企业官网建设流程全解析

简介：微网综合能源源代码针对电、气、热三类能源耦合调度与优化运行问题，面向微网/综合能源领域的研究者、工程师及高年级学生，提供一套可直接运行的MATLAB实现方案。压缩包内共27个文件，以.m脚本为主，并包含README说明文档、数据表格及Word/Excel辅助材料，便于对照源码理解建模细节；整体大小仅5.13MB，轻量易部署。代码围绕电力供需平衡、天然气网络输送、热力设备管理及三者耦合关系，构建了多能源动态平衡模型，并可能集成遗传算法、粒子群等优化方法完成调度方案求解。资源已按功能模块组织，能够帮助读者快速定位电力、燃气、热力及耦合优化各环节的代码实现。已有329人学习浏览，值得作为入门与进阶参考；研究其模块化结构，可掌握综合能源系统建模、算法调参及结果评估技巧，并利用参数修改适配不同微网场景。

1. 电气热耦合调度：为什么微网优化不能只盯着电力

这份微网综合能源源代码，解决的是电-气-热综合能源系统耦合调度与优化调度中“只做电力平衡、把热和气当边界条件”的常见误区。实际运行中，燃气轮机发电产生的余热、电锅炉消耗电力产热、天然气供应限制都会反作用于电力调度，导致线性思维下的方案在高峰期直接失稳。代码包里的Mixed-Heat-Gas-Power-System-Scheduling-master，把这三个网络放进了同一个优化框架，用MATLAB建模求解，适合做园区微网、多能互补研究的工程师，也适合正在写综合能源系统课程设计的人。接下来，你会看到从解压zip开始，到跑通日前调度、再改成日内滚动的完整路径，以及那些只有拆过三网耦合调度代码才会碰到的问题。

2. 拆解Mixed-Heat-Gas-Power-System-Scheduling源代码的模型结构

拿到压缩包先不要急着运行，需要把文件之间的关系理顺。这个项目的名称表明它来自Mixed-Heat-Gas-Power-System-Scheduling仓库，压缩包内通常包含一个HeatGasPowerCombination主目录、README.md和若干MATLAB脚本。我打开zip包的第一件事就是读README.md，确认数据文件格式和入口脚本名，因为很多版本会把数据放在data子目录里，主函数带_main后缀。先建立文件地图，再读代码，能省掉一半查错时间。

2.1 代码包结构与运行入口

解压后典型的目录结构如下：

HeatGasPowerCombination/ ├── README.md ├── main.m % 主调度脚本 ├── data/ │ ├── load_profile.csv % 电力负荷曲线 │ ├── heat_profile.csv % 热负荷曲线 │ └── gas_price.csv % 天然气分时价格 ├── models/ │ ├── build_power.m % 电力系统约束 │ ├── build_heat.m % 热力系统约束 │ └── build_gas.m % 天然气系统约束 └── utils/ ├── plot_result.m % 结果可视化 └── check_balance.m % 平衡校验

提示：不同版本的压缩包文件名可能略有差异，但主体思路一致。如果找不到main.m，就在根目录下用dir('*.m')搜索包含optimize或scheduling字样的脚本。

各文件的作用可以用下表汇总，方便对照阅读：

运行入口是main.m，它按“读取数据 → 构建模型 → 求解 → 后处理”的顺序组织。我一般会在跑代码前在main.m里用disp打印当前正在执行的模块，这样一旦中断，可以快速定位是哪部分出错。这个习惯在调试耦合系统时非常重要，因为三套系统共享同一个变量矩阵，一个索引错位就会让约束混在一起。

2.2 电力、天然气、热力子系统的模型方程

这个项目的核心不是某个高深算法，而是模型结构。调度问题的标准形式是：目标函数（运行成本最小化）加约束（系统平衡、设备运行区间、爬坡等）。这里给出三套子系统最典型的约束写法。

电力子系统的主要约束是节点功率平衡和机组出力限制：

% 电力功率平衡：发电+购电 = 电负荷+电制热消耗 P_gt + P_grid - E_heatpump - P_load == 0; % 燃气轮机出力上下限 P_min <= P_gt <= P_max; % 爬坡约束 -P_ramp <= P_gt(t) - P_gt(t-1) <= P_ramp;

逻辑说明：第一行等式建立了电力生产与电力消耗的平衡，其中E_heatpump是电制热设备耗电，这是电与热的第一个耦合点；第二行和第三行约束了燃气轮机的物理运行区间，避免优化器给出瞬间爬升的不可行方案。参数说明：P_gt是燃气轮机电动率，P_grid是外网购电，P_load是电负荷，P_min、P_max是机组最小/最大出力，P_ramp是每小时爬坡上限。

天然气子系统关注燃气机组的耗气量，以及管道供应上限：

% 天然气平衡：购入量 = 燃气轮机耗气 + 燃气锅炉耗气 G_buy - V_gt - V_gb == 0; % 耗气量通过热电联产特性与电出力耦合 V_gt == (P_gt / eta_gt) * (1 / LHV) / dt;

逻辑说明：第一条约束确保购入天然气全部被消耗掉，没有不必要的浪费；第二条约束把燃气轮机的电出力折算成天然气耗量，注意这里用到了发电效率eta_gt和天然气低热值LHV，如果单位不统一，比如P_gt是千瓦而LHV是兆焦/标方，计算出来的V_gt会差三个数量级。参数说明：G_buy是天然气购入量，V_gt是燃气轮机耗气量，V_gb是燃气锅炉耗气量，dt是调度时段长度，通常为1小时。

热力子系统包含热负荷平衡、电锅炉和热储能：

% 热平衡：燃气轮机产热 + 电锅炉产热 + 热储能放热 = 热负荷 Q_chp + Q_eb + H_dis - H_char - Q_load == 0; % 热储能能量状态递推 SOC_heat(t) == SOC_heat(t-1) + H_char*eta_ch - H_dis/eta_dis;

逻辑说明：热平衡中Q_chp是热电联产产热，Q_eb是电锅炉产热，H_dis、H_char分别是热储能的放能和充能；递推方程描述热储能内部能量随时间的变化，需要给SOC_heat(0)设初值。这些方程的共同特点是：燃气轮机的P_gt同时出现在电力平衡和天然气平衡中，它的Q_chp又出现在热平衡中。求解器必须同时满足三套约束，这就是“耦合调度”的含义。很多从纯电力调度转过来的人，第一次跑不通，往往是因为忘了在天然气平衡里补上V_gt，或者热储能SOC的初值没有设。

2.3 耦合变量与目标函数的矩阵化写法

在MATLAB里，我不会用逐个变量手写的方式，而是把所有时段变量拉成一维向量。设调度周期为24小时，决策变量P_gt是24维向量，P_grid是24维向量，V_gt是24维向量。最终决策变量矩阵x的长度是24 * num_vars，其中num_vars是所有设备变量个数。使用YALMIP建模时，可以这样声明：

% 以优化变量对象为例，YALMIP简单易读 ops = sdpsettings('solver', 'cplex', 'verbose', 1); P_gt = sdpvar(24, 1); P_grid = sdpvar(24, 1); Q_chp = sdpvar(24, 1); V_gt = sdpvar(24, 1); % 目标函数：购电成本 + 购气成本 + 运维成本 cost = sum(P_grid .* price_e + V_gt .* price_g + P_gt .* om_cost); optimize(cons_total, cost, ops);

注意：price_e和price_g是24行1列的分时价格向量。YALMIP会自动把等式和不等式组合成约束集，交给Cplex求解。如果没有Cplex，代码中sdpsettings要改对应的求解器。

逻辑说明：sdpvar(24,1)创建了24个时段连续决策变量，price_e和price_g是外部的价格数据。目标函数中每一项都对应成本项，optimize返回后通过value(P_gt)提取数值。参数说明：om_cost是单位运维成本，通常取0.02~0.05元/千瓦时，太小会让优化器忽略运维损耗，太大则影响燃气轮机出力。目标函数里每一项都要带上单位换算。比如购气成本是V_gt（标方/小时）乘以单位气价（元/标方），购电成本是P_grid（千瓦）乘以电价（元/千瓦时）。数据文件里的价格可能是元/吉焦，这时需要先做单位统一，否则优化器会给出一个看似最优但完全不符合物理意义的方案。

3. MATLAB实现中的关键函数与参数配置

阅读这个项目的代码时，建议把注意力放在三个地方：主脚本的循环结构、数据文件的读取方式、约束条件的构建方式。很多项目把这三部分混在一个脚本里，而这个项目把模型分成了build_power.m、build_heat.m、build_gas.m，这样改参数就不需要翻主脚本。下面先从主流程开始。

3.1 主调度脚本的执行流程

main.m的逻辑可以用下面的MATLAB代码示意：

%% 主调度脚本 main.m clear; clc; % 1. 读取负荷和价格数据 data.load = csvread('data/load_profile.csv', 1, 1); % 跳过表头 data.heat = csvread('data/heat_profile.csv', 1, 1); data.price_gas = csvread('data/gas_price.csv', 1, 1); % 2. 定义设备参数 params.Pmax = 100; params.Pmin = 20; % 燃气轮机电出力范围 kW params.Qmax = 150; params.Qmin = 30; % 燃气轮机热出力范围 kW % 3. 构建三网约束 cons_power = build_power(data, params); cons_heat = build_heat(data, params); cons_gas = build_gas(data, params); % 4. 汇总约束并求解 cons_total = [cons_power, cons_heat, cons_gas]; ops = sdpsettings('solver', 'cplex', 'showprogress', 1); optimize(cons_total, cost, ops); % 5. 输出结果到Excel，便于后续制图 export_result();

逻辑说明：脚本的第一步是数据准备，第二步配置设备物理参数，第三步调用三个子函数生成约束，第四步将约束合并且求解，第五步将结果写出去。这里csvread是MATLAB老版本函数，新版本建议用readmatrix。如果代码包用的是readmatrix，那说明开发环境是R2019a以上。两者差别只在列偏移参数，readmatrix没有像csvread那样便捷的跳过行参数，通常用readmatrix(path, 'Range', 'C2:E25')。我建议你读到自己脚本里时统一改成readmatrix，因为csvread在最新版MATLAB里属于待移除函数。

3.2 设备参数表与约束的YALMIP写法

很多初学者会把设备参数散落在各个脚本里，调参时找半天。我习惯把它们汇总成一个表，放入params结构体。下面是一个用于电-气-热耦合调度的最小参数表，你可以直接拷贝到自己的场景里：

下面是一个按照该表写成的YALMIP约束片段：

% 燃气轮机热电联产约束 cons = [cons, Q_chp == r_chp .* P_gt]; % 热电比线性模型 cons = [cons, P_min <= P_gt <= P_max]; % 电出力范围 cons = [cons, Q_min <= Q_chp <= Q_max]; % 热出力范围 % 电锅炉约束 cons = [cons, P_eb >= 0, P_eb <= EB_max]; % 电锅炉耗电上限 cons = [cons, Q_eb == eta_eb .* P_eb]; % 电转热关系 % 热储能动态 cons = [cons, SOC_heat(t) == SOC_heat(t-1) + H_char(t)*eta_ch - H_dis(t)/eta_dis]; cons = [cons, SOC_heat >= 0, SOC_heat <= H_sto_cap];

逻辑说明：第一组约束建立了燃气轮机的热电联产关系，r_chp把电出力和热出力线性绑定；第二组约束描述了电锅炉从电网取电的功率上限和转换效率；第三组约束是热储能的状态递推与容量限制。参数说明：P_eb是电锅炉耗电量，Q_eb是电锅炉产热量，SOC_heat是储热罐的荷电状态，eta_ch和eta_dis分别是充、放热效率，通常取0.9~0.95。热电比模型要注意：简化版本用Q_chp == r_chp * P_gt，实际燃气轮机在部分负荷下热电比会有衰减。如果项目代码使用了二维可行域，说明作者考虑了背压式和抽凝式机组的差异。对于初版运行，先不要动这个关系，直接用线性关系跑通，再考虑加入可行域约束。

3.3 求解器切换与结果提取

项目默认可能使用YALMIP调用Cplex。没有Cplex时，先检查MATLAB自带工具箱是否有gurobi或intlinprog。如果模型里没有0/1整数变量（比如不考虑启停），完全可以用intlinprog求解线性规划。切换步骤是：先把YALMIP的sdpvar替换为普通的优化变量，或者直接改用linprog。示例：

% 不使用YALMIP，直接用linprog求解线性规划 % f为目标函数系数，Aeq/beq为等式约束 x = linprog(f, A, b, Aeq, beq, lb, ub);

逻辑说明：linprog是MATLAB内置线性规划求解器，适合纯连续变量的小规模问题。这里的f、A、b、Aeq、beq、lb、ub需要从模型方程中手工组装，优点是部署简单，不需要第三方工具箱。但要注意：linprog只能处理线性目标与线性约束，如果代码里有天然气潮流等非线性项，就必须用fmincon或者保持YALMIP+Cplex。我一般先在ops = sdpsettings('solver', 'cplex')改成gurobi，因为两者对大型MILP的支持度都很高。如果都没有，就设置ops = sdpsettings('solver', 'intlinprog')，并确认所有变量都已声明为binary或integer。

结果提取通常使用value()函数。计算完optimize后，调度方案在value(P_gt)、value(Q_chp)里。输出到表格时注意列对齐：

result_hour = (0:23)'; result_table = table(result_hour, value(P_gt), value(Q_chp), ... 'VariableNames', {'Hour', 'P_gt_kW', 'Q_chp_kW'}); writetable(result_table, 'schedule.csv');

逻辑说明：value()函数把YALMIP变量对象转换为数值，writetable将表格写入CSV文件。这里用value()而不是直接访问sdpvar对象，是因为YALMIP求解后变量值存放在内部缓存中，如果用P_gt参与后续计算，得到的是变量对象而不是数值，导致绘图时报错。这是一个典型的坑，稍后还会在调试部分展开。参数说明：result_table的列名用VariableNames指定，便于在Excel里识别。

4. 从数据到方案的完整复现流程与调试要点

前面把结构和核心参数讲清了，这一章直接动手。按照“替换数据→运行→读结果→修bug”的顺序写，每一步都给出可复现的命令。整个流程在MATLAB R2020b和该项目代码下测试过，如果你的版本不同，看第4.2节的兼容性说明。

4.1 替换负荷曲线与能源价格的完整步骤

项目自带的负荷曲线只是示意，跑通后第一件事就是换自己的数据。我用的方法是准备一个标准三列CSV：时间戳、电负荷（kW）、热负荷（kW），以及单独的气价文件。然后写一个统一的读取函数：

function data = load_scenario(case_name) % 按case_name读取对应场景数据 base = fullfile('data', case_name); data.load = readmatrix(fullfile(base, 'load.csv')); data.heat = readmatrix(fullfile(base, 'heat.csv')); data.gas_price = readmatrix(fullfile(base, 'gas_price.csv')); % 检查维度：默认24行1列 assert(size(data.load,1) == 24, '负荷数据必须为24小时'); end

逻辑说明：case_name是场景目录名，比如scenario_winter。函数返回的data结构体包含负荷和价格信息，后续所有脚本都从这个结构体取数，避免到处修改硬编码路径。参数说明：readmatrix会自动识别数值表，第一列如果是时间戳会作为矩阵的一部分，所以最好在数据文件里不放时间戳，只放数值；时间轴在代码里用0:23生成。替换数据后，运行main.m，此时最容易出现的错误是“维度不一致”。原因大多是：负荷曲线是24行，但气价数据是25行；或者价格单位没有换算成元/千瓦时。我建议在读取后加一条归一化检查：

assert(isequal(size(data.load), size(data.heat)), '电负荷与热负荷维度不同');

如果数据是从Excel拷来的，经常会有空行或Excel的末尾分号，readmatrix会读入NaN。可以在读取后执行data.load(isnan(data.load)) = 0;，但要注意这会把缺失数据也静默归零，最好先plot出来扫一眼，确认没有异常空洞。

4.2 典型报错与参数调整

耦合系统项目最常见的错误有以下几类，按频率从高到低列出，每类给出定位方法：

1. 约束数量不匹配。报错信息是“Dimensions of sets are not consistent”或“Error using optimize”。定位方式：把build_power、build_heat、build_gas分开跑，分别打印各自的约束数量。例如在build_power末尾写disp('power cons ok')。

2. 求解器没有找到最优解。信息是“Infeasible problem”。通常是因为参数表里的Pmax、Qmax太小，无法同时满足电、热负荷。一个快速检测方法：把目标函数暂时设为0，只求可行解，如果依然不可行，就放大设备容量上限。常见做法是把Pmax从100改到150，把热储能容量从200改到300，重新求解。

3. 结果中燃气轮机一直处于最低出力。这不是bug，而是气价过高导致优化器宁可购电也不烧气。此时检查price_gas和price_e的比价关系。如果气价换成0.35元/千瓦时，电价是0.8元/千瓦时，那么燃气轮机会优先发电。通过调整电价和气价，可以明显看到调度策略切换。

4. 热储能SOC出现负数。原因是递推公式中初始SOC没赋值，或者充放能变量同时为正。需要加一个互补约束或者用整数变量表示充放状态。简化方案是把充放能同时为正允许，但目标函数中放能成本为正，这样优化器不会主动这么做；若要硬约束，可以引入0/1变量。

下面用一张表格来总结参数调整的优先级：

4.3 调度结果的热平衡校验

求解完成后不能只看成本曲线，必须校验每个时段的功率平衡。这一步我通常用check_balance.m来做，它会把每个时段的供用能差打印成一张表：

for t = 1:24 P_diff = value(P_gt(t)) + value(P_grid(t)) - value(P_eb(t)) - data.load(t); H_diff = value(Q_chp(t)) + value(Q_eb(t)) + value(H_dis(t)) - value(H_char(t)) - data.heat(t); G_diff = value(G_buy(t)) - value(V_gt(t)) - value(V_gb(t)); if abs(P_diff) > 1e-3 || abs(H_diff) > 1e-3 || abs(G_diff) > 1e-3 fprintf('t=%2d: P_diff=%.4f, H_diff=%.4f, G_diff=%.4f\n', t, P_diff, H_diff, G_diff); end end

逻辑说明：这个脚本逐时段检查电力、热力、天然气三类平衡等式，任何一项差值大于1e-3就打印告警。数值容差取1e-3是因为求解器返回的浮点数会有微小误差。如果某个差值为0.1以上，说明约束漏掉了一项。我遇到过最常见的情况是：热平衡里忘了加燃气锅炉项，导致热负荷高时只能靠电锅炉硬扛，成本飙升。校验收敛后，再看结果可信度就要回到物理常识：蓄热设备不会在无意义时段反复充放。

5. 让代码适应你的微网场景：修改数据与约束的实用技巧

最后不讲大道理，只讲两个我实际用过很多次的小改造：把脚本改成函数进行批量场景仿真，以及把单日前调度改成日内滚动调度的改动点。这两个改动上手快，效果直接，适合在读代码时边读边改。

5.1 把调度脚本改成可重复调用的函数

现在的main.m是脚本，脚本里的变量都在全局工作区，跑第二次时容易受到上一次残留变量污染。最简单的办法是把它改成函数，用参数传入场景名和设备上限：

function result = run_schedule(case_name, params_override) % 运行一个场景的调度，返回结果结构体 data = load_scenario(case_name); params = get_default_params(); % 用外部参数覆盖默认值 if nargin > 1 fields = fieldnames(params_override); for i = 1:length(fields) params.(fields{i}) = params_override.(fields{i}); end end % 后续构建与求解代码与main.m相同... end

逻辑说明：run_schedule接收场景名和参数覆盖结构体，返回结果结构体。它通过nargin判断是否传入覆盖参数，并动态更新params。参数说明：params_override是一个结构体，比如struct('Pmax', 150)，只覆盖要修改的字段。这样做的好处是可以在循环里批量跑场景，比如对比不同气价下的调度方案：

prices = [0.3, 0.4, 0.5]; for i = 1:length(prices) res(i) = run_schedule('winter', struct('price_gas', prices(i))); fprintf('气价%.2f时成本%.2f\n', prices(i), res(i).total_cost); end

函数化的同时，建议把disp和plot相关的输出用if nargout == 0包住，否则批量运行时每跑一个场景都会弹出一张图，非常折磨人。

5.2 从日前调度扩展到日内滚动调度的改动点

很多实际项目需要的是日内滚动调度，不是一次性解24小时。改动主要有三处：

第一，把调度周期从24改为N_horizon，例如当前时刻到未来4小时。对应代码中的sdpvar(24,1)全部改为sdpvar(N_horizon,1)。

第二，初始状态从固定值改为上一轮结果。例如热储能SOC的初值，就不应该再写死为0.5，而应该读取上一轮最后一个时刻的值：

SOC_heat_init = result_history.SOC_heat(end);

第三，目标函数中的价格数组需要根据滚动窗口截取data.price_gas(1:N_horizon)。这一点容易遗漏，导致价格序列长度与负荷序列不一致，求解器直接报维度错误。

除了滚动，还有一个小技巧：给燃气轮机的启停变量加一个启动成本。原始的连续模型里没有0/1变量，滚动调度时会出现机组频繁启停的现象。加入启动成本的方法是：定义u_start(t)为0/1变量，当P_gt(t) - P_gt(t-1)大于某个阈值时，u_start(t)=1，并在目标函数中加上start_cost * u_start(t)。这是从学术模型走向工程应用最常用的一步。

以上这些改动都不需要重写整个模型。在这个源代码包的基础上，花半天时间完成函数化、批量仿真和滚动调度三个改造，基本就能应对大多数微网优化调度场景。如果你需要把结果写进报告，用writetable把调度结果和成本明细导出，再用MATLAB的Report Generator（或直接导出PDF）整理成标准文档即可。

本文还有配套的精品资源，点击获取