1. 综合能源系统与利益分配的核心挑战
在能源转型的大背景下，综合能源系统(Integrated Energy System, IES)正成为解决能源效率与环保问题的关键方案。我参与过多个IES项目，发现最棘手的不是技术实现，而是如何公平分配多方合作产生的额外收益。这直接决定了系统能否长期稳定运行。
传统能源系统各自为政，风电、光伏、燃气等能源形式独立运营，造成大量能源浪费。比如风电弃风现象严重时，弃风率可达20%以上。而综合能源系统通过P2G(电转气)等技术，能将多余电力转化为可存储的天然气，实现能源的梯级利用。但问题也随之而来——新能源电厂、燃气热电厂、电制气厂等参与方，谁应该获得更多收益？
2. 合作博弈模型的构建思路
2.1 参与主体与联盟形成
在我们的模型中，主要考虑三类核心参与方：
- 新能源电厂（风电+光伏）：提供清洁电力但出力不稳定
- 燃气热电厂：提供稳定热电联供但碳排放较高
- 电制气厂(P2G)：消耗电力生产天然气，提供灵活调节能力
这些主体可以形成7种可能的联盟组合。例如，新能源电厂与燃气热电厂联盟，可以互相弥补出力波动；三方全联盟则能实现最优的能源综合利用。
2.2 联盟价值计算
每个联盟的价值v(S)通过以下要素计算：
- 能源销售收入：电力、热力、天然气
- 运营成本：燃料成本、设备维护
- 环境收益：碳减排带来的政策补贴
- 系统灵活性价值：减少弃风弃光带来的收益
具体计算公式为：
code复制v(S) = Σ(能源销售量×价格) - Σ(设备运行成本) + 碳减排量×碳价
关键点：不同联盟的组合会产生不同的协同效应。例如新能源+P2G联盟能显著提高新能源消纳率，这部分增量价值需要精确量化。
3. Shapley值法的实现与改进
3.1 经典Shapley值计算
Shapley值的核心是计算每个参与者对所有可能联盟的边际贡献。对于有n个参与者的系统，需要计算2^n种联盟组合。在我们的三参与者模型中，计算量相对可控。
MATLAB实现核心代码：
matlab复制function [shapley_values] = calculate_shapley(s, v)
n = size(s, 2); % 参与者数量
shapley_values = zeros(1, n);
for i = 1:n
marginal_contributions = 0;
for j = 1:size(s, 1)
if s(j, i) == 1
S_without_i = s(j, :);
S_without_i(i) = 0;
[~, idx] = ismember(S_without_i, s, 'rows');
marginal = v(j) - v(idx);
weight = factorial(sum(s(j, :))-1) * factorial(n-sum(s(j, :))) / factorial(n);
marginal_contributions = marginal_contributions + weight * marginal;
end
end
shapley_values(i) = marginal_contributions;
end
end
3.2 实际应用中的改进
经典Shapley值法在实际应用中面临两个主要问题：
- 计算复杂度随参与者数量指数增长
- 未考虑不同时段能源价值的动态变化
我们的解决方案：
- 采用蒙特卡洛抽样法，只计算部分典型联盟组合
- 引入时间权重因子，区分峰谷时段的边际贡献差异
改进后的Shapley值公式：
code复制φ_i = Σ_t [w_t × φ_i(t)]
其中w_t表示时段t的权重系数，根据电价波动情况确定。
4. MATLAB-CPLEX联合求解实践
4.1 模型构建技巧
在MATLAB中构建优化模型时，需要注意：
- 使用稀疏矩阵存储设备关联关系，大幅减少内存占用
- 将非线性约束分段线性化处理，提高求解效率
- 设置合理的求解精度和终止条件
典型设备约束示例：
matlab复制% P2G设备约束
P_P2G = sdpvar(24,1); % 24小时P2G耗电功率
Constraints = [Constraints, 0 <= P_P2G <= P_P2G_max];
% 储氢罐动态约束
E_H2 = sdpvar(24,1); % 储氢量
for t = 2:24
Constraints = [Constraints, E_H2(t) == E_H2(t-1) + η_charge*P_charge(t) - P_discharge(t)/η_discharge];
end
4.2 CPLEX参数调优经验
通过多次测试，我们总结出以下关键参数设置：
matlab复制options = cplexoptimset;
options.Display = 'iter'; % 显示迭代过程
options.TolInteger = 1e-6; % 整数容差
options.MIPGap = 0.01; % 允许的gap百分比
options.Threads = 4; % 并行线程数
实测发现：将MIPGap从默认的0.01%放宽到1%，求解时间可减少60%以上，而对结果精度影响不足0.5%。
5. 案例分析：某工业园区IES应用
5.1 系统配置
- 风电：10MW，容量系数0.35
- 光伏：5MW，容量系数0.18
- 燃气热电厂：8MW发电+6MW供热
- P2G设备：3MW电转气能力
- 储氢罐：2000kg存储容量
5.2 优化调度结果
图：典型日电功率平衡情况。夜间风电过剩时P2G设备高负荷运行，将多余电力转化为天然气存储。
5.3 利益分配对比
| 参与方 | 独立运营收益(万元) | 合作后收益(万元) | 增长率 |
|---|---|---|---|
| 新能源电厂 | 12.5 | 15.2 | +21.6% |
| 燃气热电厂 | 8.3 | 9.7 | +16.9% |
| 电制气厂 | 3.1 | 4.5 | +45.2% |
数据表明：虽然电制气厂绝对收益最低，但其收益增长率最高，这反映了P2G设备在提高系统灵活性方面的关键作用。
6. 常见问题与解决方案
6.1 模型不收敛问题
现象：CPLEX返回"infeasible"错误
排查步骤：
- 检查约束条件是否自相矛盾
- 逐步注释掉部分约束，定位冲突源
- 使用CPLEX冲突分析工具：
matlab复制cplex.writeConflict('conflict.ilp')
常见原因：
- 储氢罐同时充放电约束过紧
- 能源平衡约束未考虑传输损耗
6.2 Shapley值计算异常
现象：某参与方分配值为负
解决方法：
- 检查联盟价值计算是否包含所有成本项
- 验证边际贡献计算是否正确
- 考虑引入最小保障收益约束
6.3 计算效率优化
对于大规模系统，推荐采用：
- 并行计算：使用MATLAB的parfor循环
- 热启动：复用上一时段的解作为初始值
- 场景缩减：使用K-means聚类减少时间场景
7. 模型扩展方向
在实际项目中，我们进一步扩展了基础模型：
- 不确定性处理：结合鲁棒优化应对新能源出力波动
matlab复制% 鲁棒优化约束示例
P_wt_actual = P_wt_nominal + uncertainty;
Constraints = [Constraints, uncertainty'*Sigma*uncertainty <= Gamma];
- 多时间尺度优化：日前调度与实时调整相结合
- 需求响应集成：将可调节负荷作为虚拟参与方
一个容易被忽视但关键的点是：在模型验证阶段，需要对比合作前后各参与方的收益变化。我们开发了自动化验证脚本，可一键生成收益对比报告。