EI论文复现这件事，我一直觉得是个“拆盲盒”的过程——标题越具体，往往门道越多。上周刚啃完一篇《建筑集成光储系统规划运行综合优化方法》的复现工作，标题里清清楚楚写着“基于改进粒子群算法求解”，配套Python代码实现，光是读题目就能猜到这不是那种套个PSO随便跑一下的demo。实际动手之后也确实如此：规划变量要定容，运行变量要逐时段调度，光伏、储能、电网三条能量通道还要拧在一起优化，整个问题既非线性又带约束，标准粒子群根本压不住场面。

这篇文章算是我的完整复现笔记，适合正在做微电网/光储系统优化、论文需要对比算法、或者想学习改进粒子群算法怎么落到工程问题上的朋友。我会把问题建模、算法改进、Python实现细节、还有调试过程中踩过的坑全部摊开讲，代码思路可以直接抄进你自己的项目里改改用。

1. 项目背景与问题拆解

1.1 建筑集成光储系统到底在优化什么

建筑集成光储系统，简单说就是把光伏发电、电池储能和建筑负荷打包到一起，再通过配电网进行能量交互。很多人第一反应是“光伏+电池+买电，不就是常见的光储系统吗？”但关键在于“建筑集成”这四个字——屋顶或立面上的光伏板面积受限，建筑用电负荷随时间波动明显，储能既要平滑光伏出力又要响应电价差，系统还要考虑全生命周期成本。所以真正要回答的问题是：光伏到底装多少千瓦、储能配多大容量和功率、每天各个时段怎么充放电，才能让整体经济性最优。

这种问题如果分两步做很容易走入误区。先单独规划容量，假设运行已经最优；再单独做日运行调度，把规划结果当固定输入。两阶段割裂的做法在简单场景下勉强能用，但在光伏渗透率高、电价峰谷差大的建筑里，容量配置会直接影响日调度策略，反之亦然，解耦后的结果往往不是真正的全局最优。这篇EI论文使用的是“规划-运行综合优化”，也就是把投资层面的长期决策和运行层面的短期调度放在同一个优化框架里求解，这才是标题里“综合优化”的真正含义。

1.2 数学模型需要同时抓住成本和能量平衡

把问题数学化之后，核心就落在三层结构上。第一层是目标函数，常见做法是取系统年化总成本最小，包含光伏和储能的等年值投资成本、运行维护成本、从电网购电成本，再减去余电上网收益；如果论文考虑绿色属性，还可以加入碳排放惩罚项。第二层是决策变量，规划变量是光伏额定容量和储能额定容量/最大充放电功率，运行变量是24小时尺度的储能充放电功率、购售电功率，有的论文还有储能充放电状态0-1变量。第三层是约束条件，必须覆盖功率平衡约束（光伏+储能放电+购电=负荷+储能充电+售电）、储能SOC递推约束、充放电功率上下限、储能容量上下限、光伏安装面积限制等。

这里有个很容易忽略的细节：储能充放电功率和状态变量如果同时建模，会形成混合整数非线性规划（MINLP）。论文里采用的改进粒子群算法虽然不能保证严格全局最优，但对付这种维数高、非凸、带混合变量的工程问题，效率上比商业求解器更灵活，而且能方便地嵌入自定义的目标函数。对我复现来说，难点不只是写代码，而是要确保数学模型没有自相矛盾——比如SOC递推式和功率平衡方程都用了同一套变量，稍不留神就会产生能量不守恒的“幻觉最优”。

1.3 为什么标准粒子群算法在这里不够用

标准PSO在连续函数优化上表现不差，但放到这个光储系统模型里很快就露馅了。首先是多维约束导致解空间被切割得很厉害，粒子在迭代过程中很容易飞到不可行域；其次规划变量（容量）和运行变量（功率）的量纲差异极大，容量动辄几十千瓦，功率时段数值可能只有几千瓦，如果不对微粒速度做处理，粒子会在维度间“横冲直撞”；最后是标准粒子群一旦陷入局部最优，后期缺乏逃逸机制，容易早熟收敛在一个成本偏高的方案上。

我在复现前对比了好几篇改进思路，最后沿用了论文里比较有代表性的自适应惯性权重和非线性学习因子策略，同时加入约束修复机制。简单说就是：惯性权重随时间从0.9降到0.4，让算法前期重探索、后期重开发；学习因子也动态调整，前期偏重种群交流，后期偏重个体经验，目的是在可行域里找到质量更高的解。这种改进并不复杂，但放到这个具体问题上，收敛速度和最终成本都有了明显改善，跑出来的结果和标准PSO对比能稳定降低成本5%~8%左右。

2. 改进粒子群算法的核心设计

2.1 标准粒子群的更新逻辑和痛点

标准粒子群只干两件事：记住个体历史最优位置pbest，跟踪种群历史最优位置gbest，然后按速度-位置公式更新。公式本身很简单：

v = w*v + c1*r1*(pbest - x) + c2*r2*(gbest - x) x = x + v

但放到光储优化里，第一个问题就是w、c1、c2全班固定。迭代一开始粒子需要大步长搜索整个“容量-功率”空间，后期希望它们在小范围内精细寻优，固定参数很难兼顾。第二个问题是等式约束（比如每个时段的功率平衡）被破坏后，粒子根本不知道往哪个方向修正，只能靠罚函数给一个很大的惩罚值，结果大量粒子堆在边界上，失去了搜索意义。第三个问题是维度绑定关系——储能额定容量和额定功率之间通常有比例限制，光伏容量和安装面积也有折算关系，如果标准PSO把每个变量当作独立维度自由更新，算出来的“可行解”在工程上根本没法落地。

在复现过程中，我把这些痛点一个个摆出来，才发现论文里“改进”不是空话，而是每一项都有对应的实际工程需求。

2.2 三个直接影响收敛质量的改进点

第一个改进点是自适应惯性权重。我采用按迭代次数线性递减的策略，同时监控种群的适应度方差：如果种群多样性下降太快，就把w稍微拉高一点，给粒子一点“跳出”当前区域的动量。实践中公式简化为：

w = w_max - (w_max - w_min) * (iter / max_iter)

但真正让结果变稳的是在w上叠了一个扰动项，每20代随机小范围波动一次，避免粒子群在同一个局部区域里反复打转。

第二个改进点是学习因子非线性调整。标准PSO里的c1/c2通常都是常数2，我改为随迭代进程变化：

c1 = c1_max - (c1_max - c1_min) * (iter / max_iter)^2 c2 = c2_min + (c2_max - c2_min) * (iter / max_iter)^2

前期的c1大，意味着粒子更相信自己走过的路，能够扩大搜索覆盖面；后期的c2大，粒子更容易被全局最优吸引，把整个种群拉向最有希望的区域。这个改动对工程问题的帮助很明显，尤其是存在很多局部最优的储能调度问题，前期保持个体独立性能有效避免大家都扑到同一个错误的gbest上。

第三个改进点是越界处理和约束修复。所有决策变量都有实际意义，光伏容量不可能为负，储能SOC不可能超过100%，所以粒子一旦越界，不是简单拉回边界，而是根据变量类型做不同处理：对规划类变量直接拉回边界并重新随机初始化；对运行类功率变量则采用“先缩放后分配”的方式，让它尽量逼近功率平衡。比如某个时段光伏不足、负荷过高，粒子给出的储能放电功率达不到要求，我会按SOC可放出的最大功率和电网可购电功率去修正，而不是直接罚掉。

2.3 罚函数选不好，再好的PSO也白搭

约束处理是这类复现项目里最容易翻车的地方。很多初学者喜欢把所有不满足约束的情况都塞进罚函数，结果罚因子一大，梯度信息完全被淹没，粒子全部跑到可行域边缘；罚因子一小，不可行解大摇大摆地混进种群，最终给你一个漂亮的“总成本”，实际上功率平衡根本对不上。

我的经验是分级罚：对于必须严格满足的等式约束（每个时段的功率平衡），用较大的二次惩罚项；对于不等式约束（SOC上下限、充放电功率限制），则先做变量修复，修复不了的再给一个中等惩罚；而对于规划层面的面积约束、容量比例约束，尽量在初始化阶段就保证满足，迭代中只做边界限制。这个思路代码实现起来稍微多一点判断逻辑，但跑出来的解可靠太多了，适应性函数值不会出现虚低的情况。

3. Python代码实现与关键细节

3.1 工程结构和数据准备

我整个复现工程用Python写成，依赖numpy、pandas、matplotlib，主脚本划分得很清楚。说实话这种优化项目最怕“一锅炖”，所以我把输入数据、模型函数、算法逻辑拆成三块：data里放光伏出力序列、负荷序列、分时电价参数；model.py里放目标函数和约束校验逻辑；pso.py里放改进粒子群主体。这样可以连续替换不同论文的算例参数，不用改算法逻辑。

数据准备的细节能决定复现成败。我从论文图表反推了典型日的光伏出力和负荷曲线，把它们归一化到30kW基准下展开调度计算。分时电价参考常见的商业峰谷电价：峰段1.2元/kWh，平段0.8元/kWh，谷段0.4元/kWh，上网电价0.45元/kWh。储能参数按磷酸铁锂常见参数选：单位容量投资1200元/kWh，单位功率投资800元/kW，使用寿命按10年折算等年值，运维成本取投资成本的2%。这些参数在不同论文里有差异，但复现时不必死板照搬，重点是代码框架能让你方便修改。

3.2 适应度函数怎么写得又快又稳

适应度函数是整个优化算法的灵魂，我这边实现的核心思路是先解析粒子向量，再分步计算成本和约束破坏量。粒子向量长度为规划变量数+2*24，前半段是光伏容量、储能容量、储能额定功率，后半段按“24小时储能充放电功率 + 24小时购售电功率”排列。计算目标函数时，先根据已知的光伏出力和负荷数据算每个时段的功率平衡，缺额或溢出都通过购售电来平衡，然后累加全年/典型日折算成本。

伪代码思路如下：

def fitness(particle): # 解析规划变量 pv_cap = particle[0] ess_cap = particle[1] ess_power = particle[2] # 解析运行变量 p_ch = particle[3:27] # 储能充电功率 p_dch = particle[27:51] # 储能放电功率 p_buy = particle[51:75] # 购电功率 p_sell = particle[75:99] # 售电功率 # 计算约束违反量 penalty violation = 0.0 soc = soc_init for t in range(24): balance = pv[t] + p_dch[t] + p_buy[t] - load[t] - p_ch[t] - p_sell[t] violation += max(abs(balance), 0) ** 2 # 更新SOC并检查上下限 soc = soc - p_ch[t] / ess_cap + p_dch[t] / ess_cap violation += max(soc - 1, 0) ** 2 + max(0 - soc, 0) ** 2 cost = compute_cost(pv_cap, ess_cap, ess_power, p_ch, p_dch, p_buy, p_sell) return cost + penalty_factor * violation

这里有个小技巧：numpy数组的切片要事先对齐，粒子维度稍有变化就会索引错位，我在编码初期就把每个段的长度用变量定义好了，避免硬编码数字。

还要注意储能多出来的“额定功率”参数往往被忽略。有些复现只优化容量，默认充放电功率可以无限大，这显然不合理。我在适应度函数里加了一个约束：充放电功率任何时刻都不能超过ess_power，这样算出来的容量配置才有工程意义。

3.3 改进粒子群主迭代循环

迭代循环里的逻辑比标准PSO多了两块：一个是越界修复函数，一个是动态参数更新。我在每次更新完速度和位置后，立刻调用约束修复函数，把不合规的粒子拉回可行域。修复逻辑里最容易出错的地方是SOC的累积更新，因为24小时是一个闭环，如果不注意初值SOC和末值SOC的衔接，粒子会在第二天出现“凭空多出来的电量”，对全生命周期成本估算造成偏差。

主循环的典型实现：

for iter in range(max_iter): w = update_w(iter, w_max, w_min) c1, c2 = update_c(iter) for i in range(pop_size): for d in range(dim): r1, r2 = np.random.rand(), np.random.rand() v[i, d] = w * v[i, d] + c1 * r1 * (pbest[i, d] - x[i, d]) + \ c2 * r2 * (gbest[d] - x[i, d]) x[i] = x[i] + v[i] x[i] = repair(x[i]) # 约束修复 # 更新pbest和gbest

从实际运行看，种群数量50、迭代次数150到200左右就有稳定结果。维度达到70~90时，算法运行时间在普通笔记本上也就几十秒，这个效率还是让我满意的。

3.4 结果可视化：怎么验证改进有效

复现不能停在“跑出一个最优解”上，可视化是说服自己和读者的关键。我画了两组图：一组是成本收敛曲线，对比标准PSO和自适应改进PSO的下降过程；另一组是典型日的功率平衡堆叠图，把光伏出力、负荷、储能充放电、购售电量画在一张图里，能够直观看出运行策略是否合理。

收敛曲线上，改进PSO前20代下降很快，后期也保持了一定的爬坡能力，最终成本比标准PSO明显更低。功率平衡图上，储能在谷时充电、峰时放电，购电量从峰段转移到谷段，整体电费自然降下来。规划结果方面，我复现下来光伏容量大概在建筑可安装面积的80%左右，储能配置则倾向于“中等容量、较高功率”——因为电价峰谷差较大，储能能够在更短时间内多套利。这些结果看起来和论文给出的结论方向一致，说明复现没跑偏。

我特别建议把每个时段的SOC也画出来，如果SOC曲线锯齿特别多、忽高忽低，说明约束修复逻辑出了问题，底层可能有能量不守恒。

4. 复现过程中的坑与排查技巧

4.1 典型问题速查表

复现过程中我整理了频率最高的几个问题和对应排查方向，正好可以做一份速查表：

4.2 怎么确认自己复现的是“正确”的

复现论文最大的焦虑是——“我算出来的结果到底对不对”。我的做法是分三层验证：第一层，把改进粒子群退化到标准参数，跑若干次，确认没有明显代码bug；第二层，把光伏容量和储能参数固定，单独用遍历法或简单枚举做日运行优化，看结论和PSO给出的最优运行策略是否一致——这一步在小规模场景下能提升很大的可信度；第三层，把目标函数里的每一部分成本单独打印出来，比如投资成本占多少、购电成本占多少、上网收益多少，抓住任何一个异常占比去查模型逻辑，比盯着总成本数值管用得多。

还有一个不那么显眼但很关键的技巧：设计几个“极端场景”做验证。比如把光伏出力设成全天为零，理论上储能+购电必须满足全部负荷，此时功率平衡方程就退化为简单的供需关系，模型如果还能输出合理购电策略，说明基础逻辑没毛病；再把电价曲线设成全天一致，储能就没有套利空间，那么最优策略应该是尽量不充不放。这种场景测试比在复杂算例里看收敛曲线更能暴露隐蔽的编码错误。

4.3 从EI复现到工程应用的扩展想法

复现这一篇不只是为了“论文对比需要”，我后来把代码扩展成了一个小工具，可以自由输入不同建筑负荷曲线、光伏资源数据和电价政策，马上得到一套规划运行方案。如果有朋友想继续深挖，我建议三个方向：

第一是多目标化——把经济成本最小和碳排放最低同时放进优化，用多目标粒子群（MOPSO）或NSGA-III来求Pareto前沿，建筑光储系统的绿色属性会体现得更充分。第二是考虑不确定性——光伏出力和负荷并不是确定曲线，可以用场景削减或鲁棒优化代替单场景，但代价是计算量上升，这时候改进粒子群的收敛效率会更有优势。第三是和机器学习结合——用神经网络预测未来24小时的光伏和负荷，再把预测结果喂给粒子群做滚动优化，就是从“离线复现”迈向“在线调度”的自然路径。

我在实际使用中发现，善用并行计算能明显提速：种群粒子之间有天然的并行性，用Python的多进程把适应度函数分发下去，粒子数再多也不怕。不过要注意numpy随机数的播种和进程安全，否则多个进程的随机序列一样，结果就完全失真了。

最后再分享一个小技巧：所有优化代码里，尽量把“模型”和“算法”解耦。我这次把光储系统的能量平衡逻辑和粒子群迭代逻辑分开写，后面换任何一篇论文的数学模型，都只需要改model.py和输入参数，算法部分完全不用动。这种做法在复现不同EI论文时真的能省下大把时间，强烈推荐。