把空调、热水器、电动车充电全部交给AI调度之后，不少体验过早期版本智能调度的家庭会发现一件事：账单确实下降了，但住起来没有以前舒服。深夜空调为了躲开电价波动频繁启停，人在半夜被压缩机重新启动的噪音吵醒；傍晚六点下班到家，室温还停在31℃，因为算法判断“再等半小时电价更低，值得让室温继续爬升”；热水器把加热时间往后拖到最贴近电价低谷的时刻，结果恰好卡在全家人陆续洗漱的时间点之前几分钟才开始升温。这些现象都指向同一个设计问题：如果一个调度算法的唯一输入是电价曲线、唯一输出是”如何让这条曲线下面的面积最小”，它算出来的答案永远只对电表友好，不对人友好。系统本身没有故障，出问题的是目标函数。

单一目标函数注定会牺牲看不见的变量

早期的家庭能源调度普遍采用单目标优化：设定一个目标函数（通常是电费），在设备物理约束内求最小值。这类算法擅长处理“何时用电最便宜”，却没有能力回答“用户能不能接受”。温度、湿度、噪声、恢复时间这些变量不会出现在电价曲线里，所以单目标算法会把它们当作不存在。这也是为什么很多主打“AI省电”的产品用久了会被用户关掉自动模式——不是算法算错了，而是它压根没有被要求去算“人的感受”这道题。

三种调度策略放在一起看，才知道折中点在哪

百家乐App把家庭常见的调度逻辑拆成三种可以独立观察的极端策略，方便用户理解权衡到底发生在哪一步：

  • 最低成本策略：只看分时电价和阶梯电价，优先把高耗能设备（空调、热水器、洗烘一体机、EV充电）集中调度到电价谷段，允许室温和热水温度在设定范围内大幅波动。
  • 最低碳策略：参考电网侧的分时碳强度（同样1度电，在光伏出力高、火电占比低的时段碳排放明显更低），即使电价并非最低，也可能选择在电网更“干净”的时段用电，这个时段和电价谷段经常并不重合。
  • 最高舒适度策略：把室温、湿度波动范围压缩到很窄的区间，热水器保持较高的待机温度以缩短响应时间，代价是电费和碳排都会明显上升。

把这三条策略的模拟结果叠在同一张图上会发现，它们在同一个家庭、同一天里给出的设备动作经常互相矛盾——最低成本策略建议凌晨2点给电动车充电，最低碳策略建议等到中午光伏出力最高时段，最高舒适度策略则希望车位充电桩随时待命、不参与任何延迟调度。三选一都不是完整答案，真实家庭需要的是一个可以动态权衡三者的算法，而不是三选一之后固定不变。

更容易被忽略的是，纯粹的成本优先策略有时会和健康指标直接冲突：为了省电而延迟启动新风、把空调风量调到最低档，会让卧室CO₂浓度在睡眠几小时内缓慢累积。这类影响不会立刻反映在电费账单上，却真实发生在使用者的身体感受里，这也是为什么健康住宅的空气质量管理不能被当成独立于能源调度之外的另一套系统，而应该作为舒适度这个目标里不可拆分的一部分。

算法怎么打分：一个具体的目标函数长什么样

把权重从概念变成可运行的算法，需要一个真实存在的打分公式。以百家乐App的简化模型为例，某一时段的总代价可以写成：总代价 = w1×电费 + w2×碳排放 − w3×舒适度得分，其中w1、w2、w3是用户可调的权重，三者之和固定为1，调高一个会自动压低另外两个的占比，避免用户把三项都拉满导致模型无解。舒适度得分本身也是一个加权计算：温度偏离目标值的惩罚、噪声敏感时段内设备启停次数的惩罚、热水响应超时的惩罚分别乘以各自系数后相加取负值。算法在每个15分钟窗口内重新计算一次这个总代价，在满足室温、热水温度、电动车电量等硬约束的前提下，选择让总代价最小的设备动作组合，而不是只盯着电费这一项。

把“舒适度”变成算法看得懂的数字

要让舒适度参与计算，第一步是把它从一种感觉，变成可以量化、可以约束的变量。百家乐App在调度模型里把舒适度拆成几组具体参数：温度容忍带（例如允许室温在设定值上下1.5℃内漂移，而不是精确锁定某个数字）、恢复响应时间（从当前温度回到目标温度AI允许用多长时间，一般设置上限，避免“值机式”等待）、噪声敏感时段（夜间22点到早上7点，压缩机启停频次会被额外惩罚）、热水最短备热时间（保证用水高峰前热水器已经完成加热）。这些参数进入目标函数后，算法不再只是“电价最低”的单变量优化，而是一个带权重、带硬约束的多目标优化问题：总代价等于电费权重乘电费、加上碳排权重乘碳排、减去舒适度权重乘舒适度得分，同时室温、热水温度、电动车出发前的电量必须始终落在用户设定的安全区间之内，这个区间是硬约束，不参与权衡，不会因为电价再低也被突破。

模拟场景：同一个傍晚，三种权重给出三种动作

模拟场景，用于说明算法逻辑：某三口之家，下午5点电价处于全天高位（1.2元/度），预计傍晚6点半家庭成员到家，室外气温33℃，室内因白天无人已升至30℃，储能剩余电量52%，电动车当前电量38%、计划晚上10点后出发。如果权重完全偏向成本，AI会选择让空调延迟到电价回落的6点后再启动，牺牲到家瞬间的体感；如果权重完全偏向舒适度，AI会在5点半提前用储能预冷，避免电网高价时段大功率启动空调，但会多消耗储能电量、压缩后续给电动车的可用容量；百家乐App在这个场景下采用的折中动作是：5点45分用储能小功率预冷（只降到28℃，不追求直接到位），6点20分家庭成员进小区触发地理围栏后再用电网补足到26℃，电动车充电顺延到11点电价谷段进行，既避免了长时间高功率占用储能，也保证了到家时体感明显改善，全天电费比纯成本策略高出约7%，但室温波动区间收窄了近一半。第二天，系统会用前一天的实际执行结果去校验预测偏差——如果实际到家时间比预设的地理围栏触发时间晚了20分钟，预冷开始的时间点会相应顺延，避免出现“提前太久预冷、多耗电却没等到人”的情况，这种基于实际反馈的微调，比一次性写死的固定时间表更接近真实生活的不确定性。

权重不应该完全由算法自己决定

多目标优化真正的风险不在算法本身，而在权重由谁设定。如果权重被厂商写死，用户其实仍然只是在被动接受另一种“单一目标”，只是这次目标换成了厂商定义的“平衡”。百家乐App把成本、碳排、舒适度三个权重做成用户可见、可调的滑块，并且在每一次调度动作旁边标注这次动作主要是为了省钱、减碳还是保舒适，用户可以在解释每一次AI决策依据的界面里看到具体触发条件。这样做的另一个好处是，权重设置本身也会随家庭结构变化——有新生儿或老人的家庭通常会把舒适度权重调高，独居且白天不在家的用户可能更倾向成本优先，算法要服务的是具体的人，不是抽象的电表。

用户手动否决一次调度动作，本身也是一种数据

多目标优化不可能一次性把所有家庭的偏好都猜对，真正暴露问题的时刻，往往是用户直接手动推翻某一次AI的决定——比如AI判断储能电量偏低、建议延迟空调启动，用户却直接手动把空调打开。这类否决行为不应该被系统当成一次性的例外简单丢弃，而应该被记录为一条校准信号：如果同一个家庭在类似的温度、时间、电价组合下连续多次否决同一类建议，说明当前的舒适度权重或者温度容忍带设置得偏保守，系统会在下一次生成建议前提示用户是否需要调整对应参数，而不是继续按原有权重反复生成会被否决的动作。这也是多目标优化和固定规则表最大的区别之一：规则表不会因为被推翻而改变，权重模型会。

省钱从来不是家庭能源AI唯一要交的答卷

一个只会省钱的调度算法，本质上是把复杂的家庭生活简化成了一条电价曲线下面的面积。这条路径短期内容易展示效果——账单数字很好看，但住进去的人会用脚投票，把自动模式关掉。真正值得投入的方向，是让AI能够同时处理成本、碳排、舒适度这几个经常互相冲突的目标，并且把每一次折中都讲清楚依据。这也是为什么看板上的每一个数字背后，都应该能追溯到具体的权重设置和当时的约束条件。