风光互补制氢合成氨系统容量-调度优化Python复现实战

做这个项目复现的起因是对着一篇学位论文里的算例折腾了很久。那篇论文做的是并网/离网两种模式下的风光互补制氢合成氨系统容量-调度优化，算例结果很漂亮，风电光伏配比、电解槽容量、储氢罐大小、氨产量曲线都有，但正文里没有给完整参数，只有目标和约束的大致描述。读的时候觉得“也就那样，我上我也行”，真正动手用Python复现的时候才发现，从模型到数据，每个环节都藏着细节。

这类系统的核心逻辑其实不复杂：风电和光伏发电，一部分电给电解槽制氢，氢气连同氮气进合成氨装置产出氨，多余的电和氢可以储存起来，并网模式下还能和电网交易。复杂的地方在于两个问题绑在一起——系统里每一台设备容量该建多大，是规划问题；在给定容量下，每个小时的电怎么分配、储氢罐怎么充放，是运行问题。容量变了，最优调度跟着变；调度策略变了，最优容量也变。这就是标题里“容量-调度优化”六个字的分量。

这篇文章按我自己做项目复现的实际顺序来讲：系统物理构成、数学模型怎么搭、Python代码怎么组织、容量和调度怎么联合求解，最后是复现过程中踩过的坑。适合正在做新能源制氢、综合能源系统优化方向的学生和工程师参考，尤其是打算复现论文代码但不知道从哪下手的读者。

1. 风光互补制氢合成氨系统：先搞清楚我们在优化什么

1.1 系统的物理构成与能量流

风光互补制氢合成氨，本质上是把不稳定的可再生能源转换成稳定可储存的化学产品。系统由这些部分组成：风力发电机组、光伏阵列、电解水制氢装置、氢气储罐、合成氨单元，以及配套的电力变换和控制系统。制氢装置目前工程上常用碱性电解槽，也有用PEM电解槽的，两者在效率和最低负荷率上有差别，我后文会细说。

能量流可以这样理解：风电和光伏发出的电汇入母线，母线电量优先供给电解槽制氢，多余部分在并网模式下可以上网，在离网模式下只能依赖储能或者限制出力。电解槽产出的氢气先进储氢罐缓冲，再按合成氨单元的用氢需求供给，合成氨单元将氢气和氮气在高温高压催化条件下合成为氨，最终形成可运输的化工产品。

这条能量链有一个天然的时间解耦作用：风光出力波动是小时级的，而合成氨单元一旦运行就不希望频繁启停。储氢罐在这里起到类似“蓄水池”的作用，把波动的产氢和相对平稳的用氢衔接起来。这是调度模型里非常重要的一环，很多复现代码没有把储氢动态建模清楚，结果就是氨产量跟着风光波动乱跳，一看就不合理。

1.2 容量优化和调度优化为什么必须联合建模

我最初也想过简单处理：先凭经验固定一个容量配置，跑一次调度优化，然后手动调容量。跑了几轮发现这种思路行不通——风光资源、电价结构、设备成本参数不同，最优容量配置差别非常大，手调根本找不到最优解，而且容量和调度之间是双向耦合的。

举个具体例子：电解槽容量建大了，光照充足的时段可以多产氢，但投资成本也高；建小了，风光大发时氢气产量受限，白白弃风弃光。而最优电解槽容量取决于它在全年调度中实际能利用多少小时、能替代多少外购电，这个信息只有做过调度模拟才拿得到。反过来，储氢罐容量越大，调度时越能平滑电解槽出力，但这又会影响电解槽的最优容量。所以容量和调度本质上是一个联合优化问题，分开解会丢失关键的耦合信息。

行业里常见的解法是双层优化框架：外层搜索容量配置，内层在固定容量下求解逐时调度问题，把内层最优运行成本返回给外层作为适应度评价。逻辑上很清晰，工程上也很好落地，我的复现代码最终就走这个路线。

1.3 并网与离网：两种模式下优化逻辑的根本差异

并网模式下，系统的功率平衡约束多了一个与电网的交互项，电价高的时候可以卖电获利，风光不足时可以购电维持生产。这相当于电网提供了一个近似无限容量的“储能池”，系统的自平衡压力小很多，优化结果往往倾向于适度缩小储氢规模，因为电网兜底了。

离网模式完全不同。系统没有电网兜底，任何时刻都必须靠自身的光伏、风电和储能来满足需求。这里会出现“可靠性”约束的问题——某时段风光出力不够，储氢也放完了，系统就不得不削减氢产量。这种失负荷（氢产量缺口）成本必须放进目标函数，否则模型会给出一个容量很小但完全不可靠的方案。

我在代码里用了一个比较实用的处理方式：给氢产量不足加惩罚项，惩罚系数取合成氨产品的单位缺货成本。这样模型会在“多建设备减少缺货”和“少建设备承受惩罚”之间自动权衡，更贴近实际投资决策的逻辑。

2. 数学模型是怎么一步步搭起来的

2.1 目标函数的设计：成本往哪里算，收益从哪里来

我采用最小化年化总成本作为目标函数，包含四大部分：设备投资年化成本、运行维护成本、并网交互成本和缺氢惩罚。目标函数写成这样：

code复制min C_total = C_inv + C_om + C_grid + C_penalty

如果做的是经济性分析，也可以改成最大化年净利润，在目标函数里加上售电收益和售氨收益，原理一样，只是项数更多。这里有一个必须注意的点：投资成本要年化，否则时间维度不对。年化因子的公式是：

code复制CRF = r * (1 + r)^n / ((1 + r)^n - 1)

其中 r 是折现率，n 是设备寿命。风电、光伏、电解槽、储氢罐、合成氨单元的寿命各不相同，要分别算年化系数，不能偷懒统一用一个系数。就这一个细节，我在复现时搞错过一次，结果风电和光伏的容量配比和原论文差了将近20%。

并网交互成本这一项，在并网模式下是购电费用减去售电收益，电价按时段变化；在离网模式下这一项直接置零，同时增加缺氢惩罚项。所以同一个目标函数框架可以覆盖两种模式，只是开关不同。

2.2 风光与电解槽建模：时序出力与动态特性

风电出力工程上最常用的方法是风速-功率曲线。以某型风机为例，切入风速3m/s，额定风速12m/s，切出风速25m/s，在切入和额定之间，功率按风速的三次方关系上升。

光伏出力相对简单：P_pv(t) = eta_pv * G(t) * A_pv，其中 eta_pv 是光伏组件效率，G(t) 是太阳辐照度，A_pv 是光伏阵列面积。但这里要小心效率不是常数，温度升高时组件效率会下降，如果原论文考虑了温度修正，你也要加上温度修正项，否则夏季出力会偏高。

电解槽是系统里最需要精细建模的设备。它有两个关键特征：一是效率随负荷率变化，二是运行范围有下限。碱性电解槽通常在20%~40%负荷率以下不能稳定运行，这意味着调度模型里必须加入最小出力约束，否则会出现频繁启停、低负荷运行等现实里根本不允许的方案。

我还加了一个启停成本项去抑制电解槽的频繁启停。如果不加，模型会在电价谷段频繁开关电解槽来省那一点点运维成本，实际工程里这是非常伤设备的操作。

2.3 合成氨单元与储氢环节的约束处理

合成氨单元建模的关键是氢氮比3:1，以及氨合成的转化率限制。严格来说，合成氨塔内的反应动力学非常复杂，但在容量-调度优化这个尺度下，没有必要建那么细。简化模型可以假设合成氨单元的用氢速率在一定范围内可调，且设定最小连续运行时间约束，避免氨产量曲线剧烈波动。

储氢罐的动态约束是调度模型的核心之一：

code复制SOC(t+1) = SOC(t) + (m_H2_in(t) - m_H2_out(t)) / C_H2 * dt

其中 SOC 是当前储氢水平，C_H2 是储罐容量，m_H2_in 和 m_H2_out 分别是充放氢速率。这里单位一定要统一，氢量要么都用kg，要么都用Nm3，千万别混。我曾经因为氢气密度换算问题，储氢罐容量和实际差了6倍，排查了半天才发现是单位问题。

储氢罐还需要设定初始SOC，一般取50%，并加上周期约束让末时段SOC回到初始值，否则模型会通过“把储氢罐放空”来降低目标函数，得出完全不合理的解。

电网交互约束在并网模式下很简单，就是一个功率上限：

code复制0 <= P_buy(t) <= P_grid_max
0 <= P_sell(t) <= P_grid_max

离网模式下这两个变量直接置零，功率平衡方程里也不再有电网项。

3. Python代码实现：从数据预处理到求解器调用

3.1 整体架构：按模块拆解，别写成一坨

写这类优化代码最忌讳把所有内容堆在一个.py文件里。我按功能把项目拆成了这几个模块：

code复制project/
├── data/          # 气象数据、电价数据、设备参数
├── models/        # 目标函数与约束条件
├── solver/        # MILP求解封装
├── outer_algo/    # 外层容量优化算法（PSO）
├── utils/         # 数据处理、场景缩减等工具
├── main.py        # 程序入口
└── config.py      # 全局参数配置

config.py 里集中放所有设备参数和优化参数，这样换一组数据或者调参数只用改一个文件，不用满项目找。models 目录下的约束函数是纯函数，输入是决策变量和参数，输出是约束表达式列表，这样便于单独测试每个约束。

3.2 风光时序数据的获取与场景缩减

风光出力数据是调度的基础。气象数据我用的NASA POWER数据库，免费、接口稳定、覆盖全球，直接按经纬度和时间范围拉取。但要注意两点：一是NASA POWER的辐照度单位是kWh/m²/day，要换算成W/m²才能用于小时级计算；二是它给的是地表风速，要换算到轮毂高度，公式是：

code复制v = v_ref * (h / h_ref)^0.14

其中 h_ref 是测量高度，h 是轮毂高度。这个指数0.14是经验值，不同地表粗糙度会略有差异。

如果直接跑全年8760小时，模型规模会很大。工程上常用典型日或场景缩减来压缩问题规模。我用了K-means聚类，把全年日数据聚成12个典型日（春夏秋冬各取3类），每类附带一个权重代表该类场景在全年中出现的天数比例。这样调度模型的计算量降到原来的十分之一，结果仍然能反映季节性规律。

3.3 线性化处理与求解器选型

这个模型是混合整数线性规划（MILP），因为二进制变量（设备启停）和分段线性函数的存在。求解器我用的Gurobi，学术免费，MILP求解速度在同类求解器里属于第一梯队。如果手头没有Gurobi，用开源的CBC或SCIP也能跑，只是模型规模大时求解时间会明显变长。

风电功率曲线和电解槽效率曲线都是非线性函数，但都可以用分段线性近似。Gurobi支持FAC_PLUS或FAC_PWL参数来建立分段线性约束，Pyomo的Piecewise组件也封装了这套逻辑。分段数我取了6段，精度足够了，分段太多会引入大量额外变量，求解速度明显下降。

电解槽启停用二进制变量y_on表示，如果y_on=0则出力为0，如果y_on=1则出力在最小值和最大值之间：

code复制P_el_min * y_on(t) <= P_el(t) <= P_el_max * y_on(t)

这种经典的big-M约束在MILP里非常常见，但要小心大M值不要取得过大，否则会破坏求解器的数值稳定性。我一般取设备额定容量的1.2倍作为M值。

4. 联合优化框架：容量层与调度层怎么联动

4.1 双层迭代思路：外层PSO，内层MILP

我在第1节说过，容量和调度必须联合求解。落地的方案就是双层迭代：外层用粒子群算法搜索容量配置，内层用Gurobi求解该容量下的最优调度，返回最小运行成本。

外层粒子群的每个粒子代表一组容量配置，比如：

code复制[风电装机MW, 光伏装机MW, 电解槽MW, 储氢罐容量kg, 合成氨单元容量kg/h]

每个粒子的适应度 = 该容量配置下的投资年化成本 + 内层调度返回的最优运行成本。PSO迭代30~50次后收敛到最优容量配置。这里有个工程技巧：内层MILP求解结果要缓存。因为PSO种群中很多粒子离得很近，缓存在一定迭代次数内直接复用，能省大概20%的求解时间。

4.2 一体化MILP建模的可行性

可能有人会问：为什么不把容量变量和调度变量放进同一个MILP模型里直接解？理论上完全可以，容量变量就是第一阶段决策变量，调度变量是第二阶段决策变量，构建一个大MILP让Gurobi一次解出来。

但实际跑下来发现，一体化模型的规模太大了。以12个典型日、每典型日24小时、每小时约40个变量为参考，加上容量相关的二进制变量，总变量数好几万个，其中带整数性质的变量数千个。Gurobi能解，但求解时间常常超过几个小时，而且对内存要求高。在论文里一体化模型是“可行”的，在工程复现场景下，我更推荐双层迭代方案，一个多小时能出一组完整的容量-调度结果，调试效率完全不同。

4.3 收敛性处理与PSO参数整定

PSO算法本身容易早熟收敛，尤其当变量维度高、搜索空间大时。我做了两件事来改善：第一，种群规模取40~60，惯性权重从0.9线性递减到0.4，加速常数c1=c2=2；第二，PSO收敛后，用局部搜索在最优解附近再做一次细粒度搜索，比如把每个容量变量以5%步长上下微调，重新评估适应度，往往能找到比PSO直接结果更优的配置。

另外要特别注意容量变量的取值范围。风电装机如果设[0, 500MW]，粒子群会在超大范围里乱飞，收敛慢且容易陷入局部最优。我根据负荷水平和场址资源条件，把每个变量的搜索上下界设在一个合理区间内，比如风电取[50, 200MW]，光伏取[30, 150MW]，这样搜索效率高得多。上下界的依据是：氨产量目标乘以单位氨耗氢量、单位氢耗电量，大致能推出制氢需求总电量，再结合典型日风光出力的小时数，就能估算出装机量级。

5. 复现过程中踩过的坑与结果校验

5.1 数据问题：单位、口径与源头追溯

这可能是复现论文代码最容易翻车的地方。我遇到的头号问题是辐照度单位。NASA POWER下载的太阳辐照度默认单位是kWh/m²/day，这是日均辐照量的累计值，不是瞬时功率。如果直接当成W/m²来算光伏出力，光伏装机算出来会大一个数量级，结果自然是错的。换算方法很简单：日均辐照量除以24小时，再乘以1000转成W/m²。

第二个坑是风速数据。NASA POWER的地表风速通常是在10米高度测的，而风机轮毂高度可能是80米甚至100米。必须用幂指数公式换算到轮毂高度层，否则低风速时段占的比例不对，风电年利用小时数会明显偏低。

第三个坑是原论文没有公布完整的设备成本参数。这类参数在论文里往往只给一个“单位投资成本”表格，甚至只给汇总结果。我的做法是参考相近领域论文和工程报告补全参数，然后在config.py里集中标注参数来源。如果发现复现结果和原论文对不上，先检查是不是参数口径不一致，而不是怀疑模型写错了。

5.2 求解性能问题：整数变量太多、求解时间爆炸

我第一次跑全年8760小时的并网模式MILP时，Gurobi跑了将近3个小时还没收敛，gap停在2%左右。后来做了两处优化，求解时间降到5分钟以内。

第一处是用典型日场景替代全年小时级数据。12个典型日聚类下来，模型规模缩到原来的十分之一。这个处理精度损失不大，因为容量配置呈现的是季节性规律，典型日能够保留季节特征。第二处是审查整数变量。我发现电解槽启停变量其实可以不要，改为最小出力约束加上一个“最小运行时间”约束，就能表达实际运行约束，同时省掉大量二进制变量。合成氨单元也类似，只留启停变量，中间环节不再额外设二进制变量。

还有一个技巧是给Gurobi设置求解参数：MIPGap控制在1e-3，TimeLimit设为600秒，超过时限就接受当前最优可行解。在优化研究里，严格最优证明虽然是必要的，但工程复现时，一个gap在1%以内的可行解已经足够指导决策了。

5.3 结果合理性校验：对照工程常识和原论文指标

模型跑通之后，不要急着把结果写进报告，先做合理性校验。我会检查以下几项：

第一，功率平衡是否逐时满足。我会把风电出力、光伏出力、购电、售电、电解槽用电逐时加总，应该严格等于0（考虑损耗）。如果有偏差，优先检查平衡方程里的正负号。

第二，设备利用率是否在合理范围。风电年利用小时数如果在2000~3500小时之间，光伏在1000~1800小时之间，说明容量配置匹配了当地资源条件。如果算出来风电年利用小时数才800小时，说明要么数据换算错了，要么风电机组装机明显过大。

第三，对照原论文的关键指标。通常论文会给出最优容量配置和年运行成本，如果复现值和论文值相差超过15%，就要回头逐步检查参数。我这边最终并网模式复现的容量配置与原论文误差在5%以内，离网模式误差稍大，约8%，原因是离网模式下缺氢惩罚系数的取值有主观性，不同取值对容量配置影响显著。

第四，看调度曲线的形态。电解槽出力曲线应该比较平滑，不会频繁跳变；储氢罐SOC应该在5%~95%之间上下波动，不会一直贴着边界跑。这些曲线形态异常往往是约束漏掉的信号。

最后说一点我做这类项目复现的个人体会：数学模型的功夫在模型之外，对物理系统运行方式的理解、对工程参数的量级感觉、对求解器数值特性的把握，这三样缺一不可。纯照抄论文公式是复现不出好结果的，你得在Python代码里把这些约束用工程语言重新表达一遍，中间自然会遇到一堆论文没写的细节问题。能把这些问题一个个解决掉，这个复现项目才算真正做透了。