综合能源系统优化调度：AA-CAES与供热热惯性的协同建模解析

写在前面：如果你最近在搞综合能源系统、储能或者供热经济调度方向的毕业设计，大概率会搜到“AA-CAES”和“热电联产”这两个词的组合。确实，先进绝热压缩空气储能（AA-CAES）和热电联产（CHP）机组放在一起做优化调度，是当前电气工程和热能工程交叉方向里比较有搞头的一个选题。这个模型不算特别难，但代码实现时坑不少，尤其是“区域供热网络热惯性”这一段，处理不好模型求解直接不收敛。这篇文章我会把我实际调试这个调度模型时的完整思路、建模取舍、代码框架和踩坑经历都整理出来，给打算复现或者做相似课题的同学一份可以直接下手的参考。

先说清楚这个项目到底在做什么：在一个包含风电、CHP热电厂、AA-CAES储能站和区域供热系统的园区级能源系统里，考虑供热管网的蓄热特性和建筑物热惯性，从而建立一个优化调度模型，让系统在满足电、热负荷的同时，运行成本最低。说白了，就是要想办法把“电跟着热走”这个热电联产的老毛病，通过储能和管网蓄热给治一治。

这篇内容最适合三类人：一是电气工程、热能工程方向做毕业设计或课题研究的研究生；二是在做综合能源服务、园区智慧能源管理的工程师；三是准备从事电力市场或虚拟电厂方向、想快速上手优化调度建模的初学者。阅读过程中你可以跟着操作，不需要太强的数学背景，但最好用过Python，并对线性规划的基本概念有个大致印象。

1. 内容整体设计与思路拆解

1.1 这个模型到底解决了什么痛点

北方冬季供热期，最大问题还不是电负荷高，而是热负荷太高。传统的抽凝式热电联产机组有一个硬约束：只要机组在供热，它的电出力就有一个由热出力决定的下限，行业内叫“以热定电”。夜间风电大发的时候，系统本来想把风电全消纳掉，但热网还有一大坨热负荷压着，CHP机组降不下去电出力，风电场只能弃风或者让储能充电。传统电储能（锂电池）只能吸收电量，对供热侧完全帮不上忙。

AA-CAES不一样。先进绝热压缩空气储能在充电时，多余的电能驱动压缩机，压缩热被储热系统收集；放电时压缩空气加热后进入膨胀机发电。更关键的是，部分热还可以用于供热。这样一来，它既能吃电，也能产热，天然适合和CHP搭配。不过AA-CAES和锂电池一样，本质上还是“储电调峰”的角色。真正能让CHP在夜间把出力压低、还能保证用户暖气不冷的，靠的是供热网络的热惯性。

热惯性是什么意思？你晚上想把家里暖气调低一点，房间不会立刻冷下来，管道里的热水和楼体的混凝土都还在持续散热，这个“降温缓冲过程”就是热惯性。在调度上，这意味着热负荷不是一个瞬时平衡的死约束，允许提前蓄热或延迟供热，只要用户室温在舒适区间内波动即可。把热惯性纳入调度模型，就相当于给系统多了一个“看不见的储能”：热网本身能存热，灵活性一下就出来了。

1.2 为什么把AA-CAES和热惯性放在一个模型里

单独调度AA-CAES很成熟，单独做热网蓄热优化也有很多论文。但这个项目有意思的地方在于，把AA-CAES的电力调节能力和热网蓄热能力放在同一个时间窗内协同。举个例子：电价低谷期，让AA-CAES压缩机满负荷吃电，同时让CHP缓慢降低热出力，热水管网和用户建筑靠前期蓄热维持温度；等到电价高峰期，AA-CAES膨胀机放电压减CHP电出力，CHP再加大热出力把管网蓄热补回来。整个过程电网侧峰谷套利，热网侧利用蓄热填谷，两边都受益，这才是集成调度的意义。

从这个角度来看，模型的本质是一个“以小时为尺度的暖通电力联合调度”：把电功率、热功率、储能SOC、热网管道温度、用户室温全部映射到同一组时间离散化的决策变量上，在满足物理约束的前提下求运行成本的最小值。

1.3 我选择的技术路线和建模目标

我的目标是构建一个可以在普通笔记本电脑上跑动的优化模型，所以没有盲目追求高精度。整个模型框架如下：

• 时间尺度：24小时优化窗口，1小时间隔。需要说明的是，热管网的时间常数通常只有几十分钟到两三小时，1小时的粒度基本能反映热惯性的跨时段转移能力。
• 系统构成：CHP机组、AA-CAES储能站、风电场、常规电热锅炉（备用）、区域供热一级管网、用户换热站。
• 调度目标：最小化系统总运行成本，包含CHP煤耗、购电费用、弃风惩罚、储能运维成本。
• 数学模型：混合整数线性规划（MILP），求解器用Gurobi或CBC均可。

选择MILP而不是非线性规划，核心原因有三个：一是热网动态方程通过合理假设可以线性化；二是MILP有全局最优解保障，论文审稿人基本都认可；三是我个人经验里，非线性模型在工程上的可解释性和调试友好度都差很多。

2. 核心细节解析与实操要点

2.1 AA-CAES的数学模型构建

AA-CAES的设备结构可以简化为四个部分：压缩机链、储气室、储热系统、膨胀机链。建模时不需要关心内部热力过程细节，只需要刻画外部电热特性和内部能量状态。我用的是以下简化的能量平衡模型：

充电过程：充电功率乘以充电效率得到储气室注入功率，同时压缩热带入储热系统。这里有一个容易被忽略的点：AA-CAES充电时产生的压缩热并不是稳定的，储热系统的温度状态会随运行工况波动。为了模型可解，我假设储热系统温度和储气室压力始终在允许范围内，不做满变量建模，只约束储热系统的SOC上下限。

放电过程：储气室释放空气，经过储热系统加热后进入膨胀机。这个过程中，如果储热系统SOC偏低，会导致膨胀机入口温度不足、发电效率下降，所以在约束里我强制要求放电只能在储热SOC高于某一阈值时进行。

储能站的核心约束是：

• 充电功率上下限和充电状态约束
• 放电功率上下限和放电状态约束
• 充电和放电不能同时进行的逻辑约束
• 储气室SOC的状态转移方程
• 储热系统SOC的状态转移方程
• 日始末储能状态一致性约束

我把储能SOC定义为连续变量，充/放电状态定义为0-1整数变量。这里有个关键技巧：为了避免“充电功率极小但不为零”这种求解器给出的工程上无意义的解，我给连续功率变量加了“要么为0、要么大于最小技术出力”的特殊约束，也就是很多论文里说的big-M约束。这个在工程调度里是必要的，否则优化结果会出现充电功率0.003MW这种荒唐数值。

2.2 热电联产机组的电热耦合特性

热电联产机组建模是整个模型最核心的一环。抽凝式机组的特点是热出力和电出力存在一个可行区域，通常用线性不等式组描述。工程上常见的简化是把可行域近似成一个凸多边形，每个顶点对应一个工况点。我的模型用了四个顶点逼近：

• 最大凝汽工况点：热出力低，电出力低
• 最大抽汽工况点：热出力高，电出力高
• 最小凝汽工况点：热出力低，电出力高（这个看似反直觉，实际上抽凝机在完全停抽时如果有电需求，可以加大进汽量，电出力反而可能更高）
• 最小抽汽工况点：热出力高，电出力受锅炉最小稳燃限制

这四条边界围成的区域就是机组的实际运行可行域。建模时用凸组合表达机组工况，引入权重变量，并让电出力、热出力分别等于各顶点对应值的加权和。这样处理后，整个电热耦合关系变成线性约束，求解器处理起来毫无压力。

CHP的煤耗函数我在初始版本用了二次函数，但MILP模型没法直接处理二次项。最后的处理方案是分段线性化：按电出力区间切成5段，每段用直线逼近煤耗曲线，误差控制在1%以内。对调度结果的影响非常小，但求解速度提升明显。

2.3 区域供热网络热惯性的建模细节

这一部分是整个模型最容易出问题的地方，我花的时间也最多。热惯性主要来自两个部分：一级供热管网的蓄热量和用户建筑物的蓄热量。

管网的传热模型如果完全按照偏微分方程来建，优化调度模型根本没法求解。我采用的简化方案是“节点法+时间延迟”的组合思路：热网中的管道被简化为一系列管段，热水从管段入口流向出口需要一定时间，这个时间由管长和流速决定。管段入口温度和出口温度的关系用一个温度动态方程描述：

管段的出口温度等于上一时刻入口温度经过时间延迟后的衰减值，衰减程度由管道散热损失系数决定。如果把每个时刻的管道出口温度都设为独立变量，约束数量会爆炸。实际上我采用的是“入口温度状态数组”的方法：不设出口温度变量，而是维护一个包含历史时间段入口温度的数组，出口温度直接按延迟时间抽取对应历史值再乘以散热损失系统。这个技巧让管网约束从二次复杂度降为线性复杂度，求解规模大幅缩减。

建筑物热惯性的建模相对成熟，我用的是等效热参数模型（ETP模型）的一阶形式：室温的下一时刻值等于当前室温与室外温度、供热功率之间的线性组合，本质上是一个一阶惯性环节。这个模型被大量建筑节能文献验证过，精度足够用于小时级调度。

需要注意的是，为了保持模型线性，我假设热水质量流量恒定，只调节供回水温度，也就是“质调节”运行方式。这是工程上的常用简化。如果你在论文里采用“量调节”模型，管道质量和流量耦合，会引入双线性项，求解器速度会大幅下降，除非使用McCormick松弛等手段，否则不建议在入门阶段尝试。

2.4 模型范式选型：为什么坚持用MILP

之前也试过把整个问题扔给遗传算法这类元启发式算法求解，结果是：能耗没问题，但每次运行结果都不一样，而且无法证明最优性。在学术研究中，这种“黑箱解”很难让人信服。改用MILP后，Gurobi可以给出最优性间隙（MIP gap），论文里把这个指标放上去，审稿人基本不会再质疑你结果的合理性。

MILP还有一个好处：约束可以随时增减，灵活性极强。比如想加个“机组爬坡速率限制”，只需要在约束列表里加一行代码；想加个“储热系统最低温度限制”，也是一行代码的事。对代码后续扩展和维护非常友好。

3. 优化调度模型的构建与代码实现

3.1 目标函数的成本构成

目标函数设计为最小化总运行成本，我考虑了四项：

• CHP机组燃料成本：由分段线性函数给出，是成本的主要部分
• 购电成本：当系统内部发电不足时，从上级电网购电，按分时电价计算
• 弃风惩罚成本：为了鼓励消纳风电，对未使用的风电功率设置惩罚系数
• 储能与热网运行维护成本：按充放电量和供热量线性折算

购电成本和弃风惩罚这两个参数对调度结果影响很大。我在实际调试中发现，如果弃风惩罚系数设得太低，模型会主动弃风来避免调节机组；太高则会导致机组频繁调峰。建议先跑一版不加弃风惩罚的模型，统计自然弃风量，再根据这个量级设置惩罚系数，数值大约在风电上网电价的1.5到2倍之间比较合理。

3.2 约束条件全梳理

约束条件大概可以分为五组，我列一个表方便对照检查，建模时漏了哪一条，直接用这个表回头查：

电功率平衡约束在代码里必须写成等式，否则求解器会有“强行丢弃功率”这类不合理的自由度。热功率平衡因为考虑了管网蓄热，是一个可以带松弛的动态等式，但松弛变量一定要加惩罚系数，否则热平衡就是一句空话。室温舒适区间我取的是18到24摄氏度，这个区间越宽松，系统灵活性越大，运行成本越低。

3.3 整体代码框架结构

我的代码完全基于Python 3.10编写，优化建模用Pyomo 6.x，求解器优先调Gurobi，没有Gurobi license的话用CBC也可以跑通，但求解速度会慢不少。整个代码结构分成五个文件：

• data_loader.py：读入电负荷、热负荷、风电预测、分时电价、机组参数、热网参数
• chp_model.py：定义CHP机组可行域变量和约束
• aacaes_model.py：定义储能变量和约束
• heat_network.py：定义供热管网和建筑热惯性相关的动态约束
• main_optimization.py：组装模型、求解、结果后处理

这样拆分的好处是调试方便。热网或者储能出了问题时，只需单独跑对应模块的约束验证代码，不需要把整个模型拖起来，节省大量时间。实际调试时，我强烈建议你分开先验证每个子模块的可行性，再组装到一起，否则一旦求解器提示不收敛，排查范围会非常大，因为你根本不确定是哪个模块的问题。

3.4 核心代码片段解析

下面这段是热网时间延迟约束的核心代码，也是整个模型最精华的部分。它实现了管道出口温度对入口温度的延迟采样功能：

import pyomo.environ as pyo def add_heat_network_delay_constraints(model, pipe): """ 为热网管道添加时间延迟约束 pipe: 管道对象，包含 pipe.length, pipe.velocity, pipe.loss_coef, pipe.delay_steps """ for t in model.T: delay_idx = t - pipe.delay_steps if delay_idx >= 0: # 管道出口温度等于历史入口温度乘以散热损失系数 model.pipe_out_temp[t, pipe.name] = ( model.pipe_in_temp[delay_idx, pipe.name] * pipe.loss_coef ) else: # 启动时段，假设入口温度等于初始设计温度 model.pipe_out_temp[t, pipe.name] = pipe.init_temp

这里的关键变量是delay_steps，它由管道长度和热水流速共同决定，计算方法是：延迟时间等于管长除以流速，然后除以时间步长并取整。我自己实际跑的例子中，一根3公里长、流速1.2米每秒的管道，延迟时间约为42分钟，对应1个调度时段，延迟效果刚好能跨时段体现。

再展示一下AA-CAES储热SOC的约束代码，这里想突出的是“辅助变量初始化”的重要性：

def add_aacaes_storage_constraints(model): for t in model.T: if t == 0: model.heat_soc[t] == model.heat_soc_initial else: model.heat_soc[t] == ( model.heat_soc[t-1] + model.charge_heat_in[t-1] * model.heat_charge_eff - model.discharge_heat_out[t-1] / model.heat_discharge_eff ) # 储热SOC上下限 model.heat_soc[t] >= model.heat_soc_min model.heat_soc[t] <= model.heat_soc_max

Pyomo里如果连续两个时段引用变量下标为t-1，在t=0时会出现索引溢出，所以代码风格上要习惯在循环里加边界判断，或者给时间集合设置一个虚拟起点。

4. 算例设置与调度结果分析

4.1 典型日数据准备

我以一个我国北方某工业园区为背景，构造了一个典型冬季场景。电负荷峰值152兆瓦，出现在傍晚18时；热负荷峰值198兆瓦，出现在清晨6时；风电出力在夜间23时到来日凌晨4时处于高位。系统内包含一台60兆瓦抽凝式CHP机组，一台30兆瓦的AA-CAES储能站（储气室容量对应满功率放电4小时），一个带有8根主要管道的区域供热网络，总管道长度约25公里。

分时电价采用峰谷三段式：峰段1.0元/千瓦时，平段0.65元/千瓦时，谷段0.35元/千瓦时。热用户室温舒适区间18至24摄氏度，管道供水温度在85至120摄氏度之间，回水温度在35至55摄氏度之间。

4.2 三组对比方案的设置与结果

为了把热惯性和AA-CAES的作用分开看，我设置了三个对比方案：

• 方案A：传统CHP独立供电供热，无AA-CAES，不考虑热网动态。
• 方案B：CHP加上AA-CAES，但不考虑区域供热网络热惯性。
• 方案C：完整模型，CHP加AA-CAES加区域供热网络热惯性。

三个方案采用完全相同的负荷曲线、风电曲线和分时电价。运行结果如下表：

方案的对比效果很明显。方案B和方案A相比，主要是AA-CAES通过峰谷套利降低了购电成本，但对夜间弃风的改善有限，因为弃风的根源是CHP电出力下限太高，而不是缺少电能消纳空间。方案C加入热惯性后，CHP夜间最低电出力从48.2兆瓦直接降到35.6兆瓦，弃风率从9.3%掉到4.1%，成本一天就少了13.3万元，大约节省6.7%。这就是热惯性“解耦以热定电”的直接价值。

4.3 热惯性的灵活性到底从哪里来

如果只看最终结果，可能觉得热惯性就是“让机组少出力”这么简单。但实际上它的调度机制要微妙得多。从优化器输出的详细结果看，方案C的供水温度曲线呈现出一个明显的“锯齿状”：在夜间风电大发时段，CHP热出力降低，供水温度从105摄氏度逐步滑落至88摄氏度，回水温度基本不变，这个过程管网和建筑在持续释放前期蓄热；在白天电价较高或热负荷高峰到来之前，CHP提前增大热出力，把供水温度拉回到110摄氏度以上，完成蓄热。

更有意思的是，AA-CAES在这个场景中并没有像锂电池那样在夜间充到满、白天放到底，而是把充放电时段分散了：因为热网蓄热释放也需要CHP在部分时段提升电出力来配合，AA-CAES相当于在电侧做“削峰填谷”，热网在热侧做“移峰填谷”，两者互补后才形成了整体最优解。如果你只盯着储能SOC曲线看，会觉得它充放次数偏多、不太规律，但结合热网温度曲线一起看，就明白这就是协同调度的真正形态。

5. 常见问题与排查技巧实录

5.1 模型求解不收敛或MIP gap过大的处理思路

我遇到过最多的异常就是模型求解特别慢或者显示infeasible。先说infeasible：这通常不是模型错误，而是约束自相矛盾。常见原因是CHP可行域顶点输入错误。你可以先跑一个最小化“松弛变量之和”的可行性恢复模型，也就是把所有等式约束都加一个松弛变量并把松弛量最小化，找到最先冲突的约束，然后逐条排查。

求解慢则大概率是整数变量太多。CHP启停变量加充放电状态变量，加起来在48个时段内就有上百个整数变量。处理经验有二：一是把不敏感的0-1变量改为连续化试算，看看目标函数变化量，如果变化很小就保留连续化结果；二是给模型提供一个初始可行解，用解热网前一日调度结果作为初始值，Gurobi的warm start功能能显著压缩求解时间。

5.2 热网温度约束的稳定性问题

如果模型能求解，但结果中管道出口温度出现异常振荡，问题往往出在时间延迟数组越界或初始时段处理不当。我的建议是把初始几小时内的管道入口温度固定为设计值，并让延迟数组用向前填充而不是简单清零，这样前几个时段不会出现虚假的低温冲击。另一个坑是散热损失系数设置过高，当系数超过每公里0.5摄氏度的时候，长距离管道的出口温度可能低于回水温度，这在物理上不可能但在优化模型里会被当成可行解。因此我会在模型里补充约束，强制每一根管道的出口温度大于回水温度至少3摄氏度。

5.3 结果不合理时的排查顺序

如果你发现调度结果违背基本工程直觉，比如白天高电价时段CHP不发电、反而让储能充电，不要急着怀疑模型，先按这个顺序排查：

• 排查时段索引是否对齐：风电、电价、热负荷这些时间序列是否在同一个时间轴上，小时刻度和浮点精度是否一致。
• 排查单位是否统一：功率单位用兆瓦，热量单位用兆瓦时，储能用兆瓦时。混用的现象在复现代码里非常常见，一搞错就是数量级灾难。
• 排查参数符号正负号：储热SOC转移方程里充放热的符号如果没有统一，会直接导致能量凭空产生或消失。
• 最后检查边界时段约束：日始末SOC一致性条件如果漏了，模型会把储能初始能量当作免费的资源耗尽，成本自然会异常低。

5.4 给新手的实操建议

如果你是第一次接触这类优化调度模型，我建议不要一上来就复现完整的热网动态模型，而是分成三步走：

第一步，先跑通一个最简单的经济调度模型，只包含CHP和电负荷，目标只有煤耗，不接储能和热网。第二步，把AA-CAES加进去，加入储电、储热SOC约束，跑通并验证不等式约束的逻辑。第三步，再加热网时间延迟和建筑热惯性，这时候你已经对前面两块代码足够熟悉，热网模块的问题很容易被单独隔离出来。

还有个细节：热网模型的管道数量不要一开始就上几十根。先用一根管道、一个热负荷节点把逻辑跑通，验证延迟效果正确，再扩展到完整管网。我第一版代码就是图省事直接把50根管道全建出来，结果光排查热网建模错误就折腾了好几天。简化起步，后面补扩展，效率才是最高的。

结尾：一点个人的实际体会

这个项目做下来，我最深刻的体会是：优化调度模型的价值从来不在数学有多复杂，而在你捕捉物理过程本质的准确性。热惯性这个概念，如果只是当成一个“软约束”随便处理，根本体现不出管网蓄热的力量；一旦你把它写成时间延迟和温度动态约束，在结果里亲眼看到CHP的夜间电出力降下来、成本降下来的时候，会真切感受到好模型的力量。建议你在复现时也把重心放在热网建模这一块，多试几组管道长度和流速参数，找到适合你场景的时间延迟量级。如果你在跑通过程中遇到热网约束导致的求解困难，欢迎把这篇文章里的参数试一遍，大概率能帮你少走一大段弯路。