Matlab代码：综合能源系统(IES)的优化调度，主要包括风力、光伏、燃气轮机、燃气内燃机、燃气锅炉、余热回收系统、吸收式制冷机、电制冷机、蓄电池等设备，输入为电网和天然气网，输出包括电、冷、热三种负荷；优化目标为IES的运行成本最小，主要包括燃气成本、碳排放惩罚成本、失电负荷惩罚成本三部分；采用粒子群算法进行求解，得到系统的电、冷、热三种能源的优化调度方案及最小运运行成本。 程序注释详细，有说明文档，有助于提高IES优化程序编写的能力
最近在搞综合能源系统（IES）优化调度的项目，发现这玩意儿真是把多能耦合玩到极致了。系统里风电光伏唱主角，燃气轮机、内燃机这些传统设备打辅助，还有蓄能电池当充电宝，最绝的是余热回收系统——连排放的废气都要榨出最后一滴能量来制冷制热。今天咱们就扒一扒这个用粒子群算法实现的调度方案，手把手看代码怎么把电、冷、热三股能量拧成一股绳。
先看系统建模的核心部分。设备模型库写在单独的m文件里，比如燃气轮机的出力特性这段：
function P_gt = gas_turbine_model(gas_input) % 燃气轮机模型 % 输入：天然气流量(m³/h) 输出：发电功率(kW) LHV = 9.7; % 天然气低热值kWh/m³ eta_gt = 0.35; % 综合效率 P_gt = gas_input * LHV * eta_gt * 1000; % 转换kW assert(P_gt <= 5000, '燃气轮机超最大出力') % 安全校验 end这里有个新手容易踩的坑——单位换算。注意LHV用的是kWh/m³，乘以天然气流量（m³/h）后得到的是kW单位，刚好对应电力输出。那个assert语句是典型的安全阀设计，防止优化算法抽风算出离谱值。
目标函数是重头戏，揉合了经济成本和惩罚机制。看这段成本计算：
function total_cost = objective_function(x) % 解包决策变量 [grid_power, gas_purchase, ...] = decode_variables(x); % 燃气成本（分时段气价） gas_cost = sum(gas_price .* gas_purchase) * time_step; % 碳排放惩罚（重点！） carbon_emission = sum(gas_purchase) * gas2co2; carbon_cost = carbon_price * max(0, carbon_emission - carbon_quota); % 失负荷惩罚（权重动态调整） power_deficit = max(0, load_electric - supply_electric); penalty_power = sum(power_deficit.^2) * 1000; % 平方惩罚突出严重缺电 total_cost = gas_cost + carbon_cost + penalty_power; end这里有几个设计亮点：碳排放采用阶梯惩罚，超配额部分才计费；电力短缺用平方惩罚，这样偶尔的小缺电不会让成本爆炸，但大范围停电会被严重遏制。注意gas_price是分时气价数组，说明考虑了市场因素。
粒子群算法的实现藏着不少调参经验。初始化部分值得细品：
% 粒子群参数 swarm_size = 50; max_iter = 200; w = 0.729; % 惯性权重 c1 = 1.494; c2 = 1.494; % 变量维度=设备数*24小时 dim = num_devices * 24; % 初始化粒子位置（考虑设备出力上下限） particle_pos = zeros(swarm_size, dim); for i=1:num_devices min_power = device_list(i).min_power; max_power = device_list(i).max_power; particle_pos(:,i:num_devices:end) = unifrnd(min_power, max_power, [swarm_size,24]); end这里变量维度按设备×小时展开，方便处理时序约束。初始化时每个设备的24小时出力被限制在各自的最小/最大值之间，避免无效搜索。见过有人图省事用统一范围初始化，结果算法在前50代都在瞎逛，这里的分设备初始化能提速至少30%。
Matlab代码：综合能源系统(IES)的优化调度，主要包括风力、光伏、燃气轮机、燃气内燃机、燃气锅炉、余热回收系统、吸收式制冷机、电制冷机、蓄电池等设备，输入为电网和天然气网，输出包括电、冷、热三种负荷；优化目标为IES的运行成本最小，主要包括燃气成本、碳排放惩罚成本、失电负荷惩罚成本三部分；采用粒子群算法进行求解，得到系统的电、冷、热三种能源的优化调度方案及最小运运行成本。 程序注释详细，有说明文档，有助于提高IES优化程序编写的能力
运行结果输出模块有个骚操作——用颜色矩阵可视化多能流：
% 生成三联图 figure('Position', [100,100,1200,300]) subplot(1,3,1) imagesc(power_schedule) title('电力调度') set(gca, 'XTick',1:24, 'YTickLabel', devices_electric) subplot(1,3,2) imagesc(heat_schedule, [0, max(heat_schedule(:))]) title('热力调度') subplot(1,3,3) imagesc(cool_schedule, [0, max(cool_schedule(:))]) title('制冷调度')用imagesc函数把24小时×设备的调度方案变成热力图，一眼就能看出燃气轮机在晚高峰的发力，以及蓄电池在电价低谷时段的充电脉冲。这种可视化比折线图更适合呈现多维调度信息。
调这个系统时发现个反直觉的现象——有时候允许少量电力缺口反而总成本更低。因为强求100%供电可能导致燃气机组低效运行，增加的燃气费和碳排放反而比惩罚成本更高。这就像生活中不是所有问题都值得解决，有些小缺陷接纳了反而整体更优。
代码里还藏了个行业秘辛：absorption_chiller.m文件中的COP值（制冷效率系数）默认设为0.7，但实际项目中这个值要根据余热温度动态计算。不过考虑到模型复杂度，很多论文都取固定值，咱们代码里留了接口但没实现——这就是学术研究和工程落地的差距啊。
最后给个实战建议：跑优化前务必做设备组合的可行性校验。曾经有次迭代中出现"光伏+蓄电池夜间供电，燃气轮机全停"的方案，理论成本确实低，但忽略了燃机最小运行时间约束，被现场工程师吐槽是"键盘调度专家"。后来在约束处理里加了must_run约束才解决这个问题。
