基于NSGA-II的电动汽车削峰填谷多目标充放电优化调度策略-开发者社区

最近在忙一个关于“电动汽车参与削峰填谷的多目标充放电优化调度策略”的MATLAB项目，整体做完之后感触挺多的。这个课题本质上是这样一件事：当大量电动汽车接入配电网后，它们就不再只是单纯的“用电设备”，而是一个个可调节的移动储能单元。如果完全放任不管，大家下班后扎堆充电，正好叠加在电网原来的晚高峰上；如果引导得当，让电动汽车在负荷低谷时充电、在高峰时反向放电，就能对电网起到削峰填谷的作用。

但难点在于，我们不能只盯着电网负荷曲线好不好看，还得考虑电池损耗会不会太大、用户出行需求会不会受影响、运营商经济性是否合理。这是一类典型的“多目标联合优化”问题。我最终用MATLAB完成了从负荷建模、电池损耗建模到NSGA-II多目标优化求解的全流程仿真，并且对比了无序充电、有序充电、充放电协同三种策略的效果。这篇文章就把整个项目的设计思路、模型搭建、MATLAB实现细节和调试过程中踩过的坑系统整理一遍，适合做电动汽车入网调度、V2G策略、微电网能量管理的同学参考。

1. 问题拆解：为什么削峰填谷必须做多目标优化

1.1 单一目标优化为什么不够

做优化调度研究的人很容易一开始就陷入“单目标思维”。比如目标设置为“最小化负荷曲线的峰谷差”或者“最小化配电网日负荷方差”，这样的问题很清晰，用线性规划或者动态规划就能求解。但实际跑完结果你会发现，优化出来的方案根本不具备工程可行性。

举个我遇到的具体例子。在只优化负荷方差的情况下，控制策略会倾向于让所有电动汽车在负荷谷时段大功率集中充电，然后在负荷峰时段统一满功率放电，这样对电网曲线最有利。但带来的直接后果是：每辆车每天经历一次深度放电循环，且充放电切换频繁，电池容量衰减明显加速。我查了仿真结果，这种策略下部分车辆的等效循环寿命损失比正常使用高了3倍以上，用户根本不愿意参与。

反过来，如果只优化电池损耗最小，最优策略几乎就是“车接入后以最低功率浅充慢放、尽量不放电”，但这又让削峰填谷完全落空，电网负荷曲线几乎没什么改善。再看只看用户充电费用最低，那车辆会在谷电价时段集中涌入充电，虽然用户省钱，但可能造成谷时段的新负荷尖峰，即所谓“鸭子曲线”恶化。

这三者之间的矛盾不是线性的，也不是简单做个加权就能合理消解的。因为负荷削减、电池损耗、经济成本三个指标的量纲不同，变化趋势在不同区间也不一致。在这个背景下，转向Pareto意义上的多目标优化几乎是必由之路——我们不追求某一个目标绝对最优，而是去找一组互不支配的候选调度方案，让决策者根据实际偏好取舍。

1.2 三个核心目标之间的数学关系和矛盾

先把这个研究里我真正建模的三个目标写出来，后面所有代码都围绕它们展开。

第一个目标是负荷曲线平坦度。用了两种指标，一个是峰谷差：

[ f_1 = \max(P_{net}(t)) - \min(P_{net}(t)) ]

另一个是负荷方差：

[ f_2 = \frac{1}{T}\sum_{t=1}^{T}\left(P_{net}(t) - \bar{P}_{net}\right)^2 ]

其中 (P_{net}(t) = P_{base}(t) + P_{EV,ch}(t) - P_{EV,dis}(t))，即基础负荷加上所有车的充电功率减掉所有车的放电功率。这个指标越小，说明电网侧越平稳。

第二个目标是电池损耗。我采用的是基于放电深度（DOD）的循环寿命累计模型：

[ f_3 = \sum_{i=1}^{N}\sum_{t=1}^{T-1} \frac{|E_{i,t+1} - E_{i,t}|}{2 \cdot N_{life}(DOD_{i,t})} ]

这里 (E_{i,t}) 是第 i 辆车在第 t 个时段末的电池能量，(N_{life}(DOD)) 是给定放电深度下的最大循环次数。分子表示一个时段内能量的变化量，近似等于该时段内电池吞吐的电量，除以2是因为一个完整循环包括充电和放电两个半程。

第三个目标是用户充电成本最小化。考虑到V2G放电可以获得放电补偿，目标函数写为：

[ f_4 = \sum_{t=1}^{T} \left( c_{buy}(t) \cdot P_{EV,ch}(t) - c_{sell}(t) \cdot P_{EV,dis}(t) \right) \cdot \Delta t ]

其中 (c_{buy}(t)) 和 (c_{sell}(t)) 分别是t时段的购电电价和放电补偿电价。

为什么说这三个目标天然冲突？因为削峰填谷要求车辆在系统高峰时段放电，而这个时段往往也是电价较高的时段，看起来成本目标是协同的。但矛盾的另一面是：高峰时段放电次数变多、放电深度加深，电池损耗迅速上升。同样地，为了把谷时段填平，调度系统倾向于让所有车辆在同一时间充电，这会在变压器层面造成新的局部过载风险，约束条件也会反过来限制削峰效果。

所以多目标优化的核心价值不是找一个“全能解”，而是找出一族“非劣解”——任何一个解在某个目标上变好，必然导致至少另一个目标变差。决策者可以根据电网实际情况来选择偏保守的方案或者偏积极的方案。

1.3 多目标优化的处理思路

我的处理思路分为三个递进的层次。

第一层，用单纯的加权和法定量理解目标之间的关系。设置几组权重系数，比如负荷方差占0.6、电池损耗占0.3、成本占0.1，跑几轮看全局表现。这种做法的优点是简单快速，缺点是权重很难拍脑袋定，而且多个目标之间的量纲差异会导致加权后某一项主导，另一个目标几乎完全被忽略。加权法一般只用于做对照实验。

第二层，用非支配排序得到帕累托前沿。这里我直接用了MATLAB优化工具箱的gamultiobj函数，底层是NSGA-II，天然支持多目标问题的非支配排序和拥挤距离保持。得到的结果不是一个解，而是一组解，分布在三维目标空间中形成一个曲面。我们可以在这组解上做决策，比如选择负荷方差改善80%而电池损耗只增加15%的折中方案。

第三层，在帕累托前沿基础上引入模糊隶属度函数，对每个非劣解计算综合满意度。这个思路比较实用，尤其是给电网调度部门汇报的时候，不可能直接扔一整片帕累托点给人家，而是需要给出几个典型场景方案，比如“低谷充电为主”“峰时适度放电”“电池优先策略”等。

2. 模型搭建：负荷、电动汽车与电池损耗的数学描述

2.1 基础负荷与EV充电负荷建模

这个项目里，我选择了一个典型城市居民区场景，基础负荷曲线直接采用某地区冬季典型日负荷数据，采样间隔是15分钟，即一天96个时段。不过为了降低多目标优化的搜索空间维度，我把时间聚合到1小时一个时段，一天24个时段。这样做的原因是：调度指令通常也是以小时为粒度下发的，而且电池损耗模型和电价信号都是小时级数据，精度足够。

时段聚合后，基础负荷曲线大致表现出典型的“晚高峰”特征：早上7点到10点一个小高峰，傍晚18点到22点一个明显的大高峰，低谷出现在凌晨2点到5点。峰值大约850kW，谷值大约420kW。

电动汽车充电负荷就没那么简单了，它与车辆接入时间、离开时间、初始SOC、目标SOC、充电功率等级都有关系。我采用蒙特卡洛抽样的方式生成了100辆电动汽车的行车数据，核心假设包括：

车辆接入配电网的时间服从正态分布，均值在18:00，标准差1.5小时；
车辆早晨离开时间服从正态分布，均值7:30，标准差0.8小时；
日行驶里程服从对数正态分布，均值30km，标准差12km；
每辆车电池容量在40kWh到80kWh之间随机，对应市面常见车型；
常规充电功率为7kW，V2G模式下最大放电功率也是7kW。

为什么要用随机抽样而不是直接用真实数据？因为这个研究阶段没有某个实际小区的完整车桩数据，用蒙特卡洛生成一个虚拟车队，好处是可以在不同渗透率、不同车型构成的场景下快速测试策略鲁棒性。而且用户参与V2G的积极性本身就是不确定的，随机模型正好模拟这种分散性。

无序充电场景下，每辆车接入即充，以额定功率充电直到SOC达到100%。仿真结果显示，傍晚18点左右开始，充电负荷与基础负荷叠加，净负荷峰值从850kW飙升到1340kW左右，削峰填谷的压力主要就来自这部分。

2.2 电池循环损耗模型的选取与简化

电池损耗建模是整个项目中让我反复迭代时间最长的地方。原因在于：直接用等效电路模型加电化学老化模型，在仿真软件里算一小段还行，但放进NSGA-II的种群迭代里，每评估一个个体就要对100辆车算24个时段的损耗，计算量直接爆炸。所以必须在物理准确性和计算效率之间找一个可接受的平衡点。

我最终选用的是一个工程化、基于吞吐量的循环寿命模型。思路是：给定一个放电深度DOD，锂离子电池的循环寿命大致满足幂指数或对数关系，常见的经验公式为：

[ N_{life}(DOD) = 1331 \cdot DOD^{-0.638} ]

这个公式的含义很直观——DOD越高，电池能够完成的总循环次数越少。一次100%满充满放循环大约能循环1300多次，但如果只按20%的深度浅充浅放，总循环次数可以到5000次以上。

那么一次调度过程中，电池损耗怎么折算？我用的方法是累计吞吐量法。对第i辆车在第t个时段内，如果电池能量变化量为 (\Delta E_{i,t})，则这个变化对应的“半个循环”的损耗可以折算为：

[ Loss_{i,t} = \frac{|\Delta E_{i,t}|}{2 \cdot E_{i,cap} \cdot N_{life}(DOD_{i,t})} ]

其中 (DOD_{i,t}) 取这一时段内电池能量变化对应的等效放电深度。把所有时段、所有车辆的损耗加起来，就是总的目标函数值。

实际编码中，我做了一个简化处理：认为车辆在日常调度中的SOC运行区间不会跌破20%，所以只在SOC低于某个阈值时才显著惩罚放电深度。这个阈值以下时，每进一步放电，损耗惩罚是线性增加的；阈值以上时，损耗很小。这个思路和工程上电池BMS的策略也是一致的——浅充浅放是保护电池最有效的方式。

2.3 目标函数与约束条件的完整表达

把多目标问题完整列成数学形式大概是这样的。

决策变量：

[ X = {P_{ch}(i,t), P_{dis}(i,t), u(i,t)}, \quad i=1,...,N, \quad t=1,...,T ]

其中 (u(i,t)) 是充放电状态标志位，1表示充电，0表示闲置，-1表示放电。

目标函数：

[ \min \left[ f_1(X), f_2(X), f_3(X) \right] ]

其中 (f_1) 是峰谷差，(f_2) 是负荷方差，(f_3) 是电池损耗累计值。

约束条件分为六类。

一是功率平衡约束，任意t时段内，总净负荷不能超过变压器最大容量：

[ P_{base}(t) + \sum_i P_{ch}(i,t) - \sum_i P_{dis}(i,t) \leq S_{trans} ]

二是每辆车的充放电功率限幅：

[ 0 \leq P_{ch}(i,t) \leq P_{ch}^{max}, \quad 0 \leq P_{dis}(i,t) \leq P_{dis}^{max} ]

三是同一时刻每辆车不能同时充放电：

[ u(i,t) \in {-1, 0, 1}, \quad P_{ch}(i,t) \cdot P_{dis}(i,t) = 0 ]

四是电池SOC区间约束：

[ SOC_{min} \leq SOC(i,t) \leq SOC_{max} ]

五是用户出行需求约束，即到第二天离网时刻，车辆SOC必须达到用户设定的期望值：

[ SOC(i, t_{leave}) \geq SOC_{i, user}^{target} ]

六是充放电次数约束，限制每辆车一天内充放电切换的次数不超过一个阈值，避免频繁切换对电池和并网设备造成额外压力。这个约束我在后期检查模型时加上的，因为如果没有它，NSGA-II会钻空子，让车辆在相邻两个小时内反复充放电，这种操作在纸面上能改善负荷曲线，但实际上没有任何工程意义。

3. MATLAB实现：从目标函数到NSGA-II代码落地

3.1 算法选型：为什么优先考虑gamultiobj

有一点我先说清楚：MATLAB最方便的多目标求解路径，是多目标遗传算法工具箱的gamultiobj函数，底层实现的核心思想就是NSGA-II，即非支配排序遗传算法。

为什么优先考虑它而不是自己从头写一个NSGA-II？就这个项目而言，时间和精力应该主要花在模型构建和结果分析上，而不是去重新实现一遍排序算法。gamultiobj内置了种群初始化、非支配排序、锦标赛选择、模拟二进制交叉、多项式变异、拥挤距离计算、精英保留等一整套机制，接口和ga函数高度一致，做研究完全够用。

但这里也需要注意gamultiobj的局限性。它的算子相对固定，如果想自定义交叉变异方式，或者想引入约束条件更复杂的处理机制，工具箱内部逻辑会限制你。这时候就需要自己写NSGA-II。我这个项目的做法是分两步走：先用gamultiobj跑通完整流程，验证目标函数计算正确、收敛趋势正常；拿到一组基准结果后，再实现一个自编码的自定义NSGA-II框架，方便后续扩展约束。

3.2 编码方案与决策变量设计

决策变量的编码方式决定了优化问题的搜索空间大小，是整个建模中最关键的环节。

如果直接把每辆车每个时段充放电状态都各自独立作为决策变量，那变量维度就变成“车辆数 × 时段数 × 2”，100辆车24小时就是4800维，NSGA-II在这种规模下很难找到满意解，而且多解性极强，很多变量组合对应相同目标值，非常浪费搜索效率。

我在设计初版方案时踩过这个坑，后来做了两个重要调整。

第一个调整：把“充电”“放电”整合为一个有符号的连续功率变量。即对第i辆车第t个时段，用一个变量 (s(i,t)) 表示净功率，正数是充电功率，负数是放电功率，0表示不动作。这样一来，本来两个功率变量加一个状态变量，压缩成了一个变量。MATLAB里我直接用一个二维矩阵X(N, T)表示整个种群中的一个个体，向量化reshape之后传给目标函数，非常清爽。

第二个调整：考虑用户充电需求的强约束，实际上每辆车的初始SOC和离网SOC给定后，它一天总的充电能量基本就确定了。因此我不再把每个时段都作为完全自由的变量，而是把时间分成“可用调度时段”和“不可调度时段”。对通勤车辆来说，白天大部分时间车停在单位停车场，不参与家庭小区的调度，这部分时段的功率直接置为0，只对车辆在家时段的充放电做优化。这样每个个体中非零变量的数量进一步下降。

另外，我把“用户期望离网SOC”作为硬性约束放进了罚函数，而不是放在决策变量里。这样做的原因是：如果每个个体都必须在编码本身满足这个约束，交叉和变异后产生的大量新个体就会不合法，需要修复，计算开销很大。用罚函数可以让算法自己去权衡是否违反约束。

3.3 基于MATLAB的代码结构与关键函数

我的MATLAB工程文件结构大概是这样的：

ev_scheduling/ ├── main_ev_schedule.m % 主程序：参数设置、调用优化器 ├── obj_func.m % 目标函数：计算负荷方差、峰谷差、电池损耗 ├── constraints_check.m % 约束校验与罚函数计算 ├── load_scenario.m % 生成基础负荷与EV接入数据 ├── battery_model.m % 电池损耗计算子函数 ├── decode_solution.m % 将决策变量解码为充放电功率矩阵 └── plot_results.m % 结果可视化：负荷曲线与帕累托前沿

主程序里调用gamultiobj的核心代码只有几行：

% 决策变量下界和上界 lb = -P_dis_max * ones(nVars, 1); ub = P_ch_max * ones(nVars, 1); options = optimoptions('gamultiobj', ... 'PopulationSize', 200, ... 'MaxGenerations', 300, ... 'ParetoFraction', 0.35, ... 'Display', 'iter', ... 'UseParallel', true, ... 'PlotFcn', {@gaplotpareto, @gaplotscorediversity}); nvars = sum(ev_active_slots); % 参与调度的时段总量 [x, fval, exitflag, output] = gamultiobj(@(x) obj_func(x, ev_data, load_data), ... nvars, [], [], [], [], lb, ub, @(x) constraints_check(x, ev_data), options);

需要说明的是，目标函数和约束函数都设计成了匿名函数捕获外部数据的形式，这样在并行计算时能正确传递车辆数据和负荷数据。

obj_func.m内部做的事情是：接收一个个体变量x，reshape成N x T的净功率矩阵，然后逐时段计算总净负荷，统计峰谷差和方差，再逐车逐时段累加电池损耗。为了加速计算，我没有在函数内用循环去遍历每辆车，而是用矩阵运算一次性完成，这里是个很重要的性能优化点。

3.4 目标函数计算的MATLAB示例代码

抛出一个简化版的目标函数代码，涵盖了负荷方差和电池损耗两个指标的计算思路。

function [f_loadvar, f_peakdiff, f_batteryloss] = obj_func(x, ev_data, load_data) N = ev_data.N; % 车辆数 T = numel(load_data.Pbase); % 时段数 Pmat = reshape(x, N, T); % 每行是一辆车在各时段的净功率(W)，正充电负放电 % 各时段总净负荷 Pnet = load_data.Pbase + sum(max(Pmat, 0), 1) - sum(max(-Pmat, 0), 1); % 目标1：负荷方差 f_loadvar = var(Pnet); % 目标2：峰谷差 f_peakdiff = max(Pnet) - min(Pnet); % 目标3：电池损耗近似计算 f_batteryloss = 0; for i = 1:N % 车辆i各时段末SOC soc = zeros(1, T); soc(1) = ev_data.SOC_init(i) - Pmat(i,1) * 1 / ev_data.capacity(i); for t = 2:T soc(t) = soc(t-1) - Pmat(i,t) * 1 / ev_data.capacity(i); % 越界惩罚 if soc(t) > ev_data.SOC_max(i) || soc(t) < ev_data.SOC_min(i) f_batteryloss = f_batteryloss + 1e6; end end % 根据SOC变化量折算寿命损失 for t = 1:T-1 deltaE = abs(soc(t+1) - soc(t)) * ev_data.capacity(i); dod = max(abs(soc(t+1) - soc(t)), 0.1); life_cycle = 1331 * dod^(-0.638); f_batteryloss = f_batteryloss + deltaE / (2 * ev_data.capacity(i) * life_cycle); end end end

注意上面的代码是示意版本，实际项目中还加了对离网SOC不足的罚项、充放电切换次数统计等，逻辑上会更长，但核心就这一段。

4. 仿真案例与结果分析：怎么论证调度策略有效

4.1 仿真场景设定

我设计的基准仿真场景参数如下表。

参数	数值
车辆数	100辆
电池容量	40~80 kWh 随机
充电功率上限	7 kW
放电功率上限	7 kW
SOC运行范围	20%~95%
离网期望SOC	80%
变压器容量	1200 kVA
时段数	24
基础负荷峰值	850 kW
基础负荷谷值	420 kW
峰谷电价时段	峰时18:00-22:00，谷时23:00-6:00

为了对比，我设置了三种策略：

无序充电：车辆接入后立即以7kW充电，直到SOC达到95%；
有序充电：只允许充电，不允许放电，用多目标优化充电时段和功率；
充放电协同：允许V2G放电，完整执行多目标充放电优化。

多目标优化跑完以后，我分别取了三个典型的帕累托解：方案A偏重电网侧，负荷方差最小；方案B偏重电池保护；方案C取折中解，即综合满意度最高的方案。

4.2 结果对比：无序充电与有序充放电的差异

先看无序充电。100辆电动汽车从18:00开始陆续接入并充电，到21:00左右达到充电功率峰值，叠加基础负荷后净负荷峰值可以达到1335kW，比基础负荷峰值高出485kW。峰谷差更是从原始430kW扩大到850kW左右，变压器容量1200kVA已经接近临界过载。这种情况下如果变压器保护动作，反而会出现大面积充电中断。

再看有序充电（只充不放）。优化后，算法自动把大部分充电任务挪到了23:00到次日5:00的谷时段。净负荷峰值回落到约940kW，峰谷差缩小到510kW，相比无序充电改善了约40%。电池损耗因为在谷时段以低功率慢充，增加了不到5%，基本可以接受。

充放电协同策略的效果更明显。部分车辆在19:00到21:00的高峰时段以5~7kW功率短时放电，把净负荷峰值压到了890kW附近，和基础负荷峰值基本持平。同时，为了弥补放电损失的电量，这些车会在23:00之后重新充电。最终峰谷差缩小到380kW左右，较无序充电改善了55%。代价是电池损耗比有序充电增加了约18%，但换来的是电网侧指标的显著提升，这个权衡我认为是合理的。

4.3 帕累托前沿的解读与方案选取

三维帕累托前沿在MATLAB里可以用scatter3直接画出来，然后转成二维投影看不同目标之间的权衡关系。

我最常看的是“负荷方差 vs 电池损耗”这一对投影。这个投影呈现出典型的L形曲线：在电池损耗增长不大的平缓段，增加一点电池损耗可以换取可观的负荷方差改善；但当曲线进入陡峭段之后，再增加损耗也只能换来很小的负荷曲线改善，说明系统已经开始逼近电网侧的调控极限了。这个拐点就是工程上一个很好的推荐运行点。

选点的时候我自己的经验是，不要直接选帕累托前沿的端点。比如“负荷方差最小的解”可能在每一项指标上都让电网满意，但电池损耗涨幅可能达到30%以上，用户推广会非常困难。反过来，“电池损耗最小的解”对电网几乎没有什么正向贡献，失去了研究削峰填谷的意义。合理的做法是找前沿海角处对应的那个解，或者用模糊隶属度函数计算所有目标的综合满意度，取满意度最高的方案作为基准方案。

5. 调试经验与避坑指南

5.1 算法层：收敛慢与种群早熟

这个项目里最折磨人的一个问题是：gamultiobj连续迭代了几百代，帕累托前沿却纹丝不动，或者只收敛到一个很窄的区域。

排查之后发现主要原因是决策变量维度太高。如果不对变量做清洗，直接用100辆车×24时段，就是2400维变量，大部分还是冗余的，因为白天车辆不在家，那部分变量恒为0也对目标没有影响。解决方法是预先判断每辆车在哪些时段接入系统，把非接入时段的变量直接固定为0，只对有效时段优化，维度直接降到了约800~1000维。

另一个常见问题是种群规模不够。对100辆车这种规模的场景，PopulationSize至少要设到200以上，否则遗传算子的探索能力不足以覆盖整个解空间。我测试过，种群规模从100提升到200，最优帕累托前沿的覆盖度提升非常明显。代价是单次迭代时间变长，但配合UseParallel开启并行计算，实际跑完300代也就十几分钟，完全能接受。

再有就是罚函数系数设置。gamultiobj自身的约束处理能力有限，过多的硬约束会导致大部分个体非法，种群多样性被破坏。我的做法是把约束转成目标函数中的惩罚项，但惩罚系数不能设得太大或太小。太大，所有非法解的目标值都被弹开，种群多样性骤降；太小，非法解频繁混进精英集，结果不满足约束。调了几轮之后，我倾向于把电量平衡约束的惩罚系数设为负荷方差目标的50倍左右，这个量级在保证约束满足和种群多样性之间平衡得比较好。

5.2 工程层：MATLAB编码与仿真效率

工程层面有几个很实际的坑值得说。

第一是编码格式问题。MATLAB不同版本、不同操作系统之间的文件编码不完全一致，如果直接换电脑打开，或者从别人那里拷代码，常见现象是中文注释全是乱码。这本质上是因为文件保存的编码格式和当前系统默认编码不一致。只要注意统一工作环境、保持脚本保存编码一致，通常不会出问题。但代码里注释能不用中文就不用中文确实是一个省事的选择，毕竟研究代码最重要的是逻辑可读而不是注释字数多。

第二是计算效率。最影响性能的是在目标函数内部使用大量for循环遍历每辆车每个时段，然后逐个计算SOC。我之前用fmincon做单目标优化时还不太明显，但换成gamultiobj后，每个种群200个个体、每代都要调用200次目标函数，如果目标函数本身耗时0.1秒，一代就是20秒，300代就是将近2小时。解决办法是向量化计算，把所有车的SOC更新用矩阵运算一次性完成，速度提升非常可观。另外UseParallel设置为true之后，并行池会自动分配到多个worker并行评估种群个体，效率还能再提高3到5倍。

第三是gamultiobj和optimoptions的版本兼容问题。老版本的MATLAB可能不支持optimoptions，而是用gaoptimset，新版中后者已经废弃但兼容性还好。我遇到过脚本在2020a上可以跑，换到旧版本却报错的情况。如果你是帮别人跑代码，务必先检查一下当前MATLAB版本对应的API。

5.3 模型层：电池损耗模型与结果可信度

电池损耗模型的选择会直接影响优化结果，这个度很难拿捏。

如果采用过于简单的线性损耗模型，即认为每充放1kWh电量损耗固定比例容量，那么算法会倾向于让车辆频繁小幅充放电，因为这样能在几乎不增加损耗的情况下微调负荷曲线。这种结果在数学上很漂亮，但和电池实际特性相去甚远。所以我在模型里加入了对放电深度的敏感性约束，让深度放电的边际损耗更大。

如果采用过于复杂的电化学模型，比如基于SEI膜生长、锂离子浓度分布的降阶模型，虽然物理上更准确，但参数辨识难度极大，而且每次评估目标函数就耗时几十毫秒，整个优化根本跑不动。

我的建议是，在调度优化层使用中等粒度的经验模型，也就是本文用的DOD循环寿命折算模型；在得到优化调度结果之后，如果论文或项目需要更精确的电池老化验证，再把典型方案的功率序列拿出来，放到更细的电池模型里做后验评估。这种“粗优化、细验证”的思路可以在计算量和可信度之间取得平衡。

另一个被很多人忽略的点是充放电切换次数约束。我最初建模时完全没有考虑切换次数，结果优化出的方案里有两辆车一天内切换了12次充放电状态，这样对并网变换器和电池都是灾难性的。后来我在约束函数中加入了一天内每辆车开关状态变化次数不超过4次的限制，才让结果具备工程意义。这也是为什么我一直强调多目标优化不是纯数学问题，工程约束的完备性决定了结果能不能用。