多时间尺度优化调度：新能源制氢系统协同控制与建模

简介：面向新能源制氢系统优化调度方向的研究人员、工程师与相关学者，这份PDF文档以可运行代码配合详细解释，完整复现多时间尺度优化调度策略。内容覆盖孤岛与并网两种典型场景：日前阶段分别采用改进雷达图模型和价格型、替代型需求响应，日内阶段则通过模型预测控制（MPC）与激励型需求响应实现功率跟踪与源荷平抑。文档从风/光发电模型、储能设备、电解槽集群等系统建模入手，逐步讲解优化算法、电-氢综合需求响应机制及MPC参数整定，并给出多场景对比结果与实际应用建议。资源为单个PDF文件，大小约792KB，重点在于代码逐段解读与工程实现细节，适合需要掌握新能源消纳、制氢调度策略或需求响应建模的读者。目前已有127人浏览学习，可直接用于论文复现、课题设计或工程方案参考。

1. 多时间尺度调度为什么是新能源制氢系统的刚需

风电和光伏出力天生波动，制氢负荷却又讲究稳定——电解槽有最小运行功率、爬坡速率甚至启停次数限制，电网侧的峰谷电价又摆在那里。如果像传统工控那样只写一个固定控制策略，风光大发的时段弃电、电价低谷时段又不敢多买电制氢，整体经济性会差一大截。这个标题给出的解法，是把调度问题拆到日前、日内、实时三个时间尺度上分层求解，同时让制氢、储能电池、储氢罐和电网购售电坐在一起做联合优化，再通过需求响应机制把电解槽变成电网眼里「可调度的柔性负荷」。这套策略适合正在做新能源制氢系统方案设计的工程师、搞微电网能量管理的研究生，以及想从「单机控制」升级到「园区级优化调度」的从业者。

2. 先搭框架：日前-日内-实时三层调度，各层到底管什么

2.1 日前调度：以 24 小时为窗口，把「明天怎么跑」先定下来

多时间尺度优化调度策略的第一层是日前调度（Day-Ahead Scheduling），时间颗粒度通常取 1 小时，优化窗口为 24 小时。输入是风光出力预测曲线、次日分时电价、气象预报和固定的用氢交付计划，输出是未来 24 小时每个时段的设备运行计划——电解槽功率、储能电池充放电、购电与售电功率、储氢罐的充放节奏。

这一层的核心价值不是精确跟踪，而是「排兵布阵」：在电价低谷时段多安排电解槽出力，在高峰时段少用电甚至反向售电；风电光伏充足时优先消纳，不足时再考虑购电。因为预测误差随提前时间放大，日前调度的结果不需要执行到每一分钟，但它决定了设备的启停安排和大致的运行区间，是后续日内、实时调度必须遵守的「契约」。顺便说一句，日前调度也是最容易用数学规划建模的一层，一般的混合整数线性规划（MILP）就能覆盖大部分场景。

2.2 日内滚动调度：每 15 分钟重算一次，修正预测偏差

风光预测在 4 到 6 小时内的误差最容易翻车——明明预报有风，实际却静风了。日内滚动调度把窗口压缩到 4 到 8 小时，步长缩短到 15 分钟，每隔一个周期（比如每 4 小时）用最新的超短期预测数据重新求解一次。这一层的目标是在不推翻日前计划大框架的前提下，修正风光波动带来的偏差。

有效做法是采用滚动时域控制（Receding Horizon Control，RHC）思路：每次只执行第一个时段的指令，执行完再滚动到下一个优化窗口。这类似于自动控制里的模型预测控制（MPC），区别在于它同时优化经济目标和功率平衡，而不仅仅是跟踪一个设定值。在实现时，日前层的启停状态变量会作为固定参数传给日内层，日内层只调整功率连续变量，这样既能降低求解规模，又保留了调整空间。

2.3 实时反馈层：承接 AGC 信号与需求响应指令，把短期偏差拉回来

实时调度的颗粒度是分钟级甚至秒级，负责处理两件事：一是风光出力的瞬时抖动，二是电网侧发来的需求响应指令。需求响应落到制氢系统里，通常是调度机构或售电公司在高峰时段发出削峰指令，要求电解槽在一定时间窗口内降低用电功率，同时给予电费折扣或容量补偿。

实时层不需要再跑大优化模型，常见做法是查表或线性分配——根据日前/日内层给出的运行基点，按照电解槽爬坡能力、电池 SOC 和储氢罐余量，按比例分摊功率偏差。这一层的动作要快，所以模型必须轻、约束必须简单，否则算完指令窗口已经过了。有一点要提醒：实时层不是越大越好，它是给前面两层「兜底」的，设计原则是能处理 5 分钟以内的短期偏差就够了。

2.4 三层之间的时间颗粒度与信息传递

三层之间信息是单向传递的：日前给日内定边界，日内给实时定基点，实时只做偏差修正。反方向只反馈执行偏差和执行约束的越限情况，不回改上层的开机决策。这样设计的工程原因是，开停机决策涉及电解槽寿命和设备启停成本，不适合在秒级频繁改动；而功率连续量则可以在日内和实时层灵活调整。

3. 把风光氢储协同调度写成约束：目标函数与各环节建模要点

3.1 目标函数：购电成本、售电收益、需求响应补偿与弃电惩罚的取舍

风光氢储协同调度模型的优化目标，一般取系统日运行总成本最小，也可以等价地写成收益最大。以成本最小为例，目标函数包含以下几项：向电网购电的费用、向电网售电的收益（负成本）、参与需求响应获得的调节补偿（负成本）、弃风弃光的惩罚成本，以及储能电池循环损耗成本。

数学形式大致是：

min Σ [ price_buy[t] × P_buy[t] − price_sell[t] × P_sell[t] − dr_price[t] × (dr_add[t] + dr_cut[t]) + curtail_penalty × P_curtail[t] + battery_cost × P_dis[t] ]

其中price_buy[t]是 t 时段的购电价，price_sell[t]是售电价，一般取购电价的 70%～90%；dr_add和dr_cut分别表示需求响应中主动增加和削减的负荷，dr_price是电网给出的调节补偿单价；P_curtail[t]是弃风弃光功率，给它一个高于峰电价的惩罚系数，才能让求解器「愿意」优先消纳风光。电池损耗battery_cost要设成一个小正数，否则模型会为了省电费让电池频繁充放，算出来的曲线现场根本执行不了。

3.2 电解槽与储氢罐建模：最小运行负荷、爬坡约束与储氢 SOC

电解槽是最关键也最容易建模出错的环节。碱性电解槽（ALK）常见的最小运行负荷是额定功率的 20%～40%，低于这个值无法稳定运行，可能造成气体纯度下降甚至安全联锁停机；PEM 电解槽调节范围宽一些，但也有爬坡速率限制。因此至少需要三类约束：

• 功率上、下限：P_el_min ≤ P_el[t] ≤ P_el_max
• 爬坡约束：|P_el[t] − P_el[t−1]| ≤ R_el
• 启停逻辑（可选）：启动次数和最小运行时长约束

储氢罐建模采用 SOC（State of Charge）方式，储氢量按质量计算。产氢速率与电解槽功率之间近似线性关系：H_prod[t] = P_el[t] / η_el，其中η_el的单位是 kWh/kg。储氢 SOC 递推关系为：

SOC_h2[t] = SOC_h2[t−1] + H_prod[t] − H_delivery[t]

H_delivery[t]是每个时段对外交付的氢气量，由合同或下游用氢需求决定，通常设为恒定值。SOC 还需满足上下限约束，比如常见设计取 20%～90%，避免储氢罐过充或放空。

3.3 储能电池与需求响应负荷的耦合方式

储能电池建模比储氢罐复杂一些，因为要考虑充放电效率不对称和 SOC 边界。充电时SOC_bat[t] = SOC_bat[t−1] + η_ch × P_ch[t]，放电时SOC_bat[t] = SOC_bat[t−1] − P_dis[t] / η_dis。充放电功率需要分别设上限，并加同一时段充放电互斥约束（或让总功率约束P_ch[t] + P_dis[t] ≤ P_bat_rate来兜底，避免模型同时充放做无用功）。

需求响应在制氢场景里的自然载体是电解槽的功率平移。模型里引入可转移负荷量dr_add和dr_cut，分别表示相对于基准计划的电负荷增加量和削减量，并满足总量守恒约束Σ(dr_add[t]) = Σ(dr_cut[t])——就是说把高峰时段的用电转移到低谷时段，总用电量不变，但电网高峰压力降下来了。每条时段上的转移量受合同约束，比如不得超过电解槽额定功率的 15%～20%。

3.4 功率平衡：风光、购售电、电池与制氢负荷的等式约束

把所有环节串起来的是全时段的功率平衡等式，这也是风光氢储协同调度的「宪法」：

P_re_used[t] + P_buy[t] + P_dis[t] = P_load[t] + P_el[t] + P_ch[t] + P_sell[t] + dr_shift[t]

左侧是电源侧，右侧是负荷侧。P_re_used[t]表示实际消纳的风光功率，需要满足0 ≤ P_re_used[t] ≤ P_re_forecast[t]，没有被消纳的部分就是弃风弃光量。dr_shift[t] = dr_add[t] − dr_cut[t]，正值表示负荷增加，负值表示负荷削减。这条等式每一时段都必须严格成立，求解器才能给出物理上可行的结果。

4. 用 Python 实现日前调度模型：MILP 代码与逐段参数说明

4.1 数据准备：风光预测、分时电价与设备参数

下面的代码用一个简化的中试规模系统演示完整建模过程。系统参数设置为：电解槽额定功率 600 kW，储能电池容量 300 kWh，储氢罐容量 400 kg，日制氢交付量 200 kg。先构造 24 小时的风光预测、分时电价等输入数据。

import numpy as np import pandas as pd import pulp as lp # 时间参数 T = 24 # 日前调度窗口，单位：小时 # 设备参数 P_el_max = 600.0 # 电解槽额定功率，kW P_el_min = 200.0 # 电解槽最小运行功率，kW（约 33%） R_el = 120.0 # 电解槽爬坡速率上限，kW/h eta_el = 52.0 # 制氢电耗，kWh/kg H2_delivery = 200.0 / T # 每时段的固定交付量，kg/h # 储能电池参数 E_bat_max = 300.0 # 电池容量，kWh P_bat_rate = 100.0 # 电池最大充放电功率，kW eta_ch = 0.95 # 充电效率 eta_dis = 0.92 # 放电效率 soc_min, soc_max = 0.2, 0.9 # 电池 SOC 上下限 # 储氢罐参数 H2_tank_max = 400.0 # 储氢罐容量，kg h2_lo, h2_hi = 0.2, 0.9 # 储氢 SOC 上下限 h2_init = 0.4 # 储氢罐初始 SOC h2_end_min = 0.5 # 日末储氢 SOC 下限，保证次日可交付 # 电网与需求响应参数 P_grid_max = 500.0 # 与电网交互功率上限，kW price_sell_ratio = 0.8 # 售电价 = 0.8 × 购电价 DR_cap = 100.0 # 需求响应单时段最大调节量，kW dr_price = 0.3 # 需求响应补偿单价，元/kWh curtail_penalty = 2.0 # 弃风弃光惩罚系数，元/kWh battery_cost = 0.05 # 电池放电损耗成本系数，元/kWh # 风光预测与分时电价（示例数据，实际工程中来自预测系统） np.random.seed(42) wind_fc = 350 * (0.5 + 0.5 * np.sin(np.linspace(0, 2*np.pi, T)) + 0.2 * np.random.randn(T)) wind_fc = np.clip(wind_fc, 0, 450) pv_fc = 300 * np.clip(np.sin(np.linspace(0, np.pi, T)), 0, 1) ** 2 P_re_forecast = wind_fc + pv_fc # 风光总可用功率 price_buy = np.array([0.4]*6 + [0.7]*6 + [1.1]*6 + [0.7]*6) # 谷-平-峰-平 P_load = 50.0 # 站内固定负荷，kW

P_re_forecast是每个时段风光预测的可用总功率，后面通过P_re_used变量决定实际消纳多少，差值即为弃电。price_buy按「谷 6 小时、平 6 小时、峰 6 小时、平 6 小时」构造，符合国内一般工商业的分时电价形状。所有设备参数都放在头部，方便后面做敏感性分析。

4.2 模型定义与核心约束实现

这里用 PuLP 建立 MILP 模型。决策变量包括电解槽功率、电池充放电、购售电、储氢 SOC、需求响应调节量等。为了避免绝对值运算把模型变成非线性，dr_add和dr_cut作为两个独立非负变量使用。

# 创建模型 prob = lp.LpProblem("Wind_Solar_Hydrogen_DayAhead", lp.LpMinimize) # 决策变量 P_el = {t: lp.LpVariable(f"P_el_{t}", lowBound=0) for t in range(T)} P_buy = {t: lp.LpVariable(f"P_buy_{t}", lowBound=0) for t in range(T)} P_sell = {t: lp.LpVariable(f"P_sell_{t}", lowBound=0) for t in range(T)} P_ch = {t: lp.LpVariable(f"P_ch_{t}", lowBound=0) for t in range(T)} P_dis = {t: lp.LpVariable(f"P_dis_{t}", lowBound=0) for t in range(T)} P_re_used = {t: lp.LpVariable(f"P_re_{t}", lowBound=0) for t in range(T)} soc_bat = {t: lp.LpVariable(f"soc_bat_{t}", lowBound=soc_min, upBound=soc_max) for t in range(T)} soc_h2 = {t: lp.LpVariable(f"soc_h2_{t}", lowBound=h2_lo, upBound=h2_hi) for t in range(T)} dr_add = {t: lp.LpVariable(f"dr_add_{t}", lowBound=0, upBound=DR_cap) for t in range(T)} dr_cut = {t: lp.LpVariable(f"dr_cut_{t}", lowBound=0, upBound=DR_cap) for t in range(T)} # 目标函数 prob += lp.lpSum(price_buy[t] * P_buy[t] - price_buy[t]*price_sell_ratio * P_sell[t] - dr_price * (dr_add[t] + dr_cut[t]) + curtail_penalty * (P_re_forecast[t] - P_re_used[t]) + battery_cost * P_dis[t] for t in range(T)) # 功率平衡约束（风光 + 购电 + 放电 = 负荷 + 电解槽 + 充电 + 售电 + 需求响应偏移） for t in range(T): prob += (P_re_used[t] + P_buy[t] + P_dis[t] == P_load + P_el[t] + P_ch[t] + P_sell[t] + dr_add[t] - dr_cut[t]) # 风光消纳上限 for t in range(T): prob += P_re_used[t] <= P_re_forecast[t] # 电解槽运行约束 for t in range(T): prob += P_el[t] >= P_el_min * (P_el[t] > 0) # 该式仅示意，见下方说明 prob += P_el[t] <= P_el_max for t in range(1, T): prob += P_el[t] - P_el[t-1] <= R_el prob += P_el[t-1] - P_el[t] <= R_el # 储氢罐 SOC 递推与边界 for t in range(T): if t == 0: prob += soc_h2[t] == h2_init * H2_tank_max + P_el[t]/eta_el - H2_delivery else: prob += soc_h2[t] == soc_h2[t-1] + P_el[t]/eta_el - H2_delivery prob += soc_h2[T-1] >= h2_end_min * H2_tank_max # 电池 SOC 递推与充放互斥 for t in range(T): if t == 0: prob += soc_bat[t] == 0.5 * E_bat_max + eta_ch * P_ch[t] - P_dis[t]/eta_dis else: prob += soc_bat[t] == soc_bat[t-1] + eta_ch * P_ch[t] - P_dis[t]/eta_dis prob += P_ch[t] + P_dis[t] <= P_bat_rate # 同时段功率互斥 # 电网交互上限 for t in range(T): prob += P_buy[t] <= P_grid_max prob += P_sell[t] <= P_grid_max # 需求响应总量守恒：增加的负荷总量等于削减的负荷总量 prob += lp.lpSum(dr_add[t] for t in range(T)) == lp.lpSum(dr_cut[t] for t in range(T))

目标函数里− dr_price × (dr_add + dr_cut)是负成本，代表电网给制氢站的调峰补偿，所以模型在满足总量守恒的前提下，会倾向于把负荷从高电价时段转移到低电价时段，从而既拿到补偿又节省电费。curtail_penalty设为 2.0 元/kWh，高于峰电价 1.1 元/kWh，确保求解器优先消纳风光而不是弃掉再买电。

电解槽最小功率约束里写了一句注释提示的表达式，实际工程中如果 P_el 可以为零（停机），最小功率约束需要引入 0/1 开停机变量。简化演示模型里我们把lowBound直接设为 0，并约束开启时段不低于P_el_min，这样既允许夜间停机又避免低负荷运行，但要通过 0/1 变量才能严格表达。初学者容易在这里踩坑：只把lowBound=200会导致电解槽永远无法停机，这在现实中是不合理的。

4.3 求解与结果整理

模型定义完成后，调用 CBC 求解器求解，然后把各时段的决策变量整理成 DataFrame 并计算关键经济指标。

# 求解 solver = lp.PULP_CBC_CMD(msg=False) prob.solve(solver) print("求解状态:", lp.LpStatus[prob.status]) # 结果整理 df = pd.DataFrame({ "P_re_used": [P_re_used[t].value() for t in range(T)], "P_el": [P_el[t].value() for t in range(T)], "P_buy": [P_buy[t].value() for t in range(T)], "P_sell": [P_sell[t].value() for t in range(T)], "P_ch": [P_ch[t].value() for t in range(T)], "P_dis": [P_dis[t].value() for t in range(T)], "dr_shift": [dr_add[t].value() - dr_cut[t].value() for t in range(T)], "soc_h2": [soc_h2[t].value() / H2_tank_max for t in range(T)], "soc_bat": [soc_bat[t].value() / E_bat_max for t in range(T)], }) df["price_buy"] = price_buy # 关键指标 total_cost = prob.objective.value() curtailment = sum(P_re_forecast[t] - P_re_used[t].value() for t in range(T)) print(f"总运行成本: {total_cost:.1f} 元") print(f"弃风弃光总量: {curtailment:.1f} kWh") print(df.round(1))

求解状态为 Optimal 表示找到了全局最优解。CBC 是 PuLP 自带的开源求解器，对这个规模的 MILP（约 200 个变量、300 个约束）通常在几秒内收敛。dr_shift为正值代表该时段主动多用电，为负值代表削减用电，观察它的分布就能看出需求响应行为是否符合预期——正常情况下负值集中在高电价时段，正值集中在低电价时段。

整个代码演示的是日前调度层的求解过程。实际项目中，只需要把输入数据替换成预测系统的输出、把设备参数替换成现场设备的铭牌参数，再把电价模型换成当地电网的分时电价文件，就可以作为一个最小可用版本跑起来。日内滚动层则把上述求解过程包进一个循环，每 15 分钟重新调用一次，滚动更新预测数据和初始 SOC。

5. 参数整定与避坑指南：5 个让调度结果「翻车」的高发点

5.1 电解槽最小功率约束写错，模型解出来现场执行不了

现象：调度结果里电解槽在低功率区间运行，比如 10% 额定功率，现场操作员反馈实际产氢量和模型对不上，气体纯度偶尔报警。

原因：很多初版模型只用P_el_min ≤ P_el[t]作为约束，没有引入 0/1 开停机变量。当模型需要停机时，P_el 被硬压在 P_el_min 上，实际上电解槽在低负荷段已经无法稳定运行；或者反过来，为了「省钱」模型频繁启停，损坏电解槽。

解决：把开停机二元变量z[t]引入约束，写成P_el[t] ≤ P_el_max × z[t]和P_el[t] ≥ P_el_min × z[t]，并加最小运行/停机时长约束。如果嫌 MILP 变量太多，也可以做近似：把启停状态在日前层固定，日内层只调功率连续量。

5.2 日前和日内的时间颗粒度不一致，数据拼接错位

现象：日内滚动调度的 SOC 递推在每 4 小时的窗口边界突然跳变，储氢罐容量曲线出现「台阶」。

原因：日前层用 1 小时步长，日内层用 15 分钟步长，但两层之间传递的日前计划序列没有做插值对齐——日内层第 1 个 15 分钟拿到了日前整点计划，后面 3 个 15 分钟却用了同样的值，边界处产生重复或跳变。

解决：统一用一个基础时间序列（建议 15 分钟）存储所有调度结果，日前层求解后按 1 小时分段写入，日内层按 15 分钟读取，再在日前和日内之间做一个线性插值接口。这个接口代码很简单，但一定要在数据落地前设计好，不然后面改起来全是血泪。

5.3 储氢罐 SOC 递推忽略了温度与压力修正

现象：实际储氢量比模型计算值低 10% 左右，日末 SOC 勉强达标，但次日一早实测压力已经接近下限。

原因：储氢罐的储氢质量不是压力的线性函数。氢气在高压下的压缩因子随温度和压力变化，如果直接用m = PV/(RT)算，高压段（30 MPa 以上）偏差非常明显。

解决：在模型外做一个修正表，用真实气体状态方程（如 SRK 方程）把压力换算成质量，调度模型里直接用「kg」为单位，递推关系保持线性。储氢 SOC 上下限也留足安全裕度，不要贴着 0% 和 100% 设。

5.4 需求响应补偿价格设得太低，模型「甩负荷」省钱

现象：优化结果里 dr_cut 在整个峰电时段都顶到上限，电网侧反映你参与需求响应的实质成了「单方面少用电」，制氢站的实际产量目标差点没完成。

原因：需求响应约束里只设了总量守恒和调节上限，但补偿单价dr_price若低于峰平电价差，模型发现削减高峰用电再在低谷补回来能净省钱，就会「主动」把负荷大量转移。看起来是响应了电网，实际是在套利，偏离了需求响应「双向协商」的本意。

解决：给需求响应补偿设一个合理基线，通常按电价的 20%～40% 计；同时加一个「与基准计划的偏差上限」约束，比如每个时段允许的调节量不超过电解槽额定功率的 15%。更重要的是，要在目标函数里把「未完成氢交付」的惩罚系数设得很高（比如 10 元/kg），迫使模型在响应电网和完成制氢生产之间做真实取舍。

5.5 MILP 求解规模爆炸，求解时间从秒级变成小时级

现象：把日内 15 分钟步长引入后，变量数变成日前模型的 4 倍，再加入 0/1 开停机变量，CBC 求解时间从 3 秒涨到 20 分钟，实时性完全不能满足。

原因：多时间尺度模型常常直接把日前、日内、实时三层写成一个超大规模 MILP，一次性求解。层与层的目标函数权重混在一起，求解器很难收敛。

解决：把三层拆开求解，用「日前求离散、日内求连续、实时查表修正」的层级方案。日前层只保留开停机二进制变量，日内层固定这些变量后只解 LP（线性规划）或 QP（二次规划），实时层不跑优化，用比例分配规则。这是工程上最成熟的做法，既保证了全局经济性，又让求解时间回到秒级。

6. 从开环到闭环：滚动更新、反馈校正与效果验证技巧

日前调度解出来的是一个开环计划，风光预测不可能完全准确，所以必须把日内滚动和偏差反馈闭环起来。常见做法是写一个循环：每 15 分钟读取一次实测风光出力和储氢罐压力，将实测 SOC 作为当前优化窗口的初始状态，用未来 4 小时的超短期预测重新求解，只执行第一个 15 分钟的指令，然后进入下一轮。这个「执行-反馈-重算」的循环，就是多时间尺度调度真正落地时的发动机。

验证调度策略有没有效果，我习惯用三组对照：第一组是「只购电不售电、无需求响应」的固定功率基线；第二组是只做日前不开日内滚动的开环方案；第三组才是完整的多时间尺度协同方案。对比总运行成本、弃风弃光率、储氢罐 SOC 末端值和需求响应收益这四项指标。如果多时间尺度方案比基线的成本降低不到 5%，说明约束或电价参数设置有问题，需要回头检查是不是把弃电惩罚设低了，或者需求响应容量根本没被利用起来。还要做一次蒙特卡洛扰动测试——把风光预测加上 ±20% 的随机误差，看日内滚动能不能把末端储氢 SOC 稳定在安全区间，这一步能提前暴露 SOC 下限设计不足的问题。

我在做这类系统时踩过最大的坑，是把储氢罐压力和 SOC 换算表做得太理想化，结果现场压力曲线和模型对不上。后来改成用 kg 作为调度模型的统一单位，压力和温度修正全部放在数据预处理里，模型层面只保留线性递推，整个系统才真正稳定下来。如果你刚开始做，建议先把第 4 章的示例跑通，再逐步加日内滚动和实时反馈，每一步都保留一份能对比的基线结果。多时间尺度调度不是越复杂越好，而是每一层解决一个明确的问题，希望这套方案能帮你少走弯路。

本文还有配套的精品资源，点击获取