电动汽车的调度问题，很多人刚接触时会下意识觉得“不就是控制一下充电时间吗”。但真正上手做下去，你会发现事情远没有这么简单：电网有基础负荷，电动汽车有出行需求，用户有充电成本敏感度，电池有寿命损耗，这几件事叠在一起，本质上是一个多目标优化问题。我在实际项目中把“削峰填谷”和“多目标优化调度”放在一起做，用Matlab搭了一套完整的仿真与调度策略实现，这篇文章就把整个思路、建模、代码结构和踩坑过程完整记录下来。
先说这个系统能做什么：输入一个区域的基础负荷曲线、电动汽车规模、出行规律和电价信息，通过优化算法输出每辆车的充放电时段与功率指令，最终达到削峰填谷的效果，同时兼顾用户充电费用、电网负荷波动和电池损耗三个目标。对于做智能电网、电动汽车接入、微网调度的研究者或者工程师，这套框架可以直接改参数复现，也可以在此基础上换算法、加约束。
1. 问题拆解：为什么要做削峰填谷的多目标优化
1.1 无序充电带来的麻烦
先看最基础的问题。如果一个区域里面有几百辆电动汽车，大家下班回家插上充电桩就充，那么傍晚到深夜这段本来就已经是电网负荷高峰的时间段，充电负荷进一步叠加在基础负荷之上，结果就是峰上加峰。我曾经拿真实的某区域负荷数据做过仿真——该区域基础负荷最高峰出现在晚上19点到21点之间，峰值接近3800千瓦，如果把300辆电动汽车全部在此时段同时以7千瓦慢充功率充电，额外增加2100千瓦负荷，峰值直接飙升到5900千瓦，这对配变容量和线路载流量都是巨大的考验。更麻烦的是，负荷曲线会从一个原本平滑的单峰形态变成一个尖削而突兀的高峰，对电网设备而言是实实在在的过载风险。
反过来看深夜时段，基础负荷通常会掉到峰值的40%到50%，出现一个明显的负荷低谷。如果能在低谷时段引导电动汽车充电，不仅电价便宜，用户省了钱，电网侧的负荷曲线也会被“垫高”，整体形态更加平缓。这就是“削峰填谷”的直观含义：削掉高峰，垫高低谷，让负荷曲线趋于平坦。
1.2 单目标方案为什么不够用
很多初学者看到这里会问：那我直接把“负荷曲线方差最小化”作为单目标函数去优化不就行了？理论上确实可以，但实际做下来会发现问题：如果只盯着电网侧负荷波动这一个目标，算法很可能把所有车的充电时间全部安排在凌晨2点到4点这个电价最低、负荷最低的时间段，电网侧确实高兴了，但用户早晨需要用车的，可能直到出门电池都没充满。更要命的是，如果在某些地区还需要车网互动（V2G）功能，让车辆在晚高峰放电来进一步削峰，那电池的充放电循环次数会急剧增加，寿命衰减带来的经济损失非常大。
所以，真正合理的做法必须同时考虑多个目标。我在项目中选了三个最核心的：
- 用户充电费用最小化（经济性）；
- 电网负荷曲线峰谷差最小化（安全性）；
- 电池循环损耗最小化（设备寿命可持续性）。
三个目标之间存在明显冲突：要削减负荷峰谷差，就可能需要车辆在高峰时段放电，而放电会加快电池损耗；要降低用户费用，车辆会倾向于在电价最低时段集中充电，但集中充电又会制造新的负荷高峰。这种互相掣肘的冲突，正是多目标优化存在的意义——不是找到一个单一最优解，而是找出一组Pareto最优解，让决策者根据不同偏好从中选择。
1.3 削峰填谷的本质是什么
削峰填谷从数学上看，本质是在时间维度上做“负荷转移”：把原本发生在高峰时段的充电负荷，通过调度策略转移到低谷时段。但它的本质又远超一个简单的负荷转移，因为转移的对象不是一种可以随意挪动的数据，而是有出行需求、有电量需求、有充电功率限制的真实电动汽车。
所以模型里必须包含足够真实的约束条件：每辆车的初始电量、目标电量、预计出发时间、最大充电功率、是否参与V2G放电、电池容量限制等。如果约束定得不够细，仿真结果看起来很美，放到实际场景里根本跑不通。
注意：做这个方向，一定先想清楚你的调度对象是“集群”还是“单车”。如果只做集群层面，那么所有车辆可以用一个聚合的充电负荷曲线来表示，模型简单很多；如果做单车层面，每辆车都有自己的SOC状态、出行时间窗和充电功率限制，模型复杂度成倍增加。这篇博文的框架是单车层面的，因为这样更接近实际工程中的充电桩调度场景。
2. 模型构建：目标函数与约束条件这样设计才对
2.1 目标函数设计
整个调度的核心是一个多目标优化数学模型。下面逐个拆解我用的目标函数。
目标一：用户充电费用最小化
用户关心的是“我充一次电花多少钱”。如果电价是分时电价（峰、平、谷三段或更细的分段），那么同一辆车在不同时刻充电的成本差异可能相当大。目标函数可以写成：
% 计算所有车辆的总充电费用（含V2G放电收益） total_cost = 0; for idx = 1:N_ev charge_power = solution(idx, :); % 该车24小时充放电功率序列，正为充，负为放 fee = sum(max(charge_power, 0) .* price * delta_t) ... % 充电费用 - sum(min(charge_power, 0) .* price * delta_t * 0.8); % 放电收益（打八折） total_cost = total_cost + fee; end其中price是24小时的分时电价向量，delta_t是调度时间步长，一般取15分钟或1小时。放电收益乘以0.8是为了模拟放电过程中电池和逆变器的损耗，不然模型会过于乐观地鼓励V2G。
目标二：电网负荷波动最小化（削峰填谷效果）
电网侧关心的是负荷曲线平不平。常用的量化指标有两个：一是负荷曲线方差，二是峰谷差。我在项目中主要用方差的平方根（标准差）来衡量波动程度：
base_load = load_profile; % 基础负荷，24点向量 ev_total = sum(charge_matrix, 1); % 所有电动车叠加后的总充电负荷，1x24 total_load = base_load + ev_total; load_fluctuation = std(total_load); % 标准差越小，曲线越平稳用标准差有一个好处：它同时惩罚了高峰和低谷。如果所有充电负荷聚集在某一两个时段，即使负荷峰值不高，标准差也会很大，因为曲线极度不均匀。
目标三：电池循环损耗最小化
电池损耗可以用等效循环次数来量化。每次充放电都会消耗一定的循环寿命，尤其深度放电和快充会显著加速老化。简化的损耗模型：
% 基于放电深度的循环损耗模型（简化版） battery_loss = 0; for idx = 1:N_ev discharge_energy = -sum(min(solution(idx, :), 0)) * delta_t; % 总放电量 kWh capacity = ev_params(idx).capacity; % 电池容量 kWh equivalent_cycle = discharge_energy / capacity; % 等效循环次数 battery_loss = battery_loss + equivalent_cycle; end这个模型的逻辑是：放电量越多、循环次数越多，损耗越大。如果电池不参与V2G放电，这一项天然就是0，优化算法会自动倾向于让电池少放电，与目标一产生“电价套利冲动”形成对抗，Pareto前沿也因此有了丰富的形状。
2.2 约束条件处理
目标函数定好了，约束条件才是真正决定模型可解性的地方。我整理成了五组约束，每一组都在实际仿真中被验证过必要性：
| 约束类型 | 约束表达式 | 说明 |
|---|---|---|
| SOC状态约束 | SOC_min ≤ SOC(t) ≤ SOC_max | 电池电量不能超过上下限，一般取10%~90% |
| 出发前目标电量 | SOC(departure) ≥ SOC_target | 用户取车时电量必须达到设定值，这是硬约束 |
| 充电功率约束 | -P_dch_max ≤ P(t) ≤ P_ch_max | 充放电功率受充电桩和电池双重限制 |
| 变压器容量约束 | base_load(t) + EV_load(t) ≤ S_limit | 总负荷不能超过配变容量，这是安全红线 |
| 充放电互斥约束 | charge_flag(t) + discharge_flag(t) ≤ 1 | 同一时刻不能既充电又放电 |
其中“出发前目标电量”这个约束最容易被忽略，但恰恰是最重要的。如果优化算法只盯着电网削峰填谷和经济性，极有可能把某辆车的充电时间安排得很晚，导致用户早上出门时电量只有30%，违背了用户的基本出行需求。因此在约束条件里必须加入出发时间、初始SOC和目标SOC，这是模型贴近实际的基础。
实操心得：我在第一版模型里把SOC上下限设成0~100%，仿真结果出来以后发现算法总是倾向于把电池充得很满或者放得很空，虽然数学上最优，但电池实际会很快衰减。后来把下限改成10%、上限改成90%，并加了“出发时必须达到目标电量”的硬约束，结果合理了很多。做电池相关仿真，SOC上下限一定要保守，这是电池管理系统的基本安全逻辑。
2.3 削峰填谷效果的量化指标
做完优化之后，怎么判断削峰填谷做得好不好？我在项目中保留了三个评价指标，在结果分析阶段统一输出：
- 峰谷差削减率：优化前峰谷差与优化后峰谷差之差，除以优化前峰谷差，百分数越大说明削峰填谷效果越好；
- 负荷曲线标准差下降率：含义类似；
- 用户平均充电费用与无序充电时的比值。
这些指标可以作为Pareto前沿上每个解的综合评价维度。比如某个解峰谷差削减了28%，但用户费用只下降了9%，另一个解峰谷差削减了22%，用户费用却下降了17%。决策者可以根据自己的侧重点选择不同的调度策略落地。
3. 求解算法选型与Matlab实现
3.1 为什么选多目标进化算法
目标函数确定之后，面临一个求解方式的选择问题。常见的方案有三类：
第一类是加权求和法，把三个目标函数乘以权重系数后相加，变成一个单目标问题。这种方法实现最简单，但缺陷很明显：权重系数需要反复试凑，而且一次运行只能得到一个解，无法完整展现目标之间的Pareto权衡关系。我在第一版实验里用过这种方法，调试权重花费了大量时间，最终结果还经常出现某项目标被过度优化的偏科现象。
第二类是数学规划方法，比如混合整数线性规划，求解速度快、结果可证明最优，但要求目标函数和约束条件都是线性的。而电池损耗模型、SOC动态约束往往是非线性的，强行线性化不仅麻烦，还会损失精度。
第三类是多目标进化算法，典型代表就是NSGA-II（带精英策略的非支配排序遗传算法）。这类算法的优势在于一次运行可以求出一组Pareto解集，而且不要求目标函数可导或线性，非常适合处理像电动汽车调度这种包含大量离散决策变量和非线性约束的问题。
我最终选择NSGA-II作为主算法。这里补充一句：Matlab自带的全局优化工具箱里已经有gamultiobj函数实现了多目标遗传算法，底层用的就是NSGA-II的改进版本，可以直接调用；如果你希望深入修改交叉变异算子，也可以下载开源版本的NSGA-II代码，或者自己实现。这个项目里我先用gamultiobj把框架跑通，然后用自己实现的版本做了大量细节优化。
3.2 Matlab仿真框架搭建
整个仿真系统的模块划分我画在脑子里是这样的（不画图了，用文字描述）：
- 数据输入层：基础负荷曲线、分时电价、电动汽车参数（数量、电池容量、初始SOC、目标SOC、出发时间、是否参与V2G）、配变容量上限；
- 决策变量层：每辆车的24小时充放电功率序列。这里要注意决策变量的表示方式，直接影响求解效率；
- 优化求解层：调用NSGA-II或
gamultiobj，对种群进行选择、交叉、变异迭代； - 约束校验层：对每个个体做约束检查，不满足条件的个体通过罚函数淘汰；
- 结果分析层：输出Pareto前沿、调度计划甘特图、优化前后负荷曲线对比图、SOC变化曲线等。
在实际的Matlab代码组织上，我用了一个主脚本加若干函数的模式。主脚本负责数据加载、参数设置、调用求解器、绘图分析；函数文件包括objectives.m、constraints.m、generate_initial_population.m、decode_solution.m等。
有一点值得单独说：很多研究论文里把调度问题建模成一个以“天”为周期的静态规划，决策变量就是整个时间窗内的功率序列，一次性求最优。这种做法适合做场景分析，但对实时调度来说不够用。如果你的目标是把策略落地到实际运行中，需要改成“滚动优化”模式：每隔15分钟或1小时重新运行一次优化，把最新获取的负荷预测和车辆状态作为输入。我在仿真框架里同时支持这两种模式，方便对比静态与滚动优化的性能差异。
3.3 关键代码逻辑详解
先看决策变量的编码方式。假设有N_ev辆车，时间窗口是24小时、步长1小时，那么决策变量可以组织成一个N_ev × 24的矩阵，矩阵的元素表示该车在该时刻的充放电功率。但NSGA-II处理的是一个向量形式的个体，所以需要把矩阵展平成一维。这里有一个编码技巧：
% 解向量长度 = 车辆数 * 时间窗长度 n_vars = N_ev * 24; % 种群中每个个体是n_vars维向量，元素区间[-max_discharge, max_charge] lb = -max_discharge * ones(n_vars, 1); ub = max_charge * ones(n_vars, 1);在目标函数中再把一维向量还原成矩阵：
function [cost, fluctuation, battery_loss, violation] = evaluate(individual) charge_matrix = reshape(individual, N_ev, 24); % 还原为 N_ev x 24 矩阵 % 分别计算三个目标函数... end这里有个至关重要的细节：因为每辆车的规格、出发时间不同，编码区间并不是一个简单的全局[-P_max, P_max]。比如一辆电池容量40kWh的车和一辆80kWh的车，可用的最大充放电功率可能不同；一辆明天早上8点出发的车，它在凌晨2点时仍可能充电，但一辆今早7点出发的车，它在8点以后的充电功率必须是0。我在实际编码中采用了分段边界处理：
ub_matrix = zeros(N_ev, 24); for idx = 1:N_ev % 在出发时间之前允许充电，出发时间之后充电功率为0 dep_time = ev_params(idx).departure_hour; ub_matrix(idx, 1:dep_time) = ev_params(idx).max_charge; % 在出发时间之后只能放电（如果参与V2G）或保持0 ub_matrix(idx, dep_time+1:end) = 0; lb_matrix(idx, :) = -ev_params(idx).max_discharge; % 放电约束 end lb = reshape(lb_matrix, [], 1); ub = reshape(ub_matrix, [], 1);这样做的直观效果是：算法的搜索空间被大大压缩，减少了很多无意义的无效解，收敛速度显著加快。我第一次实现时没做分段边界，让算法在“车辆已经开走了还在给它充电”的荒谬解空间里盲目搜索，浪费了大量计算资源。
再看gamultiobj的调用：
options = optimoptions('gamultiobj', ... 'PopulationSize', 200, ... 'MaxGenerations', 300, ... 'ParetoFraction', 0.35, ... 'FunctionTolerance', 1e-4, ... 'ConstraintTolerance', 1e-3, ... 'Display', 'iter'); [x_final, fval_final] = gamultiobj(@multi_objective, n_vars, ... [], [], [], [], lb, ub, @constraint_func, options);关于参数设置，我在反复调试后总结出了几个要点：
PopulationSize不宜太小，100~300之间比较合理。太少了Pareto前沿覆盖不全，太多了计算时间成倍增加；MaxGenerations300代通常足够让结果收敛，但如果你发现前沿尚未铺满，可以增加到500；ParetoFraction控制精英解的保留比例，0.3~0.4是常见范围。设得过高会导致种群多样性下降，设得过低则精英解容易丢失；- 如果使用自定义的约束函数
constraint_func，注意返回值是一个向量而不是标量，gamultiobj对每个目标函数值的约束违反度进行综合处理。
自定义约束函数的一种写法：
function [c, ceq] = constraint_func(x) charge_matrix = reshape(x, N_ev, 24); c = []; % 硬约束：每辆车出发时SOC必须不低于目标SOC for idx = 1:N_ev dep_hour = ev_params(idx).departure_hour; soc_initial = ev_params(idx).initial_soc; soc_final = soc_initial + sum(charge_matrix(idx, 1:dep_hour)) * delta_t / ev_params(idx).capacity; c(end+1) = ev_params(idx).target_soc - soc_final; % <= 0 即满足 end % 硬约束：任何时刻总负荷不超过配变容量 for t = 1:24 c(end+1) = base_load(t) + sum(charge_matrix(:, t)) - capacity_limit; end ceq = []; end这段代码逻辑很直白：SOC的最终值是初始SOC加上累计充电量除以电池容量，约束目标就是让最终SOC不小于目标值；同时每个时刻的总负荷都不能突破配变上限。注意这里没有考虑SOC的动态上下限约束，如果你要更精细，需要在目标函数内部对每个中间时刻的SOC进行校验，并在违反时施加惩罚。
4. 实操过程：从数据准备到结果分析
4.1 数据准备与场景设置
数据准备是整个仿真中最无聊但最影响结果质量的一步。我的建议是：无论你用什么样的案例数据，都要保证基础负荷曲线和分时电价是“真实感”的，而不是随便一个均匀分布。均匀分布的基础负荷会让优化问题失去意义——没有峰谷差异，还削什么峰填什么谷？
我用的典型场景如下：
| 参数 | 设置值 |
|---|---|
| 车辆数 | 300辆 |
| 电池容量 | 40~80 kWh 随机分布 |
| 初始SOC | 15%~40% 随机分布 |
| 目标SOC | 90%（统一） |
| 出发时间 | 6:00~9:00 随机分布 |
| 回家时间 | 17:00~20:00 随机分布 |
| 慢充功率上限 | 7 kW |
| V2G放电功率上限 | 3.5 kW（保守策略） |
| 配变容量上限 | 4500 kW |
| 调度步长 | 1小时 |
分时电价采用典型三段式：峰时段8:00~11:00和18:00~21:00，电价1.2元/kWh；平时段6:00~8:00、11:00~18:00、21:00~23:00，电价0.7元/kWh；谷时段23:00~次日6:00，电价0.3元/kWh。这种电价结构会天然引导车辆在谷时段充电，与削峰填谷的需求方向一致，但需要算法在“所有车都挤在23点以后充电”和“基础负荷在凌晨本来就很低、再垫高会不会制造新的小峰”之间做权衡。
还有一个常被忽略的细节：车辆的时间分布。如果300辆车全部在17:00到20:00之间回家，那么即使算法把充电时间推迟到22点以后，晚高峰的V2G放电能力也会受限，因为很多车回家的路上电还没充满。我在另一组测试里把回家时间拉长到16:00~22:00随机分布，结果削峰效果明显更好。这说明车辆接入电网的时间窗口对削峰填谷潜力有决定性影响。做实际项目时，接入时间是必须调研的真实数据，不是拍脑袋给的。
4.2 仿真实验设计与参数调优
跑通第一版代码之后，我做了一组对比实验，目的是验证模型和算法的有效性。这组实验我强烈建议读者也去复现，它几乎是一个标准流程：
- 场景A：无序充电（基准场景），即所有车辆回家即充，无调度；
- 场景B：仅“谷时段充电”规则调度，即所有车辆只能在23:00后充电，不做优化；
- 场景C：单目标优化（只优化用户费用）；
- 场景D：多目标优化（本文方案）。
四个场景对比之后，结果大致是这样的：无序充电场景下负荷峰谷差最大，配变容量在晚高峰严重越限；谷时段充电规则能有效削减晚高峰负荷，但凌晨会出现一个新负荷小峰，等于把问题转移了；单目标优化下用户费用最低，但负荷波动依旧较大；多目标优化则可以合理平衡各项指标，用户费用与无序充电相比下降约20%，峰谷差削减率约25%，且没有出现凌晨新峰。
这个对比实验说明一个重要的观点：削峰填谷不是简单地把充电时间推迟到谷时段，而是在电价、电网负荷和用户需求之间寻找一个动态平衡点。所谓“多目标”，就是在这些互相矛盾的力量之间找到Pareto最优的折中方案。
参数调优方面，我总结一下gamultiobj调参的经验：
- 种群规模对结果质量的影响最显著。从50涨到200，Pareto前沿的分布质量明显改善；但从200涨到400，改善幅度很小，计算时间却翻倍；
- 变异率默认值通常可以接受，如果发现结果早熟收敛（Pareto前沿集中在很小的区域），可以把变异率上调一点，也可以缩小交叉率；
- 约束罚函数相关容差参数
ConstraintTolerance对运行速度有影响，太严格会导致大量时间花在筛选可行解上。实际使用1e-3到1e-4就够了。
经验：如果你的结果Pareto前沿是一团乱麻而不是一条漂亮的曲线，最常见的两个原因是：约束条件自相矛盾导致可行域非常狭窄；或者决策变量编码边界设置不合理，算法大量时间在无效空间游荡。先用单目标优化检查每个目标单独可达到的最优值，确认每个维度都有合理的解，再跑多目标，排错效率会高很多。
4.3 结果可视化与图表输出
做完优化之后，默认的输出只是一堆数值，必须通过可视化才能看出策略的优劣。我在结果分析模块里固定输出几张图（用Matlab的plot、bar、scatter完成），这几张图也方便写文章时直接作为配图使用。
第一张是“优化前后负荷曲线对比图”。横轴是24小时，纵轴是负荷功率，画三条曲线：基础负荷曲线、无序充电总负荷曲线、优化调度后总负荷曲线。这张图最直观地说明削峰填谷的效果——优化后的总负荷曲线应该比无序充电的曲线更加平缓，晚高峰被削掉一块，凌晨低谷被垫高一块。
第二张是“Pareto前沿散点图”。因为三个目标，我通常画两两组合的散点图：横轴用户费用、纵轴负荷波动；或者横轴负荷波动、纵轴电池损耗。每个点代表一个非支配解。这张图能清楚看出目标之间的权衡关系。如果前沿是下凸曲线上布满点，说明算法效果不错；如果点稀疏或者分布不均匀，说明种群多样性不足，需要调整参数。
第三张是“部分车辆的调度计划甘特图”。横轴是24小时，纵轴是车辆编号，每个色块表示该车在某时刻充电（红色）或放电（蓝色）。这张图对分析单个车辆的行为规律很有帮助。比如你可以看到，算法倾向于让回家早、目标SOC设定高的车辆先充电，回家晚、可调度时间短的车辆则压缩充电时间窗；参与V2G放电的车辆，放电脉冲往往出现在19点到21点的最高电价时段。
还有一个我在项目中发现的规律：如果你允许V2G，算法给出的典型策略是“晚高峰放电、深夜低谷再充电补足”。表面上看这增加了电池循环次数，但因为放电量通常不大，且放电时段电价收益可观，用户在费用目标上可以获益。这个规律和真实车网互动试点项目的经验是一致的。
5. 常见问题与排查技巧实录
5.1 优化结果不收敛或前沿分布不均匀
这是我在调试中遇到最多的一类问题，症状是Pareto前沿上的点要么挤在一小块区域，要么干脆是一团杂乱无章的散点，看不出清晰的权衡曲线。排查时我从以下几个角度入手：
- 检查种群初始化。如果初始种群里的个体全部集中在一片区域（比如都是全零向量附近），算法很难在有限的代数内探索到更广阔的可行域。解决方法是让初始种群在解空间内尽量均匀随机分布，或者用“基于规则”的启发式初始化：一部分个体是谷时段充电方案，一部分是随电价低价充电方案，一部分是保持SOC稳定方案，这样种群多样性会大幅提升；
- 检查目标函数方向。
gamultiobj默认是最小化目标，如果你的代码把目标函数值取负数表示最大化，要确认所有目标方向一致，否则算法会发生混乱。我调试时花了不少时间在这个看似不起眼的问题上； - 检查约束条件是否过紧。如果可行域几乎不存在，算法很难找到大量分布均匀的解。一个快速自检方法是：把约束条件逐一注释掉，跑一次看结果是否合理，再逐步加回去，定位到究竟是哪个约束在“卡脖子”。
如果排查后仍然不行，可以考虑更换算法。Maple里做一些研究时，差分进化算法、多目标粒子群优化（MOPSO）在电动汽车调度问题上也有不错的表现。我个人的经验是：问题规模不大时，NSGA-II效果很好；如果决策变量维度极高（比如上千辆车），MOPSO在计算效率上有时更有优势。
5.2 计算结果违反基本物理约束
一个典型的“错误成功”现象：优化结果很好看，负荷曲线平坦、费用很低，但放大看单辆车的SOC曲线，发现它有时候超过100%、有时候跌到负值；或者某辆车明明已经出发了，SOC还在被调度指令改变。这类问题的根源是对约束条件的校验不够完整。
我在第一版代码里就踩过这个坑：目标函数里只约束了“出发时刻的目标SOC”，但没有对SOC的中间过程做动态限制，算法算出了一些“先放电放到0再充到90%”的方案，虽然最终状态正确，但中间过程在物理上完全不可行。修复方法是把SOC动态约束整合进目标函数的计算流程，在每个时刻都检查SOC是否处于可行区间：
soc = initial_soc; infeasible = false; for t = 1:24 soc = soc + charge_matrix(idx, t) * delta_t / capacity; if soc < 0.1 || soc > 0.9 infeasible = true; break; end end if infeasible % 直接返回一个大惩罚值 cost = 1e6; load_fluctuation = 1e6; battery_loss = 1e6; violation = 1e6; return; end这种“返回大惩罚值”的做法在工程仿真中很实用，虽然牺牲了部分光滑性，但能够有效地把无效解淘汰掉。如果你使用gamultiobj，还可以把这类动态校验写在constraint_func里返回，但要注意计算量——每代200个个体、每个个体24个时间步、300辆车，动态校验的计算量会显著增加。我的建议是先用惩罚值方式快速跑通，再针对性能瓶颈做优化。
5.3 计算速度优化技巧
随着车辆数量增加，决策变量线性增长，NSGA-II每一代的计算量也在同步增长。300辆车、24小时步长，决策变量就是7200个，遗传算法的每一代都要评估200个个体，每个个体都要遍历300×24的矩阵，计算量不小。我实测下来，单次完整优化可能需要几分钟到十几分钟。
优化的方向无非两类：减少计算量和并行化。减少计算量方面，一个很有效的手段是矩阵化计算，尽量避免在目标函数里写循环。Matlab的向量化操作能带来数量级的提升。比如计算总负荷曲线，可以写：
ev_total = sum(charge_matrix, 1); % 一次矩阵求和代替循环而不是：
ev_total = zeros(1, 24); for t = 1:24 for i = 1:N_ev ev_total(t) = ev_total(t) + charge_matrix(i, t); end end并行化方面，gamultiobj自带支持并行计算，设置options = optimoptions('gamultiobj', 'UseParallel', true)就能在评估种群时代价函数的并行计算。如果目标函数内部有复杂的循环，还可以用parfor手动并行化单辆车的SOC计算。实测下来，四核机器上并行化能省下一半左右的时间。
还有一个更取巧的方法：降低时间分辨率。如果只是做策略验证，把24小时步长改为1小时足够，但如果做精细化调度，可以改用15分钟步长，此时决策变量数量翻四倍，计算时间可能涨一个数量级。建议仿真阶段先用1小时步长调通模型，再考虑更细的时间粒度。
5.4 权重系数选择中的常见误区
有些人用加权求和法做多目标时，会盲目地给每个目标设0.4、0.3、0.3这样的权重。问题是这样设的权重完全没有物理含义，而且不同目标的量纲差异巨大：用户费用可能是几百元，负荷波动可能是几十千瓦，电池损耗可能是零点几等效循环，简单加权后，数值大的目标会完全主导优化方向。哪怕换成标准化归一化，权重的选择也带有很强的主观性，不同的权重组合可能需要调很多轮才能得到符合预期的结果。
所以我建议：如果能用真正的多目标算法就不要用加权法；如果非用不可，至少先做一次Pareto前沿的预计算，看看目标之间真实的权衡关系，再回头选择有物理含义的权重。否则很容易出现“最后选出的解在某个目标上严重偏科”的尴尬局面。
5.5 无序充电与多目标方案的对照实验设计
在项目汇报和论文撰写时，对照实验的设计直接决定结论的说服力。我的建议是至少包含以下四个场景：
| 场景 | 描述 | 作用 |
|---|---|---|
| 无序充电基准 | 车辆回家即充，无任何调度 | 给出“不做事”的下限 |
| 峰谷分时电价引导 | 仅靠电价差引导用户自觉错峰 | 评估市场手段效果 |
| 单目标费用优化 | 只优化用户费用 | 展示目标冲突的极端情况 |
| 多目标Pareto优化 | 本文方案 | 展示综合权衡效果 |
这组对照做完之后会发现一个有意思的现象：峰谷分时电价引导虽然操作简单，但因为用户对电价的响应程度有限，实际削峰效果低于主动调度；而多目标优化方案相当于在用户自觉错峰的基础上加上了系统层的主动控制，效果最好。这个结论也让整个研究有了清晰的落脚点：削峰填谷不是靠电价信号“喊”出来的，需要可执行的调度策略去落地。
个人实践经验总结
把这个项目从头到尾做下来，我的体会是：找到一套能跑的代码不难，难的是把每一层逻辑都想清楚。扣掉全部的Matlab语法，真正的核心其实只有三个点：目标函数的物理意义是否准确，约束条件是否符合实际，决策变量编码是否让优化算法能够高效搜索。三个点都想通了，换算法、换数据、换场景都是顺理成章的事。
最后再分享一个小技巧：做电动汽车调度的仿真，一定要把“无序充电”作为基准场景永远保留在代码框架里。每次修改模型或算法之后，都先跑一遍无序充电结果，确认数据没被改坏，再跑优化算法。这个小习惯帮我节省了无数次因为数据错误导致结果全盘报废的返工时间。调度策略做得好不好，永远要和基准场景做对比才有说服力，这也是削峰填谷研究中验证效果的基本方法论。
