绿证-碳交易下的综合能源系统鲁棒优化：完整Python实现

做能源系统优化的同行应该都有体会以前做综合能源系统调度把电、热、气平衡算清楚就算完工现在不一样了绿证和碳交易已经把环境成本直接塞进了运行决策里。这个项目做的就是“面向绿证-碳交易的综合能源系统鲁棒优化方法”我完整实现了Python代码并把这个过程整理成一套能直接上手复现的完整方案。无论你做园区能源规划、微电网调度还是要研究碳市场和绿证市场耦合下的运营策略这套模型框架和代码都能直接参考改造。整套方法的核心逻辑其实不复杂用两阶段鲁棒优化建模第一阶段做日前调度决策第二阶段在最坏风光出力场景下评估调整成本然后通过CCG算法迭代收敛最后用Gurobi求解。接下来我按照从建模到求解、从代码实现到调试经验这条主线把每个环节的关键点都讲清楚顺便把我在实际跑模型过程中踩过的坑也一并列出来。1. 项目开局绿证-碳交易下的综合能源系统为什么要做鲁棒优化1.1 综合能源系统的“双碳”新变量绿证和碳配额综合能源系统一般包含电、热、气等多种能源形式的转换、存储和利用典型设备有风机、光伏、燃气轮机、储能电池、电锅炉、热泵等。以前做这类系统的优化调度目标基本就是运行成本最小约束考虑功率平衡和设备容量就够了。但当绿证交易和碳交易被纳入系统运行环境后目标函数里必须加入两项新东西一是碳排放配额的盈亏成本二是绿证交易收益。绿证的本质是可再生能源电量的“环境属性凭证”。系统里每发1MWh可再生能源电量可以对应获得一张绿证拿到市场上出售后直接形成收入。碳交易则是围绕配额展开的系统实际碳排放量超过免费配额需要在碳市场购买配额低于配额则可以出售盈余配额获得收益。问题在于这两项都和“可再生能源到底发了多少电”紧密绑定而风电、光伏出力恰恰是全系统最不确定的部分。你按预测值排出的调度计划在实际风光波动面前可能完全不是最优的甚至不是可行的。我做这个项目时体会到把绿证和碳交易放进来之后模型的决策逻辑发生了根本变化。以前燃气轮机和电网购电之间是单纯的经济比较现在碳价会把燃气发电的隐性成本放大绿证价格又会把风光发电的隐性收益放大系统可能宁愿多买一点高价电、少开燃气轮机也要保证绿证收益和碳配额盈余最大化。这个联动效应是确定性模型很难捕捉到的。1.2 确定性调度为什么不够用不确定性带来的实际风险如果只做确定性优化风电光伏出力取预测值那么运行层面会出现两类问题。一类是功率不平衡光伏实际出力远超预测时如果日前计划已经安排了足够多的燃气轮机和购电多余的电只能弃掉弃电惩罚直接变成成本反之光伏出力远低于预测时则需要临时高价购电甚至切负荷。另一类问题是绿证和碳收益失真风光出力低于预测时绿证收入减少、购电增加导致碳排放增加碳配额缺口变大这些连锁反应在确定性模型里完全看不到。随机规划理论上可以处理这种不确定性但它需要知道不确定参数的概率分布而且场景一多模型规模膨胀非常快经常出现内存爆炸或求解时间不可接受的情况。鲁棒优化只需要给不确定参数一个波动范围也就是“不确定集”然后求最坏场景下的最优解。它的优点是不依赖精确的概率分布数学上通常可以保持线性或混合整数线性规划的结构用Gurobi这类求解器直接解而且工程语义清晰你要保证系统在多大的波动范围内不出问题就设多大的不确定集。不过要泼一盆冷水鲁棒优化是保守的你不可能既要最坏情况下的绝对安全又要最好的经济性。所以在项目里我非常强调预算参数Γ的灵敏度分析通过调节Γ让决策者在鲁棒性和经济性之间自己选位置。这也是整套方法从论文走向工程落地的关键一步。2. 数学模型搭建设备建模、目标函数与不确定集2.1 系统设备和约束怎么建模模型按一个小型园区综合能源系统来做24小时调度周期调度步长1小时。电源侧有风机、光伏和燃气轮机储能侧有蓄电池热源侧有燃气轮机余热回收、电锅炉、热泵电网可以购电也可以售电。热负荷只考虑热量平衡不细究管网动态这样模型是线性约束求解器处理起来稳定。设备建模分两类。一类是只受出力上下限约束的设备比如风机、光伏出力范围直接由预测区间决定。另一类是有爬坡特性或储能动态的设备比如燃气轮机的有功出力要满足向上和向下爬坡约束储能要满足SOC递推方程、容量约束和充放电功率上限。燃气轮机的热电联产特性我做了简化用固定热电比近似如果你想做更精细的变热电比模型可以引入线性分段约束但求解复杂度会上升。这里必须强调一个我在代码里反复出过bug的地方储能建模。强烈建议把充放电状态和功率分开建模不要用一个P_ess变量允许它在正负之间跳。实践中我用了二进制变量表示充放电状态加上“充放不同时”的约束虽然会多几个整数变量但模型语义清晰得多。另外SOC递推里的Δt量纲一定要统一我见过不止一次有人把kWh和kW直接混在一起算结果储能曲线看起来完全合理实际单位全错了。2.2 目标函数七项成本收入如何放进一个表达式目标函数取24小时总成本最小化逐项展开是购电成本减售电收入加上燃气成本、碳交易成本再减去绿证收益最后加弃风弃光惩罚成本。用文字写出来很长但落到代码里就是一堆线性表达式相加。这里重点说碳交易项的构建。实际碳排放量由两部分折算燃气轮机发电产生的直接排放以及电网购电对应的间接排放购电排放按电力排放因子折算。免费配额作为参数输入可以按行业基准线法预先算好。实际排放减去免费配额差值乘以碳价如果是正的就是买配额的成本如果是负的就是卖配额的收益。这个项本质上是线性的直接写进目标函数即可不需要做硬约束因为碳配额不会强制限制系统运营只会通过价格信号改变调度结果。绿证收益项更简单按风电光伏的上网电量乘以绿证价格即可。但注意我说的是“上网电量”也就是实际消纳掉的电量弃掉的那部分没有绿证。这个细节会让模型产生一个很微妙的行为当绿证价格很高时模型宁可减少弃风也要尽量多发甚至可能让储能配合充电来吸收多余的光伏电量只为了多拿绿证。这种联动行为就是这类模型最有价值的地方。目标函数里还有一项容易被忽略的惩罚成本。弃风、弃光、切负荷在功率平衡方程中作为松弛变量存在目标函数对应给一个很大的惩罚系数。没有这个松弛量模型在极端场景下直接不可行惩罚系数如果设得太小模型又会偷懒故意弃风来回避其他成本。我习惯把切负荷惩罚系数设到正常电价的10倍以上弃风弃光惩罚设为略高于绿证价格这样模型只在万不得已时才动它们。2.3 盒式不确定集与预算参数鲁棒性和经济性的天平风电光伏的预测出力可以看成一个区间内的随机变量。我采用最经典、也最适合工程实现的盒式不确定集风机实际出力在预测值加减最大偏差的范围内波动光伏同理同时用一个预算参数限制两者同时取极端值的程度。这个不确定集的几何形状在二维下就是一个带预算约束的矩形顶点有限。Γ0时不确定参数只能取预测值模型退化为确定性优化Γ2时风电光伏允许同时取最极端值最保守Γ在0到2之间时限制了两个不确定参数同时取极端值的程度。这个形式的好处是后续子问题做最坏场景枚举时候选顶点非常有限实现起来很直观。为什么不选椭球集或者多面体集椭球集需要估计方差协方差矩阵工程上数据不够时很难准确估计而且椭球约束会引入二阶锥求解复杂度上升。盒式集只需要预测值和最大偏差这两个数据在电力系统里通常都有现成的统计口径。它的缺点是可能过于保守但这个缺点恰好可以通过预算参数来缓解。我在后面第4部分会给一组不同Γ下的成本对比趋势让大家直观感受这个“鲁棒性定价”的过程。3. 求解框架两阶段鲁棒优化与CCG算法3.1 两阶段决策日前计划与日内调整的分工系统层面的运行决策天然分两层日前阶段决定设备出力计划日内阶段根据风光实际出力做调整。写成两阶段鲁棒优化是顺理成章的事。第一阶段变量包括购电功率、燃气轮机出力、电锅炉和热泵出力、储能充放电计划这些在日前