企业官网建设流程全解析

白天光伏出力拉满的时候，负荷还没上来；傍晚负荷冲高，光伏却已经掉没了。水电这时候就得上，但上多少是个学问——补少了电网波动大，补多了可能腾不出库容接纳第二天的来水，还要考虑购电成本和弃电代价。以前我习惯把成本、碳排放、出力波动这些目标加权成一个综合指标去跑优化，跑着跑着就发现权重根本试不明白，换个权重结果就偏科：要么经济性极好但出力曲线跟锯齿一样，要么曲线平稳但成本高得离谱。

后来我把这个问题彻底换了个思路——不再找“唯一最优解”，而是用非支配排序遗传算法（NSGA-II）直接求解多目标 Pareto 解集，一次性输出一整族“不同偏好下的候选调度方案”，再根据实际需要去挑。这篇文章就是把这个项目从建模、编码到调参的完整过程记录下来，给同样在做水光互补调度或类似多目标优化方向的朋友一个可以直接参考的 Python 实现框架。

1. 为什么水光互补一定是个多目标问题：三个目标之间的拉锯

1.1 光伏出力有“反调峰”特征，而水电是唯一能调的

先看一个典型的日尺度场景。光伏出力曲线基本跟着太阳走：早上 8 点开始爬坡，中午 11 点到 13 点达到峰值，下午 15 点以后快速回落，18 点左右接近零。如果光伏装机占比高，电网侧看到的就是“中午可能消纳不完，傍晚又开始爬坡不够”的尴尬局面。

水电正好是可以快速调节的电源，通过水库蓄放、机组启停，能把白天多余的光伏电量“储存”成水库里的水，留到傍晚高峰再放。但这种调节不是无条件的：水库库容有限、来水流量不确定、生态流量和下游用水有底线。所以调度本质上是在“现在用”和“以后用”之间做取舍，这个取舍没法用一个简单指标说清楚。

我做过最直观的对比实验是：单独把“运行成本最小”作为目标跑一次优化，得到的结果里出力波动指标往往很差，因为最优成本方案总是把水电压在电价高峰时段集中出力，前后时段的总出力会出现很大的阶跃。反过来只优化“出力平稳”，水电又会均匀出力，导致傍晚负荷高峰时段不得不从外部高价购电。

1.2 三个核心目标放在一起，彼此冲突

这个项目里我一开始定的三个目标很常规，但一直在起作用：

三个目标的关系是：f1 与 f2 有一定正相关性，因为购电越多往往成本越高、碳排放也越高，但由于分时电价的存在，两者又不是完全线性相关；f3 与 f1 的矛盾最典型——平稳出力要求水电在时间轴上“均摊”，而经济调度要求水电“盯着电价尖峰时段集中放”。鱼和熊掌不能兼得，于是才需要多目标优化的解集思维。

1.3 加权和方法的致命缺陷：权重试不明白，非凸前沿直接丢解

不少人在处理这种多目标问题时第一反应是线性加权。我也这么干过，结果遇到两个非常现实的问题。

第一，量纲差异。成本动辄几百万量级，波动目标可能是几千，碳排放又是另一个量级，权重的物理含义很难解释。第二，Pareto 前沿非凸时，加权和法在数学上根本找不到中间区域的折中解，只能跑到两端。这意味着你无论怎么调权重，都可能永远看不到那个“既不算太贵也不算太抖”的中间方案，但这类方案恰恰是实际调度中最想要的。

所以我改用 NSGA-II。它不把一个多目标问题压成一个单目标，而是让一组候选解在目标空间里同时进化，通过支配关系和拥挤度保持解的多样性，最终给出完整前沿，让决策者自己挑。

2. NSGA-II 的核心思想：用“支配”筛选方案，而不是打分排序

2.1 Pareto 支配关系：先学会比较两个方案谁更“好”

NSGA-II 里最基础的概念是支配。假设两个调度方案 A 和 B，如果方案 A 在所有目标上的表现都不差于 B，并且至少有一个目标严格优于 B，就说 A 支配 B。

举一个具体的例子。方案 A 成本 120 万、出力波动 180 MW；方案 B 成本 130 万、出力波动 195 MW。A 两项都更优，那 A 支配 B。但如果方案 C 成本 110 万、波动 210 MW，A 和 C 就互不支配——A 波动更小但更贵，C 更便宜但波动更大。所有不被任何方案支配的解构成了第一层级，也就是 Pareto 非支配解集。

这个定义简单，但整个算法的筛选逻辑都是建立在它之上的：每一代种群先通过两两比较分出层级，第一层是当前的 Pareto 前沿，第二层是去掉第一层后再找出的前沿，以此类推。层级越靠前，表示这个解在当前种群中越“接近最优”。

2.2 非支配排序：把种群分层，越靠前越值得保留

非支配排序的经典实现需要 O(MN²) 的复杂度，M 是目标数，N 是种群大小。实现上核心是构建每个个体的支配集合和被支配计数：

import numpy as np def fast_non_dominated_sort(values): # values: 二维数组，shape=(N, M)，N为个体数，M为目标数 n = len(values) S = [[] for _ in range(n)] # 被个体i支配的个体集合 n_point = np.zeros(n) # 支配个体i的数量 rank = np.zeros(n, dtype=int) fronts = [[]] for i in range(n): for j in range(n): if i == j: continue dom_i_j = np.all(values[i] <= values[j]) and np.any(values[i] < values[j]) dom_j_i = np.all(values[j] <= values[i]) and np.any(values[j] < values[i]) if dom_i_j: S[i].append(j) elif dom_j_i: n_point[i] += 1 if n_point[i] == 0: rank[i] = 0 fronts[0].append(i) k = 0 while fronts[k]: Q = [] for i in fronts[k]: for j in S[i]: n_point[j] -= 1 if n_point[j] == 0: rank[j] = k + 1 Q.append(j) k += 1 fronts.append(Q) return fronts, rank

这段代码按 JS 的经典思路来写，和 Deb 在论文里的 fast-non-dominated-sort 是一致的。实际项目里直接调pymoo或deap的实现更快，但理解这个循环过程对后面调参很重要——因为如果种群里可行解太少，非支配排序会频繁出现层级爆炸，一层里塞几十个个体，拥挤度距离就会主导选择压力，导致算法向边界漂移。

2.3 拥挤度距离：同层之内，保留那些“孤立”的解

光有非支配排序还不够。第一层可能有很多个互不支配的解，如果全保留，种群会很快堆在某一小片区域。NSGA-II 的做法是计算每个解的拥挤度距离：目标空间里，同一目标方向上相邻两个解之间归一化距离的总和。距离大的解说明它周围“空”，值得保留来扩张前沿的覆盖度。

这个机制做了一件很精妙的事：它不直接告诉算法“哪个方向值得探索”，而是通过保留边缘和稀疏区域的解，让种群在目标空间里自然铺开。我跑水光互补模型时观察到的实际效果是：如果不加拥挤度距离，前几代还正常，到 50 代以后整个前沿就收缩成一团，全是成本低但波动大的解；加上拥挤度之后，前沿才能从成本端一路延伸到平稳端。

2.4 精英保留策略：父代和子代合并后择优

NSGA-II 与传统遗传算法的另一个关键差异是精英保留。每一代进化后，算法不是直接用子代替换父代，而是把父子两代合并，在 2N 个个体里先按非支配层级排序，再按层级从低到高填入新种群，填满 N 个为止。如果最后某一层放不下全部个体，就用拥挤度距离从大到小选。

这样做的好处是父代里已经表现很好的方案不会因为交叉变异被丢掉。在我这个水光调度问题里尤其重要，因为约束比较复杂，很多子代个体是违反库容约束的，如果没有精英保留机制，上一代好不容易找到的几个可行解很可能在进化中流失，算法很难收敛。

2.5 为什么不是 MOPSO 或 SPEA2？

多目标优化算法不止 NSGA-II，我也对比尝试过 MOPSO（多目标粒子群）和 SPEA2。说句公道话，MOPSO 在连续决策变量上收敛很快，但我的决策变量是 24 个时段的发电流量序列，粒子群在更新时会受惯性权重影响，后期容易出现粒子聚集在局部前沿附近的问题，种群的多样性维护不如 NSGA-II 直观。SPEA2 的档案集机制也挺好，但实现复杂度略高，调试成本大。

最关键的是，NSGA-II 在工程领域积累了大量可复用的实现和调参经验，社区活跃，遇到问题容易找到参考。做项目讲究稳妥，我最终选了 NSGA-II。

3. 水光互补调度的数学模型与约束处理：翻译成算法能懂的语言

3.1 决策变量：24 小时发电流量序列

这个问题的决策变量很直接——一天 24 个时段的发电流量 (Q_h(t))。拿到发电流量后，通过水头计算得到水电出力，再结合光伏出力处理功率平衡。采用小时级调度时，T=24，决策维度不高，NSGA-II 处理起来压力不大。

但要注意的一点是：发电流量与出力的关系是强耦合的，水库水位变化会改变水头，水头又反过来影响单位流量的发电功率。如果直接把发电流量当成最终调度令，必须同步考虑水头修正，否则结果下达不到现地。我在这篇文章的示例模型里采用简化线性水头模型——把水头表示为库容的线性函数，这个近似对日调节水库足够，实际项目如果水库特征曲线非线性明显，需要换成插值表。

3.2 目标函数的具体形式

三个目标函数的表达式如下：

$$f_1 = \sum_{t=1}^{T} \big[ C_{buy}(t) \cdot P_{buy}(t) - C_{sell}(t) \cdot P_{sell}(t) \big] + C_{curtail} \cdot P_{curtail}(t)$$

其中 (P_{buy}(t)) 是时段 t 的系统缺电功率（需要外部购电），(P_{sell}(t)) 是时段 t 的富余上网功率，(P_{curtail}(t)) 是光伏弃电功率。这个目标越小越好，负值表示系统整体在盈利。

第二个目标：

$$f_2 = \sum_{t=1}^{T} e_{grid} \cdot P_{buy}(t)$$

这里将外部购电等价为火电补足，(e_{grid}) 是电网平均碳排放因子。目标是让系统尽量靠水电和光伏自给自足。

第三个目标：

$$f_3 = \sum_{t=1}^{T-1} \big| P_{total}(t+1) - P_{total}(t) \big|$$

(P_{total}(t) = P_h(t) + P_{pv}(t))，这个指标衡量联合出力曲线的“抖动程度”。调度侧对爬坡速率有硬性要求，用相邻时段差值的绝对值之和做代理指标最简洁。

3.3 约束条件与状态转移

模型的核心约束是水量平衡方程：

$$V(t+1) = V(t) + \big[ Q_{in}(t) - Q_h(t) - Q_{spill}(t) \big] \cdot \Delta t$$

(Q_{in}(t)) 是天然来水，(Q_{spill}(t)) 是弃水流量。除了这个状态转移式子，还包括：

• 库容范围约束：(V_{min} \le V(t) \le V_{max})
• 发电流量范围约束：(Q_{h,min} \le Q_h(t) \le Q_{h,max})
• 末端库容约束：调度周期结束时库容回到目标值附近，保证可持续调度
• 功率平衡等式约束（软化为购售电变量）

如实说，功率平衡这个等式约束我没放在硬约束里，而是通过购电和售电变量在目标函数里自然反映。因为如果硬性要求每个时段水光出力严格等于负荷，决策空间一下子会被压得很窄，NSGA-II 甚至很难找到初始可行解。实际工程中，电网侧也存在调节余量，只要缺电或弃电在允许范围内就可以接受。

3.4 示例场景参数设计

为了让后面的代码可以直接运行，我设计了一个模拟场景，参数如上表所示：

来水和光伏预测都采用典型曲线数据，我会在代码里以 NumPy 数组的形式直接给出，方便复现。

4. Python 搭建 NSGA-II 调度框架：从环境到核心实现

4.1 环境准备：新手先把这几个库装上

做这个项目只需要 Python 3.8 以上版本，核心依赖是 NumPy、Matplotlib 和 pymoo。pandas 用来处理来水和光伏数据的 CSV 文件，如果直接从数组造数据可以不用。

pip install numpy pandas matplotlib pip install pymoo

如果安装 pymoo 遇到问题，通常是网络源的问题，用国内镜像源加速一下就行。装好后可以用python -c "import pymoo; print(pymoo.__version__)"验证。pymoo 在 0.6.x 版本之后 API 有一些调整，我用的是 0.6.0 系列的接口，这是目前最稳的版本线。

4.2 用 pymoo 定义多目标问题类

pymoo 的核心用法是继承Problem类，重写_evaluate方法。n_var是决策变量个数，也就是 24 个时段的发电流量；n_obj是目标数 3；n_constr是约束数量，我设为 2×T+1，分别对应每个时段的库容上下限约束和末端库容约束。

完整的框架如下，我把数据准备和示例场景参数都放在代码里，方便直接跑：

import numpy as np from pymoo.algorithms.moo.nsga2 import NSGA2 from pymoo.core.problem import Problem from pymoo.optimize import minimize from pymoo.operators.crossover.sbx import SBX from pymoo.operators.mutation.pm import PM from pymoo.operators.sampling.rnd import FloatRandomSampling T = 24 DT = 3600.0 # 秒 V_MIN = 6.0e6 V_MAX = 2.0e7 V_0 = 1.2e7 V_T = 1.2e7 Q_H_MIN = 0.0 Q_H_MAX = 120.0 # m3/s ETA = 0.88 G = 9.81 H0 = 20.0 # 基础水头，m AREA = 2.0e5 # dV/dH，简化线性水头关系 P_H_MAX = 50.0 # MW P_PV_MAX = 30.0 # MW # 典型场景数据：来水、光伏出力、负荷 rng = np.random.default_rng(7) Q_in = 45 + 15 * np.sin(np.linspace(0, 2 * np.pi, T) + 1.2) # m3/s P_pv = np.maximum(0, P_PV_MAX * np.sin(np.linspace(0, np.pi, T))) # MW P_pv = P_pv * (1 + 0.02 * rng.normal(size=T)) # 加一点预测误差 L_d = 45 + 12 * np.sin(np.linspace(0, 2 * np.pi, T) - 0.6) # MW buy_price = 0.6 + 0.25 * np.sin(np.linspace(0, 2 * np.pi, T) - 1.0) # 元/kWh sell_price = 0.3 * np.ones(T) # 上网电价 class HydroPVProblem(Problem): def __init__(self): xl = np.full(T, Q_H_MIN) xu = np.full(T, Q_H_MAX) super().__init__(n_var=T, n_obj=3, n_constr=2 * T + 1, xl=xl, xu=xu) def _evaluate(self, X, out, *args, **kwargs): f_costs = [] f_co2 = [] f_fluct = [] G = np.zeros((len(X), 2 * self.n_var + 1)) for i, x in enumerate(X): Q_h = x V = np.zeros(T + 1) V[0] = V_0 P_h = np.zeros(T) for t in range(T): # 线性水头修正 H = H0 + (V[t] - V_MIN) / AREA P_h[t] = min(G * ETA * Q_h[t] * H / 1000.0, P_H_MAX) spill = max(0, V[t] + Q_in[t] * DT - V_MAX) / DT V[t + 1] = V[t] + (Q_in[t] - Q_h[t] - spill) * DT P_total = P_h + P_pv P_buy = np.maximum(0, L_d - P_total) P_sell = np.maximum(0, P_total - L_d) f1 = np.sum(buy_price * P_buy - sell_price * P_sell) / 1000.0 # 千元 f2 = np.sum(0.7 * P_buy) # tCO2 f3 = np.sum(np.abs(np.diff(P_total))) # MW f_costs.append(f1) f_co2.append(f2) f_fluct.append(f3) for t in range(T): G[i, 2 * t] = V[t + 1] - V_MAX G[i, 2 * t + 1] = V_MIN - V[t + 1] G[i, -1] = abs(V[T] - V_T) - 0.05 * (V_MAX - V_MIN) out["F"] = np.column_stack([f_costs, f_co2, f_fluct]) out["G"] = G

4.3 调用 NSGA-II 算法并输出 Pareto 前沿

问题类定义好之后，调用算法就非常简洁了。我用的参数是种群 120、进化 200 代，交叉算子 SBX 概率 0.9，变异算子 PM 概率 0.1。这一组参数是经过多轮尝试后的折中——种群太大跑得慢，太小前沿稀疏；代数太少收敛不完，太多边际收益递减。

algorithm = NSGA2( pop_size=120, sampling=FloatRandomSampling(), crossover=SBX(prob=0.9, eta=15), mutation=PM(prob=0.1, eta=20), eliminate_duplicates=True ) res = minimize( HydroPVProblem(), algorithm, ('n_gen', 200), seed=42, verbose=True ) X = res.X F = res.F

跑完之后，res.F就是每个非支配解的三个目标函数值。如果把 F 散点画出来，就是整个调度方案集的 Pareto 前沿。

4.4 如果想脱离框架自己写交叉变异

pymoo 已经很完善，我还是简单说说如果不用第三方库怎么处理。NSGA-II 的二进制编码版核心包括锦标赛选择、模拟二进制交叉（SBX）和多项式变异。但水光调度的决策变量是连续流量值，用实数编码更自然。这时交叉算子从“交换基因片段”变成“在两个父解之间做数值插值”，变异变成“在局部范围内做扰动”。pymoo 的 SBX 算子本质上就是这种实数交叉，好的参数能让子代在父代附近产生，避免把 24 时段流量序列打得乱七八糟。

自己实现的最大难点其实不是算子本身，而是约束处理后种群经常退化到没有可行解。我建议新手直接用成熟工具库，先把优化流程跑通，再考虑手写。

4.5 跑不动的常见原因排查

如果你的代码跑得很慢，先检查这几项：

• _evaluate里有没有能向量化的循环。比如 P_h 计算里的 for 循环，个体数量多了会拖慢整体；可以用 numpy 的向量运算改写。
• 是不是每个个体都重建了一遍模型对象。数据数组应该做成类属性，不要在 evaluate 里重复生成。
• 迭代代数是不是设得过高。我见过有人把 n_gen 设成 5000，跑了三个小时还没结束。水光调度这类约束问题，200-300 代足够看到清晰的 Pareto 前沿结构了。

5. 实验结果解读：Pareto 前沿与折中方案选取

5.1 Pareto 前沿的典型形态

跑完 200 代后，把三个目标两两投影画出来，最直观的是成本 f1 和波动 f3 的二维散点。横轴是运行成本，纵轴是出力波动，可以看到一条从左下向右上延伸的曲线——这正好验证了前面说的经济性和平稳性的矛盾：成本越低，出力抖动越大；想要越平稳，就要付出更高成本。

碳排放目标 f2 在三维前沿中几乎形成一个平面结构，它与成本的线性关系明显，因为在当前模型里碳排放只与购电量成正比，而购电成本又由购电量乘分时电价决定。时电价的变化让两个目标之间产生轻微的非线性，前沿因此仍然有厚度，没有被压缩成一条线。

值得注意的一点是，前沿在最左端的“最经济方案”附近通常会有少量不满足末端库容约束的解，这是因为末端库容约束我设置了一个 5% 的容差范围。跑出来的限制前沿应该只保留所有约束都满足的解。

5.2 折中方案怎么选

Pareto 前沿给出的是候选集合，最终落地还要决策者挑一个。我在项目里常用的方法是“最小距理想点法”，实现很简单：

1. 把目标函数值按列做 min-max 归一化，让三个目标都映射到 [0,1]；
2. 定义理想点为三个目标各自的最小值构成的向量；
3. 计算每个 Pareto 解到理想点的欧氏距离，取最小的那个。

这个点通常落在前沿的“肘部”附近，也就是成本增加一点点、波动却能显著下降的那个转折区域，工程上最具可操作性。

另外，如果追求更严谨的系统性决策，可以用 TOPSIS 或熵权法给三个目标赋权。不过在我调试的过程中发现，调度员最关心的还是曲线本身的形状，单纯按目标值选完方案，最好再画一下该方案的功率平衡图和库容过程线，确认没有超出物理限制。

5.3 从前沿回到调度曲线：验证方案可落地

选出的折中方案对应一组发电流量序列。把水电出力、光伏出力、负荷需求在 24 小时轴上堆叠，可以看到这个方案的特点是：光伏大的午间时段水电压低出力，库容缓慢蓄水；傍晚负荷高峰和水价高峰时段，水电加大放流，联合出力刚好顶住负荷。由于模型里允许一定程度的购电和弃电，总功率与负荷之间会有少量差值，这个差值越小说明方案的自平衡能力越强。

我跑下来的典型结果是：折中方案的购电时长集中在夜间 1 点到 5 点，因为那是电价低谷、水电站来水偏少且库容紧张的时段。而光伏弃电基本发生在午间 11 点到 13 点，如果进一步优化，可以考虑给光伏配储能或者放宽水电调峰上限，这些都是后续迭代的方向。

5.4 特殊场景压力测试

固定来水曲线跑完之后，我习惯再做两组压力测试：枯水年场景（所有来水乘 0.5）和丰水年场景（所有来水乘 1.5）。枯水场景下，水库可用的调节水量减少，Pareto 前沿整体向右上移动，成本和平稳性都显著变差；丰水场景下，弃水风险增加，前沿大体向左下移动，但目标函数中的弃电惩罚项让算法自动减少无谓的蓄水，尽可能把多余水量放到发电时段。

这种跨场景压力测试很重要，因为调度方案不仅要“在给定场景里最优”，还要能应对实际中偏离预测的情况。跑几次极端场景，你才会理解为什么约束里末端库容目标不能设得太死——真实调度永远是滚动更新的，今天把水放光了，明天来水预测上调，就没有调节余地了。

6. 调试中总结的几个关键经验：参数、约束与稳定性

6.1 库容约束应该做硬约束还是软惩罚？

一开始我把库容约束放到目标函数里当惩罚项，做法是超过上下限就加一个很大的惩罚值。试下来的结果是：惩罚系数设小了，大量解都跑到约束边界外，前沿根本不成立；系数设大了，种群在进化早期几乎全部淘汰，选择压力过大，很快收敛到几个偶然满足约束的解上。

最终我还是改为在 pymoo 的out["G"]里输出硬约束值。这种做法在带精英保留的 NSGA-II 里表现得非常稳：只要初始种群里有少数几个可行个体，算法就会在保证这些精英存在的前提下不断改进；即使初始种群全不可行，也会逐渐向可行域推进。

6.2 种群规模、迭代代数和交叉变异参数怎么配

24 个决策变量、3 个目标，我测试过的经验范围如下：

这个范围不是拍脑袋的，是我做了几组对照实验的结果：种群太小（比如 40）时，Pareto 前沿会在某些区域出现明显空洞；变异概率太大时，子代会跳离父代太远，可行率降到很低；分布指数 eta 越大，生成的子代越靠近父代，搜索越精细但收敛慢。先拿一组保守参数跑通，再逐步减小 eta 观察前沿覆盖度变化，是效率最高的调试路线。

6.3 别忘了做“单目标极限测试”验证模型正确性

多目标优化最容易出的问题不是算法不收敛，而是目标函数本身写错了。我建议在跑 NSGA-II 之前，先把三个目标分别单独作为单目标问题求解一次。比如单独最小化运行成本，应该看到水电全部集中在电价最高的时段放；单独最小化出力波动，应该看到水光联合出力接近一条水平线，代价是购电量增大。如果单目标测试结果不符合物理直觉，说明模型或代码里有 bug，这时候去调多目标参数就是白费功夫。

6.4 Python 里的性能优化

pymoo 的进化主体是 C 和 Python 混合实现，真正的瓶颈在我的_evaluate里的循环。初始版本我用 Python for 循环逐时段推算库容和出力，种群一上 120、迭代 200 代，跑一次要十分钟以上。后来改成尽量用 NumPy 数组运算，计算时间缩短到两分钟左右。

具体的优化技巧包括：把来水、光伏、电价的数组提前算好并缓存；水头变化不大的场景直接用平均水头近似；每个个体内部的 24 步循环尽量精简中间变量。调度周期从 24 扩展到 96 时（15 分钟粒度），这些优化会带来数量级的差距。

6.5 一个容易忽视的细节：随机种子与结果可复现性

NSGA-II 本身是随机算法，即使输入完全相同的场景参数，不同随机种子跑出来的 Pareto 前沿也有差异。做项目对比实验时，我总会在minimize函数里固定 seed，并保留 3 组不同 seed 的结果，看前沿结构和折中方案是否稳定。如果只是分享代码，固定一个 seed 就能让读者完全复现你贴出来的图；如果研究不同水库参数的影响，固定 seed 可以排除随机性的干扰。

最后分享一个我踩坑最多的体会：多目标优化跑完之后，别急着把“最优方案”亮出来。先给决策的人看 Pareto 前沿的散点图——让他理解“想再平稳一点，代价是什么”，然后再给具体的调度曲线，这种表达方式会让你的方案落地概率高很多。毕竟多目标调度解决的不只是数学问题，更是一个选择问题。