1主要内容
之前完整复现了微电网优化调度的模型，具体链接为：【完全复现】基于改进粒子群算法的微电网多目标优化调度，这是一个并不复杂的模型，甚至不借助智能算法，我们也能大致分析出电网、柴油发电机、微型燃气轮机等主体的出力情况，在分析过程中会发现，有时候算法优化出来的结果并不满足我们的“预期”，举个例子，通过下图的优化结果来进一步分析。
上图是模型所有设备出力情况以及负荷曲线，下图是电网交互功率、DE和MT功率以及折算后的电价成本，通过运行结果能够看出，不同电价成本下设备主体出力满足一定的规律性，如电网购电电价低的时刻，从电网购电功率要高一些，DE电价高的时刻（11：00~13：00）DE电价成本偏高，这时候出力有所下降。
但是，仔细观察就会发现，模型优化结果的细节经不住推敲，如电网购电价格低的时候为什么不让其满发，这样才能实现最佳效益？同样的道理，换算电价低的设备出力大、电价高的设备出力小才能满足最低目标——运行成本和环境保护成本最低的要求。
这个问题是什么原因导致的？
- 智能算法容易“陷入”局部最优，无法跳出局优就容易形成上述问题。在智能算法优化过程中，其很难得到精确解，但是随着种群数量和迭代次数的增大，可以无限接近最优解。
- 智能算法中约束条件的设置也很关键，约束条件设置不合理也会出现上述问题，当多重约束导致模型可行域“畸形”甚至难以寻找可行解的时候，程序会根据罚函数的比重选择性的找到次优解，就会导致最终结果不及“预期”。
这个问题怎么解决？
根据程序调试的经验看，这种问题可以通过梯级罚函数的方式来解决，根据需要捋清预期下的逻辑关系，通过设置分级的罚函数系数和条件，来实现更佳的求解功能。
通过梯级罚函数方式对上述问题代码进行改进，于是得到如下结果。
2程序结果
下载链接
