我在做配电网调度相关项目时，最头疼的往往不是设备本身，而是每天都要面对的那一摞调度方案。分布式光伏一多，天气一变，负荷曲线就跟着乱跳，人工调度排出来的方案要么保守、要么不收敛，反复试算下来一个上午就没了。后来我把粒子群优化算法引入到调度计划编制里，用智能算法自动搜索可行且经济的出力组合，实测效果比人工经验方案稳定得多。这篇博文就围绕粒子群优化在配电网调度中的实战应用来写，从问题建模、算法原理、代码骨架到参数调优和算例验证，尽量把关键细节讲透，适合刚接触智能算法的电力专业学生，也适合想在自己的项目里落地PSO的工程师参考。
1. 先看懂问题再谈算法：配电网调度到底在优化什么
很多人一听到"配电网调度"，第一反应是电网调度中心的大型系统，跟自己没什么关系。实际上，配电网调度的本质是一道资源分配题：在某个调度周期内（比如未来24小时），系统里有若干台分布式光伏、风电、储能、可调负荷，我们要决定每一台设备在每个时段出多少力、充多少电、切多少负荷，使得整体运行成本最低、电压质量最好、设备不超载。
1.1 传统调度为什么越来越吃力
早期的配电网结构简单，负荷也相对稳定，调度规则可以做成查表或线性规划，靠人工经验加Excel就能应付。但最近几年分布式电源大规模接入之后，情况完全变了。光伏出力受云层影响可能短时间内剧烈波动，电动汽车充电负荷集中在傍晚高峰，储能系统又引入了充放电时序耦合的问题——这一秒的充放电决策会影响下一秒的荷电状态。整个问题变成高维度、非线性、带时序约束的复杂优化问题。
传统方法处理这类问题通常要先把模型线性化，把非线性的潮流方程近似成线性关系。这样做虽然求解快，但误差在重负荷场景下会被放大，得到的调度方案可能在真实潮流下根本不满足电压约束。这也是一些配电自动化系统"算出来的方案不敢直接用"的根本原因。
1.2 一个可以量化的调度问题模型
把问题落到数学上，配电网调度的通用模型长这样：
目标函数（以一天24小时、每小时一个时段为例）：
min F = Σ(购电成本t + 储能运行成本t + 弃光弃风惩罚t + 网损折算t)
其中购电成本是从上级电网买电的费用，储能运行成本可以简单折算成充放电循环的损耗，弃光弃风惩罚是为了防止算法为了省钱一味切除分布式电源，网损折算则是希望调度方案本身更经济。
约束条件包括：
- 功率平衡：每个节点的注入功率等于流出功率加上该节点负荷和线损；
- 节点电压上下限：配电网一般要求0.93 p.u.到1.07 p.u.；
- 支路容量约束：每条线路的潮流不能超过额定容量；
- 储能SOC约束：荷电状态保持在20%到90%之间，且受充放电功率限制；
- 爬坡约束：分布式电源和储能的出力变化率不能超过设备限制。
这些约束里，功率平衡和电压约束需要靠潮流计算来校验，这也是配电网调度问题和一般数学优化问题最大的区别——评价一个解好不好，不能只看代数公式，必须跑一遍潮流。
2. PSO凭什么能在调度问题里落地：算法原理与选型理由
粒子群优化算法，简称PSO，是Kennedy和Eberhart在1995年提出的群体智能算法。它的灵感来自鸟群觅食：一群鸟在一片区域内找食物，每只鸟知道自己当前的位置和发现过的食物最好的位置，也知道整个群体发现过的最好的位置，然后根据这两条信息调整自己的飞行方向和速度。对应到优化问题上，每只鸟就是一个候选解，食物最丰富的地方就是最优解。
2.1 鸟群觅食的启发：PSO的迭代逻辑
PSO的数学描述其实非常简单。假设我们要优化D个变量，那么一个粒子就是一个D维向量x = (x1, x2, ..., xD)。每个粒子还维护一个速度向量v，以及它自己的历史最优位置pbest。整个粒子群维护一个全局最优位置gbest。
每一次迭代，粒子的速度和位置按照下面两个公式更新：
v_i(t+1) = w·v_i(t) + c1·r1·(pbest_i - x_i(t)) + c2·r2·(gbest - x_i(t))
x_i(t+1) = x_i(t) + v_i(t+1)
这里面w是惯性权重，c1和c2是学习因子，r1和r2是0到1之间的随机数。
用大白话解释：第一项"惯性"让粒子保持原来的飞行趋势，相当于不想突然转弯；第二项"自我认知"让粒子飞向自己历史上发现的最好位置；第三项"群体认知"让粒子飞向整个群体发现的最好位置。三个力一叠加，粒子群就会在搜索空间里逐渐向最优区域靠拢。
2.2 和遗传算法、模拟退火相比，PSO的优势边界
我在项目里做算法选型时，主要从三个维度对比了遗传算法（GA）、模拟退火（SA）和粒子群优化，结论如下表：
| 维度 | PSO | GA | SA |
|---|---|---|---|
| 实现复杂度 | 低，核心公式一套就能写 | 中，需处理编码、交叉、变异 | 低，但参数敏感 |
| 需要的调节参数 | 3个（w、c1、c2），经验成熟 | 较多（种群规模、交叉率、变异率、选择策略） | 退火温度曲线较难定 |
| 对连续变量的适配 | 天然贴合，无需编码 | 需要将连续变量离散编码 | 适合，但单点搜索效率偏低 |
| 收敛速度 | 较快，群体信息共享明显 | 中等，依赖交叉变异算子 | 慢，本质是串行搜索 |
| 全局搜索能力 | 中等偏上，配合参数衰减效果好 | 强，变异机制保多样性 | 强，理论上有概率跳出局部最优 |
配电网调度里的核心决策变量——储能充放电功率、可调负荷削减量、分布式电源出力——基本都是连续变量，PSO不需要编码解码，直接拿实数向量表示调度方案，这个优势在实现阶段非常省事。更重要的是，PSO不要求目标函数可导、不要求约束是线性的，非线性潮流约束可以直接通过外部潮流计算函数评估，这正好命中配电网调度的痛点。
当然PSO也有自己的短板：离散变量（比如联络开关的开合状态）处理起来不顺手；在超高维问题上容易陷入局部最优。所以我在实际工程里的策略是：连续变量用PSO搜索，离散变量要么枚举、要么先松弛成连续值再取整做可行性修复。下面会详细讲这个处理过程。
3. 实战搭建：从目标函数到PSO迭代的完整链路
纸上谈兵讲了这么多，下面进入正题。我以Python作为实现语言，潮流计算用pandapower库，搭建一个完整的PSO配电网调度求解器。整体结构分为三层：决策变量编码层、目标函数评估层、PSO迭代层。
3.1 决策变量的编码设计与初始化
配电网调度周期的粒度一般取1小时，一天就是24个时段。我在这个算例里设计的决策变量包括三组：
- 储能系统每个时段的充放电功率，一个长度为24的向量，正数表示放电，负数表示充电；
- 可调负荷每个时段的削减比例，同样是长度24的向量，范围0到1；
- 分布式光伏每个时段的弃光比例，长度24的向量，范围0到1。
这样每个粒子就是一个3×24=72维的实数向量。粒子初始化时在各自的边界范围内随机取值即可。这里有一个很容易忽略的细节：储能SOC的初始值通常给定为50%，但一天的充放电量必须保证结束时SOC回到允许范围内。随机的初始粒子很可能不满足这个条件，如果放任不管，算法会把大量时间浪费在搜索不可行解上。
我的做法是在初始化阶段做一个简单修正：先随机生成储能功率序列，然后按时间顺序累加计算SOC曲线，如果SOC越界或者终点SOC偏离目标值，就在整个序列上做一个统一的平移或缩放，保证SOC始终在上下限内且终点回到50%左右。这个小操作能显著减少后续迭代的无效搜索。
3.2 约束条件处理：惩罚函数与时序耦合
约束处理是配电网调度建模里的核心环节。我采用的方案是惩罚函数法：把每个约束的违反量量化后乘以一个罚系数，加进目标函数里。
具体来说，代码里的约束评估函数大致是这样：
def evaluate_constraints(net, solution): penalty = 0.0 # 潮流计算后检查节点电压 for bus_idx in range(len(net.bus)): v_max = max(0, voltage[bus_idx] - 1.07) v_min = max(0, 0.93 - voltage[bus_idx]) penalty += 1000 * (v_max + v_min) # 检查支路负载率 for line_idx in range(len(net.line)): overload = max(0, loading[line_idx] - 1.0) penalty += 800 * overload # 检查储能SOC时序约束 for t in range(24): soc_low = max(0, 0.2 - soc[t]) soc_high = max(0, soc[t] - 0.9) penalty += 500 * (soc_low + soc_high) return penalty罚系数的设置有一个经验法则：让正常目标函数值（比如购电成本加网损）跟罚项在数量级上匹配。如果目标函数值是几万元，罚系数定在几百到一千就够；如果罚系数定得太大，比如一百万，那么算法会优先满足约束而完全忽视经济性，得到的方案虽然可行但成本很高。我习惯的做法是先跑一次没有约束的松弛解，看看目标函数的大致量级，再据此设定罚系数。
| 约束类型 | 罚系数量级参考 | 说明 |
|---|---|---|
| 电压越限 | 目标函数量级的10~20倍 | 电压越限对安全影响大，优先级高 |
| 支路过载 | 目标函数量级的5~10倍 | 过载可能触发保护跳闸 |
| SOC越限 | 目标函数量级的3~5倍 | SOC越限会缩短电池寿命 |
| 弃光弃风惩罚 | 直接作为目标函数一部分 | 反向激励，不宜过大 |
3.3 PSO核心迭代流程与代码骨架
目标函数评估函数准备好之后，PSO迭代层反而很薄。核心骨架如下：
import numpy as np def pso_schedule(eval_func, dim=72, pop_size=40, max_iter=150): w_max, w_min = 0.9, 0.4 c1, c2 = 2.0, 2.0 lb = np.array([-0.5]*24 + [0]*24 + [0]*24) ub = np.array([0.5]*24 + [1]*24 + [1]*24) x = np.random.uniform(lb, ub, size=(pop_size, dim)) v = np.random.uniform(-0.1, 0.1, size=(pop_size, dim)) pbest_x = x.copy() pbest_score = np.array([eval_func(xi) for xi in x]) gbest_idx = np.argmin(pbest_score) gbest_x = pbest_x[gbest_idx].copy() gbest_score = pbest_score[gbest_idx] for t in range(max_iter): w = w_max - (w_max - w_min) * t / max_iter r1, r2 = np.random.rand(dim), np.random.rand(dim) v = w * v + c1 * r1 * (pbest_x - x) + c2 * r2 * (gbest_x - x) x = x + v # 边界处理：越界则拉回边界 x = np.clip(x, lb, ub) # 评估新位置 scores = np.array([eval_func(xi) for xi in x]) # 更新个体最优和全局最优 better = scores < pbest_score pbest_x[better] = x[better] pbest_score[better] = scores[better] if pbest_score.min() < gbest_score: gbest_idx = np.argmin(pbest_score) gbest_x = pbest_x[gbest_idx].copy() gbest_score = pbest_score[gbest_idx] return gbest_x, gbest_score这段代码看起来不长，但已经把PSO的完整迭代逻辑都覆盖了。需要特别说明的是第12行的边界处理：我直接用了np.clip把越界粒子拉回边界。这个处理方式对配电网调度很重要，因为如果让粒子的位置跑到变量范围之外，潮流计算很可能直接报错，或者产生极其离谱的电压越限，反而干扰搜索方向。
4. 参数调优与踩坑实录：让PSO不早熟、不振荡
PSO算法本身只有三四个核心参数，但恰恰是这些参数决定了一个调度系统能不能在150代内稳定收敛。这一节把我调参过程中积累的经验和踩过的坑分享出来。
4.1 惯性权重衰减：从0.9到0.4的讲究
惯性权重w决定粒子保持原有速度的程度。w大，粒子飞得快，全局探索能力强；w小，粒子飞得慢，局部开发能力强。早期版本PSO把w固定为常数，效果不太好：w偏大时后期在最优解附近来回振荡，w偏小时前期快速陷入局部最优。
我在配电网调度场景里全部采用线性递减策略，w从0.9降到0.4。前30代让w保持在0.8以上，相当于粒子群在广阔范围内搜寻各类可能的调度组合；最后30代w降到0.5以下，让粒子群集中精力在最优区域附近精调储能功率和可调负荷削减比例。
这个策略对应到调度问题的直观理解是：前期需要探索各种不同的充放电组合，避免漏掉某个时段的最优策略；后期则要收敛到一条具体的、满足所有约束的出力曲线。实践表明，150代迭代下，线性递减比固定w=0.7的方案平均成本低3%到5%。
4.2 越界粒子与约束违反的处理
这是个非常实际的坑。刚开始我把粒子速度上限设得很大，结果粒子一步就从可行域飞出去十万八千里，潮流计算出来的电压全是下限值，罚项暴涨，粒子群彻底懵了，前50代都在往回爬。
后来我做了两件事：第一，对速度做钳制，最大速度设为变量搜索范围的20%。比如储能功率范围是-0.5到0.5 MW，速度范围就限制在-0.2到0.2 MW/步。第二，对位置越界的处理从"拉回边界"改为"拉回边界且速度反向减半"。这个改动借鉴了物理碰撞反弹的思路，避免粒子贴边后再次同方向冲出去。
还有一种情况也值得提：SOC的时序耦合约束。储能系统的SOC是一条按时间累加的曲线，粒子更新后SOC可能在某些时段越界。单纯加罚函数能引导搜索，但效率不高。我后来在评估函数里做了SOC修正：当SOC低于下限时，把对应时段的充电功率强制提高，直到SOC回到最低值之上。这种"约束修复"和罚函数混合使用的策略，比纯罚函数收敛快很多。
4.3 陷入局部最优的典型信号与对策
最让人头疼的问题是算法早熟：gbest在30代以内就不再变化，但目标函数值明显高于预期。我总结出两个典型信号：
一是粒子多样性快速丧失。所有粒子的位置迅速靠拢到gbest附近，pbest更新频率急剧下降。这个时候不管迭代多少代，都很难跳出当前局部最优。
二是惩罚项长期不为零。gbest虽然不再变化，但方案里仍然存在电压越限或SOC越限，说明算法卡在了一个不可行的局部最优解上。
针对第一种情况，我在代码里加入了"多样性监控+随机扰动"机制：每隔10代计算一次所有粒子到gbest的平均归一化距离，如果这个距离低于阈值0.01，就对粒子的位置做一次小范围随机重置。针对第二种情况，我倾向于增大罚系数或者减少设备变量的搜索范围，先把约束满足度拉上来，再逐步放松罚系数做精细优化。
我最终沉淀下来的一组推荐参数如下：
| 参数 | 推荐值 | 调参说明 |
|---|---|---|
| 粒子数 | 40~50 | 72维变量下40个粒子性价比最好，再多收益不明显 |
| 迭代次数 | 150~200 | 150代基本收敛，200代更稳 |
| 惯性权重w | 0.9→0.4线性递减 | 前期探索、后期开发 |
| c1、c2 | 均为2.0 | 标准配置，工程上够用 |
| 速度钳制 | 变量范围的20% | 防止飞越，保持搜索稳定 |
| 罚系数 | 目标函数量级的5~20倍 | 先跑松弛解估算量级 |
5. 算例验证：一个简化配电网的调度效果对比
理论讲了一堆，没有实际数字说服力还是不够。这里用一个基于IEEE 33节点系统简化而来的10节点配电网算例，验证PSO调度方案在经济效益和电压质量两个维度的表现。
5.1 算例设定与参数表
算例网络为辐射状结构，基准电压12.66 kV，总负荷峰值约4.5 MW。系统内接入：
- 2台分布式光伏，额定容量分别为1.2 MW和0.8 MW；
- 1台储能系统，容量1 MWh，最大充放电功率0.4 MW；
- 1组可调负荷，最大可削减量为0.6 MW。
调度周期24小时，步长1小时。购电电价参考一般工商业分时电价：峰时1.1元/kWh，平时0.7元/kWh，谷时0.4元/kWh。光伏出力曲线按典型晴天出力设定，负荷曲线取典型夏季日负荷。我跑了150代PSO，粒子数40，参数按上一节的推荐值设置。
5.2 结果对比：PSO与传统等比例分配
对照组采用传统调度方式：所有分布式电源全额出力，储能不充不放，可调负荷不做削减。这种方案在负荷高峰时段严重依赖上级电网供电，末端节点电压明显偏低。
PSO调度组的结果由算法自动生成储能充放电曲线、光伏弃光策略和可调负荷削减计划。最终效果对比如下：
| 指标 | 传统方案 | PSO调度方案 | 改善幅度 |
|---|---|---|---|
| 日运行总成本（万元） | 6.87 | 6.21 | 降低9.6% |
| 末端最低电压（p.u.） | 0.918 | 0.973 | 电压质量显著提升 |
| 网损电量（MWh） | 1.42 | 1.09 | 降低23.2% |
| 可调负荷总削减量（MWh） | 0 | 1.87 | 对应补偿成本计入总成本 |
从表里可以明显看到，PSO方案在降低成本的同时把末端最低电压从0.918 p.u.提升到0.973 p.u.，稳稳落在0.93到1.07的允许区间内。这里面的原理其实很简单：算法在峰时电价时段让储能放电、削减部分非关键负荷，在谷时电价时段给储能充电；同时适当弃掉一小部分光伏出力，避免了局部电压越限，换来的是整体运行成本的下降。
5.3 收敛过程分析
为了方便读者判断算法是否正常收敛，我把每代gbest对应的目标函数值记录了下来，几个关键节点是：
| 迭代代数 | gbest适应度值（万元） | 状态说明 |
|---|---|---|
| 第1代 | 7.86 | 初始随机解，约束违反较多 |
| 第10代 | 6.95 | 约束基本满足，成本快速下降 |
| 第30代 | 6.38 | 已接近最优成本区间 |
| 第60代 | 6.27 | 进入精细调整阶段 |
| 第100代 | 6.22 | 基本收敛 |
| 第150代 | 6.21 | 最终收敛值 |
从代际数据看，前30代是目标函数下降最快的区间，这对应惯性权重较大的探索阶段；30到100代逐步进入开发阶段，成本下降幅度变缓；100代之后基本平稳，说明算法在150代内收敛是可靠的说法。如果读者在自己的项目里发现前10代成本就停止下降了，多半是初始粒子质量太差或者罚系数设置失衡，需要回到参数设置上做排查。
6. 个人体会与后续扩展
整套流程跑下来，我对粒子群优化在配电网调度中的角色有了比较清晰的认识。它不是一个能解决所有调度问题的万能工具，但在"连续变量为主、约束非线性强、对求解速度有要求"的场景里，PSO确实是一个性价比极高的选择。
6.1 在真实工程里部署PSO的几点提醒
第一，先跑通小算例再上大系统。我见过不少同行直接在几百节点的大网上调PSO参数，结果跑一次潮流要好几分钟，调参周期长到让人崩溃。正确做法是在10到30节点的简化网络上先把参数和行为摸透，再迁移到大系统。
第二，每改一次约束条件都要回归验证。PSO对罚系数非常敏感，把电压约束从0.93改到0.95，可能整套罚系数都要重新调。建议把验证算例固化成回归测试，每次改动自动跑一遍。
第三，不要迷信"最优解"。配电网调度模型里包含大量预测数据和近似假设，所谓最优解本身就有误差。PSO能给到一条可行的、明显优于人工经验的调度曲线，工程价值就已经达到了。
第四，把调度结果可视化地检查一遍。算法输出的储能出力曲线和可调负荷削减曲线要符合常识，比如光伏出力应该在白天、储能充电应该在谷时。如果算法给出的曲线反常识，往往不是算法错了，而是模型里某个约束或者参数设置有问题。
6.2 可以继续深挖的方向
我用PSO解决了基础的调度问题之后，又在两个方向上做了延伸。一个方向是把预测误差考虑进来，用多个光伏出力场景代替单条确定性曲线，每个场景给一个权重，目标函数变成期望成本最小化，PSO只需要在评估函数里多跑几次潮流，改动很小但结果对不确定性更鲁棒。另一个方向是把多目标的需求加进来，比如同时最小化运行成本和碳排放量，这时可以引入多目标粒子群优化（MOPSO），维护一个Pareto前沿，最终让调度人员根据偏好选点。这两个方向在代码架构上都是在现有PSO骨架上做扩展，不改变整体流程，这也是我当初选择PSO作为基础算法的另一个重要原因。
