企业官网建设流程全解析

最近在做综合能源系统方向的项目，核心内容就是把碳捕集系统（CCS）、电转气（P2G）和热电联产（CHP）这三块耦合到同一个优化模型里，用Matlab做建模、求解和仿真分析。这个方向这两年热度确实高，因为它同时踩中了两个痛点：一是高比例新能源并网后的弃风弃光问题，二是双碳目标下的碳排放约束问题。这篇博文我打算把一个完整的P2G+CCS+CHP综合能源系统建模优化流程拆开讲清楚——从物理过程怎么翻译成数学公式，到优化模型怎么搭，再到Matlab代码怎么组织、求解器怎么选，最后把我实际调参仿真时踩过的坑也一并列出来。适合正在做综合能源系统优化、或者刚接触碳捕集/电转气建模的研究生和工程师参考，目标是你看完能直接照着搭出一个可运行的框架。

1. 为什么要把P2G、碳捕集和热电联产放在一个模型里

1.1 单看CHP是"稳定器"，放进高比例新能源系统就成了"麻烦源"

传统热电联产机组最大的特点是"以热定电"：冬季供热期为了满足热负荷，机组必须维持较高的电出力，而且供热出力越大，电出力下限越高。这个物理特性在纯火电系统里问题不大，但一旦系统里接入大规模风电、光伏，麻烦就来了——热负荷高峰往往和风电大发时段重叠，CHP被迫满发，电网消纳空间被挤占，风电只能白白弃掉。我在实际仿真里见过供热季弃风率超过20%的算例，而且越是供暖季，弃风越严重，这就是典型的"热电耦合"困局。

解决思路无非两条：一是给CHP"减负"，让它在风电大发时少发电；二是给系统"加荷"，把多余的电力变成其他形式的能量存起来或利用掉。前者对应的是改造热电联产运行方式，比如加装储热罐、电锅炉；后者对应的就是电转气技术。

1.2 P2G和CCS各自解决了什么，耦合起来又解决了什么

电转气（Power-to-Gas）简单说就是把电能转化为燃气，通常分两步：第一步电解水制氢，第二步氢气与CO2甲烷化生成天然气。注意第二步需要消耗CO2，而这个CO2从哪来来？如果单独买，成本很高；如果和碳捕集系统配合，CCS正好从烟气里捕集CO2，直接作为P2G原料——这就形成了一个很有意思的闭环：

• CHP燃烧天然气发电产热，产生含CO2烟气；
• CCS从烟气中捕集CO2，一部分外送封存或利用，一部分供给P2G；
• P2G利用风电低谷期的多余电能电解水制氢，再和CO2甲烷化，产出天然气回补气网；
• 天然气又可以供给CHP使用。

这个循环的好处不止一个。从消纳端看，P2G相当于一个可调节的大功率负荷，风电大发时多开，风电不足时少开，直接抬高了系统的灵活调节能力。从碳端看，CCS把本来要排到大气里的CO2固定下来，P2G又把它变成了燃料，碳排放强度显著下降。从热端看，CCS的溶剂再生过程需要消耗大量蒸汽，而这部分蒸汽通常从CHP的抽汽中获取，相当于给CHP的对外供热能力加了约束，反而缓解了"以热定电"——机组不能把全部抽汽都拿去供热了，电出力下限跟着松动，给风电腾出了更多空间。

1.3 三设备耦合建模的本质

所以把P2G、CCS和CHP放在同一个模型里，本质上是把三条能量流（电能流、热能流、天然气流）和一条碳流（CO2捕集、利用、排放）统一建模。电力平衡约束里，P2G是新增电负荷；热力平衡约束里，CCS是新增热负荷，储热罐可以削峰填谷；燃气平衡里，P2G产气是气源；碳约束里，CCS捕集量和P2G消耗量是衔接变量。四个平衡关系通过耦合变量互相牵制，这才是这个优化问题的核心难点，也是Matlab建模中最需要仔细处理的地方。

2. 系统架构与设备物理模型：能量流怎么走，约束从哪来

2.1 系统拓扑和能量流关系

我在模型里设置的综合能源系统结构大概是这样的：风电接入电网，CHP同时接入电网和热网，燃气锅炉作为热网备用热源，电锅炉可以直接用电供热，P2G从电网取电产气并接入天然气网，CCS从CHP烟气中捕集CO2（部分供给P2G），储热罐挂在热网上用于时段转移。电、热、气三种能源通过各自的母线平衡，耦合点就在CHP机组、P2G和CCS这三个设备上。

做模型第一步就是把所有设备的输入输出关系列成一张表：CHP输入天然气，输出电能和热能；P2G输入电能和CO2，输出天然气；CCS输入热能和烟气，输出CO2流；储热罐输入/输出热能；电锅炉输入电能输出热能。这张表就是后面写约束方程的基础，建议新手第一步先画这张表，而不是急着写代码。我见过太多人上来就写Yalmip代码，结果能量流方向搞反了，后面调试极其痛苦。

2.2 CHP机组建模：可行域而不是单点

热电联产机组的关键在于电出力和热出力不是独立的，而是有一个耦合可行域。对于最常见的抽凝式机组，可行域可以用一组线性不等式来逼近描述。我用的简化模型是这样的：

% CHP电出力与热出力耦合约束（抽凝式） % P_e_min + c_v*P_h <= P_e <= P_e_max - k_v*P_h % 其中 c_v 是低压供热工况下的电出力下限斜率，k_v 是电出力上限斜率 P_e_min = 20; % MW 纯凝工况最低电出力 P_e_max = 200; % MW 纯凝工况最大电出力 c_v = 0.15; % 供热对电出力下限的影响系数 k_v = 0.25; % 供热对电出力上限的影响系数 P_h_max = 120; % MW 最大热出力

这里每个参数都有明确的物理意义：当热出力增加时，电出力上限会下降（因为抽汽多了，做功的蒸汽少了），电出力下限会上升（为了维持供热，机组不能降得太低）。这两条线的斜率k_v和c_v是CHP机型的关键参数，来自机组的实际运行数据，仿真时不能随意拍脑袋，最好参考同类型机组的铭牌参数或文献数据。

CHP的燃料消耗量我用线性化模型，即燃料成本是电出力和热出力的线性组合：

% F_chp(t) = b0 + b1*P_e(t) + b2*P_h(t) b0 = 40; % 空载燃料成本 (万元/h) b1 = 0.25; % 电出力燃料成本系数 (万元/MWh) b2 = 0.12; % 热出力燃料成本系数 (万元/MWh)

注意这个线性化只在机组运行区间内有效，不能外推到可行域之外。如果你的项目需要更高精度，可以把二次成本函数做分段线性化，后文第6章会专门讲这个问题。

2.3 P2G模型：电解槽效率与甲烷化的CO2需求

P2G我建模为两段：电解水制氢（电→氢）和甲烷化（氢+CO2→甲烷+水）。整体电转气效率指的是电→甲烷的效率，即：

G_p2g(t) = eta_p2g * P_p2g(t) * 3.6 / LHV_gas; % eta_p2g 综合效率约 0.45~0.60（电转甲烷） % LHV_gas 为天然气低位热值，约为 36 MJ/m3 % P_p2g 单位 MW，G_p2g 单位 km3/h（千立方米/小时）

这个式子为什么是3.6？因为1 MWh电能量等于3.6 GJ，需要除以天然气的低位热值才能换算成体积。很多新手在这里忘记单位换算，算出来的产气量差了好几个数量级，后面所有平衡约束全乱套。

甲烷化过程的CO2需求量按化学计量比来算：每生产1立方米甲烷，大约需要1.8公斤CO2。写成约束就是：

% 每产 1 km3 甲烷需要的CO2质量（吨） CO2_demand(t) = 1.8 * G_p2g(t); % 单位：吨/h % 注意：1 km3 = 1000 m3，1.8 kg/m3 = 1.8 t/km3

这个计算看起来简单，但它在模型里起着关键的耦合作用：CCS捕集量不仅要覆盖系统自身的碳排放控制目标，还要保证P2G的CO2原料供应充足。如果CCS容量太小，P2G就没有原料，只能额外购买CO2，经济性直线下降。

2.4 CCS模型：捕集率、能耗和热负荷耦合

碳捕集系统我按燃烧后胺法捕集来建模，核心参数是捕集效率和单位能耗。捕集到的CO2量和烟气中CO2总量之间的关系是：

P_capture(t) = alpha_ccs * (E_chp_emission(t) - E_vent(t)); % alpha_ccs 捕集率，一般取 0.85~0.95 % E_chp_emission 是CHP单位时段的原始CO2排放量（吨/h） % P_capture 是实际捕集到的CO2量（吨/h）

CCS系统最大的特点是再生塔需要大量蒸汽来加热富液解析CO2，这部分蒸汽通常从CHP的中低压抽汽中获取。我用的模型是：

H_ccs(t) = theta_ccs * P_capture(t); % theta_ccs 为单位捕集的热耗系数，典型值 0.2~0.4 MWh/tCO2

这里最关键的地方在于：CCS消耗的热能会从CHP对外供热中扣除。我在热平衡约束里写的是P_h(t) - H_ccs(t)才是实际对外供热量，这意味着CCS捕集量越大，机组能供给热网的热量越少，间接拉低了CHP必须维持在较高出力的压力。这个机理在实际论文里经常被描述为"碳捕集削弱热电耦合"，是碳捕集系统对新能源消纳起到积极作用的核心所在。

2.5 储能系统模型

储热罐的模型相对简单，就是能量守恒加上容量约束：

S_op(t) = S_op(t-1) + (H_charge(t) - H_discharge(t)) * dt; 0 <= S_op(t) <= S_max; H_charge(t) <= H_charge_max; H_discharge(t) <= H_discharge_max;

我要特别提醒一个细节：储热罐的初末状态约束。实际工程中调度是周期性的，通常要求一个调度周期结束时储热量回到初始值，否则模型会把储热罐当成"免费的无限能量库"，导致结果失真。我在代码里加了S_op(1) == S_op(T)作为周期约束，这个约束必须在建模阶段就加上。

3. 优化问题构建：目标函数、等式不等式约束与求解器取舍

3.1 目标函数：为什么我选择"运行成本最小化"

综合能源系统优化的目标函数一般有几个选择：最小化总运行成本、最小化碳排放、最小化弃风量，或者做多目标加权。我在这个项目里选的是"运行成本最小化"，同时把碳排放通过碳交易机制折算进成本，原因有三：

第一，成本最小化是最接近实际运营者的决策逻辑，工程落地性最强。第二，碳排放通过碳价进入目标函数后，不需要额外处理多目标权重，模型还是单目标优化，求解简单且结果好解释。第三，仿真想回答的核心问题是"CCS+P2G在经济上是否划算"，只有把成本作为结果指标，才能对比不同技术组合的可行性。

目标函数的具体构成：

% 总成本 = 购气成本 + 购电成本 + 碳交易成本 + 设备运维成本 Objective = sum(c_gas * F_chp + c_gas * F_gb) ... % 燃气成本 + sum(c_grid * F_net) ... % 购电成本 + sum(c_carb * (E_total - E_allowance)) ... % 碳交易成本 + sum(c_om_chp * P_e + c_om_p2g * P_p2g + c_om_ccs * P_capture); % 运维成本

注意碳交易成本一项里，E_total是系统总排放，E_allowance是免费配额，两者之差乘以碳价就是实际碳成本。这个模型里如果CCS捕集量足够大，E_total - E_allowance可以变成负数，也就是系统通过卖碳配额赚钱，这在实际运行中是真实存在的激励机制。

3.2 约束条件清单

我把模型里的约束分成五类，写代码时这样分类有助于排查问题：

首先是平衡约束。电功率平衡、热功率平衡、天然气平衡、CO2平衡四条，属于等式约束，直接反映能量守恒。电功率平衡的典型写法是：

P_e(t) + P_wind(t) + F_net(t) == E_load(t) + P_eb(t) + P_p2g(t) + P_hes(t); % P_hes 是电储能充电功率（如果模型里有电储能的话）

热功率平衡则是：

P_h(t) + H_gb(t) + H_discharge(t) == H_load(t) + H_charge(t) + H_ccs(t);

第二是设备运行约束，包括CHP可行域、锅炉出力范围、P2G和CCS的容量限制。第三是爬坡约束，CHP电出力相邻时段变化率一般限制在每小时5%~10%额定容量以内。第四是储能动态约束。第五是碳排放约束，包括总碳排放不能超过上限、CCS捕集量受限于烟气中CO2总量等。

3.3 求解器取舍：MILP是默认选择

确定目标函数和约束之后，接下来要决定模型用什么样的求解器。我的建议是：除非有强烈的非线性环节必须保留，否则一律把模型线性化，用混合整数线性规划（MILP）求解。

原因很实在：综合能源系统调度本质上是多时段耦合决策问题，典型周期24小时或168小时，变量规模几千到几万个，非线性求解器（如fmincon、ipopt）很容易陷入局部最优，而且求解时间不可控。而线性/MILP模型配合Gurobi或CPLEX，在求解质量和速度上都远优于通用非线性求解器。我在Matlab里的标准配置是Yalmip做建模层，Gurobi做底层求解器（ICPlex也可以，效果类似）。

% Yalmip设置求解器 ops = sdpsettings('solver', 'gurobi', 'verbose', 2); solution = optimize(Constraints, Objective, ops);

如果你的电脑没有装Gurobi，退而求其次可以用MATLAB自带的intlinprog，但求解大规模问题时会明显慢一截。我建议课题组有条件的话用学术版Gurobi，免费而且性能极佳，安装也就是注册一个academic license的事。

4. Matlab代码实现：从参数表到可运行的优化主程序

4.1 代码结构怎么组织

我做这类项目的Matlab代码通常分四个文件，避免全部逻辑堆在一个脚本里：

• init_params.m：定义所有设备参数、预测数据（风电出力曲线、负荷曲线）、价格参数，输出一个结构体数组p；
• build_model.m：接收参数p，声明Yalmip变量、写约束和目标函数，返回Constraints和Objective；
• solve_case.m：调用optimize求解，做后处理，把结果整理成表格和曲线；
• plot_results.m：画图，包括电平衡曲线、热平衡曲线、弃风情况、碳排放分布。

我目前用的是Matlab 2024b，Yalmip需要安装最新版，推荐从GitHub拉R2024版本。需要提醒一下：Matlab版本和Yalmip的兼容性有时候会出问题，特别是新版Matlab里Yalmip的路径配置如果没弄好，会报一些奇怪的错误。还有就是环境变量的配置问题，比如Win10下装了多个Matlab版本，启动时容易遇到mathworks licensing error 8之类的许可证报错，这种基本都是许可证文件路径或者MLM_LICENSE_FILE环境变量没配好导致的，和代码本身没关系，遇到先检查环境，别急着怀疑模型。

4.2 主程序搭建：变量声明和核心约束

下面这段代码是build_model.m的核心部分，我把变量声明和关键约束写出来，方便你直接对照着搭建自己的模型：

function [Constraints, Objective, variables] = build_model(p) T = p.T; % 调度时段数，例如24 %% 决策变量 % CHP P_e = sdpvar(1, T); % 电出力 MW P_h = sdpvar(1, T); % 热出力 MW F_chp = sdpvar(1, T); % 燃料量（折合天然气 k m3/h） % P2G P_p2g = sdpvar(1, T); % 电耗 MW G_p2g = sdpvar(1, T); % 产天然气 k m3/h % CCS P_cap = sdpvar(1, T); % 实际捕集CO2量 t/h H_ccs = sdpvar(1, T); % 热耗 MW % 电网 F_net = sdpvar(1, T); % 网购电 MW % 锅炉、储能 H_gb = sdpvar(1, T); % 燃气锅炉热出力 MW H_ch = sdpvar(1, T); % 储热充电功率 MW H_dis = sdpvar(1, T); % 储热放电功率 MW S_op = sdpvar(1, T); % 储热罐蓄电量 MWh %% 约束 Constraints = []; % 1) CHP可行域 Constraints = [Constraints, p.P_e_min + p.c_v * P_h <= P_e <= p.P_e_max - p.k_v * P_h]; Constraints = [Constraints, 0 <= P_h <= p.P_h_max]; % CHP燃料线性化成本 Constraints = [Constraints, F_chp == p.b0 + p.b1 * P_e + p.b2 * P_h]; % 2) P2G Constraints = [Constraints, G_p2g == p.eta_p2g * P_p2g * 3.6 / p.LHV_gas]; Constraints = [Constraints, 0 <= P_p2g <= p.P_p2g_max]; % 3) CCS Constraints = [Constraints, P_cap >= p.alpha_ccs * p.CO2_coef * F_chp]; % 捕集量不能超过排放量，这里 CO2_coef 为单位燃气燃烧排放系数 Constraints = [Constraints, P_cap <= p.CO2_coef * F_chp]; % CCS热耗 Constraints = [Constraints, H_ccs == p.theta_ccs * P_cap]; % 4) 电功率平衡 Constraints = [Constraints, P_e + p.P_wind + F_net == p.E_load + P_p2g]; % 5) 热功率平衡 Constraints = [Constraints, P_h + H_gb + H_dis == p.H_load + H_ch + H_ccs]; % 6) 储热 Constraints = [Constraints, S_op(1) == p.S_init]; for t = 2:T Constraints = [Constraints, S_op(t) == S_op(t-1) + (H_ch(t) - H_dis(t)) * p.dt]; end Constraints = [Constraints, S_op(T) == p.S_init]; % 周期性 Constraints = [Constraints, 0 <= S_op <= p.S_max]; Constraints = [Constraints, 0 <= H_ch <= p.H_ch_max, 0 <= H_dis <= p.H_dis_max]; % 7) 锅炉 Constraints = [Constraints, 0 <= H_gb <= p.H_gb_max]; %% 目标函数 Objective = sum(p.c_gas * F_chp + p.c_gas * F_gb) ... + sum(p.c_grid * F_net) ... + sum(p.c_carb * (p.CO2_coef * F_chp - p.alpha_ccs * P_cap - p.E_allowance)) ... + sum(p.c_om_chp * P_e + p.c_om_p2g * P_p2g); %% 返回变量用于后处理 variables = struct('P_e', P_e, 'P_h', P_h, 'P_p2g', P_p2g, ... 'P_cap', P_cap, 'F_net', F_net, 'S_op', S_op); end

写这个模型有个小经验：Yalmip里sdpvar声明向量变量时，下标从1到T，循环写约束时注意Matlab的索引习惯；用optimize求解完以后，直接用value(P_e)取值，别再用value('P_e')这种字符串方式，新版Yalmip对字符串变量名的支持已经移除了，旧代码经常在这里报错。

4.3 求解和后处理

求解部分很简单，就是一个optimize调用。但后处理我认为比求解本身更花心思。我通常把结果整理成一张表：每个时段的风电消纳量、CHP电出力、P2G电耗、CCS捕集量、储热罐SOC、购电量、碳排放。然后画6张图：电平衡堆叠面积图、热平衡堆叠面积图、风电消纳曲线、碳排放柱状图、储热SOC曲线和成本构成饼图。这些图是论文里最常用的结果图，也是你判断模型是否合理的直接依据——比如某时段储热SOC曲线震荡剧烈的，多半是充放策略出了问题，要回头查约束。

5. 典型日仿真：三种运行模式下的成本、碳排放与弃风率对比

5.1 场景设置

为了回答"CCS和P2G到底带来了什么"，我给模型设计了三个运行模式做对照实验。模式A是基准系统，没有CCS也没有P2G，只有CHP、锅炉、储热和风电；模式B在A基础上加了CCS；模式C是完整系统，CCS和P2G都投入运行。风电出力曲线和电、热负荷曲线都采用同一个典型冬季日数据，风电装机150MW，电负荷峰值180MW，热负荷峰值120MW，CHP容量200MW。

这里有个参数设置上的小细节：风电出力和热负荷的匹配关系在冬季很微妙。白天热负荷高、风电一般；夜间热负荷依然高（因为是供热季），风电却常常达到峰值，这就是弃风发生的典型窗口。如果你的仿真结果里完全没有弃风时段，说明风电装机容量太小，系统不具备分析价值，建议先调大风电渗透率。

5.2 仿真结果与对比

我在一组典型参数下跑出来的结果大致如下（具体数值随参数略有浮动，这里给出的是趋势性结果）：

从结果能看出几个有意思的规律。

第一，模式B相比模式A，碳排放下降明显（从486降到289吨），但总成本反而上升了13.8万。这是因为CCS运行需要消耗大量蒸汽，机组燃料成本增加，而且碳交易节省的钱在低碳价下还不足以覆盖CCS的额外能耗成本。这说明"加装CCS是有成本的"，不能只想着环保不看钱。

第二，模式C在模式B的基础上增加了P2G，碳排放又降了75吨，弃风率从12.2%降到5.4%，成本反而比模式B降了4.5万。原因在于P2G把原本要弃掉的风电转化为天然气，这部分燃气是有价值的，抵消了P2G设备本身的运维成本。也就是说，弃风严重时P2G不仅环保，而且经济上也能回血。

第三，仔细观察模式C的调度策略会发现，P2G基本都在凌晨风电高峰时段满功率运行，白天风电不足时功率降低甚至停机；CCS则在夜间CHP高负荷时段捕集量最大，白天捕集量减少。这种时段差异是优化模型自己学出来的，体现了多能互补的价值。

5.3 碳价敏感性分析

我顺手做了个碳价敏感性测试：把碳价从每吨30元调到300元，模式C的优势越来越明显。碳价低的时候，模式B和C总成本高于模式A；但当碳价超过每吨150元时，模式C的总成本开始低于模式A，也就是"低碳技术在经济上self-validating"。这个结论在项目汇报里很有用，可以论证"碳交易机制是P2G+CCS组合可行性的关键支撑"。

6. 调试阶段最常犯的五个错误与排查经验

6.1 单位换算错误：最隐蔽也最致命

这个方向建模最坑的就是单位。MW、MWh、GJ、km3、吨、公斤，稍微一个换算错，结果就离谱。我自己最惨的一次是把LHV_gas的单位搞错，导致P2G产气量算大了1000倍，天然气平衡完全失衡，模型直接不可行。排查了整整一天才意识到是低位热值36MJ/m3和36GJ/km3之间的换算出了问题。

我现在的做法是：所有单位换算在参数初始化脚本里集中处理，并用注释标清楚每一步的单位。比如：

% 1 km3 天然气 = 1000 m3 % LHV_gas = 36 MJ/m3 = 36e3 MJ/km3 = 36 GJ/km3 % 1 MWh = 3.6 GJ

然后专门写一个unit_check函数测试几个已知数值（比如1MWh电通过效率0.5的P2G，应该产出多少天然气），先验证再跑优化，绝不跳过。

6.2 初末状态约束忘了加，储能变成"能量印钞机"

如果不加S_op(1) == S_op(T)这个周期约束，优化结果里储热罐会在最后一个时段把全部热量放光，因为储热罐剩余热量不计入目标函数，白白放弃不利用就是浪费。加了周期约束后，储热罐的初末蓄热量保持一致，结果才符合实际日调度逻辑。这个问题几乎每个新手都会踩，我在第2.5节已经强调过，这里再次列出是因为太常发生了。

6.3 线性化分段的精度问题

CHP的燃料成本如果直接用二次函数（F = a*P^2 + b*P + c），优化问题就变成二次规划（QP），虽然Gurobi也能解二次问题，但连续二次模型对拟合数据的依赖很强，而且二次函数在整个区间单调性可能与实际不符。我的方案是分段线性化：把电出力区间切成4~6段，每段用不同的线性斜率和截距表示燃料消耗，再引入二进制变量选择区间。这样模型是MILP，求解稳定，精度也够用。

分段线性化需要引入0-1整数变量，会增加求解时间，但24小时场景下影响不大。如果你跑168小时（一周）的模型觉得慢，优先检查是不是整数变量太多，而不是急着换求解器。

6.4 热平衡方程里漏掉CCS热耗

模式B刚搭好时，我一度发现结果很奇怪：加了CCS之后，CHP热出力并没有明显增加，碳排放也没有预期的降幅。后来才发现热平衡方程里只写了P_h == H_load + H_ch，漏掉了+ H_ccs这一项。CCS消耗的热能没有进热平衡约束，等于模型认为CCS不耗能，捕集CO2是免费的——这当然是错的。这个错很好查，只需要对比加装CCS前后CHP总热出力的变化，如果几乎不变，那一定有约束漏写了。

6.5 风水曲线和负荷曲线时间对齐问题

调数据时还有个容易忽略的坑：风电出力曲线通常是15分钟或1小时粒度，热负荷曲线可能是15分钟粒度，如果直接把两个不同采样率的数据塞进同一个24×1的向量里，维度对不上，Yalmip会报维度不一致错误。遇到这种问题，先统一时间粒度，我通常全部重采样到1小时，再用线性插值补齐。还要注意时区问题，特别是跨夏令时的预测数据，虽然国内没有夏令时，但如果用的是国外公开数据集，就要仔细核对时间轴。

7. 几个我认为值得多花时间的扩展方向

模型做到能跑通、出结果，只是第一步。我自己的项目里，有几个方向明显值得继续投入精力，这里也一并分享，给正在规划后续工作的同行一点参考。

第一个是考虑更精细的P2G模型。目前我把电解槽和甲烷化看成一个整体，效率恒定，实际上电解槽在部分负荷下的效率会下降，启动和停机也有动态响应约束。如果要研究P2G参与调频或备用市场的价值，恒效率模型会给出偏乐观的结果，需要改成变效率曲线或分段线性模型。

第二个是引入需求响应。电、热负荷可以设置一部分可中断/可转移负荷，把它们作为灵活性资源参与调度。这样系统的弹性会显著提高，P2G和储热罐的容量需求可能下降，经济性结论会有变化。

第三个是考虑碳排放的隐含成本。我这里用的是碳交易价格，属于市场机制。如果项目面向的是碳约束政策场景，可以把碳排放上限作为硬约束，然后对比不同排放目标下的系统成本和弃风率，输出一条"碳排放-成本帕累托曲线"，这个图在论文和项目报告中都非常好用。

我在实际操作中最深的体会是：这套综合能源系统建模的核心价值不是"解出一个最优解"，而是让你真正理解电、热、气、碳四条能量流之间的耦合逻辑。第一次跑通模式C的时候，看着储热罐在夜间蓄热、白天放热，P2G在风电高峰启动，CCS捕集量跟着CHP出力走，你会真切感受到"系统优化"这四个字的含义。Matlab+Yalmip+Gurobi这套技术栈，足够支撑你在这个方向上做很深的探索，关键是每一步都搞清楚物理过程，再翻译成数学语言。做仿真研究，模型对了，结论才有意义。