水光互补优化调度实战：非支配排序遗传算法与Python建模

做水光互补优化调度这个项目时，我把它拆成了两个关键点：一是“水光互补”的物理模型怎么搭，二是“非支配排序遗传算法”怎么把多目标权衡的问题解出来。坦白说，这条技术路线踩过的坑不少，但最后跑通的那天，看到帕累托前沿散点图在屏幕上铺开的时候，还是觉得值。这篇文章就把我在实际做项目时的完整思路、建模细节、Python代码结构和调试经验一次性说透，希望能给正在做同类电力系统优化调度的朋友一些参考。

1. 水光互补优化调度：问题是什么，为什么难

1.1 水电与光伏的天然互补性

水光互补的基本逻辑并不复杂：光伏出力“看天吃饭”，白天光照强的时候出力猛涨，傍晚之后断崖式下跌，阴天更是直接趴窝；水电则靠水库调节，发电流量可控，响应速度在分钟级。两者天然形成互补关系——白天光伏出力高，水电可以少放水、把水蓄在库里；夜间或光照不足，水电再放水猛发，顶上负荷缺口。水库在这里相当于一个天然的“能量缓冲池”。

但问题在于“怎么补”。水库库容不是无限大，来水是自然的、随机波动的，光伏预测还有误差。每个调度时段（典型是15分钟或1小时一个点，一天96个时段）都要决定水电站放多少水、发多少电、是否需要弃光弃水。这个决策串起来以后，既影响当前时刻的出力，也影响后续时段的库容水位，属于典型的带时序耦合约束的优化问题。

我在做的时候，调度对象是一个有多年调节能力的中型水库加一个大型光伏电站的联合系统。光伏装机容量远大于水电，白天高峰时段光伏能覆盖大部分负荷，但到了傍晚负荷还很高时，光伏出力已经归零，这时候全靠水电在几分钟内把出力拉满。这种场景对调度的精细化程度要求很高，简单靠人工经验排曲线很难兼顾所有约束。

1.2 调度问题里的多个目标到底在优化什么

水光互补调度不是“发最多电”这一个目标。项目实际运行中决策者会同时关心好几件事情：发电量要大、出力过程要平稳、弃水弃光要少。这三个目标之间有直接的冲突关系。

发电量最大意味着水电尽量满发、光伏尽量全消纳。但光伏满发时水电也满发，系统总出力可能大大超过负荷需求，造成大量弃电；反过来，为了平稳出力而压低水电出力，又可能让水库水位偏高，汛期被迫大量弃水。弃水弃光最少则要求充分利用水库蓄水量和光伏资源，但过度蓄水可能影响发电计划，过度消纳光伏又可能造成出力陡增陡降。

这就是典型的多目标优化问题：不存在一个解能同时让所有目标都达到最优，我们只能找一组“折中解”——每个解在某个目标上好一点，在另一个目标上差一点，但整体上没有一个解能全面碾压其他解。这部分通过非支配排序遗传算法正好能解决，它一次性给出一整组最优折中方案，而不是逼着你拍脑袋定权重。

1.3 为什么传统单目标方法不够用

我刚接触这个问题时，第一反应是加权求和：给发电量、波动、弃电率各赋一个权重，把三个目标压成一个目标，然后用线性规划或动态规划求解。这思路本身没错，但实际做起来非常别扭。

权重怎么定是个大问题。不同季节、不同来水年份、不同光照条件下，三个目标的相对重要性根本不一样。来水丰沛时弃水压力大，弃水惩罚权重应该调高；枯水期发电量目标更重要，权重又要调低。权重调来调去，每次都要重新跑一遍优化，效率很低，而且很难向运行人员解释“权重是怎么来的”。

另外，加权法有个隐蔽的缺陷：对于非凸的帕累托前沿，加权法有些折中解永远找不到。实际调度问题的目标函数和约束条件往往高度非线性，非凸情况很常见。也就是说，哪怕你把权重调到天上去，也可能漏掉那些“有实际运行价值”的折中方案。多目标进化算法是直接在目标空间里搜索非支配解，不依赖权重组合，能缓解这个问题。

2. 多目标优化算法选型：非支配排序遗传算法的实战价值

2.1 多目标优化的核心概念：帕累托支配与解集

在聊算法之前，先讲清楚两个基本概念：支配与帕累托前沿。

• 支配：假设有两个解A和B，如果A在所有目标上都不比B差，并且至少在一个目标上严格优于B，就说A支配B。
• 非支配解：在整个解集里，不被任何其他解支配的解。
• 帕累托前沿：所有非支配解在目标空间里构成的集合，也叫帕累托最优解集。

用大白话说，帕累托前沿就是“无论如何折腾，都没法让一个目标变好的同时不损害另一个目标”的那些方案集合。调度人员最终要做的，就是从这一堆方案里挑一个最贴合当天电网实际情况的落地方案。

非支配排序遗传算法的核心思想就是：每一代先把种群里的个体按照“被支配程度”分成多个层级的非支配层（第一层是当前最优的非支配解集，第二层是去掉第一层后剩下的非支配解集，以此类推），然后优先保留层级靠前的个体。层级相同时，用“拥挤度距离”来区分，优先保留周围不那么拥挤的个体，保持解集在目标空间里分布均匀。

这个机制保证了两个事情：一是精英个体的优秀基因能够延续，二是解集不会聚成一团，而是均匀铺满整个帕累托前沿，给决策者足够的方案选择空间。

2.2 为什么选NSGA-II而不是线性规划或粒子群

行业里常用的调度算法不少，我大部分都试过，按实战感受说一句：NSGA-II不是万能的，但在水光互补这种中等规模、非线性、多目标问题上，它确实是最省心、最容易出效果的选择。

线性规划（LP）和混合整数线性规划（MILP）的优势是能保证收敛到全局最优解，求解器成熟，计算快。但缺点也非常明显：目标函数和约束必须写成线性的，水头-出力-流量之间那种非线性的耦合关系做线性化处理会引入误差；而且它一次只能给出一个加权后的解，多目标权衡还是绕不开权重问题。

动态规划（DP）适合时序决策问题，对水库调度这种有强时序递推关系的场景理论上很合适，但状态变量一多就面临“维数灾”——水库水位分段数、时段数、来水场景数乘起来，计算量爆炸。多目标动态规划还要同时维护一个解集，复杂度更高。

粒子群算法（PSO）收敛速度快，实现也简单，但处理多目标问题时容易早熟停滞，解集分布性不好，容易全挤到某个局部区域。NSGA-II的精英保留机制和拥挤度排序在保持解多样性上比PSO稳定得多。

还有一点很实际：NSGA-II的代码生态成熟，Python实现到处都有类库（比如pymoo和deap），自己从零写一个核心框架也就几百行，调试起来直观。这对工期紧、要快速迭代选型的项目来说是实打实的优势。

2.3 常见多目标进化算法的横向对比

从我实操的经验看，NSGA-II在这几个算法里属于“六边形战士”，综合表现最均衡。如果你只有两个优化目标（比如发电量最大+出力波动最小），用NSGA-II非常稳；如果以后要扩展到三个以上目标，比如再加一个生态流量约束目标，就需要看了，NSGA-III比NSGA-II更合适。

3. 数学建模：把调度问题翻译成约束优化问题

3.1 决策变量与编码方式

水光互补调度的决策变量本质上是“每一时刻水电站的出库流量（或发电流量）序列”。光伏出力虽然独立，但从调度角度来说，弃光量也是一个可以决策的变量——当系统出力过大时可以选择少发一部分光伏，弃掉多余的电。

我做模型时这样定义：

• 时段长度：取1小时一个时段，一天96个点（也可以按15分钟取，但变量数会变成96个，计算开销变大，数据粗细也未必支撑）
• 决策变量：各时段水电站的发电流量 q_t（t=1,2,…,96），范围在[ q_min, q_max ]之间
• 光伏出力取值逻辑：实际上网光伏出力 P_pv,t ∈ [0, P_forecast,t ]，预测值已知，实际取多少由调度决定；当取小于预测值时，即为弃光

编码方式采用实数编码，每个个体是一组96维的发电流量向量。实数编码比二进制编码直观，而且交叉变异后直接对应物理量，不需要编解码过程，收敛速度也更好。初始化时，每个个体的q_t在上下限内随机均匀取值。

我强调一下，决策变量用“发电流量”而不是“出力”来编码，原因是水电站出力 P_h,t 是流量和水头的函数，流量直接影响水库蓄泄过程和后续时段的水头变化，如果直接用出力做变量，水量平衡约束不容易精确满足。

3.2 目标函数设计

目标函数是整个模型里最需要和运行人员对齐的部分。我最终用的是三个目标，分别对应运行人员最关心的三个维度。

第一个目标：总发电量最大。

数学模型上，最大化总发电量，等价于最小化发电量的负值。

• 水电站出力 P_h,t = η · g · H_t · q_t，其中 η 是综合效率系数，H_t 是时段平均水头，q_t 是发电流量
• 光伏出力 P_pv,t 直接按调度决策取值
• 总发电量 E = Σ (P_h,t + P_pv,t) · Δt

这里的水头 H_t 其实是库容和水位之间的函数，不是一个常数。简化处理时可以用时段初末水位的平均值，进一步可以直接用上季末水位和下季末水位平均算出水头。这个过程会迭代，因为放流量影响库容，库容影响水头，水头又反过来影响出力。实测经验，水头变化幅度大的时候，简化版本和精确版本的结果差别大约3%~5%，如果不做汛期大波动场景，简化版本完全够用。

第二个目标：出力波动最小化。

光伏加入后，系统净负荷波动本来就大，水电作为调节电源，再让总出力剧烈波动就没有意义了。出力波动可以用相邻时段总出力差值的平方和来衡量，波动越小，对电网越友好。

F₂ = Σ( (P_h,t+1 + P_pv,t+1) − (P_h,t + P_pv,t) )²

这个目标也顺便保证了系统出力曲线足够平滑，爬坡压力小。实际调度里，电网对爬坡率的限制很严格，一次调频和AGC能力都有限，出力突变很容易造成频率和电压问题，所以这个目标有时候比发电量还重要。

第三个目标：弃水弃光量最小。

• 弃水量等于时段内无法被水库蓄下而被迫泄掉的水量（区别于发电流量后的溢流）
• 弃光量等于光伏预测出力与实际上网出力之差
• 弃能总量 F₃ = Σ (S_t + P_pv_forecast,t − P_pv,t) · Δt

这个目标和前两个目标是有冲突的：要少弃水，就得在汛期尽量多发水电，但这会推高总出力，增加波动；要少弃光，就必须让光伏尽量全部上网，白天时段总出力可能过高。这正是多目标优化的价值所在。

3.3 约束条件与惩罚处理

约束条件是整个建模过程中最容易被低估的部分，也是新手最容易翻车的地方。我梳理一下需要处理的约束：

水量平衡约束是必须严格满足的等式约束。水库时段库容变化等于来水减去出库流量再减去弃水，这里的等式约束在进化算法里不能保证绝对满足，必须实时修正。我处理的方式是：每次个体评价时，按初始库容和逐时段推算出最终库容，然后对最终库容与死库容的偏差做惩罚处理，罚项进入目标函数值。这样做能保证约束的影响传导到适应度里，驱动种群向可行域演化。

库容上下限约束体现水库安全要求。库容太高可能面临防洪风险，太低则可能影响供水或生态基流。量化到约束上就是 V_min ≤ V_t ≤ V_max，对越限部分用线性惩罚函数处理。

出力约束涵盖水电单机、整个电站和光伏的出力限制。水电站出力不能超过装机容量，也不能低于最小技术出力；光伏出力不能超过预测值的上下限。这些约束在目标函数计算后直接加上惩罚量即可。

负荷平衡约束是把出力约束在目标范围内。如果系统有明确的负荷曲线，还需要约束总出力尽量贴合负荷。考虑到水电出力爬坡，把负荷平衡约束做成了软约束：总出力与负荷偏差的平方累加进入惩罚项。这既保证系统出力总体贴近需求，又给算法留出搜索空间，不用强卡等式。

把所有惩罚项汇总成惩罚函数，综合目标变为：

F_total,i = F_i + penalty_i

这里的方法是带约束的NSGA-II标准做法：在非支配排序时，先比较约束违反量，违反量小的个体优先，再在违反量相近的个体之间比较非支配关系。

4. Python实现：核心代码结构与关键技术点

4.1 算法主流程框架

整个项目的代码结构我拆成了几个模块：数据加载与预处理、目标函数与约束计算、NSGA-II算法主体、结果可视化。单机Python跑96个时段、种群规模200、迭代300代的场景，完成一轮完整优化大概需要20~30分钟，是在可接受范围内的。

算法主流程我用伪代码描述一下：

# 非支配排序遗传算法 主流程 pop = initialize_population(pop_size, dim=96) # 初始化种群 for gen in range(max_gen): parents = tournament_selection(pop) # 锦标赛选择 offspring = sbx_crossover(parents) # 模拟二进制交叉 offspring = polynomial_mutation(offspring) # 多项式变异 combined = [pop + offspring] # 父子合并 combined = calculate_objectives_and_constraints(combined) fronts = fast_non_dominated_sort(combined) # 快速非支配排序 pop = environmental_selection(fronts) # 环境选择，保留精英

这套流程是NSGA-II的标准结构，每一步都有明确的物理意义。选择操作保证优秀基因有更多繁殖机会；交叉操作让种群中的两个个体交换搜索经验；变异操作是跳出局部最优的“扰动开关”；环境选择保证新一代比旧一代整体质量只升不降。

4.2 关键代码实现讲解

非支配排序是NSGA-II的基础算子，核心是给每个个体计算两个量：有多少个体支配它（np），它支配了哪些个体（sp）。然后把np=0的个体全部放进第一层，再把它们支配列表里个体的np减1，循环往复。

def fast_non_dominated_sort(pop): fronts = [[]] for p in range(len(pop)): pop[p].domination_count = 0 pop[p].dominated_set = [] for q in range(len(pop)): if p == q: continue if dominates(pop[p], pop[q]): pop[p].dominated_set.append(q) elif dominates(pop[q], pop[p]): pop[p].domination_count += 1 if pop[p].domination_count == 0: fronts[0].append(p) i = 0 while fronts[i]: next_front = [] for p in fronts[i]: for q in pop[p].dominated_set: pop[q].domination_count -= 1 if pop[q].domination_count == 0: next_front.append(q) i += 1 fronts.append(next_front) return fronts[:-1]

这个实现的时间复杂度是O(M·N²)，M是目标数，N是种群规模。对200个个体来说，单次排序也就几万次比较，完全能接受。实际跑起来，瓶颈在目标函数计算而不是排序。

拥挤度距离计算决定了解集在目标空间里的分布均匀性。基本思路是：对每个目标函数排序，边界个体的距离设为无穷大，中间个体的距离用相邻两点在该目标上的归一化差值的绝对值累加。

def crowding_distance_assignment(front, objectives): for individual in front: individual.crowding_distance = 0 for obj in range(objectives.shape[1]): order = np.argsort(objectives[front, obj]) front_sorted = front[order] front_sorted[0].crowding_distance = float('inf') front_sorted[-1].crowding_distance = float('inf') obj_min = objectives[front_sorted[0], obj] obj_max = objectives[front_sorted[-1], obj] if obj_max - obj_min == 0: continue for i in range(1, len(front_sorted) - 1): front_sorted[i].crowding_distance += ( objectives[front_sorted[i + 1], obj] - objectives[front_sorted[i - 1], obj] ) / (obj_max - obj_min)

交叉算子用的是模拟二进制交叉，这在实数编码进化算法里是标配。SBX的特点是子代围绕父代中心对称分布，局部搜索能力强，加上多项式变异可以调节搜索步长，两者配合起来收敛性和多样性都兼顾。

目标函数计算里最需要注意的是水头迭代。水电站出力 P_h,t 依赖水头 H_t，水头又依赖水库库容，而库容是上一时段库容和发电流量的函数。实际实现时我做了简化：用时段初库容对应的水位来估算水头，再算本时段出力。这个简化在中小型水库上误差很小，但如果水头变化特别剧烈，建议做一步迭代修正。

def calculate_objectives(flow_schedule, inflow, pv_forecast, reservoir): V = reservoir.initial_volume total_energy = 0 ramp_penalty = 0 spill_energy = 0 curtailment_energy = 0 prev_power = 0 for t in range(T): H = reservoir.storage_to_level(V) # 库容转水头 P_h = efficiency * GRAVITY * H * flow_schedule[t] * DT P_h = min(P_h, reservoir.capacity) # 装机约束 V += (inflow[t] - flow_schedule[t] - spill[t]) * DT P_pv = pv_forecast[t] * 0.98 # 调度按预测的98%执行 P_total = P_h + P_pv total_energy += P_total * DT ramp_penalty += (P_total - prev_power) ** 2 spill_energy += spill[t] * DT curtailment_energy += max(0, pv_forecast[t] - P_pv) * DT prev_power = P_total return [-total_energy, ramp_penalty, spill_energy + curtailment_energy]

注意，这里第一个目标返回的是负值，因为NSGA-II默认统一最小化目标。实际项目中有两种做法：把所有目标都统一成“越小越好”，或者在对比支配关系时做目标方向反转。我建议统一成前者，因为后续拥挤度排序、可视化都更省事。

4.3 参数设置经验

NSGA-II的参数在不同问题上有不同的最优区间，但水光互补调度这个场景下，我多次试错后总结出一套稳定的初始参数：

关键是变异概率不能设置太高。96个变量的个体如果变异率调到0.1，每个个体每代有接近10个变量被突变，种群会变成随机游走，很难收敛。1/变量数这个经验值在很多实际代码里都用，实测效果稳定。

另一个容易踩的坑，是惩罚系数的大小。惩罚系数太小，约束违反的个体不会被淘汰，最后结果全是不可行解；惩罚系数太大，种群会过早集中在可行域边界，失去在边界附近搜索的能力。我一般用“动态惩罚”：进化早期惩罚倍数小，鼓励探索；进化后期惩罚倍数逐步加大，推动种群收敛到可行域。这个技巧在实际运算里对提升解的质量帮助很大。

5. 结果分析与折中解选取

5.1 帕累托前沿可视化

算法跑完以后，把最终种群里的非支配解画成散点图，就是帕累托前沿。以两个目标（发电量最大、出力波动最小）为例，横轴是发电量负值（越小越好），纵轴是波动越限量的平方和（越小越好），前沿会呈现一条典型的“L”形或反弓形曲线——一端发电量好但波动大，一端波动好但发电量低，中间是平滑过渡的折中区。

这张图对决策者非常有价值。从图中能直接读出几个信息：

• 是否存在明显的“拐点”：拐点之后的解，微小改善一个目标会带来另一个目标巨大劣化，这个拐点附近往往是政府层面最容易拍板的方案
• 解集的覆盖范围是否足够：如果前沿两端距离很近，说明算法探索不充分，或目标函数设置有问题
• 是否有多段不连续的情况：不连续意味着某些出力区间是系统约束下不可达的，对这个现象要向运行人员解释清楚原因

我建议把帕累托前沿图和一两个代表性调度方案的水位、出力曲线一起出图。光看目标空间的散点图，运行人员很难直观感受“方案长什么样”；一旦配上时序曲线，对方就能立刻判断“这个方案是否符合实际运行习惯”。

5.2 如何从一组解里挑出最终调度方案

NSGA-II给出的是一组方案，不是唯一一个。实际项目落地时必须要从中挑一个。我实践下来最有效的方法是“理想点距离法”加“熵权TOPSIS”。

理想点距离法步骤：

• 把所有目标值做归一化处理，让每个目标都落在[0, 1]区间
• 找到各目标上的最优值组成的“理想点”（乌托邦点）
• 计算每个帕累托解到理想点的欧氏距离
• 距离最小的解就是综合最优的折中方案

不过这里有一个问题：归一化时如果某目标取值范围大，它会主导距离计算。所以最好计算每个解在各目标上的权重，我用的是熵权法——根据各目标取值的离散程度确定权重。取值越离散的目标，信息量越大，权重应该越高；取值越集中的目标，对区分解的贡献越小，权重应该越低。

TOPSIS在此基础上进一步引入“负理想点”概念，计算每个解到正理想点与负理想点的相对贴近度，排序得出综合最优。这是多目标决策里非常成熟的工具，Python用pandas加numpy几十行就能实现，不用额外的大依赖库。

我在实际项目里发现，有时候运行人员不认“综合最优解”，他们更倾向于看帕累托前沿上几个“标志性方案”。比如“发电量最大的方案”“波动最小的方案”“弃能最小的方案”，然后基于当天电网的实时调峰需求，在现场再选。这个操作层面偏好也合理，NSGA-II提供的是方案池，怎么捞出来用，取决于当天决策情境。

6. 常见问题与调试经验

6.1 算法早熟收敛

早熟收敛的表现是：种群在迭代几十代之后就不动了，解集全部挤在目标空间的某个局部区域，帕累托前沿铺不开。

我踩过两次坑，一次是变异率设太低，搜索步长太小，根本跳不出局部极值；一次是交叉概率太高，优秀个体的基因模式在种群中快速同质化，多样性丧失。

处理办法：

• 提高变异率到2/变量数~3/变量数，加大搜索扰动
• 引入自适应交叉变异参数——进化后期自动增大变异率，重新注入多样性
• 重启机制：连续N代最优解无改进时，对种群做一次大规模随机重置，保留一部分精英个体，其余全新初始化

我个人的经验是“重启机制”最有效。记住，进化算法本质上是“探索—利用”的平衡，早熟收敛说明探索不足，重启就是最直接的探索补救措施。

6.2 约束处理失效

约束失效的表现是：最终得到的一堆解里，大部分个体都违反库容上限或者负荷平衡约束，画出来的调度曲线水位线长期越界。

根因通常是惩罚系数设置不合理，或者约束违反量没有参与到非支配排序中。我强烈建议用“约束支配”的方法，而不是单纯在目标函数里加惩罚——在比较两个个体的支配关系时，先比较约束违反总量，任何可行解都支配所有不可行解。这样不可行解会被系统性淘汰，而不是靠目标函数值偶然而侥幸存活。

实现上就是给每个个体加一个 constraint_violation 属性，在插到父代种群前先算出来，塞进fast_non_dominated_sort里参与比较权重。这个改动非常小，但对收敛方向的影响巨大。

6.3 运行时间过长

如果单次优化要跑几个小时，就得优化性能了。在Python里跑NSGA-II，通常瓶颈不是算法本身，而是目标函数计算里大量的循环。

分析发现，水量平衡推演是一个96步的循环，每步里又嵌套了水头函数、出力约束检查等操作。即使每个个体只需要几毫秒，200个个体乘300代就是接近200万次调用，累加起来非常可观。

优化方向：

• 把库容-水位关系函数提前表格化，用插值代替每次实时计算
• 用numpy数组批量计算而不是Python的for循环逐时段推进
• 多条不同来水场景并行计算，用multiprocessing或者joblib多进程加速

实测这几项优化组合后，单次优化时间从40分钟降到10分钟以内，效率提升非常明显。

6.4 容易踩的坑

第一，数据质量问题。来水数据、光伏出力预测数据、负荷曲线的口径和时间分辨率必须完全一致，否则模型怎么调都是“垃圾进垃圾出”。我特别强调，时间分辨率必须统一——不要有的数据是15分钟粒度，有的是1小时粒度，拼起来会出完全错误的结果。

第二，把目标数设得过多。初学者常犯的错误是目标设得过于精细，一次性上4~5个目标。但每个目标都会增加非支配层的数量，导致NSGA-II的选择压力分散，收敛变慢。我的经验是先把最重要的2~3个目标做通，做出效果给决策者看，得到反馈后再逐步增加细分目标。

第三，忽略初始库容的重要性。调度周期开始的库容状态对全局结果影响巨大。我最初不管初始水位，直接随机生成出库流量让模型自己找平衡，结果跑出来全是用到死库容的极端方案。正确做法是：把初始库容作为固定输入，或者把初始库容纳入决策变量，在模型里同步寻优。实际项目中，大多数调度运行都从月初的实际库容出发，这种情况把初始库容固定在实测值即可，不要随便初始化。

第四，网格搜索调参时要注意区分“调参收益”和“噪声”。进化算法本身带有随机性，同样参数跑两次结果不完全一样。判断一个参数改得好不好，至少要跑3次取平均或者统计分布，否则很容易被随机波动误导，白白浪费时间。

这个项目做到后面，我最大的感触是：优化算法只是工具，真正花时间的反而是把物理模型和实际运行逻辑之间的差异抹平。非支配排序遗传算法本身不复杂，复杂的是理解水库、光伏、负荷三者之间在时间和空间上的耦合关系。做优化调度项目，一定要先把物理过程搞清楚，再谈算法，否则代码写得再漂亮，出来的方案也无法落地。如果后续想做更深入的拓展，可以考虑把光伏预测的不确定性显式建模，用随机场景或鲁棒优化的思路，在非支配排序遗传算法框架里融入场景分析，把问题再往前推一步。