混合储能容量配置中改进粒子群算法与AOA、SSA的对比实践

做混合储能容量配置这个方向，我最大的感受是：问题本身并不难理解，但要把“锂电池+超级电容到底各装多少”这件事算得让设计院和评审都信服，比想象中要绕很多弯子。过去大半年我在做园区级风光储微电网的容量测算时，核心工作就是用改进粒子群算法去寻优，同时把AOA（算术优化算法）和SSA（麻雀搜索算法）拉进同一个模型里做横向对比。熟悉这套流程之后会发现，真正的价值不只在某个算法精度高一点，而在于如何把储能系统建模、约束条件、算法改进和目标函数完整地串成一条可信的技术路线。这篇内容我按自己的踩坑顺序拆开讲，从模型到算法再到对比实验，适合正在做储能容量优化方向研究或者准备做微电网初步设计的朋友参考。

1. 混合储能容量配置到底在配什么：先把物理问题说清楚

1.1 单一种类储能的短板决定了“混合”的必要性

先说一个很多人刚接触时容易忽略的物理事实：单独用电池或者单独用超级电容做并网型储能的平滑，都会陷入某种尴尬。

磷酸铁锂电池能量密度高，能扛住几小时级别的能量搬移，比如白天光伏多发的电存到晚上用，这类场景属于典型的“能量型需求”。但电池对频繁的功率冲击非常敏感，风电和光伏出力是秒级到分钟级都在波动的，风速一阵一阵掠过，云层一片一片飘过，出力的高频分量会直接叠加到电池的充放电指令上。电池在这种工况下循环寿命衰减非常快。我见过一个实际项目，电池的设计循环寿命是6000次，但因为高频波动频繁，实际等效循环次数一年就跑掉了近三分之一，别说8年寿命，能撑到4年就很不错。

超级电容正好反过来，它的功率密度高、响应快、循环寿命极长，几十万次充放电对它的容量衰减影响很小，特别适合吸收尖峰功率和短时冲击。但它能量密度太低，真要拿它去平抑持续几个小时的功率缺额，成本会高到项目根本无法落地。

混合储能系统的思路非常简单：把电池和超级电容并联到同一条直流母线上，电池负责“托底”低频能量分量，超级电容负责“挡”高频功率波动。这样电池看到的功率指令被削平了，寿命压力大幅降低；超级电容的容量不需要配很大，系统总成本反而更优。这本质上是用“介质分工”去匹配“频谱属性”。

1.2 容量配置问题的数学本质与解题框架

所谓容量配置，就是在一组给定的风速、光照、负荷时序数据下，确定电池的额定功率与额定容量，以及超级电容的额定功率与额定容量，使得整个储能系统在满足供电可靠性约束、电池SOC约束、功率平衡约束等一系列条件下，某个经济性指标达到最优。

这是典型的带约束非线性优化问题，而且目标函数不是光滑凸函数。为什么不用常规的拉格朗日或者单纯枚举？

因为决策变量虽然只有四个（电池功率、电池容量、超容功率、超容容量），但每个变量和系统全年8760小时运行状态耦合在一起。枚举网格如果做得粗，结果明显偏离工程可行方案；做细了，计算量爆炸。我在仿真里用1小时步长跑全年数据，每次适应度评估需要把所有时刻的功率平衡和SOC递推算一遍，纯Python单次评估要若干毫秒，而优化算法往往要调用数万次评估。这种场景下，群体智能优化算法就成了一个很现实的选择。

1.3 改进粒子群、AOA、SSA在项目里的分工逻辑

从课题标题也能看出来，这不是一个“只用一种算法输出结果”的项目，而是一个“多算法交叉验证”的研究型框架。我的理解是：改进粒子群算法充当主优化器，AOA和SSA则作为对照算法，在同一适应度函数、同一约束惩罚机制下验证改进粒子群是否在收敛速度、解质量和稳定性上有优势。

这个分工非常关键。很多人做算法对比时容易犯一个错误：每个算法用自己的测试函数、自己的迭代上限、不同的约束处理方式，最后对比结果完全没有说服力。真正能站得住脚的做法，是让所有算法共享同一个“黑箱适应度接口”，只替换寻优策略本身。把这个接口定义好，下面的模型搭建和算法改进才有意义。

2. 构建可计算的储能成本模型：目标函数、约束条件和变量编码

2.1 混合储能系统的拓扑与运行逻辑

仿真模型我采用最常见的直流母线结构：光伏阵列经DC/DC变换器接入直流母线，风机经整流器接入，锂电池和超级电容分别通过双向DC/DC变换器挂接，负荷由逆变器供电。功率平衡表达式为：

P_load(t) = P_pv(t) + P_wind(t) + P_bat(t) + P_uc(t) - P_dump(t)

这里P_bat(t)和P_uc(t)以放电为正，充电为负。P_dump(t)是弃电功率，当风光出力过大且储能SOC都已接近上限时，多余的电量只能放弃。

储能系统的功率分配是整个仿真模型的核心。我采用的分配策略是一次低通滤波：先计算净负荷功率（负荷功率减去风光出力），再通过低通滤波器把净负荷分成低频指令和高频指令。低频指令交给电池，高频指令交给超级电容。这个策略不需要在线优化，运算简单，工程上也是主流做法。

低通滤波器的时间常数直接决定电池和超容的分工边界。时间常数取太小，多数波动会被分到超级电容，电池压力小但超容成本高；取太大，电池承受的功率波动变大，寿命损耗上升。这个参数在仿真中一般作为外层优化变量，但为了保持算法对比时适应度函数的一致性，把它固定为10分钟，两组对照实验不改变这个设置。

2.2 目标函数：用净现值成本统一经济口径

成本模型我采用全生命周期净现值成本，把20年项目周期内所有投入折算到当下：

C_total = C_inv + C_om + C_rep - C_res + C_pen

各项含义如下：

• C_inv是初始投资，包含电池和超级电容的功率成本与容量成本：
  C_inv = (c_P_bat × P_bat + c_E_bat × E_bat) + (c_P_uc × P_uc + c_E_uc × E_uc)

• C_om是运行维护成本，按初始投资的固定比例每年折算，再按折现率求和。锂电池的维护成本高于超级电容，是因为电池簇需要定期均衡管理和温度控制。

• C_rep是更换成本。电池寿命有限，在20年项目周期内大概率需要更换一次甚至两次。这个值不能拍脑袋定，需要用全年吞吐量推算电池等效循环次数，再算出实际寿命。我后面专门讲这个坑。

• C_res是设备残值。项目期结束时电池和超容还有剩余使用寿命，可以在二级市场处理，按剩余寿命比例折价。

• C_pen是惩罚项，当系统不满足约束时增大适应度值，让优化算法朝可行域方向搜索。

表格给出的经济参数是我在某微电网测算案例中采用的量级，不一定适合所有场景，但可以作为第一版迭代的起点：

这里有一个经常被质疑的地方：超级电容的能量成本为什么这么高？因为超级电容的储能介质本身是按焦耳或法拉计算的，折算到kWh单位后，其每千瓦时成本远高于电池。不过超级电容并不需要配很多kWh，它只需要容量撑得起分钟级的高频波动就够。混合系统经济性成立的前提，正是“少量昂贵的超容换取电池寿命的大幅延长”。

2.3 约束条件及寿命惩罚项的处理

优化模型的约束分为两类。

第一类是硬约束，每一步仿真都必须满足：

• 功率平衡约束：任意时刻充放电指令之和不能超过各储能介质的额定功率。
• SOC约束：电池和超容的SOC始终停留在规定区间内。
• 充放电功率限制：不能超过变换器的额定功率。

第二类是软约束，用惩罚函数处理：

• 失负荷率LPSP不超过设定上限。失负荷率定义为全年未满足的负荷电量占总负荷电量的比例，一般要求低于2%或5%，取决于项目对供电可靠性的要求。
• 弃电率CUR不超过设定上限。风光大发而储能和负荷都吃不下的电量占比，一般控制在5%以下。
• 电池年等效循环次数不超过设计上限，确保电池在项目周期内的更换次数符合预期。

硬约束必须在仿真循环里直接“钳制”，不能让算法在不可行域里白跑。比如电池SOC触碰下限时，即使功率指令要求继续放电，实际放电功率也要被限制为零，并在适应度中记录一次失负荷事件。这种做法的好处是惩罚值连续光滑，算法能感知到“再往前走一点会更好”还是“当前方向已经无效”。

2.4 决策变量编码与解码细节

优化变量虽然本质上只有电池的额定功率和额定容量、超容的额定功率和额定容量四个，但在实现时我建议做一层变量变换。原因是功率和容量的数量级差异太大：电池容量可能是几千kWh，而超容能量可能只有几十kWh。直接把原始变量扔给粒子群做位置更新，算法很容易被大数量级变量带偏，小数量级的超容容量几乎得不到有效搜索。

我采用的编码方式是：

• 每个粒子由四个维度组成，维度1和2分别表示电池功率、电池容量，维度3和4分别表示超容功率、超容容量。
• 对每个维度设定合理上下界，并做归一化处理，粒子位置始终限制在[0,1]区间内，适应度评估前再线性映射到真实量纲。
• 容量下限按峰荷功率与持续放电时间的经验关系设定，上限按投资预算约束设定。

归一化处理虽然是个很小的工程细节，但往往比换一个更好的算法更能提升寻优质量。做算法对比研究时，也会让不同算法面对同一预处理逻辑，保证公平性。

3. 粒子群算法为什么需要改进：四个动作让搜索更贴近储能问题

3.1 标准PSO在容量配置场景的失效模式

标准粒子群的核心是每个粒子记录自己的历史最优位置和全局最优位置，每次迭代按下式更新速度和位置：

V_i = ω×V_i + c1×r1×(Pbest_i - X_i) + c2×r2×(Gbest - X_i)

X_i = X_i + V_i

这个算法在连续光滑的单峰函数上效果很好，但容量配置问题的目标函数不是典型单峰曲面。它存在大片平台区，多个局部极小值点数值非常接近，而且可行域和非可行域之间的边界因为失负荷率惩罚而变得很“陡”。

标准PSO在这个问题上有两个典型病灶：

一是局部收敛。粒子群一旦在某个局部区域抱团，gbest更新速度变慢甚至停滞，粒子速度在没有惯性调剂的情况下逐渐衰减到很低，整个种群丧失跳出能力。

二是后期震荡。储能成本曲面平台区偏多，粒子到了平台区后，局部梯度不提供有效方向，粒子容易在某个较小区域反复振荡，白白消耗迭代次数。

我见过有人用标准PSO跑容量配置，200次迭代后的结果时好时坏，运行三次拿到三个差异明显的“最优解”。这种稳定性的问题在工程复现时非常致命。

3.2 本项目中采用的四个改进策略

针对上述问题，我采用了四项改进策略，全部是针对容量配置问题特征来设计的。

第一是Tent混沌映射初始化种群。标准PSO用随机数初始化，粒子在前几代分布不均。改用Tent映射生成初始位置后，粒子能更均匀地覆盖可行域。储能容量配置的可行域往往有不规则边界，均匀初始化意味着有机会在更早阶段发现多个有潜力的局部区域，降低后期陷入单一区域的风险。

第二是惯性权重余弦递减与自适应扰动结合。标准PSO用线性递减权重，从0.9到0.4线性下降，全局收敛快但后期精细搜索能力一般。我在项目中采用余弦曲线递减：前期权重下降速度较慢，保留较强的全局搜索能力；中期加速下降，从粗搜切换到精细搜索；后期保持在较低水平，但每隔一定代数对全局最优粒子施加一次小幅度Levy扰动，防止种群静止。

第三是学习因子异步调整。c1前期大、后期小，c2前期小、后期大。前期强调个体认知，让每个粒子独立探索；后期强调社会认知，让粒子向当前最优区域集中。这个逻辑非常契合容量配置先探索后收敛的特征。

第四是精英保留机制。每代粒子更新位置后，直接将上一代适应度最好的两个粒子无扰动复制到下一代，避免后代粒子因为越界修正失去当前最优位置。这个方法代价极小，但是能显著提升收敛曲线的稳定性。

用这三套改进打底，标准PSO的早熟问题改善明显。再配合前面说的变量归一化和边界反弹处理，算法在多次重复运行中能得到一致性较好的结果。

3.3 核心位置更新逻辑的参考实现

下面的伪代码展示了改进后位置更新的关键分支逻辑：

python复制def update_velocity(particle, personal_best, global_best, iteration):
    w = 0.4 + 0.5 * (0.5 + 0.5 * cos(pi * iteration / max_iter))
    c1 = 2.5 - 2.0 * iteration / max_iter
    c2 = 0.5 + 2.0 * iteration / max_iter

    velocity = (w * particle.velocity
                + c1 * random(0, 1) * (personal_best - particle.position)
                + c2 * random(0, 1) * (global_best - particle.position))

    particle.position += velocity

    # 越界反弹，而不是直接截断
    for dim in range(len(position)):
        if position[dim] < lower[dim] or position[dim] > upper[dim]:
            velocity[dim] = -0.5 * velocity[dim]
            position[dim] = clamp(position[dim], lower[dim], upper[dim])

    # 每隔15代，对全局最优粒子施加Levy扰动
    if iteration % 15 == 0 and particle_index == best_index:
        levy_step = levy_flight(alpha=0.1)
        new_pos = global_best + levy_step * (upper - lower)
        particle.position = clip(new_pos, lower, upper)

注意越界处理这里直接用“截断”会让粒子卡在边界上，边界区域的适应度梯度信息丢失。改成“反弹”后，粒子越过边界会以减速方式弹回可行域，保留了探索边界内侧可行解的能力。这个细节我在多个项目里反复验证过，对储能容量这类变量上下限跨度很大的问题尤其有效。

4. AOA和SSA到底强在哪：拿来对比之前先搞清楚底牌

4.1 AOA算术优化算法的勘探-开发平衡机制

AOA是2021年提出的元启发式优化算法，全称Arithmetic Optimization Algorithm，设计灵感来自数学运算中的加减乘除四类算子。注意这里要跟天鹰优化器Aquila Optimizer区分开，后者标准缩写其实是AO。论文写作时如果不加全称，审稿人很容易因为缩写歧义而质疑专业度。

AOA的核心逻辑是把一次迭代划分成勘探和开发两个阶段，用数学优化器加速函数MOA控制切换节奏：

MOA(t) = Min + t × (Max - Min) / MaxIter

Min通常取0.2，Max取0.98左右。随着迭代次数增加，MOA从0.2逐步增大到接近1，当rand小于MOA时执行开发阶段（加减运算），否则执行勘探阶段（乘除运算）。在勘探阶段，粒子通过乘法或除法在搜索空间大范围跳动；在开发阶段，通过加法或减法在局部区域精细逼近。

AOA在容量配置问题上的一个明显特点是：前期勘探异常激进。它的除法算子会让粒子出现大幅跳跃，在变量上下界跨度大的高维曲面中，这种跳跃式探索有时能跳出标准PSO很难跳出的局部区域。但它的劣势也很清晰：优化后期容易在某些维度上过度震荡，尤其在SOC约束形成的陡峭边界附近，收敛精度不如精细调优后的改进粒子群。

4.2 SSA麻雀搜索算法的角色分工

麻雀搜索算法是一个带有明显“社会分工”特征的群智能算法，发表于2020年。算法把种群分成三类角色：发现者、加入者和警戒者。

发现者是种群中适应度排名靠前的个体，负责在更广空间搜索食物，为整个种群提供新方向。它们的位置更新带有指数衰减的搜索步长，随着迭代次数增加，搜索半径逐渐减小。加入者数量更多，它们紧跟发现者移动，同时有一定概率自行探索。警戒者数量很少，但会在种群中发现危险时执行“反捕食行为”——跳到安全位置，这个跳变其实就是一次局部扰动，起到防止种群完全趋同的作用。

SSA的优势在于角色分工让种群始终保持一定比例的探索个体，不容易在迭代早期全部抱团。但警戒者的比例和触发条件比较敏感，参数设置不当会导致概率性跳变过于频繁，收敛曲线呈现锯齿状上升。在容量配置实验中，SSA在多数情况下能稳定找到较好的可行解，但超容容量维度的小范围精细搜索能力，往往不如本文改进后的粒子群算法。

4.3 三个算法的定位差异总结

为了直观说明，我把我在项目里用到的算法关键特点整理成了下面这张对比表。这张表也是论文“算法比较”段落里比较常见的内容组织方式，但需要注意表格中所有结论都应该基于你自己的实验数据，不能照抄别人的评价。

设计算法对比时，我的目的不是证明某个算法在所有维度都碾压另外两个，而是展示“面对容量配置这类特殊曲面，改进粒子群的结构性优势在哪里”，同时承认AOA和SSA在勘探阶段各有可取之处。

5. 对比实验的公平性设计与结果解读

5.1 同一起跑线：统一适应度函数与统一代数

算法对比最大的敌人是“不一致”。

我在早期踩过一个坑：为了给粒子群算法增加细节，我把适应度函数里加了一个额外的局部搜索模块，其他算法则直接调用原始函数。结果改进粒子群的收敛曲线确实漂亮，但仔细一看，它的优势主要来自局部搜索模块，而不是粒子群本身的改进逻辑。这种结果拿去汇报很容易被追问到哑口无言。

正确的做法是维护一个完全统一的优化接口：

python复制def fitness(decision_vars):
    # 唯一的适应度函数入口
    # 输入归一化后的决策变量
    # 解码 -> 全年时序仿真 -> 计算成本和惩罚
    pass

def run_experiment(optimizer_name, seed):
    if optimizer_name == 'IPSO':
        return improved_pso(fitness, pop_size=50, max_iter=300, seed=seed)
    elif optimizer_name == 'AOA':
        return aoa(fitness, pop_size=50, max_iter=300, seed=seed)
    elif optimizer_name == 'SSA':
        return ssa(fitness, pop_size=50, max_iter=300, seed=seed)

三种算法共用同一个fitness函数，包括变量归一化范围、越界处理方式、惩罚权重和低通滤波时间常数。种群规模统一为50，最大迭代次数统一为300，每组实验用不同的随机种子独立重复30次。

5.2 结果表应该怎么生成才具有说服力

每组算法跑完30次后，记录的指标至少包括：最优成本、平均成本、最差成本、标准差、平均收敛迭代数。下表是我在一次典型风光时序数据集上得到的结果，仅供参考。你的数据集不同，数字可能差异很大，但观察到的排名结构有典型参考价值。

可以清楚看到AOA在早期迭代中很有冲劲，平均149代就找到了相对比较好的区域，但后续精细调整能力不够，平均成本被抬高。SSA稳定性比AOA好，但最好的解也不如改进PSO。改进粒子群的方差最小，30次重复运行结果高度集中，这对工程决策很重要——我们不能接受优化算法每跑一次给一个不同方案的“开盲盒”状态。

5.3 从收敛曲线看到的问题比最终数值更多

我习惯了先看收敛曲线的“形状”，再判断这个算法在该问题上的匹配程度。收敛曲线并不只是用来展示算法快慢的装饰图。

如果曲线的下降过程非常陡峭，但后期平台很长且不再下降，说明算法前期勘探很成功，但开发能力受限。这个特点在AOA上表现明显。

如果曲线是阶梯状下降，中间反复出现跳变、上升后才继续下降，说明算法的搜索行为存在概率性的大步跳跃，这在SSA的警戒者机制中常见，反映的是种群在逃离局部点时出现了适应度倒挂。

改进粒子群的收敛曲线更接近理想形态：前期快速下降，中期平滑过渡，后期缓慢逼近最优值，波动幅度很小。这种形态说明改进后的算法在勘探与开发之间取得了一个适合容量配置曲面特征的平衡。

我建议在做研究时把收敛曲线和结果表格放在同一组实验记录里，不要单独截图。同一随机种子的收敛曲线对应哪一次运行、最终结果落在哪个水平，都需要一一对应，审稿或者汇报时随时可以复现，这才是实验数据管理的完整状态。

6. 容量配置实操中最容易翻车的五个细节

6.1 全年8760小时数据不能直接进优化循环

很多第一次跑容量配置的人会把全年的8760个小时全力运行数据直接作为仿真输入，算法每次评估都遍历8760个点。这种做法在数据量小的时候可以接受，但当优化需要几万次适应度评估时，计算时间会迅速膨胀到不可接受的水平。

我的做法是先对风光负荷时序做场景缩减：用k-means或者层次聚类，把全年日曲线聚成若干个典型日，每个典型日赋予一个权重代表该场景在一整年中出现的天数。一开始可以用12个典型日保证全年主要运行特征不丢。优化完成后，再把最优解放到完整8760小时数据里做一次校验，确认结果没有因为场景缩减产生偏差。

这个做法的原理很简单：容量配置关心的是长周期内的统计性能，不是每一分钟的事件细节。聚类把所有“相似的日子”合并成同一种运行状态，只要聚类数量和权重设置合理，最后算出来的成本和全时序仿真相差可以控制在3%以内，但计算耗时能降低一个数量级。

6.2 约束违反处理顺序会直接影响算法的搜索方向

在容量配置优化中，适应度函数返回的不是单纯的成本，而是“经济成本+惩罚项”。许多人在写惩罚项时犯的一个错误是把所有惩罚堆在一起，用同一个权重线性相加。结果可能是失负荷率刚好压到边界之下，弃电率却超了；或者两项都超了，算法无法判断哪个约束对当前解的“不可行贡献”更大。

更适合的做法是分层惩罚：第一层优先惩罚失负荷，因为它是最核心的可靠性指标；第二层惩罚弃电率；第三层才对SOC越限这种瞬态事件做轻度惩罚。每一层用阶梯式的惩罚系数，越线越多惩罚增长速度越快，引导算法不要长时间停留在约束边界外的区域。

这个细节看似只影响优化速度，实际影响的是最优解的方向。惩罚权重取错了，算法甚至会发展出“多配一点超容”来规避高频约束惩罚的策略，最终得到的方案在经济上完全不合理。

6.3 电池寿命评估必须用吞吐量而不是固定年数

这是我在实际项目中踩过最深、也是最多人问的一个坑。

很多文献在目标函数里直接写“电池每5年更换一次”，但电池的实际寿命不是按日历时间走的，是按累计吞吐量走的。当混合储能中的超容帮电池挡住高频波动后，电池的日均吞吐量会显著下降，放电深度分布也会更平缓，寿命会明显长于无超容配置的情况。如果你在模型里硬编码一个固定更换周期，等于“抹掉了混合储能的协同收益”，优化出来的超容容量自然会向偏小的方向偏，整个混合方案的经济性就无法体现。

正确的仿真方式是：在每一步仿真中累计电池的放电电量，然后折算为等效100%放电深度循环次数。根据电池的循环寿命曲线，反推它在这个项目周期内什么时候达到寿命终点，然后计入更换成本。这个逻辑会让电池的真实寿命变成目标函数的内生变量，也让优化算法能识别出“多配超容延长电池寿命减少更换成本”这条隐藏的收益路径。

6.4 浮点最优解要映射回标准化储能产品型号

优化算法输出的结果永远是浮点数，比如电池容量1237.58kWh、超容功率183.2kW。但实际工程采购时，电池是按标准电池簇并联的，超级电容是按模组串联并联的，并不能直接购买1237.58kWh的“定制容量”。

所以在优化结束之后，需要加一个标准化的后处理环节：把最优浮点解向上取整到实际可采购的容量档位，然后在每个档位附近做几个相邻组合的枚举仿真，找出满足约束且成本最低的标准方案。

这个过程也可以反过来做：在适应度函数里加入“标准化取整”操作，让算法每次评估的都是标准产品的组合方案。不过我的建议是优化阶段不加，否则离散化会让曲面更不平滑，算法收敛难度增加。你可以在优化结束后做后处理验证，两者得到的最优解通常非常接近，但后处理方式计算量更小。

6.5 结果校验的“逐日回放”习惯

最后分享一个我自己一直坚持的习惯：拿到最优容量配置结果后，不要只看汇总数字，要把仿真输出按“日”回放一遍，逐日核验储能系统的SOC曲线、功率分配和失负荷时刻。

有一次我跑的优化结果表面很漂亮，总成本低、失负荷率达标，但逐日回放时发现其中一天连续有4个小时光伏出力极低、负荷夜间峰还没过去，电池SOC在第二天凌晨已经见底，当天系统被迫切断了一部分非关键负荷。汇总失负荷率是达标的，但“集中式失负荷”在工程上往往比“分散式少量失负荷”更难接受。

这种细节在算法优化阶段很难被发现，只能靠在结果校验阶段多看一眼曲线。我建议每个项目成员都养成这个习惯，多用半小时看日曲线，能避免在后续可研汇报中被提出一个尴尬问题：“这个方案里为什么1月17日要限电？后续月份没有这个问题吗？”

在另一组对比里，我还发现这个逐日回放能排查出场景缩减带来的隐患：聚类后的典型日虽然均值接近，但忽略了连续多日低辐照的极端天气段，导致优化结果偏乐观。后来我在典型日权重之外额外增加了一个“连续阴雨天校验场景”，模型才真正贴近工程实际。

容量配置优化的落地能力，往往取决于这类细节是否雕琢到位。把模型、算法、验证三个环节打通，改进粒子群和AOA、SSA的对比成果才有真正的工程参考价值。