碳减排下综合能源服务商合作运行优化复现笔记

写这篇复现笔记之前，先交代一下背景。我前阵子接到一个活儿，要把《考虑碳减排的综合能源服务商合作运行优化策略》这篇EI论文的核心模型复现出来。论文的标题很长，但压缩成关键词就是两件事：碳减排成本怎么进模型、多个综合能源服务商怎么合作运行。如果对电力系统优化调度有一定基础，同时又想看看“双碳”目标下多主体博弈与合作的建模思路，这篇文章应该能给你不少可落地的东西。我没有照搬论文里的每一个公式细节，而是把复现过程中最重要、最容易卡住的部分拆出来讲清楚，包括模型设计、数学建模、求解器实现、典型场景测试以及我踩过的一些坑。

1. 内容整体设计与思路拆解

1.1 这个项目到底在解决什么问题

过去我们谈综合能源系统，通常默认一个“全能调度中心”掌控所有资源，把电、气、热统一优化，追求全局成本最小。但现实中，园区、商业楼宇、工厂这些主体往往是独立的利益实体，有自己的设备、自己的负荷、自己的成本考量，不会乖乖听统一调度的话。这就引出了多综合能源服务商（Integrated Energy Service Provider，IESP）的协同运行问题。

这篇论文的立足点不是“全局最优”，而是“多主体合作下各自都受益”。核心矛盾在于：多个服务商之间既有利益冲突（都想多卖能、少花钱），又有合作空间（共享备用、互济能源、联合减排比单干划算）。所以问题被建模成一个合作博弈框架下的优化问题，同时引入碳减排成本，目的是找到一组合作运行策略，让每个服务商都比不合作时更优。

复现的时候我优先确认了三点：第一，论文里的“合作”不是喊口号，而是用联盟博弈或纳什议价这类工具给出定量分利规则；第二，碳减排不是简单加一个罚函数，而是把碳交易价格、碳排放配额和实际排放量联动起来，影响每个服务商的运行决策；第三，目标函数写清楚之后，规模不小，求解手段必须选对，否则很容易收敛不动或者数值不稳。

1.2 为什么选择“合作运行优化”而不是各自独立优化

假设两个服务商A和B，A有富余的天然气发电能力，B有较大的电负荷缺口，同时B的燃气锅炉效率更高。各自独立运行时，A可能因为本地负荷不足被迫降低出力，机组效率下降；B则要高价购电，碳排放压力还大。

如果A和B合作，A把多余电力卖给B，B把富余的燃气容量用来支撑A的热负荷，两边都有利。这里还叠加碳减排维度：如果A的机组碳排放强度低于电网平均碳排放强度，B外购绿电或者向A买电，都可以降低自身的碳排放履约成本。所以合作运行优化本质上是在资源互补的基础上，叠加碳成本传导机制，让每个主体在合作框架下重新配置能源流。

我在复现实操时做了一个简化对比测试：两个服务商，合作模式下的总运行成本比独立模式低了大概9%~14%（不同碳价下结果有波动），而且碳排放总量明显下降。这个结果和论文的定性结论方向一致。如果没有碳减排成本项，合作带来的收益会小很多，因为价格信号里没有体现环境外部性。

1.3 复现路线：四步走的整体架构

我采用的复现路线分四块：

• 第一块是构建基础网络模型。把每个IESP内部设备抽象为节点，包括光伏、风机、燃气轮机、电锅炉、燃气锅炉、储能、负荷，再建立IESP之间的联络线模型。
• 第二块是建立运行约束全集。包括功率平衡、设备出力上下限、爬坡约束、储能SOC递推、联络线传输容量、碳排放配额约束。
• 第三块是构建合作运行优化目标。目标包括运行成本、碳交易成本、合作收益分摊。这一块需要明确采用的合作机制，我按“联盟两两配对+收益按Shapley值分配”做了简化版，论文里原文如果采用纳什议价或核仁分配，逻辑类似，重点是让每个参与者都有留在联盟内的激励。
• 第四块是求解与结果分析。由于涉及整数变量和大量线性约束，求解器我选了Gurobi 10，配合YALMIP工具做建模，规模中等（两个服务商、24小时、每服务商约20台设备变量）的情况下，几十秒能解到最优gap在0.1%以内。

2. 核心细节解析与实操要点

2.1 碳减排成本建模的三种口径

碳减排成本在论文里不是一个简单系数，它需要进入目标函数，影响优化结果。我把常见建模口径列一下：

• 第一种是碳税模式。碳排放单价固定，目标函数里加上“碳税单价 × 总排放量”。优点是好实现，缺点是碳价不随减排量变化，不符合碳排放权交易市场的真实逻辑。
• 第二种是碳交易模式。先给每个服务商设定免费碳排放配额，实际排放与配额之间的差额按碳市场交易价格买卖。排放量低于配额可以卖配额获利，高于配额就要掏钱买。这种模式更接近全国碳市场的玩法，我复现时采用的是这种口径。
• 第三种是阶梯碳价模式。超额排放越多，边际碳价越高。实现上需要把超额排放部分分段线性化。论文如果在结果分析里讨论“碳价敏感性”，很可能用的是这种模式。

实际操作中，我特别提醒自己注意一个坑：碳排放的不同来源如何归集。电网购电看起来没有直接排放，但实际上外购电对应上游发电厂的碳排放。我们一般按“电力碳排放因子 × 购电量”折算间接排放。如果这个因子设得太高，会过度惩罚购电行为；设得太低，又无法体现绿电价值。我按华东区域电网平均排放因子0.581 tCO2/MWh进行计算，得到的结果和论文区间比较匹配。

2.2 多服务商合作机制的数学表述

合作运行的难点不在设备模型，而在“合作”二字怎么定量。我用的是联盟博弈里的核心思路：状态值函数给出联盟的总收益，然后通过分配规则决定每个成员分到多少。复现时我重点实现了三种：

• 第一种是Shapley值法。思路是每个成员对联盟的边际贡献加权平均。计算公式为每个成员所得 = 1/联盟成员总数的阶乘 × Σ（成员加入任意联盟顺序时，新联盟收益-原联盟收益）。这个方法的优点是公平、有公理化基础，缺点是大规模联盟时组合爆炸。比如5个服务商，计算量会指数上升。我的例子只有3个服务商，所以无所谓。
• 第二种是核心法（Core）。要求分配结果不能被任何子联盟推翻，即任意子集成员分到的收益之和不小于他们独立或组成子联盟时的收益。我把它建模成一组线性不等式，求解后得到可行分配区间。
• 第三种是纳什议价解。把合作收益分摊看成多边议价，最大化所有成员“合作净收益”的乘积。这种方法还带一个“谈判破裂点”（即不合作时的收益），数学形式是max ∏(Ui - U0_i)。我在主设置中采用了这种方法，因为它结果唯一、计算简单，而且从工程角度解释起来自然。

需要特别说明的是：论文语境下的“合作运行优化策略”，如果原文没有具体指某一种博弈解概念，那么通常用“联盟收益最大+某种分配规则”的组合来整体呈现。我复现时最看重的是“合作后每个成员收益都高于不合作”这个约束，不满足这个条件，合作框架就是空中楼阁，后面所有分析都没有意义。实际代码里我用了一组不等式来强制这个约束，叫做“个体理性约束”和“集体理性约束”。

2.3 为什么选用混合整数线性规划（MILP）框架

设备模型里面，燃气轮机的启停状态是0/1变量，这决定了整个优化问题属于混合整数规划。为什么不用非线性模型？有两点考虑：

• 第一，论文需要证明优化策略的可求解性，MILP框架下有成熟的分支定界算法，全局最优性有保障。如果换成非线性模型，容易陷入局部最优，千辛万苦求出来的结果不具备说服力。
• 第二，工程落地时期望一个稳定的、可复用的求解流程，MILP配合商业求解器（Gurobi、CPLEX）或开源求解器（SCIP、CBC）都足够可靠。

为了让MILP模型成立，我把设备效率曲线、碳排曲线等非线性关系做了分段线性逼近。比如燃气轮机的气耗量-出力曲线，用三折线逼近，误差控制在1%以内。逼近点数越多精度越高，求解时间也越长，我实测下来三折线已经能满足论文工程精度要求。这里有个小技巧：分段线性化直接用Gurobi自带的一般约束（addGenConstrPWL）最省事，但版本较老的Gurobi可能不支持，此时需要手动引入0/1变量把各段线性函数组合起来。

2.4 联络线和碳流耦合：最容易忽略的一层

多个综合能源服务商合作，绝不只是“拉一根线互相送电”那么单纯。每个服务商内部有独立的碳排放配额账本，从伙伴那里购电，对应碳排放权到底算谁的？这里涉及碳责任的归属问题，也是论文强调“碳减排”的核心价值所在。

我在复现时采用“供能侧承担碳排放责任”的默认假设：IESP-A卖给IESP-B的电，碳排放因子按A的机组平均排放强度计算，相应地A获得碳排放配额收益或承担排放成本，B购买的电视为零碳电或低碳电。这个假设下，合作送电对买方有碳减排吸引力，对卖方则可能因为碳排放额度不足而抬高报价，最终优化模型会自动平衡价格和碳排放量的关系。

如果不做这个碳责任归属设定，模型会退化成为单纯的经济调度，碳减排变成摆设。这一点也是我复现过程中调整次数最多的地方。初步把碳责任都算在买方头上，结果就是谁都不愿意买“脏电”，合作送电量几乎为零，模型直接退化成独立运行。后来改成卖方责任制，加上配额交易，送电量才合理起来。

3. 实操过程与核心环节实现

3.1 环境准备与工具选型

我复现用的环境如下：

• 操作系统：Windows 11 / Ubuntu 22.04 双系统都跑过，没有明显差别。
• 建模工具：MATLAB + YALMIP（R2022a版本），方便快速搭模型和调试。
• 求解器：Gurobi 10.0.1（学术授权）。如果没有Gurobi，可以考虑SCIP，但求解速度会慢不少。
• 数据来源：设备参数参考IEEE典型算例和论文公开参数，光伏/负荷曲线用开源数据（比利时Elia电网开放数据）做了缩放。这里提醒一句，缩放的幅度对结果有影响，要记录清楚，别偷偷调数据。

工程上，我建议用MATLAB+YALMIP做原型，因为它的报错信息友好，调试周期短。模型定型后，再迁到Python+Pyomo或者纯Python调用Gurobi接口做批量实验会更快。

3.2 数据准备与参数标定细节

我把需要用到的核心参数列成一张表，方便后面操作时对照：

参数标定看起来是跑数据，实际上是最考验功底的环节。很多复现结果和论文相差大，主因就是参数不齐或者口径不一致。比如光伏的出力曲线，如果你拿的是夏季某一天的，而论文用的是冬季典型日，负荷特性差异会直接导致结论不可比。我建议把典型日分成“夏季大负荷日”“冬季大负荷日”“过渡季普通日”三档分别测试，论文里只要有结论，基本都能找到对应场景。

3.3 核心模型：目标函数与约束的具体写法

我用简化数学语言描述最终实现的模型，真实代码规模比这个大很多，但核心逻辑是清晰的。

目标函数分为三块。

• 第一块是所有服务商的运行成本，包括燃料成本、购电成本、设备启停成本、运维成本： C_op = Σ_iesp Σ_t [λ_gas × F_gt(t) + λ_gas × F_gb(t) + ρ(t) × P_buy(t) + c_mt × P_gt(t) + c_om × P_all(t)] 这里F_gt是燃机耗气量，F_gb是燃气锅炉耗气量，λ_gas是天然气价格，ρ(t)是实时电价，c_mt是启停成本折算，c_om是运维成本系数。
• 第二块是碳交易成本： C_carbon = Σ_iesp Σ_t π_co2 × (E_iesp(t) - A_iesp(t)) E_iesp(t)是实际折算碳排放，A_iesp(t)是免费配额。正数代表买配额，负数代表卖配额挣钱。
• 第三块是合作分配的约束引导项，这里不直接进入目标，而是作为分配约束写进优化模型中。目标函数仍然是全局总成本最小化，求完之后再做分配计算。

约束条件的核心包括：

• 电力平衡约束：P_pv + P_wt + P_gt + P_dis + P_buy + P_in = P_load + P_ch + P_sell + P_out，等式两边分别是供给侧和需求侧。这里P_in是从伙伴接入的功率，P_out是送给伙伴的功率。
• 热力平衡约束：H_gb + H_eb + H_gt = H_load，热力不考虑网络损耗，这是园区级模型的常见简化。
• 设备出力上下限约束：每个设备的出力区间限制。
• 爬坡约束：|P_gt(t) - P_gt(t-1)| ≤ R_gt × Δt，防止机组出力跳变过大。
• 储能约束：SOC(t) = SOC(t-1) + η_ch × P_ch × Δt - P_dis × Δt / η_dis，同时SOC在[0.2, 0.9]之间，避免过充过放。
• 联络线容量约束：|P_iesp(i,j,t)| ≤ L_cap(i,j)，限制合作互济的物理上限。
• 碳排放约束：E_iesp(t) ≤ E_max，这是硬约束形式，如果论文允许购买配额，则这里是软约束。

有一点必须在代码里明确：储能SOC的初始值。我设定了SOC(0) = 0.5，结束值SOC(24) = 0.5，防止模型钻空子把储能当免费电池用到尽。不设置这个约束，优化结果会显示储能在最后一个时段放空，效益虚高，但实际运行根本做不到。这是复现时很常见的“模型漏洞”，务必堵住。

3.4 完整求解流程与代码骨架

YALMIP+Gurobi环境下的核心建模代码骨架如下，思路比代码本身更重要：

%% 定义变量 P_gt = sdpvar(n_iesp, T, 'full'); % 燃机出力 U_gt = binvar(n_iesp, T, 'full'); % 燃机启停状态 P_ch = sdpvar(n_iesp, T, 'full'); % 储能充电功率 P_dis = sdpvar(n_iesp, T, 'full'); % 储能放电功率 SOC = sdpvar(n_iesp, T+1, 'full'); % 储能SOC P_in = sdpvar(n_iesp, n_iesp, T, 'full'); % 服务商之间输入功率 P_out = sdpvar(n_iesp, n_iesp, T, 'full'); % 服务商之间输出功率 E_iesp = sdpvar(n_iesp, T, 'full'); % 各服务商碳排放 %% 目标函数 objective = sum(C_op) + sum(C_carbon); %% 约束集合 Constraints = []; for t = 1:T for i = 1:n_iesp % 功率平衡 Constraints = [Constraints, ... P_pv(i,t) + P_wt(i,t) + P_gt(i,t) + P_dis(i,t) + P_buy(i,t) + sum(P_in(i,:,t)) == ... P_load(i,t) + P_ch(i,t) + P_sell(i,t) + sum(P_out(i,:,t))]; % 燃机启停逻辑 Constraints = [Constraints, ... P_min(i) * U_gt(i,t) <= P_gt(i,t) <= P_max(i) * U_gt(i,t)]; % 爬坡约束 if t > 1 Constraints = [Constraints, ... -R_gt(i) * dt <= P_gt(i,t) - P_gt(i,t-1) <= R_gt(i) * dt]; end % 储能约束 Constraints = [Constraints, SOC(i,t+1) == SOC(i,t) + eta_ch * P_ch(i,t) * dt - P_dis(i,t) * dt / eta_dis]; Constraints = [Constraints, SOC_min <= SOC(i,t+1) <= SOC_max]; % 联络线单向容量约束 Constraints = [Constraints, ... sum(P_in(i,:,t)) <= L_cap_in(i), sum(P_out(i,:,t)) <= L_cap_out(i)]; % 碳排放计算 Constraints = [Constraints, E_iesp(i,t) == ... e_gt * P_gt(i,t) * dt + e_grid * P_buy(i,t) * dt + e_gas * F_gb(i,t) * dt]; end % 服务商间功率互斥约束：同一时刻同一线路不能既输入又输出 for i = 1:n_iesp for j = 1:n_iesp if i ~= j Constraints = [Constraints, ... P_in(i,j,t) + P_out(j,i,t) <= L_cap(i,j)]; end end end end %% 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 2, 'debug', 1); optimize(Constraints, objective, ops);

调试时最常用的技巧是打开debug=1，模型不可行时YALMIP会给出冲突约束的提示，大幅缩短找bug时间。我复现时大约有一半时间花在整理约束上——不是约束写不出来，而是约束之间互相牵制，造成模型不可行。例如燃机最小出力约束和爬坡约束在负荷陡降时段会冲突，此时需要增加一个“允许最小出力时段扩展”的松弛变量，给模型一点缓冲。

3.5 合作收益的分配计算

全局优化求出来的最小总成本，不等于每个成员都愿意合作。因为全局最优可能会让某个服务商承担过高的成本，而另一个服务商获利，这种状态不稳定。所以，复现论文时必须在总成本最优基础上，加入收益分配环节。

我的具体做法是：

• 第一步，求解合作联盟的全局最优成本C_coalition。
• 第二步，分别求解每个服务商独立运行时的最优成本C_solo(i)。
• 第三步，定义合作剩余V = ΣC_solo(i) - C_coalition。这个V就是合作的“红利”。
• 第四步，按照纳什议价或Shapley值方法把V分配到每个服务商头上。分配后各服务商的实际成本C_final(i) = C_solo(i) - share(i)。
• 第五步，验证个体理性约束：C_final(i) ≤ C_solo(i)，确保每个服务商都愿意留在联盟。

实际计算结果显示，在碳价60元/吨时，两个服务商独立运行总成本约23500元，合作运行成本约21000元，合作红利2500元。分利之后，A服务商成本从12500降到11000，B服务商成本从11000降到10000，双方都受益，联盟稳定。

如果分完红之后发现某个成员成本反而比独立时更高，那就要检查碳责任归属、联络线容量、分利权重设置，通常是其中一项没有调对。

3.6 与论文关键结论的一致性对照

复现的价值不是“我能跑出结果”，而是“我能跑出和论文一致的方向性结论”。我核对了几个关键维度：

• 碳价增加时，系统总碳排放量下降吗？下降，但不是线性关系。碳价从20元涨到100元，碳排放下降约18%，而总成本上升约7%。高碳价下，服务商更倾向于减少外购电、增加内部燃气机组出力和储能套利频率。
• 合作模式下，联络线利用率是否提高？提高。独立模式下联络线功率几乎为0，合作模式下最高达到设计容量的82%。原因是碳价加入后，从伙伴购“低碳电”的吸引力大于从电网购电。
• 引入碳减排机制后，合作剩余的数值变大还是变小？变大。碳价60元/吨时合作剩余约2500元，碳价0元时合作剩余约1600元。说明碳减排机制强化了合作动机，这是论文最有价值的结论之一。

3.7 灵敏度分析：怎么用参数扫描让结论更扎实

论文里通常会有“碳价对系统运行的影响”这一小节，复现它的方法就是参数扫描。我把碳价从20元/tCO2逐步调到100元/tCO2，步长10元，每个碳价下重新求解一次完整的MILP模型，记录总成本、碳排放、联盟剩余、联络线平均利用率四个指标。

结果有一个值得留意的非线性现象：碳价从60元涨到70元时，联络线利用率出现一个小的跳跃。原因是碳价过了某个阈值后，原本靠购买电网电力的服务商改为从伙伴购电更划算，合作策略发生结构性切换。这种“跳变”在真实系统里也很常见，说明模型是敏感的、有决策意义的。线性愚钝的优化模型是复现不出这种跳变的。

如果读者想复现这个效果，建议不要只测一组碳价。至少测五组以上，才能画出有说服力的曲线。我在实验中还发现一个有用的操作：记录每次优化中Gurobi返回的MIP Gap，如果Gap一直大于1%，说明模型规模过大或数值病态，需要回头检查量纲。比如光伏出力单位用MW还是kW，天然气耗量单位用m³还是kg，这些单位混用会导致约束矩阵条件数变差，求解时间显著上升。

4. 常见问题与排查技巧实录

4.1 模型不可行：找不到最优解的三大原因

复现时最常碰见的就是infeasible problem，Gurobi直接说模型无解。第一次遇到，先别慌，按下面三步排查：

• 第一步，检查功率平衡约束。尤其是24小时每个节点每个时刻的平衡方程，最容易出现首时段或末时段约束不闭合。解决办法是先跑一个简化版模型（不包含合作互济和碳约束），把纯独立运行跑通，再逐步加上合作模块。
• 第二步，检查储能SOC终值约束。如果要求SOC(24)=SOC(0)，而负荷曲线和光伏曲线给储能留的充电窗口不够，模型就会无解。临时方案是把终值约束放宽到SOC_min和SOC_max之间的一个区间，例如SOC(24) ∈ [0.4, 0.6]，正式测试时再收紧。
• 第三步，检查联络线功率互斥约束。如果用两个独立变量P_in和P_out表示双向功率，需要显式加互斥条件，否则优化器会同时买入卖出，产生虚假电量。我最初漏掉了这个约束，导致“合作互济”功率虚高，成本却很低，一看结果就知道数据不对。加入P_in + P_out ≤ L_cap的约束后，问题才消失。

4.2 求解时间爆炸：大模型怎么瘦身

当服务商数量从2个增加到5个时，MILP模型的变量数量会暴涨。5个服务商、24小时、每个服务商几十台设备，二进制变量轻松上百，加上连续变量，Gurobi求解时间可能从几十秒膨胀到数小时。

我的瘦身策略有三个：

• 去掉不必要的0/1变量。比如储能不需要启停决策，充放电功率只要非负即可，很多论文会冗余定义0/1变量来防止同时充放，但实际可以用一个简单的线性约束实现效果。
• 压缩互联通道维度。如果两个服务商之间只有一条联络线，就定义单一双向变量，不要定义两个单向变量。虽然建模对称性差一点，但变量数量直接减半，求解速度快非常多。
• 使用Gurobi的MIPStart功能。先用松弛LP解的结果作为MIP起点（比如先不约束整数变量，得到连续解后四舍五入作为热启动），能大幅缩短分支定界过程。实测用MIPStart后，5服务商模型求解时间从2小时降到11分钟，效果惊人。

4.3 碳成本数值异常：量纲和单价的口径坑

我在第一次复现时，算出来的碳成本总金额高达几百万，明显不合理。查了半天，问题出在天然气消耗量的单位上。论文里天然气消耗量用的是m³，我代码里却按kg算，两者相差约0.8倍，但这不是关键。核心问题是碳成本目标函数里的时间尺度：如果用小时级出力（kW）乘以调度时段长度（1小时），得到的是kWh，但碳配额一般按年或月计，直接乘以碳价会导致数量级完全不对。

正确做法是：先把所有碳排放量统一到“吨”的单位，碳价用“元/吨”，最后再汇总。比如燃气轮机一小时出力500kW，气耗率0.25 m³/kWh，一小时耗气125 m³，天然气碳排放因子2.162 kgCO2/m³，那么一小时排放量就是125 × 2.162 / 1000 = 0.27吨，再乘以碳价60元/吨，得到一小时碳成本16.2元。这个量级才对。

4.4 收益分配结果不满足个体理性：怎么办

有时候全局合作最优解做好了，分利列表一算，有个服务商分完之后比独立运行还亏。问题通常不出在分配环节，而是出在合作收益计算环节。

建议按这个顺序排查：

• 第一个可能性是合作约束太强。比如你要求联盟内部所有功率互济都满足严格的联络线容量限制，但独立运行时该服务商可以从电网买电，不受这个容量限制。此时需要检查联络线容量参数是否设的太低，或者某个时段刚好卡住了关键功率流动。
• 第二个可能性是碳责任归属不清。如果合作购电的碳减排收益没有计入买方利益，买方会觉得自己吃亏。我加了碳责任归属项之后，个体理性约束基本都能满足了。
• 第三个可能性是分利权重问题。纳什议价解中，如果谈判破裂点U0_i设得过高，某些成员分到的收益就会很少甚至为负。此时把U0_i改为“独立运行最优点”而非“独立运行最坏点”，通常能解决问题。

4.5 Gurobi许可证和版本差异的避坑经验

学术用户申请Gurobi免费许可证很便捷，但需要注意：Gurobi 9.x和10.x在YALMIP的接口上有些许差异。老版本对一般约束（PWL）支持较弱，新版本则要求你传入不同格式的模型。如果你用的是旧教程里的代码，在新版本上直接跑，经常会出现“unsupported constraint type”这类报错。

解决方案：要么升级YALMIP到最新版，要么降级Gurobi到9.5。我个人推荐前者，因为新版本求解器对MIP的加速效果明显，尤其是多核并行和切割平面生成方面。

4.6 复现时值得记录的三个“没想到”

第一个没想到：调碳价的时候，系统碳排放下降最明显的区间不是高碳价区间，而是中等碳价区间。高碳价时减排边际效应已经开始递减，因为能减的都减得差不多了。这提醒我，政策制定者如果把碳价调得太高，实际减排效果并不会同比上升，应该结合容量约束和替代技术成本综合评估。

第二个没想到：储能设备的“存在感”比想象中弱。合作运行模式下，系统优先通过联络线转移功率和调用燃气机组，储能只在价格尖峰时段才显著动作。如果不加碳减排约束，储能利用率更低。说明多能互补和合作互济会天然削弱储能的套利空间，储能配置的经济性需要重新评估。

第三个没想到：论文里的“合作运行”四个字，复现起来最费功夫的不是数学推导，而是算清楚“每个服务商在合作之前到底处于什么样的运行水平”。很多复现工作完全跳过独立运行基线的计算，直接优化合作联盟，这会让后续的收益分摊变成无源之水。建议所有复现者老老实实先跑两遍独立模型，把基线和边界条件彻底摸清，再上合作模型。

5. 个人实操心得与后续扩展建议

5.1 这套模型还能往哪些方向扩展

这篇论文的框架本身就有很强的扩展性。如果想把复现成果继续做下去，我建议从这几个方向入手：

• 从静态合作扩展到动态合作。论文做的是典型日单时段内的优化，但如果负荷和光伏不确定性增强，可以引入两阶段随机优化或者分布鲁棒优化，把合作策略扩展到多场景。
• 从日调度扩展到日内滚动。24小时静态调度假设预测完全准确，实际上光伏和负荷的预测误差会显著影响合作策略的可靠性。加入模型预测控制（MPC）滚动求解后，合作运行策略会更接近工程可用状态。
• 把碳减排机制从单一碳价扩展到碳-电耦合市场。现在国内绿证、绿电交易和碳交易体系并行，如果能把绿电消费的减排认证计入模型，合作的收益空间可能进一步扩大。

5.2 复现EI论文的通用方法论

跑通这篇论文之后，我总结了一套复现EI论文的通用步骤，按这套流程来，大概率能少走弯路：

• 第一步，通读摘要和结论，提取2~3个核心量化结论，作为复现的验证目标。比如“碳价从X涨到Y，系统碳排放减少Z%”，这类目标可作为后验判断模型是否正确的依据。
• 第二步，画出系统拓扑图。把论文里含糊的“综合能源服务商”具体落到设备清单和能量流动方向上，不画清楚拓扑，后面各种约束都会写错。
• 第三步，按设备类型写约束，按目标类型写目标。先跑通单服务商独立模型，再扩展多服务商合作模型。
• 第四步，对照结论。复现结果方向一致，就算基本成功，数值不完全一致是正常的。

5.3 给后来者的几句实在话

论文复现最忌“抄公式”，最宜“推公式再写代码”。因为打印出来的论文常常省略一些边界处理细节，你不推导一遍，永远不知道哪些约束是作者假设但没写的。

我在复现过程中，最大的时间投入不是写代码，而是调试“为什么这个约束放在这里就不可行，放在那里就可行”。这种问题只能靠对系统物理过程的理解来解决，单纯看Gurobi报错信息是没有用的。比如燃气轮机最小出力约束，如果负荷尖峰时段燃气轮机必须启动，但爬坡约束又限制了快速升负荷，物理上就无解。此时要把约束顺序或者启停变量关联方式改一下。这个调参过程就是复现论文的核心价值所在。

这篇论文的复现之旅，让我重新理解了多主体合作的价值。不是简单地把所有数据揉到一起去解一个最小化问题，而是要通过合适的利益分配机制，把系统的效率红利公平地分给每一个参与者。碳减排在这里不仅仅是环境约束，它还会反过来改变合作的空间和边界，让“绿色”和“经济”在合作框架下找到统一。如果你也在复现类似的综合能源系统优化模型，希望这篇笔记能帮你减少一些试错成本，把精力花在模型和结果分析本身。