企业官网建设流程全解析

1. 从水火互补到联合调度：为什么这个问题绕不开多目标

搞电力系统优化的人应该都有体会，单就“梯级水电调度”或者“火电经济调度”单独拿出来做，都已经发展出了非常成熟的方法体系。真正让人头疼的是把两者硬塞进同一个模型，再加上梯级上下游的水力耦合关系，这时候问题性质完全变了。

梯级水电和火电联合调度的核心矛盾在于两个力：一个是“时间上的耦合”，上游电站出多少水，直接决定了下游电站未来几天的可用水头；另一个是“目标上的拉扯”，水电运行成本低、清洁，但出力受来水限制，枯水期调度员只能靠火电顶上。单纯追求“发电成本最低”，结果往往是水电满发、火电频繁启停调峰，碳排放和煤耗反而恶化。单纯追求“污染最小”，又可能让火电长时间压低出力，系统可靠性受影响。这种问题天然就是多目标的，甚至目标之间是严格冲突的。

我这次做的是基于NSGA-Ⅲ算法，把梯级水电群和火电机组联合起来做多目标调度，目标函数选了三个：系统总煤耗成本、污染物排放量（CO₂折算）、以及梯级水电的振动区越限惩罚（后来发现这个惩罚项加得太有效了）。决策变量包括各水电站在调度期内每个时段的发电流量、出库流量，以及每台火电机组在每个时段的出力计划。优化周期是典型日96点，时间粒度15分钟，整个可行域的搜索空间非常庞大。

这篇内容适合三类人看：一是刚开始做电力系统环保经济调度，对NSGA-Ⅲ只听过名字没实际用过；二是在校学生，拿这个方向做毕业设计的，可以直接参考建模和完整代码链路；三是已经在用NSGA-Ⅱ或者NSGA-Ⅲ做别的多目标问题，想看看电力系统场景下的约束处理怎么做的，也能有点收获。

接下来我把整个建模过程、算法改进思路、Matlab实现细节，以及实测踩坑的排查链路全部摊开讲，代码和调试经验都会提到。

2. 数学化拆解：梯级水电与火电的模型究竟长什么样

先说结论：这个模型真正复杂的不是目标函数，而是约束。目标函数就是几个加权可叠加的式子，但约束条件里既有等式约束、也有不等式约束，还有跨时段耦合的动态约束，任何一个处理不好，算法跑出来的所谓“最优解”其实根本不可行。

2.1 目标函数：三个代价放进一个框架

第一个目标，系统总煤耗成本：

[ f_1 = \sum_{t=1}^{T} \sum_{i=1}^{N_g} \left( a_i P_{i,t}^2 + b_i P_{i,t} + c_i \right) ]

这个就是火电机组经典二次煤耗特性曲线，系数 (a_i,b_i,c_i) 从厂级热力试验报告里拿。我这里压的是二次项系数，让大出力时的边际煤耗增长更明显。

第二个目标，碳排放量折算：

[ f_2 = \sum_{t=1}^{T} \sum_{i=1}^{N_g} e_i \cdot P_{i,t} \cdot \Delta t ]

单位时段碳排放强度，我按机组燃料类型分成燃煤和燃气两组系数。严格讲碳排放应该跟煤耗量走而不是跟出力走，但工程简化里按出力和强度的线性折算完全够用，调度员也习惯看这种口径。

第三个目标，水电振动区越限惩罚。水电机组在特定出力区间内运行时振动剧烈，工程上叫“振动区”，一般划分成几个禁入区间。惩罚项写成：

[ f_3 = \sum_{t=1}^{T} \sum_{j=1}^{N_h} \sum_{k=1}^{K} \max\left(0, |P_{j,t} - P_{vib,k}^{center}| - \Delta_k \right) ]

含义是水电出力偏离各振动区中心越远越“安全”，越靠近振动区就惩罚。这个目标一开始我加进去的时候觉得多余，后来跟水电站的老师交流，他们说振动区限制在常规调度里是硬约束，但硬约束在这类元启发式算法里非常容易造成解不可行率飙升，改成软目标反而让算法更容易探索。

三个目标方向不一致：f₁和f₂高度正相关（火电发得越多，煤耗和排放同时涨），但它们跟f₃的逻辑不完全一样——水电出力改变振动区偏离值时，火电也跟着改变。这就是典型的多目标帕累托关系。

2.2 梯级水电约束：上下游串着算才有意义

梯级水电模型不是把N个电站各自建模再拼起来，真正的难点在它们之间的水量联系。

水量平衡方程：

[ V_{j,t+1} = V_{j,t} + \left( I_{j,t} + Q^{out}{j-1,t} - Q^{out}{j,t} \right) \cdot \Delta t ]

每个电站的库容变化，取决于天然来水、上游出库、自身出库。这里要注意，上游电站的出库要经过一个时滞才到下游，滞时用整数倍时段表示，我在代码里加了一个0到4个时段滞时的枚举。

出库流量拆成发电流量和弃水流量：

[ Q^{out}{j,t} = Q^{spill}{j,t} + Q^{power}_{j,t} ]

发电流量和出力之间通过水头—流量—出力曲线关联：

[ P_{j,t} = \eta_j \cdot \rho \cdot g \cdot Q^{power}{j,t} \cdot H{j,t} ]

水头又不是恒定的，它跟库水位和尾水位有关，而库水位是库容的非线性函数。所以这块是梯级水电建模的重头戏，实际项目里不是用解析公式，而是用电站给出的水位—库容曲线、尾水位—流量曲线的离散点表，在Matlab里用数据插值来做。

约束还包括：库容上下限、发电流量上下限、出库流量上下限、出力上下限、水位变幅限制。这里容易忽略的两个约束——库容平滑性约束和末库容约束。末库容不设约束的话，算法会把水全放光来压低成本，下一周期就废了。

2.3 火电约束：爬坡和最小启停才是硬骨头

火电部分比水电简单，但麻烦在动态约束：

[ P_i^{min} \le P_{i,t} \le P_i^{max} ]

[ -R_i^{down} \le P_{i,t} - P_{i,t-1} \le R_i^{up} ]

[ (T_{i,t}^{on} - T_i^{on,min})(T_{i,t-1}^{on} - T_i^{on,min}) \ge 0 ]

前两个是出力范围约束、爬坡约束。但第三个最小连续运行/停机时间约束，在元启发式算法里处理起来很难受——它是整数结构，带布尔性质的逻辑条件。如果决策变量直接设成火电出力连续值，这个约束根本不存在；只有当你把“开停机状态”作为决策变量，这个约束才会冒出来。我做的是简化版本：默认所有火电机组调度周期内都开机，不做启停优化，启停留给调度员根据Pareto解人工判断。这个取舍放在后面的经验章节详细说。

表：梯级水电与火电约束对比

2.4 耦合变量怎么协调：潮流外环假设

梯级水电和火电通过什么耦合？一个是系统功率平衡：

[ \sum_{i=1}^{N_g} P_{i,t} + \sum_{j=1}^{N_h} P_{j,t} = P_{L,t} ]

这个等式约束把所有机组的出力全部串起来。但我这里没有做完整的交流潮流，负荷分层假设忽略网损，属于典型的“功率平衡外环、机组组合内层”的调度简化形式。实际做的时候可以加一个网损系数 (\lambda = 1.03) 左右放大一下负荷，结果会稳妥很多。

决策变量的编码设计了两种思路对比：一种是把水电发电流量和火电出力都作为独立决策变量，最后用功率平衡约束去修正；另一种是水电先出计划，火电作为平衡机拾取剩余负荷。我实测跟踪下来后面这种更容易收敛，因为等式约束不再依赖罚函数，而是直接通过构造满足。代码细节下一章展开。

3. 选型理由：NSGA-Ⅲ比NSGA-Ⅱ强在哪，又牺牲了什么

很多人一上来就问为什么不直接上NSGA-Ⅱ，或者用粒子群多目标（MOPSO）。我的回答是：这个问题的目标数只有三个，NSGA-Ⅱ在三维目标空间里表现其实还凑合，但它的拥挤距离机制在三维及以上时出了名的差——所谓“维度灾难”在Pareto非支配排序里不是玄学，而是真实存在的失效现象。

NSGA-Ⅲ的核心改进在于，把NSGA-Ⅱ里的拥挤距离换成了参考点机制。通俗解释一下：NSGA-Ⅱ为了让解集分布均匀，用“解之间的距离越远越好”作为选择标准；NSGA-Ⅲ则是在目标空间里预先铺一层参考点，把每个个体向参考点做归并，优先保留那些“周围没人但离参考点最近”的个体。前者是让解互相距离远，后者是让解靠近理想分布的参考点。

打个比方：NSGA-Ⅱ像是在空旷的停车场里让车尽量彼此离得远，最后车门怎么开都宽敞；NSGA-Ⅲ是提前画好了停车位，引导每辆车停到指定的格子。三维目标空间里，“空旷感”很难量化，但“画格子”只要参考点铺得够密，分布均匀性就有保障。

参考点生成用的是Das-Dennis方法，在归一化超平面上用等分方式铺点。三目标问题，如果每个维度分成 (p = 4) 段，参考点数量是 (C_{3+4-1}^{4} = C_6^4 = 15) 个；分成 (p=12) 段，算一下 (\frac{14 \times 13}{2} = 91) 个。参考点均匀分布在单纯形上，算法每代选择时先把解和参考点关联，再按小生境计数来挑解。

NSGA-Ⅲ的代价也明显——每代的关联操作、小生境计算、归一化处理，计算量比NSGA-Ⅱ的拥挤距离高一个量级。种群规模500，目标数3，参考点数100，每代做关联的复杂度是 (O(N \cdot M \cdot |R|))，实测跑2000代，一台普通台式机大概需要20到40分钟，看你决策变量个数和约束评估的复杂度。这个时间可以接受，但如果要在线滚动调度，就必须做加速了。

还有一点要提醒：NSGA-Ⅲ默认是针对无约束问题设计的。加入约束之后，必须自己写约束处理策略，这是整个实现里最容易翻车的地方。后面核心代码链路我会仔细说。

4. Matlab实现主框架：从参考点生成到约束处理的完整代码链路

Matlab生态里没有现成的NSGA-Ⅲ官方工具箱（全局优化工具箱的 gamultiobj 是NSGA-Ⅱ变体），所以整个算法要自己实现。好处是每个环节都看得见摸得着，调参时有底；坏处是一开始代码量就三百行往上。我这里给一个可以直接往下改的框架。

4.1 数据结构设计和种群初始化

我的代码按“个体是struct”组织，不建议用数组套数组，否则解变了调试起来痛苦。

% 个体结构体 individual.chrom % 1×(N_var) 实数编码决策变量 individual.obj % 1×M 目标函数值 individual.cv % 1×1 总约束违反量 individual.CP % 1×M 每个目标到参考点的距离权重 individual.rnd % 关联参考点索引 % 种群结构体 pop(1:N).chrom pop(1:N).obj pop(1:N).cv

种群初始化要特别小心可行域。直接用rand生成随机数，一批解大概率违反约束几十条，后面罚函数一算，整批的cv都是几百，算法前期全在“挣扎出可行域”上浪费代际。

我的做法：水电发电流量在上下限区间内均匀取随机数，但弃水流量初始化为0，这样至少水量平衡不会炸得太离谱；火电出力则在上下限和爬坡约束的交集区间里初始化，先对所有时段按可行域连线法分部取值，再检查爬坡约束。

4.2 约束处理：罚函数 + 可行性优先的双层策略

约束处理是NSGA-Ⅲ落地的关键。这里我用的是“约束支配 + 罚函数”双层策略。

约束支配规则改写了比较器：

% 约束支配判断 % 两个个体a、b比较 if a.cv < eps && b.cv < eps % 都可行，正常Pareto支配 elseif a.cv < eps % a可行，b不可行，a赢 elseif b.cv < eps % b可行，b赢 else % 都不可行，cv小者赢，即罚函数效果 end

这个规则的本质是：任何可行解都优于任何不可行解，但两个不可行解之间比较违反量大小。它跟NSGA-Ⅲ结合很简单——在选择算子那里，所有个体先按约束支配关系排序，而非支配排序层级只在同层可行解之间做。

思路是让约束处理“柔和”一些：早期代际允许少数违反量小的个体进入下一代，避免种群过早全部挤在少量可行解附近导致多样性丢失。具体实现如下：

% 在environment selection时 sat = 0.95; % 前95%直接按约束支配排，后5%保留部分轻违者

这个5%的弹性空间帮我解决了初始可行解太少的问题。

4.3 参考点生成与归一化

Das-Dennis参考点生成的Matlab实现：

function [ref_points] = generate_reference_points(M, p) % M: 目标维数 % p: 每维等分数 ref_points = nchoosek((0:M+p-1), M-1); ref_points = ref_points - repmat((0:M-2), size(ref_points,1), 1) - 1; ref_points = ref_points / p; end

实测三目标、p=10，参考点数量是 (C_{12}^{2} = 66) 个，覆盖密度就比较理想。p太小，Pareto前沿中部可能出现空洞；p太大，参考点数量增长很快，选择压力摊薄导致收敛变慢。具体用哪个p，取决于你的种群规模和计算资源。

归一化处理也很容易写错。每代先把个体目标值和理想点（各目标最小值）做差，然后用极值点做切面归一化，把不同量纲的目标（煤耗几百吨、碳排放几千吨、振动惩罚几百）统一到同一个尺度。

% 极值点法归一化 [fn, ~] = normalize_objectives(pop_objs, ideal_point);

目标间量纲差距大的问题，这里如果偷懒用 min-max 归一化，三目标各维度的分布会被极端离群值拉偏，参考点关联直接就废了。实测必须用极值点法，注意所有维度目标值要先做正方向处理。

4.4 交叉与变异：实数编码下的SBX和多项式变异

NSGA-Ⅲ官方推荐的就是模拟二进制交叉（SBX）和多项式变异（PM）。电力系统调度问题里决策变量是连续量（发电流量、火电出力），用这个天作之合。

%% SBX交叉 function [c1, c2] = sbx_crossover(p1, p2, eta_c, lb, ub) u = rand(size(p1)); beta = zeros(size(p1)); idx = u <= 0.5; beta(idx) = (2*u(idx)).^(1/(eta_c+1)); beta(~idx) = (1/(2*(1-u(~idx)))).^(1/(eta_c+1)); c1 = 0.5*((1-beta).*p1 + (1+beta).*p2); c2 = 0.5*((1+beta).*p1 + (1-beta).*p2); % 越界处理 c1 = min(max(c1, lb), ub); c2 = min(max(c2, lb), ub); end %% 多项式变异 function [c] = polynomial_mutation(x, eta_m, lb, ub) u = rand(size(x)); delta = zeros(size(x)); idx = u < 0.5; delta(idx) = (2*u(idx)).^(1/(eta_m+1)) - 1; delta(~idx) = 1 - (2*(1-u(~idx))).^(1/(eta_m+1)); c = x + delta .* (ub - lb); c = min(max(c, lb), ub); end

这里有一个从实践里挖出来的调整经验。SBX的分布指数 (\eta_c) 建议取15到20，太小交叉产生的子代离父代太远，水电的时序约束容易崩；太大交叉变成近亲繁殖，收敛极慢。多项式变异 (\eta_m) 取20左右，变异概率0.1左右。这套参数在多个测试算例上都很稳。

4.5 主循环与算法参数配置

整个主流程走下来是：

%% NSGA-III主循环骨架 for gen = 1:max_gen % 1. 生成子代种群（SBX + PM） offspring = generate_offspring(pop, eta_c, eta_m); % 2. 评估子代（目标函数 + 约束） for i = 1:N offspring(i).obj = evaluate_objective(offspring(i).chrom); offspring(i).cv = evaluate_constraint_violation(offspring(i).chrom); end % 3. 合并父代子代 combined = [pop, offspring]; % 4. 归一化目标空间 [normalized, zmin] = normalize_objectives([combined.obj]); % 5. 关联参考点 associate_to_reference(normalized); % 6. 环境选择（保留N个个体） pop = environmental_selection(combined, ref_points, N); end

规模参数上，种群 N=300，参考点数66，最大迭代2000代，SBX分布指数15，变异指数20，交叉率0.9，变异率0.1。整个运行在我的机器上（i5 + 16GB内存）单场景约25分钟。如果做8个来水场景的鲁棒性分析，建议先做一个场景调通参数再并行，别一来就开parfor。

5. 案例实测：Pareto前沿长什么样，调度员该怎么看这张图

5.1 测试系统构造

梯级水电部分我模拟了典型的“三库四级”流域：上游龙头水库（多年调节）、中间两级日调节电站、下游一个径流式电站。龙头水库库容大，可以跨日调蓄；中间电站调节能力弱，主要负责跟随上游出库；径流式电站根本没调节能力，上游放多少水就发多少电。这个结构在水电系统里非常典型，上下游协调的特性拉得很明显。

火电部分配置了3台机组：1台600MW亚临界（高煤耗高排放），1台350MW超临界（中等指标），1台100MW的燃气轮机（低排放但燃料成本高）。负荷曲线采用典型夏季工作日曲线，最大负荷2200MW，最低负荷1400MW。

这个组合的巧妙之处在于：燃气轮机虽然单位碳排放低，但燃料成本高，所以在“成本优先”和“排放优先”两个极端解里，它会有完全不同的角色定位——前者几乎不发电，后者满发代替一部分燃煤机组。

5.2 最终Pareto前沿分布

跑了2000代之后，把最终的Pareto前沿在三维目标空间里画出来，用三目标散点图加颜色映射的方式展示。实测得到的Pareto前沿在三目标空间里不是规整的曲面，而是呈一条明显的拱形带状结构。直观解读是：f₁煤耗成本和f₂排放量高度正相关，所以投影到f₁-f₂平面时，前沿几乎是一条单调下降的曲线——这符合物理直觉。真正有意思的是f₃振动惩罚在其中的角色：它像一道“墙”把前沿切去了一角，那些水电出力长期贴着振动区边界的“伪优解”全被挡掉了。

调度员拿到这样一张图，能做三件事：

• 看两端极值解：左端是“成本最低解”，右端是“排放最低解”，中间是权衡解；
• 看前沿的曲率变化：弯折明显的区域意味着微小牺牲某目标，能大力改善另一个目标，这种区域的解往往最实用；
• 结合来水预报挑份额：如果前端几天的来水偏枯，就应该在Pareto前沿偏向左端的区域选解。

5.3 96点调度曲线回放

把其中一个折中解（煤耗成本和碳排放都往中间压，振动惩罚较小的那个解）的96点出力曲线拉出来，能看到非常清晰的水火互补规律：

• 夜间负荷低谷，火电压到最小技术出力附近，水电配合压出力甚至轻微弃水保持下游生态流量；
• 早晚高峰段，龙头水库开大出库，中间电站跟着调节，径流式电站满发；
• 火电则沿着爬坡速率上限往上顶，等水电调蓄能力释放完毕，再逐步回降。

关键在于梯级协调的细节：龙头水库的出库计划并不仅仅是“按需放水”，它其实给中间电站预留了调节空间。中间电站的库容小，如果龙头水库放水太陡，中间电站来不及调节就得弃水。NSGA-Ⅲ搜出来的解里，龙头水库出库曲线呈阶梯状，每级阶梯持续时间不小于2个小时，这就是隐式满足了下游调节能力约束。这种规律单靠手工制定运行图很难预判，但算法在没有显式加约束的情况下，靠罚函数压力自己摸出来了。

5.4 和NSGA-Ⅱ的对比结果

我在完全相同的测试系统上，用Matlab自带的gamultiobj（NSGA-Ⅱ变种）和自实现NSGA-Ⅲ分别跑了5次，统计IGD指标（Inverted Generational Distance）和HV指标（Hypervolume）：

NSGA-Ⅲ的Pareto前沿明显更贴近真实的理想前沿，解的分布也更均匀。代价就是时间多了约25%。对于一次离线研究完全值，但如果要做在线调度，那必须考虑降采样或者并行化。

6. 我踩过的坑与参数调优经验

6.1 约束目标化：为什么振动区不能用硬罚

第一版实现里，振动区我用的硬性约束，任何水电出力落在振动区直接判为不可行。结果就是种群里的可行解比例长期低于10%，NSGA-Ⅲ的参考点关联基本失效——没有任何参考点附近有可行解可选。

后来改成目标化的处理方式：振动区不再是一票否决的硬约束，而是转换成“偏离振动区中心的程度”作为一个软目标。这个改动的本质是松弛可行域，让算法先把解搜开，再靠多目标选择压力把解往振动区外面推。

类似的还有生态流量约束，也不建议做成整天一票否决的硬约束。把最小生态流量作为弃水侧的下界，如果发电流量满足不了，就通过弃水补上。等式约束加罚函数问题很大，但等式约束如果通过构造天然满足，就根本不算是约束了。

6.2 等式约束矛盾处理：功率平衡为什么要留松弛

系统功率平衡的等式约束是另一个大坑。最开始的实现是严格等式紧凑处理，即分配负荷之和恰好等于负荷曲线，可实际搜索出的水电计划总是在有些时刻多几十兆瓦。硬罚之后，一部分好的调度解直接被判不可行，这对探索非常不利。

我最终的方案是给功率平衡加了正负松弛量：允许总出力略高于负荷，把超额部分当作抽水蓄能或虚拟储能吸收；允许略低于负荷，当作备用容量不足惩罚。这个松弛量随着迭代过程逐步缩小，从±5%缩到±1.5%。这种“退火式”的罚函数，在过渡代帮助算法保持可行解比例，在后期保证收敛精度。

6.3 主循环中的“隐性bug”：参考点关联用错了归一化基

这个坑特别隐蔽，排查了很久。associate_to_reference函数里，如果每代都用新的动态ideal point做归一化，那么不同代际之间的参考点空间基准不一致，同一参考点的“位置”每代在漂移，环境选择的稳定性会显著变差。最终结果就是跑了800代之后Pareto前沿还在“飘”，曲线来回抖动不收敛。

正确做法是每10代更新一次ideal point，或者在整个运行过程中锁定某个已知的“理论理想点”（或从历史Pareto解集中取各目标的最小值）。我改完这个之后，收敛曲线立刻稳定了。这个小的细节，一般教程里根本不会讲，但影响特别大。

6.4 火电启停要不要放进优化

标题里的“机组组合”其实就是启停决策加出力分配的组合爆炸问题。NSGA-Ⅲ能处理整数决策变量，但我实测做完全模型（整数启停 + 连续出力 + 水电连续调度），约束违反量的来源一下子多了很多。最小启停时间这个逻辑约束，对元启发式算法来说是天然不友好的结构，因为它很难用罚函数平滑地表达。

我的建议是：如果你不是专门做机组组合算法对比的，第一版别把火电启停当作决策变量。把机组一直作为开机状态，只优化水电出力和火电出力分配，这样问题变成了纯连续优化，NSGA-Ⅲ的擅长区。算完之后，再对候选Pareto解做“事后启停校正”——看到某个时段低负荷只有一台小火电在开、其他机组全压着最低出力，那就手动判断一下是不是可以直接停掉这台。这个策略在工程上是常见打法，省掉了大量无谓的算法复杂性。

6.5 参数敏感性：默认值不一定适合你

参考点划分p和种群规模N是有内部关系的。Das-Dennis参考点数量必须和种群规模匹配，一般要求N至少是参考点数的1到2倍。比如p=10给66个参考点，N取150到300都成立。如果你换了目标数（比如加了购电成本变成四目标），p的选取原则也要重新审视——四目标下p=10会给出上千个参考点，那时N必须相应调到2000以上，计算量直接爆炸。所以多目标数量不是随便加的，每加一个目标，计算代价翻着倍涨，三目标往往是性价比上限。

变异率0.1搭配SBX分布指数15这套参数，在三个不同来水场景下测过稳定性都还行。但如果你把决策变量的编码方式从“水电先计划、火电平衡”改成“所有机组同时出”，那参数可能就不适配了，建议先跑500代看分布，再决定要不要调。

6.6 结果验证的最后一公里

算法跑完之后，就算你说解是可用的，它分析一下调度方案的合理性。我的验证方式是：把最优折中解的96点曲线，按照水量平衡方程逐时段回代检验，写一个独立于优化程序的合法校验函数，检查每一时刻水库水位是否越界、有没有机械地超发、火电爬坡速度超没超速。这个校验和优化内嵌的约束评估要完全隔离，防止同一个bug在评估和验证中重复出现。

校验通过之后才算完。很多研究生初级阶段只跑完算法看到好看的Pareto图就结束了，忽略了最后的物理可行性检查，最后论文送审被专家一问就问倒。多问一句“你这个解水量平衡回代了没有”，基本就能挡住大半不严谨的工作。

最后说一下整体感受。NSGA-Ⅲ加梯级水火联合调度，确实是“进可攻退可守”的组合——算法本身足够前沿，工程场景又足够复杂，写出来内容扎实且可复现。但这套东西的复杂度也在模型设计上：我一多半的调试时间都花在约束处理和参数适配，真正调算法结构的时间反而不多。新入门的同学建议按这篇文章的顺序走：先建好水电和火电的详细模型，再实现NSGA-Ⅲ框架，最后再谈目标和约束的权衡。顺序反了，后面每一步都要回头返工。