3. 多目标优化调度数学基础

储能多目标优化调度的核心矛盾在于：同一个储能系统，既要降低购电成本，又要减少弃风弃光，还要抑制功率波动、延长电池寿命。这些目标往往互相冲突——多充电可以多消纳新能源，却可能抬高电价高峰期的购电成本；频繁充放可以平抑波动，却加速容量衰减。因此，必须先把"多目标"这件事用数学语言说清楚，才能谈求解与决策。

3.1 多目标优化问题的数学描述

一个标准的多目标优化问题（Multi-Objective Optimization Problem, MOOP）可写成如下形式：

min  F(x) = [f₁(x), f₂(x), …, f_m(x)]ᵀ
s.t. g_i(x) ≤ 0,  i = 1, 2, …, p
     h_j(x) = 0,  j = 1, 2, …, q
     x ∈ X ⊆ Rⁿ

其中 x 是决策变量向量，在储能调度中通常包括各时段充放电功率 P_ch(t)、P_dis(t)、荷电状态 SOC(t) 以及并网交换功率等；F(x) 是由 m 个目标函数组成的目标向量；g 与 h 分别是不等式与等式约束，例如功率平衡、SOC 上下限、充放电互斥、变压器容量限制等；X 是可行域。

与单目标优化不同，这里的"min"不是对某个标量取最小，而是要求目标向量在某种意义下尽可能"好"。由于各目标量纲不同（元、kWh、kW、次），直接比较没有意义，这正是后文归一化要解决的问题。

3.2 支配关系与 Pareto 最优解

判断两个解谁更优，靠的是支配关系（Dominance）。设 x₁、x₂ 为两个可行解，若满足：

• 对所有目标 k，都有 f_k(x₁) ≤ f_k(x₂)；
• 至少存在一个目标 l，使 f_l(x₁) < f_l(x₂)；

则称 x₁ 支配 x₂，记作 x₁ ≺ x₂。直观理解：x₁ 在所有目标上都不比 x₂ 差，且至少在一个目标上严格更好。若两个解互不支配，则它们各有取舍，无法简单判定优劣。

若一个可行解 x* 不被任何其他可行解支配，则称其为 Pareto 最优解（非支配解）。所有 Pareto 最优解在目标空间中构成的集合称为 Pareto 前沿（Pareto Front）。储能调度中，Pareto 前沿通常是一条从"低成本—高弃电"到"高成本—低弃电"的曲线，前沿上的每一个点都对应一套具体的充放电策略。

3.3 目标归一化

成本可能是几千元，弃电量可能是几百 kWh，波动率可能是 0.1 量级。若直接加权求和，量纲大的目标会天然主导结果。归一化把各目标映射到同一尺度，常用极值归一化：

f'_k(x) = (f_k(x) − f_k^min) / (f_k^max − f_k^min)

其中 f_k^min、f_k^max 可通过单目标优化分别求各目标的最优值与最劣值获得，也可由历史运行数据估计。归一化后所有目标落在 [0, 1] 区间，0 表示该目标达到理想最优，1 表示最差。这样加权系数才具有可比性，也便于后续用加权和法、ε-约束法或 NSGA-II 等算法处理。

3.4 决策偏好表达

归一化之后，需要把"更看重成本还是更看重消纳"翻译成数学形式。常见方式有三类：

• 加权和法：min Σ w_k · f'_k(x)，w_k ≥ 0 且 Σ w_k = 1。权重越大，该目标越优先。优点是简单，缺点是无法获得非凸前沿上的解。
• ε-约束法：保留一个主目标，其余目标转为约束 f_k(x) ≤ ε_k。通过调节 ε_k 可精确控制各目标的容忍上限，适合"成本不能超过某阈值"这类硬性偏好。
• 偏好排序/模糊隶属度：对每个目标给出满意度函数，再聚合。适合偏好难以用单一权重表达的场合。

下面这张图把上述四个概念串成一条完整的逻辑链：从原始多目标问题出发，经支配关系筛选出 Pareto 前沿，再通过归一化与偏好表达，最终落到一套可执行的储能调度方案。

3.5 一个可手算的示例

为便于理解，构造一个简化示例。某储能系统两个目标：日购电成本 f₁（元）与日弃电量 f₂（kWh）。经单目标优化得到 f₁ 的范围为 [800, 1400]，f₂ 的范围为 [0, 300]。现有三个候选方案：

方案 C 在成本上不如 A（1100 > 900），弃电也不如 A（280 > 240），因此 A 支配 C，C 应被淘汰。A 与 B 互不支配：A 成本低但弃电高，B 弃电低但成本高，二者都是 Pareto 最优解，保留在前沿上。

若决策者偏好"成本优先"，取权重 w₁ = 0.7、w₂ = 0.3，则加权评价值为：A：0.7×0.167 + 0.3×0.800 = 0.357；B：0.7×0.750 + 0.3×0.200 = 0.585。A 更优，选择方案 A。若改为"消纳优先"，w₁ = 0.3、w₂ = 0.7，则 A：0.3×0.167 + 0.7×0.800 = 0.610；B：0.3×0.750 + 0.7×0.200 = 0.365，此时选择方案 B。可见偏好权重直接改变最终调度策略。

3.6 工程实现中的几个要点

第一，归一化基准要稳定。若 f_k^max 随每日数据波动，权重含义会漂移，建议用固定周期（如月度）的统计值作为基准，并在调度报告中注明。第二，Pareto 前沿的完整性比单点精度更重要。NSGA-II 等算法通过非支配排序与拥挤度距离维持解的多样性，避免所有解挤在前沿中段。第三，偏好表达应可追溯。每一次调度决策都应记录所用权重或 ε 值，便于事后复盘"为什么选了这套策略"。