简介新能源制氢系统多时间尺度优化调度策略研究复现资源以孤岛与并网两类场景为主线系统讲解日前改进雷达图优化、日内MPC功率跟踪以及价格型、替代型、激励型电-氢综合需求响应模型适合科研人员、工程师与技术专家用于算法实现、参数整定和工程方案评估。资源为单个PDF文件大小792KB内含完整的Python建模代码、参数注释和运行说明风力发电、光伏发电、电池储能及电解槽集群等关键模型均给出可运行实现结构与注释便于直接研读和二次开发。已有127人学习下载。通过该PDF可掌握多时间尺度调度框架的设计思路、需求响应机制与MPC参数整定方法理解不同场景下提升新能源消纳率、降低运行成本、平抑源荷功率波动的实现路径为新型电力系统氢能调度研究提供实用参考。1. 新能源制氢系统多时间尺度优化调度它解决的不只是“今天发多少电”新能源制氢系统的多时间尺度优化调度本质上是在做一件工程界经常头疼的事情把“秒级响应的电池、分钟级爬坡的电解槽、小时级才能调整的储氢和购电计划”放在同一个目标函数下面协同工作。风电光伏的预测误差会随着预测跨度拉长到 20% 以上单靠一个 24 小时日前计划根本压不住实际偏差可如果每一分钟就全局重算一次又会被预测噪声和二进制变量拖到求解困难。常见做法是把调度拆成日前、日内、实时三层各管各的决策粒度再用滚动更新把三层串起来。这篇文章就按这个方向从模型、代码到踩坑点把一套能落地的最小实现讲清楚适合正在做风光氢储项目前期评估、准备写调度模块或者已经跑过单一天优化却不敢直接上现场的工程师。2. 日前、日内、实时三层怎么分工时间尺度背后的物理与经济逻辑2.1 时间尺度怎么拆日前、日内、实时各承担什么任务多时间尺度调度不是把同一个模型缩小窗口重算三遍而是每一层解决的问题不同、决策变量不同、颗粒度也不同。最常见的划分是日前调度Day-ahead以 1 小时为步长覆盖 24 小时。任务是定下电解槽的开停机计划、储氢罐的充放节奏、储能电池的整体电量轨迹以及参与市场交易的购电曲线。这个尺度对应的是电力市场日前出清窗口也是预测误差最大的时段所以要留足裕量。日内滚动Intra-day以 15 分钟为步长覆盖未来 4 到 6 小时。随着风、光、负荷的短时预测更新重新优化一次功率分配核心是把日前定下的设备状态保持住只对功率指令做修正而不是推翻重来。实时调整Real-time以 5 分钟或 1 分钟为周期输入实际测量值做偏差校正。此时不再重新解大规模优化而是用规则或简化模型把电解槽功率、电池充放电指令调回安全区间。三层的时间常数差异很大。锂电可以对秒级波动进行响应电解槽的功率爬坡通常按分钟计而储氢罐和电解槽启停则要按小时看。把这些设备塞进同一个优化问题时如果不按尺度分开二进制启停变量会跟连续功率变量纠缠在一起模型规模和求解时间都会失控。层级时间尺度步长主要决策内容典型约束日前24h1h启停、产氢目标、购电曲线储氢容量、最小运行时间日内4-6h15min功率分配修正爬坡率、SOC边界实时15min-1h1-5min偏差校正、频率支撑功率限幅、设备安全2.2 风光氢储协同的物理基线怎么定设备时间常数差异是核心做协同调度之前先要承认一件事风光氢储里没有一台设备是“想怎么用就怎么用”的。风电和光伏是波动性电源。光伏在午间快速上升、傍晚断崖式下跌风电则可能在一小时内爬坡或掉坡几百MW。对他们的建模关键是预测曲线和实际可用功率上限。调度模型里通常把它们作为不可控的上界允许弃电但弃电要有成本惩罚。电解槽是最难伺候的设备。碱性电解槽的最小负载率一般在 20% 到 40% 之间低于最小负载就得停机热备状态还要消耗少量的待机功率。频繁启停会加速隔膜老化和密封件损耗。所以在日前层必须引入二进制变量记录启停状态并加最小开机/停机时间约束或启停成本否则优化器会为了追每一度便宜的电而让电解槽反复开停。储能电池与储氢罐的互补逻辑不一样。电池能量密度小、功率密度大适合吸收秒分钟级波动储氢罐容量大、但能量转换要走电解-压缩这条路响应慢适合做跨小时的搬移。同步调度里要各自建立SOC递推方程并给末端SOC设置目标或约束否则滚动优化会把未来电量“用光”。2.3 目标函数不只是电价弃电、储损、氢收益都要放进公式很多人第一版目标函数只写“购电成本最小”结果优化器会倾向于全部买电制氢把风光弃掉——因为弃电没有惩罚。这个方向是错的。我常用的目标函数结构是最小化总运行成本 从电网购电成本 弃风弃光惩罚 设备启停成本 运维成本 - 制氢销售收入 - 需求响应补偿每一项都要乘以对应时间步长换算成统一的元/MWh 或元/kg 基准。氢价不是固定常数在日前模型里一般用预测的长期协议价或现货价需求响应补偿则来自电网侧激励信号。目标函数里的权重设置会直接影响结果。弃电惩罚如果设得太低优化器会倾向让新能源闲置设得太高则会让电解槽为了多利用 10 分钟的风光而频繁调整功率影响设备寿命。常见做法是让弃电惩罚高于最低电价、低于电解槽单位制氢成本具体值要靠敏感性分析去扫。3. 最小可复现的调度内核以 24 小时日前 MILP 入门的建模与代码3.1 建模前置预测数据与设备参数怎么定义写调度代码前先把数据契约定清楚。我们假设有一份 CSV 文件包含时间、预测风速出力、预测光伏出力、负荷和电价。时间分辨率统一成 1 小时。读取之后先做清洗和重采样。import pandas as pd import numpy as np # 常见的预测数据导出格式字段分别是 # time, wind_mw, pv_mw, base_load_mw, price_mwh df pd.read_csv(forecast_data.csv, parse_dates[time]) df df.set_index(time).resample(1h).mean().interpolate() wind df[wind_mw].fillna(0).clip(lower0) pv df[pv_mw].fillna(0).clip(lower0) load df[base_load_mw].fillna(0) # 如果其中一列是 Next 价格直接读入不要在优化内部再预测 price df[price_mwh].fillna(0)逻辑说明预测数据的时间索引必须连续缺失段用插值补上如果中间出现两个小时空档优化模型里的功率平衡方程会错位。价格列直接从预测接口或市场公告里读优化模型不再叠加预测模型避免黑匣子套黑匣子。设备参数一般集中放在一个字典里方便在不同算例之间切换。需要包含的参数有电解槽额定功率与最小功率、爬坡限制、能耗转换系数、储能电池容量与SOC边界、储氢罐上限、氢出售价格和弃电惩罚单价。params { el_min: 0.3, # 电解槽最小功率MW el_max: 2.0, # 电解槽额定功率MW el_ramp: 0.5, # 电解槽爬坡速率MW/h h2_coef: 22.5, # 每MWh电对应的制氢量kg/MWh h2_price: 28.0, # 氢气售价元/kg h2_tank_max: 500.0, # 储氢罐容量上限kg batt_cap: 5.0, # 电池容量MWh soc_min: 0.1, # 电池SOC下限 soc_max: 0.9, # 电池SOC上限 batt_ch_max: 1.5, # 最大充电功率MW batt_dis_max: 1.5, # 最大放电功率MW ch_eff: 0.95, # 充电效率 dis_eff: 0.95, # 放电效率 curtail_penalty: 300.0, # 弃风弃光惩罚元/MWh base_load: 0.2, # 厂房固定负荷MW }参数说明h2_coef 由电解槽效率和氢气热值换算得到常见碱性电解槽效率约 70% 以上对应每 MWh 直流电产氢 20 到 25 kg 左右。这个系数是整个调度结果质量的命门最好用现场 24 小时累计产氢量标定而不是看手册值。3.2 日前调度 MILP核心模型与可运行代码这一步的目标是在给定 24 小时预测数据下求出次日各设备的运行计划。我通常用 PuLP 写混合整数线性规划因为模型规模不大、免费求解器足够用而且代码比直接调 Gurobi 更直观。import pulp def day_ahead_schedule(wind, pv, load, price, P): T len(wind) prob pulp.LpProblem(day_ahead_h2, pulp.LpMinimize) # 连续变量 P_buy [pulp.LpVariable(fbuy_{t}, lowBound0) for t in range(T)] P_pvu [pulp.LpVariable(fpvu_{t}, lowBound0) for t in range(T)] P_wu [pulp.LpVariable(fwu_{t}, lowBound0) for t in range(T)] P_el [pulp.LpVariable(fel_{t}, lowBound0) for t in range(T)] P_ch [pulp.LpVariable(fch_{t}, lowBound0) for t in range(T)] P_dis [pulp.LpVariable(fdis_{t}, lowBound0) for t in range(T)] SOC [pulp.LpVariable(fsoc_{t}, lowBoundP[soc_min], upBoundP[soc_max]) for t in range(T1)] H2 [pulp.LpVariable(fh2_{t}, lowBound0, upBoundP[h2_tank_max]) for t in range(T1)] H2p [pulp.LpVariable(fh2p_{t}, lowBound0) for t in range(T)] # 二进制变量电解槽开停机 u_el [pulp.LpVariable(fu_el_{t}, catBinary) for t in range(T)] # 目标函数购电成本 弃电惩罚 - 售氢收入 prob ( pulp.lpSum(price[t] * P_buy[t] for t in range(T)) P[curtail_penalty] * pulp.lpSum((pv[t] - P_pvu[t]) (wind[t] - P_wu[t]) for t in range(T)) - P[h2_price] * pulp.lpSum(H2p[t] for t in range(T)) ) for t in range(T): # 功率平衡 prob P_buy[t] P_pvu[t] P_wu[t] P_dis[t] - P_ch[t] P_el[t] P[base_load] # 新能源出力上限 prob P_pvu[t] pv[t] prob P_wu[t] wind[t] # 电解槽运行范围与爬坡 prob P_el[t] P[el_min] * u_el[t] prob P_el[t] P[el_max] * u_el[t] if t 0: prob P_el[t] - P_el[t-1] P[el_ramp] prob P_el[t-1] - P_el[t] P[el_ramp] # 制氢量与储氢平衡 prob H2p[t] P[h2_coef] * P_el[t] prob H2[t1] H2[t] H2p[t] - 0.0 # 假设无外送消耗 # 电池SOC递推 prob SOC[t1] SOC[t] P[ch_eff] * P_ch[t] - P_dis[t] / P[dis_eff] prob P_ch[t] P[batt_ch_max] prob P_dis[t] P[batt_dis_max] # 终端状态约束保证日末储氢和SOC不低于初始值 prob H2[T] H2[0] prob SOC[T] SOC[0] prob.solve(pulp.PULP_CBC_CMD(msgFalse, gapRel0.01)) print(求解状态, pulp.LpStatus[prob.status]) result { P_buy: [pulp.value(x) for x in P_buy], P_el: [pulp.value(x) for x in P_el], SO C: None, H2: None, } return result逻辑说明功率平衡方程把电网购电、新能源消纳、电池充放电和电解槽功率放在同一边。电池充放电效率都乘到递推式里避免“充 1MW 放 1MW”这种无损循环被优化器白赚。氢方程里假设没有外送消耗实际项目如果有加氢站直供或燃料电池回电要再加一个变量。参数说明gapRel0.01表示允许 1% 的相对最优间隙对工程调度够了。如果问题规模到数百小时可以把 gapRel 放到 0.05求解时间从几分钟降到几十秒。SOC 递推式中的充放电功率单独限幅是为了防止电池同时充电和放电——虽然没有显式互斥变量但因为充放电效率都小于 1目标函数天然不会同时启用。3.3 日内滚动窗口固定启机状态、重新求解日内滚动不是把 T24 改成 T6 就完事。常见做法是保留日前已经定下的电解槽启停状态只把连续功率变量放开否则日内层看到新预测后可能频繁改启停设备受不了。def rolling_update(day_ahead_plan, wind_now, pv_now, price_now, P, window6): T window prob pulp.LpProblem(rolling_h2, pulp.LpMinimize) P_buy [pulp.LpVariable(fbuy_{t}, lowBound0) for t in range(T)] P_el [pulp.LpVariable(fel_{t}, lowBound0, upBoundP[el_max]) for t in range(T)] P_ch [pulp.LpVariable(fch_{t}, lowBound0, upBoundP[batt_ch_max]) for t in range(T)] P_dis [pulp.LpVariable(fdis_{t}, lowBound0, upBoundP[batt_dis_max]) for t in range(T)] SOC [pulp.LpVariable(fsoc_{t}, lowBoundP[soc_min], upBoundP[soc_max]) for t in range(T1)] # 用日前计划的启停决策固定当前窗口内的开关状态 fixed_on day_ahead_plan[u_el][:T] for t in range(T): if fixed_on[t] 0: prob P_el[t] 0 else: prob P_el[t] P[el_min] prob P_buy[t] wind_now[t] pv_now[t] P_dis[t] - P_ch[t] P_el[t] P[base_load] # 末端SOC软约束 prob SOC[T] SOC[0] - 0.05 prob.solve(pulp.PULP_CBC_CMD(msgFalse))逻辑说明日前计划里的 u_el 是一个 24 小时数组滚动窗口只取前 6 个值作为约束。这样日内层只能微调功率大小不能频繁启停设备。末端 SOC 用软约束给优化器留了一点偏差空间避免因为预测突变导致模型无解。参数说明窗口长度 6 小时是我在多数项目里偏好的折中值。太短看不到光伏晚高峰后的趋势太长则预测末段误差重新变大。每隔 1 小时滚动一次比较常见也有系统在光伏快速变化的午间改成 0.5 小时滚动一次。3.4 实时层用规则分配器兜住预测误差实时层不重新求解 MILP而是根据实际偏差做一个最简决策树先保电解槽最小出力再用电池吸收波动最后才调整电解槽功率。def dispatch_real_time(soc, h2_level, pv_actual, wind_actual, plan, P, dt5/60): # plan 是日内层给出的最新功率指令 target_el plan[P_el][0] imbalance (pv_actual wind_actual - plan[P_buy][0] - P[base_load] - target_el) if abs(imbalance) 0.05: return target_el, 0.0 # 电池先吸收偏差 if imbalance 0 and soc P[soc_max]: charge min(imbalance, P[batt_ch_max], (P[soc_max] - soc) * P[batt_cap] / dt) return target_el, charge elif imbalance 0: discharge min(-imbalance, P[batt_dis_max], (soc - P[soc_min]) * P[batt_cap] / dt) return target_el, -discharge # 电池饱和后才按爬坡限幅调整电解槽 new_el target_el imbalance new_el max(P[el_min], min(P[el_max], new_el)) return new_el, 0.0参数说明dt 是实时调度周期。电池能吸收的偏差受两个条件限制一个是瞬时功率上限一个是剩余可充放能量后者是实际项目中最容易漏掉的一个量。SOC 单位是无量纲乘以电池容量后才是 MWh这一步单位换算错了会让电池行为完全失真。4. 让制氢负荷参与需求响应约束怎么写、代码怎么改4.1 需求响应在制氢系统里到底能调什么风光氢储系统的需求响应和普通楼宇空调削峰不太一样。制氢负荷属于可平移、可削减的工业负荷但调整它会影响氢气产量和储氢罐状态所以不能简单“让电解槽降 20% 功率”就完事。可平移负荷的意思是把某几个小时的制氢任务搬到另外几个小时完成。例如午间光伏大发时段多制氢夜间电价低谷时段多制氢早晚高峰时段少制氢。可削减负荷的意思是响应电网削峰指令直接少产氢如果当天产氢任务无法完成就要从外部购氢或增加其他时段产氢量。对调度模型而言平移量必须满足总能量守恒削减量要有补偿单价并且二者都要限制在设备物理可调范围之内。这是需求响应建模里最容易出错的点。4.2 把需求响应写成数学模型平移量与削减量的区别需求响应变量是连续变量单位是 MW。平移量 DR_shift[t] 为正表示该时段多用电为负表示少用电。为了平移不产生额外能量消耗任意时段满足Σ(DR_shift[t] × Δt) 0削减量 DR_cut[t] 只能取非负值并且不超过电网协议里给定的可响应容量。目标函数里要加上削减补偿收入项这样优化器才有动力在某些时段主动少用电。另外不能在功率平衡里直接把 DR_shift 加到再生能源侧。正确做法是把 DR_shift 放到负荷侧让模型自己去匹配新增的购电或新能源消纳需求。4.3 在原有代码上接入需求响应模块的改动清单在原模型基础上增加需求响应需要改动三处变量定义、功率平衡和目标函数。# 在目标函数中新增收入项 prob - pulp.lpSum(dr_price[t] * DR_cut[t] for t in range(T)) # 新增两组变量 DR_shift [pulp.LpVariable(fdr_shift_{t}, lowBound-dr_cap, upBounddr_cap) for t in range(T)] DR_cut [pulp.LpVariable(fdr_cut_{t}, lowBound0, upBounddr_cut_limit[t]) for t in range(T)] # 修改功率平衡方程把平移量放到负荷侧 for t in range(T): prob P_buy[t] P_pvu[t] P_wu[t] P_dis[t] - P_ch[t] \ P_el[t] P[base_load] DR_shift[t] - DR_cut[t] # 平移量能量守恒 prob pulp.lpSum(DR_shift[t] for t in range(T)) 0逻辑说明DR_shift 加了后功率平衡如果不等模型会自动调整购电或电池出力。DR_cut 如果增加右侧负荷变小相当于主动削了一部分用电需求。目标函数里减去补偿收入优化器就会在高电价或电网发出激励信号时优先考虑削减用电。参数说明dr_cut_limit 需要按日前预测的制氢任务来动态计算。如果当天产氢目标已经很高、储氢罐接近满罐削减空间就很大如果储氢罐本来就不满削减可能会导致末端氢量不足模型会自己权衡但前提是目标函数中必须给这种不足留一个惩罚项或约束条件。5. 常见问题排查五个“看起来优化了结果却没法用”的典型工况5.1 滚动窗口SOC漂移最后总能优化出个不存在的电量现象日内滚动跑了三轮之后电池SOC逐渐顶到上界或者跌穿下界仿真结果和实际电站数据对不上。原因滚动窗口只考虑未来 4~6 小时目标函数不会为窗口之外的电量价值买单。如果没有给末端SOC加约束或惩罚项优化器总把电池往“最方便”的方向用。前面代码里写了SOC[T] SOC[0] - 0.05这是最常见的兜底做法。解决在日内滚动里显式读取上一轮窗口的SOC终值作为下一轮初始SOC同时给末端SOC加软约束或目标项。比如把(SOC[T] - SOC_target)^2改成线性惩罚penalty * |SOC[T] - SOC_target|或者直接把末端SOC约束设成初始值附近 5% 的窗口。5.2 电解槽频繁启停经济性最优让设备受不了现象优化结果里电解槽每小时启停一次买电价格低就开机价格高就停机。目标函数看起来很漂亮实际现场运维看一眼直接拒绝执行。原因模型只惩罚了功率费用没有惩罚启停动作本身。尤其当氢价和电价联动时二元变量自由度很大优化器会利用启停来规避低效运行区间。解决给每次开机加固定费用例如“启动成本 500 元/次”在目标函数里写start_cost[t] 500 * (u_el[t] - u_el[t-1])。更稳妥的是加最小运行时间约束比如开机后至少连续运行 4 小时。这两招都可以在 MILP 框架内实现不需要改求解器。5.3 需求响应补偿被优化器“白捡”逻辑冲突现象把需求响应补偿加到目标函数后优化结果每天都在削负荷但产氢量也同时大降制氢协议无法完成。原因DR_shift 平移约束写对了但 DR_cut 削减量没有和产氢目标绑定。削减负荷直接降低电解槽用电如果系统必须满足日初设定的总产氢量模型应当被迫在其他时段补产而不是直接砍产量。解决把总产氢量约束从“软目标”改成“硬约束”Σ H2p[t] H2_demand_total。如果做不到就引入购氢变量或削减量惩罚。这会让优化器在收益与协议之间自行取舍而不是无脑响应电网。5.4 数据拼接出现时间索引错乱模型直接不可行现象跨日预测数据拼接之后模型求解状态是 Infeasible检查约束却发现单条约束都对。原因CSV 文件经过 resample 和 interp 后时间索引有重复或缺失功率平衡方程里的数组长度不一致出现错位。经常是前一天最后 15 分钟一条记录和后一天第一条记录重叠。解决每次读取数据后先做df df[~df.index.duplicated(keeplast)]再 resample 成整点最后校验len(df) 24或对应窗口长度。这个检查放到函数入口比事后排错省一个下午。5.5 数量级差过大的MILP黑匣子求解器结果不稳定现象同样的数据今天解出来的调度曲线和昨天不一样看似是随机波动换了台机器跑结果又变。原因目标函数里价格单位是元/MWh氢量是 kg功率是 MW三者数量级相差三到四个量级。CBC 这类开源求解器在数值条件差时会随机卡在某些节点上结果不稳定。解决所有变量统一归一化。功率用 pu 值或 MW、能源用 MWh、价格统一成元控制最大数量级在 1~1000 之间。如果氢气每公斤价格是 28 元那要把单位改成元/kg功率改成 kW 或 MW让各系数倍数尽量一致。这个步骤是调需求响应和滚动优化之前必须做的“地基工程”千万别偷懒。6. 验证调度方案到底该看哪些指标从离线回测到在线闭环调度方案写完之后第一步不是接现场而是做离线回测。拿一两个月的实际历史风光数据、电价和负荷数据把日前、日内、实时三层模拟跑一遍记录关键指标。最值得对比的指标有四类弃电率弃风弃光量占可用新能源比例、制氢量完成率实际产量与目标产量比值、购电成本节省比例相对不做优化的固定运行策略、电池SOC越界次数。计算这些指标时要注意弃电率必须按“可用新能源总量”算而不是按实际消纳量算否则分母一缩水弃电率看起来会很漂亮。第二步是做对比测试。建议至少跑三个对照组固定运行策略电解槽恒功率、单一日前调度不滚动、多时间尺度滚动调度。只有拿滚动调度和固定策略比才能看出优化的价值只有和单层日前比才能看出多尺度到底多赚了多少钱。这个对比表放到项目汇报里非常有用。第三步是半实物验证。很多项目用历史重放的方式把过去某天的预测数据喂给调度系统再把调度系统输出的指令发给仿真模型或就地控制器观察设备响应是否越限。我自己的习惯是拿到一套新数据先跑一遍确定性日前再跑 10 天连续滚动回测最后才接实时闭环。顺序颠倒十个项目有九个要翻车。这条血泪经验希望帮到你。本文还有配套的精品资源点击获取