分布式电源大规模接入配电网之后“装在哪、装多大”这两个问题几乎是每个做配电网规划的人都要面对的硬骨头。市面上的做法很多但真正落地时要么靠经验估算要么靠枚举试算效率低不说结果还没有说服力。这个项目就是围绕这一点展开的用粒子群算法PSO编写电源容量配置程序以IEEE33节点配电网为测试算例以节点电压偏差最小、系统有功网损最小为目标完整跑通“建模—潮流计算—智能寻优—结果分析”的闭环。如果你正在做分布式电源选址定容、配电网降损、或者刚接触PSO算法想找个能落地的工程案例这篇文章可以作为你的参考。我不会只贴代码而是把每一步的设计思路、参数选择理由、以及我调试过程中踩过的坑全部写出来。1. 项目背景与整体方案设计1.1 分布式电源选址定容到底难在哪分布式电源DG接入配电网后对系统的影响是一把双刃剑。接入位置合适、容量匹配能明显降低网损、抬高末端电压但接入位置不对、容量过大反而会造成局部电压越限、线路过载严重时还会引起保护误动。这就是经典的“选址定容”问题既要确定DG接在哪几个节点又要确定每个节点接入多大容量。这个问题的难点在于搜索空间太大。IEEE33系统有32个可接入节点扣除平衡节点容量又是一个连续变量如果做3个DG的联合优化组合数庞大到根本不可能靠穷举。而且节点电压和网损需要通过潮流计算得到也就是说每次评估一个方案都要完整跑一遍配电网潮流。这就决定了必须用智能优化算法来替代人工试算。我选择的目标函数是双目标的加权组合节点电压偏差最小和有功网损最小。电压偏差反映电能质量有功网损反映运行经济性这两个指标恰好是DG接入后最受关注的两个维度。把它们放到同一个适应度函数里通过权重调节偏向比单独优化某一个指标更有工程意义。1.2 为什么选粒子群算法和IEEE33节点粒子群算法在这个问题上有天然的优势。和遗传算法相比PSO没有选择、交叉、变异那套复杂算子核心只有速度和位置两个更新公式参数少、实现简单、收敛速度快。对于容量配置这种连续变量占主导的优化问题PSO的实数编码方式非常自然不需要像遗传算法那样做二进制编解码。IEEE33节点系统则是配电网研究领域公认的基准算例出自Baran和Wu的经典论文系统参数公开、文献结果可查各种改进算法都在这个系统上做对比。拿它做测试平台最大的好处是结果有参照基态潮流下有功网损约202.5 kW最低电压约0.913 p.u.后面优化效果好不好一对比就知道。选择IEEE33也有实用层面的考虑系统规模不大不小。比它小的算例比如IEEE13、IEEE16太简单体现不出算法的搜索能力比它大的比如IEEE69、IEEE123模型复杂初学阶段容易被数据准备和潮流收敛性问题绊住。IEEE33刚好适合验证算法思路。1.3 整体技术路线整个项目的技术路线可以分成四步搭建IEEE33节点配电网模型整理支路参数、节点负荷参数用前推回代法实现潮流计算并验证基态结果与文献一致。设计粒子编码方案每个粒子携带DG的接入位置和接入容量信息确定目标函数与约束条件的数学表达。编写PSO主程序将粒子解码后代入潮流计算迭代更新速度与位置搜索最优容量配置方案。对比无DG与接入DG后的系统网损、电压分布评估优化效果并对算法的稳定性和收敛性进行分析。这四步环环相扣其中第2步的编码设计和第3步的适应度函数设计是整个项目最核心的环节后面我会重点拆解。2. 核心原理PSO算法与配电网潮流2.1 PSO粒子群算法的数学原理粒子群算法模拟的是鸟群觅食行为。每个粒子代表解空间中的一个候选解粒子在搜索空间中飞行时会同时受到两个“引力”的牵引一个是自身历史最优位置pbest一个是整个群体的历史最优位置gbest。通过不断更新速度和位置粒子群体最终聚集到全局最优解附近。速度和位置的更新公式是v_i(t1) w * v_i(t) c1 * r1 * (pbest_i - x_i(t)) c2 * r2 * (gbest - x_i(t)) x_i(t1) x_i(t) v_i(t1)这里面惯性权重w控制粒子保持原有飞行趋势的能力w大则全局搜索能力强w小则局部开发能力强c1、c2是学习因子分别代表向自身经验和群体经验学习的强度r1、r2是[0,1]之间的随机数引入随机性以避免粒子陷入完全确定性的轨迹。我在项目里采用线性递减惯性权重策略w从0.9线性降到0.4。前期w大粒子在全局范围内探索不容易漏掉优质区域后期w小粒子在最优解附近精细搜索提升收敛精度。这个策略在工程中使用最广泛实测效果稳定。还有一个容易被忽略的细节速度钳位。如果不对速度大小加以限制粒子可能一步飞出搜索边界导致解出现明显的越界振荡。我对容量维度的速度上限设置为搜索范围的10%对位置维度整数节点号通过取整和边界裁剪直接处理。2.2 前推回代法潮流计算配电网潮流计算和输电网不一样配电网是辐射状结构线路阻抗比R/X大常规的牛顿-拉夫逊法容易出现收敛问题。这里我选择的是前推回代法也叫backward/forward sweep这是辐射状配电网最经典、最稳定的潮流算法。原理很直观分两步反复迭代回代从末端节点往首端推根据当前节点电压和节点注入功率计算每条支路的电流。支路电流等于该支路末端所有负荷电流之和从网络末端逐支路向上累加。前推从首端节点往末端推已知首端电压平衡节点电压固定为1.0 p.u.用支路电流和支路阻抗逐步计算下游各节点电压。迭代收敛的判据是相邻两次迭代的电压差最大值小于设定阈值我设为1e-6同时设置最大迭代次数50次防止死循环。节点功率的处理是接入DG时的关键DG通常按恒功率因数1.0运行只发有功不出无功接入后该节点的注入功率变成“原负荷功率减去DG出力”。如果DG容量超过节点负荷功率方向会反转这一点必须在潮流程序里正确处理否则结果会出错。2.3 目标函数与约束条件的建模目标函数我设计为归一化加权和min F (Ploss / Ploss_base) lambda * (sum(|Vi - 1.0|) / N) M * max(0, violation_sum)第一项是有功网损的归一化值Ploss_base是基态网损202.5 kW归一化后网损在0~1区间附近避免数值过大压过电压项第二项是电压偏差惩罚项对所有节点的电压偏差取平均lambda取0.5最后一项是约束违反惩罚M取很大的值比如1e5只要出现电压越限或容量越界就直接把适应度拉高让粒子不敢碰违规解。约束条件分两部分不等式约束节点电压在0.95~1.05 p.u.范围内支路电流不超过上限单个DG容量不超过500 kW接入节点不能是平衡节点。等式约束潮流方程本身由前推回代法自动满足。这里有个实践要点网损和电压偏差的量纲不同如果不做归一化直接相加数值大的一方会完全主导寻优方向。比如网损是几十千瓦电压偏差是零点几直接相加等于只优化网损。归一化之后两者量级相近才能真正发挥双目标的作用。3. 程序实现从建模到仿真完整流程3.1 IEEE33节点系统数据准备IEEE33系统的基态参数是公开的我直接整理成MATLAB矩阵。系统基准电压12.66 kV、基准功率10 MVA33个节点、32条支路末端还有5条常开联络开关本项目的辐射状分析中不闭合。节点编号从1到33其中节点1是平衡节点也就是变电站母线。支路数据格式为[首端节点、末端节点、电阻(Ω)、电抗(Ω)]负荷数据格式为[节点编号、有功(kW)、无功(kvar)]。这里提醒一下不同文献和代码库的编号起点不一样有的从0开始有的从1开始导入数据前一定要先确认否则整个潮流全错。基态负荷加起来是3715 kW加2300 kvar典型的重负荷场景。用前推回代法跑一遍基态潮流有功网损约202.5 kW最低电压出现在节点18约为0.9131 p.u.。和文献值对得上说明数据和程序的正确性没问题可以放心作为后续优化的基态。3.2 粒子编码与解码设计粒子编码是整个程序里最需要想清楚的一步。我的方案是做3个DG的联合优化那么每个粒子就是一个6维向量[loc1, loc2, loc3, cap1, cap2, cap3]前3维是接入节点位置整数范围2~33排除平衡节点后3维是接入容量连续变量范围0~500 kW。解码的时候有个容易踩的坑位置维度虽然初始化成整数但在PSO的速度更新过程中位置变量会变成小数。所以每次更新完位置后必须对位置维做取整处理即round然后再检查是否落在2~33区间内越界就拉到边界。容量维度则保持连续越界用边界值截断。还有一个重要细节是重复位置的处理。如果两个DG粒子解码后落在同一个节点相当于该节点接入两台DG这在物理上等效于容量叠加但会让变量冗余浪费搜索维度。我的做法是在解码时检测重复节点把重复的DG容量合并后作为该节点总容量同时把另一个位置重新随机生成。虽然多了一步操作但能显著提升搜索效率。3.3 核心代码结构与实现要点PSO主程序的框架如下% PSO主程序DG选址定容 clear; clc; rng(42); % 固定随机种子便于复现 n_dg 3; % DG数量 dim 2 * n_dg; % 粒子维度 n_pop 40; % 种群规模 max_iter 100; % 最大迭代次数 w_max 0.9; w_min 0.4; % 惯性权重范围 c1 2; c2 2; % 学习因子 % 初始化粒子位置与速度 pos zeros(n_pop, dim); vel zeros(n_pop, dim); for i 1:n_pop pos(i, 1:n_dg) randi([2, 33], 1, n_dg); % 节点位置整数 pos(i, n_dg1:end) 100 400 * rand(1, n_dg); % 容量kW end pbest pos; pbest_fitness inf(n_pop, 1); gbest zeros(1, dim); gbest_fitness inf; % 迭代寻优 for iter 1:max_iter w w_max - (w_max - w_min) * iter / max_iter; fitness zeros(n_pop, 1); for i 1:n_pop dg_loc round(pos(i, 1:n_dg)); % 解码位置 dg_cap pos(i, n_dg1:end); % 解码容量 [dg_loc, dg_cap] dedupDG(dg_loc, dg_cap); % 重复节点合并 fitness(i) calFitness(dg_loc, dg_cap); % 潮流计算适应度 % 更新个体最优与全局最优 if fitness(i) pbest_fitness(i) pbest(i, :) pos(i, :); pbest_fitness(i) fitness(i); end if fitness(i) gbest_fitness gbest pos(i, :); gbest_fitness fitness(i); end end % 更新速度与位置 for i 1:n_pop vel(i, :) w * vel(i, :) ... c1 * rand(1, dim) .* (pbest(i, :) - pos(i, :)) ... c2 * rand(1, dim) .* (gbest - pos(i, :)); % 速度钳位 vel(i, :) max(-20, min(20, vel(i, :))); pos(i, :) pos(i, :) vel(i, :); % 边界处理位置取整并限制在2~33容量限制在0~500 pos(i, 1:n_dg) max(2, min(33, round(pos(i, 1:n_dg)))); pos(i, n_dg1:end) max(0, min(500, pos(i, n_dg1:end))); end % 记录迭代过程绘制收敛曲线 end适应度函数calFitness是核心流程是把DG容量叠加到对应节点负荷上然后调用前推回代潮流输出网损和各节点电压最后计算目标函数值。代码结构如下function fit calFitness(dg_loc, dg_cap) % 叠加DG出力到节点注入功率 load_p base_load_p; load_q base_load_q; for k 1:length(dg_loc) load_p(dg_loc(k)) load_p(dg_loc(k)) - dg_cap(k); end % 前推回代潮流计算返回网损Ploss和电压向量V [V, Ploss] bfSweep(load_p, load_q); % 电压偏差 Vdev sum(abs(V - 1.0)) / length(V); % 约束处理 penalty 0; if min(V) 0.95 || max(V) 1.05 penalty penalty 1e5; end fit Ploss / 202.5 0.5 * Vdev penalty; end前推回代函数的实现不复杂但有几个细节值得注意节点电压统一用复数量表示支路电流按末端功率累加迭代更新时首端电压始终保持1.0 p.u.不变收敛后按每条支路的电流平方乘以电阻累加得到总网损。3.4 仿真结果对比分析跑完100次迭代后我得到的典型结果如下表所示不同随机种子下数值略有波动配置方案接入位置接入容量(kW)有功网损(kW)最低电压(p.u.)无DG基态/0202.50.9131单DG优化节点18约375约1530.94183DG优化13、24、30约420、320、280约970.9652从表里能看出几个规律。第一接入单个DG时最优位置倾向于落在系统末端节点18附近因为基态下节点18电压最低在这里接入DG可以最直接地支撑电压、减少末端电流回流降损效果最明显。第二3个DG联合优化时最优位置分散在主干末端和不同馈线分支上说明多DG配置不是简单地把容量堆在同一个点而是让多个接入点协同分担网损进一步下降至97 kW左右降幅超过50%。收敛曲线方面PSO通常在前30次迭代内快速下降适应度值从初始的接近2降到1附近之后进入缓慢收敛阶段。这是因为w线性递减后前期探索能力强后期开发能力增强。实测100次迭代足够收敛继续增加迭代次数收益很小。4. 调试踩坑与实操心得4.1 高频问题排查实录整个开发过程中我遇到的典型问题比预想的多挑几个有代表性的记录一下。第一个问题是粒子位置取整后重复节点。这个问题在初始化阶段就可能出现因为randi随机生成3个1~32的数撞车的概率不低。如果不处理程序虽然能跑但粒子维度被浪费优化效果变差。解决办法就是我在编码设计里说的去重逻辑初始化时循环检查迭代更新后统一处理。第二个问题是潮流不收敛。DG容量设置过大时节点注入功率可能出现严重倒送前推回代法迭代几十次都稳不下来。排查后发现两个原因一是容量上限设得太高二是惩罚函数没起作用。我的处理办法是把单点DG容量上限收紧到500 kW同时把总DG容量限制在系统总负荷的30%以内约1114 kW从根上规避过大的倒送功率。第三个问题是网损和电压偏差量纲失衡。第一次写适应度函数时直接写成交加和结果优化算法完全被网损主导电压偏差几乎没有改善。量纲归一化之后电压偏差项才能真正影响到寻优方向。这是双目标加权法最容易踩的坑。第四个问题是结果不稳定。同样一套参数运行10次得到的最优解有时候差别很大特别是DG位置维度偶尔会跳到完全不同的节点。原因在于PSO的随机性加上位置维是整数空间搜索粒度较粗。解决办法有三固定随机种子保证论文复现性多次独立运行取最优解适当扩大种群规模到50~60。4.2 参数调优与稳定复现经验基于多次调试我总结出一套针对这个问题的实用参数建议。参数推荐值调整说明种群规模40~60小于30容易早熟大于80收益不大迭代次数80~12050次基本收敛100次足够稳妥惯性权重w0.9→0.4线性递减固定w0.6也可行但递减策略更稳学习因子c1、c21.5~2.0相等即可c1c22收敛快但振荡略多速度钳位容量维±50位置维±5防止粒子越界飞出随机种子固定rng(42)保证结果可复现还有一个很实用的技巧把每轮迭代的gbest值存下来画收敛曲线。如果收敛曲线是平滑的单调下降说明搜索过程正常如果出现明显的“平台期”后突然跳跃说明粒子在后期找到了新的更优区域这个现象本身有分析价值。如果收敛曲线从一开始就不下降优先怀疑目标函数或潮流计算有bug而不是参数问题。另外关于IEEE33的编号我再多强调一次。不同文献有0到32和1到33两种编号体系我写代码时统一用1到33。数据导入后先用基态潮流做校验网损202.5 kW、最低电压0.9131 p.u.这两个数字对不上后面所有优化结果都不可能是对的。4.3 后续扩展方向这个项目做完后可扩展的空间很大。如果目标函数要做严格的多目标优化可以把加权和改成Pareto多目标粒子群MOPSO直接输出非支配解集让决策者在网损和电压偏差之间做权衡比固定权重更灵活。如果要做更贴近工程的场景建议把静态单点功率改成时序仿真。光伏出力每时每刻在变负荷也有日曲线用容量配置的结果直接跑全年8760小时才能评估全年累计网损和电压合格率。这个方向上粒子编码可以增加DG的功率因数控制维度甚至加上储能容量和充放电策略。还有一个值得尝试的方向是改进PSO本身。比如在速度更新中加入变异算子避免早熟或者用混沌映射初始化种群提高初始解的分布质量这些改进在IEEE33上的效果对比本身就是一篇很好的技术报告。我个人的体会是这类程序的价值不在于PSO算法本身有多高深而在于把算法和潮流计算“焊接”得够不够牢编码设计、潮流校验、惩罚函数、参数设置每一个环节的疏漏都会在结果层面放大。只要把基础工程细节做扎实这套方案完全可以迁移到IEEE69节点、实际馈线甚至园区级配电网的DG规划中去。