气电联合需求响应：配网系统协调优化运行怎么落地？

最近在折腾综合能源配网系统，最让我觉得有嚼头的方向就是气电联合需求响应。说白了，就是把配电网和配气网放在同一张桌子上做全局优化，让燃气轮机和用电负荷在需求响应的指挥棒下联合动作。这个话题在能源圈里现在讨论度很高，因为单靠电网侧硬扛负荷峰值的日子越来越难了，把气网管网的柔性调出来，才是真正的解题思路。

这篇内容主要面向配网调度人员、综合能源系统的研究者、以及正在做园区级能管平台落地的工程朋友。我会从为什么要做气电联合、联合响应的机理是什么、优化模型怎么建、求解怎么落地几个层面展开，最后把我在实际工程项目里踩过的坑和总结的经验一并倒出来。

1 气电联合的架构拆解：为什么配网层面“气”比“电”更值得挖

1.1 气网和电网在物理世界里的“性格差异”

搞综合能源，第一件事得搞懂气网和电网的物理性格完全不同。

电网是“快变量”系统。电从发电机到负荷，几乎以光速传播，发用电必须瞬时平衡，频率偏离一点系统就报警。配电网里一台变压器过载，几分钟内就可能烧损设备或者引发保护动作。

气网是“慢变量”系统。天然气在管道里的流动速度大概在每秒几米到几十米，管网的响应时间常数是分钟到小时级别。管道本身具备天然的储气能力——管存效应，这就像一个大号的缓冲气罐。

这就带来一个很有意思的现象：电网最怕的是15分钟甚至1分钟级的功率波动，而气网碰到的扰动经常是小时级的，天然具备“容忍时间差”的属性。把这两套系统耦合起来，本质上是用气网的慢惯性去对冲电网的快速波动，前提是配网层面的能量管理平台能做到分钟级的数据采集、小时级的滚动优化。

1.2 气电耦合的四个物理锚点

配网级的气电耦合设备，最常见的有四个：

• 燃气轮机/微型燃机：气转电的核心设备，响应速度在分钟级别，爬坡能力优于大型火电机组，适合配网调峰。
• 热电联产机组：气转电+热，综合效率高达80%以上，前提是热负荷能兜得住。
• 电转气设备：电解水制氢后再甲烷化（或者直接混氢入网），这玩意在配网里主要起能量存储和转化作用，但目前成本偏高，工程上更多是试点性质。
• 燃气锅炉/直燃设备：配网气负荷的主要组成部分，也是气侧需求响应的重要资源。

这四个锚点把电、气两条母线焊在了一起。电网侧的出力波动可以通过燃气机组转化为气网侧的用气变化，而气网侧的供气压力、流量又反过来约束了燃气机组的出力上限。

我在实际和园区客户对接的时候，发现一个很普遍的现象：很多人觉得气电联合就是“燃气轮机+电网”就完了，完全忽略了配气网侧的流量动态约束。结果就是优化出来的燃气轮机出力曲线虽然漂亮，可实际气网末端气压掉得厉害，根本供不了这么多气。

1.3 配网层面的联合比输网层面难在哪

输电网级别的气电联合调度，已经在不少研究里做得很深了。但配网层面完全是另一套逻辑：

• 配气网压力等级低，通常是0.4~1.6MPa的中低压管网，管道的储气容量小，气压波动对末端用户影响更直接。
• 配网的量测精度和数据密度都不如输网，很多配气节点压根没有压力传感器，很多配电线路上连功率因数都测不准。
• 配网的气负荷构成更复杂，有居民炊事用气、商业燃气空调、工业锅炉、燃气热水器，响应特性和舒适度约束五花八门。

所以配网层面的气电联合优化，模型不用做得像输网那么精细化，但数据的鲁棒性和工程上的可落地方案才是真正的难点。这也是我在这篇文章里想重点强调的——模型可以简化，但约束不能漏，尤其是气压约束、管存约束和用户舒适度约束。

2 需求响应的“联合”到底联合了什么

2.1 电侧需求响应的三个层次

电的需求响应在配网里已经比较成熟了。按响应信号的类型，大致分三类：

第一类是价格型响应，包括分时电价、尖峰电价、实时电价。用户根据电价信号自发调整用电行为，典型场景是工商业用户在峰段压低空调负荷、转移生产工序。这类响应不依赖精准控制，但可预测性差，需要统计学模型来处理。

第二类是激励型响应，包括可中断负荷、直接负荷控制、需求侧竞价。用户和电网公司签订协议，电网有需要时可以直接切除或部分切除负荷，换取补偿。这类响应可靠性高，但会牺牲用户体验，适合对供电连续性要求不高的负荷。

第三类是替代型响应，说白了就是用户切换用能品种。比如电锅炉和燃气锅炉并存的用户，电价高的时候烧气，气价高的时候烧电。这类响应在气电联合系统里价值巨大，因为它直接利用了两个能源网络之间的替代弹性，是气电联合需求响应最有特色的部分。

2.2 气侧需求响应：被忽视的资源池

气侧的需求响应长期被低估，但它实际具备非常大的调节空间。

工业用户的气负荷往往存在明显柔性。比如玻璃熔窑、陶瓷窑炉，热惯性大，短时间降低用气量对产品质量影响有限；又比如钢厂轧钢加热炉，可以在工序间隙调整加热段的燃气供应；还有采暖锅炉，回水温度允许一定范围的浮动，适当降负荷并不会立刻让用户觉得冷。

居民和商业用户的气负荷，主要体现在燃气空调和燃气热水器上。燃气空调在夏季高峰期和电网空调负荷高度重合，存在天然的联合调节空间。燃气热水器的缓冲水箱提供了短时储热的可能——先加热水箱、再停气运行，这个逻辑和电热水器的需求响应完全一样。

气侧需求响应最大的特点是：它不需要依赖电池、储能这种高成本设备，管网本身和用户侧的热惯性就是天然的储能。成本几乎为零，响应虽然慢，但容量大、持续时间长，非常适合做高峰时段的气负荷转移。

2.3 联合响应的时间尺度匹配

这是整个气电联合需求响应里最核心的机制问题。电网的调节需求往往是分钟级的，气网的趋势性调节是小时级的。两者怎么匹配？

我的做法是：把气侧需求响应当作“慢速基础调节”，把电侧需求响应当作“快速修正”。

具体到日前调度计划的生成上，第一步，根据气价的季节性差异和次日的气负荷预测，先把气侧响应量计算出来——哪些时段可以削减气负荷、削减多少、持续多久，这是小时级决策；第二步，在气侧响应确定的基础上，构建配电网的出力边界，再用电侧需求响应去填补剩余缺口，这是15分钟级的决策；第三步，日内修正时，用储能和燃气机组的快速调节去吸收超短期波动。

这个层级结构，有点像一个乐队——气侧是低音部，提供稳定的节奏基调；电侧是中高音部，负责旋律上的灵活变化。两个声部各自遵守自己的时间节律，才能演奏出协调的曲子。

3 协调优化的三层模型：从目标函数到约束条件

3.1 总体框架：日前-日内-实时三段式

气电联合配网系统的协调优化，在工程上建议采用“日前计划-日内滚动-实时修正”三层框架，而不是一个巨大的单层优化问题。

日前计划在每天运行前制定，时间尺度1小时，优化未来24~48小时的气电联合调度计划。决策变量包括燃气轮机出力、电转气设备功率、气源供气量、储气罐充放气量、气负荷削减量、电负荷转移量等。这一层的约束重点是气网的管存平衡和负荷的舒适度约束。

日内滚动优化每15分钟到1小时触发一次，控制时域4~8小时，目的是修正日前计划因为预测误差产生的偏差。这一层会把最新的光伏出力预测、负荷预测、气压实测数据更新进去，重新求解一组控制指令。

实时修正层的步长在分钟级，主要依靠配电网的自动装置和燃气机组的快速调节来兜底，一般不做大规模优化计算，更多是安全校核和逻辑判断。

3.2 目标函数：别一味追求最低成本

常见的优化目标包括总运行成本最小、碳排放最小、网络损耗最小。实际工程中，我建议用加权多目标函数，而不是单目标：

总运行成本由四块组成：购电费用、购气费用、设备运行维护费用、需求响应补偿费用。碳排放目标折算成碳价以后计入总成本，这样处理比较简洁，也方便老板们理解。

多目标函数的权重怎么定？我的经验是先做主目标（运行成本）的单目标优化，然后在最优解的邻域内找碳排放更低的可行解。一句话就是“先让经济目标收敛，再在可接受的成本牺牲范围内优化环保目标”。这个方法比直接给权重更容易落地，因为你不需要反复调权重来满足决策者的各种要求。

3.3 配电网约束：潮流方程和电压安全

配电网侧的约束以潮流方程为核心。如果是辐射状配电网，用DistFlow方程推导出来的支路潮流模型就够用了。

下面给一个简化的DistFlow表达思路。对每条支路，有功和无功的平衡关系要满足，节点电压满足降幅约束，变压器容量和线路载流量限制也要作为不等式约束放进模型。分布式光伏、储能、燃气轮机在节点注入功率，负荷在节点流出功率，全部要汇总到节点功率平衡方程里。

分布式光伏出力的不确定性，在日前计划里要留出适当的旋转备用容量，这个备用通常由燃气轮机和储能承担。备用容量的大小取决于光伏预测误差的历史统计数据，建议按照“预测误差标准差的1.5~2倍”来预留。

3.4 配气网约束：气压、流量和管存缺一不可

配气网约束是这类系统建模时最容易翻车的环节。

节点流量平衡：每个节点的注入气量等于流出气量加管存变化量。气源、储气罐是注入侧，气负荷、燃气轮机、电转气设备是流出侧（电转气是反向注入），约束的物理意义就是物质守恒。

管道流量方程：中低压配气管网可以用简化的Weymouth方程描述，即管道流量与两端气压平方差的平方根成正比。这个方程本身是非线性的，也是整个模型求解的难点所在。工程上常用增量线性化或者二阶锥松弛来处理。

节点气压约束：每个节点的气压要在安全范围内。对于配气网来说，末端用户的气压下限尤其重要，低于这个下限会导致用户燃烧设备熄火或效率下降，这个约束不能省略。

管存动态：管存的变化率等于管道流入流量减去流出流量。简单说，管道本身是个缓冲储能，用完的管存在下一个时段必须补回来，所以在整个调度周期上要加一个管存还原约束，防止优化把管存一次性抽干。

3.5 需求响应约束：既有上限又有“脾气”

需求响应的约束比设备约束更微妙，因为牵涉人的因素。

每种需求响应资源要设响应量上下限，比如可中断负荷单次最多削减多少兆瓦，气负荷转移单次最多转移多少立方米。更关键的是，要加入最小持续时间和最小恢复时间的约束——可中断负荷不是说切就切、说合就合的，设备有启停逻辑，用户也无法承受频繁的切换。这些约束用0/1状态变量来表达，会让模型变成混合整数规划，但这在工程上是必要的。

用户侧的舒适度约束也不能漏。采暖负荷的室温区间约束、热水负荷的缓冲水箱温度约束，这些直接决定了需求响应的可持续时间。我在做项目时吃过亏，第一版模型只给了电采暖负荷的削减上限，结果下发指令后半小时，住户室内温度掉得厉害，投诉电话都打爆了。

4 求解方法与工程落地实操

4.1 为什么直接求解会卡死

把上述模型整合在一起，问题的数学性质是这样的：目标函数里有二次项，管道流量约束里有非线性和非凸项，再加上0/1整数变量，这是一个大规模混合整数非线性规划问题。直接丢给求解器求全局最优，在配网规模下基本不可能跑通，即使能算出来，时间上也满足不了调度要求。

行业内常见的处理思路是先做凸松弛。把管道流量方程中的非线性项，通过变量替换改成二阶锥约束的形式，把原问题变成混合整数二阶锥规划。二阶锥规划有一个非常好的性质——它的松弛解在很多情况下是紧的，也就是说松弛后求出来的最优解和原问题的最优解差异很小，这在实际项目中被反复验证过。

4.2 两种主流求解框架

集中式求解：把电网模型和气网模型放进同一个优化问题，一次性求全局最优。优点显而易见——结果的全局最优性有保证，协调性最好。缺点也很明显——模型规模大、求解时间长，而且一旦某个区域的数据出问题，整个计划就卡壳了。适合园区级的小规模系统。

分布式求解：电网子问题和气网子问题分别独立求解，两者通过耦合变量——燃气轮机的出力、电转气的功率——进行迭代交互，常用的算法包括目标级联分析法、交替方向乘子法。优点是各个子系统的数据不需要集中在一起，隐私性好、计算效率高；缺点是迭代次数多、收敛性需要调参，而且如果耦合变量的初始值给得不好，容易不收敛。

我的项目经验是：如果整个配网的节点数在100个以内，且气网拓扑相对简单，直接用集中式求解，省事又稳定。如果涉及跨区域、多业主的配网系统，数据共享都是问题，那就必须走分布式。

4.3 工具选型：求解器和建模框架怎么选

工程团队在做这类项目时，最关心的就是工具能不能快速落地。

• Gurobi：目前我在商业项目里用得最多的求解器，混合整数二阶锥规划的处理能力非常强，默认参数下性能已经很好，而且许可证对学术机构友好。配网规模的问题，用Gurobi基本可以在几分钟内拿到理想解。
• CPLEX：IBM的老牌求解器，可靠性和稳定性没得说，分布式求解框架里也常被用作子问题求解器。但它的许可证费用偏高，近年来在性能上对部分非线性问题的处理不如Gurobi激进。
• 开源方案：SCIP、CBC这类开源求解器适合小规模问题验证，配网节点稍多就会感受到性能瓶颈。如果团队预算有限，可以考虑Google OR-Tools加SCIP的组合，但要做好性能调优的心理准备。

建模层面，我用过两类框架。一类是代数建模语言，比如GAMS、AMPL、JuMP，把数学模型直接翻译成代码，对搞过学术研究的人来说最自然。另一类是直接调用求解器的API，比如Gurobi的Python接口，灵活度高，适合嵌入到已有的调度系统里。我现在的习惯是：原型阶段用JuMP快速验证，落地阶段用Gurobi Python API重新实现一遍，性能和可维护性都兼顾。

4.4 实际项目中的简化处理

求解器能求解是一回事，工程上能不能天天稳定跑又是另一回事。我把几个成熟的简化经验列出来：

第一，气网的动态过程可以用“分段稳态”近似。真正完全动态的气网模型是偏微分方程，配网层面用稳态模型加上管存补偿项，精度足够，计算量却降了一个数量级。

第二，预测的不确定性用场景法而不是概率分布函数。把光伏预测误差分成乐观、基准、悲观三个场景，三个场景同时参与优化，解出来的计划天然就具备鲁棒性。

第三，需求响应资源做聚合等效。用气锅炉、燃气空调、可中断气负荷这些资源，不需要逐个建模，聚合成一个气负荷弹性带，再按比例分配响应量。

5 一个园区案例从头到尾复盘

5.1 案例场景和数据准备

这里用一个典型的产业园区配网系统来演示。园区配电网接入了2台燃气轮机、1台储能、2处屋顶光伏；配气网包含1个气源节点、3个气负荷节点、若干台燃气锅炉和1个储气罐。气电耦合点就是2台燃气轮机和1套电转气试点装置。

系统参数放一部分在表里，供参考：

电价的峰谷时段按当地分时电价政策设定，气价则采用季节性价差加实时联动浮动的机制。需求响应补偿价格按响应类型区分：可中断负荷按实际削减电量补偿，气负荷转移按转移气量加阶梯费率补偿。

5.2 优化结果和对比分析

我跑了两组对照实验：一组是“气电独立调度”，即电网和气网各自按自己的预测独立制定运行计划，不做跨网协调；另一组是“气电联合优化”，在同一个优化框架里考虑气电耦合约束和联合需求响应。

结果对比非常明显：

从总运行成本看，联合优化比独立调度节省了约6.8%。从需求响应资源利用率看，独立调度模式下电侧需求响应贡献了约2.8 MW的峰值削减，气侧需求响应几乎没有触发；联合优化模式下，气侧需求响应贡献了约900 m³/h的削峰量，电侧需求响应在气侧动作后则降到1.6 MW。气侧的“慢调节”有效替代了“快速但贵”的电侧响应。

燃气轮机的运行曲线也更健康。独立调度下，燃气轮机在电价高峰时满发，低谷时停机，频繁启停对寿命影响很大；联合优化下，燃气轮机在气网管存压力允许的范围内平滑调整出力，全天运行更平稳，避免了两次不必要的启停。

气压约束方面，独立调度模式下，管网末端节点在傍晚负荷高峰期出现了气压跌到下限以下的情况，模型里直接报了越限；联合优化模式通过提前在低负荷时段给管存充电（增加管道压力），成功把末端气压维持在了安全范围。

综合来看，联合优化带来的收益来自三块：一是气侧需求响应分担了电侧高峰压力，降低了高价电采购量；二是燃气轮机运行更平稳，减少了启停损耗；三是管存充放优化减少了对高峰时段气源高价供气的依赖。

5.3 需求响应补偿的灵敏度分析

顺带做了个灵敏度测试：气负荷需求响应补偿价格从每立方米0.3元提高到0.8元，气侧响应量从200 m³/h提高到1200 m³/h，系统总成本先下降后上升。这说明补偿价格存在一个最优区间——太低没人响应，太高系统负担过重。在实际制定补偿机制时，要基于项目的负荷曲线和价格体系做一次类似的灵敏度扫描，而不是拍脑袋定价格。

6 常见问题与避坑实录

6.1 电网数据和气网数据时间分辨率不匹配

这是第一头疼的事。电网SCADA的数据刷新是秒级的，气网远传表的数据可能是小时级甚至一天一抄。两边的时间分辨率差了好几个数量级，直接拼一起做优化，结果肯定出问题。

我的处理方法是：统一数据口径到风险最高的那个约束的时间尺度。如果配电网有15分钟级的光伏预测和负荷预测，而气网只能提供小时级数据，那就在小时级数据上做插值，同时把气压约束放到最保守的工况上校验——宁可把某个小时段气压估计得低一点，也不能让它越过下限。

6.2 管存模型过于乐观导致气压崩盘

很多刚接触气网建模的同学，容易把管存当成一个理想的大气球——随便充随便放。实际管道存气量受温度、压缩机工况、末端流量影响很大，模型里如果忽略了管道流量的惯性效应，那么优化会倾向于在前几个时段疯狂释放管存，后面时段全部靠气源补气，运行下来末端气压波动剧烈。

避坑的方法：给管存变化速率加一个限制，或者在目标函数里加一个管存偏离惩罚项。我做项目时习惯加入“管存计划曲线”——根据历史同期数据生成一个基准管存水平，优化结果不允许偏离这个基准太远，防止模型走极端。

6.3 需求响应资源被重复计入

气电联合系统里，同一个物理设备可能同时连接电网和气网。比如一个用户有电锅炉和燃气锅炉，他既可以参与电侧需求响应，也可以参与气侧需求响应，但如果优化模型给同一个用户同时下达了电侧削减和气侧转移指令，就会导致该用户实际上被削减了两次能量供应，用户体验极差。

解决方案：在模型里为每个用户建立能量耦合约束——电侧的削减量和气侧的转移量必须满足某种替代关系。简化做法是设一个“最大总响应能力”，电侧和气侧的响应量之和不允许超过这个值。这个约束在数据建模时容易漏，但漏掉之后跑出来的“最优解”，实际上在现场根本执行不了——用户会直接拒绝响应。

6.4 求解器不收敛时怎么办

如果用的是分布式求解框架，迭代不收敛几乎是必遇的坑。最常见的诱因是耦合变量的初始值给得不合理，燃气轮机初始出力设得离最优值太远，两边的子问题在迭代时互相震荡。

我的处理经验是：第一步，调整耦合变量的惩罚系数（ADMM里的步长），步长太小收敛太慢，太大容易发散；第二步，给耦合变量加约束——每次迭代更新后限制调整幅度；第三步，如果还是不收敛，退回到集中式求解跑一次，把集中式解的结果作为分布式迭代的初值。最后一招看着笨，但特别好使。

6.5 需求响应指令下发的时序问题

还有一个经常被忽略的工程细节：气电联合需求响应的指令下发需要错峰排序。气负荷的调节有物理惯性，指令下达后要几分钟到十几分钟才见效；可中断负荷则几乎是即时生效。如果现场同时收到电网和气网的两个指令，必须有一个优先级仲裁机制，否则控制系统内部会先乱掉。

我的建议是在能量管理平台里设置指令协调层，以“单次调整不超过系统总调节能力上限”为原则，把电侧和气侧的指令按影响时间排序下发。这个协调层用简单的规则引擎就能实现，不需要重新建模优化，但能避免现场执行端的逻辑冲突。

写在最后的实践经验

做气电联合需求响应的配网协调优化，最深的体会是：数学模型再漂亮，工程落地的核心永远在数据质量和执行协同上。搞建模的人很容易陷入精细化复杂化的冲动——加变量、加约束、加场景，模型越做越大，但气网的量测密度跟不上、用户侧的响应意愿不透明，再精致的模型也只能在纸面上自嗨。

我建议真正想落地气电联合优化项目的团队，先从一个小范围试点开始，把气电数据采集打通作为第一优先级，把需求响应资源列表和用户的真实可调能力摸清楚作为第二优先级，第三才是写优化模型。顺序反了，项目大概率会卡在数据融合阶段。

另外想提醒一点：管存的利用和气压稳定之间的平衡，是这个系统里最微妙的一对关系。前期宁可保守，让气压上浮空间留足一点，等数据积累和系统磨合稳定以后，再逐步把管存区间放开，去赚那部分“提效率”的钱。渐进式放权，比一步到位更稳——系统工程最忌讳激进的策略切换。