计及新能源不确定性的综合能源系统协同优化：Matlab+Yalmip建模与调度实战

先交代一个背景：我接触综合能源系统优化这个方向大概是从一个园区级电-气-热联供项目开始的，当时最大的困扰不是模型有多复杂，而是风光出力的随机波动让确定性优化算出来的“最优方案”一到实际运行就完全走样。后来把新能源出力不确定性显式建模进去，用Matlab搭了一套协同优化框架，才真正解决了调度方案可落地的问题。这篇就把整个思路、建模细节、代码实现和踩坑记录一次性梳理清楚，给正在做类似课题的同行一个可以直接参考的模板。

这套东西解决什么问题？简单说，在一个同时包含电、气、热三种能源形式，并且接入了光伏和风电的系统里，如何在风光出力不确定的前提下，用Matlab求解出未来24小时各台设备（燃气轮机、电锅炉、储能、购电等）的最优出力计划，让总运行成本最小，同时满足所有负荷需求和设备运行约束。适合正在做综合能源系统优化调度、新能源消纳、多能互补课题的学生和工程师参考，也适合刚接触Yalmip和求解器做优化计算的朋友拿来练手。

1. 综合能源系统协同优化，到底在优化什么

在做代码之前，一定先把“优化什么”这个问题想透。综合能源系统协同优化，表面上是求一个目标函数的最小值，实际上是在处理多能源耦合、时间耦合、不确定性耦合三个层面的问题。

1.1 系统组成与能量流梳理

以我常用的园区级综合能源系统为例，包含的基本设备如下：

• 供电侧：上级电网购电、光伏（PV）、风电（WT）、燃气轮机（GT）
• 供热侧：燃气轮机余热回收、燃气锅炉（GB）、电锅炉（EB）
• 储能环节：电储能（ESS）、蓄热罐（TSS）
• 负荷侧：电负荷、热负荷、气负荷

这里最核心的耦合关系是燃气轮机——它同时消耗天然气、产生电能和热能，这就是所谓“热电联产”的耦合效应。电锅炉则是把电能转化为热能，实现了电-热两种能源的转换，属于另一种耦合方式。

协同优化的“协同”二字，就体现在这些设备之间的出力分配不是孤立的。比如夜间风电大发时，电负荷较低，如果只盯着电力系统，可能会选择弃风；但如果把热负荷也纳入优化范围，就可以让电锅炉在夜间多消耗风电来供热，从而既减少了弃风，又降低了燃气锅炉的用气成本。这种跨能源形式的互补效益，是单一能源系统优化完全无法体现的。

1.2 时间耦合：为什么必须做日前调度

综合能源系统优化通常是日前调度，时间尺度是24小时，步长1小时。这意味着优化变量不只是某一时刻的设备出力，而是24个时刻的完整序列。

时间耦合主要来自储能设备。储能电池的SOC（荷电状态）在t时刻的状态，取决于t-1时刻的状态和t时刻的充放电功率：

SOC(t) = SOC(t-1) + [P_ch(t)·η_ch - P_dis(t)/η_dis]·Δt / E_cap

这个约束把24小时的决策变量串成了一条链。如果只做单时刻优化，储能就失去了“削峰填谷”的意义。燃气轮机的爬坡约束也属于时间耦合——上一小时出力100MW，下一小时跳到150MW，往往受限于爬坡速率，这就需要前后时刻的决策变量联动。

1.3 不确定性：为什么新能源出力不能当确定值处理

风电和光伏出力的随机性，是综合能源系统优化与普通电力调度最大的区别。实测数据显示，光伏出力受云层遮挡影响，5分钟内波动可达额定容量的20%以上；风电的日前预测误差通常在15%到25%之间。

如果不考虑这种不确定性，把预测曲线当作真实出力带入优化模型，得到的调度方案会存在两个问题：

• 当实际出力低于预测值时，系统可能出现功率缺额，需要临时高价购电或切负荷
• 当实际出力高于预测值时，可能出现弃风弃光，造成浪费

所以，“计及新能源出力不确定性”这个前置条件，本质上决定了优化模型的结构——是确定性优化（不考虑）、随机优化（考虑概率分布）、鲁棒优化（考虑最坏情况）还是分布式鲁棒优化（考虑分布模糊）——这会直接影响约束条件和求解算法的选择。

2. 不确定性建模：三种主流方案与选型逻辑

处理新能源出力不确定性，Matlab环境下常见的做法有三种：场景法、鲁棒优化、区间优化。每种我都实际跑过，说下适用场景和坑点。

2.1 场景法：最直观，也最容易上手

场景法的思路是：认为新能源出力服从某个概率分布，通过蒙特卡洛抽样生成大量可能的出力场景，再用场景削减技术保留少数有代表性的场景，最终把随机优化问题转化为确定性的多场景优化问题。

我实现时通常这么写：

1. 用历史出力数据拟合风电/光伏出力的概率分布（常用Beta分布描述光伏，Weibull分布描述风速再转换成功率）
2. 抽样生成N=1000个场景
3. 用同步回代削减法（K-means聚类也可以）把场景数削减到10~20个
4. 将各场景作为确定性场景，目标函数改为各场景成本的加权期望

这个方案最贴近物理意义，代码实现也不复杂，多场景并行求解时Matlab配合Yalmip建模非常顺手。

2.2 鲁棒优化：追求“最坏情况下的最优”

鲁棒优化的核心是不需要知道概率分布，只需要给不确定性定义一个集合（通常是盒式集合或椭球集合），优化目标是使最坏情况下系统的运行成本最小。

我当时实测的体会是，鲁棒优化对数据的要求最低，只要有预测出力的上下界就能建模，但结果往往偏保守。尤其是在风光渗透率较高的场景下，鲁棒解的运行成本可能比确定性方案高出20%甚至更多，这在工程上不太容易让决策者接受。

如果要用鲁棒优化，建议把不确定集合参数化，比如盒式集合引入Γ系数控制保守程度：

|U_wt| ≤ Γ_wt, |U_pv| ≤ Γ_pv

当Γ取0时退化为确定性模型，取最大值时完全保守，通过调节Γ可以在这两者之间找平衡。

2.3 区间优化与模糊集：折中的选项

区间优化只需要预测出力的上下界，得到一个区间形式的解，语义是“真实出力落在这个区间内，系统就能安全运行”。它比鲁棒优化更灵活，但求解出来的结果还要经过区间可行性校验，处理起来稍繁琐。

另外近年的热点是分布鲁棒优化——假设出力分布落在以经验分布为中心的一个模糊集内，优化最坏分布下的期望成本。它对数据量的要求比场景法低，又不像鲁棒优化那么保守，但求解难度明显上升，一般要借助力矩模糊集和对偶变换处理。

2.4 我的方案选择：场景法为主

在本项目里我最终选择的是场景法，理由很实际：

• 项目的目标是给出可解释、可复现的调度方案，场景法的结果可以逐个场景分析，便于跟非专业背景的决策者沟通
• 求解规模适中，10个场景、96个时段的混合整数线性规划（MILP）问题用Cplex求解一般几十秒内能收敛，迭代调试体验好
• 后续如果要扩展为两阶段随机规划，场景法可以直接套用，代码改动量最小

如果你的研究目标偏理论创新，鲁棒或分布鲁棒更有文章可做；但如果你要解决的是“实际运行方案怎么定”，我真的建议先跑通场景法，再考虑拓展。

3. 优化模型构建：目标函数与约束条件逐条拆解

模型是整个协同优化的核心。我建议用数学语言把问题写清楚再动代码，否则Matlab里写出来的约束会非常混乱，出错后极难排查。

3.1 目标函数：多类成本叠加

综合考虑运行经济性与可靠性，目标函数定义为一天内的总运行成本最小，包括购电成本、燃气成本、设备运维成本，以及失负荷惩罚成本：

min F = Σ_t [ C_elec(t) + C_gas(t) + C_om(t) ] + C_penalty

• 购电成本 C_elec(t) = price_buy(t) × P_grid(t)，分时电价的峰谷时段影响很大
• 燃气成本 C_gas(t) = price_gas × (V_gt(t) + V_gb(t))，燃气轮机与燃气锅炉用气量按效率折算
• 设备运维成本 C_om(t) = Σ_i k_i × P_i(t)，运维系数按设备类型取值，光伏和风电一般取得很低
• 失负荷惩罚 C_penalty = λ_pen × (L_elec_curt + L_heat_curt)，惩罚系数一般设置远高于正常购电成本，确保优化算法优先避免切负荷

在随机优化的框架下，目标函数变成：

min F = Σ_s π_s × F_s

其中π_s是各场景的概率权重，F_s是场景s下的运行成本。这样就把“不确定性”量化进了目标函数——某场景发生的概率越大，对优化结果的影响就越大。

3.2 功率平衡约束：不可违反的底线

功率平衡约束是任何调度模型的硬约束。综合能源系统的特别之处在于，存在独立的电力平衡和热力平衡，且二者通过热电联产设备联动。

电力平衡（每个时段t，每个场景s）：

P_grid(t) + P_pv(t) + P_wt(t) + P_gt(t) + P_ess_dis(t) = L_elec(t) + P_eb(t) + P_ess_ch(t) + P_grid_export(t)

热力平衡：

H_gt(t) + H_gb(t) + H_eb(t) + H_tss_dis(t) = L_heat(t) + H_tss_ch(t)

注意，等式两边的设备已包括储能，储能充电即相当于负荷，放电即相当于电源。

3.3 设备运行约束：决定模型复杂度的关键

设备约束包括出力上下限、爬坡约束、启停时间约束、储能SOC约束，每类都需要细看。

以燃气轮机为例，它的电-热耦合关系是模型的重头戏。工程上常用可行运行区域来描述热电联产机组的出力范围，简单处理时采用定热电比模型：

H_gt(t) = η_chp × P_gt(t)（定热电比简化）

严格一点应该用多边形可行域，用一组线性不等式刻画电出力与热出力之间的约束关系。后者更接近实际机组特性，但约束数量明显增加，求解难度也随之上升。

储能约束是另一大重点，因为它在24小时上耦合：

SOC(t) = SOC(t-1) + [P_ch(t)·η_ch - P_dis(t)/η_dis]·Δt / E_cap
SOC_min ≤ SOC(t) ≤ SOC_max
SOC(0) = SOC(24)（循环约束，确保储能的日平衡）
0 ≤ P_ch(t) ≤ P_ch_max·u_ch(t)
0 ≤ P_dis(t) ≤ P_dis_max·u_dis(t)
u_ch(t) + u_dis(t) ≤ 1

这个 u_ch 和 u_dis 是0-1变量，用来防止储能同时充放电。它们的存在让模型变成了混合整数线性规划，这也是为什么求解时间会随场景数和时段数明显上升。

3.4 不确定性相关的场景约束

场景法下，每个场景都要满足各自的平衡约束和设备约束，相当于把24小时的确定性优化问题复制了Ns份，再通过目标函数的概率加权把“期望成本”统一起来。

这里有一个细节值得注意：决策变量分为第一阶段（here-and-now）和第二阶段（wait-and-see）。日前调度中，与电网的购电协议、机组启停计划通常是日前就要确定的，属于第一阶段决策，在所有场景下保持一致；而储能出力和部分设备出力可以在日内根据实际风光出力调整，属于第二阶段决策，允许随场景变化。

这种划分让模型更贴近实际，但代码实现时要注意区分变量是带场景索引还是不带。我在初版代码里把购电功率也做成了随场景变化，结果算出来的解虽然在数学上最优，但实际调度中根本做不到，因为没有哪个售电公司允许你第二天根据实际出风再决定买多少电。后来把购电改为第一阶段变量，模型才真正可落地。

4. Matlab实现：代码框架与核心模块精讲

模型搭好后，Matlab实现其实就分三步：定义参数、构建优化模型、调用求解器。我用的是Yalmip工具箱作为建模层，求解器选Cplex，这套组合在学术界和工程界都非常成熟，文档丰富，遇到问题容易搜到答案。

4.1 代码整体框架设计

我习惯把工程拆成几个独立的脚本和函数，用注释区隔，方便单模块测试：

matlab复制%% 主程序 main.m
% 1. 数据准备：读取负荷曲线、风光出力场景、设备参数
% 2. 建立决策变量
% 3. 写入目标函数与约束条件
% 4. 调用求解器求解
% 5. 结果可视化与报表输出

实际操作中我推荐用结构体统一管理参数，避免脚本里散落大量魔法数字。比如：

matlab复制%% 初始化系统参数
para = struct();
para.T = 24;                     % 调度时段数
para.Ns = 10;                    % 场景数
para.dt = 1;                     % 时间步长，单位h

% 设备容量
para.GT.Pmax = 60;               % 燃气轮机最大电出力，MW
para.GT.Pmin = 15;               % 燃气轮机最小电出力，MW
para.GT.eta_e = 0.35;            % 发电效率
para.GT.eta_h = 0.45;            % 热回收效率
para.GT.ramp = 20;               % 爬坡约束，MW/h

para.ESS.Ecap = 50;              % 储能容量，MWh
para.ESS.Pmax = 15;              % 储能最大充放电功率，MW
para.ESS.eta_ch = 0.95;          % 充电效率
para.ESS.eta_dis = 0.95;         % 放电效率
para.ESS.SOC_min = 0.2;
para.ESS.SOC_max = 0.9;

这样写的好处是：改设备参数时只需改结构体，不需要动模型核心代码；换一套数据时，只需替换数据读取部分，主逻辑完全复用。

4.2 场景生成与削减：用Matlab实现蒙特卡洛抽样

场景生成我按两步走，先抽样再削减。抽样用Matlab自带的随机数生成函数，配合概率分布对象：

matlab复制%% 场景生成代码示例
% 光伏出力：Beta分布拟合
rng(2024);
% 从历史数据拟合Beta分布参数（示意）
alpha_pv = 2.5; beta_pv = 3.0;
pv_scenarios = betarnd(alpha_pv, beta_v, para.N_scene, para.T) .* para.PV.Pmax;

% 风电出力：先抽风速（Weibull分布），再通过功率曲线转换
% Weibull分布参数 k=2.2, c=8.5（按当地测风数据）
wind_speed_scen = wblrnd(2.2, 8.5, para.N_scene, para.T);
% 典型风机功率曲线近似
v_ci = 3; v_co = 25; v_r = 12;
P_wt = zeros(size(wind_speed_scen));
idx = wind_speed_scen >= v_ci & wind_speed_scen < v_r;
P_wt(idx) = para.WT.Pmax .* (wind_speed_scen(idx) - v_ci) ./ (v_r - v_ci);
P_wt(wind_speed_scen >= v_r & wind_speed_scen <= v_co) = para.WT.Pmax;

场景削减我推荐用同步回代削减法，核心思想是：把概率距离最近的场景不断合并，直到剩下预设的场景数。Matlab实现大概50行左右，核心循环是计算场景间的距离矩阵、找出最小距离的场景对、合并并累加概率。K-means聚类的效果也不错，但削减后的场景可能不保留原始场景的物理形态，同步回代削削减出来的场景都是抽样得到的真实轨迹，直观上更可信。

4.3 Yalmip建模：从数学公式到代码的无缝迁移

用Yalmip建模的好处是，代码和数学公式几乎一一对应，不容易写错。核心代码如下：

matlab复制%% 定义决策变量
% 第一阶段变量（日内确定，不受场景影响）
P_grid = sdpvar(1, para.T);          % 购电功率
P_gt = sdpvar(1, para.T);            % 燃气轮机出力
u_gt = binvar(1, para.T);            % 燃气轮机启停状态

% 第二阶段变量（随场景变化）
P_ess_ch = sdpvar(para.Ns, para.T);  % 储能充电
P_ess_dis = sdpvar(para.Ns, para.T); % 储能放电
SOC = sdpvar(para.Ns, para.T+1);     % SOC状态变量，多一个维度便于初始化
H_gb = sdpvar(para.Ns, para.T);      % 燃气锅炉供热
P_eb = sdpvar(para.Ns, para.T);      % 电锅炉耗电
H_tss_ch = sdpvar(para.Ns, para.T);  % 蓄热罐充热
H_tss_dis = sdpvar(para.Ns, para.T); % 蓄热罐放热

目标函数在Yalmip里可以直接累加求和，不需要自己写循环展开矩阵乘法，非常省事：

matlab复制%% 目标函数
Objective = 0;
for t = 1:para.T
    % 购电成本（第一阶段变量，取期望场景的平均值近似）
    Objective = Objective + para.price_buy(t) * P_grid(t);
end
for s = 1:para.Ns
    for t = 1:para.T
        % 燃气成本（燃气轮机+燃气锅炉）
        V_gas = P_gt(t)/para.GT.eta_e + H_gb(s,t)/para.GB.eta;
        Objective = Objective + para.pi(s) * para.price_gas * V_gas;
        % 运维成本
        Objective = Objective + para.pi(s) * (para.k_gt*P_gt(t) + para.k_eb*P_eb(s,t) + ...
                      para.k_ess*(P_ess_ch(s,t) + P_ess_dis(s,t)));
    end
end

注意第一阶段变量不乘场景概率，第二阶段变量乘以概率权重，这是两阶段随机规划的标准写法，能保证目标函数在概率意义上是对各场景期望成本的正确计算。

4.4 约束条件写入方式

约束条件我用cell数组聚合，最后一次性放入约束集合：

matlab复制Constraints = [];
for t = 1:para.T
    % 电力平衡约束（每个场景）
    for s = 1:para.Ns
        Constraints = [Constraints, 
            P_grid(t) + pv_scen(s,t) + wt_scen(s,t) + P_gt(t) * para.GT.eta_e + P_ess_dis(s,t) == ...
            para.L_elec(t) + P_eb(s,t) + P_ess_ch(s,t)];
    end
    % 热力平衡约束
    for s = 1:para.Ns
        Constraints = [Constraints, 
            P_gt(t) * para.GT.eta_h + H_gb(s,t) + P_eb(s,t) * para.EB.COP + H_tss_dis(s,t) == ...
            para.L_heat(t) + H_tss_ch(s,t)];
    end
end

这里电锅炉用了COP（能效比）来换算电功率到热功率，不同设备的单位换算需要统一到MW。我最初在这个问题上吃过亏，热负荷单位是MWt、电负荷单位是MWe，写约束时把两个数直接相加，导致平衡约束怎么调都不闭合，检查半天才发现是单位问题。

4.5 储能SOC与设备约束

储能和蓄热罐的SOC约束需要按时间递推，用循环写法最直观：

matlab复制for s = 1:para.Ns
    % SOC初始条件
    Constraints = [Constraints, SOC(s,1) == para.ESS.SOC_init * para.ESS.Ecap];
    for t = 1:para.T
        % SOC递推
        Constraints = [Constraints, 
            SOC(s,t+1) == SOC(s,t) + (P_ess_ch(s,t)*para.ESS.eta_ch - P_ess_dis(s,t)/para.ESS.eta_dis)];
        % SOC上下限
        Constraints = [Constraints, 
            para.ESS.SOC_min * para.ESS.Ecap <= SOC(s,t+1) <= para.ESS.SOC_max * para.ESS.Ecap];
        % 充放电状态互斥（需要0-1变量）
        u_ch = binvar(1,1); % 简化写法，实际应定义完整矩阵
        Constraints = [Constraints, P_ess_ch(s,t) <= para.ESS.Pmax * u_ch];
        Constraints = [Constraints, P_ess_dis(s,t) <= para.ESS.Pmax * (1-u_ch)];
    end
    % 循环约束（日始日末SOC相等）
    Constraints = [Constraints, SOC(s,para.T+1) == para.ESS.SOC_init * para.ESS.Ecap];
end

这个简化写法引入了大量0-1变量。如果对求解时间敏感，可以用big-M方法改写成线性约束，或者直接用凸松弛——对于储能来说，由于充放电效率的存在，最优解天然不会同时充放电，因此可以把互斥约束去掉，只保留充放电功率非负和上下限约束。实际跑下来，去掉互斥约束后求解时间减少约40%，而最优解几乎不受影响。这算是一个“理论上有风险、实践上很安全”的加速技巧。

4.6 求解器调用与结果输出

Yalmip+求解器调用就三行：

matlab复制ops = sdpsettings('solver', 'cplex', 'verbose', 2, 'showprogress', 1);
result = optimize(Constraints, Objective, ops);

求解完成后检查结果有效性：

matlab复制if result.problem == 0
    % 求解成功
    P_grid_opt = value(P_grid);
    P_gt_opt = value(P_gt);
    P_ess_opt = value(P_ess_ch) - value(P_ess_dis);
    % 绘制曲线
    figure;
    plot(1:24, P_grid_opt, 'linewidth', 1.5); hold on;
    plot(1:24, mean(value(P_ess_opt),1), 'linewidth', 1.5);
    legend('购电功率', '储能净出力');
else
    % 求解失败，输出错误码
    disp(['求解失败, problem code: ', num2str(result.problem)]);
end

Cplex的退出码需要经验积累：1表示infeasible，3表示unbounded，6表示数值问题。其中数值问题最隐蔽，通常表现为约束系数矩阵条件数过大，需要检查量纲或重新缩放变量。

5. 算例设置与结果分析

写代码的目的终究是出结果。这一节用一个小规模算例演示完整的输入输出，方便你验证自己的代码是否正确。

5.1 基础数据设置

为便于复现，我用一个简化算例：24小时，10个场景，设备容量按小型园区级设置。

分时电价采用典型的峰谷电价结构：峰时（10:00-15:00, 18:00-21:00）1.2元/kWh，平时0.75元/kWh，谷时0.4元/kWh。天然气价格2.5元/m³，折算成热值约0.25元/kWh。

5.2 优化结果解读

求解得到典型日的调度计划后，我一般按三个维度分析结果：

• 各电源出力曲线是否合理：燃机基本在峰电时段出力最高，谷电时段压低或停机，储能谷充峰放。
• 热电平衡是否满足：尤其在电锅炉参与调峰后，夜间的弃风率如何变化。
• 不确定性的影响：10个场景下，储能出力曲线与确定性模型的差异是否明显。

用10场景随机优化时，总运行成本大约比确定性模型高6%到10%。这多出来的成本就是“为不确定性付出的保险费”——它保证了在最坏场景下系统仍能维持供需平衡。如果你把这个溢价讲给决策者听，他们就明白为什么要考虑不确定性。

5.3 场景数对结果的影响

我跑过一组对照实验，场景数从2个逐步增加到50个：

结论很明显：当场景数少于10个时，结果对场景数非常敏感；超过10个后结果基本稳定，但求解时间近似线性增长。所以实际项目中，场景数月10~20个是性价比最高的区间。

6. 调试过程记录与实际运行问题排查

代码不是一次就能跑通的，这里把我调试过程中遇到的高频问题做个速查表，很多问题不看案例根本想不到。

6.1 求解失败的几种情况

最经典的案例是第一次跑通时，电网购电功率上限设成了80MW，但电负荷峰值本身就有90MW，结果模型直接infeasible。排查时花了不少时间，最后通过逐一删除约束再求解，才定位到是上限参数设置不合理。

6.2 结果不合理时的检查思路

如果模型能求解但结果出现“购电功率竟为负值”或“储能一直充满不放电”这类奇怪现象，优先检查：

• 目标函数中购电成本的符号是否正确。购电功率变量在平衡约束中是正号代表输入，若目标函数中也写了正号但价格是正的，算法会尽量少购电，甚至通过售电获利（把购电变量跑成负值）。
• 分时电价的方向是否和储能充放电逻辑一致。谷时电价低应充电、峰时电价高应放电，如果结果反了，检查SOC递推方向或充放电约束中的正负号是否颠倒。
• SOC初始值是否合理。如果日初SOC设为1.0（满电状态），储能几乎没有充电空间，调度结果当然偏“只放不充”。

6.3 求解时间的针对性优化

综合能源系统优化最容易让人急躁的就是求解时间。我的经验按优先级排序：

1. 检查模型尺度：确保所有变量的数量级在同一个量级，相差超过1e6时Cplex的数值稳定性会大幅下降
2. 减少整数变量数量：储能互斥约束的0-1变量是主要来源，考虑去掉或改为松弛
3. 设置合理的求解精度：sdpsettings('cplex.mip.tolerances.mipgap', 0.001)，1%的gap对运行成本来说通常完全够用，但可以节省大量分支定界时间
4. 尝试换求解器：同一个模型Gurobi和Cplex的性能在部分问题上差距显著，我有一次切换Gurobi后求解时间缩短了六成

7. 从单目标到多目标：扩展方向与思考

如果基础版本已经跑通，后续扩展有很多方向，我这里结合实际经验提几个我认为最有价值的。

第一个是考虑碳排放约束或碳交易成本。在目标函数中增加碳排放成本项，或者在约束中设置碳排上限，就能把“双碳”目标纳入优化。操作上，燃气轮机和锅炉的碳排放系数已经有了公认的参考值，加入后模型结构不变，只是目标函数多了一项。

第二个是引入需求侧响应。把部分可平移负荷、可中断负荷建模为可调变量，允许优化算法在电价偏高时减少负荷，这会改变负荷平衡约束的形式，从固定值变成决策变量。需求响应会让模型更接近真实系统，也更考验建模功底。

第三个是两阶段随机规划扩展。第一阶段决定机组启停、购电协议等“日前决策”，第二阶段根据日内实际出力做经济调度。这种模型更贴合电力市场的实际流程，但对应代码结构需要增加不少复杂性——主要在于区分哪些变量属于第一阶段，哪些属于第二阶段。

扩展时我的建议是每次只加一类复杂度。不要一次性又加碳排又加需求响应又改两阶段——那样模型一旦出问题，根本不知道是哪部分引入的bug。先跑通基准版本，再逐步叠加，每步都用表格记录成本和求解时间的变化。

从实践角度来说，综合能源系统协同优化这个方向，代码只是载体，核心还是对系统物理特性的理解和对不确定性量化方法的掌握。Matlab加Yalmip加Cplex这套组合，最大的价值是让你花最少的时间把数学模型变成可求解的算例，把精力集中在问题本身的洞察上。

最后分享一个我在多个项目里验证过的小技巧：拿到任何新的综合能源系统算例，先跑一个完全不考虑不确定性的确定性版本作为基准，再把不确定性加回去。对比两者的结果差异，就能非常直观地评估不确定性对调度方案的影响有多大，这个对比常常比最终的优化结果本身更有说服力，写论文、做汇报时也是很好的素材。