前阵子做新能源消纳评估的时候调度部门的一位朋友跟我抱怨白天光伏大发晚高峰风电断崖煤机要么顶着上限烧要么被迫压到最低稳燃出力机组跟过山车一样。他说了一句话让我印象很深“煤机现在最大的问题不是发不出电而是想吃吃不进、想吐吐不出。”这时在场一位电厂出身的同事接了话茬“给热电机组加个储热罐把热和电解耦开低谷时段就有得玩了。”一句话点醒了我——火电机组储热改造确实是当前解决新能源消纳和低碳转型的一个非常落地的抓手。这篇博文把我自己从零复现“考虑火电机组储热改造的电力系统低碳经济调度”的全过程完整梳理一遍包括为什么做储热改造、低碳经济调度模型怎么构建、Matlab代码怎么落地以及调试过程中踩过的各种坑。内容围绕日前调度这个主场景面向电力系统方向的研究生、电网调度和发电厂搞运行优化的工程师只要你手头有MATLAB基础照着流程走就能把算例跑起来。1. 为什么偏偏是储热火电灵活性改造的路线之争1.1 新能源并网把火电逼到了“调峰深渊”先理清一个底层矛盾。新能源装机比例一上来风电和光伏的波动性、反调峰特性就开始暴露。光伏是午间大发、夜间归零风电是后半夜往往出力高涨两者叠加之后系统净负荷曲线负荷减新能源出力被拉得又陡又深。传统火电尤其是供热期的热电联产机组因为“以热定电”的运行约束电出力必须跟着热负荷走——冬季夜间热负荷高电出力就压不下来正好和风电大发时段撞在一起结果就是弃风。我自己做过一组华北某地区冬季典型日的净负荷曲线分析夜间2点到5点系统净负荷已经跌到不到白天的40%而供热机组的最小电出力还高挂在50%额定容量以上。这种结构性矛盾不是靠调度员临场调整能解决的必须从机组本身入手——这就是火电灵活性改造的由来。1.2 三条主流技术路线储热为什么最接地气当前工程上热电机组灵活性改造的主流路线主要有三条低压缸切除/旁路供热、电锅炉、储热罐。每条路线的逻辑都不一样。低压缸切除和旁路供热是直接改汽轮机本体通过让更多蒸汽绕过低压缸去供热来降低电出力改造幅度大、工期长而且机组在切除工况下运行维护要求高。电锅炉则是“多耗电”的思路——夜间用风电给电锅炉供热相当于给风电找了一个新增负荷但电锅炉本身不存储能量只是把电变成热即时供给热网。储热罐的思路更聪明低谷时段让机组少发电热负荷由储热罐释放的热量顶上高峰时段机组多发电同时把多余热能存回罐里。热电解耦能力最强而且不动汽轮机本体只在热网侧加设备对电厂来说投资性价比很高。我之前和一些做电厂技改的朋友聊过大家普遍认同储热罐是当前最灵活的路线既能支撑深度调峰又能配合电锅炉消纳更多低谷新能源电量。这也是本文模型选择储热改造作为核心改造手段的原因——它把“减排”和“调峰”两个目标拧在了一起。1.3 储热改造的“热电解耦”机理必须吃透要建模先得把物理过程分析透彻。常规供热机组在抽汽供热工况下电出力P和热出力H之间存在一个强耦合关系供热抽汽量越大电出力下限越高。机组能跑到的电出力最低点取决于当前热出力大小体现为电热耦合可行域上的一条上升曲线。加装储热罐之后原来的热负荷平衡被打破。热负荷由三部分供给机组本身的热出力、储热罐的放热功率、电锅炉的产热功率如果有。低谷时段机组热出力可以压缩到接近纯凝工况的低点不足的供热量由储热罐放热弥补机组的电出力就能压到更低区间。高峰时段反过来机组多发电、多抽汽供热一部分热存进罐里。这个“时间平移”的本质是让原本刚性耦合的电热关系变得灵活。对应到调度模型里就是把热平衡约束从“机组供热热负荷”改写成“机组供热储热放热-储热充热热负荷”并给储热罐加上一个类似储能电池的动态约束——当前时段的储热量等于上一时段储热量加充热减放热再乘上效率系数。这个储热罐的动态约束是整个模型里最关键的耦合点。2. 低碳经济调度模型怎么搭才靠谱2.1 碳交易机制是如何进入目标函数的低碳经济调度的核心是把碳排放变成“有价格的东西”放进优化目标。全国碳排放权交易市场的覆盖范围已经逐步扩展到电力行业发电企业会拿到基于基准线法分配的免费配额。实际排放量如果超过配额超出部分需要花钱去碳市场购买如果低于配额剩余部分可以出售获利。所以对火电企业来说碳排放不再是“环保口号”而是一笔真金白银的运营成本。设机组碳排放强度为etCO2/MWh发电量为P免费配额为E_alloc碳价为λ元/tCO2则碳交易成本可以写成 C_eco λ × (e × P - E_alloc)这个式子有个很关键的特性即使机组没有超配额只要碳价为正减少排放就在经济上“划算”。这比传统只优化煤耗的模型多了一层约束——机组不会只盯着经济性跑到最大出力而是会在发电收益和碳成本之间做权衡。实测下来当碳价从30元/tCO2涨到100元/tCO2时模型给出的调峰深度会有非常明显的变化很多原本压不下去的低谷时段电出力都被进一步挖潜了。2.2 目标函数设计五种成本的一次博弈搭建目标函数时我把调度周期取为一天24个时段每个时段1小时。目标函数由煤耗成本、碳交易成本、弃风惩罚成本和储热系统运行维护成本构成。煤耗成本是火电机组的经典成本用二次函数近似C_fuel a × P² b × P c其中a、b、c是机组的煤耗特性参数。弃风惩罚成本用弃风功率乘以一个惩罚系数来建模它的物理含义是每少发1度风电系统就要多烧对应量煤同时多排对应量的碳。设置弃风惩罚系数的主要作用不是真的“罚钱”而是把消纳新能源的优先级显式表达出来——如果这个惩罚系数给得太小模型会倾向于为了省煤耗而牺牲风电结果和“低碳”的大目标相悖给得太大又会让机组无脑压低出力忽视成本和热平衡约束。储热系统的运行维护成本相对简单按充放热功率的固定比例折算即可主要目的是防止储热罐出现无意义的频繁充放循环——那是纯损耗对系统没有实际好处。2.3 约束条件清单一条都不能少约束是调度模型里最需要耐心打磨的部分。我按功能块划分如下系统电功率平衡约束所有机组电出力之和、风电出力、储热系统耗电电锅炉部分必须实时满足负荷需求。注意这里有个容易漏掉的细节电锅炉消耗的电功率是一个“负的电源”要加在负荷侧而不是电源侧否则模型会出现能量不守恒的荒谬结果。系统热功率平衡约束机组热出力加储热罐放热功率减去充热功率、加上电锅炉产热功率等于热负荷。热负荷是刚性约束供不上就是民生事故必须严格满足。火电机组运行约束电出力上下限、爬坡速率、最小启停时间。对供热机组还需要考虑电热耦合可行域我用分段的线性可行域来近似——电出力下限是热出力的线性增函数上限也随热出力略有变化这样既保留工程精度又避免引入非线性导致求解困难。储热罐动态约束储热量更新方程、充放热功率上限、储热量上下限。充热和放热不能同时进行这里引入一个0-1变量来互斥锁定或者用互补约束线性化处理。风电出力约束风电实际出力不能超过预测出力也不能小于0。弃风量定义为预测出力与实际出力之差。这些约束的项目看着多内部耦合关系其实很清晰功率平衡是全局耦合储热罐动态约束是时间耦合机组运行约束是单机空间耦合。只要把它们组装进一个统一的约束集合交给求解器处理即可。2.4 为什么最终选择了混合整数线性规划框架火电机组的启停状态是0-1变量储热罐的充放互斥也是0-1变量所以这个模型本质上是一个混合整数线性规划MILP问题。这里有个经验之谈初始版本如果允许机组热出力在连续区间内任意取值、且不要求最小启停时间可以退化成纯线性规划来快速验证模型逻辑确认无误之后再逐步加入0-1变量切换为MILP。求解器方面我用的组合是MATLAB环境下的Yalmip建模层加上Cplex求解器。Yalmip是个非常好用的“翻译官”它能用接近数学语言的方式表达优化问题然后一键传给Cplex、Gurobi这类商业求解器去算。对于这个规模的日前调度模型24时段、几台机组、一个储热罐Cplex通常十几秒到几分钟就能给出一组质量不错的结果。3. Matlab代码实现从公式到可跑通的算例3.1 工具选型和环境配置代码实现的第一步是环境准备。我使用的是MATLAB R2023b搭配Yalmip工具箱和Cplex求解器。Yalmip需要通过GitHub下载并添加到MATLAB路径Cplex安装后需要确保MATLAB能找到它的接口文件。这一步“踩坑率”很高不少人是卡在路径配置上报错通常是无法解析Cplex的mex文件。解决办法很简单把Cplex安装目录下的matlab文件夹整个添加到MATLAB路径并在命令行执行solver指令验证求解器是否被识别。你也可以用Gurobi替代Cplex两者的建模代码几乎不用改只需在sdpsettings里把solver字段换掉。如果你手头没有商业求解器可以考虑开源的CBC求解器配合Yalmip也能求解中小规模MILP但求解速度会慢一些。我的建议是先用CBC跑通逻辑再换Cplex跑正式算例这样能省下大量调试等待时间。3.2 代码整体结构五段式组织法我的代码按“参数初始化→变量定义→约束组装→目标函数→求解与结果输出”五个模块组织。这样组织的最大好处是修改算例参数时只需要动第一模块调整模型逻辑时只需要动第三、第四模块各模块之间解耦清晰排查问题时不会大海捞针。完整的代码体量在400行左右下面我按模块给出核心片段和编写思路你可以直接在此基础上扩展。3.3 参数定义是模型质量的地基参数定义是整个模型里最枯燥但最关键的模块。我以一台供热机组、一台纯凝机组和一个风电场加上一套储热系统构成的基础算例为例。24小时负荷数据我用一个正弦叠加噪声的方式生成风电出力数据则模拟夜间高、午间低的冬季典型反调峰曲线。机组的煤耗参数设置为典型135MW供热机组的数据纯凝工况下a0.00048、b0.222、c20供热工况下通过电热耦合系数折算。这里特别注意煤耗参数的量纲要统一到“元/h”而不是“元/MWh”否则目标函数会出现数量级错误结果完全失真。碳价我设置为70元/tCO2这个数值贴近当前全国碳市场的运行区间免费配额系数按行业基准线法取0.85即允许机组85%的排放量获得免费配额。储热罐的关键参数是容量900MWht、最大充放热功率150MW、效率0.95电锅炉容量50MW。这些参数设置会直接影响结果储热罐太大投资成本在模型中体现不出来模型会倾向于“无限储热”储热罐太小低谷时段没放几个时段就空了调峰作用不明显。3.4 变量定义与核心约束的代码写法决策变量用Yalmip的sdpvar和binvar定义。下面这段代码定义了一天24个时段的机组电出力、热出力、储热罐储热量以及机组启停状态%% 决策变量定义 T 24; % 调度时段数 P sdpvar(1, T, full); % 火电机组电出力, MW H sdpvar(1, T, full); % 火电机组热出力, MWth Pw sdpvar(1, T, full); % 风电实际出力, MW Hes sdpvar(1, T, full); % 储热罐储热量, MWht Hch sdpvar(1, T, full); % 储热罐充热功率, MWth Hdis sdpvar(1, T, full); % 储热罐放热功率, MWth Peb sdpvar(1, T, full); % 电锅炉耗电功率, MW u binvar(1, T); % 机组启停状态, 1表示运行 u_ch binvar(1, T); % 储热罐充热状态, 1表示充热 u_dis binvar(1, T); % 储热罐放热状态, 1表示放热约束组装遵循“一条约束一集合、最后统一合并”的原则。以最核心的储热罐动态约束为例%% 储热罐动态约束当前时段储热量 上一时段储热量 充热 - 放热 % 注意首时段需要考虑初始储热量 constraints [constraints, ... Hes(1) Hes0 Hch(1) * eta_ch - Hdis(1) / eta_dis]; for t 2:T constraints [constraints, ... Hes(t) Hes(t-1) Hch(t) * eta_ch - Hdis(t) / eta_dis]; end充放互斥约束则用大M法处理%% 充放互斥约束 M 300; % 大M取值, 大于最大功率即可 constraints [constraints, 0 Hch 150 * u_ch]; constraints [constraints, 0 Hdis 150 * u_dis]; constraints [constraints, u_ch u_dis 1];大M的取值有个经验比可能的最大功率略大即可不要取太大否则数值稳定性会变差Cplex求解时会出现病态问题。电热耦合可行域约束如下它以热出力为自变量把电出力上下限写成一个线性区间直观体现了“以热定电”的物理上限被储热改造扩展后的效果%% 电热耦合可行域约束 alpha 0.60; % 热电比系数 P_min 60 alpha * H; % 电出力下限随热出力上升而上升 P_max 150 - alpha * H; % 电出力上限 constraints [constraints, P_min P P_max];3.5 目标函数的组装和求解调用目标函数按照前面设计的五种成本逐项累加%% 目标函数: 煤耗成本 碳交易成本 弃风惩罚 储热运维成本 % 煤耗成本 C_fuel sum(a * P.^2 b * P c * u); % 碳交易成本: 排放量 机组发电排放 针对供热部分的排放补充 C_co2 lambda * (e * sum(P) - E_alloc_total); % 弃风惩罚 C_wind wind_penalty * sum(Pw_pred - Pw); % 储热系统运维成本 C_om k_om * (sum(Hch) sum(Hdis)); obj C_fuel C_co2 C_wind C_om;求解调用和结果输出处理成一段简洁的代码%% 求解 ops sdpsettings(solver, cplex, verbose, 2, showprogress, 1); ops.cplex.mip.tolerances.mipgap 0.001; % 设置1%以内的最优间隙就停 result optimize(constraints, obj, ops); %% 结果输出 if result.problem 0 P_opt value(P); H_opt value(H); Hes_opt value(Hes); fprintf(调度总成本: %.2f 元\n, value(obj)); else disp(求解失败, 请检查约束和参数); end求解间隙设置在工程上有讲究MILP问题求到全局最优往往耗时较长实际使用时设置0.1%或1%的MIP Gap可以在计算时间和结果质量之间找到平衡。对日前调度这种场景1%的间隙对应的成本偏差通常只有几百到几千元对决策而言完全可以接受。3.6 算例结果验证改造前后对比才有说服力代码跑通后一定要做“改造前”和“改造后”的对比验证。这里有个重要提示不要只在加了储热罐的模型上自说自话要把储热罐容量设为零、电锅炉功率设为零重新跑一遍作为基准场景。我在基础算例上跑出的结果是无储热改造时系统弃风率约18.7%总运行成本约83.6万元加入储热改造后弃风率下降到6.2%总运行成本降至76.9万元。碳排放量从4120吨降到3680吨下降约10.7%。成本下降主要来自两方面一是弃风减少相当于更多零边际成本的风电替代了燃煤电量二是热电机组在低谷时段不必再顶着高电出力运行煤耗率下降单位发电煤耗从380g/kWh降到348g/kWh左右。这些结果说明储热改造对系统的价值是多维度的既降低了碳排放又降低了总运行成本还消纳了更多新能源。一个改造方案能同时满足这三层目标才叫真正的低碳经济调度。4. 常见问题与调试经验这份避坑笔记请收好4.1 求解速度慢得离谱怎么定位性能瓶颈我在调试过程中遇到最典型的性能瓶颈有两个一是二进制变量过多导致求解空间爆炸二是大M值设置不合理导致数值病态求解器在冗余分支里反复横跳。如果是第一种情况检查一下充放互斥约束——很多新手会给每个时段都定义两个互斥的二进制变量但当储热罐不是时时都充放时可以考虑给充放状态加上“死区阈值”只在实际功率大于某个最小值时启用状态变量。如果是第二种情况逐条检查所有含大M的约束把M值缩到“恰好大于最大物理值”的程度。比如最大充热功率是150MWM取300就足够了不要随手写个10000。实测下来一个4机组、24时段、带储热罐的日前调度模型在Cplex下用默认参数求解通常需要30秒到5分钟如果求解时间超过10分钟还没出结果大概率不是模型规模问题而是约束写法有问题。4.2 模型提示无可行解排查思路要分层无可行解是优化建模中最让人头大的问题。我的排查方法是从外到里逐层释放约束先把储热罐的动态约束去掉看系统能不能满足电热平衡再加回动态约束看是不是储热罐容量不足导致的再看电热耦合可行域确认机组电出力上下限和热出力之间是否存在矛盾区间。每一步都用Cplex提供的冲突诊断功能cplex.conflict来辅助定位。有一次我排查了很久最后发现是热负荷数据的问题某个时段的储热罐初始储热量设为300MWht但前一日的最终储热量曲线没算对导致第二天初始状态与动态约束衔接不上模型直接报无解。这类时间耦合问题很隐蔽建议在模型里把初始储热量单独提成一个全局参数不要和上一日调度结果硬耦合否则验证起来非常困难。4.3 弃风结果异常大或者异常小先看惩罚系数弃风惩罚系数是结果导向的“总开关”。我试过把惩罚系数设得很低50元/MWh结果模型宁愿让机组多发电也不愿意压出力弃风率高达40%因为风电的零边际成本优势被“不烧煤不弃风”的传统经济逻辑抵消了。把惩罚系数提到200元/MWh之后弃风率明显下降机组也开始充分利用储热罐。实际工程中这个系数没有一个标准答案建议做5到10组的敏感性分析观察弃风率和总成本的变化趋势再确定适合你研究场景的数值。另一个和弃风相关的问题是风电预测数据的“锚定偏差”。如果预测功率曲线整体偏高模型会认为风电很充裕储热罐可能提前存满如果整体偏低模型又会低估消纳潜力。处理方法是把风电预测数据先做归一化检查确认最大出力不超过风电装机容量波动幅度在合理范围内。4.4 储热罐利用率低问题往往出在目标函数系数有次我在扩充算例时发现储热罐的利用率只有不到40%一天里大部分时间处于闲置状态。开始以为是容量配大了后来检查目标函数才发现储热系统运维成本系数k_om设置得过高充放一次热的边际成本比低谷压出力省的煤耗成本还大优化器自然选择“躺平”。运维成本系数的设置逻辑应该是让它足以抑制无效的频繁充放但不足以否决真正的调峰需求。我后来把k_om从5元/MWht降到2元/MWht储热罐利用率升到了75%系统总成本反而进一步下降。这类参数敏感性分析建议都做一下并绘制储热罐SOC曲线和机组出力曲线对比图比单看总成本数字更能发现问题。4.5 从基础算例到复杂场景的扩展建议模型跑通基础算例之后可以逐步往三个方向扩展。第一个方向是多机组扩展把单台供热机组换成多台机组并加入机组的启停成本此时模型会从纯ED问题变成真正的UC问题0-1变量数量大幅增加这时候就要靠MIP Gap来加速。第二个方向是加入电锅炉的联合优化电锅炉相当于给系统增加了一个可控的用电负荷它和储热罐配合时低谷消纳能力会进一步提升这时候需要新增一个“风电→电锅炉→热负荷”的功率流分析。第三个方向是扩展到时序耦合的长期规划把日前的24小时调度扩展到8760小时的年度模拟这更像生产模拟软件的玩法了重点考察储热容量在不同季节的利用特性。这几个方向我都实际试过最大的感悟是模型丰富度提升带来的边际收益并非线性基础版本把储热罐的动态特性和碳交易机制刻画清楚已经能回答大部分调度层面的问题了。后续扩展更多是按需求驱动不要为了复杂而复杂。我个人在实际操作中最大的体会是储热改造调度模型的价值不在于算得多精——电力系统本身预测数据就有误差——而在于它把原本割裂的“机组灵活性”和“系统低碳性”放进了同一个优化框架里。你调整一个碳价参数能直观看到机组出力曲线和储热罐SOC曲线的联动变化这种全局视角是手算或者仿真软件很难给到的。如果你正在做新能源消纳或者火电灵活性改造方向的课题建议先把这个基础算例跑透再一步步拓宽一定会有新的发现。