考虑P2G与碳捕集耦合的热电联供系统优化调度建模与求解

不用把“双碳”“碳中和”挂嘴边，现实里这套东西能落地的核心就一条：电价峰谷差和碳配额成本倒逼你改造调度策略。我去年接手了一个热电联供综合能源系统的优化调度课题，代码从零搭到跑通，前前后后折腾了快两个月。这中间最折磨人的不是设备建模，而是P2G和碳捕集设备之间的时序耦合——电、气、热三种能源流在24小时尺度上互相牵制，稍不留神约束条件就写成了矛盾式。这篇就把整套模型的搭建思路、数学化过程和踩坑经历完整梳理一遍，给正卡在同样问题的朋友一个参考。

1. 为什么P2G必须和碳捕集设备绑定在一起说

1.1 独立看待P2G时，调度逻辑是残缺的

电转气（Power-to-Gas，P2G）的核心逻辑很简单：用富余电力电解水制氢，再把氢和二氧化碳合成甲烷，从而把电能转化为天然气注入管网或储存。但请注意——合成甲烷需要碳源。如果系统里没有碳捕集设备，P2G就得从外部购买二氧化碳，这既增加了成本，又让“减碳闭环”出现断点。而热电联供机组（CHP）恰好是稳定的二氧化碳排放源，于是P2G和碳捕集设备在物理上天然形成互补：碳捕集设备从CHP烟气中分离二氧化碳，一部分封存，一部分供给P2G合成甲烷。这个循环一旦建立，系统的碳排放总量、天然气消耗量、弃风弃光率三个指标会同时发生变化。

1.2 热电联供系统是这套耦合关系的最佳载体

热电联供系统同时输出电和热，冬季供暖期负荷压力大，夏季电力峰谷差明显。传统调度中，CHP机组为了满足热负荷必须保持较高出力，导致夜间风电大发时电力无法全额消纳——这就是“以热定电”约束带来的灵活性困境。引入P2G后，夜间富余电力被转化为天然气存储起来，相当于给电力系统增加了一个“可平移的负荷”；引入碳捕集设备后，CHP的碳排放被部分吸收，但碳捕集本身也要消耗电能和热能，这又反过来影响电热出力分配。三者之间的约束关系不是简单叠加，而是互相嵌入：碳捕集能耗改变了CHP的净出力上限，P2G的耗电量改变了系统电平衡，P2G产出的甲烷又进入气网参与燃气轮机的燃料供应。整个调度模型因此变成一套电-气-热-碳四维耦合的优化问题。

1.3 模型定位：日前调度、混合整数线性规划

我最终把这套模型定位为日前经济调度模型，时间尺度取24小时，步长1小时。决策变量包括各设备的启停状态（0-1整数变量）和出力大小（连续变量）。由于启停变量存在，模型天然是一个混合整数规划问题；目标函数和约束条件全部线性化后，可以用成熟的求解器高效求解。之所以不做实时调度，是因为P2G和碳捕集都存在明显的响应延迟（电解槽升负荷需要分钟级时间，碳捕集吸收塔的溶液循环也有惯性），日前调度恰好匹配这类设备的特性。

2. 系统建模的边界与物理过程：从设备到网络的完整拓扑

2.1 设备层的拓扑关系

我在模型里放了以下几类设备，它们的拓扑关系决定了约束条件的写法：

CHP的烟气分成两路：一路直接排放，一路进入碳捕集设备。碳捕集出来的二氧化碳分成两路：一路压缩封存，一路输送给P2G。P2G产出的甲烷进入储气罐或直接供气。这些“分流”关系在模型中需要引入分配系数变量，这也是模型非线性来源之一。

2.2 能量网络的耦合约束

电网侧：风电平价上网、CHP发电、P2G耗电、碳捕集耗电、电负荷、电储能（如有）构成电功率平衡。这里的关键是P2G和碳捕集让“负荷”不再是固定的外生参数，而是内生变量——系统可以在低谷电价时段主动增加耗电设备，这相当于给负荷曲线做了“整形”。

气网侧：气源（购气）、CHP耗气、燃气锅炉耗气、P2G产气、储气罐充放气构成天然气平衡。注意P2G产气的热值通常比天然气低（取决于重整工艺和掺氢比例），我直接用一个甲烷产量系数简化处理，避免把天然气组分模型牵扯进来。

热网侧：CHP热出力、燃气锅炉热出力、碳捕集再沸器热耗、热负荷构成热功率平衡。冬季典型日热负荷曲线呈现双峰特性——早高峰和晚高峰，碳捕集设备的再生能耗叠加在热负荷上，会加剧热高峰，这个细节在结果分析中影响很大。

2.3 时间耦合与储气罐的动态约束

储气罐的作用是在时间维度上解耦天然气供需。它的动态约束为：

code复制V_store(t) = V_store(t-1) + F_in(t) * η_store - F_out(t)

V_store是储气量，F_in和F_out分别是充放气流量，η_store是存储效率。储气罐的容量上下限、充放气速率限制共同构成约束。这个约束之所以关键，是因为它把P2G在凌晨时段产出的甲烷“储存”到早晚高峰使用，从而实现天然气的时间平移——这和电池储能平移电能在逻辑上完全一致。

3. 调度模型数学化的关键决策：目标函数、耦合约束与线性化

3.1 目标函数：经济成本与碳交易成本的加权

我采用的目标函数是系统总运行成本最小化，包括五项：

1. 购气成本（CHP和锅炉的燃料费用）
2. 弃风惩罚成本
3. 碳交易成本（碳排放配额与实际排放量的差值乘以碳价）
4. 设备启停成本
5. 储气罐运行维护成本

用公式表达为：

code复制min Σ [C_gas * F_gas(t) + C_wind * P_wind_curtail(t) + C_CO2 * (E_emit(t) - E_quota(t)) + C_switch * S(t) + C_om * V_store(t)]

其中E_emit(t)是实际碳排放量，等于CHP排放量减去碳捕集捕获量；E_quota(t)是免费配额。碳交易价格C_CO2是外生参数，敏感性分析时可以扫描不同碳价水平看调度策略的变化。

3.2 核心耦合约束一：碳捕集的能耗与效率关系

碳捕集设备的能耗包括两部分：吸收塔溶液泵的电耗和再沸器的热耗。计算式为：

code复制P_cc_load(t) = λ_e * C_capture(t)
H_cc_load(t) = λ_h * C_capture(t)

这里C_capture(t)是t时刻捕集的二氧化碳量，λ_e和λ_h是捕集单位二氧化碳所需的电耗和热耗。实测数据中这两个参数随溶液浓度变化会有波动，但调度模型中取常数是主流做法，误差可接受。需要注意：碳捕集能耗加载在电网和热网上，会增加CHP的等效负荷，因此碳捕集率越高，CHP需要发的电越多——这个循环效应如果不用数学约束显式表达，结果会失真得非常离谱。

这是我踩过的第一个大坑：最初我把碳捕集设施简化成“只扣减碳排放量，不增加系统负荷”，结果调度结果里碳捕集设备满负荷运行，系统总成本反而下降。回头看毫无意义——它白白捕碳却不耗能，当然是“越多越好”。加回能耗约束后，模型才真正开始优化捕集率，而不是无限捕集。

3.3 核心耦合约束二：P2G的碳源约束和甲烷产出

P2G的化学过程分为两步，第一步电解水制氢，第二步氢与二氧化碳在甲烷化反应器中合成甲烷。因此P2G有两个关键输入：电能和二氧化碳，缺一不可。数学上：

code复制C_p2g(t) = α * F_p2g(t)
F_methane(t) = β * F_p2g(t)

F_p2g是P2G消耗的电功率，C_p2g是所需二氧化碳量，F_methane是产出甲烷的功率（按热值折算），α和β是转换系数。这里存在一个硬约束：

code复制C_capture(t) - C_p2g(t) - C_storage(t) ≥ 0

即捕集的二氧化碳要同时满足P2G用碳和封存碳的需求。如果碳捕集量不足，P2G就不能满负荷运行。这个约束把碳捕集设备和P2G牢牢绑定，也解释了为什么单独建P2G模型会导致“无碳可用”的尴尬局面。

3.4 线性化和模型求解的数学问题

上述约束大部分是线性的，但有几个位置产生非线性：

• 最大的非线性来碳交易成本与碳排放量的乘积项——C_CO2 * (E_emit - E_quota)，如果碳价是固定的外生参数，这一项实际是线性的；只有让碳价成为内生变量（阶梯碳价）时才会引入分段线性化。
• 储气罐的充放气同时为0的互斥约束需要用大M法处理。
• CHP出力的可行域是一个多边形（电热耦合区），需要用多个不等式描述。

我在模型里使用的是大M法处理逻辑约束，用分段线性化处理CHP效率曲线。求解器方面，我用的是Gurobi，整数变量大约几十个，连续变量几百个，求解时间在秒级。对于更大规模的系统，可以引入Benders分解或拉格朗日松弛，但那是后话。

3.5 碳交易机制的引入方式

碳配额分配采用的是基准线法——给定每兆瓦时发电量对应的免费排放额度。实际排放量低于配额时，可以出售多余配额获得收益；实际排放高于配额时必须购买碳配额。这个机制反映在目标函数里就是碳交易成本项可以为负，意味着系统可以通过捕碳赚钱，这会影响调度策略。

碳交易价格是模型里最重要的外生参数。我在灵敏度分析中把碳价从50元/吨扫到200元/吨，发现系统行为有显著变化：低碳价时，P2G几乎只用于消纳弃风；碳价抬高后，P2G和碳捕集的利用率显著提升，系统整体碳排放强度下降。这个规律可以帮助决策者判断碳价设计是否合理。

4. 典型日场景下三个调度方案的对比：数值结果与反直觉结论

4.1 工况设置与基准方案

选取冬季典型日数据。电负荷曲线呈现“晚高峰”特征（17:00-21:00为峰值）；热负荷曲线呈现双峰特征（8:00-10:00和18:00-22:00两个峰值）；风电出力夜间大、白天小。我把三种方案做了对比：

• 方案A：不含P2G，不含碳捕集，传统热电联供经济调度
• 方案B：仅含P2G，不含碳捕集（P2G的碳源外购）
• 方案C：P2G与碳捕集设备联合运行

4.2 各方案成本构成与碳排放对比

直接看优化结果：

方案B比方案A总成本降低4.5万元，弃风率从14.2%降到6.8%——P2G的调峰作用立竿见影。方案C在B的基础上总成本再降低6.6万元，碳排放量降低接近35%，弃风率进一步下降到4.1%。整体趋势符合预期，但具体出力的时序安排里有几个反直觉的点。

4.3 反直觉发现一：碳捕集设备在高碳价下抢占了P2G的优先供能权

方案C中，凌晨1:00-5:00风电大发时段，系统优先把电力分配给碳捕集设备而非P2G。原因在于碳捕集消耗的电力直接减少了碳排放量（通过降低排放因子），而P2G消耗的电力只有同时搭配足够的二氧化碳才能带来减排收益。当碳价较高时，碳捕集的边际减排收益大于P2G合成甲烷带来的燃料替代收益。也就是说，P2G和碳捕集不仅在碳源上互补，在电力分配上也会相互竞争，这是建模时完全没有预料到的现象。

4.4 反直觉发现二：热负荷高峰期碳捕集设备不降反升

传统理解中，冬季晚高峰热负荷大，CHP应全力供热，碳捕集设备的再沸器热耗会挤占供热能力，应该降低运行。但优化结果显示，17:00-19:00碳捕集设备处理量反而小幅提升。原因是这个时段也是电价高峰期，系统需要CHP满发满足电负荷——CHP发电量大了，排放量也大了，碳捕集同步提高可以压低碳交易成本。热负荷增加的那部分由燃气锅炉补足，锅炉供热效率的损失换来的是碳排放成本的大幅节约。这是一个典型的全局最优不等于局部最优的例子。

4.5 灵敏度分析：碳价与P2G转换效率的影响

扫碳价从50到200元/吨的过程看，系统碳排放强度和总成本的变化速率不同：碳价超过120元/吨后，碳排放强度下降幅度趋缓，说明系统碳减排潜力接近上限——这时再提高碳价只会增加运行成本，减排效果边际递减。另外把P2G电转甲烷效率从60%调整到70%，弃风率降低并不明显（从4.1%降到3.7%），因为限制风机消纳的主要瓶颈是储气罐容量上限。

5. 代码实现中的坑：数据、参数、调试与复现要点

5.1 数据准备阶段最容易被忽视的问题

负荷曲线必须匹配设备容量。最初我随手生成了一组负荷数据，导致CHP容量不足以满足峰值负荷，模型直接无解。建议先用设备容量反推负荷上下限，确保模型有可行解，再逐步逼近真实数据。

单位统一是另一个高频错误源。功率用MW，能量用MWh，但P2G产气量和储气罐容积用立方米，热负荷用GJ——五个单位制混在同一个模型里必然出错。我在代码里统一用MWh作为能量单位，天然气按热值折算成MWh，CO2按吨计，所有转换系数集中放在一个配置文件里，方便复查。

风电出力的时间序列数据要包含“理论可用出力”而不是“实际出力”——弃风量是由理论可用出力和实际调度出力之差计算出来的。很多人直接把实际出力当作风电上限输入模型，弃风率永远是0，模型就失去了意义。

5.2 边界约束的常见冲突

CHP电热耦合可行域的约束写法最容易导致模型无解。一个典型错误：设定的CHP最小技术出力是30MW，同时规定最小热电比为0.8，那么热出力至少是24MW，但如果热负荷峰值只有20MW，模型在当前时段就陷入矛盾。解决办法是把热不平衡量设为变量并加惩罚系数，允许短时弃热，保证模型有解且能反映热力系统的柔性。

储气罐约束的另一个坑是初始储气量设置。如果初始储气量设为0，但模型没有任何强制平衡周期（如24小时内储气量回到初始值），优化结果会倾向把储气罐放空——这在实际运行中不可行。我在模型里加了周期平衡约束：V_store(24) = V_store(0)，确保一天的充放气总量自平衡。你也可以选择不约束，但要清楚结果的偏差来源。

5.3 编程框架与调试方法论

代码结构我推荐按层次划分：

python复制# 数据层：读取所有参数和预测曲线，统一单位
input_data.py  

# 模型层：构建决策变量、目标函数、约束条件
optimization_model.py  

# 求解层：求解器配置与求解逻辑
solver.py  

# 输出层：结果后处理与可视化
postprocess.py

约束条件的调试建议“逐条解锁”测试：先把所有约束注释掉，只保留设备出力的上下限约束，确认模型有解；然后逐条加入电平衡、热平衡、气平衡约束，每加一条就求解一次，观察目标函数值和变量值的变化。

另外建议每个约束单独写成一个函数并加详细注释。比如P2G的二氧化碳约束函数、碳捕集能耗函数分开放，这样后期定位问题只用二分法排查是哪个约束出错。Gurobi的Irreducible Inconsistent Subsystem功能在排查无解模型时非常有用，它能指出是哪些约束构成了极小不可行集。

5.4 模型参数选取的参考值

以下是我调试时反复调整、最终确定为稳定参考值的参数，方向可供参考：

5.5 后处理与可视化经验

结果后处理最有用的是出力堆叠图。把24小时的电负荷曲线、CHP发电、风电、P2G耗电、碳捕集耗电画在同一张堆叠图上，立刻可以看出系统是否存在时段性的电力缺口或弃风。热平衡图同理。我做了三张图：电功率平衡堆叠图、热功率平衡堆叠图、碳流图（CHP排放→碳捕集→P2G→储气/封存）。碳流图对解释“碳捕集设备为什么在高碳价下优先于P2G获取电力”非常直观。

代码调试有一个细节——别急着换求解器。遇到模型无解，先用线性约束松弛的版本跑通流程，再逐步收紧约束。我有一次花了三天时间检查约束公式，最后发现是储气罐初始容量写成了小数，变成了非整数，与整数变量混在一起导致求解器数值稳定性崩溃。这种问题在Gurobi里往往表现为“Model may be infeasible”的模糊报错，不仔细排查很难发现。

6. 模型扩展与后续方向

这套模型目前是“单区域、单时间尺度、确定性问题”，实际中还有几个方向值得延伸。多区域或多园区互联时，区域间的电、气、碳流动需要引入网络约束，模型从单节点问题变成网络流问题，复杂度上升一个量级；考虑风电出力的随机性，场景法和机会约束规划是两条主流路线，前者需要把每一个风电场都离散成多个场景，计算量成倍增加；把碳捕集的溶液循环储液罐动态特性纳入模型，可以做更精细的“碳捕集率在线调节”。这些扩展都有大量文献可以参考，但如果基础模型建得不扎实，扩展会越做越乱。

我在实际调试中的体会是，P2G和碳捕集设备的联合优化，核心价值不在于设备本身的数学模型有多复杂，而在于碳、电、气、热四种介质在时间维度上的相互制约关系被显式建模。把这个关系吃透，后面的扩展基本就是往框架里填充更多的设备和约束罢了。如果这篇能帮你少走几趟弯路，省下的时间足够把更复杂的场景化模型搭出来。