考虑能源集线器的电热综合能源市场双层出清模型及求解

做综合能源市场仿真的朋友应该都有同感：单独做电市场出清还好，单独做热网调度也不难，一旦把电、热通过能源集线器耦合起来，再放到市场框架里做双层出清，模型复杂度和求解难度都会上一个台阶。这篇文章就结合我最近在MATLAB里落地的一个算例，聊聊如何建立并求解考虑能源集线器参与的电热综合能源市场双层出清模型。文中会讲清楚建模逻辑、数学转换、MATLAB代码框架、求解器配置以及我踩过的坑，希望能给正在做相关课题的同学省点时间。需要说明的是，这里不会直接丢一个“一键运行”的完整程序，而是把思路和关键代码骨架讲透，你拿到之后可以按自己的算例往里填参数。

1. 双层出清要解决什么问题：从集中式优化到Stackelberg博弈

电热综合能源系统里有两类主体：一类是市场运营商，负责组织电力、热力交易并给出清价格；另一类是以能源集线器为代表的产消者，内部有CHP、电锅炉、燃气锅炉、储热罐等设备，可以根据市场价格调整购电、购气和热电产出。如果所有信息都集中到运营商手里，那本质上就是一个集中式最优能量流问题，单层优化就能解。但实际市场环境下，能源集线器有自己的运行目标和隐私边界，它不会把自己内部所有约束和成本曲线全部交给运营商，运营商只能通过市场机制去预测和引导它的行为。

这时候就需要用双层模型来描述。上层是市场出清问题，运营商以社会福利最大或系统购能成本最小为目标，决定常规机组出力、外购电量、热源出力和节点价格；下层是能源集线器运行优化问题，它把市场价格作为已知参数，以自身运行成本最小化为目标，决定从电网买多少电、从气网购多少气、内部各设备怎么出力。上下层通过价格和交易量耦合，形成典型的Stackelberg博弈结构。上层是领导者，先公布价格和出清方案；下层是跟随者，在给定价格下做最优响应。市场出清结果必须满足这样一个性质：在出清价格下，能源集线器没有单方面改变用能计划的动机，也就是下层一定处于最优状态。

单层优化和双层优化的本质区别就在这里。单层优化里，所有决策变量放在一起求系统总成本最小；双层优化里，下层主体的目标函数并不一定和上层完全一致，下层有独立利益，不能简单合并。举个例子，运营商希望系统总购电成本最低，所以想让能源集线器在某个时段多用电；但能源集线器自己还要权衡购气和购电的价格，如果电锅炉的用电成本比燃气锅炉的用气成本更贵，它就不会按运营商的意愿增加用电。这个博弈关系如果不显式建模，出清结果要么不可行，要么会让某个主体亏损退出市场。

我刚开始做这个题目的时候，也想过能不能用“上层出清-下层优化-再上层出清”的迭代法，类似不动点迭代。实际试下来，问题很大：价格和出清数量是同时决定的，迭代过程经常在两个解之间震荡，尤其当能源集线器容量占比高、价格弹性明显时，即使加了阻尼系数也很难收敛。后来老老实实把下层问题用KKT条件替换进上层模型，转成单层数学规划，再用商业求解器求解，这才稳定下来。这个“双层转单层”的过程，是整份代码最核心、也最花时间的部分，后面的章节我会专门展开。

2. 能源集线器建模：设备方程与耦合约束怎么写进MATLAB

能源集线器是整个模型的“心脏”，这一层建不好，上层出清再漂亮也没有用。建模的关键不是堆设备，而是把能量流关系、设备约束、储热动态这三件事用线性或可线性化的方程表达清楚，否则后面的MILP化会遇到大麻烦。

2.1 先画物理图，再写能量平衡方程

我在写代码前一定会先在草稿纸上画一张能源集线器能量流图：输入端是电网购电和天然气购买，输出端是电负荷和热负荷；内部设备至少包含CHP机组、燃气锅炉、电锅炉和储热罐。CHP消耗天然气，同时产电和产热；燃气锅炉消耗天然气只产热；电锅炉消耗电能产热；储热罐负责热功率的时段搬移。

以第h个能源集线器在时段t为例，简化后的能量平衡方程可以写成：

text复制电网购电Pbuy + CHP产电Pchp + 分布式光伏Ppv = 电负荷Dem_e + 电锅炉消耗Peb + 储热充电功率Hch - 储热放电功率Hdis

CHP产热Hchp + 燃气锅炉产热Hgb + 电锅炉产热Heb + 储热放电Hdis - 储热充电Hch = 热负荷Dem_h

CHP的产电、产热由天然气输入共同决定，写成效率形式：

text复制Pchp = eta_chp_e * Fchp
Hchp = eta_chp_h * Fchp
Hgb = eta_gb * Fgb
Heb = COP_eb * Peb

其中Fchp和Fgb分别是CHP和燃气锅炉的天然气输入功率，eta_chp_e、eta_chp_h分别是CHP的发电效率和余热回收效率，eta_gb是燃气锅炉热效率，COP_eb是电锅炉制热性能系数。

很多新手会在CHP的模型上翻车。CHP的产电和产热不是两个独立变量，它们来自同一个天然气输入，所以必须用效率比把两者耦合起来。实际代码里我习惯用Pchp作为主变量，Hchp用eta_chp_h / eta_chp_e乘以Pchp得到，这样变量数量少，数值尺度也一致。燃气锅炉和电锅炉则独立建模，它们之间通过热平衡发生竞争关系。

2.2 设备约束、爬坡约束和储热动态

设备不能无限出力，也不能瞬时改变出力。容量约束分别写：

text复制0 <= Pchp <= Pchp_max
0 <= Fgb <= Fgb_max
0 <= Peb <= Peb_max
0 <= Pbuy <= Pbuy_max

CHP和电锅炉还需要考虑爬坡约束，尤其当时间尺度是小时级时，爬坡约束对市场价格响应的影响非常明显：

text复制-Pchp_ramp <= Pchp(t+1) - Pchp(t) <= Pchp_ramp
-Peb_ramp <= Peb(t+1) - Peb(t) <= Peb_ramp

储热罐是能源集线器里最有意思的部分，它让热负荷在时间上有了弹性。状态量用SOC表示：

text复制SOC(t+1) = SOC(t) + eta_ch * Hch(t) - Hdis(t) / eta_dis
0 <= SOC(t) <= SOC_max
SOC(1) = SOC(nT+1)

最后一个约束是储热罐的调度周期平衡，保证一天结束后储热量回到初始值，避免“电池白嫖”。

2.3 把设备模型翻译成YALMIP变量

在MATLAB中，我用YALMIP定义这些变量和约束，代码骨架大概是这样的：

matlab复制%% 能源集线器参数
param.eta_chp_e = 0.35;
param.eta_chp_h = 0.45;
param.eta_gb = 0.85;
param.cop_eb = 2.8;
param.eta_ch = 0.95;
param.eta_dis = 0.95;

%% 变量定义
Pbuy = sdpvar(nH, nT);      % 从电网购电
Pchp = sdpvar(nH, nT);      % CHP发电功率
Fgb = sdpvar(nH, nT);       % 燃气锅炉燃料输入
Peb = sdpvar(nH, nT);       % 电锅炉耗电功率
Hch = sdpvar(nH, nT);       % 储热充电功率
Hdis = sdpvar(nH, nT);      % 储热放电功率
soc = sdpvar(nH, nT+1);     % 储热SOC

%% 能量平衡约束
Constraints = [];
Constraints = [Constraints, Pbuy + Pchp + Ppv == Dem_e + Peb + Hch - Hdis];
Constraints = [Constraints, (param.eta_chp_h/param.eta_chp_e)*Pchp ...
              + param.eta_gb*Fgb + param.cop_eb*Peb + Hdis - Hch == Dem_h];

这里没有把设备容量、爬坡、SOC递推约束全部列全，但套路是一致的：每个变量范围写一行，每个平衡约束写一行，所有约束用[Constraints, ...]拼接。这样后面做KKT展开时，每条不等式约束都对应一个乘子，结构清楚，不容易漏项。

3. 市场出清层模型：目标函数、网络约束与价格变量的设计

上层市场出清模型决定了能源集线器面对的电价和热价，以及系统最终的成交数量。建模时需要想清楚三个问题：目标函数代表谁的利益？网络约束简化到什么程度？价格变量怎么定义？

3.1 上层目标函数：最小化常规机组与购能成本

在联合出清框架下，上层运营商的目标函数通常是让系统总购能成本最小，主要包括常规机组发电成本、向上级电网购电成本、集中式热源供热成本，以及系统购买天然气的成本。注意，这里的天然气成本是能源集线器上报到市场的用气需求对应的成本，还是运营商统一采购后转售给能源集线器的成本，取决于市场规则。我做的算例里，天然气由外部气网按固定价格供应，运营商只负责组织和结算，所以上层目标不包括能源集线器内部的购气费用。

简化后的目标函数：

text复制min sum_t [ sum_i (a_i * Pg_i(t)^2 + b_i * Pg_i(t))
           + Cgrid * Pgrid(t)
           + sum_j Cg_j * Ghs_j(t) ]

如果追求线性模型，可以把机组成本分段线性化；如果算例规模不大，直接用二次目标配合Gurobi求解也很方便。YALMIP里二次目标可以直接写，不需要额外转线性约束。

3.2 电网与热网的网络约束

电网部分我建议使用直流潮流模型。对大多数电热联合市场出清的研究场景，交流无功和电压幅值不是重点，直流潮流足够反映线路过载和节点电价差异。用支路导纳和节点相角可以写：

text复制Pf_line(k) = B_line(k) * (theta(from_k) - theta(to_k))
-Pf_max(k) <= Pf_line(k) <= Pf_max(k)

热网部分远比电网复杂。如果要严格建模，需要考虑供水温度、回水温度、管道流量、节点热功率平衡以及热损失，模型是非线性的。我在这篇代码里做了一层简化：热网看作一个线性传输网络，每根管道有热功率上限和热损系数，节点热功率平衡用线性方程表示。这样的热网模型虽然丢掉了温度动态细节，但足以刻画热力价格和输热瓶颈对能源集线器出力的影响。如果以后需要加入热网动态，建议先跑通双层骨架，再逐步替换热网模型，不要一上来就上全动态，否则调试周期会非常长。

3.3 价格变量与市场出清规则的绑定

双层模型中，价格变量不是凭空出来的，它必须和市场需求响应对应。在基于节点的定价机制下，节点电价由该节点的能量平衡约束对应的拉格朗日乘子决定。如果上层电平衡约束写成等式：

text复制sum_i Pg_i + Pgrid + sum_h Pbuy_h == sum_h Dem_e_h + sum_h Peb_h + ... 

那么这个等式约束的对偶乘子就是电能价格。热平衡约束的对偶乘子就是热能价格。

在MATLAB中，我通常不直接定义价格变量，而是让求解器自己给出对偶乘子。YALMIP求解完成后，可以用dual(ConstraintHandle)直接取乘子值。比如：

matlab复制Constraints = [Constraints, sum(Pg,1) + Pgrid + sum(Pbuy,1) == sum(Dem_e,1) + sum(Peb,1)];
...
sol = optimize(Constraints, Objective, ops);
lambda_e = dual(Constraints(end));   % 节点电价

这样做的好处是价格变量和市场出清机制自动绑定，不会出现“价格设好了但和平衡约束无关”的尴尬。后续做灵敏度分析时，直接改变负荷和报价参数，重新求解，再读乘子，非常方便。

4. 单层化重写：KKT条件、强对偶与大M线性化的完整推导

双层模型不能直接扔给求解器，必须要转成单层。最主流的方法是：把下层优化问题替换成它的KKT条件，等价于把下层最优性要求作为上层模型的约束，从而得到一个带互补约束的数学规划MPEC。由于互补约束本质是“二选一”，需要借助二进制变量和大M法转成MILP。

4.1 下层问题的通用形式

把能源集线器运行优化写成如下线性规划形式：

text复制min_x c' * x
s.t. A_eq * x = b_eq
     A_in * x <= b_in

这里x包含购电量、CHP出力、燃气锅炉燃料量、电锅炉耗电、储热充放功率等变量；等式约束是各节点能量平衡和储热动态；不等式约束是容量、爬坡和SOC范围。

下层问题的拉格朗日函数为：

text复制L = c'x + lambda' * (A_eq*x - b_eq) + mu' * (A_in*x - b_in)

其中lambda对应等式约束的对偶乘子，mu对应不等式约束的对偶乘子。

4.2 KKT条件四个组成部分

写KKT条件时，我会分四类逐条列，漏一个后面结果就错了：

第一是稳定性条件，拉格朗日函数对x求导等于0：

text复制c + A_eq' * lambda + A_in' * mu = 0

第二是原始可行性，即下层问题自己的等式和不等式约束都要满足：

text复制A_eq * x = b_eq
A_in * x <= b_in

第三是对偶可行性，不等式约束对应的乘子必须非负：

text复制mu >= 0

第四是互补松弛条件，乘子与不等式约束之间必须“至少有一个取零”：

text复制mu_i * (A_in_i * x - b_in_i) = 0

如果下层问题是凸的、满足约束规格，那么KKT条件就是下层优化的充分必要条件。把KKT条件并入上层模型后，市场出清结果自然包含了下层主体的理性反应。

4.3 互补松弛条件的大M线性化

互补条件是个非线性乘积，不能直接进MILP。处理方式是对每一行不等式约束引入一个二进制变量z_i，将原条件等价拆成两条分支：

• 分支A：z_i = 1 时，不等式约束不起作用，乘子为0，即 mu_i = 0，A_in_i * x - b_in_i <= 0。
• 分支B：z_i = 0 时，不等式约束紧致，残差为0，即 A_in_i * x - b_in_i = 0，mu_i >= 0。

用大M表达，就是：

text复制-M * z_i <= A_in_i * x - b_in_i <= 0
0 <= mu_i <= M * (1 - z_i)

这里大M必须足够大，保证不会人为砍掉可行域；但又不能太大，太大会导致线性松弛效果变差，MILP求解时间暴增。M的取值技巧我在后面的调试章节细讲。

在YALMIP中，互补约束也可以直接用complements函数写，但内部会转换成二进制变量和大M，灵活性差一些。我更倾向于手动写二进制约束，方便控制M值，也方便排查是哪一条约束出了问题。

4.4 强对偶定理的用途

上层目标函数里经常会出现“价格乘交易量”这样的双线性项，比如能源集线器卖电收入。如果直接用KKT替换下层，这些双线性项还在，仍然是MILP解不了的。此时可以用强对偶定理：对线性规划而言，原问题最优值等于对偶问题最优值，即：

text复制c' * x = lambda' * b_eq + mu' * b_in

这个等式可以把下层目标值写成对偶乘子与右端项的线性组合，从而替换掉目标函数中出现的双线性乘积。实际推导时，我先写出下层原问题和对偶问题，再比较上层目标里哪些项能被强对偶消去。这是一个相对繁琐但很有套路的过程，建议大家在论文里至少写一次完整的推导，后面再遇到类似模型就可以直接套。

4.5 单层化后的MILP形式

做完KKT替换、互补线性化和强对偶替换后，整个双层模型变成：

text复制min 上层目标（已线性化）
s.t. 上层约束
     下层等式约束
     下层不等式约束
     下层KKT稳定性条件
     下层对偶可行性条件
     互补条件的大M线性约束
     二进制变量约束

这个单层MILP可以直接交给Gurobi或CPLEX求解。模型规模取决于不等式约束数量，每一条不等式约束都会引入一个二进制变量，所以尽量精简约束，能合并的合并，能去掉的冗余约束不要留。

5. YALMIP+Gurobi/CPLEX实现框架：变量定义、约束组装与求解器参数

理论转换完成后，代码实现反而是相对机械的事情。但机械不代表可以随便写，YALMIP的建模习惯、求解器参数设置都会直接影响能否求出稳定解。

5.1 主程序文件结构

我习惯把代码分成三个文件：参数文件、模型构建函数、主运行脚本。参数文件专门放所有价格、效率、容量、负荷数据；模型构建函数输入参数结构体，输出约束、目标、辅助索引；主运行脚本调用构建函数并求解。这样改算例时不用在模型代码里翻找参数，非常省事。

text复制param_case.m          % 算例参数
build_market_model.m  % 构建上层约束和目标
build_eh_model.m      % 构建能源集线器约束和KKT
run_case.m            % 主运行脚本

5.2 核心变量与约束的构建骨架

下面给一个简化版的YALMIP建模骨架，重点不是完整代码，而是让大家看到变量和约束是怎么组织在一起的。

matlab复制function [Constraints, Objective] = build_dual_model(param)
% 变量定义
Pg = sdpvar(param.nG, param.nT);          % 常规机组出力
theta = sdpvar(param.nBus, param.nT);     % 节点相角
Pgrid = sdpvar(1, param.nT);              % 外部购电

% 能源集线器变量
Pbuy = sdpvar(param.nH, param.nT);
Pchp = sdpvar(param.nH, param.nT);
Fgb = sdpvar(param.nH, param.nT);
Peb = sdpvar(param.nH, param.nT);
Hch = sdpvar(param.nH, param.nT);
Hdis = sdpvar(param.nH, param.nT);
soc = sdpvar(param.nH, param.nT+1);

% 能源集线器KKT乘子
mu_cap = sdpvar(param.nH, param.nT, 'full');  % 容量约束乘子
mu_ramp = sdpvar(param.nH, param.nT, 'full'); % 爬坡约束乘子
% ... 其他乘子按需定义

Constraints = [];
Objective = 0;

% 上层目标
Objective = Objective + sum(sum(param.Cg2 .* Pg.^2 + param.Cg1 .* Pg));
Objective = Objective + sum(param.Cgrid .* Pgrid);

% 上层约束
Constraints = [Constraints, sum(Pg,1) + Pgrid + sum(Pbuy,1) == ...
               sum(param.Dem_e,1) + sum(Peb,1)];

% 能源集线器能量平衡约束
Constraints = [Constraints, Pbuy + Pchp + param.Ppv == ...
               param.Dem_e + Peb + Hch - Hdis];
Constraints = [Constraints, (param.eta_chp_h/param.eta_chp_e)*Pchp + ...
               param.eta_gb*Fgb + param.cop_eb*Peb + Hdis - Hch == ...
               param.Dem_h];

% KKT稳定性条件
% 以电锅炉耗电Peb为例，拉格朗日对Peb求导为0
% 需要根据实际拉格朗日函数逐项写出，这里示意：
% Constraints = [Constraints, ...];

% 互补条件线性化
% 假设某条不等式约束写成 g <= 0，对应乘子mu，引入z：
% z = binvar(size(g,1), size(g,2), 'full');
% Constraints = [Constraints, -M*z <= g <= 0];
% Constraints = [Constraints, 0 <= mu <= M*(1-z)];
end

大家可能注意到了，KKT稳定性条件需要把拉格朗日函数对每个变量求导。这个过程容易出错，我的建议是先用纸笔把拉格朗日函数完整写出来，再整理成c + A_eq'*lambda + A_in'*mu = 0的矩阵形式，最后翻译成YALMIP约束。不要凭感觉在代码里瞎凑，否则排查起来非常痛苦。

5.3 求解器选择与参数设置

对MILP模型，我首选Gurobi，其次CPLEX。二者在YALMIP中的调用方式几乎一样。求解参数里，MIPGap和TimeLimit最常用。MIPGap设成1e-4通常足够；如果模型很大，可以放宽到1e-3换速度。时段的数目从24到168变化时，模型规模增长很快，求解时间从几秒到几分钟都正常。

matlab复制ops = sdpsettings('solver', 'gurobi', 'verbose', 2);
ops.gurobi.MIPGap = 1e-4;
ops.gurobi.TimeLimit = 600;
sol = optimize(Constraints, Objective, ops);

如果求解器报“infeasible”，不要急着怀疑求解器。第一步是检查有没有冗余约束写错方向，第二步是检查大M值，第三步是检查互补约束的二进制变量是否和乘子一一对应。大部分不可行问题都出在这三个地方。

6. 算例设计、灵敏度分析与结果验证

模型能跑了，不代表结论可信。算例设计这一节，我用一个简化的电热联合算例说明怎么设置参数、怎么看结果、怎么验证模型行为是否符合物理直觉。

6.1 算例参数

我设置的算例是：电网6节点、热网4节点，含2个能源集线器，常规机组3台，外部电网连接点1个，集中式热源2台。时间分辨率为1小时，共24个时段。能源集线器统一参数如下表：

电负荷和热负荷分别取典型日曲线，白天电负荷高，夜间热负荷高，制造电热峰谷错位，这样可以充分体现能源集线器的“以热定电”和“电转热”调节能力。

6.2 三组情景对比

我设置了三个情景验证模型：

• 情景A：能源集线器退化为普通电、热负荷，内部设备不参与调节，相当于电热分离。
• 情景B：能源集线器只用电锅炉供热，CHP不开启，相当于纯电转热。
• 情景C：能源集线器CHP和电锅炉同时参与，热电联产。

求解后对比三个情景的系统总成本和电价热价，结果方向如下表（数值经过缩放，不代表真实系统）：

从情景A到情景C，系统总成本逐步下降，说明能源集线器的灵活调节能力确实能降低整个综合能源系统的运行成本。情景C的电价最低，是因为CHP在夜间热负荷较高时多发电，减少了高价外购电；同时余热回收降低了热源供热的压力，热价也随之下降。这个结果符合物理直觉，也说明模型构建方向是对的。

6.3 灵敏度分析：储热容量与气价的影响

算例不仅要能跑，还要能用来回答“如果参数变了会怎样”的问题。我做了两组灵敏度分析。

第一组固定其他参数，把储热罐容量从0逐步增加到20MWh，观察系统总成本变化。结果显示，储热容量从0增加到8MWh时，成本下降非常明显；继续增加容量，成本下降趋缓，说明8MWh已经基本覆盖了日内热负荷峰谷转移需求，再加大储热就是边际递减。

第二组把天然气价格从0.20元/kWh逐步提高到0.35元/kWh，观察CHP和电锅炉的出力占比变化。气价较低时，CHP几乎全部承担热负荷；气价升高后，电锅炉制热占比上升，CHP趋向于最小出力运行。这个结果说明模型对价格信号是敏感的，下层能源集线器确实会按照市场价格调整自身运行策略。如果某个算例改完参数，设备出力一点不变，那大概率是下层KKT条件或互补约束写错了。

7. 调试踩坑实录：大M取值、数值奇异与时间尺度不匹配

最后这部分是纯经验，也是我最想分享的内容。双层模型代码跑通容易，跑对很难。下面几个坑我基本都踩过一遍，写出来帮大家少走弯路。

7.1 大M到底取多少

大M取值的核心原则是“够用就好”。我在第一个算例里把M统一设成1e6，结果Gurobi求解非常慢，MILP的线性松弛太松，分支定界树巨大。后来我统计了所有不等式约束右端项的物理上界，把M缩小到对应约束的5到10倍，求解速度提升了一个数量级。

具体做法是：先运行一版没有互补线性化、只求下层原问题最优解的代码，记录每个不等式约束残差的最大绝对值，然后乘一个安全系数，作为M的初值。这样设置出来的M既有理论可行性，又不会过松。

如果求解器支持indicator约束，也可以避免大M。YALMIP里implies函数可以表达“如果z=0则残差=0”这种逻辑关系，Gurobi内部会转成indicator约束。但indicator约束在大规模模型里有时比大M更慢，我的建议是先用大M，遇到数值问题再切换。

7.2 互补约束隔三差五就漏项

手动写KKT时，最容易犯的错误是漏掉某一条不等式约束对应的乘子，或者在互补约束里写错残差符号。排查方法很简单，但对调代码非常有效：固定一组市场价格，单独求解下层优化，记录最优解和所有约束乘子；然后把这组解代入KKT稳定性条件，检查等式是否成立。如果稳定性条件残差很大，说明某个乘子没写或者符号反了。

我建议把下层问题的每个不等式约束编号、乘子变量命名都写成同一种风格，比如mu_cap_pchp代表CHP容量约束乘子，mu_ramp_eb代表电锅炉爬坡约束乘子。虽然名字长，但查起来比mu(1)、mu(2)直观得多。

7.3 电热模型时间尺度不一致

电网的调度通常按分钟到小时级，热网动态则是分钟级甚至更慢。如果直接把热网动态约束写进小时级市场出清模型，会出现一个问题：管道热传播延迟意味着某一时刻的热力交易可能影响之后好几个小时的供需，但市场出清模型假设所有能量即时平衡。这是一个物理假设与市场机制的冲突。

我的处理方式是，在本阶段先用稳态热力网络模型，忽略热网暂态，把热网当作一个带热损和容量约束的传输网络。这样可以保证市场模型的时间尺度统一，结果也更接近“日前市场”的语义。如果要研究热网动态对市场出清的影响，需要把热网模型细化到更短的时间尺度，同时市场出清模型也要改造成多时段耦合形式，模型复杂度会指数级上升，不建议新手一上来就做这个扩展。

7.4 数值尺度不统一导致求解器报错

MATLAB里如果有的变量是0.001量级，有的是1e6量级，求解器数值稳定性会非常差。比如天然气耗量按kW写，电功率按MW写，效率又小于1，乘在一起很容易出现几个量级的差距。我的习惯是全部统一单位：功率统一用MW，价格统一用元/MWh，能量统一用MWh，效率无量纲。这样约束矩阵的系数基本在0.01到100之间，Gurobi处理起来非常舒服。

如果求解后出现可信度低的解，检查一下变量尺度，把特别大的量纲缩掉再跑一遍，往往就好了。

7.5 一个被我反复用到的验证小技巧

最后分享一个验证技巧：先把能源集线器从模型中去掉，只跑上层电热市场出清，看看结果是否和手算或已有文献一致；再把能源集线器加回来，并将下层KKT中的乘子全部固定为很小的正数，模拟价格接受者的行为，看看结果是否和集中式最优能量流结果一致。这两步都能通过，基本上模型就靠得住了。如果不一致，优先怀疑KKT稳定性条件，其次是互补约束的大M参数。

我在实际做这个项目时，光是KKT推导就改了三个版本，第一次少写了储热SOC递推约束的乘子，第二次大M设得太大导致结果振荡，第三次才发现热网热损系数写成了与温差无关的常数。每一步调试都需要耐心，但模型一旦跑通，后面换算例、扩展设备模型、加入更多能源集线器都变得很快。希望这篇经验分享能帮你把前面最艰难的一段路走顺。