“以热定电”这四个字做热电联产综合能源系统的人基本都绕不开。火电靠热电联产机组供暖机组热电耦合冬天采暖季想降电负荷就得跟着降热出力电网调峰能力被死死摁住风光大发的日子只能眼睁睁看着弃风弃光率往上蹿。同时碳捕集设备CCS也在能源系统低碳转型里被寄予厚望但它本身是典型的耗能大户再生塔再沸器要用大量蒸汽溶剂循环和压缩还要用电捕碳的同时又加重了电热负担——这个矛盾在热电联产系统里尤其刺眼。做了一段时间的优化调度研究之后我越来越觉得P2G电转气和碳捕集设备放在同一个模型里不是简单的设备堆叠而是从源头上把弃电—耗能—碳排放三个问题串成了一条可闭环的链路。这篇博文就把我在这个方向上的完整思考路径、数学模型搭建方式、以及求解中踩过的坑整理一遍希望能给打算做或者正在做这个方向的朋友一些参考。1. 为什么非要把P2G和碳捕集放在一个模型里先说个常见的误区不少人把P2G和碳捕集当作两个独立的低碳设备分别建个模型再塞进同一个目标函数就完事了。这样做的结果往往是模型复杂了效果却一般两个设备各干各的甚至还会互相抢能量。事实上这两个设备单独看都有痛点但它们放到热电联供系统里刚好能形成一种互相解围的关系。1.1 热电联产的以热定电困境P2G是怎么破局的热电联产机组CHP的核心约束是热电比或者说热电可行运行区间。采暖期热负荷爬升机组必须保持较高的电出力来满足供热需求电网就给风电、光伏留出了更小的消纳空间。这个问题的本质是系统里缺少一个能把过剩电力吞掉的季节性灵活负荷。P2G就是那个可以当灵活负荷的设备。富余风电通过电解水制氢氢再和二氧化碳发生甲烷化反应生成合成天然气直接注入天然气管网或者进储气罐。它把电力系统的冗余电力转移到天然气系统的时空尺度上相当于给电网装了一个大容量缓冲器而且这个缓冲器能消纳的时间尺度和规模都比电池储能有更宽的想象空间。1.2 碳捕集设备的能耗死角谁来解决再来看碳捕集。胺法化学吸收法是目前工程上最成熟的碳捕集路径捕集一吨CO2大概需要消耗2.5~4GJ的热能主要是再生塔再沸器蒸汽和0.2~0.3GJ的电能。常规思路是让CHP机组分出部分蒸汽去供再生塔但蒸汽是从汽轮机中间级抽出来的抽得越多发电量掉得越多要是用电捕集路线那就和P2G抢电了。这就出现了一个比以热定电更微妙的问题热电联产系统本来热源就紧张碳捕集还要额外切走一块热。如果没有P2G碳捕集设备扩大捕集规模就意味着CHP机组要么减少外供热量要么增加燃料消耗来补足蒸汽。前者影响用户供热后者直接拉高煤耗和碳排放捕集的意义就被削弱了。1.3 真正的协同闭环碳源、碳汇与能量的三角关系放到同一个模型里之后协同逻辑就顺了碳捕集提供CO2P2G需要CO2两者直接形成碳源-碳汇闭环。P2G的甲烷化反应需要CO2如果没有外部碳源甲烷化就只能用一部分氢气去反应剩下的氢只能按低价值处理而碳捕集设备捕集到的CO2浓度高、纯度高正好可以作为甲烷化的原料。捕集下来的碳没有直接封存而是进入燃料循环相当于多了一条碳循环利用的路径。CHP的热出力同时支撑供热负荷和碳捕集再生能耗P2G吸收CHP的过剩电出力这就把热、电、气、碳四条能量流编织成了一个闭环网络。实际建模时这个关系可以用一个简化的耦合表述碳捕集设备运行功率 (P_{CCS} \eta_{CCS} * E_{CO2, capture})P2G甲烷化耗CO2量 (V_{CO2, P2G} \alpha * P_{P2G})供需平衡约束 (E_{CO2, capture} V_{CO2, P2G} E_{CO2, sealed})只要把这三个式子写进约束里两个设备就不再是孤岛而是通过碳流量耦合成了一个整体。这个时候的调度策略会发生质的改变弃风多发时段系统会自动增加P2G出力同时让碳捕集设备满负荷运行捕下来的碳一部分封存、一部分供给P2G制甲烷到了晚高峰用电紧张时段P2G产出的天然气又可以通过机组发电顶峰。电、气、碳三个市场被同一个调度计划串了起来。2. 系统架构搭建能量流如何从烧煤发电路径变成碳循环路径模型不能凭空搭得先把物理系统结构定下来。我自己常用的架构是一个典型热电联供综合能源系统包含CHP机组、风电场、光伏电站、碳捕集设备、P2G设备、储电/储热/储气装置、燃气锅炉以及电、热、气三个母线的耦合网络。仿真平台选择上偏好用MATLAB或Python加YALMIP调用商业求解器数据则用改进后的IEEE标准节点系统作为基础架构。2.1 母线与能量枢纽调度模型的物理底盘三个母线分别承担不同职责电力母线CHP机组、风电场、光伏、P2G电解槽、碳捕集设备的所有耗电负荷、储电装置都挂在上面。功率平衡就是总发电总负荷多余的弃电被P2G和储电吸收。热力母线CHP机组的抽汽供热、燃气锅炉、储热罐向热负荷和碳捕集再生塔提供热能。热平衡约束要同时考虑热负荷、碳捕集热耗和储热装置的充放热。天然气母线P2G产气、气源购气、储气罐一起满足燃气锅炉和CHP机组补燃用气需求。能量枢纽的建模核心是转化矩阵思想所有设备本质上都是把一种或多种能量转化为另一种能量彼此之间通过母线交换能量。列能量平衡方程时按母线视角列写比按设备视角列写要清晰得多尤其在后面加网络潮流约束时这个思路能省不少事。2.2 关键设备模型CHP、碳捕集、P2G的核心数学描述CHP机组是整个系统的供能中枢。抽汽式机组的可行域是一个凸多边形热电运行区间表征了电出力和热出力之间的耦合关系电出力下限受锅炉最小稳定燃烧负荷限制热出力越大可发电调整范围越小表征为热电耦合线性约束(P_{CHP} P_{max} - C_v \cdot H_{CHP})简化形式碳捕集设备模型的核心是能量-碳量的线性关系捕集CO2量 (E_{CO2} \lambda_{CCS} \cdot P_{CCS,elec})电驱动时热再生能耗 (H_{regen} \mu_{regen} \cdot E_{CO2})捕集率可调从0到0.9左右连续可调这部分可调性对调度至关重要——捕集率低的时候设备相当于纯耗能小负载捕集率拉满时系统碳流量和能耗同时上升P2G设备考虑两段转化电解水制氢3.8~4.2 kW·h电产生1标方氢气效率一般在70%左右甲烷化反应CO2 4H2 → CH4 2H2O氢转天然气的化学效率在75%~80%整体能量转换效率可以近似到 55%~60%不算高但胜在把不可存储的电变成了可存储的气这是时间维度上的价值储能装置不细说了统一用耦合的充放能功率和储能量动态方程描述注意充放能效率系数要分开取热储容器还会存在散热损耗系数别把它当成理想储能。2.3 工况耦合把多条链路串起来的边界条件这一步是模型的关键。设备模型各自独立建模后要把它们用工作状态和边界条件耦合起来。我采用的方法是把碳捕集设备作为一个可调电热负荷来处理碳捕集的耗电功率 (P_{CCS,elec}) 是可调变量调节范围0~(P_{CCS,max})碳捕集的耗热功率 (H_{regen}) 与其捕集量线性相关而捕集量又和耗电功率线性相关所以实际上耗热和耗电之间有一个固定比例结果就是碳捕集成了一个消耗双重能量但产出碳流量的等效元件P2G则作为一个可控电负荷产气源来处理它的CO2消耗和产气量之间的比例关系和碳捕集的CO2产量形成等式约束。这样CHP、风电场、光伏、储电以及CCS和P2G之间就通过电-热-气-碳四条链路全部串联起来了。3. 优化调度模型的核心数学结构目标函数与约束逐项拆解模型本质是一个多时段混合整数线性规划MILP问题这是整个研究方向成败的关键——模型必须既能反映物理过程又能让求解器在可接受时间内找到全局最优解。3.1 目标函数不止是花钱最少碳价要进来目标函数我采用运行成本碳排放交易成本弃风弃光惩罚的综合最小化形式。分开来看运行成本包括购气成本天然气购气费用P2G产气和气源购气统一计价购电成本如果系统与大电网连接外购电价按分时电价计设备运行维护成本按出力线性折算一般是单位电量运维系数×设备出力启停成本CHP机组存在启停成本整数变量描述碳排放交易成本是最关键的一项。这里我用了基准线法下的阶梯碳交易机制政府给系统分配一个碳排放配额实际排放量小于配额时可以出售富余配额获得收益超过配额则要购买超额越多碳价越贵阶梯式惩罚。这个机制直接决定了多捕碳吃不吃亏。碳价给到50元/吨和200元/吨时系统的调度结果是完全不一样的碳价低时P2G和CCS主要靠弃风消纳的收益回本碳价高到一定阈值CCS会主动满负荷捕碳因为多捕的那部分碳减排量卖配额比卖电还划算。后面做敏感性分析时碳价是要重点扫的参数。弃风弃光惩罚不是可有可无的它决定了调度模型强迫消纳的倾向。惩罚系数设得过低模型会倾向于直接弃掉风电给P2G提供电力设得过高又会失真。一般取购电成本的1.5~2倍比较合理。3.2 关键约束条件功率平衡之外还有三个容易漏的除了标准的电热功率平衡约束、机组出力上下限约束、爬坡约束、储能动态约束这些常规项以下三个约束是这个模型里最核心、也最容易被遗漏或写错的部分热电耦合约束——CHP的可行运行区间约束是抽汽机的电热耦合。必须注意用多段线性化来描述电出力和热出力的非完全线性关系比如可行域用一组线性不等式来表示而不是简单写一个线性方程。不然模型会允许机组运行在实际不存在的工况点上调度结果无法落地。碳捕集与P2G的碳流耦合约束——前面提到的CO2供需平衡。这个约束要区分运行场景碳捕集量大于P2G需求时多余部分进入封存不足时P2G从外部购买CO2成本计入运行费用。两种工况用二进制变量切换这在MILP框架里是最典型的含整数变量的分段线性约束。系统备用约束——综合能源系统不仅要有电备用还要考虑热备用。因为CHP的热出力会影响电出力的调整范围供热高峰期的可上调电容量实际上变少了。调度模型如果只设电备用不设热备用实际运营里很可能出现备用看似充足、调峰实际不足的情况。3.3 不确定性处理场景法和鲁棒优化怎么选再往前走一步风光出力都是不确定的。处理方式上我常用的有两条路线随机规划多场景法用代表性场景描述风光出力不确定性目标函数写成场景概率加权期望。好处是经济性刻画准确坏处是场景一多求解规模膨胀。实际做法是先用聚类把历史数据缩减到5~10个场景兼顾精度和速度。鲁棒优化用不确定集描述风光出力波动范围寻求最坏场景下也可行的调度方案。对追求系统安全稳健的日前调度场景很合适但容易过于保守成本偏高。我的建议是基础版本先用确定性模型把物理过程搞清楚再加随机性。一步到位直接上两阶段随机规划模型还没调通光辨识问题和调试场景就要耗掉大量时间。顺序是确定性模型→灵敏度分析→场景随机规划→可选两阶段鲁棒一步一个脚印。4. 从MINLP到MILP线性化处理与求解器实战避坑记录我最初试着直接建混合整数非线性规划MINLP因为P2G效率和碳捕集能耗其实都和运行状态相关是典型的非线性关系。结果求解器跑起来不是不收敛就是收敛到很差的局部解效率也低得离谱。后来老老实实转成MILP求解效率立刻上了一个台阶。4.1 非线性环节怎么线性化以碳捕集和P2G效率为例碳捕集能耗系数的非线性主要来自捕集率。捕集率越高再生能耗是非线性上升的。简化处理是把捕集率离散成几个区间每个区间内能耗系数取常数再用二进制变量选择区间。用3~5段分段线性化误差一般能控制在5%以内对调度结果的影响远小于风光预测误差。P2G效率的线性化思路类似电解槽在部分负荷下效率会略微下降将其效率曲线分段线性化即可。更细节的部分——比如电解槽功率和产氢量的关系在工程上接近二次曲线——可以用分段线性整数选择的方式去逼近这在MILP框架里是成熟做法。这里要特别提醒线性化不是越细越好。分段多了二进制变量数量爆炸求解时间成指数增长。以碳捕集能耗为例3~5段和10段的分段精度对结果影响非常小但求解时间差了近一个数量级。做优化调度研究要在精度和求解时间之间找平衡点。4.2 求解器选择与参数调校的经验求解器我常用两种开源里用CBC和高性能求解器商用里Gurobi和CPLEX都行。实际体验是Gurobi在这个模型上的求解速度要快不少尤其当系统节点数增多、整数变量上千时差距明显。几个特别实用的调参经验大M法的大M值要手动设不能贪大。热电耦合约束里的M值我见到很多人直接填1e6结果数值稳定性极差变量解出来都在小数的边缘疯狂试探。正确做法是找约束的物理边界比如系统总装机容量再多留20%余量作为M值。松弛整数变量的优先级设置。热电联产机组启停变量、碳捕集模式切换变量、P2G运行区间选择变量这三组整数变量的决策优先级不一样——机组启停是全局性的影响最大。把优先级别设置好求解器分支定界时会先锁定高优先级变量速度能快30%。初值设置的作用不可低估。用上一时段调度结果作为初值或者先用连续松弛模型把0-1变量放宽为0到1之间的连续变量跑一遍得到初值都能明显降低MILP求解时间。4.3 经典踩坑记录CCS排碳约束与热备用约束的矛盾第一次跑通模型时我遇到一个意料之外的结果CCS捕集率越高系统总碳排放反而越大。排查了半天原因是碳捕集的能耗需求由CHP机组多烧燃料来满足多烧的那部分燃料增加了总碳排放量捕碳的伴随排放比捕到的碳还多——这在实际系统中被称为捕碳回弹效应。解决思路有两类一类是加入碳排放强度的上限约束限制机组额外供能的排碳强度本质上是对系统总碳预算做约束另一类是让碳捕集设备优先使用原本要弃掉的风电电力而不是让CHP多烧燃料来供能。后者的做法更有工程意义也更能体现P2G与CCS协同的价值。热备用约束和CCS热能耗的冲突则是另一个典型坑调度模型为了满足热负荷和CCS热需求可能把CHP热出力顶到接近上限此时CHP电出力被压低电备用容量反而虚高——因为能发的电被热绑定拖住了。所以模型里必须显式留热备用让CCS捕碳在热负荷高峰时自动降频否则求解出的最优解根本不能在实际系统里执行。5. 算例设计与结果解读思路方案对比怎么设计才能说明问题模型建完更重要的是通过算例验证模型逻辑。我建议无论如何都要设计一个对照组齐全、递进关系清晰的方案集否则审稿人一句为什么不用别的低碳方案就能把模型的观点问倒。5.1 基础场景设置与对比方案设计基础测试系统建议用改造后的IEEE 6节点或9节点系统两座CHP机组、一座风电场、一座光伏电站、CCS设备、P2G设备、燃气锅炉、储电/储热/储气装置连接上级电网与气网。典型日选取要覆盖三种场景采暖期典型日强调热负荷、大风日强调消纳压力、夏季无供热日作为对照组。方案对比建议这样设置方案编号系统配置考察目标方案A不含CCS不含P2G基准线反映原碳排与弃风水平方案B仅加入CCSCCS单独作用时的减排效果与能耗代价方案C仅加入P2GP2G单独作用时的消纳效果与成本方案D同时加入CCS与P2G协同作用是否能实现112方案D是最核心的重点考察CCS捕集的CO2能否被P2G消化碳排放相对方案B是否进一步下降系统运行成本相对方案C是否有改善。5.2 结果解读的三个关键维度第一维度是系统能源调度结果各时段CHP电出力、热出力、P2G耗电、CCS捕碳量、储气与用气情况。重点看P2G是否在弃风时段启动并吸收CO2CCS是否在风电大发时段增强捕集。这是验证模型物理正确性的第一步。第二维度是经济性分析系统总运行成本、碳交易成本、购电购气成本拆分方案间的成本结构差异。这里会出现一个反直觉的结果——方案D初始投资和运行成本可能比方案B高但碳交易收益或减排收益会把它抹平甚至反超。这个转折点正是碳价的函数。第三维度是碳排放与弃电率分析把系统CO2总排放量、单位供电碳排放强度、弃风弃光率三个指标拉出来看方案D相对方案A/B/C的改善幅度。我实测的典型结果通常是方案D的弃电率降到极低碳排放量比方案A下降30%以上系统运行成本因为P2G产气的替代效应反而节省了一部分购气费用。这些指标就是模型价值的直接证明。5.3 敏感性分析哪些参数决定了模型的结论方向参数敏感性分析是这个方向论文里最能体现工作量、也最容易出彩的部分。我重点关注三个参数的敏感性碳交易价格从50元/吨扫到300元/吨观察CCS捕集量和P2G运行时间的变化。结论一般是存在一个碳价临界点低于该值CCS基本不启动高于该值CCS会快速满负荷但继续抬升碳价边际效果递减。这个临界点可以直接指导碳市场政策设计。天然气价格影响P2G制天然气的经济性。气价高时P2G产气的替代效益变强系统会更倾向于多产气气价低时P2G可能仅作为弃电消纳装置运行产气与否不再重要。风电/光伏装机容量目的是验证高比例新能源接入后P2GCCS的协同消纳能力到底有多强。新能源渗透率从20%提到60%时方案C的弃电率会重新抬头但方案D的弃电率依然能压得比较低这个对比能说明P2GCCS是支撑高渗透率新能源消纳的关键技术组合之一。6. 模型之外的思考从仿真研究走向工程落地还差几步做这类研究的价值不应止步于发一篇好论文。我始终认为优化调度模型最大的意义是给实际工程规划与运行提供决策工具。这段说说我在模型落地方向上的几个观察。6.1 从离线优化到在线滚动优化日前调度模型在工程落地时遭遇的第一个问题是预测不准。实际运行中次日的风光出力、热负荷、气价都会变化开环最优解很快失效。工程上常见的做法是改成滚动时域优化MPC每15分钟或1小时滚动一次滚动窗口从未来4小时到24小时可调每次只执行第一个时段的最优指令下一次重新求解。这个模式下模型的MILP求解时间就是落地可行性的硬指标——必须在几分钟甚至几十秒内解完。6.2 多能市场协同碳、电、气、热四市场联动的潜力更进一步这套模型天然支持“碳-电-气-热”多市场协同决策。当前工程实践中碳排放权交易、电力现货、天然气现货、热力市场往往是分头运行的碳价信号和电力现货价格信号之间互相割裂。但如果在模型里把碳价、分时电价、分时气价全部外生给定调度计划会自动完成跨市场套利弃电时段用电制气碳价高时多捕碳、卖配额或使用绿电这其实就是未来区域综合能源系统参与多市场交易的基本形态。6.3 对工程规划的前瞻价值我还尝试过把这类优化模型倒过来用固定系统参数反过来求碳捕集设备该装多大、P2G该装多大也就是把调度模型嵌套进规划模型的迭代里。两阶段规划-运行联合优化模型的复杂度会明显提升但对工程方案的可行性评估非常有价值。它能回答一个工程前期最关心的问题花多少钱装多少设备能在多少年回收成本、带来多少减排量这个问题在纯定性分析里很难回答但有了这套优化模型就是用一组线性不等式就能回答的问题。写在最后的一点体会研究做下来我最大的感受是综合能源系统的优化调度难点从来不在数学本身而是对物理过程的准确抽象和理解。P2G和碳捕集设备单独建模都不难难的是看清它们在热电联供这个特殊语境下的耦合关系——碳捕集的耗热和CHP的供热是矛盾的P2G的耗电和碳捕集的耗电是会抢资源的但如果把碳流当作耦合纽带把弃电时段捕碳制气作为调度逻辑的出发点这些矛盾就全部转化为协同关系了。如果你正在做类似方向我的建议是先把物理过程一丝不苟地梳理清楚再动笔写数学表达式建模逻辑最好用能量流图反复验证确认每个设备的输入输出都对接得上再上求解器。磨刀不误砍柴工模型物理逻辑清晰了后面的求解、算例验证都会顺很多。这个方向还有很多延伸空间比如把P2G的副产氧纳入综合能源系统、加入热网动态特性、考虑碳捕集溶剂损耗等更细的工程因素踏踏实实把一个环节做扎实就已经是很扎实的成果了。