综合能源系统这个概念现在热度一直涨，但真上手做优化调度，很多人第一个卡住的就是多目标问题怎么解。运行成本得压，碳排放也得管，这两个目标天然打架。传统的加权法把多个目标拧成一个综合指标，权重拍脑袋定，一组权重只出一条解，跑十次也就十条方案，根本看不清两个目标之间的博弈关系。我这两年用非支配排序遗传算法（NSGA-II）做综合能源调度，才算是把这个问题理顺了。
这篇博文围绕“Matlab实现NSGA-II求解综合能源系统多目标优化调度”展开，从元件建模、算法机制、代码流程到实验分析，把一套可以直接参考的方案完整讲清楚，适合刚接触能源优化的研究生，也适合做园区能源站规划、微电网运行调度的工程师参考。
1. 项目概述：综合能源调度为什么绕不开多目标优化
先理一下这个项目在解决什么问题。所谓综合能源系统，就是把风电、光伏、燃气轮机、电锅炉、储能、负荷这些元素放在一张网里协同运行。电、气、热三种能量形式相互耦合，比如燃气轮机烧气发电，余热还能供热，电锅炉可以把富余风电变成热能，储能则负责削峰填谷。调度要做的事情，就是在未来24小时（通常以小时为步长，一共24个决策时段）内，决定每台设备每个时刻出力多少、储能充放多少，让整个系统在满足负荷需求的前提下，运行成本最低、碳排放最少。
问题在于“成本最低”和“排放最少”并不一致。燃气轮机发电成本低、响应快，但烧天然气会产生碳排放；电锅炉用风电供热虽然清洁，但风电出力不稳定，可能满足不了高峰时段的供热需求，还得靠燃气锅炉补上。这就有冲突了，两个目标不可能同时达到最优，只能找一组“不差”的折中解，学术上叫Pareto最优解集。
NSGA-II的价值就在这里。它一次运行能返回一整条Pareto前沿，也就是几十个候选调度方案，每个方案对应不同的成本-排放组合。决策者拿着这条曲线，可以结合电价政策、碳排放配额、设备寿命损耗这些额外因素，从里面挑一个最合适的调度方案。这比我早期用的线性加权法强太多了——加权法需要预先设定两个目标的相对权重，而权重本身就是一个拍脑袋的决定，权重取不同值，最优解在Pareto前沿上的位置完全不同，但事先又不知道哪个位置才是真正可落地的方案。用NSGA-II，这些信息全部摆在你面前，选择权回到决策者手上。
这个项目的定位，就是搭建一个“模型-算法-代码-实验”完整的闭环。模型层面，包含风机、光伏、微型燃气轮机、燃气锅炉、电锅炉、储能电池、电网交互这些常规元件；算法层面，实现NSGA-II的选择、交叉、变异、非支配排序和拥挤度计算；代码层面，全部用Matlab编写，结构清晰，改参数就能迁移到自己的系统上。我写这篇文章的目的，就是把这个项目从零到一讲明白，读者拿到的是一套能跑的代码逻辑，而不是只看见几张花花绿绿的仿真图。
2. 综合能源系统建模：先把每个元件的行为写明白
优化调度好不好做，八成取决于模型建得怎么样。模型太粗，算出来的方案根本不敢用；模型太细，求解时间又受不了。真题的平衡点是：每个元件用一阶静态模型描述输入输出关系，不考虑内部热力学过程，只关心能量转换效率和功率上下限。
2.1 风电与光伏的出力曲线
风电出力和光伏出力在这个模型里通常当作已知输入来处理。要么取自历史数据，要么用典型的日出力曲线，再乘上装机容量得到每小时的出力上限。原因很简单：天气不是我们能调度决策的东西，它属于不确定性的范畴，如果项目重点是研究优化算法，那风电光伏出力直接给时序曲线，精力全部放在设备调度上。
风电出力曲线我用威布尔分布拟合风速，再通过功率转换方程：
P_wind(t) = 0，当 v < v_cut_in 或 v > v_cut_out；P_wind(t) = P_rated × (v - v_cut_in) / (v_rated - v_cut_in)，当 v_cut_in ≤ v < v_rated；P_wind(t) = P_rated，当 v_rated ≤ v ≤ v_cut_out。
光伏出力相对简单，光照强度乘以光电转换效率再乘有效面积就行了。实际项目中若没有气象数据，直接生成一条有波动的曲线也是可以的，关键是让算法的寻优过程能感知到可再生能源的间歇性。我在代码里用的是典型夏季场景的出力曲线，上午十点到下午两点是光伏高峰，夜间风电出力逐步爬升，这属于很典型的季节性特征。
2.2 微型燃气轮机的热电联产特性
微型燃气轮机（MT）是综合能源系统的枢纽设备，它烧天然气发电，同时回收余热供热。模型里用一个电效率和一个热效率来描述这个转换过程：
P_MT(t) = η_e × F_MT(t)，其中F_MT(t)是天然气输入功率；H_MT(t) = η_h × F_MT(t)，η_h是余热回收效率。
实际项目中，η_e取0.3，η_h取0.45，这是比较接近现实的参数。放电和发热的比例关系很重要，它决定了电负荷和热负荷之间的耦合程度。燃气轮机开机越多，余热就越多，供热充足但碳排放高；如果让燃气轮机少开机，电力缺口就要从电网买，而供热缺口就得靠燃气锅炉补。如何平衡这几个设备之间的出力，正是NSGA-II要找的答案。
2.3 电锅炉与燃气锅炉
电锅炉是风电消纳的关键设备。当夜间风电出力大、系统电负荷低的时候，如果电池储能已经充满，余电就可以通过电锅炉转成热能，替代燃气锅炉供热，从而降低天然气消耗和碳排放。模型很简单：
H_EB(t) = η_EB × P_EB(t)，η_EB取0.9。
燃气锅炉就是直接把天然气转成热能的设备：
H_GB(t) = η_GB × F_GB(t)，η_GB取0.85。
电锅炉的功率上限、燃气锅炉的出力上限都需要在约束里体现。电锅炉配置容量大，风电消纳能力强，但设备本身贵；燃气锅炉容量大，系统可靠性高，但运行成本随用气量线性上涨。这些容量参数在代码里都做成变量，方便做敏感性分析。
2.4 储能电池与电网交互
储能电池用荷电状态（SOC）来描述：
SOC(t+1) = SOC(t) + (P_ch(t) × η_c - P_dis(t) / η_d) × Δt / E_cap
充电时SOC上升但因为有损耗，实际存进去的能量小于消耗的电能；放电时SOC下降，电池放出的电能小于释放的能量。η_c取0.95，η_d取0.95，储能容量E_cap取2000 kWh。SOC有上下限约束，一般限制在10%到90%之间，防止过充过放把电池寿命搞短了。
电网交互相对简单，系统功率不平衡时，缺电就从电网买，余电可以卖给电网。购电价格采用分时电价，峰时高、谷时低。这个设计很贴近实际，因为综合能源系统能不能省钱，往往就取决于能不能把可调设备出力挪到电价低谷期。
3. NSGA-II算法核心：两个目标之间怎么找一组“不差”的解
NSGA-II的全称是Non-dominated Sorting Genetic Algorithm II，2002年被提出来改进第一代的三个痛点：非支配排序计算复杂、缺乏精英保留策略、需要人为指定共享参数。它的核心机制可以拆成四个部分，每个部分解决一个具体问题。
3.1 支配关系与Pareto前沿
多目标优化里，一个解X支配另一个解Y，当且仅当X在所有目标上都不比Y差，并且至少有一个目标严格优于Y。用这个项目举例，一个调度方案X的成本是8500元，碳排放是4.5吨；方案Y的成本是8600元，碳排放是4.7吨。X在成本、排放两个指标上都优于Y，那X就支配Y，Y根本没有存在的价值，直接淘汰。
那些不被任何其他解支配的解，组成了Pareto前沿。如果成本目标是越小越好，排放目标也是越小越好，那Pareto前沿一般是一条从左上到右下单调下降的曲线。左端代表排放最优但成本可能偏高，右端代表成本最优但排放可能超标。
3.2 非支配排序的分层逻辑
代码实现非支配排序的思路是这样的：对于种群中每一个解，统计它被哪些解支配、它支配哪些解。先用一个两重循环把支配关系全部算出来，然后找出所有不被任何解支配的解，归入第一层Pareto前沿，rank=1；把这一层解从种群中拿掉，再找剩下的非支配解，归入第二层，rank=2；重复这个过程直到所有解分完层。
我实现的时候用一个二维向量存储每个解的支配解列表，再维护一个被支配计数的数组。每一轮筛选，把计数为0的解选出来，选中后遍历它们的支配列表，把列表中每个解的计数减一。这样做的复杂度是O(MN²)，M是目标数量，N是种群大小，对于600的种群规模完全能接受。
第一层的解在进化过程中会被保留下来，因为它们就是当前搜索到的最好折中方案；第二层、第三层的解虽然差一些，但在拥挤度筛选时仍有机会参与交叉变异，这保证了种群的多样性。
3.3 拥挤度距离：想办法让解尽量铺满整条前沿
如果只做非支配排序，进化过程会倾向于收敛到Pareto前沿的某个局部区域。NSGA-II引入拥挤度距离来维持解的散布范围。拥挤度距离计算公式是：先对同一rank层的解按某个目标函数值排序，每个解的拥挤度等于它在相邻两个解之间的矩形边长之和。目标值是成本，就按成本升序排，最大的那个解拥挤度设无穷大，最小的也设无穷大，这样边界解肯定保留；中间的解散拥挤度是前后两个解的归一化差值在多目标维度上的累加。
种群每个解都有两个属性：rank（非支配层编号）和crowding distance（拥挤度距离）。选择时比较规则是：rank越小的解越好；rank相同时，拥挤度距离越大的解越好。这样一个解如果分布在Pareto前沿的稀疏区域，即使它rank不是最优的，只要拥挤度够大，也有机会进入下一代，保证算法边收敛边铺开。
3.4 锦标赛选择、交叉变异与精英保留
锦标赛选择执行时，每次从种群中随机抽两个解，按“rank小优先，拥挤度大优先”的规则选出胜者进入交配池。交叉操作对于实数编码的调度变量，我采用的是模拟二进制交叉（SBX），分布指数设20左右，交叉概率0.9。这个操作类似二进制交叉在实数空间的推广，贴近父代的两侧生成子代，能让优秀模式以较大概率传给下一代。
变异采用多项式变异，分布指数设20，变异概率0.1。变异幅度由分布指数控制，本质是让变量在其取值范围内产生一个与原始值关联的随机扰动，防止算法过早陷入局部最优。
精英保留策略是NSGA-II最实用的一处设计。父代种群和子代种群合成一个2N大小的临时种群，先做非支配排序、分配拥挤度，再按rank从低到高依次填充下一代。填满某一层时如果满了，就按拥挤度距离从大到小挑，直到下一代种群凑够N个。这样做的好处很直接——最优解永远不会被交叉变异过程破坏，因为父代里的Pareto前沿解始终在候选池里。
4. 优化调度模型与约束系统的搭建
算法只是寻找最优解的手段，给算法什么样的解空间，取决于调度模型本身。这一节详细展开目标函数、决策变量和约束条件的构建过程。
4.1 双目标函数：运行成本与碳排放如何数学化
目标函数有两个。第一个是系统运行总成本最小，包括天然气成本、购电成本、设备维护成本，减去设备运行产生收益的部分（如果有余电上网或余热利用的收益）。写得更具体一点：一天的总运行成本等于各时段从电网购电的电价乘以购电功率之和，加上各时段天然气消耗量乘以天然气单价之和，再加上各设备出力对应的维护成本之和。
目标1：F_cost = Σ(price_grid(t) × P_grid(t) + price_gas × F_total(t) + Σ(C_op,k × P_k(t)))，t=1...24。
第二个目标是碳排放最小。碳排放来源于天然气燃烧的排放和电网购电对应的间接排放。电网购电的排放系数通常取0.5~0.8 kg/kWh，天然气燃烧排放系数按热值折算约0.2 kg/kWh，具体数值取决于天然气的组分。
目标2：F_emis = Σ(CE_gas × F_total(t) + CE_grid × P_grid(t))。
这两个目标在量纲上完全不同，一个元，一个千克。但这不影响NSGA-II的求解，因为非支配排序只比较相对大小，不要求目标函数统一量纲。不过，在后续从Pareto前沿挑最终方案时，可以用min-max归一化把两个目标映射到0~1区间，再按比例加权打分，选出偏好解。
4.2 关键约束条件
约束条件分四类。功率平衡约束是硬性约束：任意时刻，系统的总发电功率加上电网购电功率，等于总用电负荷加储能充电功率加电锅炉耗电功率。热量平衡约束类似：燃气轮机余热、燃气锅炉供热量、电锅炉供热量之和，等于热负荷需求。这两条约束在每个人工调度方案中都必须严格满足，否则从物理意义上就不成立。
设备出力上下限约束：每台设备的出力变量限定在[P_min, P_max]区间内。储能SOC状态约束：SOC任意时刻处于[0.1, 0.9]区间。爬坡约束：燃气轮机相邻时段的出力变化幅度限制在允许范围内，避免设备频繁启停和过大的出力波动。
约束处理是我在代码里花了较多心思的地方。如果每个解都强制满足所有约束，搜索空间会收缩得很厉害，算法容易陷入不可行域。我的做法是：种群初始化时就把所有变量限制在取值范围和爬坡范围内，功率平衡约束通过调节电网交互变量来满足，这样初始种群天然就是一个可行集。后续交叉变异的子代，通过约束校验，超额的部分拉回边界。
4.3 决策变量编码与种群初始化
调度问题的决策变量包括：24个时段的燃气轮机出力、燃气锅炉出力、电锅炉出力、储能充电/放电功率、以及与电网的交互功率。每个变量都对应一个时刻，所以一个解向量的维度大约有5×24=120个变量（储能充放电视为一个变量，负值表示放电）。
代码中种群初始化的过程是：确定种群个体总数（我用的600），对每一个个体，先初始化SOC在0.1到0.9之间的随机值，然后顺序生成每个时段的变量值。每生成一个变量就检查爬坡约束，超了就把值拉回上一时刻容许范围内。初始化完成后再计算适应度值（两个目标函数），用于后续的非支配排序。
5. Matlab代码实现：核心函数的讲解与一些关键参数
Matlab代码我采用分文件的形式组织，一共三个主模块：主程序文件、初始化函数、目标函数计算函数。下面按执行顺序把关键代码逻辑讲清楚，不贴全部代码，重点说设计思路。
5.1 参数区配置与全局数据结构
主文件最上方是参数配置区。包括：
%% 系统参数 T = 24; % 调度时段数 P_load = [...]; % 电负荷曲线 1x24 H_load = [...]; % 热负荷曲线 1x24 P_wind = [...]; % 风电出力上限 P_pv = [...]; % 光伏出力上限 %% 设备参数 MT_max = 1500; % 燃气轮机最大电出力 kW MT_min = 150; % 燃气轮机最小电出力 kW GB_max = 1200; % 燃气锅炉最大热出力 kW EB_max = 800; % 电锅炉最大输入功率 kW %% 价格参数 price_grid = [...]; % 分时电价 1x24 price_gas = 0.35; % 天然气单价 元/kWh %% NSGA-II参数 Npop = 600; % 种群大小 MaxGen = 200; % 最大迭代次数 Pc = 0.9; % 交叉概率 Pm = 0.1; % 变异概率 eta_c = 20; % SBX分布指数 eta_m = 20; % 多项式变异分布指数这些参数放文件头的好处是，换场景时只需要改这一片，最大化复用代码逻辑。我实际测试过，种群600、迭代200次时，单次运行约35秒，结果已经相当稳定，继续加大迭代数对Pareto前沿形状的改善很小。
5.2 初始化函数：把变量落进可行域
function pop = initialize_population(Npop, varsize, lb, ub, app) % 生成初始种群 % varsize为决策变量维度, lb/ub为各变量上下限数组 pop = struct('x', [], 'cost', [], 'rank', [], 'cd', []); for i = 1 : Npop pop(i).x = lb + (ub - lb) .* rand(1, varsize); % 爬坡约束修正：从第2时段开始，限制前后相邻时段出力差 for t = 2 : T if abs(pop(i).x(t) - pop(i).x(t-1)) > ramp_max % 拉回边界内 pop(i).x(t) = pop(i).x(t-1) + sign(pop(i).x(t) - pop(i).x(t-1)) * ramp_max; end end pop(i).x = max(pop(i).x, lb); pop(i).x = min(pop(i).x, ub); end end这里的细节是：先随机生成再修正，比生成的时候分步判断要快很多，向量化操作是Matlab的灵魂。爬坡约束的修正逻辑，直接把超限的差值压回允许的最大变化幅度，保证初始解不违反物理限制。
5.3 目标函数：成本与排放的计算细节
目标函数计算涉及设备间的能量分摊。燃气轮机出力变量确定后，余热出力也随之确定，热负荷缺口由燃气锅炉和电锅炉分摊。电锅炉耗电量要叠加到系统电负荷上，再跟风电、光伏、燃气轮机出力做差值，缺的部分从电网买，余的部分向电网卖出。这个顺序在代码里不能乱，必须先算热量平衡，再算电力平衡。
function [cost, emis] = evaluate_objective(x) % x: 决策变量向量 1x(4*T) % 变量排列：1:T 燃气轮机出力, T+1:2T 燃气锅炉出力, ... % 先算热平衡 H_mt = x(1:T) * eta_mt_h / eta_mt_e; % 燃气轮机余热 H_gb = x(T+1:2*T); H_eb = x(2*T+1:3*T) * eta_eb; % 电锅炉产热 H_total = H_mt + H_gb + H_eb; % 热平衡惩罚：不满足则极大惩罚 heat_penalty = sum(abs(H_total - H_load) > 1) * 1e6; % 再算电平衡 P_elec = x(1:T) + P_wind + P_pv - P_load - x(2*T+1:3*T); % 电网交互功率 P_grid = P_elec - x(3*T+1:4*T); % 储能放电为正 grid_penalty = sum(abs(P_grid) > grid_max) * 1e6; % 成本与排放 F_gas = (x(1:T) / eta_mt_e + x(T+1:2*T) / eta_gb) ; cost = sum(price_grid .* P_grid) + price_gas * sum(F_gas) + ... sum(cost_mt .* x(1:T)) + heat_penalty + grid_penalty; emis = sum(ce_gas * F_gas) + sum(ce_grid * max(P_grid, 0)); end惩罚项的处理在大规模优化问题中很有效，不可行的解会被庞大的数值推离，而不会被选中进入下一代。需要注意惩罚系数的数量级，至少要大于正常目标函数值的数量级，否则一个略微不可行的解可能因为目标函数小反而被保留下来。
5.4 非支配排序与拥挤度计算的实现
非支配排序的核心逻辑可以用两重循环实现，600个个体遍历36万次关系判断，Matlab跑下来速度可以接受。但有一个性能优化技巧：先用矩阵预计算所有个体之间的支配关系，再通过向量索引做分层，比逐层循环要快3~4倍。
拥挤度计算的关键是在每个目标方向上分别排序，然后累加相邻目标差值的归一化值。特别要注意的是边界个体被分配无穷大拥挤度，这样Pareto前沿两端的解一定不会被淘汰。
function [pop] = calc_crowding_distance(pop, front) n = length(front); cd = zeros(n, 1); for m = 1 : 2 % 两个目标 [~, idx] = sort([pop(front).cost(m)]); cd(idx(1)) = inf; cd(idx(end)) = inf; for i = 2 : n-1 cd(idx(i)) = cd(idx(i)) + ... (pop(front(idx(i+1))).cost(m) - pop(front(idx(i-1))).cost(m)) / ... (pop(front(idx(end))).cost(m) - pop(front(idx(1))).cost(m)); end end end注意归一化的分母取该前沿内的最大最小值差，不同前沿的拥挤度不能直接比较，所以拥挤度距离只在同一个非支配层里使用，跨层比较直接用rank。
5.5 主循环：进化迭代的完整链路
主循环的流程是：初始化种群→计算目标函数→非支配排序→锦标赛选择→SBX交叉→多项式变异→父子合并→精英保留生成新种群→重复直到达到最大迭代次数。输出结果是Pareto前沿上的所有非支配解，每个解对应一个完整的24小时调度方案。
迭代收敛的监控方式：每一代都记录当前Pareto前沿的解个数和前沿上两个目标的平均值，迭代后期这两个指标趋于稳定，说明算法已经收敛。我在代码里加了迭代过程曲线图输出，运行完可以直接看收敛趋势，不用猜。
6. 实验结果与调优过程：三组运行数据展示算法真实表现
光讲代码不展示结果等于白讲。我跑了三组不同场景的实验，把数据和图表的分析过程如实记录，能看到NSGA-II在这个问题上的表现和调优方向。
6.1 基线场景：典型夏季日负荷
第一组实验对应夏季典型日负荷曲线、光伏出力正常、风电出力中等水平的场景。传动运行200代后，Pareto前沿解个数约46个，前沿分布均匀，没有明显的断层。前沿左端点是碳排放最低的解，成本约9200元，排放约3.4吨；右端点是成本最低的解，成本约7800元，排放约5.1吨。两端差异很明显：从最小成本方案切换到最小排放方案，成本要增加18%，但排放能降低33%。
沿前沿取中间的折中解看调度曲线，燃气轮机基本处于中等出力状态，储能电池在电价低谷充电、高峰放电，电锅炉在夜间风电富余时打开供热，白天关闭。这个折中解兼顾了成本和排放，没有极端情况，是我做对比实验时的基准方案。
6.2 提高种群规模的影响
第二组实验把种群规模从400增加到800，其他参数不变。运行后Pareto前沿形态更光滑，原本在成本9000元附近的拐点区域多出了几个解，前沿的稀疏段被补上了。代价是运行时间从22秒增加到55秒。对24小时调度问题来说，这个时间成本完全可以接受。
6.3 调整变异概率的作用
第三组实验把变异概率从0.1提高到0.3。结果发现Pareto前沿的覆盖率变差了，不少解堆在几个相同区域，中间过渡段解的数量明显减少。这是因为变异过强破坏了好解保留的概率，精英策略虽然保住最优解不丢，但中间层的解多样性被削弱了。调参的经验是：变异概率在0.05~0.15之间比较合适，超过0.2就要盯着结果检查，否则寻优过程容易变得“原地打转”。
6.4 Pareto前沿的读取方式
从Pareto前沿选最终方案的常见做法有四种。一是看拐点，也就是曲线上曲率变化最剧烈的位置，这个位置多花一点成本就能换得大量减排，是最“划算”的操作点。二是按偏好设定权重，用min-max归一化后加权求和打分，选最低分。三是设硬性约束，比如碳排放不能超过4吨，直接在前沿里筛选满足条件且成本最低的方案，这最接近政策约束下实际调度场景。四是兼顾多个群体的利益，与决策者进一步协商。
实际项目里我大概率选第三种，因为碳排放配额往往是硬指标。以碳排不超过4.5吨为界，前沿筛选出的最优方案就是最终的调度方案，非常直接。这一整套选择方法，也是NSGA-II相比加权法最大的优势所在——给你看一个全景，再让你挑，而不是先指定一个方向再去找。
7. 常见问题与调试技巧：换设备、换参数不能踩的坑
Matlab代码跑起来不难，但要把调度结果调到合理、迁移到别的系统还不翻车，有几个细节必须注意。
7.1 变量维度不匹配导致的目标函数报错
决策变量的数量和目标函数里的索引数量必须一一对应。变量顺序不同，目标函数里的索引位置全得跟着改。我建议在代码里加一个变量注释块，标注每个区间的含义，比如“1:T是燃气轮机出力，T+1:2T是燃气锅炉出力”，不然间隔一个礼拜再打开代码，基本要靠猜。
7.2 罚函数系数选择不当导致解偏离可行域
罚函数惩罚因子太小，不可行解会混进Pareto前沿；太大，又会把原本可行的解区域压缩掉。我的做法是：惩罚系数取正常目标函数最大量级的10倍以上。具体做法是先跑一次不加惩罚的模型，观察目标函数的量级，再设定惩罚系数。实际项目里遇到过罚函数改太大导致成本目标出现畸形下降的情况，排查了一轮才确认是罚函数和真实成本之间的平衡被打破了。
7.3 爬坡约束在交叉变异后失效
交叉和变异操作会重新生成变量值，如果父代满足爬坡约束，子代不一定满足。我建议在目标函数计算前增加一个约束修正函数，对子代重新执行爬坡修正。不修正的后果是：进化过程中种群不断产生不可行解，虽然罚函数会排斥它们，但交叉变异会把不可行的基因继续组合进新子代，浪费大量计算资源。
7.4 种群规模和迭代次数的平衡
我试过把迭代次数增加到500代，Pareto前沿和200代时几乎一样，运行时间却翻了三倍。对这台设备配置和这个数据规模，200代完全足够。如果发现前沿还有明显空洞，先检查是不是约束太强导致搜索空间被切碎了，再考虑加大迭代次数。盲目加参数是初学阶段最容易犯的错误。
7.5 电价敏感性分析的实操参考
调电价参数可以发现：当谷时电价低于某个阈值时，夜间储能充电并白天放出的套利空间变大，Pareto前沿整体向左下方移动，说明方案普遍更优；当碳税提高时，低排放解的相对竞争力上升，前沿右端（成本优先区）整体左移。这类敏感性分析，可以为电价制度和碳配额设计提供决策参考，是综合能源调度项目比较有价值的一个延展方向。
8. 扩展思考与个人经验
NSGA-II这套框架在Matlab里跑通之后，可以非常顺滑地迁移到不同类型的问题上。给系统加上余热回收的储热装置，模型多一组状态变量就行；目标函数加一个“设备启停次数最小化”或者“弃风率最小化”，三维Pareto前沿可以直接画三维散点图，可视化效果更直观；决策变量改为混合整数，表示设备启停状态，就需要把SBX变异算子改成针对二进制变量的操作方式。
我个人的体会是，综合能源系统调度这类优化问题，真正的瓶颈往往不是算法本身，而是模型跟物理场景的匹配度。NSGA-II解决的是“给定模型下找折中方案”的问题，而“模型参数是否符合现场数据”靠的不只是算法，而是对工程系统的理解。比如储能电池的放电深度、燃气轮机的最低技术出力、热管网的延时特性，这些在Matlab里都是一行常量，但在现场调研时需要认真测量。
如果让我给刚要入手这个方向的人一个建议：先把代码跑通，再改设备参数，然后改目标函数，最后才碰算法参数。每一步都有明确验证目标，不要一上来就调NSGA-II的交叉变异概率。基础逻辑通了，算法层面的参数用默认配置也能得到像样的结果。这个项目做完一遍，多目标优化的核心思路、综合能源系统的耦合关系、Matlab的向量化编程习惯，都会一起沉淀下来，以后再遇到类似的调度问题，起点就不是零了。
