zibuyu91. 多目标优化调度的核心矛盾与分析
1.1 为什么微电网调度不是“省电”那么简单
做微电网的人都知道，调度这事儿看着是“怎么分配发电”的技术活，实际上是个极其拧巴的多目标决策问题。咱们把话说直白一点，微电网里你同时要伺候好几路电源——光伏、风电、柴油发电机、储能电池，有时候还带着燃气轮机——然后负荷那边呢，又是居民用电、商业负荷、工业负荷混在一起，随时波动。调度说白了就是回答一个问题：在接下来24小时里，每台机组在每个时段该发多少电、电池该充还是该放、跟大电网买电还是卖电。
听起来像是一个很简单的问题对吧？但你把约束条件列出来就懵了：功率平衡得满足吧，发电机的出力上下限得有吧，爬坡率不能太高吧，电池的SOC不能过充过放吧，联络线的传输功率还有限制。这还没完，你要是只盯着经济性，那就可能把柴油机开满、把电池往死里放，结果碳排放数字特别难看；你要是只盯着环保性，那就可能光伏满发、柴油机尽量少开，但碰上阴雨天或者负荷尖峰，系统直接垮掉或者成本爆炸。
所以做微电网调度的兄弟都会遇到同一个瓶颈：目标冲突是没法回避的。你不可能同时把碳排放压到最低又把运行成本降到最低，这俩目标在数学上就是矛盾的。传统做法是把多目标通过加权系数合成一个单目标，然后用线性规划、动态规划那套去解。我没说加权法不能用，但它有个致命弱点——权重系数拍脑袋，拍对了行，拍错了调度方案就很偏科。而且你算出来的只是一条解，不是一群解，决策者没法看到“如果我多花10%的钱，能减少多少碳排放”这种完整权衡。
1.2 多目标问题的数学本质与Pareto最优
这里咱们把多目标调度的数学本质讲透一点。假设我们有M个目标函数，比如运行成本F1和碳排放F2，决策变量是各个机组在T个时段的出力序列。于是问题可以写成：
min F(x) = [F1(x), F2(x)]
s.t. g(x) ≤ 0，h(x) = 0
问题是这个F(x)是个向量，向量之间没法直接比大小。一个解x1成本更低但碳排放更高，另一个解x2成本更高但碳排放更低，你说哪个更好？没法说。只有当某个解在所有目标上都优于另一个解时，我们才说它“支配”了另一个解。所有不被其他解支配的解，就构成了Pareto前沿。
这个概念特别重要，因为做微电网调度，本质上不是求一个“最优解”，而是求一个Pareto解集。有了这个解集，运营人员才能根据当天的天气、电价、政策压力去挑一个现阶段的“折中解”。比如谷电时段电便宜，那就多买点电、电池充满；峰电时段碳排放因子高，那就优先用绿电。
1.3 为什么选粒子群算法来解这个问题
既然是多目标问题，解空间又大又非线性，用传统数学规划就吃力了。内点法、分支定界法这些，处理小规模还行，一旦机组数量上去了、调度时段变成96个点（15分钟一个点），求解时间就指数爆炸。这时候启发式智能算法就派上用场了。
粒子群算法（PSO）是我个人比较喜欢的一个算法，原因有三：第一，它实现起来真的简单，核心更新公式就是速度更新加位置更新，一页纸能写完；第二，它对目标函数的要求很宽松，不需要求导，不需要连续，只要是能计算出来的函数就行；第三，它的全局搜索能力在中等规模问题上表现不错，收敛速度快于遗传算法那类演化算法。
但标准PSO有个毛病——容易早熟收敛，容易陷入局部最优。所以就有了“改进粒子群算法”这个说法。改进的方向很多：自适应惯性权重、引入变异算子、多子群协同进化、精英存档策略、动态学习因子等等。我这次用的改进思路是带约束非支配排序和自适应权重的混合PSO，后面会详细说。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 改进粒子群算法的设计思路与关键改进点
2.1 标准PSO的复习与不足之处
先把标准PSO拉出来遛一遍。假设有N个粒子，每个粒子i在第k次迭代时的位置是Xi(k)，速度是Vi(k)。每个粒子记住自己历史最优位置pbest和全局最优位置gbest。速度更新公式是：
Vi(k+1) = w * Vi(k) + c1 * r1 * (pbest_i - Xi(k)) + c2 * r2 * (gbest - Xi(k))
位置更新公式是：
Xi(k+1) = Xi(k) + Vi(k+1)
其中w是惯性权重，c1是自我认知学习因子，c2是社会认知学习因子，r1和r2是[0,1]之间的随机数。
这套机制本质上模拟的是鸟群觅食：每个粒子既相信自己过去的经验，又参考群体的信息。但拿到微电网调度这个场景里，标准PSO有两个突出问题。
第一个问题是约束处理很尴尬。微电网调度有一堆等式约束（功率平衡）和不等式约束（机组出力上下限、电池SOC）。标准PSO是自由搜索算法，它会给你一个不满足约束的“最优解”。你当然可以加惩罚函数，但惩罚系数又是个玄学参数，罚狠了容易收敛到不可行区域边缘，罚轻了不可行解会混进最终结果。
第二个问题是早熟收敛。调度问题的解空间很复杂，标准PSO容易在迭代中期所有粒子聚到同一个区域，失去了多样性，然后被困在某个局部最优解里。尤其在多目标情况下，如果所有粒子都朝某一个目标方向聚集，Pareto前沿就没法铺开，出来的解集覆盖度很差。
2.2 改进点一：基于非支配排序的档案维护
这部分其实是借鉴了NSGA-II的非支配排序思想。具体做法是这样：用一个外部档案（External Archive）来存放当前找到的非支配解，每次迭代时，把新产生的粒子位置和档案里的解做支配关系判断。如果新解被档案里的某个解支配，直接丢弃；如果新解支配了档案里的某些解，把它加进去同时剔除被支配的；如果新解和档案里的所有解互不支配，也加进去。
档案还有容量上限，一般是50到100个解。容量满了怎么办？用拥挤距离排序，把最密集区域的解踢掉。为什么要这么做？因为多目标优化的一个关键评价指标是解集的均匀性和延展性，如果解都挤在Pareto前沿的某一段，决策者根本看不到其他权衡方案。拥挤距离踢人策略就是让解在整个前沿上分布得更均匀。
2.3 改进点二：自适应惯性权重与学习因子
标准PSO的w一般取固定值0.6到0.9，但固定的w有毛病：迭代初期需要大w来保持探索能力，迭代后期需要小w来精细化搜索。所以我用了一个自适应公式：
w(k) = w_max - (w_max - w_min) * (k / K_max)^2
其中K_max是最大迭代次数。这个下降曲线是先快后慢的，前期快速降低w可以让粒子维持全局探索，后期缓慢降低w可以充分挖掘局部区域。实测下来，比线性下降效果好不少。
c1和c2也有讲究。固定取c1=2, c2=2的问题是后期粒子还在往自己的pbest方向偏，影响收敛。改进做法是动态调整：
c1 = c1_max - (c1_max - c1_min) * (k / K_max)
c2 = c2_min + (c2_max - c2_min) * (k / K_max)
也就是说前期重视自我认知（大c1），后期重视群体协作（大c2）。这个设计逻辑很直观：前期粒子应该多自己探索，后期应该跟着优秀解走。
2.4 改进点三：约束处理——可行解优先与变量修复
约束处理是我这次花时间最多的地方。纯靠惩罚函数不靠谱，我用的策略分两层。
第一层是编码层修复。对于功率平衡约束，我不是把等式约束丢给算法去试错，而是把其中一个机组的出力作为“松弛变量”。举个例子，系统中如果有柴油机、储能、光伏、电网交互这四个可调量，那么柴油机的出力由其他三个量决定，公式是：
P_diesel(t) = P_load(t) - P_pv(t) - P_battery(t) - P_grid(t)
这样功率平衡在编码阶段就自动满足了。当然，算出P_diesel后要检查它有没有超出柴油机的出力上下限，如果超了，就说明这个粒子对应的其他决策变量取值不合理，直接给它一个极强的惩罚值，并在下一次迭代中引导粒子往可行域方向搜索。
第二层是可行性优先的支配法则。在判断两个粒子的支配关系时，如果粒子甲可行、粒子乙不可行，甲直接支配乙；如果两个都不可行，就按约束违反程度来比较；只有两个都可行时，才按目标函数值的支配关系来比较。这套规则在演化计算里叫“可行性优先机制”，实际效果比罚函数干净多了，不会出现罚因子调参调到头秃的情况。
3. 微电网调度模型搭建与实操实现
3.1 系统拓扑与基础数据设计
先交代一下我搭建的测试系统，这不复杂，就用一个典型的交流微电网拓扑：光伏系统（PV）、风力发电机（WT）、柴油发电机（DE）、储能电池（BESS）、本地负荷，再加上一个与上级电网的公共连接点（PCC）。
整个调度周期是24小时，调度步长取1小时，所以决策时段的维度就是T=24。这个粒度比较常用，既能反映负荷和光伏的日变化规律，又不至于让优化模型过于庞大。如果你要更精细地控制储能出力，可以改成15分钟一个点（T=96），粒子维度会变成原来的4倍，收敛速度会慢不少，需要相应增加迭代次数和粒子数。
基础数据参考一个普通微电网测试系统：光伏额定容量100kW，风机额定容量50kW，柴油发电机额定容量150kW，储能电池容量200kWh，最大充放电功率50kW，PCC联络线功率上限100kW。光伏和风电的出力曲线用一个典型日的曲线数据，负荷曲线也用一个接近实际居民和商业混合的日负荷曲线。
3.2 目标函数与约束条件的数学建模
这两个目标函数是这套系统的“裁判员”，定义得清不清晰直接决定调度结果的可用性。
第一个目标是系统总运行成本最小化。这里面包括柴油机的燃料成本、启停成本、储能充放电的老化折算成本，以及与大电网的能量交易成本。柴油机的燃料成本通常用一个二次函数来表示：
C_fuel(t) = a * P_de(t)^2 + b * P_de(t) + c
其中a、b、c是油耗特性系数。与电网的交易成本就是购电价格和售电价格乘以对应的功率，购电价格高于售电价格，所以算法会天然倾向于在电价低谷时储能充电、在电价高峰时放电卖电。
第二个目标是碳排放最小化。碳排放来源主要是两部分：柴油发电机燃烧燃料产生的排放，以及从大电网购电对应的间接排放（你买电的那一侧电厂烧煤或烧气产生的排放）。这个函数写起来很直接：
E_total = sum(E_de(t) + E_grid(t))，t从1到24
其中E_de(t)是柴油机的排放量，与油耗成正比；E_grid(t)是购电量的排放，等于购电功率乘以上级电网的碳排放因子。动态碳排放因子这个参数特别有意思，电网在负荷高峰时段往往启动更多煤电机组，碳排放因子更高，但在负荷低谷时段水电核电占比高，碳排放因子低。如果你用的是静态因子，等于忽略了电价信号和碳排放信号之间的耦合关系。
约束条件这块，硬约束有这么几条：功率平衡约束、柴油机出力上下限约束、爬坡率约束、储能SOC上下限约束、储能充放电功率约束、PCC传输功率约束。还有一个不太起眼但特别容易踩坑的约束——储能不能同时充电和放电，这个逻辑上要保证。
3.3 粒子编码方式与求解流程
编码方式是这类算法落地的最关键设计决策。我用的是实数编码，每个粒子代表一个完整的调度方案。假设系统里存在柴油机、储能、PCC三个可调对象，每个对象有24个时段的调度值，那一个粒子的维度就是3×24=72维。光看这个维度就觉得头皮发麻，但其实对于粒子群算法来说这个维度并不算太高，关键是搜索空间的形状是否合理。
简化处理的话，可以把光伏和风电作为负的负荷来处理，不纳入决策变量，因为它们属于不可调度的可再生能源。这样粒子就只包含P_de(1~24)、P_battery(1~24)、P_grid(1~24)共72维。
算法流程我简单捋一遍：
- 初始化N=100个粒子，每个粒子在决策变量可行范围内随机生成位置向量，然后计算两个目标函数值，把非支配解存入外部档案。
- 迭代开始，更新每个粒子的速度和位置，这里要加入自适应权重和动态学习因子。
- 检查新位置的功率平衡，通过松弛变量法计算柴油机的实际出力，并处理超限情况。
- 对每个粒子更新历史最优pbest。判断方法是可行性优先：如果新位置支配旧pbest则替换，如果互不支配则看拥挤距离，保留分散度更好的解。
- 更新全局最优gbest。从外部档案中随机选取一个解作为群体的学习方向，这样能保证粒子不会全部涌向同一个解。
- 更新外部档案，做非支配排序和拥挤距离排序，裁剪超容量档案。
- 判断是否达到最大迭代次数（我设了500代），达到则输出外部档案中的所有非支配解。
这里要单独说一句：全局最优的更新策略对多目标PSO影响很大。标准PSO只有一个gbest，所有粒子都朝它飞，这对单目标没毛病，多目标就不行了。改进之后，gbest从外部档案里随机挑一个，相当于每次迭代粒子群的学习方向是动态变化的，这会显著提升解集的多样性。我实测过这个改动，只改这一处，Pareto前沿的延展性和均匀性提升都很明显。
3.4 代码框架与关键函数拆解
直接上关键代码是不可能的，样本量太大篇幅不够，但框架逻辑可以给出来，照着搭就行。整个过程我用Python实现，科学计算栈基本是numpy加matplotlib画图。粒子群部分我直接照着上面写的公式用numpy向量化实现，不用现成库，这样你能看清每一步在干什么，也方便改。
核心数据结构有两个：一个是粒子类，包含位置矩阵、速度矩阵、pbest位置、pbest目标函数值、当前目标函数值、约束违反量；另一个是外部档案类，包含解集合、对应的目标函数值集合、拥挤距离集合。
目标函数计算的部分，我写了一个evaluate函数，输入是粒子的位置向量，输出是成本和碳排放两个标量值。这个函数内部首先解码出各时段功率值，然后查表取出负荷、光伏、风电、分时电价和碳排放因子，最后按前面说的公式计算两个目标值。
约束处理方面，我实现了前面说的可行性优先支配比较函数，这个函数是外部档案维护和pbest更新的核心逻辑，它的输入是两个解的目标值和约束违反量，输出是支配关系判断结果。
整个跑下来，500代、100个粒子、72维问题，在我的笔记本上大概要跑3到5分钟。如果你用96时段加上更多机组，粒子数建议提到150到200，迭代次数加到800甚至1000，时间成本会明显增加。
4. 实验效果分析与常见问题排查
4.1 Pareto前沿结果解读与目标权衡分析
跑完算法之后，把外部档案里的非支配解画在二维坐标图上，横轴是总运行成本，纵轴是碳排放量，就能看到一条形状类似倒L形的Pareto前沿。
这条曲线非常说明问题。曲线左端对应碳排放最低的方案，成本最高，因为要尽量减少柴油机的使用，优先光伏风电，甚至不惜在电价高时从电网高价买绿电来满足负荷；曲线右端对应成本最低的方案，碳排放最高，因为算法倾向于在电价低谷时段大量买电、用柴油机补充缺额，不管排放。中间的那些解就是环保和经济的各种折中。
拿我实验中一个比较典型的解来说，某个折中方案的日运行成本大约是1200元，碳排放大约是450kg；另一个偏环保的方案成本接近1600元，但碳排放降到300kg。也就是说，你多花大约三成的运行成本，能换取三成以上的碳排放削减。这个比例关系不是线性的，曲线中部往往存在一个“甜点区”，在那里稍微增加一点成本就能换来明显的减排效果，但过了某个拐点之后，再想减排就得付出高昂的代价。决策者如果知道这个曲线的形态，做决策时就很有底气了。
4.2 收敛曲线与算法稳定性分析
只看最优解集还不够，还得看算法的收敛过程。我这里做了两个维度的收敛分析：第一个是单目标角度，把每个粒子当前的非支配解数量随迭代次数记录下来；第二个是解集质量角度，用超体积指标（Hypervolume，HV）来评估解集在目标空间中的覆盖面。
超体积这个指标值得多说两句。它衡量的是解集与参考点之间形成的空间体积，HV越大说明解集在目标空间中覆盖越好，既包含收敛性好又包含多样性好。我测试了标准PSO和我的改进PSO，用同样的初始种子跑30次取平均值。结果是改进版PSO的HV平均值比标准PSO高约25%，而且方差只有标准PSO的一半左右。这说明改进版的改进不仅仅是运气好，而是确实提升了算法的鲁棒性。
有人可能会问，你这么改来改去，算法复杂度是不是高了？确实高了，非支配排序的复杂度是O(MN²)，M是目标数2，N是粒子数100，算下来还能接受。如果用三维目标甚至四维目标，复杂度会进一步上升，到时候得用带精英策略的快速非支配排序优化一下。
4.3 典型问题与踩坑实录
我在调试这套系统的过程中遇到过不少糟心事，挑几个典型的说，给后来人排排雷。
第一个坑是储能SOC的初始值没设对。刚开始我把电池SOC初值设成0.2，调度结果里电池几乎一直处于充电状态，因为算法发现初始电量太低，前几个小时不敢放电，后面放电又受到SOC上限限制，导致整个调度方案性能很差。后来改成0.5，效果立刻好了。这个问题的本质是调度周期是一个滚动过程，电池的初始能量状态和最终能量状态都会影响解的质量。如果想让调度方案更贴近实际运行，建议加一个SOC终值约束，比如24小时结束时的SOC要回到初始值附近，形成一个日循环。否则算法会倾向于把电池最后几个小时的存电全部放光。
第二个坑是分时电价的时段设置和碳排放因子的时段设置不一致。很多时候做微电网调度的人会忽略一个联动问题——电价低谷时段往往是负荷低谷，此时电网中的煤电占比未必低，碳排放因子未必低。如果你在模型中用独立设置的静态分时电价和静态碳排放因子，就会在目标空间里出现一些自相矛盾的调度方案。比如算法可能在夜里电价低谷时段大量购电给电池充电，但这部分电力碳排放很高，又恰好在白天负荷高峰时放电，看起来经济性好了，环境效益却变差了。要缓解这个问题，得给碳排放因子也做动态曲线规划，此时两个目标函数的权衡会更加复杂且有趣。
第三个坑是惯性权重w的下降策略。一开始我用线性下降，w从0.9线性降到0.4，跑出来的结果总是差强人意，后来换成了非线性递减，收敛速度和解集质量同时提升。这里给一个规律：如果你发现粒子群经常在迭代后期还在大范围震荡，说明w衰减不够快；如果你发现迭代中后期解集基本不动了，说明w衰减得太快，粒子已经没有探索能力了。根据你系统的粒子数和维度做微调即可。
第四个坑是梯级爬坡约束的实现。我一开始图省事，在目标函数里加惩罚项来处理爬坡约束，结果发现算法会对爬坡限制“打补丁”：它会让柴油机出力在两个时段之间微调，然后通过储能来弥补大的功率波动，看起来爬坡满足了，但结果不稳定，储能疲劳度很高。后来我改成在粒子更新的每一维上都做约束裁剪，把爬坡约束硬编码到变量的可行域里，问题就解决了。
5. 改进粒子群算法的扩展思考与应用落地
5.1 三维目标扩展：加入储能寿命损耗
前面说的都是两目标优化，实际上微电网调度完全可以做成三目标甚至四目标。一个非常自然的扩展是加入储能寿命损耗。储能电池每充放一次，容量都会有一定衰减，这种衰减跟充放电深度、循环次数直接相关。如果调度模型完全忽略储能寿命损耗，算法的典型策略是频繁浅充浅放，充分利用电池调节能力，但电池可能在两个月后就衰减得没法用了。
加入储能寿命目标后，算法的Pareto前沿变成三维曲面，找一个合适的可视化方法本身就是个挑战。不过三维目标的求解难度是指数级上升的，粒子数建议提升到200以上，外部档案容量可以放宽到150个解。实际做的时候你会发现，加入这个目标之后，原来一些看起来划算的调度方案会丧失竞争优势，因为它的电池损耗成本太高了。
5.2 不完全信息与不确定性条件下的调度策略
经典的确定性调度假设光伏出力和负荷曲线是完美预知的，但这明显不符合现实。光伏出力受天气影响大，负荷也经常出现突发性波动。为了解决不确定性，常见的做法包括场景法（生成多个光伏出力场景，对这些场景做期望优化）、鲁棒优化（构造最恶劣场景，在恶劣场景下保证系统安全）。
粒子群算法在应对不确定性时有一种天然优势——因为它是基于群体搜索的，很容易改造成多场景并行搜索模式。你只需把目标函数从“确定性目标”改成“所有场景下的期望目标”，算法的整体框架几乎不用变。当然，这样的计算量会成倍增加，建立场景库的时候建议用K-means聚类先给原始天气数据降维，把几百个场景聚类成十几个有代表性的，再丢进粒子群算法里算。
5.3 从离线调度到在线调度：算法实时化改造
现在很多微电网调度是离线做的，提前一天算好未来24小时的计划，然后第二天按计划走。这种模式怕的是突发情况：光伏突然被云遮了、某台机组故障了、负荷突然上升。这时候你得做实时调整。
要把改进PSO改成在线调度版本，首要问题是计算时间。500代100个粒子要跑两三分钟，对于实时控制来说太慢了。我的建议是分两步走：第一步是离线阶段算一个基准Pareto解集，作为参照；第二步是在线阶段，固定一部分调度变量已经执行的现场状态，只对未执行的调度时段做局部优化，此时为了更快的响应速度可以适当地将最大迭代次数降低到100到150代。更激进的方案是做模型预测控制（MPC），把调度问题滚动求解，粒子群算法只在每个控制步内算一次，算完立刻执行第一个时段的决策。这样系统的响应能力会大幅提升，但工程复杂度也上来了，这就是另一篇文章的内容了。
5.4 实际操作中影响算法效果的关键经验
从我这些年的实际操作经验来看，改进粒子群算法本身并不是刷论文里的那一套炫技式改进会更好；反而工程落地时，参数调优和数据质量的影响往往被忽视却至关重要。有几个细节值得反复强调。
第一个是初始粒子的生成方式。如果你在粒子群初始化阶段完全随机地撒粒子，大概率会生成很多严重违反约束的初始解，尤其是功率平衡约束。我在代码里做了一个局部优化初始化——先生成一批随机调度方案，然后对每个方案进行一次局部修正，让它们满足基本约束，再作为种群的初始位置。这个操作能让前50代迭代的收敛速度提升一倍以上。
第二个是数据标幺化。调度模型中涉及的数据量级差距很大，成本是几千块、碳排放是几百千克、功率是几百千瓦。如果不做归一化，算法迭代过程中的速度更新和位置更新会被数值大的变量主导，导致小数量级的变量几乎不被优化。我的做法是对所有决策变量做min-max归一化到[0,1]区间，目标函数也做归一化处理，这样粒子的搜索空间是均匀的，收敛稳定性和解的质量都会明显提升。
第三个是档案解峰值数量超了之后的清理策略。拥挤距离排序踢人看起来很简单，但实际踢的时候要注意一点：优先保留两端（即每个目标单目标最优的解）和中间稀疏区域的解，而不是每次都踢掉拥挤距离最小的解。这样做是保证解集在两端的延展性不会退化。我见过有些实现踢人踢得特别激进，跑出来的Pareto前沿两头光秃秃的，只有中间一堆解，这种解集对决策者来说价值比较有限。
6. 总结与个人实践心得
改粒子群算法做微电网多目标优化这件事，我前后折腾了挺长时间。很多刚接触这个方向的同行会找一堆论文来看，试图找一个“最好”的改进方案，但实际做下来我的体会是：算法的改进策略好不好，取决于你的问题场景。微电网调度有强烈的物理约束和工程约束，你不管在算法层面怎么包装，最后解出来的调度方案必须能被实际执行。所以核心工作应该花在模型建得是否合理、约束处理是否严格、编码方式是否高效这几个方面，算法改进反而是锦上添花的事情。
如果让我给后来者一个明确的入手路线，我的建议是这样：先把单目标PSO跑通，找一组可复现的微电网算例数据，确认能稳定收敛到一个可行解；再做多目标化改造，实现外部档案和非支配排序，这时候你能看到Pareto前沿出现，成就感已经很大了；最后一步再上自适应权重、粒子变异这些“花活”，用来解决前沿均匀性不够好、或者收敛速度慢的具体缺陷。不要在第一步还没走稳的时候就去套一堆复杂改进，出了问题你都说不清楚是模型的问题还是算法的问题。
另外有一点一定要提：储能SOC的动态范围设置对调度结果影响极大。许多新手拿到一个算例就往里塞SOC约束，用默认的[0.2, 0.9]，结果发现调度方案里的电池基本不动作，又回头去怀疑算法有问题。其实是因为负荷和光伏曲线的特性没有跟SOC范围匹配好。把SOC上限设置太高，电池容易被充满，后续没有调节空间；下限设置太高，电池放电能力受限。这个要根据你的实际数据反复试，多试几次你就能找到规律。
多目标优化的终点不是把Pareto前沿画出来发篇论文，而是要把决策权交还给运营者。算法能提供一百个折中方案，但最终用哪个方案，取决于微电网运营商当天更想追求经济性还是环保目标，甚至取决于上级电网当天的碳排放压力。这个认知，我觉得比任何算法改进都重要。