企业官网建设流程全解析

1. 先把问题说清楚：CCHP调度到底在优化什么

最近我接手了一个园区综合能源系统的优化调度模拟项目，系统里包含燃气轮机、余热回收、吸收式制冷、电制冷、燃气锅炉，外加蓄电池和蓄热槽，典型的一套冷热电联供（CCHP）配置。目标很明确：在满足电、热、冷三类负荷的前提下，把一天的运行成本压到最低。一开始我按习惯上了遗传算法，后来换成粒子群，最后真正跑顺的反而是很多人不太在意的POA算法——渐进优化算法，英文全称 Progressive Optimality Algorithm。这篇博文把POA怎么用来解CCHP调度、MATLAB代码框架怎么搭、中间踩了哪些坑，一次讲清楚。

先说结论：POA这套算法在电力系统里其实早就有应用，尤其是梯级水电调度，几乎属于经典方法。但把它搬到冷热电联供系统里的人不算多。我试过之后发现，CCHP这种“多设备、强耦合、含储能、分时电价”的场景，恰恰是POA的舒适区。它不需要像动态规划那样把状态变量离散到爆炸，也不像遗传算法那样跑一次一个样、让人没法跟领导解释结果为什么每次都不同。只要模型写对、初值给得合理，POA的收敛结果是稳定可复现的，这一点在工程交付里非常重要。

1.1 冷热电联供系统里到底有哪些决策要做

CCHP系统的核心逻辑是“能量梯级利用”：燃气轮机烧天然气发电，发电后的高温烟气不扔掉，进余热锅炉回收变成蒸汽或热水，这部分热能再去驱动吸收式制冷机吹出冷风，或者直接供热。这样一来，一套系统同时产出电、热、冷三种能量，综合能源利用率可以做到70%到85%，比单独发电高出一大截。

但问题也出在这个“同时产出”上。电负荷、热负荷、冷负荷的变化规律不一样，设备之间又有强耦合，比如燃气轮机发多少电，就会连带产生多少可利用的余热；吸收式制冷机用多少热，又会反过来挤占供热能力。再加上分时电价的影响，白天电价高，你可能希望多开燃气轮机、少买电；晚上电价低，你又想让蓄电池充电、把燃气轮机压到最低。这里面的决策变量包括每个时段的燃气轮机出力、燃气锅炉出力、吸收式制冷量、电制冷量、蓄电池充放电功率、蓄热槽充放热功率，林林总总算下来，一个24时段的调度问题，决策变量轻松超过100个。

而且这个系统不是拍脑袋定的，它必须满足三条硬约束：电功率平衡、热功率平衡、冷功率平衡。储能设备还额外带来时序耦合——这一小时充了多少电，直接影响下一小时能放多少电，蓄电池的荷电状态（SOC）是一条贯穿全天的链条，不能只看单时段。这就是为什么这类问题不能简单地“每个时段独立优化”，必须放在一个完整的时间轴上整体求解。

1.2 为什么我没选动态规划、也没选遗传算法

最开始我试图用动态规划（DP）来做。DP在理论上是最优的，但它的痛点非常现实：状态变量每增加一个维度，状态数量就指数级膨胀。CCHP系统里至少有蓄电池SOC、蓄热槽SOC两个储能状态，每个状态离散成100个点，组合起来就是100乘100等于一万个状态，再乘以24个时段，每个状态还要做一次设备组合优化，算到后面内存和时间都吃不消。想要精度更高，离散点数加多，直接算不动。

遗传算法和粒子群这类智能算法我也跑了。它们的好处是能处理非凸、非线性目标，不用求梯度；但问题是结果有随机性，每次运行成本可能差1%到2%，调参还极其玄学，种群大小、交叉概率、变异概率随便动一下，收敛曲线就换一副面孔。更麻烦的是，工程上你很难判断算法到底是收敛到了好的解，还是碰巧撞了一个好结果。我在模拟项目X里跑了20次遗传算法，最好和最差之间能差出将近5%的成本，这对一个以“降本”为卖点的系统来说，决策风险太大了。

POA的思路则完全不同。它把一整个N时段优化问题拆成N减1个“两阶段子问题”，每次只优化相邻两个时段的决策，其他时段全部固定。听着简单，但它有理论依据：基于Bellman最优性原理，一条最优决策轨迹的任何子轨迹相对其端点来说也是最优的。所以固定前后端点、反复扫描相邻时段，就能逐步逼近全局最优。这个算法不需要离散状态、不需要求梯度、不依赖随机数种子，收敛稳定，内存开销也小。

1.3 POA在CCHP场景下的整体求解思路

具体到CCHP调度，我把每个时段的设备出力组合定义为决策变量，把蓄电池SOC和蓄热槽SOC作为跨时段状态量。POA的流程分三层：

• 外层是迭代循环，从初始轨迹出发，反复执行“从第1时段扫到第N时段”的扫描过程；
• 中层是两阶段子问题求解。对任意相邻时段t和t+1，固定其他时段的决策，只调整这两个时段的设备出力和储能功率，用非线性规划求解器做局部优化；
• 内层是状态更新，子问题解完后，更新该时段的SOC和下一时段的起始SOC，再进入下一对相邻时段。

一个关键细节是：每次子问题里，两端的状态边界要取“上一轮扫描得到的值”，不是当前轮已经更新过的值。如果顺序更新时不加区分，误差会从第一对时段一路传导到最后一对，导致目标函数不降反升。这个问题我一开始没注意，结果POA迭代了好几十轮还在振荡，最后把状态传递逻辑改成“先全部读旧值、解完再统一写新值”才稳定下来。

2. MATLAB代码框架与参数准备：从数据到求解器

代码不是一上来就写求解器的。我个人的习惯是先把系统参数、负荷曲线、能源价格整理成结构体，再写目标函数和约束，最后才碰POA循环。顺序反了的话，后面改一个参数就要翻半天代码，非常痛苦。

2.1 设备参数、负荷曲线与分时电价准备

我用的是24个时段，每时段1小时。如果要跑96点（每15分钟一个点），模型结构不用大改，只要把数组维度从24改成96，再把爬坡约束的时间尺度换算一下就行。下面这张表是我在模拟项目X里用到的参数，单位统一为kW和kW·h，供参考：

负荷数据我用的是夏季典型日的曲线：电负荷白天高、晚上低，冷负荷在下午两三点冲到峰值，热负荷主要是生活热水，相对平稳。分时电价采用常见的峰平谷三段：峰时段8点到11点、18点到21点，电价1.2元/kW·h；平时段11点到18点、21点到23点，电价0.7元/kW·h；谷时段23点到次日8点，电价0.4元/kW·h。天然气价格固定为2.6元/立方米，折算成单位热值成本后参与目标函数计算。

这里有个容易踩的坑：蓄电池和蓄热槽的SOC初值由我手动指定，但一天结束后的终值不能随意。工程上通常要求一天结束回到初始SOC（比如0.5），保证第二天调度可以连续运行。这个“终端SOC约束”必须在模型的约束函数里显式写出来，否则优化结果会让储能设备在最后几个时段疯狂放电，把SOC榨干，第二天直接没法用。

2.2 代码模块划分与关键数据结构

我的MATLAB工程目录不复杂，坑都在每个文件内部。整体分四个模块：

• data_par.m：定义设备参数、负荷、电价、气价，统一放到一个结构体par里；
• obj_fun.m：目标函数，输入是决策变量矩阵和参数结构体，输出是全天运行总成本；
• cons_fun.m：约束函数，包括等式平衡约束和不等式容量约束，输出给非线性规划求解器；
• poa_main.m：POA主循环，负责初始化轨迹、调用子问题求解、判断收敛、输出结果。

决策变量我用一个二维矩阵X表示，行数等于时段数24，列数等于每个时段的决策变量个数。具体列的顺序我固定为：燃气轮机出力、燃气锅炉出力、吸收式制冷功率、电制冷功率、蓄电池充电功率、蓄电池放电功率、蓄热槽充热功率、蓄热槽放热功率。列顺序一旦定了，后面所有函数都按这个约定索引，别换来换去。

实际编码中我强烈建议把所有功率统一归一到基准值，比如以100kW为基准，或者以燃气轮机额定功率为基准。我自己最开始没归一化，燃气轮机出力是几百kW、成本是几万元、效率是0.3，几个数量级完全不一样的东西一起进优化器，结果fmincon一直在原地打转，目标函数下降极慢。归一化之后，所有变量基本都在0到1的范围内，求解器的数值稳定性好很多。

2.3 初始轨迹的生成方式

POA属于局部寻优算法，初始轨迹会给定的好，收敛就快，结果也更优；给得差，虽然也能收敛，但有可能落在一个不太好的局部解。所以我不建议随机初始化，更推荐用工程启发式方法生成两个候选初始解，跑一遍取成本低的那条。

第一种是“电跟随”策略：燃气轮机按电负荷的某个比例出力，余热全部回收，优先满足热负荷，不够的部分用燃气锅炉补，冷负荷先让吸收式制冷机吃余热，不足再用电制冷。

第二种是“热跟随”策略：燃气轮机按热负荷反推出力，发出的电不够就用购电补，冷负荷仍然先吸收式后电制冷。

两种策略都有道理，但成本差异不小。在模拟项目X的夏季典型日里，电跟随初始解对应的全天运行成本大约是7900元，热跟随大约是8100元，最后POA用更好的那条初始轨迹起跑，迭代次数明显更少。代码里就是把这两种策略各写一个30行的循环，生成两条初始轨迹，选目标函数值更小的作为启动轨迹。

3. POA求解CCHP的核心代码逐段拆解

这一部分是文章的重点。我不会贴整份工程代码，那样篇幅太长也不利于理解，但会把目标函数、约束、子问题求解、主循环这几块最核心的代码框架拿出来逐行解释。你能看明白这个框架，在自己的项目里改参数就能直接复现。

3.1 目标函数与约束的MATLAB实现

目标函数的物理含义是全天运行总成本，我把它拆成四块：燃气费用、购电费用（减去售电收入）、设备维护费用、储能折旧折算。总表达式写成：

function J = obj_fun(X, par) N = par.N; % 时段数 Pgt = X(:,1); % 燃气轮机出力 Pgb = X(:,2); % 燃气锅炉热出力 Pac = X(:,3); % 吸收式制冷功率 Pec = X(:,4); % 电制冷功率 Pch = X(:,5); % 蓄电池充电功率 Pdis = X(:,6); % 蓄电池放电功率 Qch = X(:,7); % 蓄热槽充热功率 Qdis = X(:,8); % 蓄热槽放热功率 % 燃气轮机耗气量：与电出力和热电比有关 gas_gt = Pgt ./ par.eta_gt; % 单位：kW 天然气热量 % 燃气锅炉耗气量 gas_gb = Pgb ./ par.eta_gb; % 燃料成本 fuel_cost = sum(gas_gt + gas_gb) * par.gas_price; % 购电成本（假设不能向电网售电，简化处理） Pbuy = max(0, par.Pload - Pgt - Pdis + Pec + Pch); buy_cost = sum(Pbuy .* par.elec_price); % 维护成本：按出力线性折算 om_cost = sum(Pgt) * par.om_gt + sum(Pgb) * par.om_gb + ... sum(Pac) * par.om_ac + sum(Pec) * par.om_ec; % 储能折旧：按充放电量折算，延长寿命 bat_cost = sum(Pch + Pdis) * par.om_bat; tank_cost = sum(Qch + Qdis) * par.om_tank; J = fuel_cost + buy_cost + om_cost + bat_cost + tank_cost; end

这里有几个要点。第一，购电功率Pbuy我写成max(0, ...)的形式，相当于默认系统不向电网倒送电。如果你的项目里允许余电上网，就要额外加一个售电变量和售电收益项，去点max改成等式约束。第二，维护成本和储能折旧不在物理平衡约束里体现，直接体现在目标函数中，让优化器自动权衡“多用设备省钱”和“过度损耗设备多掏维护费”这两件事。

约束函数重点处理三类约束。第一类是功率平衡等式约束，典型写法如下：

function [c, ceq] = cons_fun(X, par) N = par.N; Pgt = X(:,1); Pgb = X(:,2); Pac = X(:,3); Pec = X(:,4); Pch = X(:,5); Pdis = X(:,6); Qch = X(:,7); Qdis = X(:,8); % 电平衡：发电+购电+放电 = 负荷+电制冷+充电 Pbuy = max(0, par.Pload - Pgt - Pdis + Pec + Pch); ceq1 = Pgt + Pdis + Pbuy - par.Pload - Pec - Pch; % 热平衡：余热+锅炉+蓄放热 = 热负荷+供热型吸收式耗热 q_gt = par.hpr * Pgt; % 燃气轮机余热 q_hrsg = q_gt * par.eta_hrsg; ceq2 = q_hrsg + Pgb + Qdis - par.Qload - Qch - Pac / par.cop_ac; % 冷平衡：吸收式+电制冷 = 冷负荷 ceq3 = Pac + Pec - par.Cload; % SOC递推约束：蓄电池 soc_bat = par.soc_bat_init; for t = 1:N soc_bat = soc_bat + (Pch(t)*par.eta_ch - Pdis(t)/par.eta_dis) / par.bat_cap; end ceq4 = soc_bat - par.soc_bat_init; % 终端回到初值 % 不等式约束：设备容量边界、SOC上下限、爬坡约束 c = [...]; ceq = [ceq1; ceq2; ceq3; ceq4]; end

热平衡等式里，吸收式制冷消耗的热量是Pac / par.cop_ac，这个单位换算是新手最容易漏的地方。很多人把吸收式制冷功率Pac直接当成消耗的热功率，实际不对，吸收式制冷机的COP通常是1.2左右，意思是消耗1份热可以产出1.2份冷，所以热消耗是制冷量除以COP。

3.2 POA主循环和两阶段子问题怎么搭

POA主循环的核心思想，是一次只优化两个相邻时段。我把子问题封装在一个函数里，输入是当前轨迹X、时段t、参数par，输出是更新后的第t和第t+1时段决策。

function X = poa_main(X0, par) X = X0; N = par.N; maxIter = par.maxIter; tol = par.tol; J_prev = inf; J_hist = zeros(maxIter, 1); for iter = 1:maxIter for t = 1:N-1 X = solve_subproblem(X, t, par); end J = obj_fun(X, par); J_hist(iter) = J; if abs(J - J_prev) < tol break; end J_prev = J; end end

子问题的实现是重头戏。相邻时段t和t+1的决策变量总共有16个（每个时段8个变量），我把它们从整个轨迹里提出来，调用fmincon求解，解完再放回去。关键点在于，第t时段之前的SOCl状态和第t+2时段之后的状态都要固定为上一轮的值，不能动。这样才符合POA“只动两个端点之间”的原则。

function X = solve_subproblem(X, t, par) n = par.nVar; % 每个时段的决策变量个数 % 提取当前两个时段决策作为初值 x0 = [X(t,:), X(t+1,:)]; lb = [par.lb_t, par.lb_t]; % 两个时段的下界 ub = [par.ub_t, par.ub_t]; % 等式约束函数：第三个参数是固定边界信息 ceq = @(x) sub_cons(x, X, t, par); options = optimoptions('fmincon', 'Algorithm', 'sqp', ... 'MaxIterations', 200, 'MaxFunctionEvaluations', 3000, ... 'OptimalityTolerance', 1e-6, 'Display', 'off'); [xopt, ~] = fmincon(@(x) sub_obj(x, par, t), x0, [], [], [], [], ... lb, ub, ceq, options); % 解回填到轨迹 X(t,:) = xopt(1:n); X(t+1,:) = xopt(n+1:2*n); end

关于sub_obj和sub_cons的实现，我再补充一点：相邻两个时段的子问题目标函数不用重新写一个完整版，直接把两个时段各自的成本项加总就行。约束条件里除了两个时段的功率平衡，还要把储能SOC递推关系写进去，并且固定边界SOC：第t时段的初始SOC等于当前轨迹中第t-1时段算出来的值，第t+1时段的末端SOC等于当前轨迹中第t+2时段起始的SOC。

这里最隐蔽的一个坑是固定边界的“当前值”到底取哪一轮。我在调试过程中发现，如果子问题里用的边界SOC是本轮已经更新过的，整个迭代过程就会出现“追尾巴”效应，目标函数降几轮之后开始震荡。解决方案是在主循环里做一个“影子轨迹”X_old = X，子问题约束里统一读X_old的边界值，解完再更新X。虽然多占了一点内存，但稳定性提升非常明显。

3.3 收敛判据与加速收敛的实用手段

POA的外层迭代不需要跑很多轮，我在24时段模型上通常设定最大迭代次数为30，实际上15到20轮就收敛了。判据用目标函数值相对变化量，小于1e-4就停。有个细节是，第一次迭代的J_prev不能设成inf吗？可以，但建议第一次迭代完成后直接把J_prev = J赋上，同时记录一下初值轨迹的成本，方便对比POA到底降了多少成本。

加速收敛还有一个非常有效的手段：双向扫描。标准POA是从t=1扫到t=N-1，但单向扫描有时会在目标函数比较平坦的区域“卡住”几个轮次。我在主循环里改成一次正向扫描加一次反向扫描，也就是t从1到N-1，再从N-1到1各来一遍，一正一反作为一个外层迭代。实测在同样的容差下，总迭代次数能少个4到6轮。

如果觉得fmincon求解子问题比较慢，可以换个思路：把两个时段的变量用“决策变量离散化+枚举”的方式直接搜索。因为相邻时段只有16个决策变量，你可以在初值附近构造一个网格，枚举几十个候选方案，选目标函数最小的那个。这种方式的好处是稳定、不用调求解器参数，缺点是精度受网格密度限制。我建议先用精细网格跑一遍拿到结果，再用这个结果作为fmincon的初值做一次微调，等于“粗筛+精修”两段式求解，速度和精度都能兼顾。

4. 算例结果、常见问题与调试避坑

模型搭好、代码跑通只是开始，真正花时间的是看结果、调参数、处理各种“说不上来哪里出错但就是不对”的问题。这一节我把典型结果和一个经常要翻的排查清单都整理出来。

4.1 典型日结果长什么样

在模拟项目X的夏季典型日里，负荷峰值是电负荷820kW、冷负荷600kW、热负荷280kW。分别用规则策略、遗传算法、POA求解，全天总成本如下（模拟数据，仅供对比趋势）：

POA跑出来的设备运行规律也符合直觉：白天电价高、冷负荷大，燃气轮机基本顶着额定功率运行，发电满足电负荷后，余热优先喂给吸收式制冷机；下午冷负荷峰值时段，电制冷机会补上一部分缺口，因为此时燃气轮机的余热已经用满了。蓄电池在凌晨谷电时段充电，上午峰电价时段放电，下午再充再放做一次峰谷套利。蓄热槽则更像一个“热缓冲池”，燃气轮机余热多的时候先把热存在槽里，晚上热负荷高的时候再放出来。

收敛曲线方面，POA前5轮成本下降最快，大概能降掉总降幅的80%；之后是缓慢修正，从第二轮到第18轮累计只降了不到1%。这就提示我们，如果只做工程估算，跑个8轮就停也能接受；但如果做正式方案比选，建议还是跑到完整收敛，反正也就几秒钟的事。

4.2 常见问题排查速查表

我把自己调试过程中遇到的高频问题整理成了一张表，按症状、原因、解决办法三列排列。

其中“量纲混了”是我见过最隐蔽的问题。冷负荷单位是kW，但吸收式制冷消耗的热量是Pac/cop_ac，电制冷消耗的电量是Pec/cop_ec，如果不除以COP，冷平衡表面看起来凑得上，实际在热平衡和电平衡里就会多出一块说不清的能量。排查的时候我习惯把约束残差单独打印出来，对每个时段看电、热、冷三条残差曲线，哪条不平整就去查哪个平衡式。

4.3 几条独家调试经验

最后分享几条从实战里总结出来的经验，都不是能直接搜到的内容。

第一，fmincon的算法设置建议用sqp而不是interior-point。内点法在变量边界接近约束边界时偶尔会卡在可行域内部，导致SOC进不了高位区间；SQP处理这类边界约束更直接，收敛更干净。当然这不是绝对的，但我在两个不同配置的CCHP模型上都观察到类似现象。

第二，罚函数的系数不是越大越好，但要保证等式约束的残差在最终解里落到一个很小的量级。我自己习惯的做法是先在目标函数里不带罚项跑一次，看约束残差水平；再把罚系数从1e3起步翻倍往上试，找到“约束残差降低速度明显放缓”的那个拐点。这个拐点附近的系数通常就是比较合适的值。

第三，把24点扩展到96点时，不要直接改维度就开跑。我吃过这个亏：第一次扩到96点，运行时间直接翻了不止4倍，因为fmincon在每个子问题里的函数评估次数没有跟着时段长度缩放。后来我把子问题里的MaxFunctionEvaluations从3000降到1500，外层POA容差从1e-4放宽到5e-4，求解时间降了一半多，结果质量差别小于0.3%，完全可以接受。说白了，工程上不是每个环节都要追求数学意义上的最优，够用就行。

第四，结果出来后一定要画一张“全设备出力堆叠图”，而不是只看成本数字。堆叠图把燃气轮机、购电、蓄电池放电、蓄热槽放热按顺序叠起来，和负荷曲线放在一起看，能在五秒钟内发现“电负荷曲线有个尖峰但蓄电池在那个时段恰好放不出电”这类潜在问题。我曾经就对着一张堆叠图发现了蓄热槽容量差200kW·h导致凌晨热负荷缺口，改完参数成本又降了1.2%。

我个人做完这个项目，最大的体会是：POA算法在冷热电联供调度里属于“上限不算惊艳，但下限非常高”的方案。它不像遗传算法那样能给你一种“正在全局搜索”的幻觉，也不像动态规划那样让你盯着状态网格数量发愁。它的优势就是稳定、可复现、可解释，而且对工程落地的人来说，这三条比“理论最优”重要得多。最后再分享一个小技巧：如果你后续想把单目标扩展成“成本加碳排放”的双目标，不需要推翻POA框架，只要把目标函数里的成本项换成加权和就行，外层迭代逻辑完全不用动。这个算法框架的扩展性，是我当初选择它的时候没预料到的惊喜。