前两周帮一个做园区综合能源的朋友做月度结算分析发现账单里多了一行碳配额清缴成本。以前大家做能源系统优化盯着电费最小化、设备利用率最大化现在碳价一进来电网买的每一度电、燃气机组烧的每一方气都变成了看得见的成本项。这篇文章想从一个很具体的角度展开当碳交易机制进入能源调度模型需求响应这个老工具如何用代码实操落地把碳约束变成真正的成本优化。我尽量把思路、模型、代码和踩坑过程都拆开讲适合三类人看一是做园区微电网、综合能源系统调度的小伙伴二是想了解碳交易如何与电力系统优化结合的从业者三是想把需求响应写进优化模型但还不太确定怎么下手的同学。整套东西不需要特别高深的数学基础会一点Python、知道线性规划是啥就能跟下来。1. 先把问题说清楚碳交易和需求响应为什么会碰在一起1.1 碳交易不是“成本附加”而是调度约束的一部分很多人一听到碳交易第一反应是“多交一笔钱”。这个理解在账务上是没错的但在系统优化层面远远不够。碳交易的本质是给碳排放一个市场价格让排放行为从“无成本”变成“有成本”。一旦这个成本进入经济性评价它对调度策略的影响就不是边际的而是结构性的。举个最简单的例子某电网排放因子是0.5810 tCO2/MWh碳价80元/吨时外购电的碳排放成本大概是0.0465元/kWh。这个数字看着不大但和分时电价的价差一比就有意思了。峰谷电价差可能超过0.8元/kWh碳成本在峰谷套利面前确实显得微不足道。可一旦系统里有光伏、储能、燃气机组、需求响应多种资源碳成本会改变各种资源的优先级排序——尤其是当燃气机组碳排放因子远低于电网平均排放因子时原本“贵”的燃气发电很可能比“便宜”的外购电更划算。所以我在实际项目里从来不会把碳成本当作一个固定附加项简单加在总成本上而是把它当成一个随调度方案动态变化的决策变量。碳价的每一次变化都会重新排列技术选择的优先级。这才是碳交易对能源系统优化真正的冲击。1.2 需求响应凭什么能优化碳排放需求响应Demand Response, DR在电网里不是什么新概念说白了就是让用户根据价格或激励信号调整用电行为。以前做需求响应主要目的很单纯削峰填谷、缓解供需紧张。但把它放进碳交易框架下它的价值又多了一层——减少高排放时段的购电。以典型的分时电价为前提高峰时段往往对应火电边际机组大量启停、单位碳排放较高的时段。如果需求响应能把高峰负荷削掉一部分系统就不需要从电网买那么多高排放电量碳排放自然跟着下降。更关键的是需求响应削峰之后储能充放电策略、购电曲线、甚至燃气机组出力都会重新调整碳排放的改善往往比预期更明显。我在优化模型里把需求响应建成了一个带成本和边界约束的决策变量不预设“必须削多少”而是让求解器根据电价、碳价、负荷曲线自己算。结果经常会出现一个有意思的现象碳价越高需求响应被启用的量越大而且削峰的位置会从“最高电价时段”转向“碳排放成本最高的时段”。这就是碳交易对负荷管理策略产生影响的直观体现。2. 系统优化的整体设计目标函数、约束、数据三个层面2.1 目标函数怎么搭才不打架能源系统优化最常见的毛病是目标函数一多就互相打架。又要电费最低又要碳排放最低还要需求响应总补偿最少——如果直接把这些目标写成多个优先级求解器会告诉你“无解”或者“过度牺牲某一个目标”。实际工程里我习惯用“单目标加权”的方式把成本统一折算成金钱。基本目标函数可以写成min Σ (外购电成本 碳排放成本 需求响应补偿成本 储能充放电损耗成本)这里有一个很容易忽略的细节碳排放成本的计算不是简单拿系统总排放乘以碳价而是要区分“受控排放”和“非受控排放”。比如外购电的排放因子用的是电网平均排放因子而光伏发电、储能放电的排放因子是0燃气自备机组的排放因子则要用天然气燃烧的实测值。不同排放来源必须分开建模否则优化模型会把“高排放的电”和“零排放的电”混在一起结果完全失真。我在代码里的做法是给每个购电、发电变量单独配一个碳排放强度系数碳成本和电费成本各自累加然后再合并进同一个目标向量。这样后续做碳价敏感性分析时只要改碳价一个参数全系统的最优调度方案就会自动跟着变。2.2 需求响应的建模方式价格型与激励型需求响应的建模方式直接决定了求解难度和工程可实施性。我把它分成两类讲。第一类是价格型需求响应Price-based DR。它认为用户会响应分时电价但响应过程是弹性的不一定所有用户都在电价最高的那个时刻减少用电。建模时常用价格弹性系数比如峰时电价提高10%峰时负荷下降3%。这类模型理论上是非线性的电价和负荷互相影响在工程代码里通常要做线性化近似比如根据历史数据拟合出弹性系数直接在功率平衡方程里对负荷做修正。好处是模型比较平滑缺点是参数依赖历史数据弹性系数不准时模型会“自嗨”。第二类是激励型需求响应Incentive-based DR。系统直接向用户发出削减指令用户每削减1 kWh系统支付一笔补偿费用。这种模型简单直接非常容易写进线性规划把每个时段的需求响应削减量当成待优化变量给它一个上限比如不超过该时段基础负荷的20%目标函数里加一项“削减量×补偿单价”就行。我在实际项目里更偏好这种建模方式因为它逻辑透明、可核查也更容易和碳交易机制衔接——补偿单价、碳价、电价三者共同决定削减量完全由求解器自动算。我的建议是如果刚开始尝试这个方向先用激励型需求响应模型把框架跑通之后再考虑引入价格弹性做精细化。否则一开始就上弹性系数会陷入“收敛了但结果不敢信”的尴尬局面。2.3 数据准备一份典型日算例的取值逻辑代码实操最怕没有数据。真实项目的调度数据通常要清洗很久这里我准备了一份典型的24小时园区微电网算例完全是虚构但参数设置贴近实际方便大家照着跑。基础负荷曲线早晚两个高峰中午受光伏影响有轻微凹谷峰值约1100 kW谷值约240 kW。光伏出力正午达到峰值800 kW夜间为0。分时电价峰段电价1.2元/kWh平段0.7元/kWh谷段0.3元/kWh。储能系统容量800 kWh最大充放电功率200 kW充电效率0.95放电效率0.95初始SOC为400 kWh要求调度周期结束时SOC回到400 kWh。电网排放因子0.5810 tCO2/MWh。碳价基础场景取80元/吨敏感性分析取0、50、100、150元/吨。需求响应可削减比例0~20%补偿单价0.5元/kWh。这套数据不是随便拍的。负荷曲线参考了园区型微电网典型日形状光伏曲线参考了夏季晴天的出力特征碳价水平参考了全国碳市场配额价格的波动区间。用这套数据跑出来的优化结果基本能反映真实项目的规律。3. 代码实操从数据到求解器的完整落地3.1 环境准备与线性规划建模做这类优化我通常用Python里的SciPy线性规划接口或者PuLP建模框架。SciPy的linprog处理纯线性问题很稳缺点是约束表达稍显繁琐PuLP封装更友好但对大规模稀疏矩阵支持不如SciPy直接。下面的示例用SciPy来实现因为它的求解结果和稀疏矩阵处理方式更贴近后续做敏感性分析的需求。核心变量定义如下按24小时展开buy_t第t时段从电网购电量单位kWh。ch_t储能充电功率单位kW。dis_t储能放电功率单位kW。dr_t需求响应削减量单位kWh。soc_t储能电量状态单位kWh。我需要把一整天的调度问题变成一个标准的线性规划问题决策变量是个100多位的向量目标函数是系数向量点乘决策变量约束写成A_eq x b_eq和A_ub x ≤ b_ub的形式。3.2 关键代码目标函数与约束的构建先说目标函数。把24小时的外购电成本、碳排放成本、需求响应补偿成本全部折算成目标系数这一步最容易出错的是单位换算。电价是元/kWh碳排放因子是tCO2/MWh碳价是元/吨需求响应补偿是元/kWh。统一之后外购电的碳排放成本系数是碳价(元/吨) × 排放因子(tCO2/MWh) / 1000 每kWh的碳成本(元/kWh)80元/吨代入就是80 × 0.5810 / 1000 0.0465元/kWh。核心代码如下import numpy as np from scipy.optimize import linprog T 24 # 分时电价元/kWh price np.array([ 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, # 00-06 谷 0.7, 0.7, 0.7, # 07-09 平 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, # 10-15 峰 0.7, 0.7, # 16-17 平 1.2, 1.2, 1.2, 1.2, # 18-21 峰 0.7, 0.7, 0.7 # 22-24 平 ]) load np.array([300, 280, 260, 240, 280, 350, 500, 650, 780, 900, 950, 920, 880, 850, 820, 850, 950, 1050, 1100, 980, 820, 700, 550, 420]) pv np.array([0, 0, 0, 0, 0, 20, 80, 200, 400, 600, 720, 780, 800, 760, 680, 550, 400, 220, 120, 50, 0, 0, 0, 0]) carbon_price 80.0 # 元/吨 grid_emission 0.5810 # tCO2/MWh dr_price 0.5 # 元/kWh eta 0.95 # 储能效率 soc_max 800.0 soc_min 50.0 p_max 200.0 # 变量顺序buy(24) ch(24) dis(24) dr(24) soc(24) n_buy, n_ch, n_dis, n_dr, n_soc 24, 24, 24, 24, 24 n_vars n_buy n_ch n_dis n_dr n_soc # 目标系数 c np.zeros(n_vars) c[:24] price grid_emission / 1000 * carbon_price # 购电成本碳成本 c[48:72] -price # 放电收益注意这里是目标函数里减掉 c[72:96] dr_price # 需求响应补偿成本实际操作中我会把储能充放电的损耗成本也显式写进目标函数而不是只在SOC方程里体现。因为损耗意味着系统需要多买一部分电这部分电量也有电费和碳成本显式建模能更真实地还原系统效率损失的经济代价。约束构建是重点也是最容易翻车的地方。我拆成三类分别说功率平衡约束每个时段的负荷削减需求响应后加上储能充电功率必须等于光伏、购电、储能放电之和。写成A_eq x b_eq每行对应一个时段。储能SOC递推约束相邻时段SOC的关系满足充放电效率约束。这里我用的是“上一个SOC加上充电电量减去放电电量等于当前SOC”同时考虑效率系数。注意充电和放电不能同时发生否则会出现既充又放的无意义解。处理方式有两种一是增加互斥约束ch dis p_max二是在目标函数里对充放电同时加一个很小的惩罚项。工程上我更推荐后者简单且不会破坏线性结构。首末SOC约束要求调度周期结束时SOC回到400 kWh否则系统会“寅吃卯粮”——把所有储能电能全部放光得到一个不可持续的伪最优解。3.3 结果解读成本、碳排放、负荷曲线的变化跑完求解器之后不要急着看总成本先看几个关键指标分时段的购电功率曲线、储能充放电曲线、需求响应削减量分布、以及碳排放量。以我上面的算例为例无需求响应时系统在高电价时段主要靠储能放电撑着但储能容量有限18:00之后一路高负荷储能很快放空高价购电不可避免系统总成本偏高。加入需求响应之后优化结果会主动在晚间高峰时段削减负荷削减量集中在19:00到21:00。原因是这几个时段电价高、电网碳排放成本也高需求响应补偿单价0.5元/kWh比高峰电价的1.2元/kWh便宜得多求解器会尽可能多地削减负荷直到20%上限。有一个细节值得注意需求响应削减负荷之后储能放电策略也会改变。原来需要18:00就开始放电支撑晚高峰现在高峰负荷被削掉一部分储能可以晚一点放、放慢一点SOC曲线比原来平缓得多。这说明系统资源之间存在明显的协同效应——需求响应不是孤立地削了几个峰而是间接优化了整个系统资源的时序配合。3.4 敏感性分析碳价波动时要不要多做需求响应碳价不是固定不变的全国碳市场的配额价格一直在波动。我把碳价从0元/吨逐步提高到150元/吨重新求解每个场景记录需求响应总削减量和系统碳排放总量。结果呈现出一个典型的规律碳价在0到50元/吨时需求响应削减量几乎不变因为此时碳排放成本相对电价差距太小不影响决策碳价超过60元/吨后削减量开始爬升而且削减时段会从“电价最高”逐渐转向“碳排放强度×电价综合最高”碳价超过120元/吨后削减量基本触顶因为需求响应20%的上限已经封顶再提高碳价只会直接影响储能充放电策略而无法进一步扩大需求响应。这个敏感性分析对实际决策很有价值。它告诉你两件事一是需求响应投资的项目边界在哪里碳价涨到多少时值得扩大可削减负荷的签约容量二是碳价变化时储能策略和需求响应策略之间如何切换。我在给企业出方案时经常把这组曲线作为“碳排放风险对冲策略”的核心依据——如果碳价可能涨到100元以上就应该提前锁定更多需求响应资源如果碳价长期在50元以下需求响应策略就没必要过度设计。4. 实际踩过的坑从参数到求解器的四类问题4.1 排放因子取值错误优化结果整体跑偏第一次用这个框架跑数据时我把外购电排放因子直接写成了0.5810 tCO2/MWh目标函数里又忘了除以1000换算成元/kWh结果碳排放成本被放大了1000倍模型疯狂削减负荷和储能放电最后居然出现“为了省碳成本宁可用高价燃气发电”的荒谬结论。这个坑非常隐蔽因为模型不会报错求解器也能收敛结果看着很合理实际完全不能用。解决方法是把目标函数系数全部手动算一遍确认量纲统一。尤其要记住排放因子是t/MWh电费是元/kWh碳价是元/吨三者换算要靠除以1000这一步必须单独验算。另外不同地区的电网排放因子差异挺大华东、华北、南方电网的数值并不一致。如果做跨区域项目不能拿全国平均值硬套要查项目所在区域对应的电网排放因子。还有一点光伏、风电的排放因子是0但储能充放电损耗对应的额外购电部分也要按电网排放因子计入碳排放这一点很多人会漏。4.2 需求响应削减过头用户侧强烈反弹需求响应模型里如果只设置了“最大可削减比例20%”而没有考虑削减后的用户舒适度约束很容易在连续几天的高温天气里把空调负荷削得过多导致用户室温超标产生投诉。我在一个商业楼宇项目里就吃过这个亏。优化模型连续三天在下午14:00到16:00把空调负荷削减到20%上限短期成本确实下降了但三天后商户开始投诉室内温度过高。后来我在模型里增加了一个约束相邻两时段的需求响应削减量变化幅度不能超过5%相当于给削减动作加了平滑限制这样既保证了经济性也避免了温度剧烈波动。如果你是做居民侧需求响应还要考虑“削减后反弹”问题。某些负荷被强制削减之后用户会在后续时段集中补偿用电导致新的负荷尖峰。模型里如果没有反弹约束或者反弹特性建模优化结果很可能在削峰的同时制造出新的峰得不偿失。4.3 求解器不收敛和稀疏矩阵维度对不齐线性规划求解遇到不收敛大部分时候不是算法问题而是约束矩阵构建有误。最常见的现象是A_eq的行数不等于b_eq的长度或者某个时段漏写了一条功率平衡约束结果求解器直接报错。我的排查习惯是每次构建约束矩阵后第一时间打印矩阵维度再写一个小的校验函数随机给决策变量赋一组可行值代入所有约束检查是否都满足。这个校验函数虽然简单但能拦截90%以上的建模错误比反复调求解器快得多。另一个工程技巧是求解前先判断问题是否可行。比如负荷极端高、储能容量又小、需求响应上限又低的情况下模型可能根本没有可行解。我会预先算一遍“理论最低购电量”从物理上判断约束组合是否自洽减少无意义的求解尝试。4.4 碳价预测不准优化方案可能需要“后悔值检验”碳价是一个高度波动的外生变量。我今天用80元/吨做优化明天碳市场可能就涨到100元/吨方案的最优性就变了。这就要求决策者做方案时不能只看单一碳价场景至少要跑三组情景保守、基准、乐观。我在项目中一般会做一个轻量级的“后悔值分析”先求出基准碳价下的最优调度方案然后把这个方案代入高碳价、低碳价情景里计算成本损失看看如果碳价判断失误损失有多大。如果某个方案在碳价大幅波动时还能保持成本稳定那它就是一个抗风险能力强的决策方案如果稍微波动一下就亏很多就要重新设计需求响应签约量或储能容量配置。这套方法不需要额外建模型跑几次敏感性分析就能实现但能显著提升方案的可信度和说服力。5. 写在最后的一点体会把碳交易写进能源系统优化最大的挑战不是数学建模也不是代码实现而是你有没有真的把“碳排放”当成一个有价格、可交易、会波动的资源来对待。很多团队嘴上说重视碳管理实际做优化时还是只看电费和设备约束碳成本只是事后统计一下那算出来的方案注定是次优的。我也是在被那次“碳排放成本被放大1000倍”的教训教育之后才养成了三个固定的工作习惯第一任何新的成本项加入目标函数必须先做量纲验算再跑模型第二不做单场景优化永远跑敏感性分析第三需求响应这类柔性资源一定要考虑实际可实施性不要只看数学最优解。如果你正准备做类似的项目我建议从本文的简化算例开始把框架跑通后逐步加入燃气机组、碳配额配额分配、绿电交易等模块。这个方向未来会越来越重要需求响应也不再只是电网侧的辅助工具它完全可以成为企业在碳约束下降本增效的核心抓手。 
长河君 · 2026/9/8 8:39:52 · 阅读 1.2k 碳交易机制下的能源调度优化：需求响应如何用线性规划实现减排降本
前两周帮一个做园区综合能源的朋友做月度结算分析发现账单里多了一行碳配额清缴成本。以前大家做能源系统优化盯着电费最小化、设备利用率最大化现在碳价一进来电网买的每一度电、燃气机组烧的每一方气都变成了看得见的成本项。这篇文章想从一个很具体的角度展开当碳交易机制进入能源调度模型需求响应这个老工具如何用代码实操落地把碳约束变成真正的成本优化。我尽量把思路、模型、代码和踩坑过程都拆开讲适合三类人看一是做园区微电网、综合能源系统调度的小伙伴二是想了解碳交易如何与电力系统优化结合的从业者三是想把需求响应写进优化模型但还不太确定怎么下手的同学。整套东西不需要特别高深的数学基础会一点Python、知道线性规划是啥就能跟下来。1. 先把问题说清楚碳交易和需求响应为什么会碰在一起1.1 碳交易不是“成本附加”而是调度约束的一部分很多人一听到碳交易第一反应是“多交一笔钱”。这个理解在账务上是没错的但在系统优化层面远远不够。碳交易的本质是给碳排放一个市场价格让排放行为从“无成本”变成“有成本”。一旦这个成本进入经济性评价它对调度策略的影响就不是边际的而是结构性的。举个最简单的例子某电网排放因子是0.5810 tCO2/MWh碳价80元/吨时外购电的碳排放成本大概是0.0465元/kWh。这个数字看着不大但和分时电价的价差一比就有意思了。峰谷电价差可能超过0.8元/kWh碳成本在峰谷套利面前确实显得微不足道。可一旦系统里有光伏、储能、燃气机组、需求响应多种资源碳成本会改变各种资源的优先级排序——尤其是当燃气机组碳排放因子远低于电网平均排放因子时原本“贵”的燃气发电很可能比“便宜”的外购电更划算。所以我在实际项目里从来不会把碳成本当作一个固定附加项简单加在总成本上而是把它当成一个随调度方案动态变化的决策变量。碳价的每一次变化都会重新排列技术选择的优先级。这才是碳交易对能源系统优化真正的冲击。1.2 需求响应凭什么能优化碳排放需求响应Demand Response, DR在电网里不是什么新概念说白了就是让用户根据价格或激励信号调整用电行为。以前做需求响应主要目的很单纯削峰填谷、缓解供需紧张。但把它放进碳交易框架下它的价值又多了一层——减少高排放时段的购电。以典型的分时电价为前提高峰时段往往对应火电边际机组大量启停、单位碳排放较高的时段。如果需求响应能把高峰负荷削掉一部分系统就不需要从电网买那么多高排放电量碳排放自然跟着下降。更关键的是需求响应削峰之后储能充放电策略、购电曲线、甚至燃气机组出力都会重新调整碳排放的改善往往比预期更明显。我在优化模型里把需求响应建成了一个带成本和边界约束的决策变量不预设“必须削多少”而是让求解器根据电价、碳价、负荷曲线自己算。结果经常会出现一个有意思的现象碳价越高需求响应被启用的量越大而且削峰的位置会从“最高电价时段”转向“碳排放成本最高的时段”。这就是碳交易对负荷管理策略产生影响的直观体现。2. 系统优化的整体设计目标函数、约束、数据三个层面2.1 目标函数怎么搭才不打架能源系统优化最常见的毛病是目标函数一多就互相打架。又要电费最低又要碳排放最低还要需求响应总补偿最少——如果直接把这些目标写成多个优先级求解器会告诉你“无解”或者“过度牺牲某一个目标”。实际工程里我习惯用“单目标加权”的方式把成本统一折算成金钱。基本目标函数可以写成min Σ (外购电成本 碳排放成本 需求响应补偿成本 储能充放电损耗成本)这里有一个很容易忽略的细节碳排放成本的计算不是简单拿系统总排放乘以碳价而是要区分“受控排放”和“非受控排放”。比如外购电的排放因子用的是电网平均排放因子而光伏发电、储能放电的排放因子是0燃气自备机组的排放因子则要用天然气燃烧的实测值。不同排放来源必须分开建模否则优化模型会把“高排放的电”和“零排放的电”混在一起结果完全失真。我在代码里的做法是给每个购电、发电变量单独配一个碳排放强度系数碳成本和电费成本各自累加然后再合并进同一个目标向量。这样后续做碳价敏感性分析时只要改碳价一个参数全系统的最优调度方案就会自动跟着变。2.2 需求响应的建模方式价格型与激励型需求响应的建模方式直接决定了求解难度和工程可实施性。我把它分成两类讲。第一类是价格型需求响应Price-based DR。它认为用户会响应分时电价但响应过程是弹性的不一定所有用户都在电价最高的那个时刻减少用电。建模时常用价格弹性系数比如峰时电价提高10%峰时负荷下降3%。这类模型理论上是非线性的电价和负荷互相影响在工程代码里通常要做线性化近似比如根据历史数据拟合出弹性系数直接在功率平衡方程里对负荷做修正。好处是模型比较平滑缺点是参数依赖历史数据弹性系数不准时模型会“自嗨”。第二类是激励型需求响应Incentive-based DR。系统直接向用户发出削减指令用户每削减1 kWh系统支付一笔补偿费用。这种模型简单直接非常容易写进线性规划把每个时段的需求响应削减量当成待优化变量给它一个上限比如不超过该时段基础负荷的20%目标函数里加一项“削减量×补偿单价”就行。我在实际项目里更偏好这种建模方式因为它逻辑透明、可核查也更容易和碳交易机制衔接——补偿单价、碳价、电价三者共同决定削减量完全由求解器自动算。我的建议是如果刚开始尝试这个方向先用激励型需求响应模型把框架跑通之后再考虑引入价格弹性做精细化。否则一开始就上弹性系数会陷入“收敛了但结果不敢信”的尴尬局面。2.3 数据准备一份典型日算例的取值逻辑代码实操最怕没有数据。真实项目的调度数据通常要清洗很久这里我准备了一份典型的24小时园区微电网算例完全是虚构但参数设置贴近实际方便大家照着跑。基础负荷曲线早晚两个高峰中午受光伏影响有轻微凹谷峰值约1100 kW谷值约240 kW。光伏出力正午达到峰值800 kW夜间为0。分时电价峰段电价1.2元/kWh平段0.7元/kWh谷段0.3元/kWh。储能系统容量800 kWh最大充放电功率200 kW充电效率0.95放电效率0.95初始SOC为400 kWh要求调度周期结束时SOC回到400 kWh。电网排放因子0.5810 tCO2/MWh。碳价基础场景取80元/吨敏感性分析取0、50、100、150元/吨。需求响应可削减比例0~20%补偿单价0.5元/kWh。这套数据不是随便拍的。负荷曲线参考了园区型微电网典型日形状光伏曲线参考了夏季晴天的出力特征碳价水平参考了全国碳市场配额价格的波动区间。用这套数据跑出来的优化结果基本能反映真实项目的规律。3. 代码实操从数据到求解器的完整落地3.1 环境准备与线性规划建模做这类优化我通常用Python里的SciPy线性规划接口或者PuLP建模框架。SciPy的linprog处理纯线性问题很稳缺点是约束表达稍显繁琐PuLP封装更友好但对大规模稀疏矩阵支持不如SciPy直接。下面的示例用SciPy来实现因为它的求解结果和稀疏矩阵处理方式更贴近后续做敏感性分析的需求。核心变量定义如下按24小时展开buy_t第t时段从电网购电量单位kWh。ch_t储能充电功率单位kW。dis_t储能放电功率单位kW。dr_t需求响应削减量单位kWh。soc_t储能电量状态单位kWh。我需要把一整天的调度问题变成一个标准的线性规划问题决策变量是个100多位的向量目标函数是系数向量点乘决策变量约束写成A_eq x b_eq和A_ub x ≤ b_ub的形式。3.2 关键代码目标函数与约束的构建先说目标函数。把24小时的外购电成本、碳排放成本、需求响应补偿成本全部折算成目标系数这一步最容易出错的是单位换算。电价是元/kWh碳排放因子是tCO2/MWh碳价是元/吨需求响应补偿是元/kWh。统一之后外购电的碳排放成本系数是碳价(元/吨) × 排放因子(tCO2/MWh) / 1000 每kWh的碳成本(元/kWh)80元/吨代入就是80 × 0.5810 / 1000 0.0465元/kWh。核心代码如下import numpy as np from scipy.optimize import linprog T 24 # 分时电价元/kWh price np.array([ 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, # 00-06 谷 0.7, 0.7, 0.7, # 07-09 平 1.2, 1.2, 1.2, 1.2, 1.2, 1.2, # 10-15 峰 0.7, 0.7, # 16-17 平 1.2, 1.2, 1.2, 1.2, # 18-21 峰 0.7, 0.7, 0.7 # 22-24 平 ]) load np.array([300, 280, 260, 240, 280, 350, 500, 650, 780, 900, 950, 920, 880, 850, 820, 850, 950, 1050, 1100, 980, 820, 700, 550, 420]) pv np.array([0, 0, 0, 0, 0, 20, 80, 200, 400, 600, 720, 780, 800, 760, 680, 550, 400, 220, 120, 50, 0, 0, 0, 0]) carbon_price 80.0 # 元/吨 grid_emission 0.5810 # tCO2/MWh dr_price 0.5 # 元/kWh eta 0.95 # 储能效率 soc_max 800.0 soc_min 50.0 p_max 200.0 # 变量顺序buy(24) ch(24) dis(24) dr(24) soc(24) n_buy, n_ch, n_dis, n_dr, n_soc 24, 24, 24, 24, 24 n_vars n_buy n_ch n_dis n_dr n_soc # 目标系数 c np.zeros(n_vars) c[:24] price grid_emission / 1000 * carbon_price # 购电成本碳成本 c[48:72] -price # 放电收益注意这里是目标函数里减掉 c[72:96] dr_price # 需求响应补偿成本实际操作中我会把储能充放电的损耗成本也显式写进目标函数而不是只在SOC方程里体现。因为损耗意味着系统需要多买一部分电这部分电量也有电费和碳成本显式建模能更真实地还原系统效率损失的经济代价。约束构建是重点也是最容易翻车的地方。我拆成三类分别说功率平衡约束每个时段的负荷削减需求响应后加上储能充电功率必须等于光伏、购电、储能放电之和。写成A_eq x b_eq每行对应一个时段。储能SOC递推约束相邻时段SOC的关系满足充放电效率约束。这里我用的是“上一个SOC加上充电电量减去放电电量等于当前SOC”同时考虑效率系数。注意充电和放电不能同时发生否则会出现既充又放的无意义解。处理方式有两种一是增加互斥约束ch dis p_max二是在目标函数里对充放电同时加一个很小的惩罚项。工程上我更推荐后者简单且不会破坏线性结构。首末SOC约束要求调度周期结束时SOC回到400 kWh否则系统会“寅吃卯粮”——把所有储能电能全部放光得到一个不可持续的伪最优解。3.3 结果解读成本、碳排放、负荷曲线的变化跑完求解器之后不要急着看总成本先看几个关键指标分时段的购电功率曲线、储能充放电曲线、需求响应削减量分布、以及碳排放量。以我上面的算例为例无需求响应时系统在高电价时段主要靠储能放电撑着但储能容量有限18:00之后一路高负荷储能很快放空高价购电不可避免系统总成本偏高。加入需求响应之后优化结果会主动在晚间高峰时段削减负荷削减量集中在19:00到21:00。原因是这几个时段电价高、电网碳排放成本也高需求响应补偿单价0.5元/kWh比高峰电价的1.2元/kWh便宜得多求解器会尽可能多地削减负荷直到20%上限。有一个细节值得注意需求响应削减负荷之后储能放电策略也会改变。原来需要18:00就开始放电支撑晚高峰现在高峰负荷被削掉一部分储能可以晚一点放、放慢一点SOC曲线比原来平缓得多。这说明系统资源之间存在明显的协同效应——需求响应不是孤立地削了几个峰而是间接优化了整个系统资源的时序配合。3.4 敏感性分析碳价波动时要不要多做需求响应碳价不是固定不变的全国碳市场的配额价格一直在波动。我把碳价从0元/吨逐步提高到150元/吨重新求解每个场景记录需求响应总削减量和系统碳排放总量。结果呈现出一个典型的规律碳价在0到50元/吨时需求响应削减量几乎不变因为此时碳排放成本相对电价差距太小不影响决策碳价超过60元/吨后削减量开始爬升而且削减时段会从“电价最高”逐渐转向“碳排放强度×电价综合最高”碳价超过120元/吨后削减量基本触顶因为需求响应20%的上限已经封顶再提高碳价只会直接影响储能充放电策略而无法进一步扩大需求响应。这个敏感性分析对实际决策很有价值。它告诉你两件事一是需求响应投资的项目边界在哪里碳价涨到多少时值得扩大可削减负荷的签约容量二是碳价变化时储能策略和需求响应策略之间如何切换。我在给企业出方案时经常把这组曲线作为“碳排放风险对冲策略”的核心依据——如果碳价可能涨到100元以上就应该提前锁定更多需求响应资源如果碳价长期在50元以下需求响应策略就没必要过度设计。4. 实际踩过的坑从参数到求解器的四类问题4.1 排放因子取值错误优化结果整体跑偏第一次用这个框架跑数据时我把外购电排放因子直接写成了0.5810 tCO2/MWh目标函数里又忘了除以1000换算成元/kWh结果碳排放成本被放大了1000倍模型疯狂削减负荷和储能放电最后居然出现“为了省碳成本宁可用高价燃气发电”的荒谬结论。这个坑非常隐蔽因为模型不会报错求解器也能收敛结果看着很合理实际完全不能用。解决方法是把目标函数系数全部手动算一遍确认量纲统一。尤其要记住排放因子是t/MWh电费是元/kWh碳价是元/吨三者换算要靠除以1000这一步必须单独验算。另外不同地区的电网排放因子差异挺大华东、华北、南方电网的数值并不一致。如果做跨区域项目不能拿全国平均值硬套要查项目所在区域对应的电网排放因子。还有一点光伏、风电的排放因子是0但储能充放电损耗对应的额外购电部分也要按电网排放因子计入碳排放这一点很多人会漏。4.2 需求响应削减过头用户侧强烈反弹需求响应模型里如果只设置了“最大可削减比例20%”而没有考虑削减后的用户舒适度约束很容易在连续几天的高温天气里把空调负荷削得过多导致用户室温超标产生投诉。我在一个商业楼宇项目里就吃过这个亏。优化模型连续三天在下午14:00到16:00把空调负荷削减到20%上限短期成本确实下降了但三天后商户开始投诉室内温度过高。后来我在模型里增加了一个约束相邻两时段的需求响应削减量变化幅度不能超过5%相当于给削减动作加了平滑限制这样既保证了经济性也避免了温度剧烈波动。如果你是做居民侧需求响应还要考虑“削减后反弹”问题。某些负荷被强制削减之后用户会在后续时段集中补偿用电导致新的负荷尖峰。模型里如果没有反弹约束或者反弹特性建模优化结果很可能在削峰的同时制造出新的峰得不偿失。4.3 求解器不收敛和稀疏矩阵维度对不齐线性规划求解遇到不收敛大部分时候不是算法问题而是约束矩阵构建有误。最常见的现象是A_eq的行数不等于b_eq的长度或者某个时段漏写了一条功率平衡约束结果求解器直接报错。我的排查习惯是每次构建约束矩阵后第一时间打印矩阵维度再写一个小的校验函数随机给决策变量赋一组可行值代入所有约束检查是否都满足。这个校验函数虽然简单但能拦截90%以上的建模错误比反复调求解器快得多。另一个工程技巧是求解前先判断问题是否可行。比如负荷极端高、储能容量又小、需求响应上限又低的情况下模型可能根本没有可行解。我会预先算一遍“理论最低购电量”从物理上判断约束组合是否自洽减少无意义的求解尝试。4.4 碳价预测不准优化方案可能需要“后悔值检验”碳价是一个高度波动的外生变量。我今天用80元/吨做优化明天碳市场可能就涨到100元/吨方案的最优性就变了。这就要求决策者做方案时不能只看单一碳价场景至少要跑三组情景保守、基准、乐观。我在项目中一般会做一个轻量级的“后悔值分析”先求出基准碳价下的最优调度方案然后把这个方案代入高碳价、低碳价情景里计算成本损失看看如果碳价判断失误损失有多大。如果某个方案在碳价大幅波动时还能保持成本稳定那它就是一个抗风险能力强的决策方案如果稍微波动一下就亏很多就要重新设计需求响应签约量或储能容量配置。这套方法不需要额外建模型跑几次敏感性分析就能实现但能显著提升方案的可信度和说服力。5. 写在最后的一点体会把碳交易写进能源系统优化最大的挑战不是数学建模也不是代码实现而是你有没有真的把“碳排放”当成一个有价格、可交易、会波动的资源来对待。很多团队嘴上说重视碳管理实际做优化时还是只看电费和设备约束碳成本只是事后统计一下那算出来的方案注定是次优的。我也是在被那次“碳排放成本被放大1000倍”的教训教育之后才养成了三个固定的工作习惯第一任何新的成本项加入目标函数必须先做量纲验算再跑模型第二不做单场景优化永远跑敏感性分析第三需求响应这类柔性资源一定要考虑实际可实施性不要只看数学最优解。如果你正准备做类似的项目我建议从本文的简化算例开始把框架跑通后逐步加入燃气机组、碳配额配额分配、绿电交易等模块。这个方向未来会越来越重要需求响应也不再只是电网侧的辅助工具它完全可以成为企业在碳约束下降本增效的核心抓手。