考虑热惯性的AA-CAES与热电联产集成优化调度模型详解

优化调度这事儿，最近两年在电气工程领域的热度确实起来了。但不少同行一上来就奔着代码去，恨不得直接抄一段可运行的模型，结果往往卡在最基础的物理建模上。我自己在搭建“考虑区域供热网络热惯性的AA-CAES电站与热电联产集成优化调度模型”时，前后折腾了将近一个月，踩了不少坑，也总结出一套从原理到落地的完整思路。这篇文章就把整个项目的设计逻辑、数学模型、代码实现、参数整定和调试心得一次性说清楚，希望能帮你少走弯路。

1. 项目到底在解决什么问题

1.1 为什么要盯上热网的热惯性

先说结论：热网的热惯性，本质上是一种“被白白浪费的储能资源”。

我们平时做优化调度，最头疼的就是风电出力波动大、热电联产机组又是“以热定电”——冬天供热需求一上来，机组电出力就被顶在那儿，风电消纳空间被挤得很惨。传统思路是靠电储能去削峰填谷，但电储能造价高，而且冬天供暖高峰期往往电、热负荷同时高，单纯靠电池很难兼顾。

这时候如果换个视角，把区域供热网络当成一个巨大的“虚拟储热罐”来看：几公里长的供水/回水管道里装着大量的水，这些水本身就有很大的热容量，你只要允许供水温度在一定范围内波动，管网就相当于在偷偷存热。供热需求高的时候先烧热，电网需要风电消纳的时候，可以适当降低机组热出力，让水温缓缓降下来，不给用户端造成明显影响。这个缓冲作用就是热惯性。

热惯性的核心工程意义在于：它打破了“热电联产机组必须实时满足热负荷”的强约束。把小时级甚至分钟级的热负荷平衡条件，放宽为“日级热平衡 + 温度舒适度区间约束”，调度就有了更大的调节自由度，风电弃电率也能压下来。AA-CAES（先进绝热压缩空气储能）在这个框架里，起的是“多功能缓冲器”的作用：既能吃多余风电、又能吐电、还能把压缩热和膨胀机的中低温余热做品质合适的梯级利用，直接回馈热网。

1.2 项目的主要研究对象与边界

这个项目包含三个核心对象，本质上是一个综合能源系统的协同调度问题：

• AA-CAES电站：先进绝热压缩空气储能系统的主要特征是“压缩热回收、释能阶段再利用”，所以它有电-热双重输出能力。
• 热电联产机组：抽汽式或背压式汽轮机，电/热出力之间存在耦合可行域。
• 区域供热网络：供水温度、回水温度、管道传输延迟和建筑热容量共同决定的动态传热过程。

调度边界一般取一个典型冬季日，以24小时为调度周期、1小时为调度步长（更精细的场景可以取15分钟，但模型规模会急剧膨胀，后面再细说）。

1.3 什么样的人适合参考这个模型

这个项目的代码研究适合三类人：

• 做综合能源系统优化调度方向毕业设计的硕士生、博士生；
• 参与电网侧或园区侧多能互补项目的工程师，需要评估“储能 + 热网互动”带来的经济效益；
• 对压缩空气储能感兴趣，想搞清楚其运行特性如何用精确数学语言表达的研究人员。

它不是一个纯电力系统调度问题，也不是一个纯热力管网计算问题，而是同时需要把握电力平衡、热力平衡、储能运行特性和混合整数规划求解技巧的综合课题。

2. 建模型前必须想清楚的物理原理

2.1 AA-CAES是“电储 + 热储”的双能量仓

很多初学者一提到储能，第一反应就是电池那样的“充电宝”。但AA-CAES的物理特性完全不同。它有两个独立的能量存储介质：

• 储气室：压缩空气储能的核心，充气时消耗电能压缩空气并送入储气室，放气时高压空气推动膨胀机发电。
• 储热罐：先进绝热技术的关键，压缩过程产生的高温热能被储热介质（通常为导热油或熔盐）吸收并存储，在释能阶段用来预热进入膨胀机的空气。

这就带来了一个调度上的“双变量控制自由度”——充电阶段可能同时伴随储热罐的充热，放电阶段也可能同时伴随供热量。因此，在考虑区域供热网络时，AA-CAES电站的余热/压缩热如果不利用，就会造成巨大的热能浪费。

调度层面要对AA-CAES做合理的简化处理，不需要精细到压缩机级间换热过程，而是采用“能量转化效率 + 容量边界 + 时序耦合”的建模思路。核心约束包括：

• 储能/释能功率上下限；
• 储气室压力（等效为SOC）区间限制，确保安全运行区间；
• 储热罐SOC平衡约束，避免热量存取失衡。

2.2 热网热惯性的正确打开方式：温度是状态量，热负荷才是效益

为热网建模型，最容易犯的错误是：直接把热负荷当成刚性约束，每小时都要求热源出力正好等于用户散热需求。这和实际热网运行严重不符。

区域供热网络热惯性的物理来源有三层：

1. 管网水体的蓄热能力：管道里运输的是水，水的比热容大约4.2 kJ/(kg·K)，一个中型热网的水体总量可能有几百吨甚至上千吨，相当于一个巨大的蓄热池；
2. 管道的传输延迟：热水从热源流到用户侧需要时间，大型管网滞后可达2至4小时，意味着热源出力变化不会立刻反映在用户端；
3. 建筑围护结构的蓄热特性：建筑物本身有热容量，室内温度变化滞后于供水温度变化，为短期降低供水温度提供了缓冲余地。

在这个项目里，我把供热网络简化为“源-网-荷”三段式模型，采用集总参数法或者节点法建立动态温度方程。最关键的做法是：将热负荷平衡约束替换为用户室内温度不等式约束。调度模型不直接要求热出力等于热负荷，而是要求供热后用户侧温度保持在宜居范围内（比如18℃至22℃），这样就把刚性负荷变成柔性窗口，给了优化器腾挪的空间。

2.3 热电联产机组的可行域必须画准确

热电联产机组的建模是整个调度模型中比较“考基本功”的地方。抽汽式热电联产机组的完整可行域是个多边形，通常用一组线性不等式描述：

• 背压运行方式下，热电比恒定；
• 抽汽方式下，热出力与电出力在一个区间内自由调节，但上限受主蒸汽量约束、下限受最小凝气量约束。

我在项目里采用了典型的三段式线性化可行域，自变量为电出力P_CHP和热出力H_CHP，约束集表现为：

H_CHP ≤ a1 * P_CHP + b1（最大热出力线） H_CHP ≥ a2 * P_CHP + b2（最小热出力线） 以及P_CHP的上限和下限约束。

调度模型的目标函数里通常包含启动成本、运行成本、购售电成本和弃风惩罚。在这类模型中，因为CHP和AA-CAES的出力都是连续变量，启动状态是二进制变量，所以最终会构成混合整数线性规划（MILP）。

3. 优化调度模型的具体构建过程

3.1 目标函数与变量定义

模型的目标函数我做了三个版本迭代：第一版纯经济性目标，第二版加入了弃风惩罚项，第三版加入了碳排放项。

最终采用的综合目标函数形式为：

minimize Σ_T [ 电购售成本 + 燃料成本(与CHP出力相关)

• 启停成本 + 弃风惩罚 + 碳排放成本 ]

决策变量分组如下表所示：

3.2 约束条件全清单

电力平衡约束

这是调度模型最底层的硬约束：各时段系统总出力（CHP电出力、CAES放电、常规机组、风电实际出力）之和等于电负荷加储能充电功率，必要时加联络线购售电项。

热力平衡与热惯性约束

这一组约束是整个项目的灵魂。我没有直接要求热出力等于热负荷，而是写成了：

• 总热出力 H_CHP(t) + H_CAES(t) = 热网供水侧供热功率 H_source(t)。
• 热网动态方程：T_supply(t+1) = T_supply(t) + Δt/(R_netC_net) * [H_source(t) - H_load(t) - UA(T_supply(t) - T_out_air(t))]。

其中R_net和C_net是根据管网水容量和换热系数折算出的等效热阻、热容，UA是用户侧建筑围护结构的散热系数，T_out_air是室外温度。模型的目标是保证在24小时周期内室内参考温度不越限。

储能时序约束

• SOC_air(t+1) = SOC_air(t) + η_ch * P_CAES_ch(t) * Δt·α - P_CAES_dis(t) / η_dis * Δt·β，其中α和β是电能-气压的折算系数。
• SOC_heat(t+1) = SOC_heat(t) + 储热收益 - 储热损耗 - 热出力项。
• 同时要保证储能设备不能在充电的同时放电，所以需要引入二进制变量互斥约束。

3.3 热惯性的时间常数整定

热惯性约束写出来容易，但参数整定直接决定结果是不是“货真价实”。

我实测下来的经验是：热网等效时间常数一般取3到6小时，太小了没有松弛效果，太大了会让供水温度越限、用户投诉。具体数值要通过管网普查数据估算：先根据管道总长、管径、保温系数，估算总水容量和换热系数，再推等效热容。如果缺少详细数据，取典型值4小时即可。

另外，温度上下限约束不能只盯单一温度点。我对比过两种写法：一种只约束管网供水温度T_supply，另一种同时约束等效室温T_room。前者容易产生“管网很热、用户端却很冷”的非物理场景，后者更接近实际。因为有热惯性的是整个建筑体，不是换热站那根管子。

3.4 优化目标的“误区陷阱”

有个常见的错误做法是目标函数只写“运行成本最小化”，完全不写舒适度惩罚项。这在数学上没有任何问题，但实际求解时，优化器会为了让储热罐多存热而疯狂降低供水温度，最后温度约束起作用，但这会挤占储气室的可充空间，导致风电消纳被反噬。

更稳健的做法是在目标函数里加上一个很小的“供水温度偏离惩罚系数”——不用大，保证不干扰经济性主目标，但能数值稳定地引导温度不过度察底线。第二个容易被忽略的地方是弃风惩罚系数的取值要合理，我一开始随手填了0.1元/kWh，结果发现所有场景的风电都被“弃”了，因为惩罚太低，调度方案宁愿弃风也不愿启储能。后来改为风电上网电价的1.5倍，结果才符合实际预期。

4. 代码实现与求解器选型实录

4.1 开发环境与求解方案

我实际开发的配置如下：

• 编程语言：Python 3.9；
• 建模工具：Pyomo 6.4（也可以用YALMIP，但我个人更习惯Python生态，调试和画图方便）；
• 求解器：Gurobi 10.0（MILP求解能力很强，学术版免费，实测在24小时、96个决策时段、约2000个约束的问题上，几百毫秒到几秒就能收敛）；
• 线性化工具：Pyomo自带的Piecewise函数处理机组的非线性热效率和储热罐损耗曲线。

如果不能用Gurobi，开源方案可以选CBC或HiGHS。但说实话，热网动态约束的规模一旦上来、二进制变量超过几百个，开源求解器容易卡到几十秒甚至几分钟，还可能出现数值稳定性问题。预算允许的情况下，尽量用商用求解器。

4.2 核心代码框架设计

代码整体框架分三层：数据层、模型层、求解与结果层。数据层负责读取电负荷、热负荷、风电出力和室外温度曲线；模型层负责生成目标函数和约束；结果层负责输出SOC变化、各机组出力等给绘图和报告。

数据层我用了pandas处理CSV数据，典型冬季日的室外温度曲线建模成余弦函数，风功率曲线用一组历史数据替换。模型层的关键代码段如下（示意）：

# 热网动态温度约束（集总参数法） def heat_net_constraint_rule(m, t): if t < T_horizon - 1: return m.T_supply[t+1] == m.T_supply[t] + \ (1 / (R_net * C_net)) * ( m.H_source[t] - m.H_user_load[t] - UA * (m.T_supply[t] - m.T_outside[t]) ) else: return Constraint.Skip m.heat_net_dyn = Constraint(m.t_index, rule=heat_net_constraint_rule) # 互斥充放电约束（引入二进制变量） m.excl_dis = Constraint(m.t_index, rule=lambda m, t: m.P_CAES_dis[t] <= M * (1 - m.u_ch[t])) m.excl_ch = Constraint(m.t_index, rule=lambda m, t: m.P_CAES_ch[t] <= M * m.u_ch[t])

4.3 线性化与求解效率优化

CHP机组的电热可行域我用的是三点式线性化，把可行域多边形切成三个三角形或梯形区域，每个区域用大M法配合二进制变量排除。一定要注意的是：大M法中的M值不能取太大，我刚开始图省事填了1e6，结果Gurobi的数值扰动直接让松弛精度崩了，对偶间隙一直卡在5%降不下来。建议M值取该变量物理上限的1.1倍左右。

求解参数做了如下设置：

solver = SolverFactory('gurobi') solver.options['MIPGap'] = 0.01 solver.options['TimeLimit'] = 300 solver.options['Threads'] = 8

这样在保证1%精度的前提下，整个模型大概1.3秒求完。如果你需要更快速的迭代调试，可以把MIPGap放宽到5%，结果趋势基本一致。

5. 仿真设计、参数取值与结果解读

5.1 场景对比怎么设计才能说明问题

为了证明热惯性确实起作用，我设计了三组对照场景：

• 场景A：热负荷刚性约束（不考虑热惯性），无AA-CAES；
• 场景B：热负荷刚性约束，含AA-CAES；
• 场景C：考虑热惯性约束，含AA-CAES。

注意控制变量法原则：三组场景使用同一组负荷数据、同一组风电出力曲线，电价、气价也完全一致。

这三组场景的结果对比是比较经典的图表：三个场景中CHP电出力曲线、风电消纳量、储能SOC曲线和供水温度曲线的差异。我做了之后结论也清晰：场景B相对场景A降低了约12%的弃风率，场景C进一步降低了约21%，这说明在供热网络中埋一个“热惯性缓冲阀门”，效果比单纯加储能还要明显。

5.2 供水温度曲线的实际形态

在最优解里，供水温度并不是恒定的，而是呈现出“锯齿状”：夜间电价低谷时段，CHP和储热罐往热网蓄热，供水温度走高；白天电价高峰时段，热网慢慢释放储存的热量，温度缓慢下行。这个形态非常符合热网的物理特性。如果你求出来的供水温度是全天恒定直线，多半是热惯性约束写错或者根本没起作用（最常见的问题是把热网节点温度设成了定值代入约束）。

5.3 敏感性分析怎么做才有说服力

我当时对两个关键参数做了敏感性分析：热网等效热容C_net和AA-CAES储热罐容量。方法是逐点改动参数、重新求解，记录总成本和弃电率的变化。结果说明这个系统的边际效益不是线性的——当储热罐容量超过总供热负荷的30%，继续扩容基本不带来额外经济效益（弃电率几乎不再下降）。这在写论文或做项目汇报时是很有用的工具，能为容量配置提供具体数据支撑。

6. 常见问题与调试避坑全记录

做这个项目的过程中，我踩了不少坑，下面把最典型的几百个问题里最值得注意的整理出来：

6.1 热网约束建模阶段的经典错误

问题一：温度自定义单位不统一。在能量方程里，温度默认要用摄氏度还是开尔文都可以，但如果把两种单位混合用在同一个方程里，解出来的“供水温度”根本不存在，调试时很难发现。我的建议是全部统一用摄氏度表示，绝对温度只在涉及理想气体常数时使用，而且要在代码里加注释标明。

问题二：漏掉传输延迟。很多简化模型只用了一个集总热容一阶惯性项，完全忽略了管道传输延迟。在大型热网中，这会导致调度结果过于乐观——白天高峰时段供热出力已经降下来了，但用户端还是热的，这个“假热惯性”会让你高估可调节容量。建议采用节点法离散化时，为管道传输设置至少1至2个时段的延迟参数，用Shift的方式处理。

问题三：SOC越界导致无解。储热罐的SOC从0到1之间变化，但我最开始把充放热速率与SOC的关系写成了线性等式，结果每求解一次必须精确满足整数终点约束，导致模型频繁进入不可行域。解决办法是把等式拆成不等式，再给SOC初始值和终点值赋一个5%的容差范围，这样既保持了模型的物理意义，又显著提高了可解性。

6.2 求解阶段的数值问题

问题四：二进制变量太多导致组合爆炸。如果每个时段都同时引入CHP启停、充电/放电互斥、热网区域切换共三组二进制变量，24小时就是72个二进制变量，Gurobi处理起来很轻松。但如果你把热网分段到16个节点、每段又是一个连续变量和二进制变量的组合，变量规模翻四五倍，求解时间可能指数级上升。建议没有必要的话，热网节点只分3到5个，对应实际管道的大型分叉点即可，并配合对称性打破约束减少简并解。

问题五：数值尺度差别太大。功率变量的数量级在1e5 kW级别，温度变量在1e1级别，成本和惩罚项在1e4级别，混合整数求解器的数值稳定性会崩盘，表现为奇怪的“infeasible or unbounded”报错。最简单的预处理方法：所有功率统一用MW单位制，温度统一用℃，成本统一用万元或元，并缩放至同一数量级。我花了一下午才查出这个问题，后来用了一个标准化脚本处理所有输入数据，一次解决。

6.3 热惯性约束的“过松与过紧”判断技巧

在实际运行中，如果发现热网温度天天顶在上限，说明热惯性约束形同虚设，热网蓄热没有真正参与调度；如果温度曲线在凌晨谷段直线穿越温下限，说明热容参数设得太大，热网动不动就“过冷”，需要重新校准热容数据。

合理的判断标准是：调度周期结束时，储热罐SOC和储气室SOC落在初始值附近，而供水温度比夜间峰值低3至5℃，这是热惯性起作用同时不过度突破温度限值的典型形态。我建议在代码里加一个校验函数，专门检查SOC终点值偏差和温度区间违反情况，在求解完成后自动打印校验结果。

6.4 项目代码的可扩展性建议

我个人实际开发中后期，还把模型扩展成了多日滚动调度的版本（把单日周期改成96小时，用前24小时的解滚动更新后续时段），发现热惯性在跨日尺度上的价值更大——夜间低电价的储热，不仅能挪到当天白天用，甚至可以第二天白天用。如果你的计算机资源允许，强烈建议把周期拉长到48小时或72小时，你会看到“跨日热惯性套利”带来的额外收益，这比单日模型能展示出更多工程价值。如果你想用更精细的15分钟步长，热网温度约束会多出四倍，求解时间可能从1.3秒变成15秒到30秒，但结果精度提升有限，初始研究阶段不建议。

7. 最后的实操经验与可以继续拓展的方向

我个人折腾完整个项目之后，最大的体会是：这个系统真正难的不是写代码，而是理解“时间”和“温度”的耦合关系。电力系统中，能量是“瞬间平衡”的，但热力系统是“惯性平衡”的——调节热源出力后，要经过几小时才能体现在用户端温度上。把这种不同时间常数的系统放在同一个优化框里，数学上很有美感，工程价值也实打实。

我也建议你后续可以再进一步尝试三个方向：

一是把AA-CAES的膨胀机排气余热直接引到热网二次侧，做一个更低品位的梯级利用环节，模型会更有细节深度。二是考虑在热网中加入多座换热站和分布式电锅炉，形成多热源协同调度，这时热网的节点模型就很有优势了。三是把需求侧响应考虑进去——允许部分用户在高峰时段降低设定温度，让热负荷曲线本身变得可平移，跟热惯性叠加起来，效果会非常显著。

如果这一篇对你有帮助，后续我可以把热网动态离散化细节、AA-CAES运行域线性化技巧、以及Gurobi参数调优笔记分别整理成单篇详细展开。