两个尺度怎么建模、怎么在Matlab里实现，以及两个尺度之间如何通过“基准轨迹+偏差惩罚”协调起来。

2. 系统建模与优化模型拆解

2.1 物理系统结构与能量流

建模之前，先把系统的物理结构捋清楚。我采用的典型CCHP微网拓扑包含以下设备：

• 燃气轮机（GT）：燃天然气发电，同时产生可回收余热
• 余热回收装置：把燃气轮机排烟余热转换为热站可用热功率
• 吸收式制冷机（溴化锂机组）：利用余热制冷
• 电制冷机：常规压缩式制冷，直接用电力制冷
• 冰蓄冷装置：包含蓄冰机组和蓄冰槽，谷电时段蓄冰、峰电时段融冰
• 蓄电池：电储能，平抑电功率波动
• 光伏（PV）：可再生能源发电
• 燃气锅炉：余热不足时补充供热
• 与配电网的交换接口：可购电售电

整个系统的能量流是这样的。燃气轮机烧天然气发电，发出的电并入微网母线，和光伏、蓄电池、购电一起共同满足电负荷；电负荷包括普通电负荷、电制冷机耗电、蓄冰机组耗电、蓄电池充电功率。燃气轮机排烟余热进入余热回收装置，变成热功率，一部分直接供给热负荷，另一部分驱动吸收式制冷机。冷负荷则由吸收式制冷机、电制冷机、蓄冰槽融冰三方共同供给。如果某个时刻余热不足，燃气锅炉补燃供热。

这样一个系统的调度逻辑，本质上是在每一小时（日前）或每15分钟（日内）里，决定燃气轮机发多少电、余热怎么分配、电制冷与冰蓄冷怎么配合、蓄电池怎么充放、电网交互多少电量。每一次决策都要让成本最小，同时保证所有能量平衡和设备运行在安全边界内。

2.2 主要设备建模要点

燃气轮机是系统的核心动力源。建模时我用两个关键参数：发电效率η_gt和热电比r_chp。燃气轮机输入燃料功率F_gt，发电功率P_gt = η_gt * F_gt，可回收余热功率Q_heat_rec = r_chp * P_gt，燃料成本按燃气耗量乘以气价计算。启停成本用0-1变量表达，只要机组从停机转为运行，就记一次启动费用。此外还要加爬坡约束，防止前后时段出力变化过于剧烈。

余热回收****装置的效率η_hrec一般在0.8左右，它把排烟余热转换为热站可用热功率。吸收式制冷机再把这个热功率转换成冷功率，制冷系数COP_ab可以取1.3左右。注意，吸收式制冷机的COP大于1是因为它利用的是热驱动，能量品位低但数量大，这一点跟电制冷机有本质区别。

电制冷机建模最简单，消耗电功率P_ec，输出冷功率Q_ec = COP_ec * P_ec，COP_ec取4.5。电制冷机的启停也可以做成连续调节，避免额外引入0-1变量增加求解复杂度。

冰蓄冷装置需要单独建立SOC状态方程。蓄冰机组蓄冰时消耗电功率P_ice，以蓄冰工况COP_ice（约3.2）转换为冷量存入蓄冰槽；融冰时释放冷量Q_melt。SOC状态转移可以写成：

S_soc(t+1) = S_soc(t) - Q_melt(t) / η_melt + η_ch * Q_ch_ice(t)

其中Q_ch_ice = COP_ice * P_ice，表示蓄冰过程存入槽内的冷量；η_melt和η_ch分别代表放冷和蓄冷过程的效率。蓄冰和融冰在同一个时段内不能同时进行，这个互斥关系用两个0-1变量加上一个大M约束实现。最后再加一个调度周期末的SOC约束，保证蓄冰槽跨日出清的一致性，不允许第二天“白嫖”前一天剩下的冰。

蓄电池的建模相对标准。SOC状态转移、充放功率上下限、充放互斥、初末SOC相等这些约束都要带上，充放电效率我取0.92。注意蓄电池和蓄冰槽在功率平衡方程里的位置完全不同，蓄电池直接进出电功率，而蓄冰槽是“电功率-冷功率”的跨能转换，这个区别在组装约束时千万别搞混。

2.3 目标函数与约束条件

目标函数是综合运行成本最小，包括五部分：燃气轮机和燃气锅炉的燃料成本、从电网购电的费用、设备启停成本、运行维护成本、弃光惩罚。用一个式子表达就是：

min Σ (C_fuel + C_buy - C_sell + C_start + C_om)

购电成本和售电收益按分时电价计算，燃气成本按气价和热值折算。弃光惩罚项用于保证系统优先消纳光伏，但惩罚系数不要设太大，避免数值病态。

约束条件分六类，我在代码里也是按这个顺序组的：

• 电功率平衡：燃气轮机出力+光伏+蓄电池放电+购电 = 电负荷+电制冷耗电+蓄冰耗电+蓄电池充电+售电
• 热功率平衡：余热回收输出+燃气锅炉供热 = 热负荷+吸收式制冷机耗热
• 冷功率平衡：吸收式制冷+电制冷+融冰供冷 = 冷负荷+蓄冰槽蓄冰冷量
• 设备容量约束：各类设备出力上下限
• 储能状态约束：SOC动态、容量上下限、充放互斥
• 电网交互约束：购售电功率上限，以及购电和售电的互斥关系

值得一提的是冷功率平衡式里“蓄冰槽蓄冰冷量”这一项，它代表蓄冰机组把冷量“灌”进冰槽，形式上跟冷负荷一样都是冷量的消耗方。把蓄冰看作冷负荷、把融冰看作冷源，这个角度很重要，直接决定了后面的代码怎么写。

3. 多时间尺度调度策略与实现逻辑

3.1 日前调度的决策内容

日前调度在每天零点前运行一次，以1小时为步长、24小时为优化区间，输入是未来24小时的电负荷、冷负荷、热负荷、光伏出力、分时电价的预测曲线。它要输出的决策包括：

• 燃气轮机每小时启停状态和发电功率
• 燃气锅炉的供热功率
• 吸收式制冷机和电制冷机的制冷功率分配
• 蓄冰槽每小时的蓄冰/融冰功率及SOC轨迹
• 蓄电池每小时充放电功率
• 每小时购电/售电功率

日前调度的目标是把全局成本压到最低，所以它会在谷电时段尽量多购电蓄冰、给蓄电池充电，在峰电时段让燃气轮机多发、融冰供冷，减少高价购电。从结果看，蓄冰槽的SOC曲线会呈现典型的“夜间攀升、白天下降”的形态，这个曲线就是日内滚动调度要跟踪的基准轨迹。

这里有一个工程经验：日前调度的步长不一定要设成1小时。如果冷负荷变化比较快，或者你所在地区的分时电价时段边界比较复杂，建议把步长缩短到30分钟甚至15分钟。代价是决策变量数量成倍增加，但对目前的主流求解器来说，几十个0-1变量的MILP问题依然很快。

3.2 日内滚动修正的设计思路

日内滚动调度是应对不确定性的关键环节。我自己做项目时用的是15分钟触发一次、滚动优化未来4个时段（即1小时）的窗口设置。为什么选15分钟而不是5分钟？因为超短期预测的更新频率通常是15分钟一个周期，而且5分钟粒度的优化会让求解次数翻倍，实际执行时也没必要做到那么精细。

日内滚动的决策变量跟日前调度基本一致，区别在于：它只关心窗口内的决策，并且必须考虑“当前系统状态”作为初始条件。比如当前时刻蓄冰槽的SOC是多少、蓄电池SOC是多少、燃气轮机是否处于开机状态，这些状态直接来自实时监测或日前计划的执行结果。窗口内第一时段的决策会被真正下发执行，后面几个时段的决策只是为后续滚动做准备。

日内优化与日前优化最大的区别在目标函数里多了一个偏差惩罚项。如果不加这个惩罚，日内滚动会完全按照最新预测重新算一个“最优轨迹”，很可能跟日前计划的机组启停、蓄冰策略完全拧着来，反倒造成运行混乱。加了惩罚之后，日内调度会尽量贴着日前计划走，只有当预测偏差确实大到需要修正时，它才会主动偏离基准轨迹。

3.3 时间尺度之间的信息传递与协调

两阶段调度之间传递的信息主要有三类：燃气轮机的启停状态序列、蓄冰槽的基准SOC轨迹、蓄电池的基准充放电轨迹。我采用的惩罚系数是单位燃料成本的15%~20%。这个权重很关键，小了日内就完全放飞自我，日前等于白做；大了日内就失去修正能力，滚不滚动就没意义了。

另外，日内滚动求解时还可以加一个边界约束，例如“燃气轮机出力与日前计划的偏差不超过±20%”。这类约束能从硬约束层面防止日内结果跑偏，比单纯加软惩罚更可靠。实际项目中我是“软惩罚+硬边界”一起用的：软惩罚保证趋势一致，硬边界保证可执行性。

日内滚动执行完当前时段后，结果会反馈给实时控制层。这一层我通常不放到优化模型里，而是用简单的AGC逻辑或就地控制器处理秒级功率波动。换句话说，多时间尺度调度解决的是“分钟/小时级的经济调度”问题，秒级的功率平衡交给底层控制去兜底，这样层次分明，模型复杂度可控，工程上也更合理。

4. Matlab代码实现的核心环节

4.1 求解工具与建模套路

Matlab实现这类调度模型，我推荐用YALMIP工具箱加商用MILP求解器（比如Gurobi或Cplex）的组合。YALMIP最大的好处是可以用符号化的方式写约束和目标函数，不用自己去拼稀疏系数矩阵，这对于约束多、耦合复杂的CCHP模型来说极其重要。Matlab自带的optimproblem框架也能做，但遇到大M约束、SOC状态转移这种跨时段耦合约束时，写起来远不如YALMIP顺手。

代码整体框架分六步：清空环境并定义参数 → 读取负荷、光伏、电价数据 → 定义决策变量和状态变量 → 组装约束 → 写目标函数 → 调用求解器并处理结果。为了调试方便，我习惯把参数集中放到一个结构体里，例如para.gt_up、para.gt_down，这样不同算例之间切换只需要改动参数文件，不需要碰模型主体。

4.2 关键代码片段解析

先看变量定义部分。这里用到sdpvar定义连续变量、binvar定义0-1变量。以日前调度为例，假设T=24：

T = 24; P_gt = sdpvar(1, T); % 燃气轮机出力 on_gt = binvar(1, T); % 燃气轮机启停状态 P_ec = sdpvar(1, T); % 电制冷机耗电功率 Q_ab = sdpvar(1, T); % 吸收式制冷输出冷量 Q_melt = sdpvar(1, T); % 融冰供冷量 P_ice = sdpvar(1, T); % 蓄冰耗电功率 z_ch = binvar(1, T); % 蓄冰状态，1为蓄冰 z_melt = binvar(1, T); % 融冰状态，1为融冰 S_soc = sdpvar(1, T+1); % 蓄冰槽SOC，含末状态 P_buy = sdpvar(1, T); % 购电功率 P_sell = sdpvar(1, T); % 售电功率 SOC_bat = sdpvar(1, T+1); % 蓄电池SOC P_ch = sdpvar(1, T); % 蓄电池充电功率 P_dis = sdpvar(1, T); % 蓄电池放电功率

接下来是电功率平衡约束。蓄冰耗电P_ice、电制冷耗电P_ec、蓄电池充电P_ch都作为负荷项放到等式右边：

Constraints = []; for t = 1:T Constraints = [Constraints, ... P_gt(t) + P_pv(t) + P_dis(t) + P_buy(t) == ... L_elec(t) + P_ec(t) + P_ice(t) + P_ch(t) + P_sell(t)]; end

冷功率平衡约束里，把蓄冰冷量Q_ch_ice作为冷负荷项，把融冰Q_melt作为冷源项：

% 蓄冰冷量 = COP_ice * P_ice Q_ch_ice = para.cop_ice * P_ice; for t = 1:T Constraints = [Constraints, ... Q_ab(t) + P_ec(t) * para.cop_ec + Q_melt(t) == ... L_cold(t) + Q_ch_ice(t)]; end

这里P_ec(t) * para.cop_ec就是电制冷机的输出冷量，吸收式制冷输出Q_ab直接是冷量变量，避免单位混乱。

蓄冰槽的SOC状态转移和蓄放互斥约束是关键：

% SOC初值 Constraints = [Constraints, S_soc(1) == para.soc_ice_0]; for t = 1:T % SOC状态转移 Constraints = [Constraints, ... S_soc(t+1) == S_soc(t) * (1 - para.ice_loss) - Q_melt(t)/para.melt_eff + para.ch_eff * Q_ch_ice(t)]; % 容量上下限 Constraints = [Constraints, 0 <= S_soc(t+1) <= para.ice_cap]; % 蓄冰与融冰互斥 Constraints = [Constraints, Q_ch_ice(t) <= para.ice_ch_max * z_ch(t)]; Constraints = [Constraints, Q_melt(t) <= para.ice_melt_max * z_melt(t)]; Constraints = [Constraints, z_ch(t) + z_melt(t) <= 1]; end % 日末SOC约束，保证跨日一致 Constraints = [Constraints, S_soc(T+1) >= para.soc_ice_0];

注意融冰功率Q_melt的取值上限不是固定值，有些冰槽的融冰速率会随冰层厚度变化，但工程上做线性近似完全够用。把互斥约束写成两个0-1变量的大M形式，会比用单个三态变量方便得多，YALMIP对这种写法非常友好。

4.3 日内滚动循环的实现思路

日内滚动调度的主循环是个经典的MPC结构。我的实现框架如下：

for k = 1 : 96-3 % 当前时刻索引k，滚动窗口长度H=4 H = 4; idx = k : k+H-1; % 读取超短期预测数据 L_pred = load_pred(idx); P_pv_pred = pv_pred(idx); price_pred = price_pred(idx); % 初始化窗口问题 Constraints = []; Objective = 0; % 定义窗口内变量（维度改成H） % ... 变量定义与约束组装，与日前模型基本一致 ... % 加入对日前计划的偏差惩罚项 beta = para.beta * para.price_gas; for h = 1:H Objective = Objective + beta * abs(P_gt_win(h) - P_gt_da(idx(h))); end % 求解并执行当前时段 optimize(Constraints, Objective, options); P_gt_execute(k) = value(P_gt_win(1)); % 其余设备类似 end

这里有一个实际操作中的坑：每天都跑一次完整滚动循环，求解次数非常多。如果每个窗口都从头构建YALMIP模型，代码运行速度会慢得让人怀疑人生。我在项目里把“模型构建”部分封装成了一个函数，输入是预测数据和基准轨迹，输出为优化后的调度结果，循环里只调用这个函数。实测下来，96个滚动窗口全部跑完不到两分钟，完全在可接受范围内。

4.4 数据准备与算例设置

没有好的数据，模型再漂亮都是白搭。做算例时数据至少包含四部分：负荷曲线（电、冷、热）、光伏出力曲线、分时电价曲线、设备参数表。负荷和光伏数据可以用历史数据加预测误差的方式生成。比如取某个夏季典型日的历史冷负荷曲线，乘以一个0.9~1.1的随机扰动模拟预测偏差，这样生成的算例既能体现日前/日内差异，又不脱离实际。

设备参数可以按我下面的典型值设置，方便你快速复现：

分时电价如果手头没有真实数据，可以用典型峰平谷电价：谷段0.3元/kWh，平时段0.7元/kWh，峰段1.1元/kWh。天然气价格2.8元/m³，低热值按9.7 kWh/m³折算。

结果处理部分，我习惯把燃气轮机出力、电制冷功率、蓄冰SOC、购售电功率这些关键曲线画在一起对比，再用sum统计总成本。画图时注意把X轴时间对齐到真实时刻，否则日出和日没位置都会错位，看起来就别扭。

5. 调试过程中的常见问题与避坑记录

5.1 模型“死活算不出可行解”

这个问题在前期建模阶段出现得最频繁。我刚把这个项目的约束全部组装完毕之后第一次求解，YALMIP直接报无解。排查思路很简单，先把目标函数全部置零，只求可行解；如果仍然无解，再用松弛变量逐个平衡等式，看松弛量落在哪条约束上。

实际项目中最常见的原因有两个。一是冷负荷峰值超过了吸收式制冷、电制冷和融冰三者最大供冷能力之和。这种情况属于设备容量配置不足，不是模型写错了。二是蓄冰槽的日末SOC约束设置不合理。如果前一天蓄冰量被大量消耗，日末SOC小于初值，强行要求SOC(T+1)>=SOC_0就会导致傍晚时段无法满足冷负荷。处理办法是把日末约束改成SOC(T+1)>= 0.7*SOC_0这类松弛形式，或者干脆只在蓄冰策略本身就要求跨日平衡时用严格等式。

5.2 蓄冰槽“蓄不满”或者“用不完”

优化结果里蓄冰槽经常只用了不到一半容量，这说明冰蓄冷的经济性没有被模型体现出来。原因通常是峰谷电价差太小，导致谷电蓄冰省下的钱覆盖不了设备损耗和运维成本。如果算例里电价差确实小，那就不是模型问题，是商业模式问题。

但如果你确信电价差足够大，结果还是蓄不满，就要检查蓄冰和融冰的互斥约束是不是误伤了。我踩过一次坑：融冰工况下允许吸收式制冷和电制冷同时停运只靠融冰供冷，但融冰功率上限设得太低，导致白天能放出来的冷量有限，冰槽自然用不彻底。调试时把Q_melt的上限调到蓄冰功率的1.5倍，并用表格列出峰值冷负荷时各冷源供冷量，一眼就能看出问题在哪。

5.3 日前计划和日内计划偏差很大

如果日内滚动结果跟日前计划差得很远，说明偏差惩罚权重太小，或者日内模型里没有继承日前关键决策。有一个检查技巧：把燃气轮机的启停序列取出来，对比日前和日内结果，如果大部分时段的开/停机状态都对不上，那就说明日内没有收到“启停状态必须继承日前结果”的信息。

解决办法是在日内模型的目标函数中对启停状态加硬约束：on_gt_win(h) == on_gt_da(idx(h))。这样日内滚动只修正出力大小，不改变启停组合，运行逻辑就会稳定很多。只有在超短期预测显示负荷发生剧烈变化时，才允许修改启停状态，这部分可以通过松弛变量实现。

5.4 求解器数值问题与性能优化

MILP模型经常遇到数值条件差的问题。最常见的原因是SOC量纲跟功率量纲差的太大。比如蓄冰槽SOC上限设成10000 kWh，而电功率是几百kW级别，目标函数里又多了一个数量级的惩罚系数，求解器跑起来矩阵条件数就难看了，容易出现“Optimal，但结果明显不合理”或者求解极慢的情况。

我的建议是所有能量单位统一成kWh、功率统一成kW，SOC做归一化处理，上限直接写成1，约束里SOC乘以容量再参与运算。另外，大M系数不要盲目取1e5，能取100就取100，够约束生效就行。数值条件越好，求解速度越快。

此外，如果用的求解器支持多线程参数，记得在options里开起来；日内滚动场景下每个窗口的问题规模不大，但循环次数多，单窗口求解时间每缩短0.1秒，整体都能明显感知到。

写到最后，我最大的一个体会是，这种调度模型猛一看是个数学优化问题，做到后面才发现真正的门槛是工程理解。设备参数是你自己定的，预测数据是你自己给的，但结果能不能在现场落地，全靠你对物理逻辑有没有想透。冰蓄冷这东西，我在实际项目中把它的自损率从0改成每天1%之后，整个SOC曲线立刻合理了，这种参数你在论文附录里永远找不到，但工程里天天遇到。如果你也在复现类似题目，建议先别急着钻代码，先把能量流图画明白，把蓄冰槽是“冷量水库”这个直觉建立起来，后面的一切都会顺很多。