企业官网建设流程全解析

接手“计及电转气协同的含碳捕集与垃圾焚烧虚拟电厂优化调度（Matlab代码实现）”这个课题时，我最初的理解非常朴素：把火电、风电、储能这些常规电源塞进一个优化模型，求个最低成本就算完成。真正动手之后才发现，碳捕集、垃圾焚烧和电转气（P2G）这三样东西放在同一个虚拟电厂里，价值完全不是“三个设备各自减排”的简单叠加。碳捕集设备产出的高纯度CO2需要去处，垃圾焚烧电站本身就是稳定碳源，而P2G刚好缺一个可靠、低成本的碳源来合成天然气——这三者之间有一条天然的物质流闭环，调度模型一旦把这条闭环打通，结果会完全不一样。

这篇文章准备把我完整复现这套优化调度模型的过程写清楚：系统怎么搭建、数学约束怎么列、Matlab里用Yalmip建模的关键细节、以及24小时算例里三种场景的对比结果。适合正在做虚拟电厂/综合能源系统优化调度课题的研究生，也适合电力设计院或综合能源服务公司里要做方案预研的工程师。我会尽量把代码层面的坑和建模时的取舍讲透，而不是只贴一个黑箱模型。

1. 从“各自减排”到“碳循环利用”：这套虚拟电厂的系统架构

1.1 为什么要同时纳入碳捕集、垃圾焚烧与电转气

先说说我最初的疑问：碳捕集（CCS）通常配在燃煤或燃气机组上，垃圾焚烧发电这几年在城市固废处理里是主流技术路线，而P2G（电解水制氢、再通过甲烷化合成天然气）更多出现在新能源消纳的讨论里。三种技术单独拎出来都有大量研究，为什么非要把它们放进同一个虚拟电厂？

我的理解是这样的：虚拟电厂的本质不是把设备物理上拉到一起，而是通过调度中心统一协调它们的运行，让整体对外呈现一个可控电源的特性。但“可控”和“低碳”之间存在矛盾——火电可控性强但碳排放高，垃圾焚烧虽然处理了城市垃圾、有环保价值，但它同样是碳排放大户，P2G能消纳新能源但又需要氢气和CO2原料。把这三者放进来，恰好可以让各自的副产品互相消化：

• 火电配碳捕集之后，烟气里高浓度CO2被分离出来，不再是“污染物”而是“原料”；
• 垃圾焚烧电站本身持续排放CO2，烟气浓度比火电低，但胜在稳定、可预测，适合作为碳源补充；
• P2G的甲烷化单元需要CO2和氢气，氢气由电解槽制取，CO2正好可以从碳捕集系统或垃圾焚烧烟气中获得，产物甲烷可以直接进天然气网或者供厂内燃气机组使用。

这三条线串起来，就是“碳捕集—P2G—燃气利用”的碳循环利用路径。调度模型里最大的变量组合空间也在这里：什么时候捕集、捕多少、送多少CO2去甲烷化、氢气是存起来还是现产现用，每一个决策都会同时影响电功率平衡、气流量平衡、碳交易成本和弃风率。单独建任何两个环节的模型，都表达不出这种物质流和经济性之间的耦合关系。

1.2 能量流、碳流与气流的三条主线

构建模型之前，把所有设备之间的物理连接先画清楚非常重要。我建议不要在脑子里想，直接用文字把节点列出来，后面写约束时就不会漏项。

从能量流看，虚拟电厂内部的用电设备包括：火电机组本身、碳捕集系统的再生塔能耗（主要是热耗，我模型里折算为电耗）、P2G电解槽、电储能充电、厂用电负荷，以及对外售电/购电的联络线；发电设备包括：火电机组、垃圾焚烧机组、风电场、燃气轮机（利用P2G产出的甲烷）、电储能放电。这里最容易被忽略的是碳捕集系统的能耗——它不是一个固定常数，而是跟着捕集率走的，必须作为变量纳入功率平衡。

从碳流看，火电烟气经过碳捕集装置，一部分CO2被捕集，另一部分直接排放；垃圾焚烧烟气可以单独接一套碳捕集，也可以跟火电共用一套（算例中我让垃圾焚烧电站独立配置了较小规模的捕集装置）。捕集下来的高纯度CO2有两个去向：一部分送去P2G甲烷化，一部分直接压缩封存。调度模型里要设置“CO2分配”这个决策变量，不能默认全部送去甲烷化，因为甲烷化速率有上限，电解槽产氢量也随时段变化。

从气流看，电解槽产出的氢气进入储氢罐，储氢罐再供甲烷化单元消耗；甲烷化产出的天然气进入储气罐，再调度给燃气轮机或对外出售。两个储罐的容量约束和时序耦合，是整个模型里最容易出现不可行解的地方。

这张“三流”图想清楚之后，目标函数和约束怎么写就顺理成章了。

2. 优化调度的数学模型：目标函数与四类核心约束

2.1 目标函数：净运行成本怎么算

我采用的优化目标是虚拟电厂一个调度周期内的净运行成本最小。这里的“净”字很关键——模型里既有成本项，也有收入项，收入项包括垃圾处理补贴、向气网售气和向电网售电的收入。目标函数表达式如下：

min C_total = Σ [ C_fuel(t) + C_om(t) + C_co2(t) + C_purchase(t) + C_penalty(t) - R_garbage(t) - R_gas_sale(t) - R_power_sale(t) ]

各分项含义：

• C_fuel：火电和垃圾焚烧的燃料成本，垃圾焚烧的燃料成本可以近似看作负的（因为有垃圾处理费收入），实际操作中我习惯把处理补贴单独放收入项，燃料按煤耗和垃圾热值折算；
• C_om：各设备的运行维护成本，按出力乘以单位运维系数；
• C_co2：碳排放交易成本，等于直接排放量减去免费配额再乘以碳价。注意这里“直接排放量”是扣除捕集量和甲烷化消耗量之后的净排放量；
• C_purchase：向外部电网购电的成本，按分时电价结算；
• C_penalty：弃风惩罚项，这一项非常重要，没有它优化器会毫不犹豫地弃风，因为风电的边际成本几乎为零，弃风惩罚能让结果更贴近“尽量消纳新能源”的实际诉求；
• R_garbage：垃圾处理补贴收入，按垃圾处理量计算；
• R_gas_sale、R_power_sale：P2G产甲烷外售和富余电力上网的收入。

为什么把弃风纳入惩罚而不是硬性约束为0？因为某些极端时段（比如夜间负荷低谷且风电大发），全额消纳风电在物理上不具备经济性，电解槽容量和储能容量都有限，与其强行消纳导致爬坡或电压问题，不如用惩罚系数让优化器自己去权衡。这个思想在后文算例里会体现得很明显。

2.2 碳捕集设备：烟气分流比与捕集能耗的耦合关系

碳捕集系统不能简单地当作一个“削掉一定比例碳排放”的比例环节来处理。实际燃烧后捕集系统（典型的是MEA化学吸收法）有一个关键运行变量：烟气分流比 r(t)，意思是进入吸收塔的烟气占总烟气的比例。捕集量Q_cc(t)可以表达为：

Q_cc(t) = η_cc × r(t) × E_rate(t)

其中E_rate(t)是火电机组在t时段的CO2产生速率，由机组出力和排放因子决定；η_cc是吸收效率，通常取0.85~0.95；r(t)是0到1之间的连续决策变量。注意，这里的烟气分流比代表一种“运行模式”——r=0表示完全不捕集，烟气全部直接排空；r=1表示全部烟气进入碳捕集系统；实际运行中r可以在中间任意取值，这就给调度留下了很大的灵活性：高碳价时段提高分流比，低碳价或机组低出力时段降低分流比。

捕集能耗与捕集量近似线性相关。我采用的简化模型是：P_cc(t) = λ × Q_cc(t)，λ是单位捕集能耗系数，典型值在0.2~0.4 kWh/kg CO2之间。这个看似简单的线性关系，实际上是给碳捕集设备加上了“减排是要付出电量代价”的物理约束，也是整个模型里碳流和电流唯一直接的耦合点。除此之外，吸收塔和再生塔都有最小运行负荷，当分流比低于某个阈值（比如15%）时系统几乎无法稳定运行。这个下限我用一个二进制变量来约束，后面讲代码时会展开。

2.3 电转气设备：电解制氢与甲烷化的物质平衡

P2G的核心化学过程分为两步。第一步是电解水制氢，2H2O → 2H2 + O2；第二步是甲烷化（Sabatier反应）：CO2 + 4H2 → CH4 + 2H2O。把分子量代进去算一下：H2分子量2，CO2分子量44，CH4分子量16。也就是说，每生产1 kg的CH4，需要消耗0.5 kg的H2和2.75 kg的CO2。这个比例关系写约束时直接化成线性等式即可。

在模型里，我把P2G拆成三个顺序环节：

• 电解槽：耗电功率 P_elz(t)，制氢速率 H_elz(t)，效率 η_elz，满足 H_elz(t) = η_elz × P_elz(t) / HHV_H2，这里HHV_H2是氢的高热值（按质量算约39.4 kWh/kg，按体积算约3 Wh/L）；
• 储氢罐：容量约束和时序递推 S_h2(t+1) = S_h2(t) + H_elz(t) - H_meth(t)，H_meth(t)是甲烷化消耗的氢气；
• 甲烷化单元：耗氢速率 H_meth(t)与产甲烷速率 M_ch4(t)满足 M_ch4(t) = H_meth(t) / 4（摩尔比），同时受CO2供应量约束：CO2_meth(t) ≤ Q_cc_avail(t) + Q_wte_co2(t)，也就是甲烷化单元用掉的CO2不能超过碳捕集送来加上垃圾焚烧烟气直接提纯的量。

值得注意的是，电解槽虽然连续可调，但也有最小技术出力限制（比如额定功率的20%），否则会损坏电解槽。这个约束在日调度尺度上往往被忽略，但在实际工程里非常重要，因为它直接决定了夜间低谷功率能不能平滑地切到P2G模式。

2.4 功率平衡与储气储能约束

功率平衡是优化模型里层级最高的一条约束：所有发电出力加上联络线购电，等于所有用电负荷加上联络线售电、电解槽耗电、碳捕集耗电、储能充电。具体展开为：

P_wt(t) + P_garbage(t) + P_gt(t) + P_dis(t) + P_buy(t) = P_load(t) + P_p2g(t) + P_cc(t) + P_ch(t) + P_sell(t)

其中P_wt是火电出力，P_garbage是垃圾焚烧出力，P_gt是燃气轮机出力，P_dis/P_ch是储能放电/充电功率，P_buy/P_sell是购售电功率，P_p2g是电解槽耗电，P_cc是碳捕集能耗。这条等式写进任何求解器时建议保留双侧变量，而不是把售电合并到购电里，方便后续看结果时单独统计购售电收益。

储能和储气的时序耦合约束特别容易出问题。电储能的SOC方程和储氢罐/储气罐的储量递推方程本质上都是“水库约束”，必须加入终值条件。很多初学者只写了初始储量，忘了设置调度期末储量等于或大于初始值，跑出来的结果会在最后一个时段把储能放空、把储氢全部耗尽，看起来一天成本很低，实际根本不能滚动运行。我习惯统一加：S(0)给定、S(T) ≥ S(0)，这样调度结果才是可循环的。

燃气轮机这道环节通常被当成普通火电机组建模，但对于P2G系统它的价值在于把“气”重新转化回“电”，相当于一个可灵活调节的放电侧Buffer。如果模型里只让P2G产气外售而不允许内部燃气机组利用，P2G的削峰填谷价值就少了一半。这一点在算例里我会专门做一个时段分析。

3. 电转气协同为什么能同时压低碳排放和运行成本

3.1 CO2来源与去向：碳捕集给P2G提供“原料”

单独做碳捕集调度时，捕集下来的CO2通常假设压缩封存，这会产生额外的压缩耗电和封存成本。把P2G引进来之后，CO2的“最终出路”从封存变成了资源化利用——送到甲烷化反应器参与合成天然气。这在目标函数里的直接效果是：原本要计入封存成本的CO2，现在变成了可以产生售气收入的原料。一减一增，经济账立刻不一样。

同时，碳捕集系统的运行约束也因为P2G的存在而放松了：以前如果火电白天高负荷，捕集系统必须高负荷运行，否则碳排放超标；现在CO2需求侧多了一个灵活调节的甲烷化环节，甲烷化单元的运行速率跟着电解槽的产氢量走，捕集下来的CO2即使暂时用不完，也可以先存进CO2缓冲罐（模型里我给它设置了储罐容量），等待夜间电解槽满负荷制氢再去甲烷化。时间维度上的错峰匹配，是“协同”两个字的核心。

3.2 低谷电力时移与气网替代：P2G的空间套利逻辑

电网的分时电价结构让P2G天然具备套利空间：夜间风电大发、电网负荷低谷、电价便宜，电解槽在这段时间满负荷制氢；白天电价高，甲烷化利用之前储存的氢气合成天然气，一部分卖给气网，一部分给燃气轮机顶峰发电。本质上是把“低谷电能”转化成了“高峰气能/电能”，跨越了电、气两个能源网络。

在气象条件剧烈变化的场景里，这个套利逻辑会更突出。比如后半夜风电出力超过负荷需求时，如果没有P2G，唯一的应对手段是弃风；有了P2G，弃风电量转为氢气和甲烷储存起来，次日傍晚负荷高峰时段燃气轮机再发出来，相当于用两个小时的弃风电量平抑了傍晚两个小时的供电压力。这才是电转气协同在调度层面的真实价值——它不是一个节能噱头，而是一个时间维度上的能量搬运工。

3.3 垃圾焚烧的角色：稳定碳源与基础电源

垃圾焚烧电站在这个系统里的定位非常特殊。它的出力曲线不像火电那样可以大幅灵活调节，因为垃圾进料量基本由城市固废产生节奏决定，不可能为了配合电价随意增减。但它有一个优点：可预测性好，垃圾处理量在日尺度上相对稳定。

正因为这个特点，我在模型里把垃圾焚烧电站当作“基础碳源”使用：它的烟气即使不做专门捕集，其CO2排放量也在一定程度上是确定的；如果给它配上小型捕集装置，垃圾焚烧烟气可以作为碳捕集的补充碳源，弥补火电低出力时段CO2供应不足的问题。算例测试中我发现，垃圾焚烧烟气中CO2浓度虽然比火电烟气低，但P2G对CO2来源并没有浓度上的硬性要求，因此把它作为碳源补充是完全可行的。这相当于给虚拟电厂增加了一个“全天候碳源”，显著提高了甲烷化单元的利用率。

4. Matlab + Yalmip + Gurobi 求解：从公式到代码的实现要点

4.1 为什么是MILP而不是纯线性规划

模型里天然存在两类决策变量：连续变量（机组出力、捕集量、储罐储量）和整数变量（机组启停、碳捕集系统是否运行、P2G是否处于制氢模式）。只要引入一个启停状态变量，模型就从LP变成了MILP（混合整数线性规划）。有一些人问能不能放松整数变量变成纯LP来加速求解，我的答案是：可以用于初筛，但结果可信度低。

以碳捕集系统为例，烟气分流比r(t)虽然可以在0~1之间连续取值，但吸收塔有最小稳定运行负荷。如果不加二进制变量，优化器可能给出r(t)=0.02这种物理上跑不起来的解。加了0-1变量x_cc(t)之后，约束变成：r(t) ≥ r_min × x_cc(t)，同时r(t) ≤ r_max × x_cc(t)，这样x_cc=0时捕集系统停运、分流比强制为0，x_cc=1时才能进入正常捕集区间。代价是二进制变量数量倍增，但换来的是结果在工程意义上的可执行性。

4.2 决策变量定义与Yalmip建模骨架

整个模型用Matlab R2023b + Yalmip + Gurobi 10.0完成。环境配置方面要注意：Yalmip对新版Matlab的兼容性需要检查，Gurobi的license配置好之后，建议先在Matlab里跑一个随机LP测试是否能正常调用求解器，再开始建模，避免把问题混杂在一起排查。

变量声明部分，我的习惯是按设备分段命名，后续调试看结果时非常方便。核心代码骨架如下：

T = 24; % 火电机组 P_wt = sdpvar(1, T); % 火电出力 MW u_wt = binvar(1, T); % 火电启停 0/1 % 碳捕集系统 r_cc = sdpvar(1, T); % 烟气分流比 0~1 x_cc = binvar(1, T); % 碳捕集启停 0/1 Q_cc = sdpvar(1, T); % 捕集CO2速率 t/h P_cc = sdpvar(1, T); % 捕集能耗 MW % P2G系统 P_elz = sdpvar(1, T); % 电解槽耗电 MW H_elz = sdpvar(1, T); % 产氢速率 kg/h H_meth = sdpvar(1, T); % 甲烷化耗氢速率 kg/h M_ch4 = sdpvar(1, T); % 产甲烷速率 kg/h S_h2 = sdpvar(1, T+1); % 储氢罐储量 kg S_co2 = sdpvar(1, T+1); % CO2缓冲罐储量 t % 储能系统 P_ch = sdpvar(1, T); P_dis = sdpvar(1, T); S_bat = sdpvar(1, T+1);

sdpvar是Yalmip声明连续变量，binvar声明0-1变量，T+1维度的储量变量是为了写入初值和终值条件方便。注意储量变量一定要多开一维，否则时序递推公式里S(t+1)会越界，尤其当你用循环写约束时，这个细节能节省半小时调试时间。

4.3 非线性项的线性化处理：两个关键技巧

模型里有两个地方最初看起来是非线性表达式，但都可以漂亮地线性化，这是整个建模过程中最有意思的部分。

第一个是碳捕集量与分流比、机组出力之间的乘积关系。如果直接写 Q_cc = η × r(t) × E_rate(P_wt(t))，因为r(t)和P_wt(t)都是变量，这就是二次项，MILP没法直接处理。我的做法是先把“烟气产生速率”写成出力的一次函数：E_rate(t) = e_wt × P_wt(t)，其中e_wt是排放因子，单位t/MWh。然后把Q_cc(t)定义为一个独立的连续变量，用一组约束限制它：

Q_cc = sdpvar(1, T); for t = 1:T Q_cc(t) <= e_wt * P_wt(t) * r_max * x_cc(t); Q_cc(t) <= e_wt * P_wt(t) - e_wt * P_wt(t) * r_min * (1-x_cc(t)); Q_cc(t) >= 0; end

这个技巧的本质是“用上下限包络替代乘法关系”，也就是Big-M思想的变体。x_cc=1时，Q_cc被夹在[ e_wt·P_wt·r_min, e_wt·P_wt·r_max ]之间；x_cc=0时，Q_cc被钳制为0。

第二个是售购电不能同时发生。如果不加约束，优化器有可能在同一时段既买电又卖电，从模型角度看不算错，但在实际运行中完全没意义。用一组互补约束可以避免：

u_trade = binvar(1, T); P_buy <= P_buy_max * u_trade; P_sell <= P_sell_max * (1 - u_trade);

这个二进制变量u_trade就是“购电状态标志位”，它让模型在每个时段只能选择一种交易方向。虽然多用了24个整数变量，但对求解速度和结果可信度的提升是值得的。

4.4 求解器参数与性能调优

Yalmip调用Gurobi常规配置如下：

options = sdpsettings('solver', 'gurobi', 'verbose', 2, 'gurobi.MIPGap', 0.001); optimize(constraints, Objective, options);

MIPGap设为0.001的含义是允许最优性间隙千分之一，对日调度模型已经完全够用。盲目的低gap设定只会增加求解时间，却换不来有意义的精度提升。

一个实用的性能调优建议：先注释掉所有整数变量（把binvar改成sdpvar），跑一次纯LP松弛，确认目标值和约束都可行之后，再逐步恢复整数变量。这样可以在几分钟内定位约束写错的时段，而不是在MILP里面对求解器的千行警告一筹莫展。我第一次跑这套模型时，就是靠这个方法查出储氢罐递推约束的初值索引写错了。

24时段、约400个整数变量、3000多个约束的模型，Gurobi求解时间在10秒到2分钟左右。如果超过5分钟还没出最优解，大概率不是性能问题，而是约束里写了矛盾条件，导致分支定界一直在无效区域里搜索。

5. 24小时算例实测：三种场景的成本、碳排与弃风率对比

5.1 算例边界条件与基础数据

为了让结果可复现，我给出算例的主要边界条件。调度周期为24小时，时间步长1小时。虚拟电厂内部设备参数如下：

外部条件：分时电价低谷0.25元/kWh、平段0.55元/kWh、高峰0.95元/kWh，碳价200元/吨CO2，弃风惩罚500元/MWh，垃圾处理补贴100元/吨。这些数据参考了典型工程文献的量级，具体数值可以根据地区调整。

5.2 三个场景怎么设置

场景一：基准场景，虚拟电厂不含碳捕集、不含P2G，只有火电、垃圾焚烧、风电和储能，对应目前大多数虚拟电厂示范项目的常规配置。

场景二：加入碳捕集系统，但不接P2G，捕集后的CO2直接压缩封存（封存成本计入碳交易价格之外的处理费用）。

场景三：完整系统，碳捕集、垃圾焚烧、P2G全耦合，CO2缓冲罐和储氢罐都参与调度。

三个场景使用完全相同的负荷曲线、风电出力曲线和电价曲线。这样对比出来的差异才能归因于系统结构本身，而不是外部边界条件。

5.3 结果对比：从数字看协同收益

三个场景的日调度结果汇总如下：

场景一比场景二成本高，因为场景二虽然增加了碳捕集设备的耗电和运维成本，但碳排放量大幅下降，在200元/吨碳价下省下的碳交易费用抵消了增加的运行成本还有富余。场景三进一步降低2.4万元成本，主要来自两块：一是P2G把低谷弃风变成天然气，获得了2.4万元售气收入；二是替代了部分外购天然气和高峰购电，把原本流向电网公司的钱截流在了虚拟电厂内部。

碳排放从场景一的486吨降到场景三的159吨，降幅67%。值得注意，场景三比场景二还少了60吨——这60吨不是靠提高碳捕集率压下来的，而是P2G甲烷化把CO2转化成了甲烷产品，系统对外直接排放量自然下降了。这种“捕集后回收利用”带来的减排效果，是P2G协同在碳排放指标上最直接的体现。

5.4 典型时段的调度行为解读

看调度曲线能发现很多有趣的行为模式，我挑三个典型时段说明。

凌晨2点至5点：风电大发、负荷走低，场景一只能通过储能充电和火电深度调峰来勉强维持，仍有12.6%的风电被弃掉。场景三里电解槽在这几个时段满负荷吃电，把30 MW的弃风变成了氢气，P2G成为夜间最重要的“消纳海绵”。储氢罐在4点左右达到最高储量，为白天甲烷化提供原料储备。

上午9点至12点：电价进入平段，电解槽功率降下来，甲烷化单元把夜间存的氢气逐步转化为甲烷。此时碳捕集系统保持高捕集率，CO2缓冲罐开始释放库存，给甲烷化提供稳定碳源。火电在这个时段承担基础负荷，捕集能耗和碳交易成本同步被P2G的原料需求对冲了一部分。

傍晚18点至21点：电价进入高峰段，燃气轮机把储气罐里的甲烷重新转化为电力，顶峰发电，减少高价购电。这个“气—电”转化在场景三里相当于给虚拟电厂加装了一个4小时容量的灵活电源，而且燃料成本已经在夜间低谷时段用低价电支付过了。

这套调度行为说明P2G不是简单地多了一个负荷，而是让虚拟电厂的运行模式从“只能调电”变成了“电、氢、气、碳四介质联合调度”。

6. 复现过程中最值得注意的坑与处理经验

6.1 量纲单位不一致导致的结果异常

这是我踩过的第一个大坑。碳捕集能耗λ的单位是kWh/kg，捕集量Q_cc的常用单位是t/h，而功率平衡方程里需要的P_cc单位是MW。如果直接把λ × Q_cc放进功率平衡约束，数值会差出近1000倍，优化结果会变得完全失控——捕集能耗要么被忽略不计，要么大得荒谬。

正确的转换逻辑是：1 t/h = 1000 kg/h，P_cc(MW) = λ(kWh/kg) × Q_cc(t/h) × 1000 / 1000 = λ × Q_cc(t/h)。也就是说，只要都用“每小时的量”来算，kWh/kg和MW·h/t之间的换算系数正好抵消一大部分，但前提是把t换算成kg这一步必须做。我建议建模前把所有单位统一写在注释里，尤其是质量流（t/h、kg/h）、能量流（MW、MWh）、价格（元/MWh、元/t）三类，避免后期追查。

6.2 碳捕集能耗被重复计入功率平衡

第二个高频问题出现在“厂用电”的处理上。碳捕集系统的再生塔需要蒸汽热耗，如果折算成电耗后，又在火电机组自身的厂用电率里二次扣除一遍，功率平衡就会算重，最终结果会在碳捕集系统运行时出现“凭空多出来的电量”，导致优化器过度偏好碳捕集。我最终的方案是：火电的厂用电率先扣除常规厂用电，碳捕集能耗作为独立负荷列入功率平衡方程，在全系统层面统一结算。这样才能保证“捕集行为确实消耗了电能”的经济信号不被扭曲。

6.3 整数变量过多导致求解时间失控

初版模型我给每个设备都加了运转模式标志位：火电启停、碳捕集启停、电解槽启停、甲烷化启停、储罐充放状态、购售电方向……加起来超过600个二进制变量，求解时间一下冲到20分钟以上。后来做了一次“变量瘦身”，只保留真正需要0-1语义的决策，连续区间内的运行模式全部留给线性不等式约束去表达，二进制变量从600降到400出头，求解时间回到分钟以内。经验是：如果某个0-1变量对应的只是“出力大一点小一点”的差别，而不是“开/关”的本质切换，就先不要引入整数变量。

6.4 从24小时向8760小时扩展的取舍

日调度模型做顺之后，自然想扩展到全年8760小时做更长时间尺度的分析。坦白说，直接把MILP模型扩到8760时段，Gurobi基本跑不动。我实践的方案是：用滚动调度框架，按72小时窗口滚动前进，每次只优化24小时内的整数变量，窗口外的设备参数用简化连续模型近似。另外，把P2G和碳捕集的启停决策从逐时段整数变量改成“日级模式变量”——比如一天内最多允许1次启停切换，这样整数变量数量按数量级下降，8760小时模型在半小时内可以收敛到可接受gap。这种简化牺牲了一些逐时段的精细度，但换来的是对全年运行策略、碳交易履约成本等问题的宏观把控能力。具体取舍取决于研究目标：如果重点看日内协同，用完整MILP；如果重点看年度成本和减排趋势，用滚动+MILP的混合方案。

把碳捕集、垃圾焚烧和电转气放进同一个调度模型里，最直观的感受是“代价”和“收益”的计算口径变了。碳捕集不再只是一笔成本开支，它产出的CO2会成为P2G的原料；P2G不再只是负荷侧的耗电大户，它在低谷时段买的每一度电，都可能变成晚高峰的天然气或顶峰电；垃圾焚烧电站也不再只是处理垃圾的环保设施，它稳定的烟气排放恰恰是整条碳循环里最可靠的源头。这三者之间的配合关系，比任何单一设备扩容都更能说明虚拟电厂的调度价值。我建议想在这条路上继续深入的朋友，下一步可以考虑给黑箱模型加详细的P2G设备启停约束，或者把气网管网约束也纳入进来，那又是完全不同的风景了。