基于NSGA-II的综合能源系统多目标日前优化调度

1. 为什么综合能源调度必须引入多目标优化

我第一次尝试搭建综合能源系统调度模型时，用的是最传统的单目标线性规划，目标函数只设运行成本最小。跑出来的结果非常“偏科”——系统会尽量用最便宜的电，哪怕这台机组碳排放高得离谱；储能设备几乎不参与调节，因为成本模型里压根没有体现环境代价。导师看完结果只问了一句：“如果明天碳配额价格涨一倍，你的方案还算最优吗？”

这个问题点醒了我。所谓综合能源系统，本质上是电、热、气多种能源耦合运行的系统，风电、光伏、燃气轮机、电锅炉、储能、需求响应等设备在同一张网里互相制约。调度的目标从来不止一个：运行成本要低、碳排放要少、弃风弃光要小、系统可靠性要有保障。这些目标之间往往相互打架——想降成本就可能多烧煤电，想减排就得让高成本机组多出力。单目标优化只能通过加权求和把这些目标硬揉成一个数，权重怎么定全靠拍脑袋，而且当Pareto前沿非凸时，加权法连某些有效解都找不到。

这时候就需要真正的多目标优化算法。NSGA-II，全称Non-dominated Sorting Genetic Algorithm II，也就是带精英策略的非支配排序遗传算法，是目前解决这类问题最成熟的进化算法之一。它的输出不是单个最优解，而是一组Pareto最优解集——这批解相互之间不存在绝对优劣，成本最低的方案排放可能最高，排放最低的方案成本可能最高，工程师根据实际场景从中挑一个最合适的。这种“先给一揽子选择、再人工决策”的思路，和综合能源调度这种多目标冲突强烈的场景几乎是天生一对。

本文分享的就是我在Matlab环境下，从零实现NSGA-II求解综合能源日前优化调度的完整过程，包括问题建模、算法核心代码、约束处理方法和实际调参经验。无论你是刚开始接触综合能源方向的研究生，还是在工程中需要做多目标运行优化的工程师，这套代码框架都可以直接改改就用。

2. 先把调度问题翻译成数学模型：目标函数、决策变量与约束

2.1 场景假设与决策变量定义

我这里以一个典型的园区级综合能源系统为例：系统包含风力发电、光伏发电、燃气轮机、电锅炉、蓄电池、蓄热罐，外部电网可以购电购气，内部负荷分为电负荷和热负荷。调度周期取24小时，时间分辨率为1小时。

这组决策变量要说清，后面写代码全靠它：

• 燃气轮机每小时的电出力 P_gt(t)
• 电锅炉每小时消耗的电功率 P_eb(t)
• 蓄电池每小时充放电功率 P_bat(t)（放电为正，充电为负）
• 蓄热罐每小时充放热功率 H_ts(t)（放热为正，充热为负）
• 从外部电网购买的电功率 P_grid(t)
• 从外部购买天然气折算成功率 P_gas(t)

每个变量都对应24个时段的取值，所以整个优化问题的维度是 6 × 24 = 144 维。进化算法处理这种维度没有任何压力，这也是为什么NSGA-II这类元启发式算法在能源调度领域这么流行——它对问题维度不敏感，不像动态规划那样随状态变量爆炸式增长。

2.2 两个目标函数：成本与碳排放

目标函数一，系统总运行成本最小。这里要计入购电费用、购气费用、设备运维费用，减去售电收益（如果有余电上网的话），同时把储能设备的折旧成本按充放电量折算进去：

min f₁ = Σ [ c_grid(t)·P_grid(t) + c_gas(t)·P_gas(t) + Σ c_om,i·P_i(t) ]

其中 c_grid(t) 和 c_gas(t) 是分时电价和气价，这个分时特性很重要——很多调度策略能省钱并不是设备效率高，而是把用能行为挪到了低谷时段。c_om,i 是第i台设备的单位运维成本，实际算的时候设备越多，这部分越琐碎。

目标函数二，碳排放量最小。碳排放主要来自外购电和天然气燃烧：

min f₂ = Σ [ ε_grid ·P_grid(t) + ε_gas·P_gas(t) ]

注意外购电的碳排放系数 ε_grid 要按当地电网的平均排放因子来取，不同地区差别很大。燃气的排放因子可以按甲烷燃烧的化学计量关系推算，也可以直接查标准。另外，如果有碳捕集装置，这部分模型会更复杂，需要加额外的能量惩罚项。

2.3 约束条件的工程化处理

约束条件是整个调度模型里最容易翻车的部分，写少了结果不物理，写多了算法半天收敛不了。我实际建模时保留了以下几类：

功率平衡约束是最硬性的。电力平衡要求发电加购电，减去电锅炉耗电和储能充电，等于电负荷。热力平衡要求燃气轮机余热回收、电锅炉产热、蓄热罐放热之和等于热负荷。这两个等式约束如果不满足，整个调度方案就是空中楼阁。

设备出力上下限和爬坡约束也不能省。燃气轮机不能超过额定功率，蓄电池充放电功率有限，储能SOC要保持在安全区间（比如0.1到0.9），而且SOC的时序递推关系要写对：

SOC(t+1) = SOC(t) + η_ch·P_ch(t)·Δt - P_dis(t)·Δt/η_dis

这个递推关系在代码里就是一个循环，但很多人第一次写容易把充放电效率的位置搞反。充电时效率乘在输入侧，放电时效率除在输出侧，这样能量守恒才闭合。

备用约束是综合能源系统里容易被忽略的一环。考虑到风电和光伏出力有预测误差，系统要留出一定旋转备用容量，对燃气轮机的可用容量提出额外要求。这个约束会让可行域显著变小，如果你发现NSGA-II跑出来的解大量越界，先查备用约束是不是定得太苛刻。

2.4 处理约束时用的罚函数策略

在NSGA-II这类进化算法里，我试过多种约束处理方式，最后还是回归了罚函数法。不是因为它最优雅，而是它实现简单、调试方便，而且和NSGA-II的非支配排序天然兼容。

具体做法是对每个决策变量编码产生的候选解，先计算所有约束的越界量，再累加成惩罚项加到两个目标函数上：

f'_1 = f₁ + λ₁·Σ violation
f'_2 = f₂ + λ₂·Σ violation

λ 是惩罚系数，太小会导致大量不可行解混进Pareto前沿，太大会让算法因为目标函数过于陡峭而难以收敛。这个系数我后面还会细说怎么调。

3. NSGA-II的三个核心机制：非支配排序、拥挤度距离、精英保留

3.1 非支配排序如何给解分层

NSGA-II的算法框架其实不复杂，但理解“非支配”这个概念是所有逻辑的起点。两个解A和B，如果A在所有目标函数上都优于或等于B，而且至少在一个目标上严格优于B，那么就说A支配B。反过来如果A在成本上小、B在排放上小，那它们互不支配，都属于第一层Pareto前沿。

所谓非支配排序，就是把种群中当前所有非支配解挑出来，标记为第1层；把这些解临时移除，再挑剩下解中的非支配解，标记为第2层；如此循环，直到所有解都被分层。

这个操作的时间复杂度，原始版本是O(M·N²)，M是目标数，N是种群规模。后来有人提出用排序方法优化到O(M·N·logN)，但在实际能源调度问题中，N=200甚至100就已经很快了，朴素实现完全够用。

3.2 拥挤度距离维持解的多样性

非支配排序只解决“优劣分层”的问题，但同一层内部的解怎么比较？如果只按分层选择，算法很容易在某个区域堆满解，Pareto前沿覆盖性差。NSGA-II用的机制是拥挤度距离——对同一非支配层的所有解，按每个目标函数值排序，计算每个解与相邻两个解在每个目标方向上的归一化距离之和。

简单理解，拥挤度距离大的解，说明它周边的解稀疏，保留它可以让解集分布更均匀。在精英保留环节，同一层内优先保留拥挤度距离大的解，这样前沿不会“挤成一团”。

3.3 锦标赛选择、SBX交叉和多项式变异

进化部分用的是经典套路。选择操作是二元锦标赛——随机挑两个个体，先比非支配等级，等级小的胜出；等级相同比拥挤度距离，距离大的胜出。这样兼顾了收敛性和多样性。

交叉算子对实数编码问题我习惯用模拟二进制交叉（SBX）。它的特点是子代在父代附近的搜索强度大，分布指数η_c通常取20左右。两个父代个体 p1、p2 在某个分量的交叉公式是：

c1 = 0.5·[(1+β)·p1 + (1-β)·p2]
c2 = 0.5·[(1-β)·p1 + (1+β)·p2]

其中 β 由随机数 u 和分布指数决定。这个算子的好处是它不产生超出父代范围的极端值（在β为0时子代在中间，β越大越向两侧），配合边界约束处理比较自然。

变异算子用多项式变异，分布指数 η_m 常取20或50。每个维度的变异概率取1/维度数，这样平均每个个体每次变异约一个分量，既维持了种群多样性又不至于让好解被破坏。

3.4 精英保留策略：为什么NSGA-II不容易丢最优解

NSGA-II每一代的做法是：把父代种群 P 和子代种群 Q 合并成规模为2N的临时种群 R，对 R 做非支配排序，然后按层级从低到高依次填入新一代种群，填满N为止。最后一层如果空间不够，就按拥挤度距离从大到小选择。

这个合并再选择的策略保证了任何一代中表现最优的个体（即使它不在子代里）都有机会继续参与下一代进化，这就是精英保留的核心价值。很多早期多目标算法丢最优解就是因为没有这个环节，后代种群完全依赖上一代的交叉变异，运气不好就丢了。

4. Matlab代码实现：从主循环到可视化一整套框架

4.1 代码结构总览

我的整套实现分为以下模块，每个模块对应一个 .m 文件，职责非常单一：

4.2 个体数据结构设计与初始化

我这里每个个体用一个结构体数组存，字段包括 position、cost、violation、rank、crowd。相比用矩阵存，结构体写起来直观，调试的时候看数据也方便。唯一的缺点是内存开销稍大，但N不超过500时无感。

初始化时每个位置分量在上下界之间均匀随机取值。一个容易踩的坑是蓄电池和蓄热罐的充放电功率，因为它们的取值范围是负到正（充电为负、放电为正），如果随机初始化时不控制初始SOC，后续递推很容易在第一小时就超过SOC上下限。

我处理的办法是初始化时刻强制设 SOC(1) = 0.5，然后按SOC递推公式生成后面所有时段，这样即使充放电功率在边界，SOC也大概率落在合理区间。这不是什么高深的技巧，但确实让初始可行解的比例从不到10%提升到了70%以上，收敛速度肉眼可见地加快。

4.3 主循环核心代码

主循环就是标准的NSGA-II流程，代码非常紧凑：

matlab复制% 主循环
for gen = 1:maxGen
    % 选择父代
    parent = selection(pop);
    % 交叉变异生成子代
    offspring = crossover_mutation(parent, param);
    
    % 合并种群
    combined = [pop, offspring];
    
    % 计算目标函数和约束越界
    for i = 1:length(combined)
        combined(i) = evaluate(combined(i), data);
    end
    
    % 非支配排序
    combined = non_dominated_sort(combined);
    
    % 拥挤度距离计算（对每一层分别算）
    combined = crowding_distance(combined);
    
    % 环境选择：填满新种群
    newPop = [];
    layer = 1;
    while length(newPop) + length(combined(combined.rank == layer)) <= popSize
        newPop = [newPop, combined(combined.rank == layer)];
        layer = layer + 1;
    end
    % 最后一层按拥挤度填入
    lastLayer = combined(combined.rank == layer);
    [~, idx] = sort([lastLayer.crowd], 'descend');
    newPop = [newPop, lastLayer(idx(1:popSize-length(newPop)))];
    
    pop = newPop;
    
    % 记录当前代Pareto前沿
    front = pop([pop.rank] == 1);
    fprintf('Gen %d: Pareto front size = %d\n', gen, length(front));
end

4.4 非支配排序函数的Matlab实现

这是整个算法最核心的环节，单独讲一下。朴素实现直接双重循环遍历两两比较：

matlab复制function pop = non_dominated_sort(pop)
    N = length(pop);
    M = size(pop(1).cost, 2);
    [pop.rank] = deal(0);
    
    for i = 1:N
        dominated = false;
        for j = 1:N
            if i == j, continue; end
            % 判断j是否支配i
            better = all(pop(j).cost <= pop(i).cost);
            strict = any(pop(j).cost < pop(i).cost);
            if better && strict
                dominated = true;
                break;
            end
        end
        if ~dominated
            pop(i).rank = 1;
        end
    end
    
    currentRank = 1;
    remaining = find([pop.rank] == 0);
    while ~isempty(remaining)
        currentRank = currentRank + 1;
        % 在剩余个体中找非支配解
        for idx = remaining'
            dominatedByRemaining = false;
            for j = remaining'
                if idx == j, continue; end
                better = all(pop(j).cost <= pop(idx).cost);
                strict = any(pop(j).cost < pop(idx).cost);
                if better && strict
                    dominatedByRemaining = true;
                    break;
                end
            end
            if ~dominatedByRemaining
                pop(idx).rank = currentRank;
            end
        end
        remaining = find([pop.rank] == 0);
    end
end

Matlab里写循环确实不是性能最优的选择，但这个函数的规模是N²级别，N=200时4万次比较在Matlab里也就是毫秒级别，完全不是瓶颈。真正的性能瓶颈反而是evaluate函数里对每个个体做约束计算的耗时，那个涉及SOC递推和爬坡校验，没法完全向量化。

4.5 约束越界量的统一计算

我在evaluate.m中，目标函数和约束校验是分开写的。先算目标，再算约束：

matlab复制function ind = evaluate(ind, data)
    % 解出决策变量
    P_gt = ind.position(1:24);
    P_eb = ind.position(25:48);
    P_bat = ind.position(49:72);
    H_ts = ind.position(73:96);
    P_grid = ind.position(97:120);
    P_gas = ind.position(121:144);
    
    % 目标1：运行成本
    cost_elec = sum(data.grid_price .* P_grid);
    cost_gas = sum(data.gas_price .* P_gas);
    cost_om = sum(data.om_gt) * sum(P_gt) + sum(data.om_eb) * sum(P_eb);
    ind.cost(1) = cost_elec + cost_gas + cost_om;
    
    % 目标2：碳排放
    co2_grid = data.emission_factor_grid * sum(P_grid);
    co2_gas = data.emission_factor_gas * sum(P_gas);
    ind.cost(2) = co2_grid + co2_gas;
    
    % 约束越界总量
    violation = 0;
    % 电力平衡：每个时段发电端与用电端之差
    elec_balance = P_gt + P_grid - P_eb - P_bat - data.elec_load;
    violation = violation + sum(max(0, abs(elec_balance) - 1e-3));
    
    % 热力平衡
    heat_balance = data.heat_recovery(P_gt) + data.eb_heat(P_eb) + H_ts - data.heat_load;
    violation = violation + sum(max(0, abs(heat_balance) - 1e-3));
    
    % SOC递推与上下限
    SOC = zeros(1, 25);
    SOC(1) = 0.5;
    for t = 1:24
        SOC(t+1) = SOC(t) + data.bat_eff_ch * max(0, -P_bat(t)) - max(0, P_bat(t)) / data.bat_eff_dis;
        violation = violation + max(0, SOC(t+1) - 0.9);
        violation = violation + max(0, 0.1 - SOC(t+1));
    end
    ind.violation = violation;
end

4.6 绘图与结果输出

我习惯在最后绘制三个图：Pareto前沿散点图、24小时电功率平衡堆叠图、蓄电池SOC和蓄热罐充放热曲线。Pareto前沿图让人一眼就能看出优化的效果，而堆叠图能直观呈现调度计划是否合理——比如凌晨风电大发时段能不能给电池充电，白天用电高峰是否是燃气轮机在顶负荷。

5. 从Pareto前沿到调度方案：结果怎么看、怎么选

5.1 一张Pareto前沿图能告诉我们什么

跑完算法，你最先得到的是一个二维散点集合，横轴是运行成本，纵轴是碳排放量，这些点分布在一条向左下凸的曲线上。这条曲线越靠近左下角，说明系统越“又省又环保”。我第一版参数跑出来的前沿上有很多点集中在中间地带，两边端点覆盖不足，说明初始种群多样性不够，或者变异率太低。把变异概率从1/维度数提高到3/维度数后，两端的解明显增多。

如果Pareto前沿的形状出现明显的“断崖”或者“分层”，我基本能断定要么是某个约束设置不当，要么是目标函数的尺度差异太大导致排序失衡。

5.2 三个典型解的选择逻辑

拿到Pareto前沿后，我通常有意识地找三个解来对比：最低成本解、最低排放解、和一个折中解。折中解我用的是最大最小距离法，选择离两个目标最坏值都较远的点，相当于“最不后悔”的选择。

实际做决策时，这几个解之间的差异往往非常有信息量。在我这个算例里，最低成本解和最低排放解的成本差大约18%，碳排放差大约25%。也就是说，如果碳价超过某个阈值，环保方案反而变成经济方案，这个阈值就是两个解的成本差除以排放差。这种信息只有多目标优化能给，单目标加权法根本看不见。

5.3 约束满足度的逐项检查

算法跑完后，第一件事不是盯着Pareto前沿感叹，而是检查每个解的约束越界量是否为0。在罚函数下，总会有少数解带着轻微越界混进Pareto前沿（罚得不重的时候）。我用一段脚本把所有Pareto解的violation打印出来，如果发现某个解的越界量明显大于0，说明惩罚系数太小或者约束过紧，需要调整后重新跑。

经验上，如果超过20%的Pareto解violation大于0.01，这个结果基本不能直接用，必须回头调参。

6. 参数调优与踩坑记录：实测下来的经验总结

6.1 种群规模和迭代次数的平衡

我试过三组配置：100个体×200代、200个体×200代、200个体×500代。结果很典型——100×200的前沿明显不光滑，端点解经常缺失；200×200已经能看出一条像样的曲线；200×500的提升主要体现在解的分布均匀性上，但运行时间翻了2.5倍。对于日前的调度问题，优化时间一般要求在十分钟以内，所以我最终用的是200×300，既稳又快。

6.2 交叉和变异概率的敏感性测试

SBX的分布指数η_c我固定为20，多项式变异的η_m在20和50都试过。差异最明显的其实是变异概率。取1/维度作为变异概率时，收敛快但解集多样性差；取3/维度时，前期探索能力强，后期稍微震荡，但最终Pareto覆盖范围更好。在多目标问题里，我宁可牺牲一点点收敛速度也要保多样性，因为你需要的是“整条曲线”而不是“最佳点”。

6.3 惩罚系数到底怎么调

这个我踩过最深的坑。λ取太小，不可行解嚣张地占据了Pareto前沿的半壁江山；λ取太大，目标函数梯度陡峭，算法基本上退化成单目标搜索。我最后用的策略是“自适应罚函数”的简化版：每一代统计种群中不可行解占比，如果超过40%就把λ乘以1.2，低于10%就除以1.2，让它自己动态平衡。效果比固定λ好得多，尤其在初期探索阶段非常管用。

6.4 随机种子的影响

很多人忽略这一点。NSGA-II是随机算法，不同随机种子跑出来的Pareto前沿会有微小差异，如果差异很大说明算法还没收敛或种群多样性不足。我每次实验固定跑五次取中位数结果。另外，正式实验前务必用rng(1)固定随机种子，否则论文里的结果根本没法复现——这个教训我付出了两天的重复实验代价。

6.5 一个具体的问题排查案例

有一次，我跑出来的燃气轮机出力在凌晨时段频繁触及下边界，但电负荷并不低，系统还在大量购电。一看数据就明白了——凌晨电价低谷期，购电比燃气轮机自己发电便宜得多，算法很诚实地做出了“省成本”的选择。但实际系统里燃气轮机还有供热任务，它的余热回收是热负荷的重要来源，单纯看电平衡并不能发现这个问题。

这个案例说明，综合能源调度模型最容易出的问题不在算法，而在能量耦合关系有没有写对。电锅炉和燃气轮机余热回收之间的热力分配，是系统耦合的命门，模型里必须有明确的表达式把不同设备的供热能力关联起来，否则算法给出的解在物理上根本不成立。我在evaluate函数里特意加了热力平衡和机组最小出力联动的校验逻辑，才算真正把坑填上。

7. 后续扩展方向与个人体会

这套NSGA-II框架跑通之后，扩展方向非常多。比如把风光出力的预测误差引入模型，用场景法或鲁棒优化处理不确定性，就变成了考虑随机性的多目标调度。或者把目标函数增加一个“系统能效”指标，从两目标变成三目标，NSGA-II同样能处理，只是Pareto前沿可视化要改用三维散点图。还可以把算法换成NSGA-III处理高维目标，或者引入混合整数规划编码处理机组启停的离散变量。

我在实际使用中发现，Matlab代码实现NSGA-II的最大优势是调试方便——每一步都能断点查看种群状态，配合workspace的变量可视化，能快速定位是模型问题还是算法问题。缺点是运行速度不如C++或者Python的numba加速版本，但对于24时段规模的调度问题，完全够用。

最后分享一个减少返工的小技巧：写代码之前，先把约束条件和目标函数用纸笔写成清晰的公式清单，标出哪些是等式约束、哪些是连续变量的上下限、哪些是时序耦合约束（如SOC递推）。这看起来是笨功夫，但能省下大部分“模型跑飞了不知道哪里错”的排查时间。

这套代码我目前还在持续维护，如果你也正在做综合能源调度的多目标优化，欢迎一起交流参数调优的心得。