做过配电网无功优化项目的朋友应该都体会过这种纠结变压器出口功率因数偏低线路上无功潮流横冲直撞网损高得让人肉疼。治标的方法是直接在母线上甩几组电容器简单粗暴但经常补过头——轻载时电压抬得太高重载时又补不动。真正要解决问题是把在哪儿装电容器、每套装多大容量这件事当成一个优化问题来解也就是标题里说的分布式电容器选址定容。目标函数很直白让网损带来的电费损失和电容器投资维护费用相加的总成本最低。求解手段我选的是粒子群算法Particle Swarm OptimizationPSO用Matlab从零写一套完整程序。这篇文章把建模思路、算法设计、代码实现和IEEE 33节点上的仿真结果全部摊开讲适合正在做配电网规划、无功优化方向课程设计或毕业论文的电气工程学生也适合刚接触智能优化算法、想搞懂PSO怎么落到电力系统场景里的工程师。1. 从补偿不足到补偿过度选址定容到底在优化什么1.1 配电网无功补偿的痛点低压配电网里的线路阻抗以感性为主变压器和异步电机都要吸收无功功率。无功在线上来回流动既不对外做功又白白占着线路载流量还会让末端电压往下掉。传统做法是补偿到功率因数0.9以上这种一刀切思路但实际运行中负荷曲线在变固定补偿极易出现轻载时的过补偿。过补偿的危害一点不比欠补偿小——无功倒送回上级电网电压抬升可能烧坏用户设备线损照样居高不下。分布式电容器选址定容把问题拆分成了两个互相关联的子问题。选址决定无功源装到拓扑结构里的哪个节点定容决定装多大。二者耦合在一起把大容量电容器装在馈线中段对末端电压的支撑效果可能还不如把两组小容量电容器分别装在两个分支节点。这正是问题的复杂度所在也是它值得用智能优化算法求解的原因。1.2 为什么在哪里装和装多大必须一起解如果只做单点补偿解析方法还能应付一旦允许在多个节点安装、每个节点又有若干种可选容量组合数量就会爆炸。以IEEE 33节点系统为例去掉根节点有32个可选安装位置按最多装5个点、每个点有6档容量50kvar一档来算可行方案数量达到上百万量级。用穷举法逐个算潮流哪怕每个方案只跑0.01秒也要数小时起步。更要命的是网损函数对位置和容量都不是凸函数梯度和海森矩阵类的经典优化方法很容易陷在局部极值里出不来。粒子群算法在这里的优势很明显它不需要导数信息对离散变量和连续变量混合的问题适应性强全局搜索能力在工程精度要求下完全够用。更关键的是PSO的每个粒子天然就是一组选址定容决策变量编码方式非常直观写代码时不用做复杂的映射。1.3 用总成本最低而非网损最小做目标的原因单纯把网损降到最低算法会倾向于在所有能装的地方都塞满电容器那投资回收期会长到离谱。实际工程里更合理的做法是权衡省下来的电费和花出去的投资。把网损年费用和电容器等年值投资费用加总成一个目标函数让优化算法自己去权衡某个节点加一组电容器如果降低网损省下的钱覆盖不了设备成本这个方案自然会被淘汰。这个思路贯穿了整个建模过程也是标题里成本费用最低这半句话的来源。2. 目标函数与约束条件的数学模型2.1 把网损费用和设备成本统一到同一个目标里目标函数我写成了下面这个形式min F C_price * P_loss_total * tau_max sum( C_install(k) C_device * Q_cap(k) )其中C_price是电价单位元/kWhP_loss_total是优化后系统的总有功网损单位kWtau_max是年最大负荷损耗小时数一般取3000~5000小时我这里取3500C_install是每个安装点的固定施工费用C_device是单位容量的设备购置费Q_cap(k)是第k个安装点的无功补偿容量。P_loss_total来自潮流计算结果。需要注意网损是随负荷变化的严格做法要做全年8760小时时序潮流。工程上为了简化常用最大负荷方式下的网损乘以最大损耗小时数来近似年网损电量这个近似在规划阶段完全够用。也有论文用典型日负荷曲线分段计算思路一样只是把潮流计算从一次变成多次粒子群每评估一次适应度就要跑好几个潮流断面计算量成倍上升。2.2 潮流方程、电压约束与容量约束优化问题的约束条件分为三块第一块是潮流平衡方程。电容器在潮流计算里被处理成节点注入无功即在PQ节点原有负荷无功QL的基础上减去补偿容量Q_cap然后再做常规的前推回代或牛顿拉夫逊潮流。这个处理是选址定容区别于网损优化类问题的关键点——决策变量通过修改节点注入功率来影响潮流分布。第二块是电压约束。每个节点电压幅值要落在安全范围内配电网一般取0.93 p.u.到1.07 p.u.。这个约束必须进目标函数否则算法可能为了降网损把电压抬得很高或者放任末端电压过低。第三块是容量约束。单个节点补偿容量不超过该节点无功负荷的一定比例一般不超过该节点最大无功负荷同时总补偿容量不超过系统总无功需求的一定比例。不设这个约束算法可能建议你装出一台超大无功源实际工程里根本没地方摆。2.3 离散容量与连续优化的编码艺术电容器有个工程特性容量不是连续的而是按标准容量档位配置比如单台50kvar、100kvar或者成组安装。如果PSO里的粒子直接把位置和容量都写成连续值最后算出来一个137.6kvar的容量施工单位是没法照做的。我采用的编码方案是粒子位置维度取安装位置序号容量档位序号。位置这部分采用整数编码容量这部分直接对档位编号取整等最后计算适应度时再把档位编号换算成实际容量值。这么做的优势是避免了对连续结果做四舍五入后目标值发生跳变的问题。四个字总结先离散再优化。3. 粒子群算法原理及参数设计3.1 从鸟群觅食到粒子更新公式PSO的基本思想是模拟一群鸟在搜索食物。每只鸟知道自己当前距离食物有多远适应度值也知道整个鸟群里目前谁离食物最近全局最优然后根据这两条信息调整自己的速度和方向。数学表达就是经典的v(i,:) w * v(i,:) c1 * rand * (pbest(i,:) - x(i,:)) c2 * rand * (gbest - x(i,:)); x(i,:) x(i,:) v(i,:);w是惯性权重控制粒子继承上一代速度的比例c1是自我认知系数把粒子拉向自己的历史最佳位置c2是社会认知系数把粒子拉向群体历史最佳位置。调参数的实质就是在这三个力之间寻找平衡。惯性权重的处理我推荐线性递减策略初期w取0.9迭代后期降到0.4。初期权重高粒子飞得远有利于全局探索后期权重低粒子围绕局部精细搜索。这个策略几乎不需要调参效果稳定适合在课程设计或工程项目里直接套用。3.2 面向配电网问题的改进策略标准PSO直接用在选址定容上时会遇到两个问题。第一个是位置向量里的安装点维度必须互不相同可标准的位置更新公式无法保证这一点可能出现两个粒子维度选了同一个节点。我的处理办法是更新完成后做一个冲突检测把重复的安装点替换成当前未选中的、且潮流灵敏度较高的节点。实际操作里这一步不会太频繁但必须有。第二个问题是速度更新公式中的随机数rand会让位置抖动。为了加快收敛我把速度上限V_max设成决策变量范围的一半避免粒子在早期就飞出可行域。另外对越界的粒子别直接随机重置我采用回弹策略让越界的维度回到边界并把速度反向这样粒子会从边界向里再一次寻找经验上比重置更高效。3.3 惩罚函数处理不可行解PSO本身不识别约束需要把约束条件转化进目标函数。对于电压越限的个体我采用外点惩罚函数法if V_min 0.93 || V_max 1.07 penalty penalty_factor * (abs(V_min - 0.93) abs(V_max - 1.07)); F F penalty; end这里有个重要的调参经验惩罚系数不能设得过大或者过小。过大时算法会优先保证电压不越限可能牺牲经济性过小时算法会频繁试探越限边界附近的解收敛变慢。我自己试下来惩罚系数取目标函数数量级的10倍左右表现最均衡。4. Matlab代码实现与模块拆解4.1 主程序与变量定义下面给出一份精简但完整可运行的Matlab代码框架基于IEEE 33节点配电网。注释里写清楚每一步的作用%% 初始化 clear; clc; % 读取IEEE 33节点系统的支路和负荷数据 % bus(1:33, 1:3): 节点编号, 有功负荷, 无功负荷 % branch(1:32, 1:3): 首端节点, 末端节点, 支路阻抗标幺值N 33; % 节点数 num_install 3; % 允许安装电容器的数量 Q_max_per_node 400; % 单节点最大补偿容量(kvar) Q_step 50; % 容量档位步长(kvar)% PSO参数 nPop 30; % 粒子数 maxIter 100; % 最大迭代次数 w_max 0.9; w_min 0.4; c1 2.0; c2 2.0;4.2 适应度函数内嵌潮流计算function F calcFitness(x, bus, branch, ...) % x [位置1, 档位1, 位置2, 档位2, 位置3, 档位3] % 解码: 位置-节点编号(整数), 档位-实际容量 loc round(x(1:2:end)); cap_idx round(x(2:2:end)); Q_cap cap_idx * Q_step; % 档位换算成kvar% 修改节点无功注入, 注意去掉重复位置 bus_q_mod bus(:,3); for k 1:num_install if loc(k) gt; 2 loc(k) lt; N bus_q_mod(loc(k)) bus_q_mod(loc(k)) - Q_cap(k); end end % 当Q_cap太大导致节点无功注入为负时, 仍按潮流方程处理, 允许过补偿 % 但通过目标函数里的成本项和电压约束来限制 % 调用前推回代潮流函数, 得到节点电压和有功网损 [V, P_loss] BackForwardSweep(bus, branch, bus_q_mod); % 计算目标函数 C_price 0.6; % 电价 元/kWh tau 3500; % 最大负荷损耗小时数 C_install 5000; % 每处安装固定费用 元 C_device 120; % 单位容量设备费 元/kvar F_annual C_price * P_loss * tau; F_invest num_install * C_install C_device * sum(Q_cap); % 等年值折算, 设备寿命取10年, 不考虑折现率简化处理 F F_annual F_invest / 10; % 电压越限惩罚 penalty_factor 1e5; V_min min(V); V_max max(V); if V_min 0.93 || V_max 1.07 F F penalty_factor * (abs(V_min - 0.93) abs(V_max - 1.07)); endend这里有两个细节值得注意。第一我把投资费用除以10做了等年值折算这样一次性投资和每年网损费用才能在同一个量纲下相加如果不折算算法会完全偏向投资少但网损高的方案。第二潮流求解用的前推回代法在配电网辐射状网架结构下比牛顿拉夫逊更稳定、更快两个方法我都试过33节点规模下前推回代每个个体只要几十毫秒。4.3 粒子更新与边界处理%% PSO主循环 for iter 1:maxIter w w_max - (w_max - w_min) * iter / maxIter; for i 1:nPop % 更新速度 velocity(i,:) w * velocity(i,:) ... c1 * rand(1,2*num_install) .* (pbest(i,:) - position(i,:)) ... c2 * rand(1,2*num_install) .* (gbest - position(i,:)); % 限速 velocity(i,:) max(min(velocity(i,:), V_max), -V_max); % 更新位置 position(i,:) position(i,:) velocity(i,:); % 边界回弹处理 for j 1:2*num_install if position(i,j) ub(j) || position(i,j) lb(j) position(i,j) max(min(position(i,j), ub(j)), lb(j)); velocity(i,j) -velocity(i,j) * 0.5; end end % 确保安装点互不重复 pos_col round(position(i,1:2:end)); pos_col unique(pos_col); if length(pos_col) num_install % 补充未选中的节点, 优先选电压偏低节点 unselected setdiff(2:N, pos_col); position(i,1:2:end) [pos_col, unselected(1:num_install-length(pos_col))]; end% 计算适应度并更新个体/全局最优 fitness(i) calcFitness(position(i,:), bus, branch); if fitness(i) fitness_pbest(i) pbest(i,:) position(i,:); fitness_pbest(i) fitness(i); end if fitness(i) fitness_gbest gbest position(i,:); fitness_gbest fitness(i); end end % 记录收敛曲线 convergence(iter) fitness_gbest;end5. IEEE 33节点仿真结果与经济性分析5.1 算例设置与仿真参数测试用IEEE 33节点配电网基准电压12.66kV总负荷3715kW 2300kvar。这个系统是配电网优化研究的事实标准几乎所有相关论文都用它做对比用它的好处是结果可以跟文献互相印证。PSO参数设置为粒子数30、迭代100次、安装点数上限3个。跑一次完整优化在普通笔记本上大约需要1到2分钟Matlab R2022a环境。这个计算成本在接受范围内因为规划问题不是实时决策跑几十次取最优都很正常。5.2 优化前后网损与电压对比优化前的初始状态总有功网损202.5kW最低节点电压0.913 p.u.节点18馈线末端。经过粒子群优化后一组典型的收敛结果为安装节点补偿容量(kvar)节点12200节点24150节点30150优化后网损降到119.4kW降幅约41%最低节点电压从0.913 p.u.抬升到0.954 p.u.电压质量明显改善。这个结果和同类文献里三节点补偿PSO求解的典型结论基本吻合说明程序和参数配置是靠谱的。细看这个结果很有意思算法没有把电容器堆在根节点附近也没有全部塞到末端电压最低的节点18而是选择了三个中等偏后的节点。原因在于节点12靠近主干线中段补偿能同时压低整条主干线的无功电流节点24和30分别照顾两条分支线末端。这个布局比全部按最低电压节点装要更均衡这正是优化算法相比人工经验判断的价值所在。5.3 投资回收与经济性估算按目标函数里的参数估算年网损电量减少约(202.5-119.4)×3500 290850 kWh电费按0.6元/kWh算每年省下约17.45万元。设备投资按3处安装点、总容量500kvar、固定安装费5000元/点、设备费120元/kvar计算总投资约7.5万元等年值折下来约7500元/年。也就是说这套方案的年净收益约16.7万元投资回收期不到半年。这个回收期快得有点理想化原因是算例里忽略了电容器的运行维护成本、负荷同时率、电价波动等现实因素。但即使把这些都算上配电网分布式无功补偿也属于低成本高回报的节能措施这也是为什么电力公司愿意在配网侧投无功补偿装置。6. 实战中踩过的坑与调参经验6.1 粒子群早熟收敛的应对第一次跑这个程序时我用标准PSO死了两次都没收敛到满意的解每次都是40代以后就停滞最优网损停在135kW左右。后来定位到两个原因一是粒子数太少只有10个位置变量维度高探索能力不足二是惯性权重固定为0.5中期缺乏跳出局部极值的动力。把粒子数加到30、w改成线性递减后收敛质量立刻上了台阶。如果你发现算法总是快速收敛到同一个不太优的值优先检查这两个参数。还有一种增强方法是加入变异操作每隔一定代数随机挑一个粒子把位置重置。这一步虽然不属于标准PSO但在工程上很实用相当于给搜索过程加入随机扰动帮助跳出局部极值。代价是收敛曲线会有抖动但最终结果往往更好。6.2 潮流计算不收敛时的处理粒子群在搜索过程中会产生大量疯狂的决策组合比如在某节点灌入远超负荷的无功功率导致潮流计算迭代发散。如果程序直接报错退出整个优化就崩了。一定要在适应度函数里对潮流函数做保护try [V, P_loss] BackForwardSweep(bus, branch, bus_q_mod); catch F 1e10; % 给一个超大适应度值 return; end给不可行解一个极大罚值而不是直接报错是工程实现的基本功。类似地还可以在潮流函数里设置最大迭代次数超过就返回一个不收敛标志由外层处理。不做这层保护的话程序跑到一半崩溃会让人非常崩溃。6.3 随机性与参数敏感性的验证方法PSO是随机算法每次运行结果不完全一致。做研究时千万不要跑一次就下结论正确做法是同一参数下重复运行20次记录最优值、平均值和标准差。平均值反映算法的稳定搜索能力标准差反映对随机种子的敏感度。我实测20次重复中最优目标值波动在2%以内这个精度满足工程规划要求。另外别忽略对惩罚系数和安装点数的敏感性分析。把安装点数从2个增加到5个你会发现目标函数先快速下降后来趋于平缓——这说明安装点数存在边际效益递减。这类敏感性分析数据放到论文里能有效论证你选择的参数不是拍脑袋拍出来的。最后分享一个调参上的体会PSO真正难调的不是c1和c2这两个认知系数它们在2.0附近的表现已经相当鲁棒真正影响结果的是惯性权重w的处理方式和粒子数/迭代数的搭配。我的习惯是先用小粒子数快速跑通流程确认逻辑无误后再加大规模精算。直接上大参数一旦程序报错排错成本会成倍增加。
基于粒子群算法的配电网分布式电容器选址定容优化
做过配电网无功优化项目的朋友应该都体会过这种纠结变压器出口功率因数偏低线路上无功潮流横冲直撞网损高得让人肉疼。治标的方法是直接在母线上甩几组电容器简单粗暴但经常补过头——轻载时电压抬得太高重载时又补不动。真正要解决问题是把在哪儿装电容器、每套装多大容量这件事当成一个优化问题来解也就是标题里说的分布式电容器选址定容。目标函数很直白让网损带来的电费损失和电容器投资维护费用相加的总成本最低。求解手段我选的是粒子群算法Particle Swarm OptimizationPSO用Matlab从零写一套完整程序。这篇文章把建模思路、算法设计、代码实现和IEEE 33节点上的仿真结果全部摊开讲适合正在做配电网规划、无功优化方向课程设计或毕业论文的电气工程学生也适合刚接触智能优化算法、想搞懂PSO怎么落到电力系统场景里的工程师。1. 从补偿不足到补偿过度选址定容到底在优化什么1.1 配电网无功补偿的痛点低压配电网里的线路阻抗以感性为主变压器和异步电机都要吸收无功功率。无功在线上来回流动既不对外做功又白白占着线路载流量还会让末端电压往下掉。传统做法是补偿到功率因数0.9以上这种一刀切思路但实际运行中负荷曲线在变固定补偿极易出现轻载时的过补偿。过补偿的危害一点不比欠补偿小——无功倒送回上级电网电压抬升可能烧坏用户设备线损照样居高不下。分布式电容器选址定容把问题拆分成了两个互相关联的子问题。选址决定无功源装到拓扑结构里的哪个节点定容决定装多大。二者耦合在一起把大容量电容器装在馈线中段对末端电压的支撑效果可能还不如把两组小容量电容器分别装在两个分支节点。这正是问题的复杂度所在也是它值得用智能优化算法求解的原因。1.2 为什么在哪里装和装多大必须一起解如果只做单点补偿解析方法还能应付一旦允许在多个节点安装、每个节点又有若干种可选容量组合数量就会爆炸。以IEEE 33节点系统为例去掉根节点有32个可选安装位置按最多装5个点、每个点有6档容量50kvar一档来算可行方案数量达到上百万量级。用穷举法逐个算潮流哪怕每个方案只跑0.01秒也要数小时起步。更要命的是网损函数对位置和容量都不是凸函数梯度和海森矩阵类的经典优化方法很容易陷在局部极值里出不来。粒子群算法在这里的优势很明显它不需要导数信息对离散变量和连续变量混合的问题适应性强全局搜索能力在工程精度要求下完全够用。更关键的是PSO的每个粒子天然就是一组选址定容决策变量编码方式非常直观写代码时不用做复杂的映射。1.3 用总成本最低而非网损最小做目标的原因单纯把网损降到最低算法会倾向于在所有能装的地方都塞满电容器那投资回收期会长到离谱。实际工程里更合理的做法是权衡省下来的电费和花出去的投资。把网损年费用和电容器等年值投资费用加总成一个目标函数让优化算法自己去权衡某个节点加一组电容器如果降低网损省下的钱覆盖不了设备成本这个方案自然会被淘汰。这个思路贯穿了整个建模过程也是标题里成本费用最低这半句话的来源。2. 目标函数与约束条件的数学模型2.1 把网损费用和设备成本统一到同一个目标里目标函数我写成了下面这个形式min F C_price * P_loss_total * tau_max sum( C_install(k) C_device * Q_cap(k) )其中C_price是电价单位元/kWhP_loss_total是优化后系统的总有功网损单位kWtau_max是年最大负荷损耗小时数一般取3000~5000小时我这里取3500C_install是每个安装点的固定施工费用C_device是单位容量的设备购置费Q_cap(k)是第k个安装点的无功补偿容量。P_loss_total来自潮流计算结果。需要注意网损是随负荷变化的严格做法要做全年8760小时时序潮流。工程上为了简化常用最大负荷方式下的网损乘以最大损耗小时数来近似年网损电量这个近似在规划阶段完全够用。也有论文用典型日负荷曲线分段计算思路一样只是把潮流计算从一次变成多次粒子群每评估一次适应度就要跑好几个潮流断面计算量成倍上升。2.2 潮流方程、电压约束与容量约束优化问题的约束条件分为三块第一块是潮流平衡方程。电容器在潮流计算里被处理成节点注入无功即在PQ节点原有负荷无功QL的基础上减去补偿容量Q_cap然后再做常规的前推回代或牛顿拉夫逊潮流。这个处理是选址定容区别于网损优化类问题的关键点——决策变量通过修改节点注入功率来影响潮流分布。第二块是电压约束。每个节点电压幅值要落在安全范围内配电网一般取0.93 p.u.到1.07 p.u.。这个约束必须进目标函数否则算法可能为了降网损把电压抬得很高或者放任末端电压过低。第三块是容量约束。单个节点补偿容量不超过该节点无功负荷的一定比例一般不超过该节点最大无功负荷同时总补偿容量不超过系统总无功需求的一定比例。不设这个约束算法可能建议你装出一台超大无功源实际工程里根本没地方摆。2.3 离散容量与连续优化的编码艺术电容器有个工程特性容量不是连续的而是按标准容量档位配置比如单台50kvar、100kvar或者成组安装。如果PSO里的粒子直接把位置和容量都写成连续值最后算出来一个137.6kvar的容量施工单位是没法照做的。我采用的编码方案是粒子位置维度取安装位置序号容量档位序号。位置这部分采用整数编码容量这部分直接对档位编号取整等最后计算适应度时再把档位编号换算成实际容量值。这么做的优势是避免了对连续结果做四舍五入后目标值发生跳变的问题。四个字总结先离散再优化。3. 粒子群算法原理及参数设计3.1 从鸟群觅食到粒子更新公式PSO的基本思想是模拟一群鸟在搜索食物。每只鸟知道自己当前距离食物有多远适应度值也知道整个鸟群里目前谁离食物最近全局最优然后根据这两条信息调整自己的速度和方向。数学表达就是经典的v(i,:) w * v(i,:) c1 * rand * (pbest(i,:) - x(i,:)) c2 * rand * (gbest - x(i,:)); x(i,:) x(i,:) v(i,:);w是惯性权重控制粒子继承上一代速度的比例c1是自我认知系数把粒子拉向自己的历史最佳位置c2是社会认知系数把粒子拉向群体历史最佳位置。调参数的实质就是在这三个力之间寻找平衡。惯性权重的处理我推荐线性递减策略初期w取0.9迭代后期降到0.4。初期权重高粒子飞得远有利于全局探索后期权重低粒子围绕局部精细搜索。这个策略几乎不需要调参效果稳定适合在课程设计或工程项目里直接套用。3.2 面向配电网问题的改进策略标准PSO直接用在选址定容上时会遇到两个问题。第一个是位置向量里的安装点维度必须互不相同可标准的位置更新公式无法保证这一点可能出现两个粒子维度选了同一个节点。我的处理办法是更新完成后做一个冲突检测把重复的安装点替换成当前未选中的、且潮流灵敏度较高的节点。实际操作里这一步不会太频繁但必须有。第二个问题是速度更新公式中的随机数rand会让位置抖动。为了加快收敛我把速度上限V_max设成决策变量范围的一半避免粒子在早期就飞出可行域。另外对越界的粒子别直接随机重置我采用回弹策略让越界的维度回到边界并把速度反向这样粒子会从边界向里再一次寻找经验上比重置更高效。3.3 惩罚函数处理不可行解PSO本身不识别约束需要把约束条件转化进目标函数。对于电压越限的个体我采用外点惩罚函数法if V_min 0.93 || V_max 1.07 penalty penalty_factor * (abs(V_min - 0.93) abs(V_max - 1.07)); F F penalty; end这里有个重要的调参经验惩罚系数不能设得过大或者过小。过大时算法会优先保证电压不越限可能牺牲经济性过小时算法会频繁试探越限边界附近的解收敛变慢。我自己试下来惩罚系数取目标函数数量级的10倍左右表现最均衡。4. Matlab代码实现与模块拆解4.1 主程序与变量定义下面给出一份精简但完整可运行的Matlab代码框架基于IEEE 33节点配电网。注释里写清楚每一步的作用%% 初始化 clear; clc; % 读取IEEE 33节点系统的支路和负荷数据 % bus(1:33, 1:3): 节点编号, 有功负荷, 无功负荷 % branch(1:32, 1:3): 首端节点, 末端节点, 支路阻抗标幺值N 33; % 节点数 num_install 3; % 允许安装电容器的数量 Q_max_per_node 400; % 单节点最大补偿容量(kvar) Q_step 50; % 容量档位步长(kvar)% PSO参数 nPop 30; % 粒子数 maxIter 100; % 最大迭代次数 w_max 0.9; w_min 0.4; c1 2.0; c2 2.0;4.2 适应度函数内嵌潮流计算function F calcFitness(x, bus, branch, ...) % x [位置1, 档位1, 位置2, 档位2, 位置3, 档位3] % 解码: 位置-节点编号(整数), 档位-实际容量 loc round(x(1:2:end)); cap_idx round(x(2:2:end)); Q_cap cap_idx * Q_step; % 档位换算成kvar% 修改节点无功注入, 注意去掉重复位置 bus_q_mod bus(:,3); for k 1:num_install if loc(k) gt; 2 loc(k) lt; N bus_q_mod(loc(k)) bus_q_mod(loc(k)) - Q_cap(k); end end % 当Q_cap太大导致节点无功注入为负时, 仍按潮流方程处理, 允许过补偿 % 但通过目标函数里的成本项和电压约束来限制 % 调用前推回代潮流函数, 得到节点电压和有功网损 [V, P_loss] BackForwardSweep(bus, branch, bus_q_mod); % 计算目标函数 C_price 0.6; % 电价 元/kWh tau 3500; % 最大负荷损耗小时数 C_install 5000; % 每处安装固定费用 元 C_device 120; % 单位容量设备费 元/kvar F_annual C_price * P_loss * tau; F_invest num_install * C_install C_device * sum(Q_cap); % 等年值折算, 设备寿命取10年, 不考虑折现率简化处理 F F_annual F_invest / 10; % 电压越限惩罚 penalty_factor 1e5; V_min min(V); V_max max(V); if V_min 0.93 || V_max 1.07 F F penalty_factor * (abs(V_min - 0.93) abs(V_max - 1.07)); endend这里有两个细节值得注意。第一我把投资费用除以10做了等年值折算这样一次性投资和每年网损费用才能在同一个量纲下相加如果不折算算法会完全偏向投资少但网损高的方案。第二潮流求解用的前推回代法在配电网辐射状网架结构下比牛顿拉夫逊更稳定、更快两个方法我都试过33节点规模下前推回代每个个体只要几十毫秒。4.3 粒子更新与边界处理%% PSO主循环 for iter 1:maxIter w w_max - (w_max - w_min) * iter / maxIter; for i 1:nPop % 更新速度 velocity(i,:) w * velocity(i,:) ... c1 * rand(1,2*num_install) .* (pbest(i,:) - position(i,:)) ... c2 * rand(1,2*num_install) .* (gbest - position(i,:)); % 限速 velocity(i,:) max(min(velocity(i,:), V_max), -V_max); % 更新位置 position(i,:) position(i,:) velocity(i,:); % 边界回弹处理 for j 1:2*num_install if position(i,j) ub(j) || position(i,j) lb(j) position(i,j) max(min(position(i,j), ub(j)), lb(j)); velocity(i,j) -velocity(i,j) * 0.5; end end % 确保安装点互不重复 pos_col round(position(i,1:2:end)); pos_col unique(pos_col); if length(pos_col) num_install % 补充未选中的节点, 优先选电压偏低节点 unselected setdiff(2:N, pos_col); position(i,1:2:end) [pos_col, unselected(1:num_install-length(pos_col))]; end% 计算适应度并更新个体/全局最优 fitness(i) calcFitness(position(i,:), bus, branch); if fitness(i) fitness_pbest(i) pbest(i,:) position(i,:); fitness_pbest(i) fitness(i); end if fitness(i) fitness_gbest gbest position(i,:); fitness_gbest fitness(i); end end % 记录收敛曲线 convergence(iter) fitness_gbest;end5. IEEE 33节点仿真结果与经济性分析5.1 算例设置与仿真参数测试用IEEE 33节点配电网基准电压12.66kV总负荷3715kW 2300kvar。这个系统是配电网优化研究的事实标准几乎所有相关论文都用它做对比用它的好处是结果可以跟文献互相印证。PSO参数设置为粒子数30、迭代100次、安装点数上限3个。跑一次完整优化在普通笔记本上大约需要1到2分钟Matlab R2022a环境。这个计算成本在接受范围内因为规划问题不是实时决策跑几十次取最优都很正常。5.2 优化前后网损与电压对比优化前的初始状态总有功网损202.5kW最低节点电压0.913 p.u.节点18馈线末端。经过粒子群优化后一组典型的收敛结果为安装节点补偿容量(kvar)节点12200节点24150节点30150优化后网损降到119.4kW降幅约41%最低节点电压从0.913 p.u.抬升到0.954 p.u.电压质量明显改善。这个结果和同类文献里三节点补偿PSO求解的典型结论基本吻合说明程序和参数配置是靠谱的。细看这个结果很有意思算法没有把电容器堆在根节点附近也没有全部塞到末端电压最低的节点18而是选择了三个中等偏后的节点。原因在于节点12靠近主干线中段补偿能同时压低整条主干线的无功电流节点24和30分别照顾两条分支线末端。这个布局比全部按最低电压节点装要更均衡这正是优化算法相比人工经验判断的价值所在。5.3 投资回收与经济性估算按目标函数里的参数估算年网损电量减少约(202.5-119.4)×3500 290850 kWh电费按0.6元/kWh算每年省下约17.45万元。设备投资按3处安装点、总容量500kvar、固定安装费5000元/点、设备费120元/kvar计算总投资约7.5万元等年值折下来约7500元/年。也就是说这套方案的年净收益约16.7万元投资回收期不到半年。这个回收期快得有点理想化原因是算例里忽略了电容器的运行维护成本、负荷同时率、电价波动等现实因素。但即使把这些都算上配电网分布式无功补偿也属于低成本高回报的节能措施这也是为什么电力公司愿意在配网侧投无功补偿装置。6. 实战中踩过的坑与调参经验6.1 粒子群早熟收敛的应对第一次跑这个程序时我用标准PSO死了两次都没收敛到满意的解每次都是40代以后就停滞最优网损停在135kW左右。后来定位到两个原因一是粒子数太少只有10个位置变量维度高探索能力不足二是惯性权重固定为0.5中期缺乏跳出局部极值的动力。把粒子数加到30、w改成线性递减后收敛质量立刻上了台阶。如果你发现算法总是快速收敛到同一个不太优的值优先检查这两个参数。还有一种增强方法是加入变异操作每隔一定代数随机挑一个粒子把位置重置。这一步虽然不属于标准PSO但在工程上很实用相当于给搜索过程加入随机扰动帮助跳出局部极值。代价是收敛曲线会有抖动但最终结果往往更好。6.2 潮流计算不收敛时的处理粒子群在搜索过程中会产生大量疯狂的决策组合比如在某节点灌入远超负荷的无功功率导致潮流计算迭代发散。如果程序直接报错退出整个优化就崩了。一定要在适应度函数里对潮流函数做保护try [V, P_loss] BackForwardSweep(bus, branch, bus_q_mod); catch F 1e10; % 给一个超大适应度值 return; end给不可行解一个极大罚值而不是直接报错是工程实现的基本功。类似地还可以在潮流函数里设置最大迭代次数超过就返回一个不收敛标志由外层处理。不做这层保护的话程序跑到一半崩溃会让人非常崩溃。6.3 随机性与参数敏感性的验证方法PSO是随机算法每次运行结果不完全一致。做研究时千万不要跑一次就下结论正确做法是同一参数下重复运行20次记录最优值、平均值和标准差。平均值反映算法的稳定搜索能力标准差反映对随机种子的敏感度。我实测20次重复中最优目标值波动在2%以内这个精度满足工程规划要求。另外别忽略对惩罚系数和安装点数的敏感性分析。把安装点数从2个增加到5个你会发现目标函数先快速下降后来趋于平缓——这说明安装点数存在边际效益递减。这类敏感性分析数据放到论文里能有效论证你选择的参数不是拍脑袋拍出来的。最后分享一个调参上的体会PSO真正难调的不是c1和c2这两个认知系数它们在2.0附近的表现已经相当鲁棒真正影响结果的是惯性权重w的处理方式和粒子数/迭代数的搭配。我的习惯是先用小粒子数快速跑通流程确认逻辑无误后再加大规模精算。直接上大参数一旦程序报错排错成本会成倍增加。