企业官网建设流程全解析

1. 项目背景与优化问题定义

1.1 为什么把P2G和碳捕集设备放在同一个系统里研究

我做综合能源系统优化调度这块也有几年了，坦白说，早期看到P2G和碳捕集设备的组合模型时，第一反应是“这不就是把两个模块拼一起嘛”，但真正动手复现之后才发现，这两个设备放在一起会产生很强的耦合效应，远不是简单叠加。

先说P2G（Power to Gas，电转气）。它的原理分两步走，第一步是电解水制氢，2H2O电解生成2H2和O2；第二步是氢气和二氧化碳发生甲烷化反应，CO2加4H2生成CH4和2H2O。所以P2G设备本质上是一个“耗电耗碳、产出天然气”的环节。很多人做系统优化时把P2G简化成一个“电转气”的效率模型，忽略了对CO2的消耗，这在单独研究P2G消纳风电时问题不大，但一旦和碳捕集设备联合建模，就必须把这个CO2需求明确写出来，因为碳捕集捕下来的CO2正好可以作为P2G的原料。

碳捕集设备（Carbon Capture System，CCS，项目里具体做的是燃烧后捕集）则是另一个方向，它从CHP机组或锅炉的烟气中把CO2分离出来。主流做法是化学吸收法，用单乙醇胺（MEA）溶液吸收烟气中的CO2，再通过加热再生塔把CO2解析出来。这个过程需要消耗大量蒸汽，如果蒸汽来自CHP机组的抽汽，那就会影响机组的热电出力分配，这个耦合关系直接改变了系统的运行可行域。

两个设备合在一起之后，系统里就形成了一条很有意思的内部循环链路：CHP燃烧天然气发电产热，产生烟气，烟气进碳捕集装置，CO2被分离出来，一部分卖给外部或者封存，一部分送到P2G做甲烷化原料，P2G产出的天然气再回到天然气网络里供气负荷使用。用我的话说，这就等于在系统内部造了一条“碳的传送带”，而整个传送带的驱动力来自风电和电网买来的电。碳排放成本和经济运行成本的目标对冲，就藏在这条传送带的每一个环节里。

1.2 双目标优化为什么选epsilon约束法而不是加权求和

这个项目标题里写得很清楚，要同时优化碳排放成本和运维成本。这是一个典型的多目标优化问题，两个目标之间存在冲突：想多捕碳、多产气，就要多耗电多耗热，运维成本就上去了；想控制运行成本，可能就要牺牲一部分碳减排效益。

很多初学者拿到双目标问题，第一反应是加权求和，把两个目标乘上权重加起来变成一个单目标。我早年也这么干过，但用在实际复现里容易碰到三个麻烦。第一个是量纲问题，碳排放成本是吨乘以碳交易价格，运维成本是设备运维加购能费用，两个数量级可能相差好几倍，权重系数很难解释清楚。第二个是权重本身的主观性，拍脑袋定0.5和0.5，整个系统的最优运行点就变了，别人复现你的结果时没有办法还原你的决策逻辑。第三个也是更本质的问题，加权法在Pareto前沿是非凸的情况下，会漏掉一部分真实的Pareto最优解，画出来的前沿曲线形状是残缺的。

epsilon约束法完全是另一种思路。它把其中一个目标作为主目标，另一个目标转成不等式约束。拿这个项目来说，就是把碳排放成本当成主目标最小化，把运维成本写成约束条件，要求它小于等于某个给定的ε值。每给一个不同的ε，就得到一个不同的Pareto最优解，把ε从最小允许值一路扫到最大允许值，就能得到一条完整的Pareto前沿。

相比加权法，epsilon约束法有几个突出的优点。它不需要预先确定权重，避免了主观性；它每次求解的都是单目标优化问题，可以直接用成熟的求解器处理，比如Gurobi或者CPLEX；它生成的Pareto前沿点分布更均匀可控，可以通过设定等间距的ε序列来控制解的密度。这个方法对非凸问题同样有效，这也是为什么很多SCI一区文章在综合能源系统多目标调度上都采用它。

1.3 复现前需要理清的系统边界和调度尺度

在动手写代码之前，我强烈建议先把系统边界画清楚。这个项目考虑的是典型日前调度场景，时间尺度是24小时，步长1小时，也就是一共24个调度时段。系统内部的设备包括：CHP热电联产机组、燃气锅炉、P2G设备、碳捕集装置、风电机组，以及向上级电网和天然气网的购能接口。电负荷和热负荷是已知的预测值，风电出力是已知的预测序列，这些作为模型的输入参数传入。

这里有一个细节值得注意。标题里强调了“热电联供”，所以CHP在这个系统里承担的是供电压舱石和供热主力军的双重角色。它的电出力和热出力不是独立的，这个耦合特性会在模型里体现为热电联产可行域约束。为了方便建模，我在复现时把CHP按抽凝式机组处理，也就是说在一定的电出力范围内，热出力可以在一定区间内调节，而不是固定热电比。这种处理方式能更真实地反映机组运行灵活性，也是论文里比较常见的设定。

系统与外部网络的交互也需要注意。向上级电网购电是有上下限的，不能无限买；向天然气网购气也有流量上限。这些边界条件在优化模型里都是硬约束，如果漏掉任何一个，求解出来的“最优方案”可能在工程上根本不可行。我在最初复现时漏掉了电网交互功率的爬坡限制，结果算出来的24小时购电曲线在相邻时段出现了剧烈跳变，后来补上约束之后曲线才变得合理。

2. 综合能源系统建模与关键设备数学模型

2.1 电-热-气三种能量流的总体架构

整个系统的能量流动可以用三条主线来梳理。电流方面，风电出力、CHP电出力、上级电网购电共同满足电负荷、P2G设备耗电和碳捕集设备耗电；热流方面，CHP余热和燃气锅炉的出力满足热负荷和碳捕集装置再生塔的耗热需求；气流方面，天然气网购气和P2G产气共同供应气负荷，同时CHP和燃气锅炉消耗天然气。这三条能量流通过CHP、P2G和碳捕集装置实现耦合。

用公式化的语言来写系统的电功率平衡约束：

$$P_{wt}(t) + P_{chp}(t) + P_{grid}(t) = P_{load}(t) + P_{p2g}(t) + P_{ccs}(t)$$

热功率平衡约束：

$$H_{chp}(t) + H_{boiler}(t) = H_{load}(t) + H_{ccs}(t)$$

气功率平衡约束：

$$G_{buy}(t) + G_{p2g}(t) = G_{load}(t) + F_{chp}(t) + F_{boiler}(t)$$

三个公式看着简单，但每一项背后都有设备模型在支撑。尤其是P2G产气量和碳捕集捕碳量之间不是独立的，P2G产气需要消耗CO2，而CO2的来源主要就是碳捕集设备，这就在气平衡和碳排放平衡之间建立了一条隐含的耦合通道。我复现时的体会是，建模阶段最忌讳的就是把每个设备孤立地写成一个效率模型，然后简单叠加，那样算出来的结果看似合理，但实际上忽略了设备间的物质流约束，换一组参数可能就崩了。

2.2 CHP机组的运行可行域建模

CHP在这个系统里是最核心的设备，它的建模质量直接决定了整个优化结果的工程合理性。如果简单地写一个电出力上下限和热出力上下限，那就等于把热电联产机组当成了两个独立设备，完全没有体现“联产”的意义。

我采用的是抽凝式CHP的线性可行域模型。这类机组的特点是：在一定的电出力范围内，可以通过调整凝汽流量和抽汽流量来灵活调节热出力，但电出力和热出力之间存在一个耦合关系，这个关系通常表示为一个多边形可行域。简化的写法是一组线性不等式约束：

$$P_{chp}(t) - c_v \cdot H_{chp}(t) \geq P_{chp}^{min}$$

$$P_{chp}(t) - c_v \cdot H_{chp}(t) \leq P_{chp}^{max}$$

$$0 \leq H_{chp}(t) \leq H_{chp}^{max}$$

其中 cv 是电热特性系数。这组约束的物理意义是：在纯凝工况下机组的电出力有上下限，当从汽轮机抽汽供热时，凝汽发电能力下降，所以电出力和热出力之间存在一个反向的线性折减关系。虽然我在复现时对原论文的可行域做了一定简化（没有考虑背压工况段），但对日前调度这个尺度来说精度已经足够。

另外CHP机组的爬坡约束也不能忽略：

$$-R_{chp}^{down} \leq P_{chp}(t) - P_{chp}(t-1) \leq R_{chp}^{up}$$

如果不加爬坡约束，优化器可能会让机组从一个极端工况瞬间跳到另一个极端工况，这在数学上可行，但在物理上不可实现。我在最初复现时偷懒跳过爬坡约束，结果Pareto前沿上的某些解出现了很不合理的功率跳变，后来补上之后情况立刻就好了。

2.3 P2G设备的能量转化与CO2消耗关系

P2G设备的建模看起来简单，就是一个输入电功率、输出天然气功率的效率模型，但里面有几个坑值得单独说。

第一个坑是效率的层级。P2G的电转气全过程包含电解和甲烷化两个环节，每个环节都有各自的效率。在日前优化调度中，为了保持模型线性，通常把两个环节合并成一个总效率η_p2g，输入电能到输出天然气功率的关系写成：

$$G_{p2g}(t) = \eta_{p2g} \cdot P_{p2g}(t)$$

这个处理方式是论文里最常见的简化方式，它隐含假设了电解槽和甲烷化反应器在中低负载率下效率基本不变。实际操作中这个假设是可接受的，因为P2G在这个系统里主要承担的是消纳多余风电和利用捕集CO2的角色，不是作为主力供气源。

第二个坑是CO2消耗约束。P2G甲烷化反应需要CO2，根据化学反应计量关系，每生成1单位的CH4（按能量计），大约需要消耗固定比例的CO2质量。这个比例在模型中通常写成：

$$M_{co2, p2g}(t) = \beta_{p2g} \cdot G_{p2g}(t)$$

其中 βp2g 是CO2消耗系数。这笔CO2需求从哪里来？一部分来自碳捕集设备，不足的部分可能需要外购。如果系统里碳捕集的量不够P2G使用，就会产生额外的碳源成本，这个关系在做双目标优化的时候会自动体现出系统内部的权衡。我在代码里把CO2平衡写成了单独的约束块，并把它与碳排放成本目标函数关联起来，这样做的好处是，后续如果想研究“碳捕集容量配置”或“P2G规模扩展”这类问题，只需要改设备上限参数，不需要动主体模型框架。

第三个坑是P2G设备的运行上限和爬坡限制。P2G的电解槽虽然调节速度快，但也不能在1小时内从0跳到满负荷，我在复现时给它加了简化的爬坡约束。另外，P2G的启停会影响电解槽寿命，有论文做了启停惩罚项，但在这个项目里为了保持模型简洁，没有加入整数变量来精确建模启停状态，而是通过最小出力限制来近似避免频繁启停。如果你的场景对设备寿命损耗很敏感，可以考虑加入二进制变量，代价是求解时间会明显增加。

2.4 碳捕集设备的能耗与捕碳量模型

碳捕集设备的建模，核心要搞清楚三件事：捕了多少碳、消耗了多少热、消耗了多少电。

捕碳量取决于进入碳捕集装置的烟气量和捕集率。烟气量跟CHP机组和锅炉的燃料消耗量直接相关，燃料烧得越多，烟气CO2越多。简化模型里，系统产生的CO2总量可以近似写成：

$$E_{total}(t) = \alpha_{gas} \cdot (F_{chp}(t) + F_{boiler}(t)) + E_{grid}(t)$$

其中 αgas 是天然气燃烧的碳排放因子，Egrid(t) 是购电对应的间接碳排放。碳捕集装置捕集CO2的量是：

$$M_{capture}(t) = \eta_{ccs} \cdot k_{capture} \cdot E_{total}(t)$$

这里 kcapture 是碳捕集系统的CO2捕集率，通常取0.85到0.9。被捕获的CO2分两路走，一路作为P2G原料，一路可以外送或封存。在本文模型里，我优先让被捕集的CO2去满足P2G需求，富余量才算作系统的碳减排量。

碳捕集装置的能耗是模型里最容易被忽略、但影响又很大的部分。溶剂再生塔需要蒸汽，这个蒸汽在本文模型中折算为热功率消耗 Hccs(t)，而吸收塔的风机、泵等辅助设备需要消耗电功率 Pccs(t)。这两部分能耗都跟处理的CO2量成正比，写成线性模型：

$$H_{ccs}(t) = \lambda_h \cdot M_{capture}(t)$$

$$P_{ccs}(t) = \lambda_e \cdot M_{capture}(t)$$

λh 和 λe 分别是单位捕碳量的热耗和电耗。这就是我之前说的耦合来源——碳捕集设备自己会“吃掉”一部分热和电，而这部分能量供给又分流了CHP和燃气锅炉的出力，对电负荷平衡和热负荷平衡都会产生压力。

我复现时曾经想过把捕集设备的能耗设成常数拉倒，结果发现捕碳量大时能耗占比相当可观，低负荷时又显得浪费。后来坚持用与捕碳量线性相关的模型，整个系统的运行结果合理多了。

2.5 储能设备和其他系统约束

原项目标题里没有提到储能设备，但我在复现时发现如果不加任何储能，系统的灵活调节能力会明显受限，尤其是当夜间风电出力大而电负荷小时，多出来的电只能通过P2G消化，P2G容量不够就得弃风。如果你参考的论文里带了电储能和热储能，那模型会更丰富，但要做的工作量也会大不少。

考虑到原项目是复现文章基础版配置（不含储能），我在主体代码里没有加入电储能和热储能，而是用P2G作为柔性负荷来提升风电消纳率。在讨论部分，如果后面想做扩展，把储能加进去是比较自然的方向。

其他系统约束还包括：电网交互功率上下限、气网购气量上下限、风电出力上限（即预测可用功率）、P2G和碳捕集设备的容量上限，以及各设备出力的非负约束。这些约束不是凑数的，每一个都对应着实际工程中的物理边界。写模型的时候，我建议把所有变量统一一个备用命名规则，比如P_开头的都是电功率，H_开头的都是热功率，G_开头的都是气流量，M_开头的都是CO2质量流，这样调试代码的时候能省下大量时间。

3. 双目标优化模型与epsilon约束算法实现

3.1 目标函数一：碳排放成本的定义与计算方式

碳排放成本是本项目的核心目标之一。它不是简单地把系统总碳排放量乘以碳价，而是要引入碳配额的概念，这是很多论文里都在用的机制。系统实际碳排放量超过配额的部分需要花钱购买碳排放权，低于配额的部分则可以出售获利。

碳配额的设定方式直接影响了碳排放成本的计算结果。常见的做法是按机组出力和发电量的比例分配免费配额，CHP机组发电越多，分到的配额越多，这是对供热为主的机组的一种政策倾斜。我在复现时采用的配额模型是：

$$E_{quota}(t) = \gamma_{elec} \cdot P_{chp}(t) + \gamma_{heat} \cdot H_{chp}(t)$$

其中 γelec 和 γheat 分别是单位电出力和单位热出力对应的碳配额系数。碳捕集系统捕集的CO2从总排放中扣除，所以系统实际需要购买配额的碳排放量为：

$$E_{net}(t) = E_{total}(t) - M_{capture}(t)$$

最终碳排放成本目标函数：

$$f_1 = \sum_{t=1}^{24} c_{co2} \cdot (E_{net}(t) - E_{quota}(t))$$

c_co2 是碳交易价格。这个模型算出来的碳排放成本可以为正也可以为负。如果碳捕集量足够大，E_net 小于配额，那系统实际上是卖碳配额获利，碳排放成本就是负数，这是完全合理的，代表低碳运行带来了经济收益。这一点在结果讨论时很值得讲，因为它直观展示了碳捕集设备的经济价值。

3.2 目标函数二：系统运行维护成本的定义

第二个目标函数是系统运行维护成本，在优化模型里它通常包含三块：向上级电网购电的费用、向天然气网购气的费用、各设备运行维护费用。

购电费用是分时电价结构，我采用峰谷平三段式电价，这在复现案例里比较常见。购气费用则按照天然气价格乘以购气量计算。设备运维费用采用单位出力的运维成本率乘以出力的形式，包括CHP、燃气锅炉、P2G和碳捕集设备各自的运维费用。综合起来：

$$f_2 = \sum_{t=1}^{24} [c_{buy}(t) \cdot P_{grid}(t) + c_{gas} \cdot G_{buy}(t) + \sum_{i \in \Omega} c_{om,i} \cdot P_i(t)]$$

其中 Ω 是所有设备的集合。注意我这里用P_i表示设备出力，对于产热设备在代码里要换成热量单位，否则量纲会出问题。写代码时我建议把目标函数二单独封装成一个函数，方便调试和对比不同参数下的成本结构。

有一点要提醒：碳排放成本里已经包含了碳交易费用，所以运维成本里不要再重复加任何碳相关费用，否则两个目标的物理含义就说不清了。这也是双目标建模时常见的边界混淆陷阱。

3.3 epsilon约束法的原理与完整伪代码

epsilon约束法的本质是将多目标问题转化为一系列带约束的单目标问题，具体到这个项目，就是保留碳排放成本作为主目标，把运维成本加上一个上限约束：

$$\min f_1(x)$$

$$\text{s.t.} \quad f_2(x) \leq \varepsilon_i$$

$$x \in \Omega_{feasible}$$

其中 Ω_feasible 是原问题的所有约束集合。每取一个不同的 εi 值，就求解一次上面的单目标问题，得到一组最优解和对应的两个目标函数值。把所有的 εi 遍历完，就得到了Pareto前沿的离散近似。

写代码的时候，ε序列怎么取是需要认真考虑的。通常的做法是，先单独最小化f1得到最优值f1_min，同时记录这个解对应的f2值，记为f2_max（因为在这个解下f2一般是最大的）；再单独最小化f2得到f2_min，同时记录对应的f1值。然后就可以确定ε的取值范围是[f2_min, f2_max]，把这一整个区间均匀分成N段，就得到了N+1个ε值。

我做的算法伪代码如下：

输入：系统参数、负荷数据、风电数据 输出：Pareto前沿点集合 Step 1: 求解约束化问题 求解 min f1，仅含原始约束，得到f1_min和对应的f2_max 求解 min f2，仅含原始约束，得到f2_min和对应的f1_max Step 2: 确定epsilon序列 设区间步长delta = (f2_max - f2_min) / N 生成序列 epsilon_i = f2_min + i * delta, i = 0, 1, ..., N-1 Step 3: for i = 0 to N-1: 求解 min f1 约束条件 = 原始约束 + f2 <= epsilon_i 记录解 x_i，计算f1_i和f2_i 将(f1_i, f2_i, x_i)加入Pareto集合 Step 4: 对Pareto集合做非支配排序，剔除被支配解 Step 5: 计算折中解（采用模糊隶属度法）

这里有一个细节值得多说一句。第5步非支配排序不是可选项。由于整数变量的存在，某些ε值下求解出来的点可能不是严格最优的，或者出现两个不同ε对应同一个解的情况，导致前沿上出现冗余点。做一遍非支配排序可以把这些冗余点剔除，让Pareto前沿更干净。我在第一次写代码时跳过了这一步，画出来的前沿曲线有毛刺，加上之后平滑了很多。

3.4 折中解的选择方法与工程意义

Pareto前沿上的每个点都是数学意义上的最优解，但工程上，最终只能选一个调度方案执行。怎么选？这里需要引入一个“折中解”的概念，最常用的方法是模糊隶属度函数法。

对Pareto前沿上的每一个解k，计算它在第m个目标上的满意度：

$$\mu_{k,m} = \frac{f_{m}^{max} - f_{k,m}}{f_{m}^{max} - f_{m}^{min}}$$

然后把每个解对所有目标的满意度取平均：

$$\mu_k = \frac{1}{M} \sum_{m=1}^{M} \mu_{k,m}$$

满意度最大的解就是折中解，它的物理意义是两个目标的综合表现最均衡。在本文的双目标问题中，折中解对应的调度方案既不会太追求碳减排而让运维成本飙升，也不会太抠成本而让碳排放失控。

我用这个方法选出的折中解，两个目标值大概都处于各自极值区间的中间偏低碳一侧。这也是符合直觉的，因为碳交易价格给定的情况下，适当的碳捕集投入会带来碳配额的收益，相当于给系统增加了一个收入来源，所以折中解不会极端偏向单纯的经济最优。

4. Matlab代码实现与调试要点

4.1 开发环境与工具箱配置

整个项目我用的是Matlab R2023a版本，建模用YALMIP工具箱，求解器用Gurobi 10.0。YALMIP是Matlab环境下非常好用的优化建模语言，它的设计思路是让你用接近数学公式的方式写优化模型，然后自动调用后端求解器求解。

安装配置方面有几点经验分享。第一，Gurobi安装后需要获取license，学术用户可以直接申请免费license，个人用完全够。第二，Matlab里要用Gurobi，需要运行gurobi_setup脚本把路径加入Matlab环境中，然后在YALMIP里用solvesdp或者optimize时指定solver='gurobi'。第三，YALMIP版本不要太老，老版本对Gurobi新版本的支持有问题，我遇到过接口不兼容导致Gurobi一直报错的情况，升级YALMIP后就好了。

如果你的电脑没装Gurobi，用YALMIP自带的求解器比如sedumi或SDPT3也能算，但对大规模MILP问题求解速度会慢很多。这个项目是24时段的混合整数线性规划，变量规模不算特别大，用sedumi也许能跑，但我建议直接用Gurobi，效率高一个量级。

4.2 决策变量与主程序框架设计

我把整个程序分成四个模块：数据参数模块、模型定义模块、epsilon求解模块、结果分析模块。模块化的好处是，后续调整碳价、负荷曲线或者设备参数时，不需要动模型主体代码。

数据参数模块用结构体存储所有参数，包括系统参数、设备参数、电价气价、负荷曲线、风电预测数据等。我专门用一个init_parameters.m文件来写，方便对比不同场景时直接修改参数文件。

模型定义模块的核心代码如下：

% 决策变量定义（以24时段为例） P_chp = sdpvar(1, 24, 'full'); % CHP电出力，kW H_chp = sdpvar(1, 24, 'full'); % CHP热出力，kW P_boiler = sdpvar(1, 24, 'full'); % 燃气锅炉热出力，kW P_p2g = sdpvar(1, 24, 'full'); % P2G输入电功率，kW G_p2g = sdpvar(1, 24, 'full'); % P2G输出天然气功率，kW P_grid = sdpvar(1, 24, 'full'); % 电网购电功率，kW G_buy = sdpvar(1, 24, 'full'); % 气网购气流量，kW M_capture = sdpvar(1, 24, 'full'); % 碳捕集量，kg P_wt = sdpvar(1, 24, 'full'); % 风电出力，kW

注意这里我用sdpvar而不是binvar，意味着这些变量默认是连续变量。CHP的启停状态在这个简化模型里没有显式建模，因为阶梯式最小出力可以通过可行域约束来近似。如果你参考的论文里考虑了启停，你需要额外引入binvar变量，模型的求解复杂度会上升不少。

4.3 约束条件的代码实现细节

约束条件在YALMIP里就是一堆等式和不等式，逐条写上去就行。但有几个细节要注意。

第一个是气平衡约束里的单位统一。天然气有体积（立方米）和能量（kWh）两种计量方式，模型里我用的是能量单位kW，气体负荷和P2G产气都用kW表示。如果你从外部数据源拿到的气负荷是立方米，需要乘以天然气热值换算（1立方米天然气约9.7kWh）再传入模型。

第二个是电功率平衡约束里，碳捕集设备的电耗不是独立变量，它是M_capture的函数，所以不需要单独定义变量，直接在约束里写成lambda_e乘以M_capture就行。同理，热平衡约束里碳捕集热耗也是M_capture的函数。

第三是P2G的CO2消耗约束，这里要连接M_capture和G_p2g。代码里我写的是一个等式约束：

M_co2_p2g = beta_p2g * G_p2g; % CO2消耗量 Constraints = [Constraints, M_co2_p2g <= M_capture]; % 捕集CO2优先给P2G

直接写成等式的话，系统会强制所有P2G消耗的CO2都来自碳捕集，这在建模里有点太紧了，万一捕集量不够，P2G就不能满发，导致弃风加剧。我在复现时给P2G留了一条外购CO2的口子：

M_co2_buy = sdpvar(1, 24, 'full'); Constraints = [Constraints, M_co2_p2g == M_capture_to_p2g + M_co2_buy];

然后在目标函数里对外购CO2加一个惩罚成本。这样做的好处是模型更贴合实际工程，缺点是目标函数里多了一项，碳排放成本的含义会稍微变化。如果只想忠实复现论文，不加外购CO2的口子问题也不大，因为大多数论文里都默认捕集CO2足够P2G使用。

4.4 epsilon循环求解的代码框架

epsilon循环是整个程序的核心，它把单目标优化问题包在循环里反复求解。我写的代码框架大致是这个样子：

% 第一步：求两个单目标极值 optimize(Constraints, f1, ops); f1_min = value(f1); f2_at_f1min = value(f2); optimize(Constraints, f2, ops); f2_min = value(f2); f1_at_f2min = value(f1); % 第二步：确定epsilon序列 N = 20; epsilon_seq = linspace(f2_min, f2_at_f1min, N); % 第三步：循环求解 pareto_f1 = []; pareto_f2 = []; for i = 1:N epsilon = epsilon_seq(i); Constraint_eps = [Constraints, f2 <= epsilon]; optimize(Constraint_eps, f1, ops); pareto_f1 = [pareto_f1, value(f1)]; pareto_f2 = [pareto_f2, value(f2)]; end

有一个小坑要注意，linspace生成的epsilon序列，如果N取得很大，比如50以上，相邻两个epsilon对应的最优解差异可能很小，求解时间成倍增加，但Pareto前沿的改善很有限。我试过N=30和N=15，前沿曲线差别肉眼几乎看不出，所以一般取N=15到20就够用了。

另外，每次求解前不需要清理工作区变量，但建议在循环体内把上一次的optimize结果用assign函数重新赋值，避免YALMIP里面有些变量的初始值残留影响求解。我在写第一版代码时因为没注意这个问题，出现了偶发的不收敛，排查了很久才发现是上一次求解的初始点没有清理。

5. 算例分析与结果讨论

5.1 案例系统参数设置与数据说明

复现论文时，算例参数设置是最让人头疼的部分。原论文的详细参数往往藏在附录里，公众号或者复现包里一般只给一个大概的配置。我的做法是参考原论文里给出的系统结构图和数据表格，尽量还原一个典型冬季日的调度场景。

我这里提供一组基准测试参数，供没有原论文数据的读者参考：

电负荷和热负荷数据我采用的是典型冬季日的24小时曲线，峰值电负荷约2800kW，峰值热负荷约2200kW，风电出力夜间高白天低，有明显的反调峰特性。这些数据都放在init_parameters.m里，一行一个数组，方便替换。

5.2 Pareto前沿的形态与关键解读

跑完epsilon循环之后，把得到的(f1, f2)点画在二维坐标上，就是Pareto前沿。在我的基准算例下，前沿曲线呈现典型的下降趋势：碳排放成本从低到高变化时，运维成本从高到低变化，两个目标呈现明显的冲突关系。

曲线左侧（碳排放成本低、运维成本高）对应的是碳捕集设备全力运行、P2G尽可能多地消纳风电并制气的状态。这个时候CHP可能会降低出力，由电网购电和风电来平衡负荷，因为CHP燃烧天然气会产生大量CO2，增加碳排放成本。但同时，电网购电成本高，P2G运行也要耗电，所以运维成本上去了。

曲线右侧（碳排放成本高、运维成本低）则是相对保守的运行状态。碳捕集设备可能低负荷运行，P2G也不太开，系统主要靠CHP和燃气锅炉供能，从电网购电尽量少，这样设备运维和购能成本最低，但碳排放量最大，碳排放成本自然就高。

折中解落在前沿曲线的中间偏左位置。用模糊隶属度法选出来的折中解，碳排放成本比最小值大约高百分之二十左右，运维成本比最小值大约高百分之十左右，这个比例在不同碳价下会变化。碳价越高，折中解越偏向低碳侧，这说明碳交易机制对系统低碳转型有明确的引导作用。

5.3 不同碳价下的系统运行策略演变

我额外做了一组敏感性分析，把碳交易价格从60元/吨一直加到200元/吨，观察折中解对应的各设备出力变化。

碳价低的时候，系统倾向多开CHP，因为碳排放的惩罚成本低，CHP的效率优势能充分体现，P2G和碳捕集设备的利用率都不高。碳价升高之后，系统开始减少CHP出力，增加电网购电，同时碳捕集设备和P2G的利用率明显上升。碳价在150元/吨以上的时候，P2G基本处于满发状态，碳捕集设备也接近上限运行，系统几乎把所有能捕的碳都捕下来了。

这个结果从工程角度看很有参考价值。它说明碳捕集设备和P2G的投资是否能收回成本，很大程度上取决于碳交易价格水平。碳价太低的时候，这套设备就是纯成本项；碳价够高，它们才真正变成盈利单元。在做方案规划时，这些设备配置的边界条件就是碳价，而不是单纯的技术可行性。

5.4 风电消纳与碳捕集的联动效应

另一个值得关注的结果是风电消纳率。由于P2G的存在，夜间风电大发时，P2G会大量消纳风电来制气，这直接提升了系统整体的风电消纳率。在折中解下，风电消纳率可以达到95%以上，接近完全消纳。

更有意思的是，风电消纳和碳捕集之间存在一个双向促进的联动效应。P2G制气需要CO2，而碳捕集设备捕碳越多，P2G的原料就越充足。当碳价较高时，系统愿意投钱让碳捕集设备满负荷运行，捕下来的CO2一路送进P2G，P2G制气再替代一部分外部购气，形成了“高碳价→多捕碳→多产气→少购气→更低碳排放”的正向循环。这条循环链在结果图上看得很清楚，碳价从80元/吨升到160元/吨的过程中，购气量下降的幅度非常可观。

这个联动效应在单目标优化模型里也能体现，但双目标Pareto前沿把它呈现得更直观——前沿上的每一个点，实际上是这个循环链在不同“强度”下的运行结果。从低碳端到低成本端，对应的是这条循环链从“全力拉满”到“基本关停”的渐变过程。

6. 复现踩坑记录与后续扩展方向

6.1 建模阶段的高频错误

我在复现过程中踩了不少坑，有些问题折腾了大半天才找到原因。这里整理一个速查表，给后来者省点时间。

第一个问题其实是最常见的，新手写约束时容易忘记“出力非负”这种默认常识。YALMIP里如果变量没有加非负约束，求解器可能会让变量取负值来降低目标函数，结果就是负产气量，这在物理上完全说不通。

6.2 求解性能优化的实际经验

这个项目的MILP模型规模不算大，变量数量大约在两三百个量级，约束条件几百条，Gurobi求解单目标问题通常几秒到几十秒就能收敛。但epsilon循环要跑20次，加上两个极值点的求解，整体耗时大约几分钟到十几分钟。

如果想进一步提高求解效率，我有几个实践经验。第一，打开Gurobi的MIP gap容差限制，设到1%甚至2%，求解时间能缩短一半以上，对日前调度结果的影响很小。第二，给整数变量提供好的初始解，可以先用一次不加整数约束的松弛求解结果作为初始点，MIP的搜索会快很多。第三，如果机器内存不够或者求解时间太长，可以适当减少epsilon序列的个数，N从20减到12，前沿曲线形态变化很小，但时间能省将近一半。

6.3 从复现到扩展：几个值得尝试的方向

完成了基础版的复现，读者完全可以在这个模型基础上做扩展。我列几个我认为有价值的扩展方向。

第一个是加入储能设备。电储能可以平抑风电波动，热储能可以解耦CHP电出力和热出力，让CHP在碳价高时少发电、多产热，配合储能满足热负荷。加入储能后，风电消纳率和整体经济性都会有明显改善，这是一个值得做的方向。

第二个是把确定性优化换成鲁棒优化或随机优化。风电出力和负荷预测都是有误差的，把不确定性描述成场景集或模糊集，用分布鲁棒优化来处理，能让调度结果在真实运行中更可靠。这也是目前综合能源系统研究的前沿热点。

第三个是考虑碳捕集设备的动态特性。本文用的是线性静态模型，但实际碳捕集设备的溶剂循环、吸收塔负载变化都有动态过程，在更细的时间尺度（比如15分钟）下，动态建模会显著影响碳捕集量和能耗的精确度。

第四个是增加需求侧响应。电负荷和热负荷不完全是刚性的，引入可平移负荷、可削减负荷，让负荷侧参与系统调节，能在不大幅增加运行成本的前提下进一步降低碳排放。

6.4 关于论文复现心态的一点建议

最后说点题外话。复现一篇SCI论文的代码，很多时候最难的并不是优化算法本身，而是弄清楚论文里没有明说的那些前提条件。我复现这个Energy一区文章时，光是理解原系统的能量流框架和碳流框架就花了不少时间，参数调校又花了不少时间。这个过程确实煎熬，但一旦模型跑通，Pareto前沿画出来，你会有一种“终于拿到钥匙”的感觉。

我的建议是，不要指望一次性把整个系统全部跑通，先从最基本的版本开始，比如先用单目标优化只优化运维成本，把模型跑通，确认结果合理，再加入碳排放目标、再把epsilon循环加上。每一步都验证一下输出结果的合理性，这样出问题时你能快速定位是哪个环节的问题。我自己吃过这个亏，一上来就写双目标加epsilon循环，结果怎么调都出不来合理的Pareto前沿，后来回退到单目标排查，才发现是CHP可行域约束的符号写反了。

这个项目后续还可以做很多花样，但我觉得最核心的收获不是代码本身，而是建模思路：当你面对一个有多个设备、多股能量流、多种目标的系统时，怎么把它分解成可求解的数学问题，怎么判断哪些细节要精细建模、哪些地方可以简化处理，这种判断力才是做研究工作真正需要积累的东西。