这段时间帮课题组同学调试了一套“基于改进粒子群算法求解的建筑集成光储系统规划运行综合优化”程序，标题看着很长，拆开其实就是三件事：光伏加储能怎么建模，容量怎么规划，以及日常运行调度怎么优化。这类题目在EI检索的论文里非常常见，也是很多研究生、毕业设计同学拿来练手复现的热门方向。这篇博客我直接把整个复现过程拆开讲，包括系统建模、双层优化思路、改进粒子群算法的具体实现、Python代码模块怎么组织，以及我调试两周踩过的坑和最终的排查方法。准备做光储优化、粒子群算法复现，并且打算用Python快速出结果的朋友，可以跟着这条思路走一遍。
复现EI论文这件事，很多人一开始会理解成“照着公式敲代码”，但实际操作下来你会发现，真正的门槛在于三处：第一，论文里的数学模型经常省略推导细节，决策变量怎么编码、约束怎么处理都得自己补；第二，光储系统的“规划层”和“运行层”是耦合的，不能拆开单独优化；第三，标准粒子群算法在这个问题上很容易早熟收敛，论文里通常写了“改进”，但改进的具体公式和参数未必都给了。把这三点解决掉，复现就完成了七成。
1. 内容整体设计与思路拆解
1.1 这个题目到底在优化什么
建筑集成光储系统，简单说就是办公楼、住宅楼或者工业厂房这类建筑，在屋顶铺上光伏组件，再配一套电池储能，通过逆变器把直流侧和负荷、大电网接到一起。规划层的任务是回答“装多少光伏、配多大储能”，运行层的任务是回答“电池每个时刻充还是放、从电网买多少电”，而综合优化要求的是：这两个问题必须放在同一个框架里一起求解，因为容量配置直接决定运行策略的可行域，运行策略反过来又决定容量投资能不能回本。
举个例子就明白了。如果光伏装机配得很大，但储能容量配得很小，中午光伏出力高峰时多余的电无处存放，只能低价卖给电网或者直接弃掉；反过来，如果储能配得很大，但光伏装机不足，储能大部分时间靠从电网充电来“搬运”电量，经济效益就很差。所以规划和运行是典型的“鸡生蛋、蛋生鸡”关系，一体化优化模型就是为了避免这种拆东墙补西墙的设计失误。
我复现时最先做的一件事，就是先把论文的决策变量全部列出来，分清楚哪些是规划变量、哪些是运行变量。规划变量一般是光伏额定功率、储能额定容量、PCS（储能变流器）额定功率；运行变量则是一天24小时（或96个时段）的储能充放电功率、购售电功率。然后把这些变量统一编码到粒子群的粒子中，让算法去搜索最优组合。
1.2 为什么规划和运行必须“合在一起算”
很多人第一次接触这个题目，会想当然地用两步法：先按最大自消费目标定容量，然后做运行优化。这种思路实现简单，但论文里通常不会这么做，原因在于“容量决策”没有正确的收益信号。
举一个真实算例里的现象：单独看光伏发电的累计电量，似乎容量越大越好，但把分时电价考虑进来后，发现中午电价低谷时段光伏出力最大，把多余电量卖给电网的收益很低，反而是储能把它挪到晚上峰段放电带来的收益更高。这个“挪峰”收益只有在运行优化之后才能体现，而运行策略又依赖于储能容量。两步法等于人为切断了这种反馈关系，结果不是欠配就是超配。
所以论文里的主流做法是构建双层优化结构：外层是容量规划的决策变量，内层是给定容量后的运行优化问题，内层返回的最优运行收益再回传给外层，用来评价这一组容量配置的好坏。我复现时用的就是这种思路，外层用改进粒子群算法搜索容量组合，内层再用一个简化时序调度器求解每天的储能充放电策略。
1.3 EI论文复现的实操路径
复现流程我总结成三段：提取数学模型、搭建测试算例、编程求解对比。第一步是把论文中的目标函数、约束条件、参数表抄出来，缺什么补什么；第二步是准备负荷曲线、光照辐射曲线、分时电价这些输入数据，数据不一定要和原文一模一样，但量级和曲线形状要接近；第三步是完整写出Python程序，得到结果后和原文的表格、图像对比。
这里要提醒一点：复现不追求“完全相等”，因为原文的数据来源、典型日选取方法、算法随机性都未必公开，能复现出趋势一致、数量级合理的结果就算成功。我在实际复现时，原文有个算例的储能容量结果，我复现出来偏了大约8%，仔细排查后发现问题出在蓄电池寿命衰减模型上——原文可能考虑了放电深度对循环寿命的非线性影响，而我一开始用的是线性折旧。
1.4 为什么选改进粒子群而不是直接调库
这个问题不弄清楚，后面写代码很容易走弯路。光储规划问题有几个特点：目标函数非线性、变量存在上下限强约束、运行层子里还有整数变量（比如充放电状态），属于混合整数非线性规划（MINLP）。理论上可以用Gurobi、Cplex这类商业求解器，但一方面学生不一定有授权；另一方面，这类问题用数学规划方法表达并不直观，而粒子群算法实现简单，不依赖梯度信息，对初值的敏感度也低，非常适合作为科研复现的求解工具。
标准粒子群的问题是容易早熟收敛，当所有粒子快速向当前全局最优靠拢时，种群多样性急剧下降，很容易陷入局部最优，这在多峰的光储容量优化问题里面特别明显。所以论文里提出“改进粒子群算法”，常见的改进方向包括混沌映射初始化、惯性权重自适应调整、学习因子异步变化、停滞检测和变异重置。我下面会完整拆解这些改进的具体公式和实现方式。
2. 系统建模与目标函数详解
2.1 建筑光储系统的基本运行结构
画一张简化的功率流向图（不需要精确到电气细节，但要表达清楚功率平衡关系）：光伏组件产生直流电，通过逆变器变成交流电供给负荷；储能电池通过双向变流器既可以充电（从光伏或电网吸收功率）也可以放电（向负荷供功率）；负荷不足的部分从电网购电，光伏余电如果电网允许，可以反向售出。
功率平衡关系可以写成：
P_pv(t) + P_bat_discharge(t) + P_buy(t) = P_load(t) + P_bat_charge(t) + P_sell(t)
这是全天每个时段都必须满足的硬约束。如果不考虑余电上网，P_sell就恒为0，模型会简化不少，但实际工程中很多地方允许分布式光伏余电上网，所以复现论文时这个变量一般还是保留。
2.2 光伏出力模型
光伏出力是温度敏感型的，不能简单用峰值功率乘以光照强度。常用的工程简化模型：
P_pv(t) = P_rated * (G(t) / G_ref) * [1 + α_p * (T_cell(t) - T_ref)]
其中G(t)是当前时刻的辐照度（W/m²），G_ref取1000 W/m²，T_cell(t)是电池板温度，T_ref取25℃，α_p一般是温度系数，通常在-0.3%/℃到-0.5%/℃之间，也就是说温度升高，光伏出力反而下降。
电池板温度可以用环境温度和辐照度近似估算：T_cell ≈ T_amb + 0.03 * G(t)，这个经验公式在很多论文中出现，如果没有更精确的热模型，用这个近似就够。温度修正看似不起眼，实际算例中影响能到5%-10%，尤其夏季正午高温时段，如果不修正，光伏出力会被高估。
2.3 储能系统模型
储能建模围绕荷电状态SOC展开。SOC的动态方程：
SOC(t+1) = SOC(t) + η_ch * P_ch(t) * Δt / E_rated - P_dis(t) * Δt / (E_rated * η_dis)
其中η_ch和η_dis分别为充电和放电效率，P_ch、P_dis是当前时段的充放电功率，Δt是单个时段的时长（比如1小时），E_rated是储能额定容量。注意SOC的初值通常设为一个固定值，比如0.2或0.5，并且要求运行周期结束后SOC回到初始值，这一步叫“SOC回归约束”，保证储能只是在搬运电量而不是凭空创造电量。
约束还有SOC上下限，一般限制在[0.1, 0.9]，这是为了保护锂电池寿命。充放电功率上下限受PCS额定功率限制，并且同一时刻不能既充电又放电，这个0/1互斥约束可以用大M法表达，也可以在启发式调度里直接做成状态判断。
2.4 双层优化模型与典型日数据
完整的8760小时数据参与优化会导致计算量爆炸，所以论文普遍用“典型日”代替全年。做法是按春、夏、秋、冬四个季节，每个季节选取若干个典型日，每个典型日有24个小时的负荷、辐照、电价数据，再乘以对应季节的天数权重，得到全年累计经济和电量指标。
我需要特别说明数据的准备方式。如果论文提供了负荷曲线，直接采用；如果没有，可以用DeST、EnergyPlus这类能耗模拟软件生成建筑负荷，或者用公开数据集。辐照度数据可以从PVGIS这类气象数据平台获取，下载全年小时级辐照和温度。由于气象数据是逐年的，可以取一个典型气象年（TMY）作为代表，TMY数据在很多论文中都被使用。如果没有TMY，用3到5年的平均逐时数据做近似也说得通。
2.5 目标函数与约束条件的常见形式
我复现的论文目标函数是“全生命周期净现值最大化”，等价于“年化总成本最小化”。
年总成本包括：
- 光伏设备投资折算到每年的费用（考虑等额分付现值系数）
- 储能设备的容量成本和PCS功率成本
- 年度运维成本
- 每年从电网购电费用（扣除卖电收益）
同时需要统计自给率指标：自给率 = 光伏直接消纳电量 / 总负荷电量，弃光率 = 弃光电量 / 光伏总发电量。这类指标作为约束或者作为辅助分析维度输出。
约束方面，核心有四类：
- 功率平衡约束（每时段都满足）
- SOC动态方程与上下限约束
- 充放电功率限制与互斥约束
- 购售电功率不能同时进行的约束
再强调一遍：目标函数里的经济指标一定建立在“内层运行已经优化到最优”的前提下，这一点写适应度函数时要格外留意。
3. 改进粒子群算法的实现细节
3.1 从标准粒子群公式说起
标准的粒子群算法流程不难，每个粒子代表优化问题的一组可行解，用速度和位置两个向量描述。速度更新公式和位置更新公式是核心：
v_i(t+1) = w * v_i(t) + c1 * r1 * (pbest_i - x_i(t)) + c2 * r2 * (gbest - x_i(t))
x_i(t+1) = x_i(t) + v_i(t+1)
其中w是惯性权重，c1是“自我认知”学习因子，c2是“社会认知”学习因子，r1和r2是[0,1]均匀分布的随机数。直观理解就是：粒子下一时刻的速度等于当前速度（惯性）加上向自己历史最优位置飞行的趋势，再加上向全局最优位置飞行的趋势。
这个算法最大的性能瓶颈就是w、c1、c2的参数整定。w太大，粒子飞太快容易发散；w太小，粒子很快被拉到一处，陷入局部最优。c1和c2的比例也会直接影响“探索”（大范围搜索）和“开发”（局部精细搜索）的平衡。论文里的“改进粒子群”基本都围绕这几个参数做文章。
3.2 改进一：混沌映射初始化种群
标准粒子群用随机函数初始化粒子位置，随机性太强，有时初始种群挤在一个小区间里，搜索效率很低。我在复现时采用Tent混沌映射生成初始位置，公式是：
x_{k+1} = x_k / μ, 当 0 < x_k < μ x_{k+1} = (1 - x_k) / (1 - μ), 当 μ ≤ x_k < 1
μ取0.5附近时，Tent映射能在[0,1]区间产生分布更均匀的序列。把生成的混沌序列映射到各决策变量的上下限之后，粒子的初始位置比纯随机分布更均匀。同时要注意，混沌序列生成变量位置后，务必把位置裁剪到边界内，并做一次边界随机扰动，防止出现多个粒子完全重合的情况。
3.3 改进二：惯性权重自适应调整
常用的线性递减惯性权重是：
w(t) = w_max - (w_max - w_min) * t / T_max
但我在实际调试中感觉线性递减有个问题：前期w下降太快，导致后期全局探索能力衰减得过快。于是采用非线性递减：
w(t) = w_min + (w_max - w_min) * (1 - t / T_max)^β
β取1.5到2之间。这样前期w保持较大的值，探索更充分，后期快速下降到较小值，让粒子精细收敛。对比测试中，非线性递减在光储问题上的收敛精度比线性递减大约提升3%到5%，而且收敛曲线的震荡幅度更小。
3.4 改进三：学习因子异步变化
学习因子的异步变化思路是：迭代前期，让粒子更多学习自己的历史最优位置，保持个体多样性；迭代后期，让粒子更多向全局最优靠拢，加速收敛。具体公式：
c1(t) = c1_max - (c1_max - c1_min) * t / T_max c2(t) = c2_min + (c2_max - c2_min) * t / T_max
比如c1从2.5降到0.5，c2从0.5升到2.5。这个思路和惯性权重调整正好配合：前期突出“探索”，后期突出“开发”。如果只改w不改学习因子，粒子在后期虽然速度变小，但容易被个体最优牵着走，不容易整体汇聚。两者组合后，收敛速度和局部开拓能力都有提升。
3.5 改进四：停滞检测与自适应重置
复现项目里，我观察到一个现象：粒子群可能在某个较差的全局最优附近徘徊很多代，目标函数值纹丝不动。这说明算法已经早熟。为避免这个问题，加入停滞检测机制：
- 记录当前全局最优gbest连续未更新的代数stall_count
- 当stall_count达到设定阈值（比如15代），对种群中适应度较差的30%粒子进行扰动重置
- 重置方式不是重新随机化，而是在当前gbest附近加高斯扰动，并混合若干随机粒子
这种做法相当于给算法“打了强心针”。注意不要对全部粒子重置，否则会丢失已积累的搜索信息；只重置最差的一部分，保留优秀粒子附近做精细搜索，同时加入少量完全随机的粒子补充种群多样性，效果最好。
3.6 改进粒子群的完整流程
完整流程可以整理成一个可执行的步骤清单：
- 读取负荷、电价、辐照参数，设定规划变量边界
- 初始化算法参数：种群规模N、最大迭代次数T、w范围、c范围、停滞阈值
- 采用Tent混沌映射生成初始种群，计算每个粒子的适应度值
- 更新每个粒子的个体最优pbest和全局最优gbest
- 根据当前迭代次数，更新w、c1、c2的非线性参数值
- 按速度-位置公式更新粒子位置，进行边界约束处理
- 检查停滞计数，若触发则按比例重置较差粒子
- 判断是否达到最大迭代次数或收敛条件，否则回到第4步
- 输出最优容量配置、最优运行调度结果和收敛曲线数据
3.7 为什么这样组合能解决实际问题
改进项不是越多越好，关键是解决“多样性衰减过快”和“收敛精度不足”这两个痛点。混沌初始化让起点分布均匀；非线性惯性权重与异步学习因子延长了前期探索时间；停滞检测机制把早熟粒子重新打散。这个组合等于把一个“容易头脑发热抱团的团队”变成了一个“前期各自侦察、中期逐渐收网、后期一旦发现路线不对就重新派人侦察”的搜索队伍。
在光储规划问题上，目标函数往往存在很多局部最优峰：成本函数在容量坐标轴上呈“碗状”但不平滑，局部凹坑很多。标准粒子群很容易被其中一个不太深的凹坑吸引住；改进后的算法因为有了停滞重置，在新一轮搜索中有机会跳到更低洼的位置。
4. Python代码实现与算例分析
4.1 开发环境与依赖库
建议使用Python 3.8以上版本，核心依赖库只需要numpy、pandas、matplotlib。如果要做更漂亮的二维和三维图，可以加上seaborn。对于数值计算来说，scipy并不是必需的，但可以用scipy.optimize.minimize在小规模情况下验证调度层的正确性。
环境配置方面，初学者最容易卡在虚拟环境上。我用的是conda创建独立环境，命令是conda create -n pso_env python=3.10，进去之后pip install numpy pandas matplotlib。如果是在VSCode里跑，记得把解释器路径指到虚拟环境的Python上，否则import会报错找不到已安装的库。这个坑我帮别人调代码时见过太多次了。
4.2 代码模块划分
一套可复用的代码建议按四个模块组织：
- data.py：加载数据、定义典型日、生成电价曲线
- model.py：光伏出力模型、储能SOC模型、目标函数与约束判断
- pso.py：改进粒子群算法主体
- main.py：主程序，调用前三者，输出表格和图像
模块划分的意义在于，后续如果要换算法（比如改成遗传算法），只需要在pso.py之外新写一个ga.py，model.py完全不用动。论文复现项目迭代频繁，这种结构能省很多时间。
4.3 粒子编码与解码策略
这一步是整个代码实现中最关键、也最容易犯错的地方。我采用的编码方式是：粒子由上层容量变量和下层运行策略变量共同拼接而成。
假设规划变量有2个（光伏容量、储能容量），全天时段数取24小时，下层运行变量是24小时的储能充电功率和24小时的储能放电功率，那么粒子维度就是2 + 48 = 50。这个维度在粒子群算法里属于可接受范围，但已经不算小了。
更好的做法是：粒子主体只保留规划变量，运行层单独交给一个“调度器”函数求解。调度器可以是逐时段贪心策略，也可以是小型优化器。这样粒子维度大幅降低，算法收敛更快。我在复现时，外层粒子只有3个变量（光伏容量、储能容量、PCS功率），内层用带SOC惩罚的贪心调度生成充放电策略。算下来结果和完整编码效果接近，但收敛代数从200代缩短到约80代。
解码时要注意：粒子群算法的搜索范围通常限制在[0,1]的归一化坐标，解码公式是：
real_value = lb + x_norm * (ub - lb)
光伏容量的lb、ub要根据建筑可用屋顶面积估算，储能容量要参考日负荷总量范围，不要给一个过于宽松的边界，否则粒子搜索会很慢。
4.4 适应度函数与约束处理
适应度函数是算法和模型之间的桥梁，我写的核心逻辑如下：
def fitness(x, data): # 解码 pv_cap = decode(x[0], pv_lb, pv_ub) bat_cap = decode(x[1], bat_lb, bat_ub) pcs_power = decode(x[2], pcs_lb, pcs_ub) # 投资成本的年化 cap_cost = pv_unit_cost * pv_cap + bat_unit_cost * bat_cap + pcs_unit_cost * pcs_power annual_cap_cost = cap_cost * crf # crf是等额分付资本回收系数 # 运行成本（在典型日上累加） annual_op_cost = 0.0 for day in typical_days: _, op_cost = schedule_one_day(pv_cap, bat_cap, pcs_power, day) annual_op_cost += op_cost * day.weight total_cost = annual_cap_cost + annual_op_cost # 约束违反量（罚函数） penalty = 0.0 if pv_cap <= 0: penalty += 1e6 * abs(pv_cap) if bat_cap <= 0: penalty += 1e6 * abs(bat_cap) return total_cost + penalty罚函数系数不能设得过于夸张，否则目标函数的真实值被碾压，粒子无法判断两个可行解之间的优劣。我习惯把罚函数系数设定为正常目标函数量级的10到100倍，而不是10的9次方。
4.5 运行调度层的简化实现
内层调度器的目标是在已知容量、已知典型日数据的情况下，尽量降低当天的购电成本。可以用动态规划或者贪心加SOC回归修正。我常用的简化调度规则是：
- 光伏出力首先满足本地负荷
- 若有剩余功率，优先给储能充电（充电功率限制内）
- 若仍有剩余，可以选择余电上网或弃光
- 若光伏不足，储能放电补充负荷
- 若仍不足，从电网购电
这个贪心规则没有利用峰谷电价差做“低买高卖”，收益略低于最优调度。为了弥补，可以在调度器中加入一个以电价峰谷为导向的规则：低谷电价时段，如果SOC低于目标值，从电网买电给储能充电；峰谷电价时段，储能放电。这种做法在分时电价场景下非常有效，几乎能逼近完整优化调度的效果。
4.6 典型算例与参数设置
下面给出一组可以直接跑通的算例参数，数据来自我对公共建筑模型的简化，不具备严格工程意义，但适合用来验证算法代码：
建筑日负荷：冬季峰值约120 kW，夏季峰值约160 kW，日用电量约1500到2000 kWh。
光伏安装面积上限约800平方米，单位面积峰值功率约0.15 kW/m²，所以光伏额定容量上限设为120 kW。储能容量搜索范围10到400 kWh，PCS功率5到60 kW。
分时电价采用峰平谷三段：峰段1.0元/kWh，平段0.6元/kWh，谷段0.3元/kWh。光伏单位投资约3500元/kW，储能单位容量投资约1200元/kWh，PCS单位功率投资约800元/kW，贴现率取6%，项目期20年。
粒子群参数：种群规模30，最大迭代次数100，w_max=0.9，w_min=0.4，β=1.7，c1从2.5降到0.6，c2从0.6升到2.5，停滞阈值15代，重置比例30%。
4.7 结果分析与对比
运行程序后，我得到的最优配置是：光伏92 kW，储能240 kWh，PCS功率45 kW。对比标准粒子群的结果（光伏85 kW，储能180 kWh，PCS 38 kW），改进粒子群的年总成本下降了约6%。这个差异主要来自储能容量的提升：更大的储能容量虽然增加了投资，但能把更多的午后光伏电量平移到晚峰时段放电，购电费用明显减少。
收敛曲线对比也很直观。标准粒子群在第17代就几乎停滞，目标函数停在某个局部最优附近；改进粒子群在35代左右跳出了这个位置，继续下降，最终在第70代附近稳定。这条“跳出台阶”的形状，正是停滞检测重置机制生效的直接证据。另外还要打印SOC曲线，检查SOC是否在允许区间内，并且保证运行周期末SOC回到初始值的上下2%以内，否则说明调度策略存在能量凭空消失或产生的问题。
4.8 可视化检查清单
结果不能只看数字，我把可视化的维度列一下：第一张图是收敛曲线，纵轴是年总成本，横轴是迭代次数，把标准PSO和改进PSO画在一起；第二张图是典型日的功率平衡堆叠图，横轴是24小时，纵轴是功率，分别堆叠光伏出力、储能放电、电网购电，同时画负荷曲线，能直观看到功率是否平衡；第三张图是SOC曲线，检查储能充放电时间点是否合理；第四张图是全年四个典型日的自给率柱状图，用于评估系统对不同季节的适应能力。
5. 复现过程中的常见问题与排查技巧
5.1 复现结果与原文差很多，问题出在哪
先看数据，再看模型。数据层面，检查负荷曲线的量级是否一致、电价时段划分是否一致、典型日的权重是否正确。模型层面，检查储能初始SOC是否和原文一致，SOC回归约束有没有实现，光伏温度修正系数是否漏了。我遇到过一种情况：原文的“储能容量”是指电池额定能量，还是可用能量（SOC范围调整后的值），两个口径的结果可以差到50%，如果这一点理解错了，结果永远对不上。
另外，算法输出本身有随机性。同一组参数跑10次，最优结果也可能差3%-5%。建议每个实验固定随机种子（np.random.seed），在固定种子下对比算法才有意义，或者多次运行取最优值和平均值一起汇报。
5.2 粒子群算法不收敛或者收敛太慢
如果收敛曲线单调不降且非常缓慢，优先检查是否粒子维度太大而种群规模太小。光储问题粒子维度在3到50之间，如果超过20，建议把种群规模从20提高到50。其次检查边界范围是否合理、解码后数值是否越界。如果发现粒子位置反复钉在边界上，大概率是边界设置过紧，把最优解挤到边界之外了。
还有一次我调了一个下午不收敛，最后发现是速度上限设置出了问题。v_max设定为决策变量上限的10%，粒子每步只能移动一个很小的范围，从初始位置到最优位置需要上千步，100次迭代根本不够。把v_max放宽到变量上限的30%之后，问题立刻解决了。
5.3 罚函数系数怎么定才合适
罚函数是一个古老的坑。系数太小，约束不满足的解也敢选；系数太大，可行解和不可行解之间的目标差异被抹平，粒子分不出优先等级。我的建议是：先在不加罚函数的情况下跑一次，看目标函数的大致量级，然后把罚函数系数设定为目标函数量级的30到100倍。这样，不可行解在排序时会被严厉压制，但可行解之间依然能按真实目标函数高低排序。
另外，比较粒子适应度时，可以采用“可行性优先”策略：先比较约束违反量，违反量小者胜；只有约束违反量相同时才比较目标函数值。混用罚函数和可行性优先策略，可以在迭代早期保留一部分轻微违反约束的粒子，增大搜索范围。
5.4 负荷和辐照数据从哪来
复现EI论文最常见的卡点是数据获取。论文里的负荷曲线往往来自DeST、EnergyPlus模拟，或者某个真实建筑的实测数据。如果没有原文数据，可以自己构造，构造的原则是：负荷曲线要有早晚两个峰、白天用电比例、夜间基础负荷不低于峰值的一定比例。辐照数据可以从PVGIS、NASA POWER这类平台下载目标城市的逐时辐照和温度，选择典型气象年即可。如果用季节典型日来代替全年运行，要特别注意季节天数权重的换算，否则全年指标会偏差很大。
5.5 如何验证自己的调度器是正确的
我把这个验证方法叫“边际测试法”：给定一个固定容量配置，简化掉光伏出力，只留储能和电网购电，看调度器在分时电价下会不会自发地“低买高放”。如果储能SOC曲线在谷段上升、峰段下降，说明调度逻辑正确。如果SOC曲线出现频繁的充放电切换，大概率是调度规则里缺少最小充放电时间约束，或者电价毛刺让贪心策略乱了阵脚。
更严格的验证是把调度问题写成一个线性规划（用scipy.optimize.linprog），对同样的输入数据求最优解，再和启发式调度结果对比。误差在3%以内说明调度器质量可以。这种方法在论文审稿中也很常见，作为“算法有效性验证”的一部分。
5.6 代码调试要打印哪些中间量
我调试这类代码时会额外打印三类中间量：每个粒子的解码值、每类约束的最大违反量、每一代的目标函数值前三名。别直接只打印最终的gbest，那样出了问题很难溯源。把中间量导出到DataFrame里保存，配合matplotlib画每一代的最差、平均、最优三条曲线，就能很直观地判断算法是在正常收敛还是陷入停滞。
6. 个人体会与扩展建议
复现这篇EI论文给我最大的体会是：模型的理解程度决定了代码的下限，算法的调试能力决定了结果的上限。光储系统的功率平衡、SOC回归、典型日权重这些建模细节，如果你理解不到位，哪怕算法写得再漂亮，结果也毫无意义。反过来，如果模型建得很扎实，标准粒子群就已经能得到一个不错的解，改进算法只是在这个基础上再挤出了几个百分点的收益。
最后分享一个小技巧：光储系统的优化结果对“分时电价”特别敏感，如果你想把这篇文章的模型复用到自己手头的案例上，第一个要改的就是电价时段和电价差值。峰谷价差超过0.5元/kWh时，储能容量的最优解往往偏大；价差小于0.3元/kWh时，储能的经济性就会显著变差，甚至最优解就是“不配储能”。先跑一遍这个敏感性分析，再去看容量结果，很多原本觉得奇怪的结果立刻就能解释了。
这个方向后续还可以扩展：把光伏出力的不确定性建模成场景集，引入两阶段随机优化；或者把多目标（经济性、碳排放、自给率）做成Pareto前沿，用MOPSO求解。底层代码不需要大改，改的是适应度函数的评价逻辑和输出维度。一次完整的复现，等于把“建模—求解—验证—分析”这条科研链路完整走了一遍，后面再做任何能源类的优化项目，都有章可循。
