3、容量配置核心算法：基于时序仿真的容量优化、线性规划与混合整数规划、启发式算法（PSO/GA）应用
各位同行，今天我们来聊聊容量配置里最硬核的部分——算法。说实话，我刚入行那会儿，觉得容量配置不就是算个数吗？后来被现实狠狠教育了一顿。你想想看，光伏出力飘忽不定，负荷需求忽高忽低，储能电池还有充放电效率、寿命衰减这些破事。光靠拍脑袋或者简单公式，根本搞不定。
我个人习惯把算法分成三类：时序仿真法、数学规划法、启发式算法。这三类各有各的脾气，咱们一个一个说。
3.1 基于时序仿真的容量优化
时序仿真，说白了就是「跑一遍看看」。你把一年的数据（光伏出力、负荷曲线）按小时甚至分钟级输入进去，然后模拟储能系统怎么充放电，最后看结果满不满意。
我在项目中遇到过这样一个案例：一个工业园区，屋顶光伏装了5MW，但负荷峰值在下午4点以后。按常规算法算出来储能配2MW/4MWh就够了。结果我坚持做了时序仿真，发现夏天下午经常有连续阴雨天，光伏出力只有20%，储能根本撑不住。最后把容量调到了3MW/6MWh，才真正解决问题。
时序仿真的核心步骤其实不复杂：
- 数据准备：至少一年的光伏出力曲线（分辨率1小时或15分钟），加上对应的负荷曲线
- 运行策略定义：比如「削峰填谷」、「自发自用」、「需量管理」
- 仿真计算：逐时段模拟，记录SOC变化、弃光量、购电成本
- 结果评估：看IRR、投资回收期、自用率等指标
关键点：时序仿真不是算一次就完事。我习惯把容量从0.5MWh到10MWh，步长0.5MWh，每个容量点都跑一遍全年仿真，然后画出一条「容量-收益」曲线。那个拐点，就是最优解。
嗯，这里要注意：时序仿真的计算量不小。一年8760小时，每个小时都要算功率平衡、SOC约束、效率损失。如果步长设得太细，跑一次可能要几分钟。不过现在计算机快，这点时间还是值得花的。
3.2 线性规划与混合整数规划
时序仿真虽然直观，但它有个毛病——你只能枚举有限的几个容量方案，没法保证找到全局最优。这时候就要请出数学规划了。
线性规划（LP）和混合整数规划（MIP）是运筹学里的老将。它们把容量配置问题建模成一组数学方程，然后让求解器去找最优解。
我举个例子。假设我们要优化储能容量，目标函数可以写成：
min 总成本 = 储能投资成本 + 购电成本 - 售电收益
约束条件：
1. 功率平衡：光伏出力 + 储能放电 + 购电 = 负荷 + 储能充电 + 售电
2. SOC约束：SOC(t+1) = SOC(t) + η_charge * P_charge(t) - P_discharge(t)/η_discharge
3. 容量约束：0 ≤ SOC(t) ≤ 额定容量
4. 功率约束：0 ≤ P_charge(t) ≤ 额定功率
5. 整数约束：储能台数必须是整数（MIP特有）你看，这个模型把容量（连续变量）和台数（整数变量）都考虑进去了。混合整数规划就是专门处理这种「既有连续变量又有整数变量」的问题。
我的经验：MIP模型写起来不难，难的是求解时间。我曾经有一个项目，模型里包含了8760个时间点、3种储能设备选型、还有分时电价阶梯，结果求解器跑了整整两天还没出结果。后来我把时间分辨率从1小时降到4小时，又把一些非线性约束做了线性化处理，半小时就搞定了。
常用的求解器有：
- 商业求解器：Gurobi、CPLEX（快，但贵）
- 开源求解器：CBC、GLPK（免费，但慢一些）
- Python工具：PuLP、Pyomo（建模方便）
说实话，数学规划法在学术圈很流行，但在工程实践中，我见得更多的是时序仿真+启发式算法的组合。为什么？因为实际项目里，很多约束是非线性的，比如电池寿命随DOP变化、电价有阶梯折扣，这些很难用线性方程精确描述。
3.3 启发式算法：PSO与GA的应用
启发式算法，说白了就是「模仿自然界的智慧」。粒子群算法（PSO）模仿鸟群觅食，遗传算法（GA）模仿生物进化。它们不保证找到全局最优，但能在合理时间内找到「足够好」的解。
我记得第一次用PSO做容量优化时，心里还挺没底的。结果跑出来的结果跟MIP几乎一样，但时间只用了十分之一。从那以后，我对启发式算法就刮目相看了。
PSO的核心思想：每个「粒子」代表一个容量方案（比如储能功率和容量），粒子在解空间里飞，根据自己和同伴的历史最佳位置调整飞行方向。
# 伪代码示例
初始化粒子群（随机生成N个容量方案）
for 迭代次数 in range(最大迭代次数):
for 每个粒子:
计算适应度（比如IRR）
更新个体最优 pBest
更新全局最优 gBest
更新速度: v = w*v + c1*r1*(pBest - x) + c2*r2*(gBest - x)
更新位置: x = x + v
输出 gBest 对应的容量方案GA的核心思想：把容量方案编码成「染色体」，通过选择、交叉、变异操作，一代代进化出更好的方案。
避坑指南：我曾经用GA优化一个包含3种储能设备选型的项目，结果跑了50代还没收敛。后来发现是交叉概率设得太低，变异概率又太高，导致算法一直在随机搜索。调整参数后，20代就找到了满意解。所以，启发式算法的参数调优真的很重要，别指望默认参数能干活。
两种算法的对比：
| 特性 | PSO | GA |
|---|---|---|
| 收敛速度 | 较快（早期收敛明显） | 较慢（需要较多代数） |
| 全局搜索能力 | 中等（容易陷入局部最优） | 较强（交叉变异保持多样性） |
| 参数数量 | 少（惯性权重、学习因子） | 多（交叉率、变异率、种群大小） |
| 适用场景 | 连续变量优化（功率、容量） | 离散/组合优化（设备选型、台数） |
我个人习惯的做法是：先用PSO快速扫一遍，找到几个候选区域，再用GA在这些区域里精细搜索。或者反过来，用GA做全局探索，PSO做局部开发。混合使用往往效果更好。
3.4 三种算法的选择策略
说了这么多，到底该用哪种？我总结了一个简单的选择逻辑：
- 项目简单、数据完整：时序仿真+枚举法，直观可靠，客户也容易理解
- 项目复杂、约束明确：MIP建模，用Gurobi或CPLEX求解，精度最高
- 项目规模大、变量多：PSO或GA，快速出方案，再人工微调
- 实际工程：我建议先用时序仿真做初步筛选，再用启发式算法做精细优化，最后用MIP验证最优性
核心观点：没有万能算法。我在不同项目里用过不同的组合，关键是要理解每个算法的脾气。时序仿真像老黄牛，踏实但慢；MIP像精密仪器，准但娇贵；PSO/GA像野马，快但需要驯服。选对工具，事半功倍。
最后说一句：算法再牛，也离不开好的数据。我见过太多人把精力花在调算法参数上，却忽略了输入数据的质量。光伏出力曲线是不是典型年？负荷数据有没有剔除异常值？这些基础工作做扎实了，算法才能发挥真正的作用。
我的建议：如果你刚开始做容量配置，别急着上复杂算法。先用时序仿真跑几个典型场景，把问题摸清楚。等你对项目有了感觉，再引入PSO或GA。我曾经带过一个新人，上来就写MIP模型，结果约束条件写错了，跑出来的最优解居然是「不装储能」——因为模型里忘了加自发自用收益项。所以，先理解业务，再谈算法。
公众号:蓝海资料掘金营，微信deep3321