企业官网建设流程全解析

开头

氢储能的热电联供型微电网优化调度，本质上是在“电-热-氢”三种能量相互耦合的物理系统里，找一个满足所有负荷需求、设备出力约束、储能状态约束的最低成本运行方案。这并不是简单写一段Matlab脚本调个优化函数，而是一个涉及设备建模、能量流约束、混合整数规划求解、结果后处理的系统工程。我最早接触这个项目时，以为难点在求解器选型上，真正动手后才发现建模层面的坑才是最深的——电解槽效率怎么取、燃料电池热电比怎么耦合、储氢罐SOC初终值怎么约束、24小时调度周期里要不要引入二进制启停变量，每一个决策都直接决定求解结果是否可信。

这篇内容适合正在做微电网、综合能源系统方向的电气工程研究生，以及想搞明白热电氢耦合到底怎么数学化建模的工程师。我会把这个项目从问题定义、设备建模、模型构建到Matlab代码实现完整过一遍，包括我在实际调试中踩过的坑和总结的排查思路，尽量让看完的人能直接动手复现，而不是只懂一堆名词。

1. 问题拆解：为什么热电联供要把氢储能拉进来

1.1 传统微电网调度模型缺了什么

微电网优化调度并不是新话题，十年前大家就在做。传统的微电网通常包含光伏、风电、柴油发电机、蓄电池、负荷，调度模型一般就是电功率平衡约束加各设备出力上下限，目标函数最小化运行成本。这类模型在电力电子化微电网中问题不大，因为能量载体只有一种——电，所有设备都挂在同一个交流母线上，功率交换就是代数叠加，不需要考虑跨时移能量载体。

但一旦把热负荷考虑进来，事情变了。热不能被有效远距离传输，也不能简单地从电网买，必须由系统内的热源就地生产。所以热电联供型微电网的调度模型必须同时满足电功率平衡与热功率平衡两个等式约束，而这两个平衡方程之间不是独立的——它们通过热电联产机组的运行区间、燃料电池的余热回收效率耦合在一起。你多烧一方天然气发一度电，同时也就多出来一份热，这份热能是白白扔掉还是供给热负荷，直接决定系统的经济性。

1.2 氢储能在这里扮演什么角色

氢储能在微电网里最核心的价值是“跨时段、跨季节”的能量移动能力。蓄电池只能存几小时到一两天的电量，而且自放电率高；氢储能不同，电解槽把多余的电变成氢气，储氢罐可以吨级存储，燃料电池把氢变回电，整个过程本质上是把一个富余时段的电能搬运到缺电时段使用，搬运时长可以是几十小时甚至几个月。

在热电联供型微电网里，氢储能的价值被放大了：燃料电池发电的同时会产生大量热，这部分热量通过余热回收装置供给热网，相当于每个单位燃料里，电和热都被有效利用。这就是我在这类项目里经常强调的一个点——氢储能不只是“电池的升级版”，它在热电联供环境下是“电储能+热源”的双重角色，建模时候必须同时考虑它的电出力和热出力，否则优化结果会白白浪费一大笔热量收益。

1.3 这个项目到底在解决什么问题

我总结一下这个项目的核心任务：给定系统的设备参数、24小时的负荷预测曲线、电价曲线、天然气价格，求解未来24小时内各设备（电解槽、储氢罐、燃料电池、燃气轮机CHP单元、燃气锅炉等）每个小时的最优出力计划，使系统总运行成本最低，同时满足所有时刻的电、热负荷需求，以及所有的技术约束（设备出力范围、爬坡率、储氢容量等）。

这个问题的数学本质是一个混合整数线性规划（MILP）问题，如果只引入连续变量、不考虑启停状态，则退化为一个线性规划（LP）问题。Matlab环境下最稳妥的路线是用YALMIP工具箱建模，然后调用商业求解器（CPLEX或Gurobi）求解；如果没有商业求解器授权，也可以用Matlab自带的intlinprog函数，代价是求解速度和数值稳定性稍差，但24小时的小规模算例完全够用。

2. 系统结构与核心设备建模

2.1 典型系统拓扑

我建模时采用了一个比较经典的系统结构，先画清楚能量流动方向，后面数学公式才不会乱。

电母线连接：风力发电/光伏发电（可再生电源）、电解槽（耗电产氢）、燃料电池（氢发电）、CHP燃气轮机（天然气发电）、电网交互点、电负荷。热母线连接：CHP机组余热、燃料电池余热、燃气锅炉（补热）、热负荷。氢母线连接：电解槽产氢、储氢罐（双向）、燃料电池耗氢。三条母线通过设备本体实现能量耦合。

这个拓扑的好处是每一个设备都只涉及两条能量母线，逻辑清晰。我把可再生能源处理为确定性的预测出力序列，不引入随机规划，先跑通确定性模型，后面要扩展鲁棒优化或随机优化时再改动约束结构。

2.2 电解槽模型

电解槽是电转氢环节的核心。它消耗电能，将水分解为氢气和氧气。工程上，电解槽的产氢速率与输入电功率近似线性关系，这里采用简化效率模型：

[ m_{H_2,el}(t) = \frac{\eta_{el} \cdot P_{el}(t)}{H_{LHV}} ]

其中，(P_{el}(t))是电解槽在t时段的输入电功率（kW），(\eta_{el})是电解效率（一般取0.6~0.7，碱性和PEM电解槽的典型值区间），(H_{LHV})是氢气低位热值（约33.3 kWh/kg，也就是1kg氢气完全燃烧释放约33.3 kWh热量）。

举个实际计算例子：如果电解槽输入功率为500 kW，效率取0.65，那么每小时的氢气产量为：

[ m_{H_2} = \frac{0.65 \times 500}{33.3} = 9.76 , \text{kg/h} ]

如果你手头的电解槽规格书给出的是“每千瓦时电产氢约0.02 kg”，也可以直接用规格书参数替代，效果一样。

电解槽模型还需要包含最小运行功率约束和爬坡约束。碱性电解槽一般要求不低于30%额定负荷运行，否则气体纯度不达标，这是设备层面的硬约束，我建议一定加进去，不然优化器会把电解槽压到很低的出力甚至以0功率运行，在实际工程中这是不可行的。

2.3 储氢罐动态模型

储氢罐的建模相对简单，它是一个典型的能量存储设备，状态变量是罐内氢气质量。模型如下：

[ S_{H_2}(t+1) = S_{H_2}(t) + m_{H_2,el}(t) - m_{H_2,fc}(t) - m_{H_2,sold}(t) ]

其中，(S_{H_2}(t))是t时段末的储氢量（kg），(m_{H_2,el}(t))是电解槽产氢量，(m_{H_2,fc}(t))是燃料电池消耗氢量，(m_{H_2,sold}(t))是氢气外售量。如果项目里没有售氢环节，直接把这一项删掉即可。

储氢量有几个约束：一是不超过储氢罐容量上限，二是每个调度周期结束时储氢量要和初始储氢量相等（或者是某个目标值），否则模型会倾向于在调度末期把氢气全部用完，这在滚动优化里会导致下一周期没有氢可用。这个“SOC初终值相等”约束是我强烈建议加上去的，效果立竿见影——没有了它，你的优化结果最后几个小时会变得极其激进，把所有能用的氢全部烧光。

类比一下家用电动汽车：你每天出门时电池是满电，回家后也要求充回满电，这样第二天才能继续跑；储氢罐同理，24小时调度周期内的“满”对应的是目标储氢量。

2.4 燃料电池模型（含热电联产）

燃料电池是氢储能系统的“发电+供热”环节。它的模型包括三个部分：电出力、氢耗量与产热量的关系。

电输出：

[ P_{fc}(t) = \eta_{fc}^{elec} \cdot m_{H_2,fc}(t) \cdot H_{LHV} ]

其中，(\eta_{fc}^{elec})是燃料电池的发电效率，典型值在0.4~0.6之间（PEM燃料电池在低功率段的效率会高一些，高功率段下降，建模时可以设置为效率随输出功率变化的曲线）。

热输出：

[ Q_{fc}(t) = \eta_{fc}^{heat} \cdot m_{H_2,fc}(t) \cdot H_{LHV} ]

燃料电池发电的同时，大约40%~50%的化学能转化为热，这部分热通过换热器回收供给热负荷。这里有一个关键参数——热电比：

[ r_{fc} = \frac{Q_{fc}}{P_{fc}} = \frac{\eta_{fc}^{heat}}{\eta_{fc}^{elec}} ]

在简化版建模里，热电比可设为常数，比如r_fc = 1.1（燃料电效率0.45、热效率0.5左右时）。但在精细化建模中，热电比往往会随输出功率变化，这时需要用分段线性函数甚至二进制变量来近似，这会把模型从LP变成MILP。

我把燃料电池的课题拆分成两个方向说明：第一个方向不考虑热电比变化，直接用常系数，适合快速搭建跑通；第二个方向增加分段线性化，由于引入了整数变量求解会慢一些，适合做精确经济性分析。

2.5 燃气轮机CHP单元与燃气锅炉

燃气轮机CHP单元（或燃气内燃机）是热电联供微电网里最常规的热电联产设备，它的特点是在发电的同时产生一定比例热量。这个设备有一个很重要的约束——“电出力-热出力可行域”，也就是P-R图上的运行区间。简化模型中，CHP单元的热电关系可以表达为：

[ Q_{chp}(t) = \alpha_{chp} \cdot P_{chp}(t) ]

(\alpha_{chp})是热电比系数，典型燃气轮机的热电比在1.0~1.7之间。更精确的模型会包含斜线段约束，即热出力与电出力满足一个线性不等式组，比如：

[ Q_{chp}(t) \le \beta_1 P_{chp}(t) + \gamma_1 ] [ Q_{chp}(t) \ge \beta_2 P_{chp}(t) + \gamma_2 ]

燃气锅炉更简单，就是消耗天然气、产出热量：

[ Q_{boiler}(t) = \eta_{boiler} \cdot F_{boiler}(t) ]

其中，(F_{boiler}(t))是锅炉的天然气输入功率（kW），(\eta_{boiler})是热效率（一般0.85~0.95）。

2.6 电网交互环节

微电网与外部配电网可以交换功率，建模时把购电功率和售电功率分别作为两个变量。购电电价可以用峰谷分时电价，售电电价一般低于购电电价。电网交互约束可以简单设置为：

[ 0 \le P_{buy}(t) \le P_{buy}^{max}(t) ] [ 0 \le P_{sell}(t) \le P_{sell}^{max}(t) ]

注意，这里如果允许同时购电和售电，优化器不会让两者同时为正（因为一定有套利空间不经济），所以不需要强制加二进制变量互斥。我之前总担心要引入互斥约束，后来发现目标函数里购电和售电价格不同时，线性优化天然会选择一边，没必要画蛇添足。

3. 优化调度模型的完整数学表达

3.1 目标函数：最小化总运行成本

整个优化模型我采用如下目标函数，最小化24小时内系统的总运行成本：

[ \min \quad C_{total} = \sum_{t=1}^{24} \left( C_{grid}(t) + C_{gas}(t) + C_{om}(t) \right) ]

各项详细拆开：

购电成本（减去售电收益）：

[ C_{grid}(t) = c_{buy}(t) \cdot P_{buy}(t) \cdot \Delta t - c_{sell}(t) \cdot P_{sell}(t) \cdot \Delta t ]

天然气燃料成本：

[ C_{gas}(t) = c_{gas} \cdot \left( \frac{P_{chp}(t)}{\eta_{chp}^{elec}} + \frac{Q_{boiler}(t)}{\eta_{boiler}} + \frac{P_{el}(t) \cdot (1-\eta_{chp})}{?} \right) \cdot \Delta t ]

注意，这里电解槽如果也消耗天然气那是错误的，应该只计算CHP和锅炉的燃气消耗。

设备运维成本：运维成本通常与设备出力成正比，用单位电量运维系数表示：

[ C_{om}(t) = k_{pv} P_{pv}(t) + k_{wt} P_{wt}(t) + k_{el} P_{el}(t) + k_{fc} P_{fc}(t) + k_{chp} P_{chp}(t) + k_{boiler} Q_{boiler}(t) ]

系数(k)的单位是元/kWh。在我实际项目里，这些系数通常取0.005~0.02元/kWh，光伏和风电的运维成本最低，电解槽和燃料电池因为化学腐蚀和膜寿命问题成本较高。

3.2 电功率平衡约束

这是最核心的等式约束：任何时刻，系统的总发电必须等于总用电：

[ P_{pv}(t) + P_{wt}(t) + P_{fc}(t) + P_{chp}(t) + P_{buy}(t) = P_{load}(t) + P_{el}(t) + P_{sell}(t) ]

这个约束的每一台设备出力都是优化变量，负荷和新能源出力是已知参数。这个式子看起来简单，但它是在告诉优化器：多出来的光伏出力要么卖给电网，要么存进储氢（通过电解槽耗电实现），要么被电负荷吃掉，三条路的经济性不同，优化器会自动算账。

3.3 热功率平衡约束

[ Q_{chp}(t) + Q_{fc}(t) + Q_{boiler}(t) = Q_{load}(t) ]

注意这里热负荷是有刚性的，不像电负荷可以通过购电兜底，热负荷必须由系统内的热源满足。这也是为什么在这个系统里燃气锅炉是必要的——当CHP机组不出力或燃料电池停机时，热负荷需要锅炉补足缺口，否则约束无解。

3.4 设备出力与储氢罐约束汇总

把上面所有约束整理成一张表：

还有氢质量平衡约束：

[ m_{H_2,el}(t) - m_{H_2,fc}(t) = S_{H_2}(t+1) - S_{H_2}(t) ]

建议把设备启停的二进制变量先放一边，第一步先跑通所有设备连续运行的LP模型，如果LP解已经满足需求就不必引入整数变量。因为每引入一个二进制变量，求解时间会指数级增长，24小时时段稍微多点就要等很久。

4. Matlab代码实现思路与关键代码

4.1 环境配置与工具选型

我用Matlab 2020b + YALMIP + Gurobi 9.x的组合。YALMIP是一个免费的Matlab建模工具箱，它最大的好处是可以用统一的语法描述优化问题，求解器随便切换。Gurobi是商业求解器，学校一般有学术授权；如果没有，Matlab内置的intlinprog也可以作为替代，语法不兼容也不用担心，因为YALMIP会自动适配。

装YALMIP的流程很简单：去GitHub上下载最新YALMIP包，解压到任意目录，然后在Matlab里addpath一下即可。Gurobi则要先安装求解器本体，再在Matlab里运行gurobi_setup.m完成配置。我建议环境配置顺序是：先装YALMIP和intlinprog版本跑通模型逻辑，确认无误后再上Gurobi加速，避免一开始就陷入求解器安装的泥潭。

4.2 主程序框架

我把代码拆成三个文件来组织，后续维护和扩展都很方便：

• system_parameters.m：定义所有系统参数（设备容量、效率、价格、负荷曲线）
• optimization_model.m：核心建模函数，输入参数，返回优化结果
• plot_results.m：结果可视化，绘制功率曲线和储氢状态图

主程序入口（简化版）如下：

clear; clc; close all; run('system_parameters.m'); % 加载参数 % 定义时间轴 T = 24; dt = 1; % 单位小时 % 定义决策变量 P_el = sdpvar(1, T, 'full'); % 电解槽输入电功率 S_h2 = sdpvar(1, T+1, 'full'); % 储氢罐氢量 (t=1为初始值) P_fc = sdpvar(1, T, 'full'); % 燃料电池输出电功率 P_chp = sdpvar(1, T, 'full'); % CHP机组输出电功率 Q_boiler = sdpvar(1, T, 'full'); % 锅炉热出力 P_buy = sdpvar(1, T, 'full'); % 购电功率 P_sell = sdpvar(1, T, 'full'); % 售电功率 Q_fc = sdpvar(1, T, 'full'); % 燃料电池热出力 Q_chp = sdpvar(1, T, 'full'); % CHP机组热出力

4.3 约束组装的示范代码

YALMIP建模最核心的方式是用Constraints = [Constraints, ...]来拼接约束集。下面是我实际使用的代码片段，包含电平衡、热平衡、储氢动态和各项上下限约束：

Constraints = []; % 目标函数 Cost = 0; for t = 1:T % 约束：电功率平衡 Constraints = [Constraints, P_pv(t) + P_wt(t) + P_fc(t) + P_chp(t) + P_buy(t) == ... P_load(t) + P_el(t) + P_sell(t)]; % 约束：热功率平衡 Constraints = [Constraints, Q_fc(t) + Q_chp(t) + Q_boiler(t) == Q_load(t)]; % 储氢动态 Constraints = [Constraints, S_h2(t+1) == S_h2(t) + ... eta_el * P_el(t) / H_LHV - P_fc(t) / (eta_fc * H_LHV)]; % 电解槽出力约束 Constraints = [Constraints, 0.3 * P_el_rated <= P_el(t) <= P_el_rated]; % 燃料电池出力约束 Constraints = [Constraints, 0 <= P_fc(t) <= P_fc_rated]; % CHP机组热电耦合 Constraints = [Constraints, Q_chp(t) == alpha_chp * P_chp(t)]; Constraints = [Constraints, 0 <= P_chp(t) <= P_chp_rated]; % 锅炉热出力 Constraints = [Constraints, 0 <= Q_boiler(t) <= Q_boiler_rated]; % 电网交互约束 Constraints = [Constraints, 0 <= P_buy(t) <= P_grid_max]; Constraints = [Constraints, 0 <= P_sell(t) <= P_grid_max]; % 目标函数累加 Cost = Cost + c_buy(t) * P_buy(t) * dt - c_sell(t) * P_sell(t) * dt ... + c_gas * (P_chp(t) / eta_chp_elec + Q_boiler(t) / eta_boiler) * dt ... + k_el * P_el(t) * dt + k_fc * P_fc(t) * dt + k_chp * P_chp(t) * dt; end % 储氢罐容量约束与初终值约束 Constraints = [Constraints, S_h2_min <= S_h2(2:T+1) <= S_h2_max]; Constraints = [Constraints, S_h2(1) == S_h2_initial]; Constraints = [Constraints, S_h2(T+1) == S_h2_initial]; % 24小时末回到初始值 % 求解 options = sdpsettings('solver', 'gurobi', 'verbose', 2); optimize(Constraints, Cost, options); % 提取结果 P_el_opt = value(P_el); S_h2_opt = value(S_h2); P_fc_opt = value(P_fc);

4.4 结果可视化：让数据告诉你系统怎么动

求解完成后，最关键的步骤是画图验证结果。我通常会画三张图：

第一张是电功率平衡堆叠图，x轴为时间（24小时），y轴为功率（kW），堆叠各发电设备的出力，这样能一眼看出不同电价时段各设备是怎么响应的。

第二张是热功率平衡图，把CHP、FC、锅炉的热出力和热负荷画在一起，重点看热负荷峰值时池炉是否参与出力。

第三张是储氢罐SOC变化曲线，横坐标是时间，纵坐标是储氢量（kg），观察它是否呈现出削峰填谷的特征：光伏/风电大发时储氢量上升，负荷高峰期燃料电池消耗氢、储氢量下降。

这三张图一出来，调度策略的经济性逻辑能直接看出来，比扎进数字里分析高效得多。我在调试时养成的习惯是：任何调度结果先画图，再看数字。如果图形里出现某条曲线跳变剧烈或者违背物理直觉的毛刺，说明约束写错了或者求解器数值精度有问题。

4.5 考虑设备启停的MILP扩展

如果直接跑LP模型时发现某台设备在大量时段处于0功率与最小功率之间来回震荡（在实际工程中这是不允许的），就需要引入二进制启停变量(u(t) \in {0,1})，然后把出力约束改写：

[ u(t) \cdot P_{min} \le P(t) \le u(t) \cdot P_{max} ]

引入(u(t))后的目标函数还需要增加启动成本惩罚项[C_{start}(u(t) - u(t-1))_+]，否则优化器会频繁启停设备来规避最小出力约束。YALMIP中定义二进制变量的方法是：

u_chp = binvar(1, T, 'full'); Constraints = [Constraints, P_chp_min * u_chp(t) <= P_chp(t) <= P_chp_rated * u_chp(t)];

注意，binvar必须放在sdpvar定义区域，不能循环里现定义。这是我碰到的最多的新写代码报错——YALMIP对变量定义时机很敏感。

5. 调度结果分析与经济性讨论

5.1 一个典型算例的结果解读

我用一个典型冬季场景的参数跑了一遍：光伏50 kW，风电60 kW，电负荷峰值180 kW，热负荷峰值120 kW，电解槽额定100 kW，燃料电池额定80 kW，储氢罐容量50 kg，CHP额定100 kW，锅炉额定100 kW。天然气价格2.5元/m³，电网峰时电价1.2元/kWh、谷时0.4元/kWh。

结果呈现几个典型规律：夜间谷电时段电解槽全功率运行制氢；早高峰时段燃料电池与CHP同时出力满足电负荷；热负荷峰值时段锅炉启动补热；白天光伏大发时段，多余电力优先卖给电网或用于电解制氢而不是让CHP发电。这个行为完全符合经济性预期——谷电制氢、峰时用氢是氢储能的核心套利逻辑。如果结果没有出现这种峰谷转移特征，大概率是电价参数或者效率参数设置不合理，需要回头检查数据。

5.2 氢储能与蓄电池的经济性对比

同样场景下，如果把氢储能系统换成同等放电功率的锂电池系统，成本会低还是高？答案是取决于调度周期长度。电池的往返效率约85%~90%，氢储能系统整体的电-氢-电效率只有35%~45%（电解效率0.65×燃料电池效率0.5≈0.325~0.35）。但电池的持续放电时间有限（通常2~4小时），如果削峰填谷的周期跨度为8小时以上，电池就需要多倍扩容才能覆盖同样电量，而氢储能的储氢罐扩容成本远低于电池模组成本。

这也是氢储能最适合的场景画像：需求是“长时间尺度的能量平移”，不是高频次的调频调压。在项目汇报或论文里如果写结论，建议强调这一点——氢储能在热电联供微电网中的定位是“长时间跨时移的补充手段”，与电储能和热储能形成互补，而不是简单的替代关系。

5.3 灵敏度分析与边界条件

做优化调度项目，少不了一个灵敏度分析环节。我一般会做三个维度的敏感性测试：第一个是天然气价格变化对CHP和燃料电池出力的影响，第二个是购电电价峰谷差从0.5元/kWh放大到1.2元/kWh时购售电策略的变化，第三个是储氢罐容量从30 kg增加到80 kg时系统总成本的变化曲线。如果这三个分析做完，项目报告的深度就完全不一样了——不只是给一组最优解，而是解释清楚“系统为什么这样运行”、哪些不确定性参数对结果影响最大。

6. 常见报错与避坑记录

6.1 YALMIP常见报错速查表

第一条报错是最常见的，很多人在网上下了YALMIP装上，却不装求解器，一跑optimize就报这个错。我建议新手上路时直接用sdpsettings('solver', 'intlinprog')，Matlab自带求解器，零额外依赖，小规模问题求解时间一般不超过十秒，等模型验证无误后再上Gurobi提速。

6.2 数值稳定性与“病态解”

我在实际调试中碰到过一个很隐蔽的问题：储氢罐的容量约束用kg做单位，而电功率用kW做单位，电荷量级相差极大，导致约束矩阵的条件数很差，求解器给出的解在某些时段出现微小的负值功率（比如-1e-8 kW）。这种数值噪声在画图时表现为毛刺，还说得过去，但如果把它写进论文的那组表格，编辑部会挑刺。

解决思路有两个：一是把单位统一，比如将储氢罐容量换算成kWh（氢气的能量当量），约33.3 kWh/kg，这样所有变量的数量级都集中在10~1000之间；二是在约束后加上一个很小的正下限消除看似为零的量。我推荐统一单位方案，因为条件数改善后，Gurobi的求解速度和数值精度都能提升一个档次。

6.3 热负荷数据的“虚假冲突”

有一个坑我必须单独拎出来说：很多时候热负荷曲线和电负荷曲线是分别测量或分别预测出来的，两条曲线的峰值时段可能完全错位（比如电负荷峰值在晚上8点，热负荷峰值在早上7点）。这不一定是数据错误，而是真实的用能特征。但在模型中，如果燃料电池和CHP的热出力占比过高，会出现“为了满足热负荷被迫发电、多余的电只能低价卖给电网”的尴尬局面。

解决这个问题的一种思路是在目标函数中给售电收益设置更低的价格，甚至把售电功率上限设置为0，模拟“离网运行”场景。我在做海岛微电网项目时经常这么干——因为孤立微网根本没有外网售电通道，这样模型会更贴近真实约束。

6.4 求解时长失控怎么办

如果引入大量二进制变量后求解时间从几秒飙升到几分钟，不要急着把求解器换成更贵的，先看模型规模。24小时调度、每种设备带一个启停变量，也就24×N个二进制变量，Gurobi应该秒级求解。如果超时，大概率是约束中存在不必要的非线性项（比如两个连续变量相乘）。我见过一种典型错误：有人把电解槽的产氢量公式写成(m_{H_2} = \eta \cdot P_{el} / H_{LHV})后，为了表达效率随负荷变化，又额外引入了一个和(P_{el})相乘的变量系数，直接把线性模型变成了双线性非凸模型，求解器彻底卡死。

如果效率真的必须随功率变化，正确做法是用分段线性化（YALMIP内置implies或binvar配合约束实现），而不是直接做变量相乘。

结尾

我在实际跑这类项目的过程中，最大的体会是：优化调度项目的难点永远不在“优化”本身，而在“建模可信度”。同样的Matlab+YALMIP代码，参数设置合理、设备模型符合物理特性，结果是平滑、经济、可解释的；如果效率系数乱取、约束漏掉、数据单位不一致，Gurobi照样能给你算出一个数学上“最优”、物理上“荒谬”的解。所以拿到任何一个调度题目，我建议先花60%的精力把设备模型和参数打磨扎实，再花30%时间写求解代码，最后10%用来画图和写结论。代码本身反而是整个项目里最不值钱的部分。

最后再分享一个小技巧：做完整套框架之后，建议把系统参数全部打包成一个结构体，比如param.P_el_rated = 100; param.eta_el = 0.65;，在建模脚本里统一引用。这样后面做灵敏度分析、换设备参数、跑不同场景时，只需要改结构体某一行，整个项目代码一条线全改到位，比在代码里到处改散装变量要省心太多。