亚热带季风区清洁能源基地子系统的可定制多目标优化框架及C-ε-EGO算法应用

为解决传统多目标优化算法在清洁能源系统规划中随机性高、分布不均、缺乏定制性的问题，研究人员开发了基于贝叶斯的可定制优化框架C-ε-EGO，通过改进epsilon约束和Kriging模型，得出了15个均匀分布的Pareto最优解。该研究实现了风电-光伏-抽水蓄能系统经济性与可靠性的平衡，为工程决策提供了实用参考，性能优于MOPSO、NSGA2等19种算法。

　　

在全球追求可持续能源的浪潮中，亚热带季风区凭借丰富的风能、太阳能和降水资源，成为建设清洁能源基地的理想选址。然而，这些地区的气候特性——如季节性强风、集中降雨和复杂水文循环——给风电-光伏-抽水蓄能系统的集成带来了独特挑战。传统多目标优化方法往往顾此失彼：要么过分强调经济性，忽视了供电可靠性；要么陷入算法随机性泥潭，导致Pareto解分布不均、决策混乱。工程实践中，决策者常需在成本、能源利用率（如风电光伏直接消纳率）和系统安全之间寻找平衡点，但现有研究或局限于单一案例，或缺乏定制化控制，使得优化结果难以落地。例如，多目标智能算法如NSGA2或MOPSO虽能处理多指标冲突，却无法约束目标函数在指定范围内，导致解集杂乱无章，无法满足工程定量需求。这些问题不仅拖累清洁能源基地的规划效率，更可能因方案不可行而浪费巨额投资。

为此，西安交通大学的研究人员Bo Wu及其团队在《Sustainable Energy Technologies and Assessments》上发表了一项创新研究，提出了一种可定制多目标优化框架，并开发了C-ε-EGO算法，专攻亚热带季风区风电-光伏-抽水蓄能清洁能源基地的子系统优化。通过详尽的建模和算法验证，他们证明该框架能生成均匀分布的Pareto前沿，在满足预设约束下实现经济性（如最小化成本）、可靠性（最大化供电安全）和清洁能源消纳率（最大化风电光伏直接利用）的协同优化，显著提升系统性能。结论显示，该方法在15个Pareto解中达成工程可行方案，且算法效率超越多种主流优化器，为全球类似气候区提供了可复用的规划工具，推动100%清洁能源系统的高效部署。

研究人员采用了三大关键技术方法：首先，基于改进的epsilon约束方法（enhanced epsilon constraint method）和罚函数法（penalty function approach），将多目标问题转化为带约束的单目标问题，确保解集均匀分布；其次，结合Kriging模型（代理模型）和期望改进准则（expected improvement criterion）构建贝叶斯优化框架，处理混合整数非线性规划（mixed-integer nonlinear programming, MINLP）；最后，利用实际工程参数（如亚热带季风区降水、风光资源数据）验证模型，通过案例对比19种算法（如NSGA2、MOPSO）。这些方法避免了复杂实验步