做综合能源系统优化调度的同学最近应该经常碰到类似“计及碳捕集电厂低碳特性需求响应综合能源系统多时间尺度优化调度”的长标题。名字虽然长但拆开看其实很清晰第一块是碳捕集电厂怎么建模第二块是需求响应怎么进调度第三块是多时间尺度滚动优化的框架怎么搭最后用MATLABYalmip把它们编译成一个可以求解的优化程序。这个方向在低碳园区、区域能源规划、火电灵活性改造里都有很强的应用场景也是这几年科研和工程仿真里的热门切入点之一。这篇文章不打算堆理论主要是把我在这个项目里从模型构建、代码实现到算例调试的完整过程讲清楚顺便把那些常规论文里不写的坑也一并说出来。如果你正准备做类似的低碳综合能源调度程序或者刚把Yalmip装上想找一个能落地的参考框架这篇应该能帮你少走不少弯路。1. 项目核心思路与整体架构1.1 为什么要把碳捕集电厂和需求响应放在一起考虑综合能源系统里的常规调度目标就是经济性最优电、热、气各种能量流按照成本最低的方式分配就行。但一旦把碳捕集设备加入到电厂侧问题性质就变了。碳捕集装置不是一个固定负荷它的捕集强度是可以调的电厂可以选择多发电但同时多捕碳、也可以少发电来减少能耗本质上是在“发电收益”和“碳排放控制”之间做动态决策。需求响应则是从负荷侧找灵活性。园区里的空调、电锅炉、充电桩、工业电机很多都是可以在一定范围内调起来的柔性负荷。这部分资源如果不用那系统调峰就只能靠机组硬扛如果用起来就可以削峰填谷给碳捕集设备腾出运行空间。这两个资源放在同一个优化模型里就形成了一个联动逻辑负荷高峰时系统不让电厂降出力而是通过需求响应把峰值压下来同时碳捕集装置在低谷时段加大捕集率多消耗一部分低成本电能把整体碳排放摊平到全天。这种联动如果只做单时间尺度调度效果会打折扣因为负荷和新能源预测是随时间变化的所以需要一个日前、日内、实时层层递进的调度框架。1.2 多时间尺度调度到底解决什么问题很多人第一次听到“多时间尺度”会觉得这是个很高大上的概念实际上它就是用滚动优化去应对预测误差思路和自动驾驶里的预测控制差不多。日前调度做的是24小时的大局规划时间粒度一小时把所有机组的启停、储能的充放电计划、碳捕集装置的分时捕集策略都算出来。日内调度则往前看4到6小时时间粒度15分钟用更新的风光负荷预测去修正日前计划里的偏差。实时调度再往下细化到5分钟甚至更短主要做安全校正处理比如某台机组爬坡跟不上、某条线路越限这样的紧急问题。这个三层框架的价值在于日前调度保证了经济性日内调度保证了鲁棒性实时调度保证了安全性。真正实现的时候不需要三个模型都写得非常复杂工程上常用的做法是日前用一个完整的MILP模型日内把部分整数变量固定下来只调整连续量实时阶段做灵敏度性修正这样计算负担会小很多。1.3 选择MATLABYalmip的原因和总体流程这个项目用MATLABYalmip的组合算是电力系统优化方向的默认选项了。Yalmip是一个建模工具箱它最大的优点是不用关心底层求解器的具体调用方式你可以先用optimize命令把模型跑通之后再换求解器做对比。整个项目流程分四步走先搭数据文件把负荷、风机、光伏、碳价这些时序数据准备好再写模型文件定义决策变量和约束然后调用求解器跑优化最后把结果画出来做对比分析。我自己的习惯是每个步骤拆成独立脚本不要全都塞在main函数里否则后续改参数会很痛苦。下面的章节就按这个流程逐个展开。2. 关键模型构建与公式拆解2.1 碳捕集电厂的低碳运行特性建模碳捕集电厂里最核心的概念是净出力。常规机组计划一个出力值这个值直接等于发电功率但碳捕集机组不是这样它发出的电能分成两部分一部分上网另一部分要被捕集装置消耗掉用来驱动再生塔、压缩机和泵。所以净出力等于总发电功率减去捕集能耗。用符号表达就是P_net(t) P_gross(t) - P_capt(t)。这里的P_capt与CO2处理量直接相关处理得越多能耗越高。正常情况下捕集能耗占机组总出力的10%到20%不等具体的比例和捕集技术路线强相关。建模时我建议大家把“捕集率”设成一个连续决策变量捕集率在0到最大值之间可调这样模型才具备“碳捕集负荷可调节”的特性。捕集率太低时虽然机组净出力变大但碳排放成本高捕集率太高时净出力受到挤压可能无法满足负荷需求。调度模型在这两头之间寻找最优平衡点这正是低碳调度区别于传统调度的核心差异。如果还要把富液罐、贫液罐这类储液系统考虑进去那模型会更接近真实电厂但复杂度和求解难度也会明显上升。初次做这个方向的话建议先把捕集装置当成一个可调负荷建模跑通以后再往里面加储液罐状态。2.2 需求响应的三分类建模思路需求响应在综合能源系统里不是一种资源而是种类繁多的资源集合。我习惯把负荷分成三类第一类是可转移负荷比如工业流程中的某些工序、洗衣房设备它可以在允许的时间窗内从一个时段挪到另一个时段但全天总用电量不变。这类负荷用“转移量”作为决策变量约束条件是转移前后总电量守恒。第二类是可削减负荷比如空调和照明削掉一部分用户舒适度会下降但系统不用补回电量。这类负荷需要设置削减量的上下限以及在目标函数中加上对应的补偿成本。第三类是弹性负荷比如电价敏感的充电桩它的用电量跟随实时电价波动。这种负荷适合用价格弹性系数来刻画弹性系数越大负荷对电价变化的响应越明显。不管哪种类型建模时都要加一个约束需求响应不能只是简单地把负荷从高峰挪到低谷否则经常会出现削峰变成填谷、低谷时段反而出现新的负荷尖峰的情况。所以要么限制单时段最大总响应量要么对响应后的等效负荷曲线设定一个上限约束工程上这步很关键。2.3 综合能源系统的耦合约束与目标函数综合能源系统比纯电力系统复杂的地方在于电、热、气之间的耦合。典型元件包括燃气轮机同时发电和产热、余热锅炉、电锅炉、P2G设备电转气、储能电池和蓄热罐。这些元件之间靠能量平衡约束耦合在一起。目标函数方面常规做法是把燃料成本、购电成本、碳交易成本、需求响应补偿成本、弃风弃光惩罚成本、储能损耗成本加在一起求最小。碳交易成本的计算有两种常见方式一种是基于碳配额排放量超过配额就要买碳权少于配额可以卖另一种是直接按实际碳排放量乘以碳价。第二种更直观程序实现也更容易。剩下那些机组爬坡约束、储能SOC递推约束、备用容量约束都属于标准内容大家在别的综合能源项目里也应该写过很多次这里不展开。但要注意单位统一功率用MW、能量用MWh、价格用元/MWh不要把MW和MWh混着用否则算出来的目标函数会差出好几个量级。3. 基于MATLABYalmip的程序实现3.1 程序文件结构与数据准备我最终跑通的程序文件组织如下main.m主文件负责设置算例参数并调用建模、求解、绘图函数。case_data.m返回基础数据包含24小时负荷曲线、风电光伏预测曲线、机组参数、碳价、需求响应价格等。build_model.m接收数据并返回Yalmip变量、约束集和目标函数。solve_and_plot.m调用求解器并把调度结果画成图。为什么不建议把所有内容放一个文件因为综合能源系统变量动辄几百个约束也有几百条混在同一个脚本里一旦报错定位问题非常痛苦。分成独立文件后你可以在调试时先用load方式加载数据再单独查看约束是否越界。数据准备阶段有几个容易忽略的细节。风电和光伏的数据要用同一时间粒度的归一化曲线配合装机容量换算成实际功率。碳价如果是分时碳价要跟在目标函数里对应PCO2的时段相乘如果是固定碳价就直接设一个标量。需求响应补偿价格往往比上网电价低取值过大或过小都会让结果失真我一般参考同类文献设20到50元/MWh。3.2 核心代码框架和关键变量定义下面给出一段核心代码框架省去了具体数据但结构是完整可参考的。%% main.m 核心框架 clc; clear; close all; % 加载算例数据 [Load, Pwind, Ppv, Price, CarbonPrice, GenParam] case_data(); H 24; % 调度时段数 %% 决策变量定义 % 机组净出力 P_net sdpvar(H,1); % 机组总发电功率 P_gross sdpvar(H,1); % 碳捕集功率 P_capt sdpvar(H,1); % 捕集率 Crate sdpvar(H,1); % 需求响应负荷调整量 DR sdpvar(H,1); % 储能充放电功率 P_ch sdpvar(H,1); P_dis sdpvar(H,1); SOC sdpvar(H1,1); % 弃风弃光量 P_curt sdpvar(H,1); Constraints []; %% 电力平衡约束 Constraints [Constraints, ... P_net P_dis - P_ch Pwind - P_curt DR Load]; %% 碳捕集约束 Constraints [Constraints, ... 0 Crate 0.9]; Constraints [Constraints, ... P_capt GenParam.K * Crate .* P_gross]; %% 净出力与总发电功率关系 Constraints [Constraints, ... P_net P_gross - P_capt]; %% 储能SOC递推 Constraints [Constraints, ... SOC(2:H1) SOC(1:H) P_ch * GenParam.eta_ch - P_dis / GenParam.eta_dis]; Constraints [Constraints, ... 0.2 SOC(2:H1) 0.9]; %% 目标函数 Objective sum(GenParam.cost .* P_gross) ... sum(CarbonPrice .* P_gross .* (1 - Crate)) ... sum(Price .* DR * GenParam.dr_price) ... sum(GenParam.curtail_penalty .* P_curt); %% 求解设置 ops sdpsettings(solver, cplex, verbose, 2, ... cplex.mip.tolerances.mipgap, 0.01, ... cplex.timelimit, 300); result optimize(Constraints, Objective, ops);上面这段代码只展示了核心骨架实际项目中还要补充机组爬坡约束、热平衡约束、备用约束等。特别要提醒的是捕集率与捕集功率之间的线性化方式如果K乘Crate再乘P_gross出现两个连续变量相乘就是一个双线性项。要么把它线性化要么把Crate设成分段常量。最简单稳妥的办法是用一组0-1变量把P_gross离散成分段区间在每个区间内Crate独立可调这样就转成了混合整数线性规划。3.3 求解器设置与调试经验MATLAB窗口里跑这种规模的模型求解时间通常在几十秒到几分钟之间。如果出现跑半天不出来大概率不是求解器不行而是模型有问题或者参数没设置好。我从实际项目里总结三步调试法。第一步先把整数变量全部去掉或者把捕集率固定成常数看连续松弛解能不能正常出来。连续问题很快能求解就说明模型至少是可行的。第二步逐步加回整数约束观察哪些约束组合导致求解时间骤增。第三步给求解器设一个mip gap和time limit比如mip gap设置为1%时间限制300秒这样哪怕最优解没找到程序也能返回一个可用的近优解不至于一直空跑。Yalmip里还有一个很实用的命令是sol optimize(Constraints, Objective, ops)后检查sol.info。如果返回的是Successfully solved说明求解成功如果返回Infeasible先检查那些等于约束的维度是否冲突比如净出力上限和碳捕集下限是否同时要求成立。很多不可行问题都是因为可调范围太小把两个本就矛盾的条件硬塞在了一起。4. 算例结果分析与问题排查4.1 典型算例设置与结果对比为了验证程序效果我搭了一个中等规模的测试系统。系统内包含一个250MW的燃煤碳捕集电厂、80MW风电、50MW光伏、20MW/40MWh储能以及一个15MW的需求响应资源池。碳价设为60元/吨弃风弃光惩罚设为100元/MWh。这个算例我跑了四个场景结果很有说服力场景总运行成本万元碳排放吨弃风弃光率不含碳捕集82.56805.2%固定碳捕集90.15403.8%可调碳捕集需求响应87.34651.6%可调碳捕集需求响应日内滚动86.24481.2%固定碳捕集虽然碳排放低但总成本反而最高原因是捕集装置全天满负荷运行净出力被压缩系统不得不外购更贵的电。加入需求响应后成本降了下来再叠加日内滚动更新后弃风率从3.8%降到1.2%碳排放也进一步降低。这组结果说明了一个关键结论碳捕集装置的“可调性”比“捕集能力”本身更重要。如果你把捕集率设成一个全天不变的固定值那碳捕集就退化成了一个纯耗电负荷只有让它跟随系统碳价和负荷变化灵活调节才能发挥真正的低碳调度价值。4.2 常见问题与调试技巧速查表写这类程序最常见的问题其实就那么几类我整理了一张速查表遇到问题可以直接对照找思路。现象常见原因解决思路求解器返回不可行捕集功率范围与净出力下限矛盾缩小捕集率上限或增大机组最大出力求解时间过长双线性项未线性化检查是否存在连续变量相乘用分段线性化处理储能SOC越界初始SOC与实际调度周期不匹配设置SOC(1)并检查充放功率上限是否遗漏需求响应导致新峰值缺少单时段最大响应量约束增加响应量上限或对等效负荷设峰荷限制碳排计算偏大未计捕集后剩余排放碳排放应乘(1-Crate)不是直接乘总发电量结果对碳价不敏感碳价在目标函数中的权重太小检查碳价单位核对与发电成本是否同一量纲另外有一个经验需求响应补偿成本不要设得太低否则模型会把所有可调负荷全部用掉来削峰导致结果过于理想。实际工程中补偿成本越低确实越愿意调用但这个响应量一定有一个上限而且用户舒适度惩罚也要考虑进去。4.3 从算例程序到研究报告的扩展建议跑通一个基本调度程序后下一个常见需求就是把它扩展成能写进论文或报告的完整方案。扩展方向有很多我只说我实际做过、觉得效果比较明显的几个。第一个方向是加多目标。原始目标函数是单目标求最小成本但如果想让结果呈现“成本-碳排放”的帕累托前沿可以通过加权法或约束法把碳排放变成第二个目标。这样出来的曲线很有价值也能让评审或者导师看到你模型的解释能力。第二个方向是处理不确定性。风光的预测误差是影响日内滚动效果的主要因素可以把日前调度里的随机变量换成鲁棒优化或者用场景法生成多个可能的误差场景让求解结果在多种情况下都可行。这部分工作量和难度都会上一个台阶但也是题目深挖空间最大的地方。第三个方向是结果可视化。Yalmip得到的调度结果就是一串数字直接列成表格不够直观。我一般画三张图第一张是机组净出力、风电、光伏、储能和负荷的功率平衡堆叠图第二张是碳捕集率随时间的变化曲线这张图能直接看出低碳调度策略的内在逻辑第三张是日内滚动调度与日前调度的计划偏差曲线用来展示预测修正的效果。我自己在实际操作中最深的体会是不要一上来就把模型写成最完整的版本先跑一个只含电力平衡和机组约束的简化模型确认代码链路没问题再逐步添加碳捕集、需求响应、多时间尺度模块否则调试的成本会成倍增加。碳捕集这块尤其如此很多人卡在“双线性项怎么处理”这个点上我的建议是先用表格离散法把问题简化成线性规划结果合理了再考虑更精细的建模。后续如果想继续扩展我建议沿着“碳捕集储液罐动态模型”和“源荷双侧不确定性鲁棒调度”这两个方向深入它们是目前这类题目里最容易被审稿人和工程评审认可的亮点。
