《Energy》：Benchmarking heuristics and deterministic optimization with and without warm-starting for district heating network design
编辑推荐：
区域供热管网（DHN）为向可再生热能供应转型提供了关键路径，但管网前期投资和运行热损失对规划效率提出了较高要求。既有研究多采用混合整数线性规划（MILP）求解管网设计问题，随着多热源和多设计时段的引入，确定性优化模型在大规模区域的求解面临可扩展性瓶颈。本研
区域供热管网（DHN）为向可再生热能供应转型提供了关键路径，但管网前期投资和运行热损失对规划效率提出了较高要求。既有研究多采用混合整数线性规划（MILP）求解管网设计问题，随着多热源和多设计时段的引入，确定性优化模型在大规模区域的求解面临可扩展性瓶颈。本研究系统比较了三种可处理多设计时段与多热源的启发式方法，包括最小斯坦纳树（SMT）、约束斯坦纳树（CST）和价格收集斯坦纳树（PCST），并提出了PCST与CST相结合的混合启发式方法。研究人员在源自德国巴伐利亚州真实建筑位置的56个区域上对不同方法进行了系统基准测试，并探讨了利用启发式解对MILP优化进行热启动（warm-starting）的加速效果。结果表明，采用常数回归模型时，热启动平均可将MILP求解时间缩短约24%，最大可解区域规模从4750个热汇提升至7750个；而采用仿射回归模型时，热启动在多数情况下反而降低求解效率。SMT与PCST方法能够以极低计算成本获得与已知最优解偏差较小的管网设计方案，显著缩短求解时间。研究人员据此建议：对于超大规模区域或早期规划阶段应采用快速启发式方法，而在后期规划阶段则推荐采用热启动的MILP优化模型。
## 论文解读
### 一、研究背景与问题
区域供热管网（District Heating Network, DHN）通过集中式热源向多个建筑供应热能，是实现可再生热能转型的重要基础设施。相较于建筑独立供热，DHN具有两个显著技术优势：一是能够接入建筑级供热无法利用的热源（如深层地热、工业余热）；二是可以应用同时性系数原理，使管网基础设施和集中供热容量的配置规模低于各建筑峰值负荷之和，从而显著节省投资成本。然而，管网建设的前期投入巨大，运行期存在热分配损失，这些因素使得管网设计的经济性优化成为决定DHN竞争力的关键。
自动化规划与优化工具是平衡投资与运行成本、实现高效管网设计的重要手段。现有文献中约80%的DHN设计研究采用线性规划（Linear Programming, LP）或混合整数线性规划（Mixed-Integer Linear Programming, MILP）。随着管网从高世代向低世代演进，回水温度降低、接入热源日益分散（如空气源或地下水源热泵），单一代表时段已无法充分刻画季节性波动，多设计时段建模成为必要。
然而，当考虑多热源与多设计时段时，MILP模型面临严重的可扩展性瓶颈。此前研究在56个规模从50到10000个热汇的区域上，利用仿射和常数回归模型分别建立管网投资成本与热损失方程，评估强制扩展和经济扩展两种场景，结果表明在强制扩展场景下，达到MIP-gap 1%以内的最大可解区域规模仅分别为2750和4750个热汇；经济扩展场景下更低至950和2250个。这表明确定性优化方法难以直接适用于大型区域。
为突破这一限制，研究者将目光转向启发式方法——通过对优化问题进行分解或松弛，可以在可接受的计算时间内获得较优的管网拓扑方案。但既有启发式研究存在若干不足：部分方法只能处理单一设计时段，部分方法无法处理多热源场景，部分方法依赖高密度网络假设而难以推广至实际稀疏的城市管网，且多数研究仅在单个案例区域上验证算法有效性，缺乏跨区域的系统性基准测试。此外，利用启发式解对确定性优化进行热启动的研究在文献中几乎空白。为此，研究人员开展了本项研究，系统比较启发式与确定性方法在大规模区域上的表现，并量化热启动策略的加速效果。
### 二、研究设计与关键方法
本研究基于topotherm开源优化框架（https://github.com/jylambert/topotherm），在64核工作站（Intel Xeon W-2155，10核20线程，256 GB RAM）上执行，使用Pyomo建模、Gurobi 12.0.3求解，MIP-gap设为1%，求解时间上限为15000秒。基准区域取自德国巴伐利亚州56个真实建筑聚落（50至10000个热汇），热需求曲线由基于实测小时数据的验证方法生成（R2=0.9），代表冬季、夏季、过渡季和峰值设计四个时段。研究人员将热启动策略（即将启发式求得的可行解作为求解器初始可行解）分别应用于仿射和常数回归MILP模型并进行性能对比。主要创新在于：将原有单热源的SMT、CST和PCST启发式扩展至多热源场景——CST通过引入连接所有热源的零长度边虚拟超级节点实现多源扩展，PCST则采用逐热源计算后子图合并策略；此外还提出了PCST与CST相结合的混合经济扩展启发式。求解结束后，研究人员通过贪心取整将连续管径离散化为标准管径，并采用带惩罚松弛变量的简化优化模型迭代校验管网可行性。
### 三、主要研究结果
**（1）强制扩展场景**
在强制扩展场景中，研究人员比较了有无热启动时仿射与常数回归模型的求解时间。结果显示，热启动对仿射模型在多数情况下起减速作用，且对扩展行为有负面影响；对常数模型则显著有益，平均求解时间缩短约23.67%，最大可解区域从4750个热汇提高至7750个。进一步使用五种不同随机种子验证性能变异性后发现：仿射模型受种子影响较大（450个热汇的区域求解时间从917秒到10079秒不等，850个热汇区域三种子超时），常数模型则表现稳定。启发式方面，SMT和LP线性模型求解最快，CST模型次之。在解的质量上，达到MIP-gap要求的仿射模型几乎总能获得最优设计，线性回归模型整体表现最差。CST中β≥1.5的设置在56个区域上的解质量最好，均值和最大偏差均较低。
**（2）经济扩展场景**
在经济扩展场景中，PCST是所有方法中求解最快的，比最慢方法快约一个数量级，紧随其后的是线性回归模型和PCST/CST混合启发式。PCST对所有区域（最小50个热汇的区域除外）均能产生盈利的网络设计。热启动效果同样对常数模型更有利，对仿射模型影响有限甚至轻微负面。对于3000个以上热汇的区域，PCST热启动解已优于优化算法在15000秒内找到的最优解。混合PCST/CST启发式在求解时间上比单独PCST慢约一个数量级，但在大型区域中能获得更优的管网设计。仿射和常数回归模型在解质量上仍为最优（平均偏差分别约0.87%和0.88%），线性回归模型在所有统计指标上均表现最差。
### 四、讨论与结论
本研究系统揭示了DHN设计优化中解质量与计算成本之间的权衡关系，其关键发现是：对管网依赖关系刻画较差的模型即使能保证全局最优性，也可能被不依赖DHN详细知识的纯图启发式方法超越。热启动策略的有效性取决于回归模型的选择——对常数模型可靠推荐，对仿射模型则因高方差和种子敏感性而不具稳定优势。在规划实践中，本研究建议采用分层策略：对超大规模区域或早期规划使用快速启发式（PCST、CST、SMT），对中后期规划阶段或解质量优先的场景采用热启动的MILP优化。未来研究应关注全非线性热-水力模型与当前线性热功率流模型的对比评估、分解方法（如Dantzig–Wolfe或Benders分解）在更大规模问题上的应用、专用求解器（SCIP-Jack）提升SMT/PCST解质量，以及多热源（三个及以上）场景下算法的可扩展性验证。
