我去年在做一个园区综合能源规划项目时，遇到一个很典型的场景：风电场夜间大发，但电网消纳能力有限，弃风率一度接近25%；同一时间，园区里的燃气锅炉还在烧天然气供暖，碳排放压力不小。当时第一反应是“要是能把弃风变成天然气就好了”，这个想法最终演变成一个引入电解槽、甲烷反应器、氢燃料电池三类核心设备，以购能成本、碳排放成本、弃风成本最小为目标的低碳综合能源系统优化调度项目。这篇文章就围绕这套系统的建模、求解和实战展开，适合正在做综合能源系统优化、电氢耦合、P2G方向研究或工程落地的朋友参考。
1. 为什么要把电、氢、气绑在一起优化：项目的出发点
先说清楚这个项目究竟在解决什么问题。风电的“反调峰”特性让电网运行非常头疼——夜里负荷低谷时段，风偏偏刮得最大；省调要求风电场限出力，风电场看着白花花的电量被放弃，只能拿弃风补偿。这种“发出的电卖不掉”的尴尬，本质上是能量在时间和空间上错配。以前大家想的是配储能，但电化学储能的成本摆在那儿，动辄百兆瓦时级的长时储能，多数项目算不过账。
于是有了“电转气”（Power to Gas，P2G）的思路：把弃风电力通过电解槽变成氢气，氢气可以直接储存，也可以进一步和二氧化碳反应生成甲烷，注入天然气管网或供燃气设备使用。这条路径把电网和天然气网连接了起来，等于给电力系统装了一个“可双向调节”的缓冲器。而氢燃料电池的加入，则让氢不仅能变成“气”，还能在需要时变回“电”，形成整个系统内的电力闭环。
这个项目真正的价值在于：它不是把三类设备简单堆在一起，而是要让它们在同一个优化模型里协同运行。电解槽什么时候开、功率多少；氢气是送去甲烷化还是送去燃料电池；储氢罐什么时候充放；购电购气怎么分配——这些决策相互耦合、互相影响。目标函数也不是单看某一项成本，而是把购能成本、碳排放成本、弃风成本放在同一个框架里做多目标协调，最后得出一个全局最优的调度策略。
这套系统适合谁参考？如果你在做高比例可再生能源消纳、低碳园区多能互补、电氢耦合系统规划与调度的研究或工程实践，这个项目的建模思路、约束细节、求解经验和坑点，都能直接迁移到你的场景里。即使你用的是别的设备组合或目标函数，方法论上也完全相通。
2. 三大核心设备的数学模型，怎么建才既准确又算得动
设备建模是整个优化模型的基石。模型建得太粗，结果没有参考价值；建得太细，求解器直接卡死。这个尺度怎么拿捏，是项目成败的关键之一。
2.1 电解槽：效率曲线不是一条直线
电解槽负责把电能转化为氢能。工业上主流有碱性电解槽（AE）和质子交换膜电解槽（PEM），两者在动态响应速度、负荷调节范围、效率曲线上有差异。
在优化调度里，最常见的简化方式是设定一个固定效率。比如某碱性电解槽额定功率5 MW，单位耗电量约4.8 kWh/Nm³氢气，就认为任何时候都按这个效率转化。但这样做会让调度结果偏乐观——实际电解槽在20%负荷率以下基本无法稳定运行，在20%~100%负荷区间，效率也不是恒定值，通常在中高负荷段效率更高。
我建议至少用分段线性化的方式刻画效率曲线。把电解槽的负荷区间分成3~4段，每一段内用一个线性关系描述输入电功率和产氢量之间的关系，这样既能保持MILP（混合整数线性规划）的可解性，又比固定效率准确得多。还需要引入一个二元变量表示启停状态，并限制最小运行功率。
电解槽产氢量的基本公式：
m_H2[t] = eta_EL * P_EL[t] / H_H2 // eta_EL为电解效率，P_EL为输入电功率，H_H2为氢气热值如果用分段线性化处理效率，公式会变成多段线性函数的约束。同时电解槽还应该有爬坡约束，防止模型中功率在两个相邻时段剧烈跳变——实际设备根本承受不了。
2.2 甲烷反应器：化学计量比和转化率都不能拍脑袋
甲烷反应器（甲烷化装置）的核心反应是萨巴蒂埃反应：
CO2 + 4H2 → CH4 + 2H2O，ΔH = -165 kJ/mol这个反应是强放热反应，温度控制很关键。工程上通常采用镍基催化剂，反应温度在250~400°C之间。从化学计量比看，每生成1摩尔甲烷需要4摩尔氢气；但从质量角度算，每产1 kg甲烷大约需要消耗0.5 kg氢气。
转化率是建模时必须考虑的参数。实验室条件下转化率可以做到接近100%，但工程上考虑到反应温度、压力、空速的波动，按85%~95%的转化率建模更稳妥。这里有个常见错误：有人为了模型好看，把转化率设成100%，结果算出来系统需要购买的天然气量偏低，碳减排效果虚高，拿这样的结果去做方案决策会出大问题。
甲烷化装置的输入除了氢气，还需要二氧化碳。实际项目中CO2的来源可以考虑配套碳捕集装置，也可以从外部购买工业副产CO2。这就涉及一个额外的成本项，建议在模型中单独设一个CO2购买价格参数，后面做敏感性分析时也会用到。
2.3 氢燃料电池：别忘了它同时还产热
氢燃料电池在这个系统中比较特殊，它既是电源又是“负荷”——消耗氢气，输出电能和热能。PEMFC电效率大约在40%~60%之间，热电联产模式下综合效率可以超过85%。
建模时电效率按固定值处理基本够用，重要的是别忽略热回收的收益。在园区场景里，燃料电池的余热可以用来供暖或供生活热水，如果只按纯发电建模，会低估燃料电池的经济价值。处理办法有两种：一是把热收益折算进目标函数的收益项；二是把热出力作为约束条件，要求满足一部分热负荷需求。
燃料电池同样需要最小出力限制和爬坡约束，如果天然气是可获取的，也可以用天然气重整制氢给燃料电池供氢，这样系统灵活性更高，但模型复杂度也随之上升。
2.4 建模层次的选择：为什么用MILP而不是MINLP
电解槽效率曲线、燃料电池效率、甲烷化反应放热这些过程本质上是非线性的。理论上，把所有非线性关系都刻画出来，用MINLP（混合整数非线性规划）求解最精确。但工程实践里，MINLP的可解性差、求解时间长、容易陷入局部最优，对运行调度这种需要反复计算不同场景的场景很不友好。
本项目的做法是：把所有非线性关系线性化或分段线性化，保留整数变量表示设备启停，形成MILP模型。成熟商用求解器（如Gurobi、CPLEX）对MILP的求解能力已经非常强大，几万个变量、几万个约束的问题通常能在几秒到几分钟内求解到0.1%的gap以内。这个精度对调度优化完全够用。
这里我补充一个经验：建模型之前先想清楚哪些约束是真正必要的，不要试图还原设备的全部物理特性。比如电解槽的温度动态、甲烷化反应的详细动力学模型，这些用CFD或者过程仿真软件去研究更合适；调度模型里只需要保留和能量流、成本最相关的特性。
3. 目标函数怎么定：三种成本的博弈逻辑
目标函数是模型的中枢。把哪几类成本放进去、权重怎么设、惩罚系数怎么给，直接影响最优解指向什么方向。本项目目标函数包含三项：购能成本、碳排放成本、弃风成本。
3.1 购能成本：电、气两项都要算细
购能成本由两部分组成：从电网购电的费用和从天然气管网购气的费用。
C_energy = Σ (c_elec[t] * P_buy[t] + c_gas[t] * F_gas_buy[t])电价的取值要注意，是采用分时电价还是实时电价。我们项目用的是省内峰谷分时电价，峰段1.2元/kWh、谷段0.4元/kWh、平段0.7元/kWh。这种价格结构会让模型倾向于在谷段开启电解槽，在峰段减少购电、尽量用风电和燃料电池供电。
天然气价格同样可以是分时的，但多数园区气价是固定的，按固定价格处理即可。如果项目考虑远期天然气市场化定价，也可以加入阶梯价格或分时价格，但约束表达会复杂一些。
3.2 碳排放成本：分清“自己排的”和“隐含排的”
碳排放成本核算有两个口径：直接排放和间接排放。直接排放来自园区内天然气燃烧；间接排放来自外购电力，因为电网中的火电比例不是零，外购电实际上“隐含”了碳排放。
本项目碳排放成本按下式计算：
C_carbon = C_price * (E_total - A_carbon) E_total = E_grid * EF_grid + F_gas_used * EF_gas其中，EF_grid是电网排放因子，单位tCO2/MWh；EF_gas是天然气排放因子，单位tCO2/万Nm³。碳交易机制下，系统会获得一定的免费碳配额A_carbon，实际排放超过配额的部分才需要购买。
这个项的设计直接影响P2G设备的使用率。当碳价较高时，模型会更倾向用电解槽制氢、甲烷化产气来替代外购天然气，因为虽然增加了购电成本，但减少了碳排放成本。碳价低时，P2G设备就会被“冷落”。
3.3 弃风成本：惩罚力度要多大才合理
弃风成本的定义是：风电场有可发电力但系统无法消纳的部分。将这个部分乘以一个惩罚系数，就是弃风成本。惩罚系数相当于“未消纳风电的机会成本”，取值可以参考当地的弃风补偿电价，一般取风电上网电价或略高。
C_curtailment = C_cur * Σ (P_wind_avail[t] - P_wind_used[t])这个惩罚系数不能设得太小，否则模型会宁可弃风也不建设和利用P2G设备；也不能设得太大，否则模型可能会过度扩张电解槽容量，导致设备利用率很低、经济上不可行。实际项目中，我们通常做一组惩罚系数的敏感性分析，从0.1元/kWh到0.8元/kWh，观察P2G设备的利用小时数和系统总成本的变化，再选定一个合理的基准值。
3.4 三个成本的内在博弈
三个成本项放在一起，系统行为会出现有趣的权衡。为了更好地理解，我列一个对比表：
| 决策倾向 | 购能成本 | 碳排放成本 | 弃风成本 |
|---|---|---|---|
| 多买天然气（直接用气） | 低（气价低时） | 高（燃烧排放） | 不直接相关 |
| 多用电制氢/甲烷化 | 高（购电量增加） | 低（替代天然气） | 低（消纳风电） |
| 多弃风（少用电解槽） | 低（设备不耗电） | 高（需买气） | 高（弃风惩罚） |
从表里能看出，这不是一个“既要又要”的简单线性关系，而是一个典型的“三角权衡”。实际求解出的最优解，往往是在某个碳价和弃风惩罚水平下，P2G设备以“部分时段运行”的方式存在——白天电贵、碳价不高时少开；夜间风大、电价低、出现弃风风险时满发。
写目标函数时还有一个细节：所有成本项需要统一量纲并归一到日尺度或年尺度。大多数人喜欢按日调度（24小时或96时段）建模，但最终比较投资方案时要换算成年成本。设备投资成本、运维成本如果也要纳入优化，可以加一个年化投资成本的项。如果只做运行优化，则不需要。
4. 约束条件里那些容易被忽略的工程细节
目标函数决定方向，约束条件决定可行性。很多模型算出来的结果很“漂亮”，但拿到现场根本执行不了，多半是约束条件太理想化。这一节把本项目用到的约束拆开说，重点讲容易被忽略的工程细节。
4.1 电功率平衡约束
电功率平衡是系统最基本的约束：任意时刻，电源出力之和等于负荷与设备消耗之和。
P_wind[t] + P_buy[t] + P_fc_elec[t] = P_load[t] + P_EL[t]这里要注意，P_wind[t]是实际消纳的风电功率，它小于等于预测可用风电功率；两者之差就是弃风功率。P_fc_elec[t]是燃料电池的电出力；P_EL[t]是电解槽消耗的功率。
如果系统允许向电网售电，可以在等式右侧或左侧再加一项售电功率。但我建议除非明确有上网电价和售电政策支撑，否则不要让模型向电网售电，因为很多园区分布式项目的余电上网条件并不好。加了售电项后，模型可能会利用峰谷电价做低买高卖套利，结果失真。
4.2 氢能平衡约束与储氢罐动态
氢能平衡是电氢耦合系统的核心。电解槽产氢后，氢气有三个去向：甲烷化消耗、燃料电池消耗、储氢罐储存。
m_H2_prod[t] + m_H2_soc_out[t] = m_H2_methanation[t] + m_H2_fc[t] + m_H2_soc_in[t]储氢罐的状态方程是典型的时间耦合约束：
SOC[t] = SOC[t-1] + m_H2_soc_in[t] * eta_store - m_H2_soc_out[t] / eta_release这个约束最容易被省略，很多人做简化模型时直接用“产氢量=用氢量”的瞬时平衡。但这样做会让系统失去时间上的灵活性——电解槽只能在用氢设备运行时开机。加了储氢罐之后，电解槽可以夜间多产氢存起来，白天再释放供给燃料电池或甲烷化装置，这恰恰是系统灵活性的关键。
储氢罐容量和初始SOC值是敏感性参数。项目前期没有实测数据时，建议多跑几个容量场景。储氢罐的单位投资成本大概在1000-2000元/kg，太小起不到调节作用，太大会推高投资成本。
4.3 天然气平衡约束
甲烷化装置的产出和外部购气共同满足园区气负荷。如果不考虑将甲烷注入管网的具体浓度约束，气平衡可以写成：
F_gas_buy[t] + F_CH4_prod[t] = F_gas_load[t]但这里有一个常被忽视的技术细节：天然气管网中氢气混入浓度是有限制的。虽然甲烷化产物主要是CH4，但如果甲烷化转化率不是100%，产物中会含有残余H2和CO2，直接注入管网可能不符合气质标准。工程上通常要求天然气中H2体积浓度不超过2%~5%。如果项目要考虑注入管网，就必须加气质约束：
V_H2_diluted[t] / V_total_gas[t] <= alpha_H2_max如果项目只是自产自用、直接替代园区内燃气锅炉的燃料，这个约束可以不考虑。我们项目当初就是因为园区燃气锅炉对气质不敏感，才省去了一步。
4.4 设备运行约束的完整清单
除了能量平衡，每个设备都需要分项运行约束：
- 出力上下限：电解槽、燃料电池、甲烷化装置的最小/最大出力
- 爬坡约束：相邻时段功率变化限制。比如电解槽爬坡速率取额定功率的20%/h时，模型跑出来的调度曲线才会比较平滑
- 最小启停时间：启动和关停后要稳定运行一段时间，防止设备频繁启停影响寿命
- 储氢罐容量约束：SOC要在安全范围，不能充满也不能放空
这些约束在MILP模型里非常成熟。最小启停时间约束需要额外的二元变量和逻辑约束来表达，但这是标准linear formulation，可以直接参考Gurobi官方文档里的例子。
4.5 与外部网的交互约束
从电网购电不是无上限的，需要考虑并网协议中的最大受电功率。从气网购气也一样。约束形式很简单：
0 <= P_buy[t] <= P_buy_max 0 <= F_gas_buy[t] <= F_gas_buy_max如果系统引入“备用容量”的概念，还可以加一个向上备用约束，要求购电功率与风电不超出某个上限，保证系统在极端场景下不出现功率缺额。
4.6 风电出力不确定性的处理思路
风电出力是间歇性能源，用一个固定的日曲线建模只能代表单一时段的风况。处理不确定性有三种常见方法：
- 确定性方法：取典型日（高风日、中风日、低风日）分别跑调度，再按发生概率加权平均
- 随机规划：生成多个风电出力场景，每个场景分配概率，用两阶段随机规划求解
- 鲁棒优化：用区间描述风电出力范围，求解最坏情况下的最优解
本项目前期用的是典型日法，简单直观，适合和业主沟通。后期升级到场景法后，模型规模翻了几倍，但求出的方案对不确定性更有鲁棒性。如果时间紧张，建议先用典型日法完成可行性论证，再加场景法做边界检验。
5. 求解工具选型与实现流程
建模语言和求解器的选择，直接关系到你花多少时间在“让模型跑起来”而不是“建模型”上。这一节分享我实际使用的工具链和关键流程。
5.1 建模工具对比
| 工具 | 是否免费 | 上手难度 | 适合场景 |
|---|---|---|---|
| MATLAB + Yalmip | 商业/免费工具箱 | 低 | 学术验证、快速原型 |
| Python + Pyomo | 免费 | 中 | 工程部署、批量仿真 |
| Python + PuLP | 免费 | 低 | 小型线性模型 |
| GAMS | 商业 | 中 | 大型能源系统、优化研究者 |
| Julia + JuMP | 免费 | 中 | 高性能、多场景循环 |
我个人推荐Python + Pyomo。原因有三：免费商用不发愁；生态完整，pandas处理时序数据、matplotlib画图、numpy做数值计算，全链路在一个环境里；社区活跃，仿真和优化方面的坑基本都能搜到解决方案。
5.2 求解器选型
MILP模型用的求解器，商业里Gurobi和CPLEX是主流，学术个人使用Gurobi有免费授权，很多工程单位也有正版授权。开源方面SCIP是很好的备选，但求解大规模MILP的速度和稳定性与Gurobi仍有差距。
本项目的模型规模大约是：时间96时段、设备节点约20个、整数变量约700个、连续变量约3500个、约束约5000条。Gurobi默认参数下单线程求解通常在10秒内收敛到1%的gap，性能上完全没有压力。
5.3 完整实现流程
整个实现流程分为六个步骤，按顺序执行：
- 数据准备：整理风电预测出力曲线（或场景集合）、负荷曲线、分时电价、气价、碳价、设备参数（额定功率、效率、爬坡限值）、碳配额。数据质量直接影响结果，这一步最耗时但最不能省。
- 场景生成：用典型日法或基于历史数据分析的备选场景集合，生成多组风电出力输入。
- 模型搭建：使用Pyomo的ConcreteModel定义集合、参数、变量、约束和目标函数。
- 求解设置：调用Gurobi求解器，设置MIP Gap为1%（或0.5%）、求解时间上限为600秒。
- 结果后处理：提取各时段设备出力、购电购气量、弃风量、碳排放量，计算成本构成。
- 敏感性分析：对碳价、弃风惩罚系数、天然气价格、储能容量做单因素或多因素敏感性分析，找到决策的关键变量。
5.4 核心代码框架示意
Pyomo实现的关键代码逻辑大概长这样：
import pyomo.environ as pyo from pyomo.opt import SolverFactory model = pyo.ConcreteModel() model.T = pyo.Set(initialize=range(96)) # 96个15分钟时段 # 变量 model.P_EL = pyo.Var(model.T, within=pyo.NonNegativeReals) # 电解槽功率 model.m_H2 = pyo.Var(model.T, within=pyo.NonNegativeReals) # 产氢量 model.SOC = pyo.Var(model.T, bounds=(SOC_min, SOC_max)) # 储氢罐状态 model.P_buy = pyo.Var(model.T, within=pyo.NonNegativeReals) # 购电量 model.F_gas_buy = pyo.Var(model.T, within=pyo.NonNegativeReals) # 购气量 # 目标函数：三类成本之和最小 def obj_rule(m): return ( sum(price_elec[t] * m.P_buy[t] + price_gas * m.F_gas_buy[t] for t in m.T) # 购能成本 + carbon_price * total_emission(m) # 碳排放成本 + curtailment_penalty * sum((P_wind_avail[t] - P_wind_used[t]) for t in m.T) # 弃风成本 ) model.obj = pyo.Objective(rule=obj_rule, sense=pyo.minimize) # 电功率平衡约束 def power_balance(m, t): return (P_wind_used[t] + m.P_buy[t] + P_fc[t]) == (P_load[t] + m.P_EL[t]) model.power_balance_con = pyo.Constraint(model.T, rule=power_balance) # 储氢罐动态约束 def soc_balance(m, t): if t == 0: return m.SOC[t] == SOC_init return m.SOC[t] == m.SOC[t-1] + m_H2_prod[t] - m_H2_consumed[t] model.soc_con = pyo.Constraint(model.T, rule=soc_balance) # 求解 opt = SolverFactory('gurobi') opt.solve(model, options={'mipgap': 0.01, 'timelimit': 600})这段代码是骨架版的示意，实际项目里还要处理Pyomo中索引变量的连续性、设备启停的二元变量、分段线性化的辅助变量等。建议从简单版本开始跑通，再逐步加复杂度。
6. 算例结果怎么解读：从成本构成看系统行为
模型建完、求解器跑通之后，最考验功夫的是解读结果。有时候结果“对”但不知道为什么对，就说明还没有真正理解这个系统。这一节用一个典型日的算例说明怎么解读。
6.1 算例设置
假设某园区综合能源系统：风电场额定容量200 MW，园区电负荷峰值50 MW，天然气负荷日消耗量折合热值相当于15 MWh。配置一台30 MW的碱性电解槽，储氢罐容量1000 kg，甲烷化装置额定输入氢功率10 MW（对应产甲烷功率约7 MW），燃料电池额定功率5 MW。
分时电价：峰段（8:00-11:00，18:00-23:00）1.1元/kWh，谷段（23:00-7:00）0.38元/kWh，其余平段0.68元/kWh。天然气价格2.8元/Nm³，碳价60元/吨，弃风惩罚系数0.4元/kWh。运行周期24小时，步长1小时。
6.2 关键结果对比
| 指标 | 无P2G系统 | 含P2G系统 | 变化 |
|---|---|---|---|
| 日弃风率 | 23.5% | 6.2% | 降低17.3个百分点 |
| 外购天然气量 | 15.0 MWh | 9.8 MWh | 降低34.7% |
| 碳排放总量 | 18.2 tCO2 | 12.6 tCO2 | 降低30.8% |
| 日运行总成本 | 12.8万元 | 11.4万元 | 降低10.9% |
| 电解槽日利用小时数 | — | 14.5小时 | — |
含P2G方案里，电解槽优先在夜间谷段满负荷运行，利用低价风电制氢。产出的氢气一部分进入储氢罐，白天高峰时段供给燃料电池发电，替代高价购电；另一部分送入甲烷化装置，产出替代外购天然气的甲烷。弃风率从23.5%降到6.2%，效果非常明显。
6.3 成本构成的深挖
总成本下降11%并不算多，但结构变化值得关注。无P2G方案里，购能成本占主导，其中购气成本占比41%，购电成本占比42%；碳排放成本占比17%。含P2G方案里，购气成本占比降到28%，购电成本升高到49%（因为电解槽增加了用电量），碳排放成本占比降到13%，新增了P2G设备的运维成本。
这样一个结构说明什么？该系统的经济收益主要来自“用低价弃风电替代高价天然气”的套利空间，而不是靠碳价直接驱动。碳价在60元/吨时贡献的碳减排收益还不算大头，但如果碳价涨到200元/吨，碳排放成本的权重会显著上升，P2G的边际收益也会明显改善。
6.4 敏感性分析：找到系统行为的分水岭
把碳价从20元/吨逐步提高到200元/吨，观察系统总成本和P2G利用小时数的变化。结果出现了明显的“分水岭”效应：碳价低于80元/吨时，系统以经济性最优为主，电解槽在谷段运行；碳价超过120元/吨后，碳排放成本在目标函数中占比超过30%，系统开始延长电解槽在平段甚至峰段的部分运行时间，通过增加碳减排来平衡成本。
天然气价格对结果的影响更为直接。气价每上涨0.5元/Nm³，甲烷化装置的“经济开机时间”约增加15%。这种敏感性分析做下来，能帮项目的投资方清楚认识到：P2G设备能不能回本，很大程度取决于未来碳价和气价的走势，而不只是设备本身效率有多高。
7. 实操中踩过的坑和规避建议
这个项目从建模到报告落地，踩了不少坑。挑几个典型的分享出来，希望能帮你少走弯路。
7.1 效率参数不能直接抄论文
第一次做电解槽模型时，我直接采用了某论文里90%的电解效率。算出来的产氢量很可观，结果业主反馈实际系统根本达不到。后来查了设备手册，碱性电解槽的系统效率一般在60%~75%之间，而且“系统效率”和“电解小室效率”是两个概念，论文里多写的是后者。建议做工程方案时，效率参数以厂家铭牌或投标技术文件为准，不要直接引用文献数字。
7.2 储氢罐SOC初始值会“污染”前几个时段的结果
如果模型只有24小时，储氢罐的SOC初始值对结果影响非常大。初始SOC设太高，模型会在前几个时段大量放氢，产出一个“假最优”。解决办法是采用循环周期计算——把第一个周期的结束SOC作为下一个周期的初始SOC，反复迭代几次，直到系统收敛到周期边界条件一致；或者直接把优化周期扩展到48小时，只输出后24小时的结果，消除边界效应。
7.3 大M法参数取值不当导致求解器卡死
在表示“设备开机时才能运行”的逻辑约束时，常用的方法是引入大M。M值取太大，会给求解器带来数值困难，甚至导致收敛到不可行的整数解。经验做法是：M取该变量物理上限的1.1倍，而不是随手写个100000。比如电解槽功率上限是30 MW，那M取33就是合理值。
7.4 单位不统一是最大的坑
这是我见过最多人遇到的问题，也是我自己踩得最深的一次。天然气热值、产氢量、碳排放量、燃料消耗量，单位可能是MJ、Nm³、kg、kWh、tCO2，混在一起如果不统一，模型结果会差一个数量级。建议所有参数在建模前全部转换为统一基准，比如功率一律用MW，能量一律用MWh，氢气质量一律用kg，排放量一律用tCO2。最好在数据准备阶段就写一张单位转换表，逐项核对。
7.5 别忘了验证线性化近似的误差
分段线性化效率曲线、转化率这些参数虽然保证了可解性，但引入的近似误差也可能让结果偏离实际。比如把电解槽效率分成3段，如果分段较少，效率突变的拐点处误差会比较大。建议跑完模型后，用最优调度曲线反算一遍实际能量流和成本，和模型输出做对比，误差超过5%就要考虑细化分段。
这些坑不一定全部会出现在你的场景里，但大概率会遇到其中一两个。建模逻辑上多花一天时间，后面调试和汇报能省一个星期。做完这个项目，我最深的感触是：目标函数里每一项成本都不是“填进去就完事”的，它们之间的权重关系、参数取值背后的工程依据，才是真正需要和业主反复讨论的东西。也正因为如此，这类项目最有价值的产出往往不是那张调度曲线，而是曲线背后能说清楚“为什么这样调度”的经济逻辑。
