做冷热电联供优化调度这一年多,我最深的体会是:模型本身并不难,难的是让模型在真实运行中“跟得上”变化。刚接触这个方向时,我也和大多数人一样,先搭一个单层优化模型,把燃气轮机、吸收式制冷机、储能这些设备全塞进去,目标函数设成运行成本最小,MIQP一求解,结果也像模像样。但一旦把风光出力、冷热电负荷的实测数据扔进去,模型算出来的计划往往和实际运行偏差很大——原因很简单:预测永远有误差,而单层调度没有给误差留出修正通道。后来我接触到多时间尺度优化调度的思路,把日前、日内、实时三个层级串起来,才真正解决了这个问题。
这篇文章就围绕“基于多时间尺度的冷热电联供综合能源系统优化调度模型”展开,把我从问题建模、代码实现到算例分析中踩过的坑和验证过的方法完整拆一遍。内容主要面向正在做综合能源系统优化、微网经济调度方向的研究生或工程师,也可以给刚入门的朋友做一个整体认知框架。
1. 为什么必须用多时间尺度:单层调度的先天缺陷
1.1 预测精度与调度粒度的天然矛盾
先看一组典型数据。光伏出力预测误差在日前(提前24小时)尺度下通常为15%~25%,风速预测误差更夸张,尤其在天气快速变化时可以达到30%以上;而冷热电负荷虽然相对稳定,但用户行为的不确定性依然会让逐时预测产生5%~10%的偏差。如果只用日前预测数据一次性生成全天72个时段的调度计划,那么当实际光伏出力低于预测值时,燃气轮机就得临时增加出力去补差额——但燃气轮机的爬坡速率是有限的,电制冷机和吸收式制冷机的出力分配也可能来不及调整,最终结果就是弃光、切负荷或者从电网高价购电。
这里面有个核心矛盾:调度的时间粒度越细,对预测精度的要求越高;预测精度越高,可用的预测时间窗口就越短。天气预报能给你未来24小时的风速趋势,但无法精确告诉你5分钟后的一阵云会遮挡多少光伏;反过来,分钟级的短时预测精度高,但无法支撑机组启停这样的长决策周期决策。单层模型无论怎么选粒度,都逃不掉这个矛盾。
1.2 多时间尺度的本质:让不同决策在合适的周期上做
多时间尺度调度其实是对实际电力系统调度模式的借鉴。在传统电力系统中,调度本身就分长期、中期、短期、超短期,不同时间尺度解决不同层次的问题。把这个思想应用到冷热电联供综合能源系统中,就形成了典型的三层架构:
| 调度层级 | 时间尺度 | 决策内容 | 主要作用 |
|---|---|---|---|
| 日前调度 | 提前24h,1h分辨率 | 机组启停、联络线购电计划、储能充放电日策略 | 确定经济性最优的运行基线 |
| 日内滚动 | 提前4h,15min分辨率 | 各设备出力修正、储能出力调整 | 跟随最新预测,修正偏差 |
| 实时反馈 | 分钟级,5min~15min | 微调设备出力、储能快速响应 | 处理瞬时波动,保障功率平衡 |
这三层不是简单的重复计算,而是“层层嵌套、滚动修正”的关系。日前层定的是“大方向”,日内层做的是“短期修正”,实时层干的是“兜底执行”。每层的时间窗口和分辨率选择,都是基于预测技术的实际能力来定的,不是拍脑袋。
1.3 方案选型背后的权衡逻辑
我知道有人会问:为什么不直接用15分钟分辨率跑48小时甚至更长时间窗口的优化?理论上可以,但实际跑起来有两个问题。第一,求解规模爆炸。时间窗96个时段、设备节点十几二十个,再加上0-1整数变量(机组启停),混合整数规划求解时间会从几十秒膨胀到几分钟甚至不收敛,这还没考虑日内滚动每15分钟就要重新算一次。第二,长时间窗高分辨率并不能带来相应的精度收益,因为远时段(比如20小时后)的15分钟级预测精度并不会比1小时级高多少,反而陷入“用高分辨率去拟合误差很大的预测值”的伪精确。
所以选型逻辑其实很朴素:分辨率跟着预测精度走,决策周期跟着设备响应速度走。机组启停这类需要提前一天定的决策,放日前层;储能功率这类可以快速调整的决策,放日内层和实时层。这样既保证了经济性优化的大局观,又保留了应对不确定性的灵活性。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统建模与核心数学模型拆解
2.1 冷热电联供系统的典型拓扑与设备模型
在建模之前,首先要明确系统里有哪些设备、能量是怎么流动的。我用的这个模型是典型的“以热定电+辅助制冷”结构,主要包含以下设备:
- 微型燃气轮机(MT):核心发电设备,同时产生高温烟气。它的关键特征是热电比(电功率与余热功率之比)随负载率变化,建模时不能简单当常数处理,否则会影响余热利用量的计算精度。
- **余热
