企业官网建设流程全解析

看到这个题目我太熟了，这不就是这两年IES领域最常被翻牌子的优化调度方向之一嘛。说是"复现"，实际上论文里一堆参数和约束写得含含糊糊，真要跑通、跑出和原文趋势一致的结果，没点踩坑经验还真容易卡死。这篇我就把这套策略从建模到MATLAB求解的完整思路捋一遍，把我实际跑代码时趟过的雷也一并交代清楚，希望能让正在读文献的你少走点弯路。

1. 复现前必须想明白的三个问题

1.1 这个课题到底在优化什么

先说最根本的问题：综合能源系统优化调度，本质上是在满足电、热、气各类负荷需求的前提下，让整个系统的运行成本最低、碳排放最少。听起来简单，但一旦把"综合需求响应"和"阶梯型碳机制"加进来，事情就变得复杂起来。

综合需求响应（IDR）不是说简单地让用户少用点电，而是通过价格或者激励手段，引导用户调整电、热、气多种能源的用能习惯和用能时段。比如电价高的时候，电负荷可以转移一部分到低谷时段，或者用燃气替代一部分用电需求，这就是"综合"两个字的核心——多种能源之间的互补与替代。

阶梯型碳机制则是碳交易市场的产物，它把碳排放权分成几个区间，每个区间的碳价不一样，排得越多，碳价越高。这个机制的设计初衷就是让高排放企业付出更高的经济代价，从而倒逼低碳转型。

所以整个优化调度策略要回答的核心问题是：在24小时的时间尺度上，如何安排各设备的出力、如何制定需求响应方案、如何购买碳配额，才能让总成本最小，同时保证系统安全稳定运行。

1.2 核心难点到底卡在哪

我刚开始读这类文献的时候，觉得建模思路挺清晰的，但真正动手后才发现难点不在"理解"，而在"建模粒度"和"求解复杂度"的平衡上。

首先是设备模型。电转气（P2G）、燃气轮机、电锅炉、储电储热、余热回收……每个设备都有各自的效率曲线、爬坡约束、启停约束。把这些设备全部用线性化方程表示出来，约束条件会膨胀到几百条，变量也会多出好几个量级。

其次是需求响应建模。你要是只做"削峰填谷"式的简单建模，那就是用可转移负荷把高峰负荷挪到低谷，用0-1变量表示转移状态，这还算好处理。但综合需求响应还涉及到"电转热"、"电转气"这样的能源替代行为，比如电价过高时，用户可以选择用燃气锅炉供暖而不是电采暖。这种行为建模起来就是一个非线性耦合关系，处理不好很容易把模型变成非线性规划，求解难度直线上升。

最后是阶梯碳机制的引入。它不是简单地加一个碳成本项到目标函数里，而是会引入分段函数，而分段函数在优化里通常意味着0-1变量和线性化逼近，这会让模型多出一大批整数变量。整个模型最后大概率是一个混合整数线性规划（MILP）问题，规模不大但很典型。

1.3 为什么选MATLAB而不选Python

这一步估计是很多人的疑惑。其实Python的PuLP、Pyomo也能做优化建模，但坦白讲，在能源系统调度领域，MATLAB + YALMIP + CPLEX/Gurobi这个组合仍然是目前文献复现的主流配置，没有之一。

原因其实很现实：YALMIP这个工具箱对"优化问题建模"的支持太成熟了，它能把优化问题的目标函数和约束条件以非常接近数学公式的方式写出来，这也是复现文献时最看重的一点。因为你要对照论文里的公式，一行行验证自己的代码有没有写错，YALMIP的语法天然适合这种工作流。

还有一个很实际的理由：你搜到的参考文献十有八九都附带了MATLAB代码或者MATLAB风格的伪代码，用MATLAB去复现代码是一致的语言，而Python还得做一层翻译转换，出错了很难排查。

2. 数学模型详解：从目标函数到约束条件

2.1 目标函数：成本项拆解

在做复现时，我建议先把目标函数拆成四块来看：购能成本、设备运行维护成本、碳交易成本和需求响应补偿成本。

目标函数可以写成：

% 目标函数代码骨架（详细代码见后续章节） Objective = Cost_energy + Cost_om + Cost_carbon + Cost_dr;

购能成本指的是系统从外部购买电力和天然气的费用。这里有个细节要注意：购电价格往往分为峰谷平三个时段，对应不同的电价；购气价格则相对稳定。我复现时遇到过一个问题，就是没有把分时电价对需求响应的影响真正耦合起来——这个后面细说。

设备运行维护成本比较好理解，就是燃气轮机、锅炉、P2G等设备在运行过程中产生的维护费用，通常与设备出力呈线性关系。

碳交易成本是重头戏。阶梯型碳机制下的成本函数长这样：

碳交易成本 = 碳价 * 实际碳排放量 - 免费碳配额

但实际上，阶梯碳机制下，碳价是分段的。假设你排了2500kg碳，免费配额有2000kg，那你需要购买的配额是500kg。这500kg又被分成不同的区间，前300kg是一个碳价，剩下的200kg是一个更高的碳价。这个函数在目标函数里就是分段函数，处理起来需要引入辅助变量和0-1变量。

需求响应补偿成本则是付给用户的。用户响应了削峰指令，把负荷从高峰时段转移走，系统需要给用户一定的补偿，这个补偿和负荷转移量以及转移时长有关。我在文献里看到过两种处理方式：一种是直接按转移量线性补偿，另一种是阶梯式补偿。我在复现时用的线性补偿，效果已经不错了，阶梯式补偿会带来额外的整数变量，对求解速度影响很大。

2.2 约束条件：比想象中多得多

约束条件看起来多，但仔细梳理下来就四类：功率平衡约束、设备出力约束，以及储能约束和需求响应约束。

功率平衡约束是系统建模的核心。电、热、气三种能量都要满足各自的平衡关系。以电功率平衡为例，需要满足：

购电功率 + 燃气轮机发电 + 风电出力 + 储电放电 = 电负荷 + 电锅炉耗电 + P2G耗电 + 储电充电

这里最容易出错的地方是P2G的建模。P2G先把电转化成氢气，氢气又可以和二氧化碳反应生成天然气，但这个过程在简化的调度模型里通常被处理成一个"电转气"的效率环节，也就是耗电量转成天然气产气量，产气量有上下限约束。这个简化处理在多数文献里是通用的，但你要是想把动态特性也加进去，模型复杂度就完全不同了。

设备出力约束就比较好理解。燃气轮机的出力功率有上下限，爬坡速率也是关键约束——上一时刻和这一时刻的出力差不能超过爬坡限值。这个约束对调度结果的"平滑性"影响很大，我调试代码时发现，如果不加爬坡约束，燃气轮机的出力曲线会非常跳跃，完全不符合实际。

储能约束相对复杂，因为储能设备有自身的状态连续性。储电设备的SOC（荷电状态）是一个动态递推公式：今天的末尾SOC = 昨天的末尾SOC + 充电效率充电功率 - 放电效率放电功率。这个递推关系在约束里体现为一条跨时段的等式链。很多复现代码写不出来或者写错了，问题就出在这个递推没有处理好。

2.3 阶梯碳机制处理的关键技巧

阶梯碳机制的分段成本函数，处理起来是我觉得整个模型中最考验技巧的部分。这里我分享一种常用且高效的线性化处理方法。

假设碳排放量被分为三个阶梯，每个阶梯的碳价递增。那么需要引入三个连续变量 ( c_1, c_2, c_3 ) 来代表每个阶梯的实际碳排放量，以及三个0-1变量 ( z_1, z_2, z_3 ) 来指示是否达到了该阶梯。

约束条件大致如下：

% 阶梯碳建模示意 C_total = C_1 + C_2 + C_3; % 总碳排放量 C_total = C_actual_total; % 实际总碳排放 % 第一阶梯约束 C_1 <= Cap_1 * z_1; C_1 >= 0; % 第二阶梯约束 C_2 <= Cap_2 * z_2; C_2 >= Cap_1 * z_2; % 只有当第一阶梯满了，第二阶梯才开始

这里还有一个细节：分段碳价和免费配额的关系。有些论文采用"碳排放量减去免费配额后，超出部分才参与阶梯计价"的处理方式，也就是阶梯对应的是"购买量"而不是"排放量"。这两种处理在语义上差很多，复现的时候一定要看清论文用的哪种，不然碳成本的计算结果会完全对不上。

3. MATLAB复现实操：环境配置与代码结构

3.1 环境准备：工具箱和求解器怎么选

复现这个课题，先把环境准备好。我自己用的是MATLAB R2021a版本（其实R2019以上都行），需要额外装两个东西：YALMIP工具箱和求解器。

YALMIP是一个MATLAB优化建模工具箱，它最大的价值在于让你用接近数学语言的方式表达优化问题，然后由它底层调用具体的求解器。安装方式很简单：去GitHub下载YALMIP的源码包，把yalmip文件夹加到MATLAB路径即可。

求解器方面，我强烈建议用Gurobi或者CPLEX，它们是商业求解器，对MILP问题的求解效率远高于MATLAB内置的intlinprog。不过这两个求解器都需要申请学术许可。如果你没有学术许可，也可以先用MATLAB自带的intlinprog将就一下，模型规模小的话也能跑，但求解速度会慢不少。

配置完成后，在MATLAB里测试一下：

% 测试YALMIP是否安装成功 x = sdpvar(1,1); optimize([x >= 0, x <= 1], -x); value(x) % 应该输出 1

如果能正常输出1，说明YALMIP和求解器都已经正确配置了。

3.2 数据准备：负荷和风电的典型日曲线

复现过程中，数据的选取直接决定了结果图长什么样。我发现很多新手不知道这部分才是"最耗时"的环节。

你需要准备的数据包括：24小时的负荷数据（电负荷、热负荷、气负荷）、24小时的风电出力数据、分时电价数据、天然气价格、各设备的效率参数、储能设备参数等。

如果论文没有给出具体数据，通常的做法是采用一个典型日的场景：冬季或者夏季的典型日负荷曲线。负荷曲线通常保留两位小数，风电数据则是一个0到1之间的归一化数值乘以装机容量。

我实际用的数据大概长这样：

% 24小时电负荷数据（单位：kW） P_load = [280 260 250 240 230 240 260 320 380 420 450 460 440 430 420 410 400 420 450 480 470 420 380 320]; % 分时电价（单位：元/kWh） price_electricity = [0.4 0.4 0.4 0.3 0.3 0.3 0.5 0.7 0.8 0.9 0.9 0.8 ... 0.7 0.6 0.5 0.5 0.6 0.7 0.8 0.9 0.8 0.6 0.5 0.4]; % 风电归一化出力曲线 P_wind_norm = [0.3 0.35 0.4 0.45 0.5 0.45 0.3 0.2 0.15 0.1 0.12 0.15 ... 0.2 0.18 0.15 0.12 0.1 0.15 0.2 0.25 0.2 0.15 0.12 0.1];

数据这块要特别注意：不同设备的单位可能不一样。比如燃气轮机的发电效率是40%，天然气的热值是9.7kWh/m³，如果单位换算错了，整个模型的结果都会是错的。我在复现时专门写了一个参数初始化脚本，把所有单位统一成kW和kWh，这样后期调试会省心很多。

3.3 核心代码框架：YALMIP搭建优化模型

接下来是核心部分，我用YALMIP搭建整个优化模型。以24小时调度为周期，时间步长为1小时，每个决策变量都是24维的向量。

决策变量包括：购电功率、购气量、燃气轮机出力、P2G出力、电锅炉出力、储电充放电功率、储热充放热功率，以及需求响应相关的负荷转移量。

这样定义变量：

%% 定义决策变量 P_buy = sdpvar(1, 24); % 购电功率 Gas_buy = sdpvar(1, 24); % 购气量 P_gt = sdpvar(1, 24); % 燃气轮机发电功率 P_p2g = sdpvar(1, 24); % P2G耗电功率 H_eb = sdpvar(1, 24); % 电锅炉产热功率 % 储能设备 P_ch = sdpvar(1, 24); % 储电充电功率 P_dis = sdpvar(1, 24); % 储电放电功率 H_ch = sdpvar(1, 24); % 储热充电功率 H_dis = sdpvar(1, 24); % 储热放电功率 % 需求响应相关 P_shift = sdpvar(1, 24); % 电负荷转移量（正为转入） P_cut = sdpvar(1, 24); % 电负荷削减量 H_shift = sdpvar(1, 24); % 热负荷转移量

搭建约束条件时，YALMIP的逻辑非常直观，基本上就是照着数学公式来写。比如电功率平衡约束：

%% 电功率平衡约束 C_ele_balance = []; for t = 1:24 C_ele_balance = [C_ele_balance, P_buy(t) + P_gt(t) + P_wind(t) + P_dis(t) + P_shift(t) == P_load(t) + P_p2g(t) + P_eb(t) + P_ch(t) + P_cut(t)]; end

这里要注意，我们的储能设备不能同时充放电，所以需要加一个互斥约束：

%% 储能互斥约束 z_ch = binvar(1, 24); % 充电状态指示 z_dis = binvar(1, 24); % 放电状态指示 C_storage = [z_ch + z_dis <= 1]; C_storage = [C_storage, P_ch <= P_ch_max * z_ch]; C_storage = [C_storage, P_dis <= P_dis_max * z_dis];

这个互斥约束是复现代码时特别容易忽略的。很多新手直接写 ( P_ch \le P_ch_max ) 和 ( P_dis \le P_dis_max )，但忘了加上 ( z_ch + z_dis \le 1 ) 这个约束，结果求解器会让储能一边充电一边放电，白白损耗能量，那结果看起来肯定很荒唐。

3.4 碳成本模块的实现

碳成本模块是全模型中最容易出问题的地方。这里我给出阶梯碳机制的一个完整 YALMIP 实现例子：

%% 阶梯碳成本建模 % 碳排放总量计算 Carbon_total = sum(P_gt * e_gt + P_buy * e_grid + H_gb * e_gas + P_p2g * e_p2g); % 免费配额 Carbon_quota = quota_total; % 实际需要购买的排放量 Carbon_purchase = Carbon_total - Carbon_quota; % 阶梯参数 carbon_levels = [0, 1000, 2000]; % 阶梯边界 carbon_prices = [50, 80, 120]; % 阶梯碳价（元/t） % 引入分段变量 Carbon_seg = sdpvar(1, 3); z_seg = binvar(1, 3); % 分段约束 C_carbon = [Carbon_purchase == sum(Carbon_seg)]; for k = 1:3 if k == 1 C_carbon = [C_carbon, Carbon_seg(k) >= 0]; C_carbon = [C_carbon, Carbon_seg(k) <= carbon_levels(2) * z_seg(k)]; C_carbon = [C_carbon, Carbon_seg(k) <= Carbon_purchase]; elseif k == 2 C_carbon = [C_carbon, Carbon_seg(k) >= 0]; C_carbon = [C_carbon, Carbon_seg(k) <= (carbon_levels(3) - carbon_levels(2)) * z_seg(k)]; else C_carbon = [C_carbon, Carbon_seg(k) >= 0]; C_carbon = [C_carbon, Carbon_seg(k) <= 1e6 * z_seg(k)]; end end % 碳成本进入目标函数 Cost_carbon = carbon_prices(1) * Carbon_seg(1) + ... carbon_prices(2) * Carbon_seg(2) + ... carbon_prices(3) * Carbon_seg(3);

有一点要提醒：阶梯机制的触发顺序依赖 ( z_1 \ge z_2 \ge z_3 ) 这个逻辑，但因为在目标函数中碳价递增，求解器会自动让第一阶梯优先填满，所以就算不加这个约束，结果一般也不会出错。不过为了稳妥，我建议还是加上这个约束。

3.5 综合需求响应的建模实现

综合需求响应的关键是"综合"两个字。我采用的方法是把负荷分成三类：可转移负荷、可削减负荷、可替代负荷。

可转移负荷就是那种可以在不同时段之间移动的负荷，比如洗衣机的用电时段可以从峰时挪到谷时。建模时用转移量来表示：

%% 可转移负荷约束 % 转移前后总用电量守恒 C_transfer = [sum(P_shift) == 0]; % 总转移量为0 % 每个时段转移量限制 for t = 1:24 C_transfer = [C_transfer, -P_shift_max(t) <= P_shift(t) <= P_shift_max(t)]; C_transfer = [C_transfer, P_load_shifted(t) >= 0]; end

可削减负荷是指那种用户愿意牺牲一部分用能需求来换取补偿的负荷，比如空调温度调高一度，减少的这部分就是可削减负荷。这个约束相对简单，只要限制削减比例不超过总负荷的一个百分比就行。

可替代负荷则是综合需求响应的精髓。比如在电价高的时段，用户可以从"电采暖"转为"燃气采暖"。这种能源替代在模型里需要设置替代系数：

%% 可替代负荷建模 % 电转热替代量 H_replace = sdpvar(1, 24); % 电负荷减少 = 替代量 * 替代效率 P_load_reduce = H_replace / eta_replace; % 气负荷增加 = 替代量 / 热效率 Gas_load_increase = H_replace / eta_gas_heat;

整个需求响应模块的目标是让系统在满足用户用能需求的前提下，通过负荷侧灵活性降低系统运行成本。

3.6 求解与结果整理

把所有约束和目标函数都写好后，调用求解器求解：

%% 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 2); result = optimize([C_all, C_balance, C_device, C_storage, C_dr], Objective, ops); %% 结果提取 if result.problem == 0 P_buy_opt = value(P_buy); P_gt_opt = value(P_gt); Carbon_opt = value(Carbon_total); Cost_opt = value(Objective); else disp('求解失败'); end

这里有个比较实用的技巧：如果模型求解失败，第一步不是急着改代码，而是先检查约束的可行性。YALMIP提供了一个非常有用的命令：

% 检查约束是否可行 [primal_feas, dual_feas] = check(C_all);

check函数会返回每条约束的可行性残差。如果某条约束残差是负数，说明这个约束不可行，你就能快速定位问题出在哪一条上。

4. 结果分析与核心图表解析

4.1 电力平衡图怎么看

跑完代码后，第一张要画的是电力平衡图。这个图把每个时段的购电、风电、燃气轮机发电、储能放电都画出来，叠加成堆叠柱状图，再叠加上电负荷曲线。

我复现时发现的一个显著特征就是：在夜间低谷时段（比如0点到6点），电价低，系统会多购电，一方面满足负荷需求，另一方面给储能充电。而在白天高峰时段（比如10点到14点），电价高，系统会优先用燃气轮机发电，同时储能放电来支撑负荷。

如果需求响应起作用了，你会在图里看到高峰时段的负荷曲线出现明显的"削峰"——就是负荷曲线的顶部被削平了一些，而低谷时段的负荷曲线则被抬高了，这就是可转移负荷从高峰挪到了低谷的表现。

4.2 碳成本对比分析

碳成本分析是检验阶梯碳机制是否生效的关键。我建议做一个对比：在同样的系统配置下，分别用固定碳价和阶梯碳价跑一次模型，然后对比两种机制下的碳排放量、碳交易成本、总成本。

理论上，阶梯碳机制下的系统碳排放量应该更低，因为排得越多，边际成本越高，系统会主动减少高碳排放设备（如燃气轮机）的出力，转而用更清洁的电力或者储能来替代。但代价是总成本可能会略微上升，因为清洁能源的单位成本更高。这个"减排效果"和"经济成本"之间的权衡曲线，正是论文里最有价值的图表。

我跑出来的结果，阶梯碳机制比固定碳价机制大约能降低8%到15%的碳排放量，成本上升控制在3%以内。这个量级可以参考，但具体数值取决于你的系统参数和数据。

4.3 灵敏度分析怎么做

做过学术研究的人都知道，审稿人最喜欢问的问题就是"你的结果对参数敏感吗"。所以复现的时候干脆就把灵敏度分析一起做了，后面写论文也方便。

我建议重点做三个参数的灵敏度分析：

• 碳价水平：把碳价从低到高扫描一遍，看碳排放量和总成本怎么变化
• 需求响应补偿价格：补偿价格越高，用户越愿意参与响应，但系统的补偿成本也越高，存在一个最优补偿价格
• 风电装机容量：风电装机越大，系统碳排放越低，但弃风率可能上升

灵敏度分析的具体做法就是在MATLAB里加一个循环，每次改变一个参数值，重新求解一遍模型，记录下关键指标，最后画成曲线：

%% 灵敏度分析示例 carbon_price_range = [30:10:150]; for i = 1:length(carbon_price_range) carbon_prices = carbon_price_range(i); % 重新求解模型，记录结果 Carbon_emission(i) = value(Carbon_total); Total_cost(i) = value(Objective); end %% 画图 figure; yyaxis left; plot(carbon_price_range, Carbon_emission, '-o'); ylabel('碳排放量 (t)'); yyaxis right; plot(carbon_price_range, Total_cost, '-s'); ylabel('总成本 (元)'); xlabel('碳价 (元/t)');

5. 常见问题与排查技巧实录

5.1 求解器告诉你"Infeasible Problem"怎么办

这个应该是复现时最劝退新手的错误了。模型不可行，说明你写的约束条件之间存在矛盾，没有任何一组变量取值能满足所有约束。

排查思路我总结了四个步骤：

第一步先查电量平衡约束。把电量平衡约束的等式右边和等式左边加起来，看看是不是有遗漏项。比如你忘了把P2G的耗电加进去，那平衡等式就永远不可能成立。

第二步查储能约束。储能是整个模型里最容易出矛盾的地方。一天结束时的SOC约束特别容易出问题，比如初始SOC是0.2，要求的最终SOC也是0.2，但储能容量和充放电功率的限制导致不可能在24小时内回到初始SOC，那就必崩。

第三步查需求响应约束。可转移负荷的总量守恒约束很容易和转移量上下限冲突。如果 ( P_load = 100)，你设置 ( P_shift_max = 60)，然后又要求总转移量为0，这个模型在只有两个时段的情况下就无解——毕竟不可能把60的负荷从时段1挪到时段2，又把60从时段2挪回时段1，除非你允许同时转移。

第四步用YALMIP的check函数定位：这个在上文提过，check(C_all)可以告诉你哪条约束不可行，快速缩小排查范围。

5.2 求解结果很离谱？多半是参数出了问题

有时候模型能求解成功，但结果怎么看怎么不对劲。比如储能一直在充电从不放电，或者燃气轮机一直满负荷运转，这时候大概率不是模型结构出了错，而是某个参数设置不合理。

我踩过的一个典型坑是储能效率设置得太低。储能充电效率0.9，放电效率0.9，来回一趟只有81%的效率，再加上储能容量限制，在分时电价差不够大的情况下，求解器算下来发现"峰谷套利"根本不划算，干脆就不让储能工作了，结果储能设备成了一个摆设。

解决办法是调整储能效率和峰谷价差，确保价差大于储能往返损耗的成本，储能才会有用武之地。

另一个常见参数坑是燃气轮机的效率。有些论文里的燃气轮机发电效率给到0.4左右，但对应的天然气热值单位可能是MJ/m³，而你在代码里用的单位是kWh。这个单位换算一旦出错，算出来的购气成本可能比实际高十倍，结果就是燃气轮机完全不发电，全靠购电。

5.3 求解速度太慢怎么优化

模型规模大、整数变量多，求解速度特别慢是常态，尤其是加了需求响应后，引入了大量0-1变量，一跑就是一小时。

我建议从三个方面优化：

第一，减少整数变量。如果能用连续变量近似替代0-1变量，尽量替换。比如储能互斥约束，可以用P_ch * P_dis == 0来凑合，但这是个非线性约束，求解更慢。所以更好的做法是去掉互斥约束，直接设置P_ch >= 0、P_dis >= 0，然后在目标函数里给它一个很小的惩罚项，比如 ( 0.001 * (P_ch + P_dis) )，这样求解器会尽量避免同时充放电，但模型的求解速度会快很多。

第二，简化需求响应建模。如果可转移负荷的分时转移矩阵是稀疏的，可以提前算好哪些时段的转移是允许的，避免引入过多的转移变量。

第三，换求解器。如果是学术用途，别犹豫，直接上求解器。Gurobi在MILP问题上的求解效率比MATLAB内置求解器高出好几个数量级。

6. 复现后的扩展思路

6.1 从确定性到不确定性

现在的模型是确定性的，也就是说所有参数（负荷、风电、电价）都是提前知道的。现实中这些参数都有很强的不确定性，所以很多研究会把模型扩展成两阶段鲁棒优化或者场景随机规划。这两种方法都有现成的YALMIP工具箱支持，想要深入的话可以从这个方向切入。

6.2 从单目标到多目标

目前模型是把经济成本和碳排放放在同一个目标函数里，用权重系数把碳成本货币化。但碳减排并不完全等价于经济成本，所以有些研究会用多目标优化，把经济成本和碳排放量作为两个独立目标，用NSGA-II这类算法求一个Pareto前沿，展示成本和排放之间的权衡。MATLAB的全局优化工具箱自带gamultiobj函数，可以试试。

6.3 从优化调度到规划

优化调度回答的是"给定系统配置，怎么运行最经济"的问题。而系统规划回答的是"怎么建设系统，未来20年总成本最低"的问题。把当前模型扩展成多阶段的规划-运行联合优化，是论文往更高层次发的一个常见方向。

结尾的个人体会

这套代码我前前后后改了大概两周，前前后后踩的坑加起来不少于十个。最让我印象深刻的还是储能互斥约束和阶梯碳分段线性化这两个模块，看着都是模型里的"小细节"，结果恰恰是它们决定了整个模型的求解质量和结果合理性。我在实际复现中最强烈的一个感受就是：读论文的时候一定要把每个公式都亲手推导一遍，特别要注意那些"由式(15)可得"的跳步，里面往往藏了建模时最关键的简化假设。你把这层窗户纸捅破了，复现就不会是痛苦地抄代码，而是有底气地调试、改进和扩展。