这个题目我拿到手的时候，第一反应是：终于有人把这三个东西放在一个框架里聊了。综合能源系统、电转气（Power to Gas，P2G）、碳捕集系统（CCS），再加一个热电联产（CHP），这四样单拎出来任何一个都能水好几篇论文，但真正要在Matlab里把它们联合建模、写成能跑出调度结果的优化程序，却是另一回事。我去年用Matlab码了三个多月，前后迭代了四个版本，把里面能踩的坑基本都踩了一遍。这篇就把完整思路、数学模型、代码架构、求解器坑点全部拆开讲，代码片段可以直接抄作业，参数也是我实际调试过的经验值，保证比论文附录里的伪代码实用得多。
这项目适合谁？一类是做综合能源系统规划或调度的研究生，尤其是刚入门还不懂怎么把P2G和CCS抽象成约束方程的人；另一类是已经写了基础IES模型、想往上加碳流耦合的工程师。只要你有Matlab基础，会看sdpvar和optimize，剩下的就是跟着我的建模思路走。我不会上来就甩一堆矩阵，而是先把物理过程掰开揉碎讲清楚，再转换成数学表达，最后落到代码。这样你拿到任何算例都能改，而不是只会跑通一个demo。
1. 项目整体设计思路：为什么要把P2G和CCS绑在一起建模
1.1 热电联产的传统困局，以及P2G+CCS的解围逻辑
先想想传统热电联产的问题在哪。燃气轮机或内燃机发出来的电和热是强耦合的，冬季热负荷高，机组就得抬高出力，多出来的电在低谷时段根本没人要，最终被弃掉。更麻烦的是，只要烧天然气就会排碳，碳排现在可是真金白银的成本。所以整个系统的痛点其实是三个：风电光伏出力的波动没法消纳、热电联产的“以热定电”导致电出力不灵活、碳排放成本越来越高。
P2G和CCS的组合恰好对应这三件事。P2G的本质是电解水制氢，再加一步甲烷化把氢和二氧化碳合成甲烷，相当于用电造气。低谷时段电价便宜甚至为零，正好让P2G把多余电能变成天然气存储起来；这套东西如果放在CHP旁边，就等于给热电厂装了一个“电转气”的缓冲罐。CCS则是从烟气里把二氧化碳抓回来，抓回来的CO2正好是甲烷化的原料。这样一来，整个系统就形成了一个闭合的碳循环：CHP排碳，CCS捕碳，P2G用捕到的碳合成天然气，合成气又回到CHP里发。模型里最值钱的设计就是这一步：碳捕集系统不仅要算成本和能耗，还要作为P2G的“碳源”参与物料平衡。
我做的这个项目里，系统拓扑是：外部电网、天然气网、燃气锅炉、CHP机组、P2G厂站（电解槽+甲烷化反应器+储氢罐+储气罐）、CCS装置（吸收塔+再生塔+压缩机）、电储能和热储能，再加上风机光伏。这完全是国内园区级综合能源系统的典型配置，可以直接对应到实际项目。
1.2 电网、气网、热网和碳流四网耦合怎么建模
这种系统最迷人的地方在于能量流的交叠。电网管电，气网管天然气，热网管热负荷，碳流虽然看不见，但它是连接CHP和P2G的“暗线”。在建模之前，我先把每一条流画出来：
- 电网：CHP发电、风机光伏、P2G耗电、电储能充放电、电负荷。
- 气网：上级天然气网购气、P2G产气、燃气锅炉耗气、CHP耗气、储气罐。
- 热网：CHP余热、燃气锅炉供热、热储能、热负荷。
- 碳流：CHP烟气CO2、CCS捕集CO2、P2G甲烷化消耗CO2、直接排放CO2。
四条流之间靠设备耦合矩阵串起来。比如CHP这台设备，它同时出现在电网（输出电功率）、气网（消耗天然气）、热网（输出热功率）、碳流（产生CO2）四个方程里。这种多网耦合的建模，最忌讳的就是把四个平衡方程分开写，忘了同一台设备的四个输出其实是绑定的。我第一版代码就是这么干的，结果调度结果里CHP的电、热、气和碳四个变量对不上账，后来花了很久才把耦合约束理顺。
建模的核心思路是“设备出力特性决定其角色，网络约束决定其空间分布，优化目标决定其运行策略”。这句话听起来像废话，但真写到代码里就明白了：设备特性抽象成可行域，网络约束抽象成节点平衡，优化目标抽象成成本函数。三者缺一个，模型就跑飞。
1.3 为什么用混合整数线性规划而不是非线性规划
这个问题我开题时纠结了很久。真实物理过程没有一个是线性的。天然气管道流量和压差是二次关系（Weymouth方程），电解槽效率随负载率变化，CHP的可行域是多边形，碳捕集再生塔的热耗与再沸器温度强相关。如果全部还原成非线性模型，Matlab里也不是不能建，问题是求解器会慢到怀疑人生，而且很容易陷入局部最优，发论文审稿人也质疑全局最优性。
我的选择是混合整数线性规划（MILP）。凡是涉及设备启停、储罐充放状态、分段线性化区间的判断，全部用0-1整数变量表达；凡是非线性的性能曲线，全部用分段线性化逼近；凡是逻辑关系，比如“储氢罐不能同时充和放”，用大M法转成线性不等式。这样整个模型最终是一个标准MILP，扔给Gurobi或CPLEX，在一个园区级算例里几百个变量完全能在可接受时间内收敛。
这里有个经验要单独说：MILP的求解质量和建模功力直接挂钩。同样的物理过程，线性化切分方式不同，求解时间可能差一个数量级。我见过有人把电解槽效率曲线切了20段，导致分支变量爆炸；实际上切到5到6段，精度已经足够调度使用了。
2. 核心设备建模细节：把物理过程翻译成约束方程
2.1 电解槽：P2G链条的第一环，也是最大的电老虎
P2G里的电解槽负责把电能转化为氢能，我用的是碱性电解槽模型，效率取0.62到0.75之间，随负载率变化。调度层面的核心约束就是输入电功率和产氢功率的比例关系：
氢功率 = 电解槽输入电功率 × 动态效率(负载率)
动态效率我用分段线性化处理，分5段。为什么？因为电解槽在低负载下的效率明显下降，如果简化成常数效率，就会让优化器在低谷时段拼命压低电解槽出力，因为效率低了不划算，但实际调度时电解槽恰恰应该在低谷期多运行来消纳新能源。这个偏差会导致弃电率计算结果失真，所以我宁可加几个整数变量也要分段逼近。
电解槽运行域还有一条硬约束：不允许深度持续低于30%的负载。这是电解槽的物理安全限制，我把它写成了上限下限约束乘以启停状态。注意这里的启停状态是0-1变量，如果要用“启停+连续负载”的组合，就必须用大M法写出两个约束：
负载功率 ≤ 最大负载 × 启停状态 负载功率 ≥ 最小负载 × 启停状态
这两条约束分开写，很多人写成一条不等式，结果优化器偷偷让电解槽在停机状态下输出25%的负载，解出来数值对不上物理实际。这种错误极其隐蔽，我最后是画曲线图才发现的。
2.2 甲烷化反应器：氢气和CO2合成天然气这一步的关键约束
甲烷化反应方程是CO2 + 4H2 → CH4 + 2H2O，这意味着1摩尔CO2需要4摩尔氢气。从质量流和能量流的角度，我用化学计量比约束来保证碳原子和氢原子平衡。这个约束的作用是防止优化器出现“白嫖”行为——比如捕集了CO2却不用它合成甲烷，或者合成了甲烷却没有消耗相应CO2。
从能量角度看，甲烷化反应是放热反应，这部分热量在详细仿真里要计入热平衡。但我做的是调度层面的简化模型，为了不让模型复杂度失控，我把甲烷化反应器当作一个带效率的转换器来处理，反应放热没有单独建模，而是在热负荷富余时段由热储能兜底。这么做是有代价的：当系统热负荷极小、而P2G产气量很大的时候，模型的解会偏向产气，因为忽略了这部分可回收热，实际上P2G产气速率会受到反应器温度上限的约束。
甲烷化反应器还有一个约束我一开始完全忽略：单位时间的产气速率不是无限的，它受催化剂床层温度限制。我给它加了产气功率上限，作为固定上限约束。如果你拿到别人的代码发现没有这条约束，多半是作者偷懒了，这会导致优化调度中P2G在低谷时段满负荷产气，在工程上并不可行。
2.3 碳捕集系统：能耗特性绝对不能用常数
碳捕集是整套系统建模里最容易翻车的环节。很多论文把CCS建模成“捕集每吨CO2消耗固定热量和固定电力”，这种简化在纯经济评估里还能接受，但在优化调度里会出问题——因为CCS捕集量本身是决策变量，如果捕集能耗是常数比例，那成本函数就成一个线性项，优化器会把CCS的捕集量当成一个简单的比例阀，捕碳越多成本越高，完全忽略了实际捕集装置还有一个“运行区间”和“最低能耗”的概念。
我采用的是化学吸收法（MEA溶液）的参数：捕集1吨CO2的再沸器热耗大约2.5到3.5 GJ，电耗约0.1到0.2 GJ，能耗不是一个固定值，而是随着捕集率升高而上升，捕集率上限是90%。这条曲线我用分段线性夹逼处理，再把能耗放进热平衡和电平衡方程里。注意，CCS的热耗不是从天上掉下来的，它要么从CHP的余热里来，要么从燃气锅炉补充供热。如果建模时只算CCS的碳收益，不算它的热成本，最终的调度结果会把系统总成本算低。
碳捕集还有一个时间尺度问题：吸收塔和再生塔的动态响应比较慢，在小时级调度里通常直接忽略动态过程，认为捕集装置可以即时调节到任意稳态工况。这一点必须在代码注释里写明白，不然读者会问为什么没有蓄热约束。
2.4 CHP机组与储能设备：热电联产可行域和SOC动态
CHP机组我用抽凝式燃气轮机的经典可行域来建模，这个可行域是一个凸多边形，顶点对应不同的电热比工况。我把可行域写成线性不等式组：
电出力下限 ≤ P_chp ≤ 电出力上限 热出力下限 ≤ H_chp ≤ 热出力上限 P_chp 和 H_chp 的组合约束，比如H_chp ≥ k1 × P_chp - b1，这类线性不等式
这个多边形可行域比传统的“电热比值固定”的背压式模型灵活得多，因为它允许热出力在电出力的一个区间内浮动，优化器可以自由地在“多发电”和“多供热”之间折中。我是用了午休的时间把Korneev的CHP可行域那篇论文读懂的，他提出的建模方法表述了一套多边形约束，实现起来非常干净。
电储能和热储能我用的是标准SOC（荷电状态）模型：
SOC(τ+1) = SOC(τ) + (充电功率 × 充电效率 - 放电功率 / 放电效率) × 时间步长
储能模型里我额外加了两个约束：充放不能同时进行（用0-1变量），以及调度周期末SOC要回到初始值（或者等于初始值，看算例设置）。干细胞第一版代码里我偷懒没加“充放互斥”约束，结果MILP求解器给出的最优策略是同一时刻又充又放，白白消耗效率损失，成本反而更高，那个解居然不如加了互斥约束的解，原因是效率损失让“充放同做”在物理上不产生任何净效益，但求解器可能在数值上钻了空子。后来我把互斥约束加上并用大M法转成不等式，问题瞬间消失。
3. 优化模型的完整数学表述：目标、约束、线性化
3.1 目标函数究竟怎么选才对
调度模型的目标函数我选的是系统总运行成本最小化。总成本包括：
- 向上级电网购电成本（分时电价）
- 向天然气网购气成本
- 设备启动成本（CHP和P2G机组启动时额外计费）
- 设备运行维护成本
- 碳排放惩罚成本（这是CCS和P2G带来的收益项）
- 弃风弃光惩罚成本（这一项一定要加，否则优化器不会主动消纳新能源）
碳排放成本单独列出来，用“直接排放量 × 碳价”表示。直接排放量是CHP总排放量减去CCS捕集量。这样目标函数天然激励优化器多用CCS捕碳，同时把捕到的碳交给P2G合成天然气，形成利益闭环。这个设计非常关键，它让CCS和P2G不再是两个割裂的设备，而是在目标函数的驱动下自动协同运行。
我实际算过：碳价从200元/吨涨到500元/吨时，系统会让CCS捕集率从60%升到85%，同时P2G产气量明显增加，CHP总出力基本不变。这说明碳价信号能有效驱动碳循环，而不会让CCS变成奢侈品只在碳价极高时才启动。
3.2 约束体系：能量平衡、设备爬坡、储气动态
约束体系分五层：
第一层是电功率平衡：每一时段系统总发电+外部购电+储能放电 = 总负荷 + P2G耗电 + CCS耗电 + 储能充电。这一条约束是全局电平衡，必须严格成立。
第二层是热功率平衡：CHP余热+燃气锅炉供热+热储能放电 = 热负荷 + CCS再沸器热耗。注意CCS热耗一定出现在热平衡方程的左侧（作为需求），这是很多人漏掉的地方。
第三层是天然气平衡：上级气网购气+甲烷化产气+储气罐放气 = CHP耗气+燃气锅炉耗气+储气罐充气。天然气网我采用节点平衡模型，忽略管网压降动态，因为小时级调度的空间尺度通常不大，压降影响远小于设备特性影响。
第四层是碳平衡：CHP排放CO2总量 = CCS捕集量 + 直接排放量。同时CCS捕集量 ≤ 甲烷化消耗量 + 碳存储量。如果算例里有CO2储罐，可以加碳存储动态；如果没有，就默认捕集的二氧化碳全部实时送进甲烷化反应器。
第五层是设备运行约束：上下限、爬坡率、储罐SOC范围、启停逻辑。
这里有个反直觉的地方：爬坡率约束要不要加？如果只做经济调度（ED），爬坡率可以忽略；但如果做的是机组组合（UC），那么爬坡率必须加，否则优化器会让CHP在相邻两个时段从零跳到满负荷，这在物理上绝对不可能。我的算例是机组组合级别的，所以CHP的爬坡率我设了每分钟2%额定功率，折合成每小时就是120%额定功率，最多大约半小时从零到满。如果代码里不写爬坡约束，效率再高的求解器也算不出工程上可信的结果。
3.3 非线性项的线性化处理：分段线性化与大M法的落地姿势
整个模型里的非线性项不多，但每一个都要处理干净。
第一个是电解槽效率分段线性化。用SOS2约束（特殊有序集），在YALMIP里可以直接用sos2声明，也可以手动引入0-1变量加“分层权重和等于1”。简单切口太多反而慢，所以我只在效率变化最剧烈的0.3到0.6负载区间多切了几段，其余区间用线性近似。
第二个是CCS能耗曲线。捕集能耗是关于捕集率的凸函数，我用三段分段线性近似，因为凸函数的分段线性化不会引入局部最优，求解器很喜欢这类结构。
第三个是产品之间互斥逻辑（充放同时、启停同时），用大M法写成线性不等式。注意M的取值不能随便给一个特别大的数，因为过大的M会带来数值病态，M取该变量物理上限的1.1倍就够了。比如某个储气罐最大充气功率是10MW，那M就取11，既保证逻辑约束的惩罚效果，又不影响数值稳定性。
第四个是目标函数里的绝对值项，比如弃风惩罚是“最大可出力 - 实际出力”的非负部分，这个直接用两个非负变量差的方式替代即可。一句话：能不用绝对值就不用，用了必出病态。
做完这几步，整个模型我清点了一遍：连续变量大概300个，0-1变量34个（主要是启停和互斥变量），约束约700条。这个规模在Gurobi里属于幼儿级，两分钟内一定能拿到全局最优解，但前提是你没有漏掉逻辑关系或者写错维度。
4. Matlab实现架构：从数据到结果的完整干活路径
4.1 代码目录和文件划分，少走半年弯路
我做项目有一个习惯：第一版代码从来不是一个巨型main.m，而是按功能拆分成模块。用我的项目结构举个例子：
- main.m，主程序，负责把所有模块串起来，跑完就出图。
- case_data.m，基础参数函数，返回一个struct，包含系统拓扑、设备参数、负荷曲线、风光出力、电价气价碳价。
- build_model.m，构建优化模型，输入是数据struct，输出是YALMIP的决策变量结构体和约束条件cell数组。
- solve_problem.m，调用求解器（Gurobi或CPLEX）求解，返回求解状态、目标值和耗时。
- plot_results.m，出图脚本，画出电平衡、热平衡、P2G运行状态、CCS捕集量、储罐SOC等曲线。
- verification.m，结果校核脚本，检查能量平衡误差、SOC末尾值、所有变量的上下限。
这个结构的最大好处是，换算例时只改case_data.m的参数，模型文件一行都不用动。我第一版代码把参数和模型揉在一个文件里，后来想对比3个园区算例，改了半小时参数还担心改错，第二版拆分后10分钟就能换一套数据重新跑。
4.2 用YALMIP搭建优化模型的核心代码模板
YALMIP是我最推荐的Matlab建模工具箱，因为它把变量声明、约束拼接、求解器调用做得极其简洁。核心代码骨架如下：
%% 决策变量定义 P_chp = sdpvar(n_chp, T); % CHP电出力 H_chp = sdpvar(n_chp, T); % CHP热出力 P_p2g = sdpvar(n_p2g, T); % P2G耗电 F_h2 = sdpvar(n_p2g, T); % 产氢功率 F_ch4 = sdpvar(n_p2g, T); % 甲烷化产气功率 F_co2_capture = sdpvar(n_ccs, T); % CCS捕集CO2功率 SOC_elec = sdpvar(n_ees, T+1); % 电储能SOC u_chp = binvar(n_chp, T); % CHP启停 u_p2g = binvar(n_p2g, T); % P2G启停 u_ees_c = binvar(n_ees, T); % 电储能充电标志 u_ees_d = binvar(n_ees, T); % 电储能放电标志 %% 约束定义 C = []; % 电功率平衡 C = [C, P_from_grid + sum(P_chp,1) + P_wind + P_pv + P_ees_d ... == P_load + sum(P_p2g,1) + P_ees_c + P_ccs_elec]; % CHP可行域约束 C = [C, P_chp_min .* u_chp <= P_chp <= P_chp_max .* u_chp]; C = [C, H_chp_min .* u_chp <= H_chp <= H_chp_max .* u_chp]; % 电解槽效率分段线性化（以分段权重变量接入） C = [C, F_h2 == rho_elec .* P_p2g]; % 占位写法，实际用分段线性化替代 % 充放互斥约束 C = [C, u_ees_c + u_ees_d <= 1]; C = [C, 0 <= P_ees_c <= P_ees_max .* u_ees_c]; C = [C, 0 <= P_ees_d <= P_ees_max .* u_ees_d]; %% 目标函数 objective = sum(P_from_grid .* price_e) + sum(P_gas * price_g) ... + sum(P_chp .* om_chp) + sum(P_p2g .* om_p2g) ... + sum(F_co2_emit .* price_c) + sum(curtail .* penalty_wind); %% 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 2, 'debug', 1); optimize(C, objective, ops);这段代码是理想化的骨架，实际运行时要对维度做矩阵运算，尤其要小心sdpvar的维度方向。YALMIP里T作为时间维度放在第二维是最省心的，如果放在第一维，很多矩阵操作会绕到怀疑人生。我建议一开始就统一“变量维度 = (设备数量 × 时段数)”的格式，不要中途换方向。
4.3 算例设计与参数怎么定，才能让模型跑出合理结果
我用的算例是典型工业园区数据，24小时调度周期，时间步长1小时。冬季典型日，热负荷高，电负荷也高，关键是夜间电价低谷时段风电出力大，这是P2G发挥作用的最佳场景。核心参数如下：
- CHP机组：额定电功率100MW，热电比可行域下限0.8，上限1.5，爬坡率每15分钟最大30%。
- 燃气锅炉：额定热功率80MW，效率0.92。
- 电解槽：额定功率30MW，效率范围0.62至0.75，最小负载率0.3。
- 甲烷化反应器：额定产气功率25MW（对应天然气的热功率）。
- 储氢罐/储气罐：容量按24小时P2G额定产气量的70%配置，初始SOC取50%。
- CCS装置：捕集能力30吨/小时，捕集能耗按分段线性，最高捕集率0.9。
- 风电装机：80MW（冬季大风），光伏装机：40MW（冬季较弱）。
- 分时电价：低谷0.25元/kWh，平段0.55元/kWh，高峰0.95元/kWh。
- 天然气价格：2.8元/立方米，折合热价大约0.28元/kWh。
- 碳价：300元/吨CO2。
这套参数跑出来的结果非常有代表性：低谷时段，电价便宜，风电大发，P2G满载运行，把多余电变成天然气储起来，同时CCS捕集CHP排出的CO2供给甲烷化反应器；高峰时段，储气罐放气，CHP满发满足电热负荷，储氢罐SOC白天明显比夜间低。整个调度曲线呈现清晰的“夜间储、白天放”特征，验证了模型的有效性。
4.4 结果后处理与图表绘制，判断模型好坏的标准
模型解出来不等于建模成功，还要做验证。我写了专门的verification.m脚本逐项检查：
第一，能量平衡误差。把每一时段的电、热、气平衡方程左边减去右边，看残差是不是接近零（10的负6次方量级）。如果残差有一个明显偏差，那就是约束写漏或者维度错了。
第二，储罐SOC连续性。SOC(1)到SOC(24)的大小应严格等于每时段充放功率累计的结果，我画SOC曲线时如果看到跳变，说明SOC递推方程绑错了时间索引，这是最常见的bug。
第三，所有变量是否在上下限内。这个检查看着多余，但你只要有一次见过负的天然气流量就不会觉得它多余了。负流量的出现，往往是目标函数里某个成本项前面符号写反了。
第四，启停状态与出力的一致性。u_chp等于0的时段，P_chp必须恰好是0；如果YALMIP输出的结果表明u_chp为1但P_chp为0，那说明约束里少了“启停状态对出力的强制下限”，或者你写了P_chp的上下限各乘以u_chp，但其中乘错了一个。
出图方面，我推荐统一出六张图：电功率平衡堆叠图、热功率平衡堆叠图、天然气流平衡堆叠图、P2G各设备运行状态图（氢功率、甲烷化功率、储罐SOC）、CCS捕集量与直接排放量柱状图、弃风弃光率曲线。这六张图放在论文里直接就能当结果分析用，也可以用来给导师展示“模型确实work”。
5. 实操中踩过的坑：求解、调参、排查的完整经验
5.1 求解器报infeasible怎么办，先查这五个地方
MILP报无解是家常便饭，但绝大多数时候不是模型坏了，而是某个约束把可行域给夹成了空集。按我排查顺序的优先级是这样：
- 先看SOC初始值约束。比如你要求SOC(1) = 0.5，末尾SOC(24) = SOC(1)，如果储罐容量太小，低谷蓄不满、高峰放不空，系统可能无解。解决办法是把末尾SOC约束放宽为“不小于初始值的90%”。
- 再看电平衡。如果你在目标函数里加了弃风惩罚，但电平衡方程里少写了P2G耗电项，那所有时段的风电+CHP发电都大于负荷，任何解都违反平衡，直接infeasible。
- 三看启停状态与上下限的乘子。上下限乘u_chp很常见，但如果这两个乘子写在了P_chp的两侧，并且P_chp_min大于P_chp_max，那约束本身就不成立。
- 四看气平衡里的储气罐物理顺序。储气罐不能同时充放，用M约束时如果M太小，会强制两个0-1变量永远不同时为1，但实际物理上“既不充也不放”是允许的，M太小会误伤。
- 五看CCS捕集量和甲烷化消耗量的耦合。如果你把CCS捕集量设成了从烟气中来的上限，但同时要求甲烷化消耗量等于CCS捕集量（而不是≤），那么当甲烷化反应器容量不足时就会无解。正确做法是CCS捕集的碳可以瞬时储存，用“存储量”作为缓冲。
我用一个笨办法快速定位infeasible源头：把约束一层层注释掉重新求解，先解纯电平衡，能解了再加CHP可行域，再加P2G，再加CCS，最后再加储气。哪一层开始infeasible，问题就出在哪一层。这个过程可以用脚本自动化，但人工做一次就能对模型结构理解更深。
5.2 求解时间暴涨的三个元凶：分段数、大M值、对称性
有一次我的模型从几秒直接飙到半小时，Gurobi说optimal gap停在5%下不来。排查后发现是三个问题叠加：
第一个是电解槽效率分段线性化里用了SOS2约束，YALMIP自动生成了很多0-1变量，单元格太多导致分支树爆炸。解决方法是把分段数从8段减到5段，并把分段点放在效率变化最明显的低负载区。
第二个是储能充放互斥的M值我一开始用了1000，结果数值条件数恶化，Gurobi在数值上一直挣扎。把M改到12后，求解时间立刻下降了三分之一。
第三个是模型存在对称性。两座相同的CHP机组，它们的启停状态在优化器眼里完全等价，导致搜索空间重复。解决办法是让两台机组采用不同的效率和启动成本参数，哪怕只是差0.5%，都能打破对称性，大幅减少分支。
5.3 结果里出现“边发电边耗电”的悖论，怎么破
我在第一次联调时发现，最优解里出现了P2G耗电和CHP发电同时增加的现象，经济上怎么看都不合理：既然电价低谷时从电网买电本身就是便宜的，为什么还要让本地CHP多发电去喂P2G？
后来检查目标函数才发现，我把“本地发电成本”和“购电成本”写反了：CHP的发电边际成本加上了天然气价格权重，而电价低谷时段电价远低于天然气的成本，优化器为了满足热负荷不得不让CHP多发电，多出来的电卖给P2G，这笔交易在数学上并不划算。但事实上CHP在热负荷约束下必须运行，多出来的电用于P2G反而避免了弃电。
这个现象说明了一个关键点：耦合设备的边际收益必须考虑“耦合约束的影子价格”。如果只砍掉CHP成本却不考虑热平衡约束，解就错了。为了让模型结果更直观，我在结果里额外输出了各设备每一时段的边际电价（拉格朗日乘子），这样一眼就能看出什么时段P2G该开、什么时段该关。这个边际电价输出也是我做报告时的杀手锏。
5.4 参数敏感性分析，怎么快速判断模型逻辑对不对
最后检验模型逻辑是否正确的黄金标准是参数敏感性分析。我的经验是，先在基准参数下跑出一个结果，然后只改一个参数，观察结果是否符合直觉预期。比如：
- 把碳价从300元/吨升到500元/吨，CCS捕集量应该上升，P2G产气量应该上升，直接碳排放下降。如果结果相反，碳平衡约束必有bug。
- 把P2G效率从0.65提高到0.8，低谷时段P2G出力应该更大、弃电率更低。如果没变化，说明P2G在低谷时段本来就受其他约束限制（比如储气罐容量满了），这本身也是一个有意义的信息。
- 把储气罐容量翻倍，储气SOC的波动范围应该变大，CHP在高峰时段的出力可以更灵活。如果SOC曲线没变化，说明储气罐根本没有起到时间平移作用。
这套敏感性分析脚本我放在verification.m里，每次改完模型先跑一遍，再决定要不要深入调参数。它可以自动生成几个关键对比图，是说服自己和审稿人“模型逻辑合理”的最低成本手段。
现在这套模型还在我的测试库里，随时可以换参数跑新算例。要我说，P2G加CCS耦合热电联产这个方向，最大的价值不在于把单个设备建模得多精细，而在于它把电、热、气、碳四条流放到同一个优化框架里审视——这种“用一套模型同时管四条能量流”的思维，才是综合能源系统优化真正有意思的地方。后面如果有空，我会把这个模型继续扩展，加上需求侧响应和新能源出力不确定性场景，再跟大家分享。
