做综合能源系统优化这几年，冷热电联供（CCHP）一直是我觉得最有嚼头的方向。单个设备的热力计算不难，但把燃气轮机、余热锅炉、吸收式制冷机、电制冷机、储能装置捏成一个整体，再让它同时满足冷、热、电三种负荷的需求，还要在运行成本、碳排放、一次能源利用率之间找一个最佳平衡点，这才是真正的硬骨头。网上讲CCHP原理的资料很多，但真正能把多目标算法落到工程算例上的分享很少。这篇东西不是教科书翻译，是我自己从建模、跑算法到调参、踩坑的完整记录，适合正在做微电网/综合能源调度、或者毕业论文选这个方向的同学参考，也欢迎有工程经验的朋友一起交流。

1. 冷热电联供系统的能量流与运行优化难点

1.1 系统的基本组成与能量耦合关系

先把这个系统的家底盘清楚。典型的冷热电联供型综合能源系统，核心发电设备是燃气轮机或者燃气内燃机，燃料一般是天然气。燃料进去之后，一部分变成高品位电能，直接供给电负荷或者卖给电网；剩下的余热从排气、缸套冷却水等地方跑出来，这部分低品位热能如果直接排掉，一次能源利用率撑死也就40%上下。所以联供系统的关键就是把余热捡回来：通过余热锅炉产生蒸汽或热水，冬天直接供暖，夏天驱动吸收式制冷机供冷，或者通过换热器供生活热水。

为了实现多能互补，系统里通常还会配一些辅助设备。电制冷机（压缩式制冷）用来补冷缺口，燃气锅炉用来补热缺口，蓄水罐或者蓄冰槽用来平抑冷热负荷波动，储能电池用来削峰填谷。这就形成了一个“输入侧多种能源、中间多能转换、输出侧冷热电台”的复杂能量流网络。我在做仿真时习惯先把能量流图画出来，核心节点就是母线：电母线、热母线、冷母线、天然气母线，所有设备的输入输出都挂在对应母线上，这样后面的建模会清晰很多。

这个系统的核心耦合点在天然气到电和热的转换比例上，燃气轮机的热电比基本是固定的（比如某型机额定热电比1.2），但实际负荷需求是波动的，因此会产生“以热定电”还是“以电定热”两种经典运行策略。前者优先满足热负荷，发电量作为副产品；后者反之。在真实的综合能源系统里，单纯用一种策略都太僵化，多目标优化就是要在不同运行模式下动态找最佳设备出力组合。

1.2 为什么要做多目标优化而不是单目标

很多初学者上来就问：直接让运行成本最小不就行了吗？问题是，只看钱会把系统带入一个极端工况：为了省钱，尽量多发电、多利用余热，但可能造成碳排放增加，或者为了满足峰值冷负荷把吸收式制冷机开得很大，结果高温季节余热不够用还得烧锅炉。反过来如果只追求碳排放最低，又可能过度依赖电制冷，导致运行电费非常高。这就是典型的多目标冲突。

以我跑过的算例为例，某园区一天的电负荷峰值约3.5MW，冷负荷峰值约2.8MW，热负荷峰值约1.2MW。如果单纯最小化运行成本，算法倾向于让燃气轮机全年满载发电，余热优先供冷，不够再用吸收式补，结果CO2排放量比纯网购电还高，因为天然气燃烧排碳不低。如果单纯最小化碳排放，算法又会倾向于低谷时段大量网购电，甚至牺牲余热利用，导致成本飙升。所以必须用帕累托最优的思路，找出成本、碳排放、能效之间的一组最优折中解，再由运营者根据自己的偏好去选。

多目标优化的另一个价值是能看到系统运行的“边界”。得到的Pareto前沿上每个解都对应一组设备出力方案，你可以观察前沿两端：成本最低解长什么样，碳排放最低解长什么样，中间折中解长什么样。这样就能为实际调度提供策略储备，比单目标一锤子买卖实用得多。

2. 多目标优化建模：目标函数、决策变量与约束条件

2.1 目标函数怎么设计才不跑偏

建模型的第一步是定目标函数。冷热电联供系统的目标函数常见有三个：运行成本、CO2排放量、一次能源利用率（或者一次能源消耗量）。我个人不建议把能效直接当最大化目标，因为它跟成本和排放往往是强耦合的，容易让算法把解全部堆到一个区域，所以我一般用成本和排放两个目标作为主目标，能效作为后处理指标来分析。

运行成本模型要包含四块：天然气购气费用、向电网购电费用、售电收益（如果有余电上网）、设备运行维护费用。表达式各区域电价结构差异很大，我用的典型分时电价是峰段1.1元/kWh、平段0.7元/kWh、谷段0.4元/kWh，天然气价按2.5元/m3（低位热值按9.7kWh/m3折算）。设备维护成本按出力比例系数估算，燃气轮机取0.03元/kWh，吸收式制冷机取0.01元/kWh，电制冷机0.008元/kWh，储能电池充放电损耗按0.05元/kWh折算。

碳排放模型要分清“直接排放”和“间接排放”。燃气轮机烧天然气是直接排放，按天然气含碳量计算，1m3天然气完全燃烧产生约2.1kg CO2；购电是间接排放，取决于电网排放因子，华东地区我习惯取0.6kg CO2/kWh。需要注意的是，这里面有个陷阱：如果系统在谷电时段购电，电网排放因子其实更低，但很多论文都用固定值，实际做工程测算时最好按分时段排放因子。

一次能源利用率（PEE）的定义是输出的总冷热电能量除以输入的化石能源总能量（折合一次能源）。电制冷机的能效比（COP）通常在3.0~5.5之间，但它消耗的电如果是来自天然气发电，那一次能源折算系数得默认电厂效率约0.4左右，千万别直接用COP去比。我在写文章时就吃过这个亏，后来统一按“一次能源折算系数”处理，电的折算系数取1/0.4=2.5，天然气的折算系数取1，这样才公平。

2.2 决策变量与约束条件的处理技巧

决策变量是智能优化算法直接操控的东西，选得好不好，直接决定求解速度和解质量。对于CCHP系统，常见的决策变量集合包括：

• 燃气轮机各时段的发电功率Pgt(t)
• 燃气锅炉产热功率Pgb(t)
• 吸收式制冷机供冷功率Pac(t)
• 电制冷机供冷功率Pec(t)
• 储能电池充电/放电功率Pess_in(t)、Pess_out(t)
• 蓄水罐/蓄冰槽蓄能/放能功率Pst_in(t)、Pst_out(t)
• 与电网的交互功率Pgrid(t)（正为购电，负为售电）

如果时段数是24，变量数就是7×24=168个。对于遗传算法种群里的每个个体来说，这个维数不算高，但如果你把每个变量都直接用浮点数编码，搜索空间会巨大。我习惯做“分时优化”，把一天分成96个15分钟时段（更贴近实际调度），或者干脆24小时，但变量编码时用“运行模式”辅助降维：比如燃气轮机在峰段有满载/半载/待机三种离散档位，先把档位确定，再细化到连续功率。

约束条件分三类。第一类是功率平衡约束，包括电平衡（燃气轮机发电+储放电+购电 = 电负荷+电制冷耗电+储充电+售电）、热平衡（燃气轮机余热+燃气锅炉产热+储热放热 = 热负荷+热储充热）、冷平衡（吸收式制冷+电制冷+蓄冷放冷 = 冷负荷+蓄冷充冷）。第二类是设备出力上下限和爬坡约束，比如燃气轮机爬坡速率限制在额定功率的5%/分钟，储能电池SOC范围0.1~0.9，蓄水罐容量不能超限。第三类是逻辑约束，比如吸收式制冷机必须在有余热时才允许运行，储能不能同时充放。

处理约束最笨也最可靠的方法是惩罚函数法。但要注意惩罚系数不能设得太小，否则算法会大量产出不可行解。我的经验值是：功率平衡偏差每1kWh罚100元（相比目标函数里动辄几千上万的数值，这个量级能压住），SOC越界罚200元。这样算法前中期会主动避开不可行解，后期能快速收敛到可行域边界。

3. 算法选型与实现细节：NSGA-II与MOPSO的对比和调参实操

3.1 为什么NSGA-II依旧是首选

多目标优化算法很多，NSGA-II（带精英策略的非支配排序遗传算法）我强烈推荐作为第一个上手实现的对象。原因很现实：它代码成熟、资料多、可控性好，而且对CCHP这种中等规模、非线性、有约束的问题表现很稳。相比MODE（多目标差分进化）、MOPSO（多目标粒子群），NSGA-II的“拥挤度距离”机制能很好地维持Pareto前沿的均匀性，不会出现解扎堆的现象。

MOPSO训练速度确实快，但在CCHP这种强约束问题上容易陷入不可行域，因为它更新粒子时不太容易感知约束边界。我自己试过，MOPSO在某些时段功率平衡约束上反复越界，需要加额外的约束处理机制。NSGA-II因为有锦标赛选择和模拟二进制交叉（SBX），种群多样性保持得更好，更容易覆盖整个Pareto前沿。你要是追求论文丰富度，两个都写也没问题，但主线用NSGA-II，MOPSO作为对比算法，效果最稳妥。

3.2 关键参数设置与代码骨架

直接给一组我试过很多遍、效果稳定的参数。种群大小NP=100，迭代次数GEN=200，交叉概率pc=0.9，变异概率pm=0.1，模拟二进制交叉的分布指数eta_c=15，多项式变异的分布指数eta_m=20。这个组合在24时段的CCHP算例上，大约跑50次实验，Pareto前沿的覆盖率能稳定达到90%以上。注意，遗传算法的随机性很强，每跑一次结果都不一样，所以正式实验必须至少重复10次，取最好结果或者平均指标。

下面是一段核心流程的Python伪代码，我尽量保持简洁：

import random import numpy as np # 定义个体：每个个体是决策变量向量，长度为 n_var # 这里 n_var = 24 * 7（小时数 × 设备数） def evaluate(individual): # 返回目标向量 [cost, emission]，内部需要做约束判断 cost = calc_cost(individual) emission = calc_emission(individual) constraint_violation = calc_violation(individual) return [cost, emission], constraint_violation def init_population(NP, n_var): pop = [] for _ in range(NP): # 每个变量在合理范围内随机初始化 ind = [random.uniform(low[i], high[i]) for i in range(n_var)] pop.append(ind) return pop def sbx_crossover(parent1, parent2, eta_c=15): # 模拟二进制交叉，返回两个子代 pass def polynomial_mutation(child, eta_m=20, pm=0.1): # 多项式变异 pass def fast_non_dominated_sort(population, objectives): # 非支配排序 pass def crowding_distance(front): # 计算拥挤度距离 pass # 主循环 pop = init_population(100, 168) for gen in range(200): # 选择、交叉、变异生成子代 # 合并父子代，快速非支配排序 + 拥挤度选择 pass

这个骨架跑通之后，后面最重要的是目标函数和约束的实现，因为算法本身都是现成的，工程问题才是灵魂。

3.3 NSGA-II与MOPSO的对比实验心得

我做过一组对比：同一套CCHP系统参数，NSGA-II跑200代和MOPSO跑200代，三个性能指标：世代距离（GD）、反世代距离（IGD）、超体积（HV）。NSGA-II的IGD均值是0.032，MOPSO是0.057；HV方面NSGA-II约0.78，MOPSO约0.66。这说明NSGA-II在收敛性和分布性上整体优于MOPSO，但代价是运行时间多了约40%（100个体×200代，NSGA-II约8分钟，MOPSO约5分钟，都是普通笔记本环境）。

不过MOPSO不是没有优点，它在目标函数计算量小的时候，迭代速度优势很明显。如果你用的是简化模型（比如设备效率为常数、不考虑爬坡约束），MOPSO完全够用。从论文写作角度，建议把两种算法的Pareto前沿画在同一张图里，标注HV和IGD，直接用数据证明选型合理性，审稿人挑不出毛病。

4. 完整算例实现：从负荷数据到Pareto前沿

4.1 典型园区24小时负荷曲线设定

我以某类工业园区为背景，设置一个典型的夏季工作日场景。电负荷曲线在早8点后开始爬升，14点达到峰值为3.5MW，凌晨低谷为1.1MW；冷负荷因为太阳辐射和机器散热，在13点到16点达到峰值2.8MW，夜间几乎为零；热负荷主要是生活热水和部分工艺用热，夏季相对平坦，维持在1.0~1.2MW。储能电池容量为1.5MWh，初始SOC为0.5，最大充放电功率0.5MW；蓄水罐容量为6m³（等效冷/热容量约12kWh），蓄热/蓄冷功率上限为0.3MW。

燃气轮机选择一型典型机组：额定发电功率2MW，热电比1.3，调节范围0.3~1.0额定功率，效率按负载率拟合：η_e = 0.25 + 0.15 * λ（λ为负载率）。余热回收系数取0.8，吸收式制冷机COP为1.2，电制冷机COP为4.0，燃气锅炉效率0.9。电网交互功率上限1MW，允许余电上网，上网电价为0.35元/kWh。

这里要提醒一个关键点：负荷曲线的数据颗粒度直接影响优化结果。如果用24小时整点数据，冷负荷峰值可能被平滑掉，导致制冷设备选型偏小。我建议至少用15分钟数据，或者一天96点，虽然计算量会增大，但结果更可信。

4.2 结果分析：Pareto前沿长什么样

跑完200代之后，得到的Pareto前沿是一组大约15~20个非支配解。横轴是运行成本（元/日），纵轴是CO2排放量（kg/日）。前沿形状通常是倒L形，左下角是理想点，但实际最优解位于曲线上。

以其中一个折中解为例：当日运行成本约1.38万元，CO2排放量约8.6吨。设备调度特征如下：燃气轮机在8点到20点保持高负载运行，其余时段部分负载；电制冷在14点到17点与吸收式制冷共同供冷，电制冷承担约40%冷负荷；储能电池在凌晨低谷充电、上午和晚间放电；蓄水罐在夜间蓄冷，下午释放。这种调度方案既利用了天然气的低价优势，又避免了峰段高价购电，同时由于燃气轮机效率在高负载区较高，碳排放也控制在了可接受范围。

成本最低解则完全“以电定热”：燃气轮机全天满载上网卖电，成本降到1.2万元/日，但排放升到9.8吨/日；碳排放最低解则减少燃气轮机出力，多用谷段电，排放降到7.9吨/日，成本却涨到1.56万元/日。这个对比就非常直观地呈现了多目标之间的冲突。

4.3 从Pareto前沿到单一决策：TOPSIS选解

实际项目里最终只能执行一个方案，这时候不能拍脑袋从中挑一个点。我常用TOPSIS（逼近理想解排序法）做决策。具体做法是：先把Pareto前沿上每个解的各个目标值做归一化处理，然后确定正理想解（成本最小且排放最小，通常不存在）和负理想解，再计算每个解到正理想解和负理想解的欧氏距离，按照接近度排序，选最接近正理想解的那个点。

举个例子，上述三个典型解的TOPSIS打分结果，折中解0.72最高，成本最低解0.51，排放最低解0.49。也就是说折中解是最贴合“同时压低成本和排放”这个偏好的。如果你更看重成本，可以给成本目标赋权重0.7，排放0.3，重新计算；更看重环保就把权重反过来。这就是多目标优化真正落地到决策的过程，比简单加权单目标更科学。

5. 常见问题与排查技巧实录

5.1 冷热电负荷匹配严重失衡怎么办

这是我遇到最多的问题：算法跑出来的解，燃气轮机余热在夏天根本不够供冷，导致吸收式制冷机利用率极低，系统退化成了“燃气轮机+电制冷”，完全失去联供的意义。根源在于冷负荷峰值和电负荷峰值可能不在同一时刻，而燃气轮机额定热电比是固定的，导致余热供应曲线和冷负荷曲线对不上。

解决思路有三条。一是在建模中引入“补燃”环节，允许在余热不足时用燃气锅炉直接产热驱动吸收式制冷，扩大热源灵活性；二是配置蓄冷罐，在夜间负荷低谷时段用吸收式制冷蓄冷，白天峰值时段释冷，时间解耦；三是在目标函数中加入“联供收益率”或“余热利用率”作为软约束，鼓励算法优先利用余热。我实际试下来，加蓄冷罐的效果最明显，冷负荷满足率能从78%提升到96%。

5.2 算法过早收敛，Pareto前沿分布性差

如果跑完200代，Pareto前沿上的点只集中在一条狭长区域，说明种群多样性出了问题。原因通常是交叉概率太低或者选择压力过大。我踩过的一个坑是：为了加速收敛，把锦标赛选择人数从2改成4，结果种群快速同质化，到第50代左右就完全收敛了，前沿极度稀疏。

排查技巧是先看每一代的种群多样性指标（比如平均拥挤度距离），如果它在不到一半迭代次数时就跌到接近零，说明参数设置不合理。修复方法：把锦标赛人数调回2，交叉概率提至0.9，并且对变异概率做自适应调整——迭代初期变异概率0.15，后期降到0.05，保证前期充分探索、后期精细开发。另外，初始化种群时可以有意加入一些“极端解”，比如全购电解、全自发电解，让种群一开始就覆盖搜索空间两端。

5.3 约束处理导致解不可行的疑难杂症

功率平衡约束的惩罚函数，最怕出现“所有解都不可行”的局面。有一次我把惩罚系数调得过高，结果算法宁可产出功率严重不平衡的解（因为目标函数值小）也不愿意违反设备上下限，实际算下来电量平衡误差达到几百千瓦。后来我改成“按违反了几个约束分别记惩罚”，并且对每个约束单独设阈值，比如功率不平衡允许±50kW软区间，在这个区间内不罚，超出才按比例罚。这样算法有了缓冲区，收敛稳定性明显提升。

还有一个细节：SOC的终值约束。储能电池调度一天后SOC如果和初始值不一致，在长期运行中会累积偏差。我通常加一个“SOC日终恢复约束”，要求最终SOC在0.48~0.52之间，否则罚200元。这个约束很有效，能避免算法把储能当成免费能量来源。

6. 个人经验与后续扩展方向

6.1 一个容易被忽略的数据陷阱

所有优化结果都建立在负荷预测数据上，但负荷预测不可能100%准。我在实际项目中习惯在优化后做“滚动修正”：把24小时优化变成4小时滚动优化，每跑一次只执行未来4小时的前1小时指令，然后重新用实时负荷数据更新模型。这种模型预测控制（MPC）思路比一次性离线优化更抗扰动，尤其在冷热负荷突变时，系统能及时调整设备出力。

6.2 设备寿命和维护成本要不要进模型

很多文章把维护成本当作常数系数，但真实燃气轮机的维护周期和高负载运行强相关。如果你想更精细，可以把维护成本建模成出力的二次函数，或者引入启停次数惩罚。我做的一个算例中，加入启停惩罚后，燃气轮机的启停次数从每天6次降到了3次，运行成本只增加了2.3%，但设备寿命预期明显延长，从全生命周期看更划算。这个维度对业主非常有吸引力，写论文也是个不错的创新点。

6.3 后续可以怎么扩展

多目标算法不是万能的，但在这个问题上还有不少可延伸的空间。一是目标函数可以加入“可再生能源消纳率”或“负荷预测误差最小化”，如果你的系统里还有风机和光伏的话。二是在算法层面，可以用改进的NSGA-III或基于分解的多目标进化算法（MOEA/D）处理高维目标。三是我最近在尝试把强化学习引入到这里面的日常调度里，用多目标视角做奖励函数设计，比传统元启发式算法更快。以后如果跑出有意思的结果，再来和大家分享。