前几年做模拟项目X时，我遇到一个很典型的调度困境：系统里有一台热电联产机组和一片集中供热管网，冬季夜间电负荷低、热负荷却很高，机组被“以热定电”的约束绑得死死的，电力调峰完全腾不出手，只能眼睁睁看着风电场被迫弃风。当时组里引入先进绝热压缩空气储能（AA-CAES）做扩容改造，原以为把储能当成“大号电池”接入电网就行，结果一跑调度就发现，真正让收益卡脖子的根本不是电量平衡，而是供热网络的热惯性。热量在管道里走得慢、会降温、能短暂蓄存，这些特性如果不放进优化模型，储能和热电机组永远只能各干各的，联合调度就是一句空话。这篇文章我把完整设计和代码实现拆开讲，包括热网动态建模、AA-CAES和热电联产的数学约束、求解器落地、算例对比和调试经验，给正在做综合能源系统优化调度的同学一份可以直接复现的参考。

1. 为什么要把压缩空气储能和热网热惯性放在同一个优化模型里

1.1 热电联产的“电热耦合”是怎么卡住调峰的

热电联产机组的核心特征是同时出力：汽轮机在发电的同时，抽汽或排汽给热网提供热量。抽凝式机组的热电关系在一个可行域内变化，热出力拉高时，机组电出力下限也被一起抬高。冬季夜间恰恰是热负荷高峰、电负荷低谷，风电大发时，CHP为了满足供热必须发出大量电，电网消纳不掉，产生弃风。所有做过电力调度的人都熟悉这种“想降电却降不下来”的憋屈感。

大多数传统做法是给CHP配蓄热罐，用蓄热罐在热负荷高峰“接一下”，让机组白天少供一点热、晚高峰多供一点热，从而腾出电调峰空间。蓄热罐本质上是个热量的时间搬运工。但蓄热罐有容量限制，而且它是“显式”的储能设备，要花钱、占场地。真正容易被忽略的是区域供热管网本身——管道里的热水量巨大，流速不高，热量从热源到用户要花几十分钟甚至几个小时。这段延迟加上建筑物本身的蓄热能力，构成了热惯性，它相当于一张分布在整个管网里的隐形容热网，比集中式蓄热罐的容量大得多。

一旦把热惯性考虑进调度，热源侧和用户侧之间就不是简单的“瞬时供热等于瞬时用热”，而是允许供热功率在一段时间内偏离用户散热功率，用管网和建筑的蓄热能力去填补这个缺口。这正是解除“以热定电”锁链的关键抓手。

1.2 AA-CAES在系统里的双重身份：电储能加隐藏热源

先进绝热压缩空气储能与传统压缩空气储能最大的区别，在于它把压缩过程中产生的压缩热存下来，而不是丢弃掉。充电时，压缩机消耗电能压缩空气，空气进入储气室前先经过蓄热换热器，把热量存在蓄热介质里；放电时，储气室的高压空气先被这个蓄热介质重新加热，再进入膨胀机做功发电。整个过程不需要补燃天然气，因此AA-CAES同时具备储电和储热两条能量链路，循环效率一般在60%到70%之间。

在热电联产系统里，这个双重性非常值钱。充电时压缩机耗电，是在帮助电网消纳风电；压缩热如果直接供给热网或存入蓄热罐，又是在帮助热网补热。放电时，膨胀机发的是电，但从蓄热介质取走的热量如果不补回来，下一次放电功率就会受影响。这意味着AA-CAES的调度不能只看“什么时候充电、什么时候放电”，还要看储气室压力和蓄热罐热量两个状态变量如何联动。很多人在建模时只写储气室能量平衡，漏了蓄热罐的热量平衡，结果算出来的出力和实际物理过程完全对不上。

1.3 热网热惯性：放着没用的“免费储能”只在模型里挖得出来

热惯性的物理来源有两个：一是热网管道的传输延迟和散热，二是建筑围护结构的蓄热能力。热水管道里的水是“货车”，热量是“货物”，货车从热源跑到用户需要时间，而且跑的途中会向周围土壤散热。用户侧的房间本身是个大热容，短时间内供热量减少，室温不会立刻掉下来，这就是建筑热惯性。

用生活类比来说，把热网想成整栋楼的“暖气水库存”。晚上锅炉房多烧一点水送进管网，第二天上午即使锅炉少烧一小时，室内温度依然能维持住。这种能力就是时间维度上的柔性。问题在于，热量在网络里的流动是有损耗、有混合、有延迟的，数学上很难写进优化模型，所以很多研究的简化做法是直接令“热源供热等于用户热负荷”，把网络当成一根无质量、无延迟的理想管道。这样就白白丢掉了最大的调节资源。

把AA-CAES和热网热惯性放在同一个模型里，本质上是在做两件事：用储能把电量在时间轴上搬移，用热惯性把热量在时间轴上搬移，而AA-CAES的充放电过程又天然把电和热两个时间轴耦合起来。这种多维度的耦合，只有在统一的优化模型里才能算出全局最优解，分开按“电系统”和“热系统”各自调度，永远差一口气。

2. 热惯性怎么变成一行行能求解的约束

2.1 三种建模思路：集总参数、延迟模型、节点法到底选谁

供热网络动态建模常见的方案有三种。第一种是集总参数法，把整个管网和用户简化为一个或几个等效热容，室温动态用一阶惯性环节表达。优点是变量少、求解快，缺点是没法反映管道延迟，适合做全年长周期分析。第二种是传输延迟模型，明确建立“管道入口温度经过一段时间后出现在出口”的关系，保留延迟这个核心特征，损失和混合则做大幅简化。第三种是节点法，按管段将供水和回水网络做空间离散，用有限差分把一维的对流换热方程转换成时序递推式。节点法最接近物理过程，但变量数量会随网络规模膨胀。

我的建议很直接：做日前优化调度，优先采用传输延迟模型的思路，在节点层面建立温度等式，但对温度损失做线性近似。因为调度关心的核心是时间错位，延迟才是影响成本最大的因素。节点法虽然精确，但动辄上万变量的网络模型塞进MILP求解器，调试成本会迅速失控。如果只是做学术对比或者原型验证，先用小网络把传输延迟跑通，后面再逐步增补温降方程。

2.2 管道延迟和温降的离散化处理

管道入口温度传到出口，物理上满足一个带延迟项的表达式。若保持热网流量恒定，那么水流经过管段的传播时间为τ = L / v，其中L是管长，v是流速。离散化后，延迟步长取k = round(τ / Δt)，Δt是调度时段长。第t个时段管段出口温度可以表达为：

T_out(t) = T_amb + (T_in(t-k) - T_amb) × φ

φ是温降系数，近似取exp(-K·L / (m_dot·cp))，K是综合传热系数，m_dot是质量流量，cp是比热容。这个式子非常友好：只要流量和管道参数给定，φ就是常数，k也是常数，整条约束就是纯线性的。

很多人会问，流量明明会随负荷变化，怎么能固定？工程实践中的处理办法是把热网调度分成两步：先按典型工况确定各管段流量分配比例，温度约束用固定流量下的延迟矩阵；机组出力算出来之后，再校验这个流量假设是否合理，差别大就迭代一轮。在二次网和一次网解耦的常规设计中，一次网流量本来就经常采用质调节，也就是供水温度变化而流量基本不变，固定流量假设的适用范围比想象中大。

2.3 节点混温的双线性难题与初版简化

热网拓扑中必然存在供水管道的汇合节点，比如两条不同温度的水在某个三通处汇合后进入同一段管道。混合节点的能量守恒可以写成：

T_mix = (Σ m_dot_i · T_i) / (Σ m_dot_i)

如果各支路流量m_dot_i固定，这就是线性等式。如果流量也作为决策变量，就会出现温度乘以流量的双线性项，模型从线性优化变成非凸非线性规划，求解难度和稳定性都会断崖式下跌。对做优化调度的人来说，这是最常见的“模型膨胀点”。

初版方案不要硬碰双线性项。先把各支路流量的分配比例固定下来，等于只优化温度曲线上各节点的时序，这样整条网络约束都是线性等式。等模型能稳定收敛、调度逻辑验证通过后，再考虑流量可调，用分段线性近似或者迭代求解。我在模拟项目X里正是这样处理的：第一阶段固定流量比，优化结果成本已经比忽略热惯性的方案低不少；第二阶段再用迭代法微调流量，收益增量很小但求解时间翻了数倍，性价比很低。

3. 优化调度模型的完整数学骨架

3.1 目标函数：购电、售电、燃气与弃风惩罚怎么打架

日前优化调度的目标函数是系统总运行成本最小化，暂不考虑启停成本和机组寿命损耗时，可以写成：

min Σ_t [ c_buy(t)·P_buy(t) - c_sell(t)·P_sell(t) + c_gas·F_gas(t) + c_curtail·P_curtail(t) ]

其中P_buy是电网购电功率，P_sell是售电功率。很多情况下同一联络线不可能同时购售电，要加一条互斥约束。c_gas是单位燃气价格，F_gas是CHP燃气消耗量。弃风惩罚c_curtail不一定是真实罚款，更常见的是给它一个大值来体现“能不弃就不弃”的调度偏好。

目标函数的取舍直接影响优化结果：如果弃风惩罚设得太低，求解器会拿风电当可自由削减的变量，掩盖真实问题；如果设得太高，又可能让储能过度充放以致损耗成本超过弃风节省。我的经验是，先把弃风率作为后处理统计指标，目标函数里只写现金成本和固定惩罚值，然后用敏感性分析看弃风惩罚变化对总成本的影响，再回头定这个系数。

3.2 决策变量清单：哪些连续，哪些必须上整数

写代码之前先列变量清单，是效率最高的做法。系统级模型需要以下几类决策变量：

这里面最难处理的是温度变量。温度本身不是功率，量级通常在几十到一百之间，而功率变量动辄几百，平衡等式里二者通过流量和比热容相乘建立联系，数值尺度差很大，求解器容易触发数值警告。所以在建模时要提前把温度坐标做平移，比如统一减去基准环境温度，让温度变量落在0到50的相对范围内，数值稳定性会好很多。

3.3 AA-CAES的储气与蓄热状态约束

AA-CAES的两个核心状态方程是：

E_air(t+1) = E_air(t) + η_c · P_c(t) · Δt - P_d(t) · Δt / η_d - E_loss(t)

E_heat(t+1) = E_heat(t) + α_rec · P_c(t) · Δt - P_d(t) · Δt / H_HR - H_ext(t) · Δt

E_loss是储气室泄漏和散热损失，一般按存储量的一个小比例近似。α_rec是压缩热回收率，通常在0.7到0.9之间。H_HR表示每兆瓦电出力需要从蓄热介质取走的热功率，反映空气在膨胀前需要的加热量；H_ext是AA-CAES向外直供热网的热功率，在热电联产场景里这是跟CHP强耦合的关键变量，千万不能漏。

我见过很多代码把蓄热罐热量写成和E_air共用同一个SOC上限，实际上是错的。蓄热介质的热容量由储热材料和罐体尺寸决定，跟储气室压力上限没有直接关系。正确做法是把E_air和E_heat分别设上下限，并在充放电功率约束里增加“当前蓄热热量能否支撑放电所需加热”的逻辑约束，防止优化器把放电视为无代价的电能输出。

3.4 CHP可行域与热网动态耦合约束的合并方式

抽凝式CHP的电热可行域是一个凸多边形，常见约束可以表达为：

P_chp_min - k1 · H_chp ≤ P_chp ≤ P_chp_max - k2 · H_chp

其中k1、k2是抽汽系数，取值决定热出力对电出力上下限的影响程度。这个线性多边形约束写起来不难，麻烦的是把它跟热网动态约束放到一起时会出现“源供热量不等于用户耗热量”的疑问。

加入热惯性后，热源供热与用户散热之间要保持的是带有蓄热差分项的等式，例如用供水管道的总热容量C_net近似表达热网蓄热状态变化：

Σ_h H_source(h,t) = H_demand(t) + C_net · [T_s_avg(t) - T_s_avg(t-1)] / Δt + H_loss(t)

这个式子左边是CHP和AA-CAES供出的总热量，右边是用户负荷、管网蓄热变化量和散热损失。C_net是热网等效热容，T_s_avg是所有节点供水温度的加权平均值。它没有试图精确追踪每个房间的室温，但把热惯性最核心的“热量可以暂存在管网里”这个能力表达出来了，而且完全是线性约束。要把建筑物蓄热也加进来，只需在H_demand(t)前面加一个建筑等效热容项，形式一样。

4. 代码落地：从拓扑数据到求解器出结果的全流程

4.1 数据结构与参数准备

先别急着写优化代码，把数据结构和测试用例准备好，能省一半调试时间。我习惯用以下目录组织：

• data/topology.json：节点、管道、热源、用户的连接关系
• data/loads.csv：用户热负荷、电负荷曲线
• data/electricity_price.csv：日前分时电价
• data/params.json：AA-CAES效率、容量、热网管长管径等参数
• src/model.py：建模与求解脚本
• results/：输出出力曲线与成本统计

拓扑文件是最容易被忽视的环节。我建议用节点编号列表加边列表的方式存，每个管道字段写明长度、直径、传热系数、起始节点和终止节点。提前写一个函数计算每个管段的传输延迟步长和温降系数，因为这两个值在建模时会被反复引用。用一个csv存延迟索引矩阵，shape是[管段数, 时段数]，第(i,t)个元素表示第i段管道在t时刻接收到的入口温度对应的原始时段序号。

模拟项目X的测试算例用了六节点五管段的简化网络，节点1和2是热源节点，节点3到6是热用户，管道长度从300米到1200米不等，供水温度设计值约90℃，回水温度约50℃。这个规模足够验证建模逻辑，又不会在调试初期引入过多的求解负担。

4.2 建模核心代码片段与延迟索引技巧

在Python里用主流商业MILP求解器建模时，核心代码结构类似下面这段。我只给出骨架，具体参数根据场景填入。

import numpy as np from some_milp_solver import Model # 基础维度 T = 24 # 日前调度24个时段 dt = 1.0 # 时段长度，小时 nodes = [0, 1, 2, 3, 4, 5] pipes = [...] # 每条管道: (起点, 终点, delay_steps, drop_coeff) # 决策变量 p_chp = {} h_chp = {} for t in range(T): p_chp[t] = model.add_var(lb=0, ub=P_CHP_MAX, name=f"p_chp_{t}") h_chp[t] = model.add_var(lb=0, ub=H_CHP_MAX, name=f"h_chp_{t}") p_ch = model.add_vars(T, lb=0, ub=P_CH_MAX, name="p_ch") p_dc = model.add_vars(T, lb=0, ub=P_DC_MAX, name="p_dc") e_air = model.add_vars(T, lb=E_AIR_MIN, ub=E_AIR_MAX, name="e_air") e_heat = model.add_vars(T, lb=E_HEAT_MIN, ub=E_HEAT_MAX, name="e_heat") # 热源节点供水温度 temp_s = {} for n in nodes: for t in range(T): temp_s[n, t] = model.add_var(lb=T_AMB, ub=T_SUP_MAX, name=f"Ts_{n}_{t}")

延迟索引是这段代码最容易出错的地方。假设管道i的延迟步长为k，则：

# 延迟: 出口温度 = 入口温度在t-k时刻的值按温降系数衰减 for pipe in pipes: i, j, k, phi = pipe for t in range(T): if t - k >= 0: src_t = t - k model.add_constr( temp_s[j, t] - T_AMB == phi * (temp_s[i, src_t] - T_AMB) ) else: # 调度周期开始前管道内已有热水，取初始稳态温度 model.add_constr( temp_s[j, t] - T_AMB == phi * (T_INIT - T_AMB) )

这里的坑在于：如果t-k小于0，不能直接忽略约束，因为优化器会把出口温度当成自由变量，从而“免费”获得热量。正确做法是用调度开始时的初始温度填充这一段。初始温度从上一个调度周期的末端状态读取，工程上叫“跨日衔接”，我的建议是把模型滚动起来，每周跑一次168小时的调度，而不是每天孤立地跑24小时。

4.3 模型不可行时的排查顺序

联立约束越多，越容易在某个角落出现不可行。求解器返回Infeasible时，我的排查顺序非常固定。

先看能量平衡约束。用外挂脚本把所有节点的供给量求和、需求量求和，检查是否至少满足“总供给大于总需求”的基本条件。很多时候不可行是因为测试数据里热负荷总和高于所有热源上限总和，这时该调参数而不是调代码。

再看互斥和启停约束。充放电状态用二进制变量互斥时，要注意状态与功率的耦合：u_c=1时P_c可以取正，但P_c的上限也要跟u_c相乘。如果忘了给功率上限乘状态变量，求解器可能让u_c=0但P_c>0，模型直接数理矛盾。

接着看温度约束。热网节点温度下限常常被忽略。供热量减小到一定程度时，为了保证用户侧供水温度不低于设计值，温度约束会比功率约束更紧，模型表现为“虽然电量平衡没问题但整体不可行”。解决办法是检查每个热源节点的最低出口温度约束是否和供热量的下限匹配。

最后才查数值问题，比如某个参数量纲写错导致约束系数差出1e6倍。量纲问题是新手最容易踩的坑，我单独专门说。

4.4 量纲与数值尺度问题

能源系统模型里功率、能量、温度、流量的单位经常混用。统一的规范是：功率用MW，能量用MWh，温度用℃，质量流量用kg/s，比热容用kJ/(kg·K)。特别注意，用MW乘以小时得到MWh，而如果直接用kW就会让约束系数差1000倍。

温降系数φ一般是个0.7到1.0之间的小数，而购电电价可能只有几百元/MWh。目标函数里的成本系数和约束系数之间差异很大，在求解器里容易触发“大数吃小数”的数值警告。解决方法是把目标函数统一改成万元或者千元为单位，并且把温度变量做平移，让所有变量尽量都落在0.1到1000这个区间。

求解器的参数设置也有讲究。MIP gap设成1%到3%就够了，没必要追求精确最优。时间限制建议先设120秒跑通逻辑，再放开到600秒做最终结果。数值容差保持默认，不要为了通过可行性检查而去调大容差，否则最后得到的“最优解”在物理上可能根本站不住脚。

5. 算例验证：热惯性到底省了多少成本

5.1 三套对比方案的设计思路

为了单独把热惯性的价值量化出来，我设计了三个方案：

• 方案A：CHP独立运行，热网按瞬时平衡处理，也就是供热功率严格等于用户热负荷，不加AA-CAES。
• 方案B：在方案A基础上接入AA-CAES，但热网仍然按瞬时平衡，热惯性不建模。
• 方案C：完整模型，AA-CAES加区域供热网络热惯性全部进入约束。

三个方案共用同一套六节点热网、同一台CHP、同一个AA-CAES参数、同一份风电预测和分时电价。热负荷曲线取冬季典型日，晚高峰热负荷高，风电出力在凌晨高、白天低，峰谷电价差按3:1设置。AA-CAES参数设定为压缩机额定功率100MW，膨胀机额定功率80MW，储气室容量400MWh，蓄热罐容量200MWh，压缩热回收率0.8。

5.2 结果解读：调度曲线与成本对比

运行结果非常有代表性。方案A中，CHP夜间为满足单位数MW的尖峰热负荷，电出力下限被抬得很高，再加上风电场出力，夜间电网外送容量不够，弃风率超过25%。

方案B加入AA-CAES后，夜间多余风电被压缩机吸收，弃风率降到8%左右，但CHP依然因为热负荷刚性约束，白天低电价时段电出力不能降到理想水平，导致大量低价值电能被储气室或电网吞掉。

方案C的结果最有趣：由于热网允许在夜间多蓄热、白天少供热，CHP白天可以把热出力降下来，电出力下限随之松动，腾出的空间让系统在午间低电价时段多向电网购电给AA-CAES充电，在晚高峰放电。三个方案的日运行总成本对比如下：

方案C比方案B成本再降17.3%，这笔收益几乎全部来自热网热惯性带来的“热负荷时间搬移”。换句话说，不建模热惯性，储能只发挥了电量搬移的作用；建模之后，储能连热量的搬移也一起做了，系统调节资源的盘活程度完全不同。

5.3 敏感性分析：延迟时间和用户热容量对收益的影响

热惯性建模里有两个参数最敏感：管道传输延迟步长和建筑等效热容。把管道长度统一乘以0.5到2倍，运行成本变化如下：

• 延迟时间越接近调度时段长，收益提升越明显；
• 但当延迟超过3小时之后，收益增速放缓，因为管网散热损失增大，多蓄的热量开始“漏”掉；
• 建筑热容增大时，可允许的供热功率下降幅度变大，收益同样上升，但超过某个阈值后受限于供水温度下限，继续增加热容不再产生收益。

这个结果说明，热惯性资源有边界，不是越大越好。调度模型的价值正在于把这些资源的边界暴露出来，告诉运行人员到底能压多少热出力、能压几个小时，而不是凭经验毛估。

6. 调试中踩过的坑与可复用的经验

6.1 混温双线性项：优先固定流量比

第一次把热网约束写进模型时，我试图让每个节点的流量作为决策变量，结果模型规模爆炸，求解时间从一个量级跳到另一个量级。后来老老实实先做固定流量比，模型变成纯线性规划，任何一台标准的MILP求解器都能在几秒内解完。这个教训是：初版模型绝对不要贪求物理完备，先跑通一个可解释、可验证的简化版本，再考虑扩展。

如果后续一定要考虑流量调节，我的经验是用迭代式求解：第一轮固定流量得到温度分布，第二轮根据温度和负荷重新计算各支路流量分配，更新延迟矩阵，再求解一次。重复两三轮后结果趋于稳定。这个方法虽然没有严格的收敛保证，但在工程场景下比直接求解非凸问题实用得多。

6.2 指数衰减项：别让它非线性

管道温降的指数表达在数学上是微妙的陷阱。如果直接把exp(-K·L/(m_dot·cp))放进约束，而m_dot是变量，模型就变成非线性。我踩过一次，求解器跑了半小时，结果还是崩溃的。后来把所有管道的温降系数全部预计算成常数，只在流量变化幅度超过20%的时候重新计算一次并更新参数，问题立刻消失。温降系数对成本的影响很钝，完全值得用常数近似。

6.3 求解器数值问题：大M、容差与MIP gap

充放电互斥约束要引入大M常数，很多初学者为了保险把M设成1e9，结果模型出现严重的数值病态。原则是M越小越好，只要比该变量的最大可能值大一点就行。比如充电功率上限100MW，M取120就够了，不要养成写1e6的习惯。设置MIP gap为1%之后，最终成本比硬算到0.01%精度只高一点点，但求解时间省掉一大半。

6.4 少谈精细、多谈鲁棒：实际工程数据的处理办法

现实项目里未必有完整的管道保温参数和建筑热容数据。我的处理办法是：热网等效热容不用管道逐段累加，而是用实际运行数据反推——取几天供回水温度和热负荷的时序数据，用差分方程拟合出C_net的值，误差完全可以接受。建筑蓄热系数则按建筑类型取值，办公建筑热容小、住宅热容大，这是合理的工程近似。

做优化调度的人要明白一件事：模型的价值不在于绝对精确预测每一分钟室温，而在于把“可转移的热量”量化出来，给调度员一个安全边界。边界内的操作是允许的，边界外的操作需要实时校验。用这样的思路去建模，既能享受热惯性带来的收益，又不会因为模型过度乐观导致实际运行中出现室温失守的问题。这也是我在模拟项目X里最终采用简化热惯性模型，而不是上完整计算流体力学模型的原因。

这类模型后续还能延伸很多方向，比如把建筑用户侧需求响应加进来、把AA-CAES的联合循环运行特性细化、或者处理多热源多储能的联合调度。核心思路是一致的：先把物理过程简化成能求解的线性或混合整数线性约束，再逐步逼近真实系统。每次加一个约束，都用对比算例去验证它是否真的带来了成本或灵活性收益，而不是为了“模型显得高级”而堆砌细节。工程上的好模型，永远是简洁、可调试、经得起对比验证的模型。