最近花了几周时间把一个EI论文的复现项目从零跑通了——建筑集成光储系统规划运行综合优化求解算法用改进粒子群算法全部用Python代码实现。这项目的核心任务并不复杂但做起来很磨人建筑屋顶的光伏该配多大容量储能电池该配多少电能和功率以及每天该怎么充放电这几个问题必须放到同一个框架里一起求目标是让建筑全生命周期的综合费用最低。如果你也正在复现类似的能源系统优化论文或者在做光伏储能容量配置相关的课题这篇内容应该能帮你省下不少弯路。我会把模型结构、改进粒子群的细节、Python代码的落地方式还有我在复现过程中踩过的坑全部整理出来尽量做到你看完就能照着改、照着跑。1. 先把问题模型拆明白建筑光储系统优化的关键组成1.1 规划层和运行层到底是什么关系这一类论文的题目里都带着“规划运行综合优化”几个字拆开看其实是两个子问题被耦合在一起了。规划层解决的是“这辈子买多大的设备”光伏阵列的额定容量、储能电池的额定电量、储能变流器的功率等级。这一层的特点是决策变量个数少但每个变量直接决定了后面几十年的运行边界所以它属于慢时间尺度的决策。运行层解决的是“每天怎么开设备”在已知光伏出力、建筑负荷、电价曲线的前提下每个时刻该给电池充多少电、放多少电、从电网买多少电。这一层的特点是时间步长小典型做法是取典型日按小时甚至按15分钟精细化建模。麻烦的地方在于这两个问题不是独立的。你规划储能容量时必须先知道它将来怎么运行而运行策略算出来多少收益又反过来取决于你配了多大储能。这就是耦合关系。很多新手第一次复现这类论文时最容易犯的错误就是把两层拆开单独算最后得出的配置结果跟论文对不上。正确做法是做成嵌套结构外层粒子群负责搜索规划变量内层在给定规划方案下做运行模拟把运行结果返回给外层去算适应度。1.2 目标函数和约束条件怎么搭才严谨目标函数通常是年综合费用最小化可能还会带上弃光率、自给率之类的附加指标但最核心的还是经济性。我这里按最常见的写法展开min C_total C_inv_annual C_om C_buy - C_sellC_inv_annual 是光伏和储能的等年值投资成本要把一次性投资折算到每年折算系数 CRF r(1r)^n / ((1r)^n - 1)r是折现率n是设备寿命。光伏一般取20年储能取10年。C_om 是年运维成本光伏和储能分别按容量乘以单位运维系数别漏掉储能每年的电池更换或容量衰减因子。C_buy 是全年从电网购电的总费用按分时电价和购电功率逐时累加。C_sell 是余电上网的收益。有些地区的政策不允许或者不鼓励自发自用余电上网复现时要注意原论文有没有算这一项。约束条件里面最重要的几类功率平衡约束P_load_t P_pv_t P_dis_t - P_ch_t P_grid_t这个等式是每个时刻都必须满足的硬约束。储能SOC约束SOC_min ≤ SOC_t ≤ SOC_max充放电功率也要限幅。SOC连续性约束SOC_{t1} SOC_t η_ch·P_ch_t·Δt/E_es - P_dis_t·Δt/(η_dis·E_es)这个公式看着简单但充电效率和放电效率的位置经常有人写反。设备容量约束光伏发电功率不超过额定容量乘光照系数储能充放电功率不超过额定功率。你会发现约束条件的处理直接决定了粒子群算法搜出来的解有没有意义。我复现的时候是把约束条件分成两类处理一类是决策变量本身的范围限制直接在粒子初始化时用边界裁剪另一类是SOC和功率平衡这类运行约束在适应度函数内部用罚函数处理。1.3 典型日选取别一上来就跑8760小时很多论文原始模型是全年8760小时逐时模拟但用Python复现时如果内外双层都跑8760小时粒子群一个粒子算一遍适应度可能就要几分钟一群粒子迭代100次那计算量完全没法看。所以实际复现时几乎都会做时间尺度聚合。常见做法是选取典型日夏季典型日、冬季典型日、过渡季典型日每个典型日再乘以对应的天数权重把全年360天或365天覆盖掉。我用的数据文件大概是这样的结构load_summer.csv、load_winter.csv、load_transition.csv每份文件24行分别存这个季节典型日每个小时的平均负荷功率光伏出力曲线类似来源于典型日太阳辐照度曲线再乘以光伏效率折算。电价曲线也是24点分时电价峰谷平三段对应不同的购电价和上网电价。选典型日的时候要注意一个细节负荷曲线和光伏曲线必须取自同一类天气条件不然算出来的购电费用会失真。比如夏季典型日如果选了阴天负荷光伏曲线却选了晴天辐照那全年费用会明显偏低复现结果就跟论文对不齐。2. 为什么标准粒子群不够用改进点到底改在哪里2.1 标准PSO在光储双层优化里容易翻车的原因标准粒子群算法大家都很熟一群粒子在搜索空间里飞每个粒子记住自己历史最优位置同时向群体最优位置靠拢速度和位置按公式更新。单目标连续优化问题上它表现不差但放在建筑光储规划运行这个场景里问题就出来了。第一个问题是搜索空间维数不高但是尺度差异大。光伏容量可能是几百千瓦储能容量可能是几千瓦时到几百千瓦时数值范围差几个数量级。如果直接在原始空间里编码粒子群速度更新的步长很容易被某个大数维度带偏导致小数值维度搜索精度很差。第二个问题是收敛太快、后期失去多样性。标准PSO前期容易快速向某个局部最优聚集特别是有罚函数这种地形比较崎岖的目标函数时种群很快就会抱团。一旦抱团gbest不更新所有粒子的速度v会被惯性权重w不断衰减最终所有粒子都停在一个不优的位置。我一开始用标准PSO跑连续几次结果都稳定在同一个次优解上增加粒子数也没用这就是典型的过早收敛。第三个问题是运行层这个“内层噪声”会让适应度函数不光滑。即使规划变量只差一点点内层运行策略切换后目标函数值可能出现跳变这种不光滑地形对PSO很不友好。2.2 我复现时采用的三种改进策略结合这类EI论文里最常见的改进套路我最后采用了三种比较稳的改进策略组合自适应惯性权重。惯性权重w不再固定为0.9或0.8而是随迭代进程自适应调整。我采用的是线性递减加适应度反馈的混合方式w w_max - (w_max - w_min) * k / max_iter然后再根据当前粒子适应度与群体最优适应度的差距做微调如果粒子适应度优于平均适应度则减小w增强局部开发能力反之增大w增强全局探索能力。这个处理相当于把线性递减和自适应反馈结合起来比单纯线性递减收敛得更稳。变异重启机制。这是最关键的改进。设定一个停滞代数计数器当全局最优gbest连续N代没有改善或者改善量小于阈值时从种群中随机抽出一定比例的粒子对它们的位置叠加一个随机扰动相当于重新把它们抛到搜索空间的其他区域去探索。扰动幅度我取当前搜索空间宽度的20%左右太大容易破坏已经找到的好解太小又跳不出局部陷阱。精英保留策略。每一代更新完所有粒子后不直接拿新的种群进入下一代而是把当前最优的几个粒子复制一份存下来下一代如果种群整体变差了用精英个体替换掉最差的几个粒子。这个策略本来很简单但能保证改进后的粒子群再差也不会比上一代差太多也方便画收敛曲线时看到一条稳定下降的线。2.3 改进效果收敛曲线和经济性对比怎么看改进之后最直观的变化在收敛曲线上。标准PSO大概迭代到40代左右就趴平了改进PSO可以继续下降最后稳定时年综合费用比标准PSO的结果降低百分之八到十二左右具体数字取决于你复现的论文算例。这里插一句大家复现EI论文时一定要关注原论文最后给出的优化结果表。里面一般有几种方案的对比比如“未配置光储”“光储独立规划”“光储综合优化”这几种复现的目标就是让你的算法跑出来的最优方案和论文表格里的数值尽量接近。偏差在3%以内都算复现成功超过5%就要回头检查目标函数参数是不是漏项了。3. Python代码实现从数据读取到改进PSO主循环3.1 代码整体框架与核心数据结构这个项目我完全基于Python实现没有用任何商业优化求解器。依赖库只有numpy、pandas、matplotlib非常轻量。整个代码结构大概是project/ ├── data/ │ ├── load_summer.csv │ ├── load_winter.csv │ ├── load_transition.csv │ ├── pv_summer.csv │ ├── pv_winter.csv │ ├── pv_transition.csv │ └── tariff.csv ├── src/ │ ├── pso_improved.py │ ├── objective.py │ ├── operation_simulation.py │ └── main.py └── result/ ├── convergence_curve.png └── optimal_result.csv核心数据结构是一个粒子类直接用numpy数组管理整体用矩阵运算而不是for循环逐粒子算效率高不少。3.2 粒子编码与解码方式规划层维度是三维编码为 [P_pv, E_es, P_es]P_pv光伏额定容量单位kW搜索范围根据建筑屋顶面积和原论文参数设置我这里是 [0, 800] kW。E_es储能额定电量单位kWh搜索范围 [0, 1000] kWh。P_es储能额定功率单位kW搜索范围 [0, 500] kW。这里有个很容易踩的坑P_es和E_es不是完全独立的两者需要满足一个合理关系。如果储能倍率过大比如P_es500kW而E_es100kWh电池半小时就充满/放空这在经济上不合理而且会导致SOC约束频繁触发。我在初始化时加了约束0.5C ≤ P_es/E_es ≤ 2C。对初始化不满足的粒子做投影修正而不是直接丢弃这样可以保持种群数量稳定。运行层不参与粒子编码而是在适应度函数内部调用运行模拟函数。这样做的原因是运行层是24小时连续变量如果直接编码进粒子每个粒子就要带72维三个典型日各24小时功率粒子群在高维空间搜索效率会崩掉。3.3 运行层模拟基于规则的能量管理策略内层运行模拟我采用的是基于规则的策略这也是很多光储论文复现时的通用做法。规则其实很直接光伏出力优先供给建筑负荷多余的电先给电池充电电池满了再余电上网。负荷超过光伏出力时优先从电池放电电池不够再从电网购电。在分时电价背景下可以增加一层“价格引导”谷电时段若电价低且电池SOC较低可从电网购电给电池充电待峰电时段再放电。不过要注意如果论文里用的是线性规划或动态规划求解运行层那规则调度得到的结果严格来说不是“运行优化”而是“启发式运行”。我复现时看原论文的方法部分采用的是数学规划内层但我为了平衡计算复杂度最终采用了规则调度作为近似。如果追求严格复现可以用scipy.optimize.linprog把内层改成线性规划代价是每个粒子算适应度的耗时从几十毫秒涨到几百毫秒迭代200代的话还能接受。适应度函数核心代码大概长这样def calc_fitness(particle, data, params): p_pv, e_es, p_es particle # 容量约束和倍率约束判断 if e_es p_es * 0.5 or e_es p_es * 2.0: return 1e10 total_cost 0.0 for season, days in zip([summer, winter, transition], params[season_days]): load data[fload_{season}] pv data[fpv_{season}] tariff data[tariff] soc params[soc_init] season_cost 0.0 for t in range(24): pv_power pv[t] * p_pv / 1000 # 按额定容量折算 net_load load[t] - pv_power if net_load 0: # 优先放电不够再购电 dis_max min(p_es, (soc - params[soc_min]) * e_es / params[eta_dis]) p_dis min(net_load, dis_max) p_grid net_load - p_dis soc - p_dis / (params[eta_dis] * e_es) else: # 盈余充电池满了再上网 ch_max min(p_es, (params[soc_max] - soc) * e_es * params[eta_ch]) p_ch min(-net_load, ch_max) p_sell -net_load - p_ch soc p_ch * params[eta_ch] / e_es season_cost - p_sell * tariff[sell][t] season_cost p_grid * tariff[buy][t] total_cost season_cost * days # 等年值投资 运维 罚函数 inv_annual (params[cost_pv] * p_pv params[cost_es] * e_es params[cost_pcs] * p_es) * params[crf] om_cost params[om_pv] * p_pv params[om_es] * e_es penalty 0.0 if soc params[soc_min] - 0.01: penalty 1e6 * (params[soc_min] - soc) ** 2 return total_cost inv_annual om_cost penalty几点说明SOC的更新公式里充放电效率位置一定要检查放电时SOC下降的分母是η_dis罚函数我设定SOC全局越界的惩罚比较重这样粒子群会自动避开那些会导致SOC越界的储能小容量解。3.4 改进PSO主循环的实现细节改进粒子群的主循环我写成一个类初始化时生成粒子位置和速度然后循环迭代直到满足终止条件。核心改进部分体现在两个地方。停滞检测用了一个计数器。全局最优gbest每次更新时把count归零如果连续15代gbest没有改善就触发变异操作。变异时随机挑30%的粒子对它们每个维度乘以一个在0.8到1.2之间均匀分布的随机缩放因子再叠加一点高斯噪声然后重新评估这些粒子的适应度。这里有一个我试过很多次得出的经验变异幅度不要太大0.8到1.2的缩放已经够用。如果你用0.5到1.5这样的大幅度容易把种群之前在好的区域附近积累的位置信息全打散导致二次收敛极慢。初始化粒子时我用了拉丁超立方抽样而不是纯随机抽样确保在三维搜索空间里粒子分布更均匀。这是个小改动但对前期收敛速度帮助很明显。主循环代码框架class ImprovedPSO: def __init__(self, dim3, n_particles30, max_iter200): self.dim dim self.n_particles n_particles self.max_iter max_iter self.w_max 0.95 self.w_min 0.35 self.c1 1.8 self.c2 1.8 self.stagnation_limit 15 # 用拉丁超立方初始化粒子位置和速度 self.x, self.v self._init_particles() self.pbest self.x.copy() self.gbest self.x[0].copy() # ... def run(self): for k in range(self.max_iter): w self.w_max - (self.w_max - self.w_min) * k / self.max_iter for i in range(self.n_particles): r1, r2 np.random.rand(2) self.v[i] (w * self.v[i] self.c1 * r1 * (self.pbest[i] - self.x[i]) self.c2 * r2 * (self.gbest - self.x[i])) self.x[i] self.v[i] self.x[i] self._clip_and_repair(self.x[i]) fitness calc_fitness(self.x[i], ...) if fitness self.pbest_fitness[i]: self.pbest_fitness[i] fitness self.pbest[i] self.x[i].copy() if fitness self.gbest_fitness: self.gbest self.x[i].copy() self.gbest_fitness fitness self.stagnation_count 0 # ... self._check_stagnation()参数设置方面粒子数我取30迭代次数200惯性权重从0.95线性降至0.35加速常数c1和c2都取1.8。这个组合是我在复现过程中反复调出来的比常见的c1c22.0在三维小规模问题上收敛更稳定不容易振荡。4. 结果分析配置方案、收敛曲线和运行策略一起看4.1 收敛曲线怎么解读才算复现成功跑完主程序后把每代的gbest适应度值画出来就是收敛曲线。我看这条曲线主要看两个指标。第一个是收敛速度。改进PSO通常能在30到60代之间完成主要下降后续代数在小范围内微调。如果曲线是一条几乎垂直下降然后立即趴平说明种群早熟了如果到200代还在明显下降说明最大迭代次数设少了需要加大到300代甚至更多。第二个是最终收敛值的稳定性。我固定随机种子跑5次统计最优值的均值和方差。如果5次结果波动超过2%说明算法稳定性有问题优先检查变异重启机制的触发频率是否过高。我自己跑出来的结果标准PSO最终年费用在某个值附近改进PSO在同样条件下降低了并且收敛曲线明显更平滑。这就说明改进策略有效而不只是随机波动带来的差异。4.2 最优配置结果的工程解读算法解出来的最优配置大致呈现这样的规律光伏容量会一直被推到接近屋顶可装面积上限储能容量则取决于峰谷价差。这个规律和你复现的具体算例有关但大方向是一致的。光伏容量推满很好理解因为光伏发电的度电成本已经低于电网购电价自发自用部分收益明显。储能容量则没那么激进因为储能的单位投资仍然偏高电池寿命有限只有当峰谷价差大到足够覆盖储能投资和效率损耗时储能才有配置价值。我复现时专门做了一组敏感性分析把峰谷价差从每度电0.5元、0.7元、0.9元往上调看最优储能容量的变化。结果是峰谷价差越大最优储能容量增幅越明显而且储能功率和储能电量的比值维持在0.8到1.2之间说明倍率约束确实在起作用。如果你是复现某个EI论文的具体算例最好把最优配置和论文的最终结果表做逐项对比。对不上时先别急着怀疑算法先查参数表看看折现率、设备寿命、单位投资成本这些基础参数是不是与原论文一致。这些参数错一个最终配置结果可能差出20%。4.3 典型日运行策略图怎么看运行结果里最有意思的是典型日24小时的充放电曲线图。横轴时间纵轴功率画三条曲线光伏出力、建筑负荷、储能SOC另外用堆叠柱表示各时段电网购电/售电功率。一个健康的运行策略图应该是这样的白天光伏出力跟随光照曲线波动负荷优先消纳光伏午间光伏盈余时电池开始充电SOC曲线上升下午负荷增加或傍晚光伏出力衰减后电池开始放电夜间如果电价为谷时且SOC已经在较低水平可能还会有一次从电网买电给电池充电的动作目的是在次日峰时段放电套利。如果你发现SOC曲线一天到头贴着下限走说明储能配置偏小或运行策略没有起到削峰填谷作用如果SOC一直贴着上限说明储能配置偏大存在浪费。5. 复现过程中的常见问题与排查实录5.1 高频报错的速查表我把复现过程中以及身边朋友跑类似代码时遇到的高频问题整理成一张表照着排查会快很多。现象常见原因排查方法初始粒子惩罚值巨大收敛极慢粒子初始化范围设置过大大量粒子不满足倍率约束加大罚函数系数同时用投影修正替代直接丢弃SOC曲线出现锯齿状跳动充放电效率在SOC更新公式中用反了位置核对SOC递推公式放电时除以放电效率结果和论文数值对不上偏差20%以上缺了一项成本比如储能更换成本或运维成本逐项对比原论文目标函数结果每次运行都不一样波动大没有固定随机种子或种群规模太小固定np.random.seed粒子数提高到30以上迭代后期收敛停滞再也找不到更优解变异重启机制没有触发或者触发强度太弱检查停滞计数器逻辑调大变异粒子比例运行时长不可接受内层运行模拟用了三层循环且迭代了8760小时换成典型日聚合用numpy向量化最坑的一个问题是numpy默认随机数种子会直接影响复现结果。我一开始没有固定种子每次跑出来容量配置都不同但收敛曲线看起来都正常差点就以为是自己公式写错了。后来固定了随机种子同一组参数连续跑5次结果完全一致才开始去调其他参数。5.2 两个最难排查的问题SOC越界和粒子退化第一个是SOC频繁越界。这个问题最隐蔽因为适应度函数加了罚函数后粒子群虽然最后不会选择越界严重的解但在搜索过程中大量粒子在越界边界上试探导致适应度地形毛刺很多收敛效率被拖累。我最后的处理办法不是调大罚函数系数而是直接修改运行层模拟逻辑在放电时检查SOC是否真的足够支撑放电功率如果不够就减少放电功率而不是让SOC越过下限。这样从根源上杜绝了越界罚函数只是兜底。第二个是粒子退化。迭代后期经常出现一部分粒子的位置完全一样整个种群的有效搜索范围缩小到几个点。我在速度更新公式里加了一个很小的随机扰动项幅度在搜索范围的0.5%左右这样可以让粒子在接近收敛时仍然保持轻微的探索能力。效果比单纯依赖变异重启要好。6. 一点经验总结复现这类论文的通用方法论最后分享几点我复现完这个项目后的总体感受也不算总结就是一些后面可能对你有用的操作习惯。第一复现任何双层优化论文都建议先把内层运行模拟单独拿出来测试。单独给定一组光伏和储能容量检查运行层的SOC曲线是否符合预期、全年费用是否在合理区间。内层测通了再套外层粒子群否则内外层一起出问题时根本没法定位。第二算法改进不是越复杂越好。我试过把自适应变异、混沌映射、模拟退火混合进PSO效果反而不如简单的“自适应惯性权重加变异重启”稳。EI论文的改进算法听起来可能很花哨但复现时抓住两三个真正有效的机制就够了。第三结果的工程意义要会解读。优化出来的数字不是终点你得能解释为什么光伏推到上限、为什么储能容量在这个区间、为什么峰谷价差拉大后储能配置明显上升。这些解释写进论文里才是复现工作真正有学术价值的部分。最后再提一句固定随机种子、保留每一代的最优值和运行参数日志这些看起来不起眼的习惯会帮你省下大量重复跑实验的时间。我这次的复现代码和测试数据都做了存档后续改参数、换数据源继续扩展比如把建筑负荷替换成实际园区负荷、把锂电池换成液流电池模型都可以基于现有框架直接改不用推倒重来。
建筑光储系统规划运行优化：改进粒子群算法Python完整复现
最近花了几周时间把一个EI论文的复现项目从零跑通了——建筑集成光储系统规划运行综合优化求解算法用改进粒子群算法全部用Python代码实现。这项目的核心任务并不复杂但做起来很磨人建筑屋顶的光伏该配多大容量储能电池该配多少电能和功率以及每天该怎么充放电这几个问题必须放到同一个框架里一起求目标是让建筑全生命周期的综合费用最低。如果你也正在复现类似的能源系统优化论文或者在做光伏储能容量配置相关的课题这篇内容应该能帮你省下不少弯路。我会把模型结构、改进粒子群的细节、Python代码的落地方式还有我在复现过程中踩过的坑全部整理出来尽量做到你看完就能照着改、照着跑。1. 先把问题模型拆明白建筑光储系统优化的关键组成1.1 规划层和运行层到底是什么关系这一类论文的题目里都带着“规划运行综合优化”几个字拆开看其实是两个子问题被耦合在一起了。规划层解决的是“这辈子买多大的设备”光伏阵列的额定容量、储能电池的额定电量、储能变流器的功率等级。这一层的特点是决策变量个数少但每个变量直接决定了后面几十年的运行边界所以它属于慢时间尺度的决策。运行层解决的是“每天怎么开设备”在已知光伏出力、建筑负荷、电价曲线的前提下每个时刻该给电池充多少电、放多少电、从电网买多少电。这一层的特点是时间步长小典型做法是取典型日按小时甚至按15分钟精细化建模。麻烦的地方在于这两个问题不是独立的。你规划储能容量时必须先知道它将来怎么运行而运行策略算出来多少收益又反过来取决于你配了多大储能。这就是耦合关系。很多新手第一次复现这类论文时最容易犯的错误就是把两层拆开单独算最后得出的配置结果跟论文对不上。正确做法是做成嵌套结构外层粒子群负责搜索规划变量内层在给定规划方案下做运行模拟把运行结果返回给外层去算适应度。1.2 目标函数和约束条件怎么搭才严谨目标函数通常是年综合费用最小化可能还会带上弃光率、自给率之类的附加指标但最核心的还是经济性。我这里按最常见的写法展开min C_total C_inv_annual C_om C_buy - C_sellC_inv_annual 是光伏和储能的等年值投资成本要把一次性投资折算到每年折算系数 CRF r(1r)^n / ((1r)^n - 1)r是折现率n是设备寿命。光伏一般取20年储能取10年。C_om 是年运维成本光伏和储能分别按容量乘以单位运维系数别漏掉储能每年的电池更换或容量衰减因子。C_buy 是全年从电网购电的总费用按分时电价和购电功率逐时累加。C_sell 是余电上网的收益。有些地区的政策不允许或者不鼓励自发自用余电上网复现时要注意原论文有没有算这一项。约束条件里面最重要的几类功率平衡约束P_load_t P_pv_t P_dis_t - P_ch_t P_grid_t这个等式是每个时刻都必须满足的硬约束。储能SOC约束SOC_min ≤ SOC_t ≤ SOC_max充放电功率也要限幅。SOC连续性约束SOC_{t1} SOC_t η_ch·P_ch_t·Δt/E_es - P_dis_t·Δt/(η_dis·E_es)这个公式看着简单但充电效率和放电效率的位置经常有人写反。设备容量约束光伏发电功率不超过额定容量乘光照系数储能充放电功率不超过额定功率。你会发现约束条件的处理直接决定了粒子群算法搜出来的解有没有意义。我复现的时候是把约束条件分成两类处理一类是决策变量本身的范围限制直接在粒子初始化时用边界裁剪另一类是SOC和功率平衡这类运行约束在适应度函数内部用罚函数处理。1.3 典型日选取别一上来就跑8760小时很多论文原始模型是全年8760小时逐时模拟但用Python复现时如果内外双层都跑8760小时粒子群一个粒子算一遍适应度可能就要几分钟一群粒子迭代100次那计算量完全没法看。所以实际复现时几乎都会做时间尺度聚合。常见做法是选取典型日夏季典型日、冬季典型日、过渡季典型日每个典型日再乘以对应的天数权重把全年360天或365天覆盖掉。我用的数据文件大概是这样的结构load_summer.csv、load_winter.csv、load_transition.csv每份文件24行分别存这个季节典型日每个小时的平均负荷功率光伏出力曲线类似来源于典型日太阳辐照度曲线再乘以光伏效率折算。电价曲线也是24点分时电价峰谷平三段对应不同的购电价和上网电价。选典型日的时候要注意一个细节负荷曲线和光伏曲线必须取自同一类天气条件不然算出来的购电费用会失真。比如夏季典型日如果选了阴天负荷光伏曲线却选了晴天辐照那全年费用会明显偏低复现结果就跟论文对不齐。2. 为什么标准粒子群不够用改进点到底改在哪里2.1 标准PSO在光储双层优化里容易翻车的原因标准粒子群算法大家都很熟一群粒子在搜索空间里飞每个粒子记住自己历史最优位置同时向群体最优位置靠拢速度和位置按公式更新。单目标连续优化问题上它表现不差但放在建筑光储规划运行这个场景里问题就出来了。第一个问题是搜索空间维数不高但是尺度差异大。光伏容量可能是几百千瓦储能容量可能是几千瓦时到几百千瓦时数值范围差几个数量级。如果直接在原始空间里编码粒子群速度更新的步长很容易被某个大数维度带偏导致小数值维度搜索精度很差。第二个问题是收敛太快、后期失去多样性。标准PSO前期容易快速向某个局部最优聚集特别是有罚函数这种地形比较崎岖的目标函数时种群很快就会抱团。一旦抱团gbest不更新所有粒子的速度v会被惯性权重w不断衰减最终所有粒子都停在一个不优的位置。我一开始用标准PSO跑连续几次结果都稳定在同一个次优解上增加粒子数也没用这就是典型的过早收敛。第三个问题是运行层这个“内层噪声”会让适应度函数不光滑。即使规划变量只差一点点内层运行策略切换后目标函数值可能出现跳变这种不光滑地形对PSO很不友好。2.2 我复现时采用的三种改进策略结合这类EI论文里最常见的改进套路我最后采用了三种比较稳的改进策略组合自适应惯性权重。惯性权重w不再固定为0.9或0.8而是随迭代进程自适应调整。我采用的是线性递减加适应度反馈的混合方式w w_max - (w_max - w_min) * k / max_iter然后再根据当前粒子适应度与群体最优适应度的差距做微调如果粒子适应度优于平均适应度则减小w增强局部开发能力反之增大w增强全局探索能力。这个处理相当于把线性递减和自适应反馈结合起来比单纯线性递减收敛得更稳。变异重启机制。这是最关键的改进。设定一个停滞代数计数器当全局最优gbest连续N代没有改善或者改善量小于阈值时从种群中随机抽出一定比例的粒子对它们的位置叠加一个随机扰动相当于重新把它们抛到搜索空间的其他区域去探索。扰动幅度我取当前搜索空间宽度的20%左右太大容易破坏已经找到的好解太小又跳不出局部陷阱。精英保留策略。每一代更新完所有粒子后不直接拿新的种群进入下一代而是把当前最优的几个粒子复制一份存下来下一代如果种群整体变差了用精英个体替换掉最差的几个粒子。这个策略本来很简单但能保证改进后的粒子群再差也不会比上一代差太多也方便画收敛曲线时看到一条稳定下降的线。2.3 改进效果收敛曲线和经济性对比怎么看改进之后最直观的变化在收敛曲线上。标准PSO大概迭代到40代左右就趴平了改进PSO可以继续下降最后稳定时年综合费用比标准PSO的结果降低百分之八到十二左右具体数字取决于你复现的论文算例。这里插一句大家复现EI论文时一定要关注原论文最后给出的优化结果表。里面一般有几种方案的对比比如“未配置光储”“光储独立规划”“光储综合优化”这几种复现的目标就是让你的算法跑出来的最优方案和论文表格里的数值尽量接近。偏差在3%以内都算复现成功超过5%就要回头检查目标函数参数是不是漏项了。3. Python代码实现从数据读取到改进PSO主循环3.1 代码整体框架与核心数据结构这个项目我完全基于Python实现没有用任何商业优化求解器。依赖库只有numpy、pandas、matplotlib非常轻量。整个代码结构大概是project/ ├── data/ │ ├── load_summer.csv │ ├── load_winter.csv │ ├── load_transition.csv │ ├── pv_summer.csv │ ├── pv_winter.csv │ ├── pv_transition.csv │ └── tariff.csv ├── src/ │ ├── pso_improved.py │ ├── objective.py │ ├── operation_simulation.py │ └── main.py └── result/ ├── convergence_curve.png └── optimal_result.csv核心数据结构是一个粒子类直接用numpy数组管理整体用矩阵运算而不是for循环逐粒子算效率高不少。3.2 粒子编码与解码方式规划层维度是三维编码为 [P_pv, E_es, P_es]P_pv光伏额定容量单位kW搜索范围根据建筑屋顶面积和原论文参数设置我这里是 [0, 800] kW。E_es储能额定电量单位kWh搜索范围 [0, 1000] kWh。P_es储能额定功率单位kW搜索范围 [0, 500] kW。这里有个很容易踩的坑P_es和E_es不是完全独立的两者需要满足一个合理关系。如果储能倍率过大比如P_es500kW而E_es100kWh电池半小时就充满/放空这在经济上不合理而且会导致SOC约束频繁触发。我在初始化时加了约束0.5C ≤ P_es/E_es ≤ 2C。对初始化不满足的粒子做投影修正而不是直接丢弃这样可以保持种群数量稳定。运行层不参与粒子编码而是在适应度函数内部调用运行模拟函数。这样做的原因是运行层是24小时连续变量如果直接编码进粒子每个粒子就要带72维三个典型日各24小时功率粒子群在高维空间搜索效率会崩掉。3.3 运行层模拟基于规则的能量管理策略内层运行模拟我采用的是基于规则的策略这也是很多光储论文复现时的通用做法。规则其实很直接光伏出力优先供给建筑负荷多余的电先给电池充电电池满了再余电上网。负荷超过光伏出力时优先从电池放电电池不够再从电网购电。在分时电价背景下可以增加一层“价格引导”谷电时段若电价低且电池SOC较低可从电网购电给电池充电待峰电时段再放电。不过要注意如果论文里用的是线性规划或动态规划求解运行层那规则调度得到的结果严格来说不是“运行优化”而是“启发式运行”。我复现时看原论文的方法部分采用的是数学规划内层但我为了平衡计算复杂度最终采用了规则调度作为近似。如果追求严格复现可以用scipy.optimize.linprog把内层改成线性规划代价是每个粒子算适应度的耗时从几十毫秒涨到几百毫秒迭代200代的话还能接受。适应度函数核心代码大概长这样def calc_fitness(particle, data, params): p_pv, e_es, p_es particle # 容量约束和倍率约束判断 if e_es p_es * 0.5 or e_es p_es * 2.0: return 1e10 total_cost 0.0 for season, days in zip([summer, winter, transition], params[season_days]): load data[fload_{season}] pv data[fpv_{season}] tariff data[tariff] soc params[soc_init] season_cost 0.0 for t in range(24): pv_power pv[t] * p_pv / 1000 # 按额定容量折算 net_load load[t] - pv_power if net_load 0: # 优先放电不够再购电 dis_max min(p_es, (soc - params[soc_min]) * e_es / params[eta_dis]) p_dis min(net_load, dis_max) p_grid net_load - p_dis soc - p_dis / (params[eta_dis] * e_es) else: # 盈余充电池满了再上网 ch_max min(p_es, (params[soc_max] - soc) * e_es * params[eta_ch]) p_ch min(-net_load, ch_max) p_sell -net_load - p_ch soc p_ch * params[eta_ch] / e_es season_cost - p_sell * tariff[sell][t] season_cost p_grid * tariff[buy][t] total_cost season_cost * days # 等年值投资 运维 罚函数 inv_annual (params[cost_pv] * p_pv params[cost_es] * e_es params[cost_pcs] * p_es) * params[crf] om_cost params[om_pv] * p_pv params[om_es] * e_es penalty 0.0 if soc params[soc_min] - 0.01: penalty 1e6 * (params[soc_min] - soc) ** 2 return total_cost inv_annual om_cost penalty几点说明SOC的更新公式里充放电效率位置一定要检查放电时SOC下降的分母是η_dis罚函数我设定SOC全局越界的惩罚比较重这样粒子群会自动避开那些会导致SOC越界的储能小容量解。3.4 改进PSO主循环的实现细节改进粒子群的主循环我写成一个类初始化时生成粒子位置和速度然后循环迭代直到满足终止条件。核心改进部分体现在两个地方。停滞检测用了一个计数器。全局最优gbest每次更新时把count归零如果连续15代gbest没有改善就触发变异操作。变异时随机挑30%的粒子对它们每个维度乘以一个在0.8到1.2之间均匀分布的随机缩放因子再叠加一点高斯噪声然后重新评估这些粒子的适应度。这里有一个我试过很多次得出的经验变异幅度不要太大0.8到1.2的缩放已经够用。如果你用0.5到1.5这样的大幅度容易把种群之前在好的区域附近积累的位置信息全打散导致二次收敛极慢。初始化粒子时我用了拉丁超立方抽样而不是纯随机抽样确保在三维搜索空间里粒子分布更均匀。这是个小改动但对前期收敛速度帮助很明显。主循环代码框架class ImprovedPSO: def __init__(self, dim3, n_particles30, max_iter200): self.dim dim self.n_particles n_particles self.max_iter max_iter self.w_max 0.95 self.w_min 0.35 self.c1 1.8 self.c2 1.8 self.stagnation_limit 15 # 用拉丁超立方初始化粒子位置和速度 self.x, self.v self._init_particles() self.pbest self.x.copy() self.gbest self.x[0].copy() # ... def run(self): for k in range(self.max_iter): w self.w_max - (self.w_max - self.w_min) * k / self.max_iter for i in range(self.n_particles): r1, r2 np.random.rand(2) self.v[i] (w * self.v[i] self.c1 * r1 * (self.pbest[i] - self.x[i]) self.c2 * r2 * (self.gbest - self.x[i])) self.x[i] self.v[i] self.x[i] self._clip_and_repair(self.x[i]) fitness calc_fitness(self.x[i], ...) if fitness self.pbest_fitness[i]: self.pbest_fitness[i] fitness self.pbest[i] self.x[i].copy() if fitness self.gbest_fitness: self.gbest self.x[i].copy() self.gbest_fitness fitness self.stagnation_count 0 # ... self._check_stagnation()参数设置方面粒子数我取30迭代次数200惯性权重从0.95线性降至0.35加速常数c1和c2都取1.8。这个组合是我在复现过程中反复调出来的比常见的c1c22.0在三维小规模问题上收敛更稳定不容易振荡。4. 结果分析配置方案、收敛曲线和运行策略一起看4.1 收敛曲线怎么解读才算复现成功跑完主程序后把每代的gbest适应度值画出来就是收敛曲线。我看这条曲线主要看两个指标。第一个是收敛速度。改进PSO通常能在30到60代之间完成主要下降后续代数在小范围内微调。如果曲线是一条几乎垂直下降然后立即趴平说明种群早熟了如果到200代还在明显下降说明最大迭代次数设少了需要加大到300代甚至更多。第二个是最终收敛值的稳定性。我固定随机种子跑5次统计最优值的均值和方差。如果5次结果波动超过2%说明算法稳定性有问题优先检查变异重启机制的触发频率是否过高。我自己跑出来的结果标准PSO最终年费用在某个值附近改进PSO在同样条件下降低了并且收敛曲线明显更平滑。这就说明改进策略有效而不只是随机波动带来的差异。4.2 最优配置结果的工程解读算法解出来的最优配置大致呈现这样的规律光伏容量会一直被推到接近屋顶可装面积上限储能容量则取决于峰谷价差。这个规律和你复现的具体算例有关但大方向是一致的。光伏容量推满很好理解因为光伏发电的度电成本已经低于电网购电价自发自用部分收益明显。储能容量则没那么激进因为储能的单位投资仍然偏高电池寿命有限只有当峰谷价差大到足够覆盖储能投资和效率损耗时储能才有配置价值。我复现时专门做了一组敏感性分析把峰谷价差从每度电0.5元、0.7元、0.9元往上调看最优储能容量的变化。结果是峰谷价差越大最优储能容量增幅越明显而且储能功率和储能电量的比值维持在0.8到1.2之间说明倍率约束确实在起作用。如果你是复现某个EI论文的具体算例最好把最优配置和论文的最终结果表做逐项对比。对不上时先别急着怀疑算法先查参数表看看折现率、设备寿命、单位投资成本这些基础参数是不是与原论文一致。这些参数错一个最终配置结果可能差出20%。4.3 典型日运行策略图怎么看运行结果里最有意思的是典型日24小时的充放电曲线图。横轴时间纵轴功率画三条曲线光伏出力、建筑负荷、储能SOC另外用堆叠柱表示各时段电网购电/售电功率。一个健康的运行策略图应该是这样的白天光伏出力跟随光照曲线波动负荷优先消纳光伏午间光伏盈余时电池开始充电SOC曲线上升下午负荷增加或傍晚光伏出力衰减后电池开始放电夜间如果电价为谷时且SOC已经在较低水平可能还会有一次从电网买电给电池充电的动作目的是在次日峰时段放电套利。如果你发现SOC曲线一天到头贴着下限走说明储能配置偏小或运行策略没有起到削峰填谷作用如果SOC一直贴着上限说明储能配置偏大存在浪费。5. 复现过程中的常见问题与排查实录5.1 高频报错的速查表我把复现过程中以及身边朋友跑类似代码时遇到的高频问题整理成一张表照着排查会快很多。现象常见原因排查方法初始粒子惩罚值巨大收敛极慢粒子初始化范围设置过大大量粒子不满足倍率约束加大罚函数系数同时用投影修正替代直接丢弃SOC曲线出现锯齿状跳动充放电效率在SOC更新公式中用反了位置核对SOC递推公式放电时除以放电效率结果和论文数值对不上偏差20%以上缺了一项成本比如储能更换成本或运维成本逐项对比原论文目标函数结果每次运行都不一样波动大没有固定随机种子或种群规模太小固定np.random.seed粒子数提高到30以上迭代后期收敛停滞再也找不到更优解变异重启机制没有触发或者触发强度太弱检查停滞计数器逻辑调大变异粒子比例运行时长不可接受内层运行模拟用了三层循环且迭代了8760小时换成典型日聚合用numpy向量化最坑的一个问题是numpy默认随机数种子会直接影响复现结果。我一开始没有固定种子每次跑出来容量配置都不同但收敛曲线看起来都正常差点就以为是自己公式写错了。后来固定了随机种子同一组参数连续跑5次结果完全一致才开始去调其他参数。5.2 两个最难排查的问题SOC越界和粒子退化第一个是SOC频繁越界。这个问题最隐蔽因为适应度函数加了罚函数后粒子群虽然最后不会选择越界严重的解但在搜索过程中大量粒子在越界边界上试探导致适应度地形毛刺很多收敛效率被拖累。我最后的处理办法不是调大罚函数系数而是直接修改运行层模拟逻辑在放电时检查SOC是否真的足够支撑放电功率如果不够就减少放电功率而不是让SOC越过下限。这样从根源上杜绝了越界罚函数只是兜底。第二个是粒子退化。迭代后期经常出现一部分粒子的位置完全一样整个种群的有效搜索范围缩小到几个点。我在速度更新公式里加了一个很小的随机扰动项幅度在搜索范围的0.5%左右这样可以让粒子在接近收敛时仍然保持轻微的探索能力。效果比单纯依赖变异重启要好。6. 一点经验总结复现这类论文的通用方法论最后分享几点我复现完这个项目后的总体感受也不算总结就是一些后面可能对你有用的操作习惯。第一复现任何双层优化论文都建议先把内层运行模拟单独拿出来测试。单独给定一组光伏和储能容量检查运行层的SOC曲线是否符合预期、全年费用是否在合理区间。内层测通了再套外层粒子群否则内外层一起出问题时根本没法定位。第二算法改进不是越复杂越好。我试过把自适应变异、混沌映射、模拟退火混合进PSO效果反而不如简单的“自适应惯性权重加变异重启”稳。EI论文的改进算法听起来可能很花哨但复现时抓住两三个真正有效的机制就够了。第三结果的工程意义要会解读。优化出来的数字不是终点你得能解释为什么光伏推到上限、为什么储能容量在这个区间、为什么峰谷价差拉大后储能配置明显上升。这些解释写进论文里才是复现工作真正有学术价值的部分。最后再提一句固定随机种子、保留每一代的最优值和运行参数日志这些看起来不起眼的习惯会帮你省下大量重复跑实验的时间。我这次的复现代码和测试数据都做了存档后续改参数、换数据源继续扩展比如把建筑负荷替换成实际园区负荷、把锂电池换成液流电池模型都可以基于现有框架直接改不用推倒重来。
