微电网电热联合优化实战：从建模到求解的完整工程指南

微电网里做电热联合优化，这几年算是从论文走向工程实践比较典型的赛道了。很多人一听到“电热联合系统”就以为是热电联产机组加个蓄热罐，但真正上手做运行优化时才发现，难点根本不在设备本身，而在电、热两种能量在时间尺度、传输特性、调度优先级上的巨大差异。我最早接触这个方向是在一个园区级微电网项目里，当时要把燃气轮机、余热锅炉、蓄热罐、电锅炉、光伏和电储能全部塞进一个调度模型里，目标是在满足电热负荷的前提下尽可能降运行成本。那段时间踩了不少坑，也把一些教材上不会细讲的细节摸清楚了。这篇内容我就把这个项目的建模过程、优化思路和实操中遇到的实际问题完整梳理一遍，给正在做类似课题或者准备入手电热联合优化的人做个参考。

1. 先说清楚：电热联合系统到底在优化什么

电热联合系统的本质，是把电力和热力的生产、转换、存储、消费放在同一个优化框架里统筹决策。在微电网场景下，这种系统通常包括燃气轮机或内燃机等可控发电单元，余热回收装置，电锅炉、热泵等电转热设备，蓄热罐或相变储热装置，以及光伏、风电这类不可控可再生能源。相比单纯的电力微电网，电热联合系统的优化空间更大，因为电和热之间可以互相转换，能量流动从单向变成了多向，调度手段也丰富了很多。

1.1 电热联合不是“发电顺便供热”

很多人对电热联合的第一印象，就是燃气轮机发电后排出的高温烟气经过余热锅炉产生蒸汽或热水，从而同时满足电负荷和热负荷。这种理解大方向没错，但如果仅仅停留在这一层，做运行优化时思路会被限制住。实际上，电热联合系统的价值在于“耦合”二字，即电力系统和热力系统之间存在多条可双向调节的通道，调度员完全可以在不同时段选择不同的能量路由来满足负荷需求。

举个我实际遇到过的例子。某个工业园区的微电网里，冬季白天电负荷很高，热负荷也不小，但如果让燃气轮机满发去追电负荷，余热产生的热量会超出热负荷需求，造成热量浪费；如果为了匹配热负荷而压低燃气轮机出力，电负荷缺口又需要从电网买高价电。这个矛盾就是电热联合优化要解决的核心问题：面对同一组设备，如何决定每一台机组在每个时刻的出力，使得整个系统在满足电、热双重约束的前提下，整体运行成本最低。

后来我们加装了蓄热罐和电锅炉，情况就完全不一样了。当燃气轮机余热超出热负荷时，可以把多余热量存进蓄热罐，等到热负荷高峰或者燃气轮机需要降出力时再释放；当电价低谷时，可以用电锅炉直接产热存起来，替代高成本的气轮机供热。这就是电热联合系统相比独立电、热系统最大的优势，能量可以在时间和形态两个维度上灵活转移。

1.2 优化的核心：练的是“三本账”

做运行优化，本质上是在同时算三本账：经济账、能效账和安全账。经济账是目标，也就是一天下来总的燃料费、购电费、设备启停费用最小；能效账是约束，比如燃气轮机的热电比范围、余热锅炉的换热效率、蓄热罐的散热损失；安全账也是约束，包括设备出力上下限、爬坡速率约束、蓄热罐容量限制、电网交互功率限制等。

三本账之间经常互相打架。比如从经济角度看，夜间谷电时段用电锅炉产热存储是最划算的，但如果电锅炉功率配置过大，变压器容量可能不够用；从能效角度看，燃气轮机在满负荷附近效率最高，但热负荷不一定需要那么多热量，强行使之满发又会造成热浪费。优化算法要做的，就是在这些互相制约的关系中找一个平衡点，把每个时段的决策变量确定下来。

我习惯把整个优化问题看成一个“找最优平衡”的过程：每一度电、每一千焦热量，是自发、存储还是外购，在每个时刻都需要做出选择，而所有选择互相牵连。单看任何一个设备都是简单的，难的是把几十个决策变量、上百条约束同时协调好。这也是为什么电热联合优化需要借助数学规划工具，而不是靠人工经验拍脑袋。

2. 建模型前，先把物理约束搞清楚

很多刚开始做电热联合优化的同学，一上来就急着写目标函数和约束方程，结果模型跑出来结果明显不符合物理规律，比如蓄热罐一边蓄热一边放热，或者燃气轮机出力和余热回收量对不上。这些问题的根源，都是对底层物理约束的理解不够透彻。

2.1 热负荷不是电负荷，时间尺度差了一个量级

电力系统的时间常数是毫秒到秒级，负荷波动很快，需要发电出力快速响应。热力系统则完全不同，建筑物和管网的蓄热效应使得热负荷变化相对平缓，温度调节存在分钟到小时级的延迟。这个时间尺度差异，决定了优化模型的调度步长选取。

在我做的园区项目中，调度周期是24小时，时间步长最初取15分钟，结果一天下来96个时段，模型规模很大，求解时间动辄十几分钟，而且很多时段的优化结果差别很小。后来跟老师傅聊，他把步长改成1小时，模型规模直接降到24个时段，求解时间缩短到几秒，优化结果的成本差异不到1%。核心原因就是热负荷本身波动平缓，细分到15分钟意义不大，反而徒增计算负担。

不过这里有个细节需要提醒：如果系统中存在电储能，步长取太长也会有问题。蓄电池的充放电策略对电价波动非常敏感，而峰谷电价的切换点往往就在某几分钟之内，步长太粗糙会错过最优的充放电切换时机。更合理的做法是对电负荷用15分钟步长精细建模，对热负荷和蓄热罐采用1小时步长建模，然后用插值的方式统一到混合整数规划框架里。

2.2 储能环节的对偶性：蓄热罐与蓄电池

在电热联合系统里，蓄电池和蓄热罐看似是两种不同的设备，但在数学模型上它们有很强的对偶性：都满足容量约束，都有充放能速率限制，都有效率损耗，都需要防止同时充放。这种对偶性在做优化时可以统一建模框架，但物理本质上的差异也会带来完全不同的调度策略。

蓄电池的特点是能量密度高、响应速度快，但成本高、寿命有限，所以每次充放电循环都应尽量用在“刀刃上”，比如削峰填谷或应对光伏波动。蓄热罐则恰好相反，成本低、容量大，但散热损失不容忽视，而且它的“能量”是温度，热量存放时间越长，损耗越大。从优化角度看，蓄热罐更适合做“大容量、慢充放”的长期能量平移，把白天用不完的余热挪到晚上用；蓄电池适合做“小容量、快充放”的短期功率平衡。

有一个建模上的细节容易被忽略：蓄热罐的散热损失通常和罐内温度、环境温度之差成正比，不是一个固定百分比。很多论文为了简便，把散热损失设成每小时损失蓄热量的固定比例，这在工程上会导致低估蓄热成本。我在实际建模中采用的是分段线性近似，把蓄热罐的蓄热量划分为多个区间，每个区间对应不同的散热系数，这样既保持了线性模型的求解效率，又能比较准确地反映蓄热罐的实际运行特性。

2.3 电热比约束：热电厂最容易被忽略的一条腿

热电联产机组有一个核心参数叫热电比，也就是机组发电的同时能够回收的热量与发电量的比值。这个比值不是固定不变的，而是随着发电出力变化的。一般来说，燃气轮机在部分负荷下运行时，热电比会升高；在满负荷附近运行时，热电比会降低。这就产生了一个很有意思的优化问题：不同的发电出力水平对应不同的热回收能力，而热负荷又在时间上不断变化，如何在满足热负荷的前提下选择最优的发电出力，本身就是个非线性的优化命题。

很多初学者在建模时，把热电比当成一个常数来处理，这在方案设计阶段做粗略估算还可以接受，但在运行优化阶段会导致较大的误差。我在项目里采用的是线性化处理方式，将热电联产机组的可行运行区域用一组线性不等式近似描述，每个不等式对应机组运行边界的一个线性段。这样既保留了模型的线性特性，又能反映热电比随出力变化的特点，Gurobi或Cplex求解都很高效。

另外需要特别注意的是，热电联产机组存在一个最小技术出力。即便热负荷很小甚至为零，机组也不能无限降出力，这会直接影响夜间低负荷时段的调度策略。如果夜间热负荷很低，燃气轮机因为最小技术出力限制不能停机或者不能压到很低，那么多余的热量要么通过散热器排放，要么蓄到蓄热罐里等白天再用。这个问题如果不提前在约束里写清楚，优化出来的调度方案很可能在实际运行中根本无法执行。

3. 优化目标与约束的数学模型搭建

如果说物理约束是电热联合优化的“地基”，那么数学模型就是“承重墙”，所有调度策略最终都要落地为一组可以求解的数学方程。这一章节我会把我在项目中实际使用的模型框架完整拆解出来，包括目标函数、约束条件和求解工具选型，供大家直接参考。

3.1 目标函数怎么定

我见过的电热联合优化论文里，目标函数大致分三类：最小化运行成本、最小化能源消耗、最小化碳排放。我实际做的项目选的是最小化运行成本，因为这个指标最直接地反映微电网运营商的经济利益，也最容易获得决策层的支持。当然，如果项目背景是低碳园区或者碳中和示范工程，目标函数就需要换成碳排放最小或者成本与碳排放的加权组合。

运行成本的构成，在电热联合系统里比纯电力系统复杂一些。我拆解下来主要包含以下部分：

• 燃料成本：燃气轮机或内燃机消耗天然气的费用，通常用热值乘以气价再除以发电效率来计算。
• 购电成本：当微电网内部发电不足以满足电负荷时，需要从上级电网购电，费用按分时电价计算；反过来，如果内部发电富余，也可以向电网售电获得收益。
• 设备启停成本：频繁启停燃气轮机会缩短设备寿命并增加维护成本，所以模型里一般会为启停动作设置惩罚项。
• 运维成本：光伏、风电、储能等设备的运行维护费用，通常按发电量或充放电量的比例估算。
• 碳排放成本：如果项目需要参与碳交易，还需要把碳排放配额成本计入目标函数。

目标函数的数学形式大体可以写成：

min Σ(C_fuel(t) + C_grid(t) + C_start(t) + C_om(t))

其中t是调度时段，C_fuel表示t时段燃料成本，C_grid表示t时段与电网交互的成本（购电为正、售电为负），C_start表示机组启动成本，C_om表示运维成本。需要注意的是，如果采用分时电价，C_grid会是一个分段线性函数，需要引入辅助变量进行线性化处理。

3.2 约束条件要列全

约束条件是优化模型里最考验功底的部分，少列一条可能导致优化结果无法执行，多列一条又可能让可行域过小、成本上升。我把电热联合系统优化中的约束条件总结为以下六大类：

1. 电功率平衡约束：任意时刻，所有发电设备出力加上储能放电功率和电网购电功率，必须等于电负荷加上储能充电功率和电锅炉等电转热设备的耗电功率。这是最基本的约束，也是最容易出问题的约束，因为电负荷预测本身就有误差，需要留一定的旋转备用容量。

2. 热功率平衡约束：任意时刻，热电联产机组的余热回收功率加上电锅炉/热泵的产热功率和蓄热罐的放热功率，必须等于热负荷加上蓄热罐的充热功率和散热损失。热力系统的平衡约束相比电力系统宽松一些，因为热网本身有一定的蓄热能力，允许短时间的供需失衡。

3. 设备出力上下限约束：每台设备的出力都有额定范围，比如燃气轮机的发电功率在最小技术出力和额定功率之间，电锅炉的产热功率在0和额定功率之间。这些约束是线性的，直接写入模型即可。

4. 爬坡速率约束：燃气轮机和内燃机的出力变化速率有限制，不能瞬间从最小出力跳到最大出力。爬坡约束在动态调度中尤为重要，如果忽略会导致优化出看似最优但实际上无法执行的调度指令。

5. 储能设备约束：包括蓄热罐的容量约束、充放热速率约束、不能同时充放热的逻辑约束，以及蓄电池的SOC（荷电状态）约束、充放电功率约束、充放电效率约束等。这部分约束在建模时需要引入整数变量来表示充/放状态，因此模型会变成混合整数线性规划（MILP）。

6. 电网交互约束：微电网与上级电网的交换功率通常有最大限制，这既可能是变压器容量的物理限制，也可能是与电网公司签订的协议约束。此外，如果要参与需求响应或电力市场，还需要额外考虑报价曲线等约束。

3.3 工具选型：从Gurobi到YALMIP的取舍

优化模型的求解工具选择，直接影响到开发效率和生产部署的可行性。我个人的经验是，不同阶段应该用不同的工具组合。

在算法研究和模型验证阶段，我推荐用MATLAB+YALMIP的组合。YALMIP是一个建模层工具，可以让你用接近数学表达式的语法描述优化问题，然后自动调用底层的求解器求解。它的优点是对新手友好，建模速度快，可以快速验证模型的正确性；缺点是求解效率和部署能力一般，不适合放到生产环境里做实时调度。

在工程部署阶段，我更推荐直接用Python调用Gurobi或Cplex的API建模。虽然代码量比YALMIP大不少，但优点是求解速度快，Gurobi在求解大规模混合整数线性规划方面基本是行业标杆；而且Python生态丰富，可以方便地和数据采集、预测、可视化模块集成。我最后部署到项目现场的就是Python+Gurobi的方案，每15分钟滚动优化一次，单次求解时间在5秒以内，完全满足实时性要求。

如果项目预算有限或者不想用商业求解器，开源方案里可以考虑CBC（COIN-OR Branch and Cut）和SCIP。CBC的求解能力虽然不如Gurobi，但对中小规模的MILP问题也够用；SCIP则更强大一些，但配置和使用门槛也更高。建议先确认自己的模型规模，再决定工具选型，避免一开始就上重装备。

4. 实操流程：一个算例从建模到求解的全过程

理论讲再多，不如直接跑一个算例。这一节我用一个典型的园区电热联合微电网系统作为案例，完整展示从参数设定、模型构建到结果分析的整个过程。这套流程也是我在实际项目中反复验证过的，跟着走一遍基本能做出一个可用的电热联合优化调度程序。

4.1 场景参数设定

假设某个工业园区微电网包含以下设备：1台燃气轮机（额定发电功率2MW，最小技术出力0.6MW，热电比范围1.2-1.8），1台余热锅炉（效率0.85），1台电锅炉（额定功率1MW，热效率0.95），1台蓄热罐（容量8MWh，最大充放热功率2MW，散热损失每小时2%），光伏装机1MW，蓄电池容量1MWh/0.5MW。园区日间电负荷峰值约2.5MW，夜间低谷约0.8MW；热负荷峰值约3MW，集中在早晚两个时段。

分时电价采用典型的工商业峰谷电价：峰段（8:00-11:00、18:00-23:00）1.2元/kWh，平段（11:00-18:00）0.8元/kWh，谷段（23:00-次日8:00）0.4元/kWh。天然气价格为3.2元/立方米，天然气热值按9.7kWh/立方米计算，燃气轮机发电效率取0.35。

这里有一个关键参数需要提前算清楚：燃气轮机的发电成本。按上述参数，每发1kWh电需要消耗天然气约1/0.35=2.857kWh热量，折算成天然气量是2.857/9.7=0.2946立方米，成本就是0.2946×3.2=0.943元/kWh。这个成本高于谷段电价0.4元/kWh，但低于峰段电价1.2元/kWh，所以优化模型“天然”会倾向于在谷段购电、在峰段让燃气轮机多发电，同时把余热存储起来供全天热负荷使用。

4.2 模型代码实现要点

模型我用Python+Gurobi实现，核心代码框架如下。这个版本省略了数据读取和结果输出的部分，重点展示优化模型的骨架结构：

python复制import gurobipy as gp
from gurobipy import GRB

# 创建模型
m = gp.Model("EHU_Microgrid")

# 时段定义，T=24
T = range(24)

# 决策变量
# 燃气轮机发电功率
p_gt = {t: m.addVar(lb=0.6, ub=2.0, name=f"p_gt_{t}") for t in T}
# 燃气轮机启停状态（0/1）
u_gt = {t: m.addVar(vtype=GRB.BINARY, name=f"u_gt_{t}") for t in T}
# 电锅炉产热功率
h_eb = {t: m.addVar(lb=0, ub=1.0, name=f"h_eb_{t}") for t in T}
# 蓄热罐充放热功率（正为充，负为放）
h_hs = {t: m.addVar(lb=-2.0, ub=2.0, name=f"h_hs_{t}") for t in T}
# 蓄热罐蓄热量
soc_hs = {t: m.addVar(lb=0, ub=8.0, name=f"soc_hs_{t}") for t in T}
# 电网交互功率（正为购电，负为售电）
p_grid = {t: m.addVar(lb=-0.5, ub=1.5, name=f"p_grid_{t}") for t in T}

# 目标函数：燃料成本 + 购电成本 + 启停惩罚
m.setObjective(
    gp.quicksum(0.943 * p_gt[t] + price[t] * p_grid[t] + 50 * max(0, u_gt[t] - u_gt[t-1]) for t in T),
    GRB.MINIMIZE
)

# 约束：电功率平衡
for t in T:
    m.addConstr(p_gt[t] + p_pv[t] + p_grid[t] - p_eb[t] == p_load[t])

# 约束：热功率平衡
for t in T:
    m.addConstr(0.85 * p_gt[t] * 1.5 + h_eb[t] + h_hs[t] == h_load[t])

# 约束：蓄热罐动态
for t in T:
    if t == 0:
        m.addConstr(soc_hs[t] == soc_init)
    else:
        m.addConstr(soc_hs[t] == soc_hs[t-1] - 0.02 * soc_hs[t-1] + h_hs[t])

这里需要特别说明几处代码细节：

• 热电比在代码中取常数1.5，实际工程建议用分段线性函数替代，但作为教学示例这样写更清晰。
• 启停惩罚项中的max(0, u_gt[t] - u_gt[t-1])是非线性的，不能直接写进Gurobi模型，需要引入辅助变量来线性化，具体做法会在下一小节展开。
• p_pv[t]是光伏出力的预测值，在优化前作为已知参数输入。
• 蓄热罐的动态方程用了简化形式，实际项目中还需要考虑充放热同时发生的约束，需要用二进制变量区分充/放状态。

4.3 求解结果分析与调度策略解读

通过Gurobi求解上述模型，得到的典型日调度策略如下：

谷段（23:00-8:00）：燃气轮机保持最小出力0.6MW运行，不足的电负荷从电网购买，因为谷段电价只有0.4元/kWh，远低于燃气轮机发电成本0.943元/kWh。此时余热锅炉回收的热量为0.85×0.6×1.5=0.765MW，低于夜间热负荷约1.2MW，缺口由蓄热罐放热补充。

平段（11:00-18:00）：燃气轮机出力提升到1.5MW左右，光伏出力也逐渐增加，电网购电量减少。此时余热回收功率约为1.9MW，高于热负荷约1.5MW，多余热量存入蓄热罐。

峰段（8:00-11:00、18:00-23:00）：燃气轮机满发2MW，因为此时电网电价1.2元/kWh高于燃气轮机发电成本0.943元/kWh，自发电更划算。蓄热罐在傍晚热负荷高峰时放热，支撑热负荷直到放空。

这个结果从经济角度分析是合理的，各个设备都在自己最经济的时段承担相应的负荷。但如果仔细检查蓄热罐的SOC曲线，会发现一个工程上需要优化的细节：蓄热罐在早晨热负荷上升时已经接近放空状态，如果遇到寒潮导致热负荷高于预测值，系统就没有多余的热备用。这个问题的解决办法是在优化模型中增加热备用约束，要求蓄热罐在任何时刻至少保留一定比例的热量，或者引入鲁棒优化方法处理热负荷的不确定性。

5. 进阶玩法：不确定性与实时调度

前面章节讨论的是确定性的日前优化调度，也就是假设光伏出力和负荷预测是完全准确的。但实际运行中，光伏出力的波动性、负荷预测的误差、设备故障等不确定因素随时可能出现，因此真正工程化的电热联合优化系统，还要考虑如何处理不确定性，以及如何从日前优化走向日内滚动修正。

5.1 新能源预测误差怎么处理

光伏和风电的预测误差是电热联合系统中最大的不确定性来源。处理方式主要有三种思路，分别适用于不同的工程场景。

第一种最简单也最常用：在日前优化中预留备用容量。具体做法是在电功率平衡约束中增加一个不等式约束，要求燃气轮机的可上调容量（最大出力减去当前出力）加上蓄电池剩余可放电容量大于某个阈值（比如最大负荷的10%），这样即使光伏出力比预测低，系统也有能力补上缺口。这个方法的优点是模型简单、求解快；缺点是备用容量是人为设定的，偏保守会增加运行成本，偏激进又会增加失负荷风险。

第二种是场景法，也叫随机规划。根据历史数据生成多个光伏出力场景，每个场景赋予一定的概率，在优化模型中同时考虑所有场景，目标函数变成所有场景成本的期望值。场景法的优点是能显式考虑不确定性的概率分布，结果更加精细；缺点是模型规模会随场景数量线性增长，求解时间变长，而且场景生成的质量直接影响优化结果。

第三种是鲁棒优化。不假设不确定参数的概率分布，只给定一个不确定区间，优化目标是在最坏情况下成本最小。鲁棒优化得到的结果通常更保守，但能保证在所有可能的不确定场景下系统都安全运行。在实际工程中，我倾向于采用“两阶段鲁棒优化”框架：日前阶段确定机组的开停机方案和蓄热罐的蓄放热计划，日内阶段根据实际光伏出力实时调整燃气轮机和蓄电池的出力。这样既保证了系统安全性，又保留了经济运行的空间。

5.2 从离线优化走向日内滚动

日前优化给出的调度计划在实际运行中很难直接执行，因为预测误差会随时间累积。工程上普遍采用的方法是模型预测控制（MPC）思路下的滚动优化：每隔15分钟或1小时，用最新的负荷和光伏预测数据重新求解一次优化问题，只执行下一个时段的调度指令，然后继续滚动。

在电热联合系统中，滚动优化的时间尺度选择需要特别注意。电功率平衡需要秒级到分钟级的响应，通常由蓄电池的自动发电控制（AGC）来承担；热力系统因为惯性大，15分钟到1小时的滚动周期已经足够。如果滚动周期太短，调度指令频繁变化，燃气轮机等设备的磨损会显著增加；如果滚动周期太长，又无法及时响应负荷和光伏的突发变化。我在实际项目中采用的方案是：日内滚动优化每30分钟执行一次，优化周期为未来4小时，每次执行后只发布未来30分钟的调度指令；蓄电池的充放电功率则每5分钟由底层控制器根据实际电压和频率偏差做一次微调。

滚动优化的实现还有一个容易踩坑的点：优化模型在每一次滚动求解时，要把蓄热罐的当前蓄热量作为初值传入，而不是每次都从同一个初始SOC开始。如果忽略这一点，会导致蓄热罐的调度计划每次都被重置，实际运行时蓄热量可能一直偏离计划值，最终影响热负荷的可靠供应。

6. 常见问题与调试经验速查

做电热联合优化项目，模型本身写出来只是第一步，调试和排查问题才是真正花时间的地方。我在这个项目上积累了不少调试经验，整理成表格供大家参考，基本都是实际踩过坑之后才总结出来的。

6.1 求解器报错与问题定位

在所有调试问题里，最常遇到的是“infeasible”（模型不可行）报错。这里的根本原因通常是约束条件之间出现了矛盾。比如电功率平衡约束要求所有电源出力之和等于负荷，但燃气轮机最小出力加上光伏出力已经大于负荷，这时候无论怎么调都无法满足平衡约束，模型自然会报不可行。

处理这类问题我有一套固定的思路。先用Gurobi的computeIIS功能找出不可行约束的最小集合，通常能直接定位到出问题的那个约束；然后检查是数据问题还是模型问题，很多时候把某个时段的热负荷或光伏出力打印出来就能看出来问题；最后再检查设备参数之间是否有逻辑矛盾，比如燃气轮机余热回收效率乘以最大发电功率得到的最大热出力，如果还小于热负荷最大值，那模型就是设计了不可能完成的任务，需要调整设备容量或者允许弃热。

6.2 热网建模的坑

电热联合优化里，热网本身的建模也常常被忽略。很多论文把热网简化成一个节点，所有热源和热负荷都接在这个节点上，完全不考虑热网的传输延迟和温度动态。这种简化在研究层面可以接受，但工程化时会造成调度指令和实际热力响应的错位。

比如园区面积较大时，从热源到远端热负荷的管道有好几百米，热水流过去需要十几分钟甚至更长时间。如果优化模型不考虑这个延迟，调度系统在热负荷骤升时才开始增加热出力，远端用户可能已经感觉到温度下降了。工程上通常会用一种叫“等效热容量”的方法，把管网的蓄热能力折算到蓄热罐模型中，或者直接把热网简化成带有延迟的一阶惯性环节，在滚动优化中把上一时刻的实际供热量作为反馈量加入模型。

6.3 参数整定的经验

最后聊一下参数整定。优化模型里面有不少参数是靠经验或者试凑确定的，不同参数对结果的影响差异很大，值得花时间去校准。

启停惩罚系数是最关键的一个。系数太小，模型会把燃气轮机当成一个可以随便开关的“水龙头”，导致启停过于频繁；系数太大，模型又可能在某些本应该停机的时段强行让机组空转。我的经验是用单次启停的估算成本作为初值，然后按0.5倍和2倍做敏感性分析，观察调度结果的变化，最终选择一个让运行成本和启停次数都处于合理区间的值。

蓄热罐的SOC初值和终值也需要系统性设计。如果日前优化只追求单日成本最低，模型很可能把蓄热罐在日末放空，导致第二天初始SOC很低，长此以往蓄热罐的跨日调节能力会退化。工程上常用的做法是在目标函数中对日末SOC设置罚项，要求日末SOC不低于某个设定值（比如容量的30%），这样既能保留跨日调节能力，又不会过于影响单日经济性。

还有一个经验是关于光伏预测数据的平滑。如果直接使用原始预测数据参与优化，光伏出力曲线可能在相邻时段出现明显的锯齿状波动，导致燃气轮机的出力指令也跟着抖动。我在项目里对光伏预测做了1小时的滑动平均处理，效果立竿见影，机组出力平滑了很多，对设备也更友好。

回过头来看，电热联合系统的运行优化，真正难的地方不在数学模型的复杂度，而在于对物理过程的深刻理解能否转化为合理的约束和参数设置。模型是工具，但判断哪些因素需要精细建模、哪些可以合理简化，靠的是对系统运行特性的把握。我刚开始做的时候也走过弯路，建模层次铺得太全，把管道压损、温度分层这些细节都塞进模型，结果模型复杂度上去了，求解时间暴涨，优化结果的提升却微乎其微。后来学会了抓大放小，把精力集中在热电耦合关系、储能调度和分时电价响应这几个真正影响成本的环节上，模型反而更实用。希望这篇内容能帮你少走一些弯路，把精力花在真正值得研究的问题上。