1. 从单目标到多目标为什么风光水调度需要NSGA-II做新能源调度优化的朋友应该都有体会传统电力系统调度大多盯着一个目标跑——要么发电成本最低要么网损最小要么煤耗最少。但到了风光水多能互补这个场景单目标优化就撑不住了。风电和光伏出力有天然的不确定性水电又有调节能力调度时既要让运行成本尽量低又要保证系统出力曲线平稳还想着减少弃风弃光率这几个目标本身就是互相打架的。你压低成本可能就得让水电频繁调节机组磨损和运维成本上去了你追求出力平稳风电光伏发的电可能就得白扔一部分。这种多目标互相冲突的问题用加权求和把它压成单目标去做本质上是在碰运气——权重怎么定结果差异非常大而且每次只能得到一个解根本拿不到完整的权衡空间。这就是我这次用NSGA-II做风光水多能互补协调优化调度的原因。NSGA-II是非支配排序遗传算法的第二代版本它最大的特点是不需要提前把多个目标加权成单目标而是直接在一个种群里面同时优化多个目标函数最后输出一组Pareto最优解集。这组解集里的每一个解都是在某个目标维度上不可替代的方案比如A解成本最低但出力波动稍大B解出力最平稳但成本稍高C解介于两者之间。调度决策者拿到这组解以后可以结合实际情况挑一个最顺手的而不是被算法逼着做单选题。这个项目本身也不是什么花哨的Demo我就是用MATLAB老老实实搭了一套完整的仿真框架风光水三种电源的出力模型、多目标优化模型、NSGA-II算法实现、Pareto解集分析。文章的定位是给两类人看一类是刚接触多目标优化的研究生想找个能跑的实例练手另一类是新能源场站或者微电网相关的工程师想看看多目标调度在面对不确定性电源时怎么落地。下面我把整个实现过程拆开讲重点说清楚模型是怎么建的、NSGA-II每一步在MATLAB里怎么写的、以及调试过程中踩过的坑。2. 优化模型搭建把风光水调度问题翻译成数学语言2.1 决策变量与调度周期设计风光水多能互补调度的核心问题是决定在一个调度周期内每个时刻各台机组的出力值。我采用的是典型的日前调度模式调度周期取24小时最小时间尺度取1小时。这样一天下来就有24个时段的调度计划决策变量的设计方式直接影响后续NSGA-II编码的复杂度这一点值得先仔细想清楚。风电和光伏在日前调度模型里面通常不把它们作为完全可控的决策变量。因为风电和光伏的出力本质上取决于自然资源条件——风速、光照强度这些在日前是无法精确预知的。实际工程中普遍采用的做法是先通过预测拿到风电和光伏的预测出力曲线然后把它们作为已知参数传入模型调度决策真正要确定的是水电的出力计划。水电有水库或者前池具备调节能力可以主动改变出力大小所以在这个模型里决策变量就是水电机组在24个时段各自的出力值。用数学语言描述就是假设系统里有1台水电机组多台机组可以等值为一台聚合机组则决策变量是[ P_h [P_h(1), P_h(2), ..., P_h(24)] ]每一个(P_h(t))表示第t个时段水电的出力。这个向量就是NSGA-II种群中一个个体的基因序列。用24个时段的水电出力作为决策变量好处是清晰直观耦合约束容易处理坏处是搜索空间维度相对较高NSGA-II的种群规模和进化代数要设置得保守一些。后续扩展多台水电机组时只需要把决策变量维度扩展成多机组的24小时出力矩阵即可。2.2 目标函数成本、波动、清洁能源消纳三目标怎么取舍多目标优化的第一步是把调度目标量化成数学函数。我在这个项目中设置了三目标优化分别对应经济性、安全稳定性和清洁性。第一个目标是系统运行成本最小化。包括水电机组的运行维护成本、风电光伏的运行维护成本以及从主网购电的成本。这个目标很简单就是[ \min C \sum_{t1}^{24} [c_h \cdot P_h(t) c_w \cdot P_w(t) c_{pv} \cdot P_{pv}(t) c_{grid} \cdot P_{grid}(t)] ]。其中(c_h)、(c_w)、(c_{pv})分别是水电、风电、光伏的单位运行维护成本(c_{grid})是网购电单位电价(P_{grid}(t))是第t时段系统从主网购入的功率。当然这里的成本系数我做了适当简化实际系统中还可以加上水电的启停成本、备用成本等但核心框架是一致的。第二个目标是系统净负荷波动最小化。风光出力具有随机性和波动性如果全盘接受系统净负荷曲线可能非常陡峭对调频和备用都会造成压力。所以从调度角度希望水电出力能够平抑这种波动。具体定义是系统总出力曲线与平均出力的偏差平方和最小即[ \min F \sum_{t1}^{24} \left(P_{total}(t) - \bar{P}_{total}\right)^2 ]。其中(P_{total}(t) P_h(t) P_w(t) P_{pv}(t) P_{grid}(t))(\bar{P}_{total})是全天平均总出力。这个目标越小系统出力曲线越平稳对电网越友好。第三个目标是清洁能源消纳率最大化。这个目标在“双碳”背景下尤其受关注简单说就是尽量让风电和光伏发出来的电都被用上少弃风弃光。定义清洁能源消纳率为[ \max R \frac{\sum_{t1}^{24} [P_w(t) P_{pv}(t) P_h(t)]}{\sum_{t1}^{24} [P_w^{f}(t) P_{pv}^{f}(t) P_h^{max}(t)]} ]。分母是全天可发的总清洁能源量风电光伏的预测可用功率之和加上水电的最大可发出力分子是实际消纳的清洁能源量。由于NSGA-II默认处理最小化问题所以这个目标我会取倒数或者取负号转换。这三个目标之间的关系非常微妙。成本最低往往意味着少用贵的电源、多用便宜的电源但波动性目标和消纳率目标又会推动水电多出力、网购电少用三者经常互相矛盾。这种矛盾正是Pareto前沿存在的根本原因也是NSGA-II这类多目标算法发挥作用的地方。2.3 约束条件功率平衡、水电出力上下限、爬坡约束光有目标函数还不够约束条件才是让模型不脱离物理实际的保证。我在模型中设置了四类约束每一类在NSGA-II实现时都有不同的处理方式这是代码实现中最容易出问题的地方后面会详细讲。第一类是功率平衡约束。每个时段系统总出力必须等于负荷需求[ P_h(t) P_w(t) P_{pv}(t) P_{grid}(t) P_{load}(t) ]。实际系统中还会有网损这里为了简化先忽略了但如果要考虑可以在等式右边加上网损项。第二类是水电出力上下限约束[ P_h^{min} \le P_h(t) \le P_h^{max} ]。(P_h^{min})和(P_h^{max})取决于水电机组的运行特性和水头高度。这个约束在编码生成初始种群时直接通过上下限随机初始化就能满足比较简单。第三类是水电爬坡约束[ \left| P_h(t) - P_h(t-1) \right| \le \Delta P_h^{max} ]。水电虽然调节能力强但也不是瞬间就能从零出力跳到满出力机组受到水头变化、引水系统惯性等因素限制爬坡速率是有上限的。这个约束在遗传操作之后特别容易违反处理时要格外小心。第四类是线路传输能力约束也就是并网功率不能超过线路极限[ 0 \le P_{grid}(t) \le P_{grid}^{max} ]。这个约束主要用于保证公网交互的安全性同时在功率平衡约束下它也间接限制了水电出力的取值范围。约束处理策略我在NSGA-II中使用的是外点罚函数法对违反约束的个体施加惩罚项让它们的适应度值变差。罚函数参数惩罚系数的选取有一定讲究太小了约束形同虚设太大了会挤压正常个体的选择概率这个平衡需要试出来。3. NSGA-II算法拆解支配关系、拥挤度距离与精英保留策略3.1 为什么二代比一代强快速非支配排序和拥挤度计算的核心思路NSGA-II相比于第一代NSGA有两个核心改进一个是引入了快速非支配排序算法把复杂度从(O(MN^3))降到了(O(MN^2))另一个是引入了拥挤度距离作为同一非支配层级内个体的排序依据替代了原来需要人为指定的共享参数。这两个改进让算法在保持Pareto解集多样性的同时大幅提升了运行效率。快速非支配排序的核心操作可以这样理解对种群中的每一个个体计算两样东西——它支配哪些个体记录一个集合以及它被多少个个体支配记录一个计数。第一遍遍历之后把所有不被任何个体支配的个体即被支配计数为0的个体放进第一层Pareto前沿。然后把这部分个体从支配关系中剔除更新剩余个体的被支配计数再找出新的计数为0的个体作为第二层。如此循环直到所有个体都被分层。这个排序过程保证了每一层的个体都不被同一层的其他个体支配但不同层之间有明确的优劣关系——第一层的个体一定优于第二层因为第一层支配第二层至少一个个体。拥挤度距离则是用来度量一个个体在同一Pareto前沿内部的空间密度。计算方法是对每个目标函数维度把当前前沿中的个体按该目标值排序两端个体的拥挤度设为无穷大中间个体的拥挤度等于相邻两个个体在该目标方向上的归一化距离之和。拥挤度距离越大的个体周围越空旷保留它对维持解集多样性越有利。这个操作相当于在每一层内部再做了一次“均匀分布优先”的选择排序。3.2 算法完整流程初始化、选择、交叉、变异、精英保留的标准循环NSGA-II的标准流程可以分为以下几个步骤我在MATLAB中严格按照这个框架实现。第一步是参数初始化。包括种群规模我设置为100、最大进化代数200代、交叉概率0.9、变异概率0.1、目标函数个数3个以及决策变量维度24个时段的水电出力。第二步是种群初始化。每个个体是一个24维向量每一维在([P_h^{min}, P_h^{max}])范围内均匀随机生成。这样做的好处是初始种群天然满足水电出力上下限约束为后续遗传操作减少负担。第三步是计算个体的各个目标函数值这里需要结合风电光伏预测出力曲线、负荷曲线以及水电出力值调用一个封装好的适应度评估函数返回三个目标值向量。第四步是快速非支配排序和拥挤度距离计算用来给种群个体排序分层。第五步是选择操作。采用二元锦标赛选择——每次从种群中随机挑两个个体优先选非支配层级低的如果层级相同选拥挤度距离大的距离也相同就随机选。选出来之后作为父代进入遗传操作池。第六步是交叉操作。对父代个体的24维编码使用模拟二进制交叉SBXSimulated Binary Crossover。SBX的核心思路是让子代个体在父代个体附近生成用一个随机数确定子代相对于父代的展开程度。分布指数我设置为20这个值控制子代与父代的相似度值越大子代越接近父代。第七步是变异操作。使用多项式变异Polynomial Mutation对个体中的某个决策变量以变异概率进行扰动。多项式变异的优势是可以在保持搜索局部性的同时偶尔产生大跳跃避免早熟收敛。分布指数同样设置为20。第八步是精英保留策略。将父代种群和经过交叉变异得到的子代种群合并成一个大种群规模是原来的两倍。对这个大种群重新进行快速非支配排序和拥挤度距离计算然后按照层级从低到高、层级相同则拥挤度距离从大到小的规则依次挑选个体填充下一代种群直到填满100个。这个操作保证了最优解一定不会在进化过程中丢失是NSGA-II收敛性的重要保障。第九步是循环迭代。重复第三步到第八步直到达到最大进化代数输出最后一轮精英保留后得到的第一层级Pareto前沿个体作为最终的优化调度方案集。3.3 关键参数设置经验种群规模、迭代次数、交叉变异概率的常见取法参数设置这件事情网上的资料非常多但真正落地的时候还是要根据具体问题来调。我给出这次实验中实际使用的参数配置并且说一下为什么会这样设置。种群规模和迭代次数的关系我个人的经验是决策变量维度越高种群规模和迭代次数都要相应增大。24维决策变量相对不算高维100个种群、200代进化基本够用。但如果把决策变量扩展成多台机组的24小时出力矩阵比如3台机组就是72维种群规模建议至少翻倍到200~300迭代次数也要增加到300以上否则搜索空间覆盖不充分Pareto前沿容易残缺。交叉概率取0.9左右是比较常规的做法高交叉概率有利于充分探索解空间。变异概率取0.1但要注意这里的变异概率是“每个个体发生变异的概率”在多项式变异内部还需要对每个决策变量维度单独判断是否变异。我实际代码里是这样处理的先以0.1的概率判断当前个体是否发生变异如果发生则随机选择1~3个维度做多项式变异。这样做比所有维度都按0.1概率变异更符合调度问题的实际需求——同时变动太多维度会导致水电出力曲线形状剧烈改变快速破坏爬坡约束。分布指数这个参数值得单独说。SBX和多项式变异里都有一个分布指数(\eta_c)和(\eta_m)我统一设置成20。这个值越大产生的子代越接近父代搜索越精细越小子代越容易远离父代探索能力越强。对于24维的调度问题20这个值在精细搜索和全局探索之间平衡得不错。如果发现结果陷入局部最优可以适当调小到10左右试试。4. MATLAB实现要点从数据准备到算法框架的完整代码逻辑4.1 输入数据准备风光出力曲线、负荷曲线和基础参数的生成做仿真之前先得把数据准备好。这个项目用到的输入数据主要分三类风电和光伏的预测出力曲线、系统负荷曲线、以及各电源的基础参数。预测出力曲线的获取最简单的方式是用MATLAB根据典型分布特性生成仿真数据。我用了威布尔分布来模拟风速再通过风机功率特性曲线换算成风电出力光照强度则用Beta分布来模拟再通过光伏电池效率模型换算成光伏出力。这样做的好处是可以自由控制数据的波动程度和时序特性方便后期做敏感性分析。当然如果手头有实际场站的量测数据直接导入CSV文件更贴近工程实况。负荷曲线同样可以用典型日负荷曲线加上随机扰动来生成我这里使用的是一条在08:00至22:00之间出现双峰的典型城市负荷曲线最大负荷约1000MW最小负荷约600MW。基础参数方面我设置水电机组出力范围是100MW到400MW爬坡速率限制为每小时80MW水电运维成本取0.02元/kWh风电0.045元/kWh光伏0.04元/kWh网购电价格采用峰谷分时电价——峰时段1.0元/kWh平时段0.7元/kWh谷时段0.4元/kWh。这些参数不是绝对的大家可以根据自己的研究场景调整但有一点需要注意参数之间的相对关系会影响Pareto前沿的形状和位置如果发现优化结果不合理先回头检查成本参数有没有明显失真的地方。4.2 NSGA-II主程序框架函数分工、种群进化主循环和监控输出NSGA-II的MATLAB实现我倾向于把代码拆成多个功能函数而不是全部堆在一个脚本里。完整程序包含以下几个文件主脚本main.m负责参数初始化调用NSGA-II进化主循环展示结果图表。initialize_population.m生成初始种群。evaluate_objective.m输入一个个体输出三个目标函数值。non_dominated_sort.m执行快速非支配排序。crowding_distance.m计算拥挤度距离。tournament_selection.m二元锦标赛选择。sbx_crossover.m模拟二进制交叉。polynomial_mutation.m多项式变异。environmental_selection.m精英保留策略。主脚本的核心流程是% 参数设置 pop_size 100; max_gen 200; pc 0.9; pm 0.1; n_var 24; % 决策变量维度 n_obj 3; % 目标函数个数 % 初始化种群 pop initialize_population(pop_size, n_var); % 进化主循环 for gen 1:max_gen % 评估目标函数 obj_values evaluate_population(pop); % 非支配排序 [fronts, rank] non_dominated_sort(obj_values); % 拥挤度距离计算 distances crowding_distance(obj_values, fronts); % 选择父代 parents tournament_selection(pop, rank, distances, pop_size); % 交叉变异生成子代 offspring sbx_crossover(parents, pc); offspring polynomial_mutation(offspring, pm); % 精英保留 combined_pop [pop; offspring]; combined_obj evaluate_population(combined_pop); [pop, ~] environmental_selection(combined_pop, combined_obj, pop_size); end监控输出方面我在主循环里每隔20代打印一次第一层Pareto前沿的个体数量和三个目标的最小值方便随时调整参数。进化结束后把最终Pareto前沿画成三维散点图再把最优折衷解对应的调度计划画出来。4.3 约束处理的具体实现罚函数怎么加、爬坡约束如何嵌入约束处理是整个MATLAB实现中最容易踩坑的部分尤其是在爬坡约束上。很多初学NSGA-II的朋友会在进化过程中发现种群个体频繁违反爬坡约束交叉和变异一操作就破了约束。我在这个项目中的做法是先做一次松弛处理。由于爬坡约束的一阶特性非常容易通过相邻时段的出力值判断我直接在目标函数评估阶段检查个体是否违反爬坡约束并计算总违反量。然后把三个目标函数中的每一个都加上一个惩罚项形式是[ f_i f_i \lambda \cdot V ]。其中(f_i)是原始目标值(V)是所有约束违反量的汇总包括爬坡约束和功率平衡约束的偏离量(\lambda)是惩罚系数。惩罚系数我设置为1000这个值要远大于正常目标函数数值的量级才能有效压制违规个体。还有一种更精细的做法是分时段修正如果发现某个时段的水电出力超出了由前一时段出力加爬坡上限决定的可行区间直接把该时段出力值截断到可行区间的边界上。截断操作的逻辑非常简单for t 2:n_var lower pop(t-1) - ramp_max; upper pop(t-1) ramp_max; if pop(t) lower pop(t) lower; elseif pop(t) upper pop(t) upper; end end但直接截断会带来一个问题个体的“形状”会被过度修正导致种群多样性下降。所以我在实际代码中并不是对所有个体都做截断而是在遗传操作之前对种群中的每个个体以一定概率比如50%做一次约束修复其余个体留着交给罚函数去淘汰。这样既保证了大部分个体满足爬坡约束又保留了部分“越界”个体来维持种群多样性避免搜索过早收敛到局部区域。功率平衡约束的处理则是在水电出力已知后反解出网购电功率并检查是否超过线路传输上限。如果没有超过上限功率平衡自然满足如果超过上限则记录违反量进入罚函数。这个思路充分利用了“功率平衡约束可以消元”的特点比直接对四个变量同时施加等式约束要高效得多。5. 实验结果解读Pareto前沿是怎么来的、调度计划怎么选5.1 三维Pareto前沿可视化解集的分布规律和权衡关系分析进化200代之后我得到了一组分布在三维空间中的Pareto最优解集。把这组解用MATLAB的scatter3函数画出来可以看到清晰的三维前沿面。这个前沿面的形状非常有意思——它呈现出一个近似凹曲面的分布说明三个目标之间存在明显的此消彼长关系。具体观察可以发现成本目标最小的解往往位于前沿的一端此时水电倾向于在谷时段少发、峰时段多发网购电尽量多用便宜的谷电系统出力波动相对较大。而清洁能源消纳率最高的解位于另一端水电全天都保持高出力弃风弃光率很低但运行成本明显上升。处于中间的折衷解则是在三个目标之间取得相对平衡的方案。Pareto前沿的完整性值得关注。如果前沿面出现了明显的空洞或者局部凹陷通常意味着种群多样性不足或者进化代数不够需要调大种群规模或增加变异概率。我这次实验跑完以后前沿分布比较均匀说明参数设置基本到位。5.2 最优折衷解选取模糊隶属度法怎么用拿到Pareto前沿以后真正做调度决策时往往只需要一个方案。从多个解里挑一个“最优折衷解”不是随便指一个点就行我用的是模糊隶属度法。具体做法是对每一个目标函数把Pareto前沿上所有个体的目标值做归一化得到每个个体在某个目标上的隶属度。隶属度定义为[ \mu_{ij} \frac{f_i^{max} - f_{ij}}{f_i^{max} - f_i^{min}} ]。其中(f_{ij})是第j个个体在第i个目标上的值(f_i^{max})和(f_i^{min})分别是该目标在Pareto前沿上的最大值和最小值。这样每个个体在每个目标上都有一个0到1之间的隶属度然后对所有目标取平均平均隶属度最大的个体就是最优折衷解。这个方法的本质是在没有任何偏好信息的情况下寻找一个在多个目标方向上都相对均衡的解。如果决策者更看重成本或者更看重消纳率可以调整不同目标的权重后再做加权平均灵活度比较高。我算出来的最优折衷解对应的调度计划是水电在夜间负荷低谷时段出力较低大约150MW到200MW之间白天负荷爬升时水电出力逐渐增加在晚高峰达到接近满发的380MW左右。风电和光伏按预测出力全额消纳网购电只在午间光伏大发时段和夜间低谷时段从主网购入总量比较小。这个调度方案在成本和消纳率之间的平衡性很好系统出力曲线也比纯风电光伏场景平滑得多。5.3 与单目标优化方案对比量化多目标优化的实际价值单目标优化是加权求和法的天下很多传统研究把三个目标加权成单个目标再用遗传算法或粒子群去跑。我在同样的测试数据下把加权法和NSGA-II做了对比结论非常直观。加权法我设置了三个权重组合第一组偏重经济性成本权重0.6波动权重0.3消纳权重0.1第二组均衡权重各取1/3第三组偏重消纳率成本0.1波动0.2消纳0.7。每组跑完200代遗传算法各得到一个调度方案。对比结果中加权法在不同权重组合下得到的解只在Pareto前沿的局部区域附近而且每次只能得到一个解方案之间的优劣无法直接横向比较。NSGA-II一次运行就得到了覆盖整个权衡空间的解集并且最差的那个解在综合性能上也优于加权法的部分折衷解。这就是多目标算法的核心价值——你用不着在跑算法之前就纠结权重怎么定算法自己会把最优权衡摆在你面前后面怎么选是决策问题选得好不好才是人的本事。6. 工程落地中的常见坑与性能优化建议6.1 常见问题排查收敛慢、前沿不完整、约束大量违反的成因和对策我在调试NSGA-II的过程中遇到了不少典型问题这里总结成一张速查表方便大家对照排查。现象可能原因解决对策收敛速度极慢几十代后前沿变化很小交叉分布指数偏大子代过于接近父代调小(\eta_c)从20降到10左右Pareto前沿出现明显空洞种群多样性不足增大种群规模或变异概率或改用均匀分布的初始种群生成方式大量个体违反爬坡约束变异维度过多破坏相邻时段关联限制单次变异维度数增加约束修复概率前沿局部过度拥挤某些区域个体扎堆拥挤度距离计算未做归一化量纲差异导致偏差在计算拥挤度之前先对目标值做归一化处理目标函数值振荡无法稳定收敛惩罚系数设置过小违规个体长期留在种群中增大罚函数系数或者改用约束支配法其中拥挤度距离归一化的问题特别容易忽视。三个目标的量纲差异很大——成本可能是几十万元量级波动是平方和量级消纳率是0到1之间的小数。如果不做归一化成本维度在拥挤度距离计算中会占据绝对主导排挤掉消纳率方向上的多样性导致前沿在某些方向上分布极不均匀。我在代码中就是在计算拥挤度距离之前先把所有目标值线性映射到0到1的范围内效果立竿见影。还有一个容易被忽略的问题初始种群的生成质量会影响整个进化的起点。如果初始种群没有在决策空间中均匀分布比如所有个体都集中在水电出力的中段附近前期进化就会浪费大量代数来探索边界区域。我建议在生成初始种群时除了均匀随机采样再额外加入若干个体——包括水电全时段最小出力、全时段最大出力、以及按负荷曲线比例分配的启发式方案这样可以在初始阶段就覆盖到决策空间的各个角落。6.2 性能优化用向量化计算替换循环、记忆化评估减少冗余计算NSGA-II的多目标评估是整个算法中最耗时的部分特别是种群规模大、进化代数多的时候每个个体都要算一遍目标函数。如果目标函数内部还包含循环嵌套计算时间会非常可观。我在MATLAB实现中做了两个层面的性能优化。第一个是向量化计算目标函数。以系统运行成本为例如果逐时段用for循环累加24个时段还好但当种群规模到100、进化代数到200时就是100×200×2448万次循环MATLAB跑起来会有明显延迟。我的做法是把整个种群的所有个体一次性传入评估函数把目标函数写成矩阵运算形式充分利用MATLAB的向量化能力。% 假设pop是 pop_size x n_var 的矩阵 % hydro_cost 是行向量对应每个时段的水电单位成本 hydro_cost_matrix repmat(hydro_cost, pop_size, 1); total_cost sum(pop .* hydro_cost_matrix, 2) ... sum(wind_output .* wind_cost, 2) ... sum(pv_output .* pv_cost, 2) ... sum(grid_power .* grid_cost, 2);这样一次矩阵运算就完成了所有个体的成本计算速度提升非常显著。第二个是记忆化评估。在精英保留策略中父代和子代合并之后有相当一部分个体在上一代已经算过目标函数值不需要重新计算。但是在标准实现中合并且排序时往往会重新评估所有个体的目标函数这部分计算是冗余的。我的解决方案是维护一个个体-目标值缓存表在评估之前先查缓存命中就直接取结果不命中才调用评估函数并把结果写入缓存。对于结构相同的种群合并场景这个优化能省掉接近一半的目标函数评估次数。6.3 可扩展方向多水电机组、不确定性处理、并行计算的结合思路NSGA-II风光水调度这个项目做完以后向上扩展的空间非常大。我这里列出几个我认真考虑过、也部分实践过的方向。第一个方向是多水电机组扩展。实际水电站很少只有一台机组往往是多台机组并联运行。这就涉及到机组组合问题——哪些机组开机、哪些停机、负荷怎么在机组之间分配。决策变量从24维变成机组数×24维NSGA-II仍然可以直接处理但约束条件会增加比如机组最小开停机时间约束、机组出力范围差异等。编码方式可以从实数编码扩展为“整数编码机组启停状态实数编码出力分配”的混合编码。第二个方向是风光出力的不确定性处理。日前调度依赖预测数据但预测一定有误差。比较成熟的做法是引入场景法或者鲁棒优化思想在NSGA-II的个体评估中对风光出力在不同置信水平下进行采样评估出目标函数的期望值或者最坏情况值从而得到对不确定性更鲁棒的调度方案。如果场景数量多可以结合蒙特卡洛模拟和并行计算把每个个体的多场景评估分配到不同计算核心上。第三个方向是并行计算加速。NSGA-II的种群中每个个体的评估是相互独立的非常适合并行化。MATLAB的parfor配合并行计算工具箱可以直接改造成并行评估种群规模足够大时几乎能线性提速。我自己在扩展到3台水电机组、72维决策变量、种群规模300的情况下用parfor把评估环节并行化后单代进化时间从原来的12秒降到了3秒左右这还是在普通多核台式机上跑出来的效果。7. 写在最后的几点经验整个项目从建模到代码实现、再到结果分析前后花了我大概两周的下班时间。回头看最值得分享的不是某一段代码怎么写的而是几个关于多目标优化调度的整体判断。第一建模粒度要跟算法能力匹配。面面俱到的精细模型往往会让目标函数计算变得极慢NSGA-II在有限代数内根本搜不到好解。我一开始尝试了加入水头变化对水电出力效率的影响导致每一轮评估耗时暴增Pareto前沿质量反而更差。后来果断简化先跑通整体框架再逐步加入次要因素效果好很多。第二约束处理的方式决定了算法的搜索效率。纯粹依赖罚函数种群中大量个体长期处于违规状态非支配排序的有效性会大打折扣。把一部分约束通过变量代换比如用功率平衡反解网购电和直接修复比如截断爬坡越界消解掉让罚函数只处理剩余的、难以代换的约束搜索效率提升非常明显。第三Pareto前沿不是画出来就完事了它最大的价值是帮调度人员理解系统在不同目标之间的真实成本。我在分析结果时发现消纳率从80%提升到90%总成本只增加了很小一部分但再往上从90%提升到95%成本就急剧上升。这种非线性的权衡关系是单目标优化完全看不出来的这也是多目标优化在新能源调度中最吸引人的地方。最后再分享一个实用的小技巧调试NSGA-II时别急着直接看Pareto前沿先画一个“每代最优个体目标值变化曲线”如果这条曲线在后期仍然剧烈波动说明没有收敛如果很快平缓说明收敛过早需要增加探索性操作的强度。有了这个曲线作为参照调参的效率会高很多。
