粒子群算法在配电网光伏储能优化配置中的原理与实践

1. 先搞清楚这个模型到底解决什么问题

配电网光伏储能优化配置的核心痛点，是在光伏出力波动大、负荷变化频繁的情况下，如何合理确定储能系统的安装位置和容量大小。很多初学者容易把问题简单化为“找个节点塞储能”，但实际要考虑的是光伏和储能的协同效应——光伏白天发电多但负荷可能不高，储能需要把多余电能存起来供晚间高峰使用；同时储能的位置直接影响线路损耗、电压稳定性和投资回报。

这个基于粒子群优化算法的双层模型，上层解决选址定容问题，下层则处理运行优化。IEEE 33节点系统是配电网分析的经典测试案例，包含33个节点、32条支路，有明确的线路参数和典型负荷数据。用Matlab实现的好处是，你可以直接调用现成的配电网潮流计算函数，把重点放在优化算法设计上。

我一般会先跟学生强调：不要一上来就写代码，先把双层优化的物理意义弄明白。上层决策变量是储能的安装位置和容量，下层则在给定配置下模拟一天24小时的运行，计算总成本、电压偏差、网损等指标。粒子群算法在这里负责在上层空间搜索最优配置。

2. 粒子群算法在这个场景下的特殊处理

标准的粒子群优化直接套用到配电网问题会出问题。首先，选址是离散变量（节点编号），而定容是连续变量（容量大小），需要混合编码。其次，配电网有严格的运行约束，比如节点电压必须在±5%范围内，支路功率不能越限，这些约束处理不好就会得到不可行解。

我的经验是，把粒子位置向量设计成两部分：前一部分用整数表示储能安装的节点编号，后一部分用实数表示容量大小。适应度函数要综合计算投资成本、运行成本、网损成本和电压偏差惩罚项。惩罚项很重要——当优化结果违反电压或功率约束时，通过加大惩罚值让粒子自动远离不可行区域。

粒子更新时要注意：离散部分（节点选择）采用取整操作，但需要处理可能出现的重复节点问题。一个实用技巧是，如果多个储能分配到同一节点，只保留一个，其他的随机分配到空闲节点。这样既保持粒子群算法的连续性优势，又符合实际工程中一个节点只能安装一套储能的约束。

下面是粒子位置更新的核心逻辑示例：

% 粒子位置更新（简化版） for i = 1:population_size % 连续部分更新（容量） new_velocity = w*velocity(i) + c1*rand()*(pbest(i)-position(i)) + c2*rand()*(gbest-position(i)); new_position = position(i) + new_velocity; % 离散部分处理（节点选择） node_part = round(new_position(1:num_storage)); % 取整得到节点编号 node_part = unique(node_part, 'stable'); % 去重保持顺序 % 如果节点数不足，补充随机节点 while length(node_part) < num_storage available_nodes = setdiff(1:33, node_part); node_part = [node_part, available_nodes(randi(length(available_nodes)))]; end end

3. IEEE 33节点系统的数据准备和潮流计算

很多人在这一步容易出错。IEEE 33节点系统的标准数据可以在Matlab中直接构建，主要包括节点负荷数据、线路参数和基准电压。配电网潮流计算建议用前推回代法，因为辐射状网络用牛顿法反而效率低。

数据准备阶段要特别注意单位统一：负荷通常用kW或MW，线路阻抗用欧姆，电压基准值用kV。我习惯先把所有数据归一化到标幺值系统，计算完成后再转换回有名值，这样数值稳定性更好。

前推回代法的核心循环如下：

% 前推回代法潮流计算（简化版） max_iterations = 100; tolerance = 1e-6; for iter = 1:max_iterations % 回代过程：从末端节点向根节点计算功率 for i = length(branches):-1:1 % 计算支路功率损耗 [branch_power_loss(i), branch_q_loss(i)] = calculate_loss(branch_current(i), branch_impedance(i)); end % 前推过程：从根节点向末端节点计算电压 for i = 1:length(branches) % 计算节点电压 node_voltage(branches(i).to) = node_voltage(branches(i).from) - branch_current(i) * branch_impedance(i); end % 检查收敛 if max(abs(node_voltage - prev_voltage)) < tolerance break; end end

在实际编码时，要加入光伏出力和储能充放电的功率注入。光伏出力用典型日曲线模拟，储能根据优化结果在特定时段充电或放电。这里最容易忽略的是功率平衡约束——每个节点的净注入功率必须等于负荷功率加上网损。

4. 双层优化的具体实现步骤

双层优化不是简单跑两层循环。上层粒子群算法生成配置方案，下层对每个方案进行24小时时序模拟，计算综合指标作为适应度值。这个过程计算量很大，需要优化代码结构。

我建议的实现顺序：

1. 初始化粒子群：随机生成一组储能配置方案（位置和容量）
2. 下层运行模拟：对每个粒子，进行24小时潮流计算，记录总成本、电压偏差等
3. 计算适应度：综合投资成本、运行成本、网损和电压偏差惩罚
4. 更新粒子状态：根据个体最优和全局最优更新速度和位置
5. 约束处理：检查新位置是否满足工程约束，修复不可行解
6. 收敛判断：如果最优解连续多代没有改进或达到最大迭代次数，停止搜索

下层模拟的关键是处理时间耦合约束。储能的状态（SOC）是连续的，当前时刻的充电量影响后续时段的可放电量。需要建立储能状态转移方程：

% 储能状态更新 for t = 1:24 if charge_power(t) > 0 % 充电 soc(t+1) = soc(t) + charge_power(t) * charging_efficiency / energy_capacity; else % 放电 soc(t+1) = soc(t) + discharge_power(t) / discharging_efficiency / energy_capacity; end % SOC边界约束 soc(t+1) = max(min(soc(t+1), soc_max), soc_min); end

5. 参数调优和结果验证

粒子群算法的参数设置直接影响收敛性能。惯性权重w通常从0.9线性递减到0.4，加速常数c1和c2都取2.0效果不错。种群规模建议30-50，迭代次数100-200次基本够用。

验证结果时不要只看总成本最低的方案。要检查几个关键指标：

• 电压分布：所有节点电压是否在0.95-1.05 pu范围内
• 储能运行策略：充放电时段是否合理，有无过度充放电
• 网损变化：安装储能后网损是否显著降低
• 投资回收期：综合成本下的经济性分析

我一般会输出三个典型方案做对比：成本最优方案、电压质量最优方案和网损最小方案。这样能全面评估配置效果。

下面是结果分析的示例代码：

% 结果分析 best_solution = gbest_position; fprintf('最优配置方案：\n'); for i = 1:length(best_solution.nodes) fprintf('节点%d: %.2f kWh\n', best_solution.nodes(i), best_solution.capacities(i)); end fprintf('总成本: %.2f 元\n', gbest_fitness); fprintf('电压偏差: %.4f pu\n', voltage_deviation); fprintf('网损降低: %.2f%%\n', (initial_loss - final_loss)/initial_loss*100);

6. 实际应用时的注意事项和常见问题

在真实项目中应用这个模型时，有几个容易踩坑的地方：

数据质量问题：理论上的IEEE 33节点数据是理想化的，实际配电网负荷曲线、光伏出力预测都有不确定性。建议先用典型日数据验证算法，再加入不确定性分析。

计算效率优化：双层优化计算量大，可以并行处理不同粒子的下层模拟。Matlab的parfor循环能显著加速，但要注意数据传递的开销。

模型扩展性：这个基础模型可以扩展到考虑多个光伏站点、不同类型的储能技术、分时电价等因素。扩展时要注意保持模型的可解性。

收敛性问题：如果算法不收敛，先检查约束处理是否合理。有时候惩罚系数设置不当会导致粒子在可行域边界振荡。可以尝试自适应惩罚策略。

常见报错和排查顺序：

1. 潮流计算不收敛：检查负荷数据是否合理，线路参数是否正确
2. 电压越限：调整储能充放电策略，增加电压约束权重
3. 算法早熟：增加种群多样性，调整参数设置
4. 内存不足：减少种群规模或优化数据存储方式

最后提醒一点：这个模型的结果是理论最优，实际工程中还要考虑土地约束、设备可用性、维护成本等现实因素。建议把优化结果作为决策参考，而不是绝对执行方案。