基于粒子群算法的分布式电源配电网无功补偿优化

从实际项目出发聊聊含分布式电源的无功补偿优化这件事。我见过太多研究论文把这个问题包装得云里雾里但落到真正用 Matlab 写程序跑仿真时却处处是坑要么配电网的潮流算不收敛要么粒子群算法一优化就陷入局部最优要么调了一星期参数结果还不如不优化。这篇文章我不绕弯子直接把一套可复现的优化策略拆开讲清楚——从数学模型怎么建、目标函数怎么定、约束条件怎么处理到 PSO 算法怎么写、IEEE 33 节点算例怎么搭、仿真结果怎么看再到调参过程中那些文档里不会写的避坑经验一次性讲透。如果你是电力系统方向的研究生、刚接触配电网优化的工程师或者正在做分布式电源并网相关课题但被 Matlab 程序卡住的人这篇文章的内容应该能帮你省下不少瞎折腾的时间。核心思路就一句话用 Matlab 搭建含分布式电源的配电网模型通过粒子群算法优化无功补偿装置的投切容量实现降低网损、改善电压分布的目标。1. 项目整体设计与思路拆解1.1 分布式电源接入后配电网到底出了什么问题传统配电网是单电源辐射状结构电能从变电站母线单向流向负荷电压沿着馈线逐渐降低。无功补偿的任务也相对简单在负荷侧并联电容器组就地补偿无功减少线路上的无功传输从而降低有功损耗、抬高末端电压。但分布式电源尤其是光伏、风电这类间歇性电源接入后情况彻底变了。配电网从一个无源的“用户侧网络”变成了一个有源网络分布式电源在向负荷供电的同时也会向系统注入无功或者从系统吸收无功导致馈线上的无功潮流不再单向流动电压分布也不再是单调递减的曲线。白天光伏大发时馈线末端电压可能被抬高到越上限夜晚光伏退出后末端电压又可能跌到越下限。更麻烦的是分布式电源出力的波动性使得无功需求实时变化传统固定投切的电容器组难以适应这种动态工况。用数据说话在某 10kV 配电网馈线中接入 40% 渗透率的光伏后馈线末端电压从原来的 10.2kV 最高抬升到 10.8kV超过了允许上限的 10.7kV。这不是个例而是分布式电源规模化接入后的普遍现象。1.2 无功补偿方案选型为什么不是单一手段解决上述问题手段不止一种简单对比一下固定/分组投切电容器组成本低、技术成熟但只能阶梯式调节无法连续跟踪无功需求变化而且投切瞬间有涌流冲击问题。静止无功补偿器SVC/SVG响应速度快、可连续调节但设备成本高全馈线配置经济性差。利用分布式电源逆变器剩余容量发无功不需要额外设备投资但受逆变器容量限制而且会挤占有功出力空间光伏大发时恰恰无功需求大这与有功出力产生矛盾。综合优化调度协调电容器组、逆变器无功与变压器分接头建立一个统一的无功优化模型用算法求最优解。这也是当前研究和工程应用的主流方向。本项目的定位就是在方案四的框架下采用 Matlab 程序实现配电网无功优化策略。选择 Matlab 的原因很实际它的矩阵运算能力强适合处理潮流计算中的稀疏矩阵求解工具箱丰富自带优化算法库和绘图函数便于快速验证思路更重要的是高校和科研院所用 Matlab 的用户基数大程序的可读性和交流成本都优于 C 或 Python 中的某些框架。1.3 优化算法选型为什么选粒子群算法无功优化本质上是一个非线性、多约束、混合整数规划问题。决策变量既有电容器组的离散档位整数又有分布式电源的无功出力连续量。传统数学规划方法如内点法、梯度法处理这类问题时有两大痛点一是对初始点敏感容易陷入局部最优二是离散变量处理麻烦需要松弛或分支定界等复杂操作。粒子群算法PSO的优势在于不需要目标函数可导对离散变量和连续变量可以采用统一的编码方式处理全局搜索能力强参数少且容易实现对初值不敏感鲁棒性好。在配电网规模不大本算例 33 个节点、决策变量维度不高十来个变量的场景下PSO 的收敛速度也完全可以接受。2. 数学模型构建与约束处理2.1 目标函数网损最小与电压质量的平衡无功优化的最终目标是让系统运行在经济、安全的工况下。本项目选取两个核心指标构成目标函数有功网损最小。这是无功优化的核心经济指标。配电网的有功损耗主要包括线路铜耗和变压器铜耗可以通过潮流计算得到精确值。对于一个 n 节点系统总网损表示为Ploss Σ(i,j)∈E Gij · (Vi² Vj² - 2·Vi·Vj·cosθij)其中 Gij 是支路电导Vi、Vj 是节点电压幅值θij 是节点电压相角差。电压质量最优。单纯追求网损最小可能导致某些节点电压越限。因此要引入电压偏差惩罚项让优化在降低网损的同时保证电压维持在合格范围内。综合目标函数写作min F Ploss λ · Σ(i1)ⁿ max(0, |Vi - Vref| - ΔVmax)²这里的 λ 是惩罚系数Vref 取 1.0puΔVmax 取 0.05pu对应 10kV 系统允许 ±5% 的电压偏差。实际写程序时惩罚项的处理要特别注意直接写成 max(0, ·)² 的形式是为了让目标函数在可行域内连续可导避免因惩罚项突变导致粒子群震荡。这个细节我在第三节的代码中会具体展示。2.2 约束条件等式约束与不等式约束的完整清单配电网无功优化的约束条件分为三类缺一不可潮流方程约束等式约束。优化后得到的电压、相角、无功出力必须满足潮流方程即Pi Vi · Σ(j∈i) Vj · (Gij·cosθij Bij·sinθij) PLoad,i - PDG,i Qi Vi · Σ(j∈i) Vj · (Gij·sinθij - Bij·cosθij) QLoad,i - QDG,i - QComp,i其中 QComp,i 是节点 i 处补偿装置注入的无功功率。在 Matlab 中用牛拉法或者前推回代法求解配电网潮流时这个约束是通过调用潮流计算函数隐式满足的不需要显式写成等式。不等式约束。包括节点电压上下限约束、分布式电源无功出力上下限约束、补偿容量上下限约束、支路电流热稳定约束等。以电压约束为例Vmin ≤ Vi ≤ Vmaxi 1, 2, ..., n本项目取 Vmin 0.95puVmax 1.05pu。离散整数约束。分组投切电容器组的档位是离散量比如一组 100kvar 的电容器分为 5 档则投切容量只能取 0、100、200、300、400、500kvar 这些离散值。PSO 处理离散变量常用的做法是粒子位置在连续空间更新后对离散变量做就近取整映射。但取整操作会带来精度损失可能导致算法在边界位置震荡。更稳妥的做法是引入一个很小的扰动项让取整前后的偏差不破坏寻优方向。2.3 粒子群算法的基本原理与参数选择粒子群算法的核心思想可以用一个生活场景类比一群鸟在觅食每只鸟既知道自己的历史最佳位置也能感知整个鸟群的最佳位置于是靠这两个信息调整飞行方向和速度最终汇聚到食物所在处。数学上第 i 个粒子的速度和位置更新公式为v(i,k1) ω·v(i,k) c1·r1·(pbest(i) - x(i,k)) c2·r2·(gbest - x(i,k)) x(i,k1) x(i,k) v(i,k1)其中 ω 是惯性权重控制粒子的全局探索能力和局部开发能力的平衡c1、c2 是学习因子分别控制粒子向个体最优和全局最优学习的强度r1、r2 是 [0,1] 之间的随机数。参数取值的经验值惯性权重 ω采用线性递减策略从 0.9 线性递减到 0.4这样迭代前期全局搜索能力强大 ω 有利于探索后期局部开发能力强小 ω 有利于收敛。递减策略比固定权重在大多数测试函数上表现更好。学习因子 c1 c2 2.0这是 PSO 算法提出者 Shi 和 Eberhart 的典型推荐值适用性广。种群规模 N 30~50本问题决策变量维度约 10 个左右30 个粒子足够。最大迭代次数 K 100配电网潮流计算一次大约 0.02 秒100 次迭代 × 30 个粒子 3000 次潮流计算约 60 秒完成时间成本可接受。3. Matlab程序实现与关键环节解析3.1 算例与基础数据准备本项目采用 IEEE 33 节点标准算例系统这是配电网优化研究中应用最广泛的测试系统额定电压 10kV总有功负荷 3715kW总无功负荷 2300kvar有 32 条支路、1 个变电站母线根节点结构是典型的辐射状网络。分布式电源接入位置选择直接决定优化效果的上限。从减少网损的角度DG 的最优接入位置一般在馈线末端的 1/3~2/3 处附近从电压支撑的角度DG 接入末端效果最好但末端 DG 退出时电压跌落也最严重。综合考虑本项目设置两处 DG 接入点节点 17 接光伏有功 500kW无功可调范围 0~200kvar节点 32 接风电有功 400kW无功可调范围 0~150kvar。无功补偿电容器组安装位置取节点 8 和节点 24每个节点装设一组容量 300kvar、分 6 档每档 50kvar的电容器。3.2 主程序框架设计Matlab 程序结构分为六层自顶向下调用main.m % 主脚本初始化参数、调用优化、输出结果 power_flow.m % 潮流计算前推回代法输入节点功率和网络参数输出各节点电压和支路潮流 objective_func.m % 目标函数调用潮流计算计算网损和电压惩罚项 pso_algorithm.m % PSO主循环种群初始化、速度位置更新、边界处理 check_constraints.m % 约束校验电压越限检测、补偿容量离散化处理 plot_results.m % 结果可视化电压分布曲线、收敛曲线、PSO搜索轨迹这样的分层设计有几个好处第一各模块独立性强后续要换算法比如把 PSO 换成遗传算法或差分进化算法只需要替换 pso_algorithm.m其他模块不用动第二调试时可以通过设置断点配合各模块单独验证问题定位快第三代码可读性好再review、复现都方便。3.3 核心代码目标函数与 PSO 主体目标函数是整段程序的核心直接决定优化方向是否正确。下面给出 objective_func.m 的关键代码function [F, Ploss, Vmin] objective_func(x, data) % 解码x 是粒子位置向量 % x(1)~x(2) 是电容器档位离散 % x(3)~x(4) 是 DG 无功出力连续 n_comp length(data.comp_node); n_dg length(data.dg_node); % 离散变量就近取整映射到合法档位 cap_ratio round(x(1:n_comp)); cap_ratio max(0, min(cap_ratio, data.comp_steps)); Qc cap_ratio .* data.comp_step_size; % 连续变量限制在上下限内 Qdg x(n_comp1 : n_compn_dg); Qdg max(data.dg_qmin, min(Qdg, data.dg_qmax)); % 计算节点注入功率调用潮流计算 data.Q_load(data.comp_node) data.Q_load(data.comp_node) - Qc; data.Q_load(data.dg_node) data.Q_load(data.dg_node) - Qdg; [V, Ploss] power_flow(data); % 电压偏差惩罚项 Vmin min(V); V_dev max(0, abs(V - 1.0) - 0.05); penalty data.lambda * sum(V_dev.^2); F Ploss penalty; endPSO 主体程序的关键在于速度和位置更新以及边界处理for iter 1 : max_iter w 0.9 - 0.5 * (iter / max_iter); % 惯性权重线性递减 for i 1 : pop_size r1 rand(dim, 1); r2 rand(dim, 1); % 速度更新 v(i, :) w * v(i, :) c1 * r1 .* (pbest(i, :) - x(i, :)) ... c2 * r2 .* (gbest - x(i, :)); % 速度限幅防止粒子飞出搜索空间 v(i, :) max(vmin, min(vmax, v(i, :))); % 位置更新 边界反射 x(i, :) x(i, :) v(i, :); x(i, :) max(xmin, min(xmax, x(i, :))); end % 评估并更新个体最优和全局最优 for i 1 : pop_size [F, ~, ~] objective_func(x(i, :), data); if F pbest_fit(i) pbest_fit(i) F; pbest(i, :) x(i, :); end if F gbest_fit gbest_fit F; gbest x(i, :); end end best_record(iter) gbest_fit; end3.4 前推回代法潮流计算要点配电网潮流计算和输电网不同不能用简化的 P-Q 分解法因为配电网 R/X 比值大有功和无功耦合强最常用的是前推回代法。基本原理分两步前推从末端节点向根节点推根据节点电压初始设为额定电压和负荷功率逐步计算每条支路的功率损耗得到支路首端功率。回代从根节点向末端节点代根据支路功率和已知的首端电压逐步计算各节点电压降得到各节点电压更新值。两个步骤交替进行直到两次迭代的电压差小于收敛精度一般取 1e-6为止。实现时的关键细节是节点编号和支路数据的一致性。IEEE 33 节点的数据文件中支路是“首节点-末节点-电阻-电抗”的格式前推回代时每次要从末端向首端搜索如果数据组织不好会浪费大量 time 在节点搜索上。我的做法是先把网络拓扑转换成“面向支路的父子关系矩阵”一次性记录每条支路的父节点和子节点之后每次迭代直接按这个关系顺序计算避免重复搜索。4. 仿真结果分析与对比4.1 不同场景的设置说明为了验证优化策略的有效性设置四种场景进行对比场景 A基准场景分布式电源有功出力 50% 额定值无功出力为 0电容器不投入即不采取任何优化措施。场景 B固定补偿电容器按经验法手动设定为某一固定档位分布式电源无功出力为 0。场景 CDG 无功优化电容器固定仅优化分布式电源无功出力。场景 D综合优化同时优化电容器档位和 DG 无功出力即本项目提出的完整策略。这四种场景的对比设计是为了把“电容器优化的贡献”和“DG 无功优化的贡献”分开看这样能更清楚地知道在工程中值得优先投入哪种手段。4.2 优化结果的指标对比通过 Matlab 程序运行仿真四种场景的关键指标如下表场景总网损kW最低电压pu最高电压pu优化率A 基准194.30.9121.008-B 固定补偿167.50.9311.01213.8%C DG 无功优化158.20.9421.01518.6%D 综合优化141.60.9581.01127.1%可以看到综合优化的效果最显著网损从 194.3kW 降到 141.6kW降幅达到 27.1%同时最低电压从 0.912pu 抬升到 0.958pu越限问题得到解决。对比场景 B 和 C 可以发现单独优化 DG 无功的效果优于单独固定电容器补偿这是因为 DG 安装在末端其无功支撑对末端电压的抬升作用比在中间节点的电容器更明显。4.3 迭代收敛过程与电压分布曲线从 PSO 的收敛曲线可以看到前 20 代目标函数值下降非常快从初始的 230 多降到 160 左右20 代到 60 代进入缓慢下降阶段从 160 降到 145 左右60 代以后基本平稳在 141~143 之间小幅波动。这说明 100 代的迭代次数设置是充足的如果想压缩时间用 60~80 代也可以得到接近的结果。电压分布曲线的对比更加直观场景 A 电压沿着馈线从 1.0pu 单调下降到 0.912pu末端严重越限场景 D 电压整体抬高且分布更平缓最低电压提到 0.958pu 以上同时最高电压没有超过 1.02pu说明优化过程没有牺牲某一端来照顾另一端。5. 常见问题与调参经验实录5.1 潮流不收敛或收敛慢怎么办这是配电网程序中最高频的问题我见过至少三种原因原因一节点数据错位。IEEE 33 节点系统在网上的数据文件有很多版本有些是标幺值描述有些是我国 10kV 系统常用的有名值描述还有极少数版本支路数据的电阻、电抗位置写反了。排查方法很简单先用已知负荷功率手算几个关键节点的电压和网损和程序输出对照差得离谱基本就是数据文件本身有问题。原因二潮流迭代初值设置不合理。前推回代法对初值不敏感但也不是随便给都行。如果系统中有分布式电源接入DG 节点应设置电压初值为 1.0puPV 节点类型还要限制无功出力范围。有些程序把 DG 节点当成 PQ 节点无功初值为 0在 DG 无功可调的场景下潮流计算会因为无功不平衡而震荡。解决办法是采用 PV-PQ 节点类型转换策略先按 PQ 节点计算若无功越限转为 PV 节点固定无功出力重新迭代。原因三收敛精度设置过严。取 1e-8 或更小虽然听上去更精确但配电网潮流的物理精度并不需要这么高——本身模型参数就有误差电压达到 1e-4pu 精度对工程已经完全够用。收敛精度设置过严纯粹是在消耗 CPU 资源。配电网潮流计算中常用的技巧是添加“虚拟负荷”对于轻载或空载的末端节点加一个极小的虚拟负荷比如 0.001kW避免在迭代中出现除法分母过小的数值问题。这个技巧在处理弱环网或含 DG 的末端节点时非常有效。5.2 PSO 容易陷入局部最优怎么破粒子群算法本身存在早熟收敛的问题尤其在搜索空间存在多个局部最优解的情况下。常见的表现是多次运行程序得到的最优解差别很大而且目标函数值反复停留在某个偏高的水平。我的排查和解决方法如下增加随机性和种群多样性。检查 r1、r2 随机数种子是否固定了。在调试阶段固定随机种子有利于对比算法效果但最终跑实验必须放开随机种子否则优化结果不可复现审稿人或者同事让你再跑一次就尴尬了。引入压缩因子或变异策略。标准 PSO 在速度更新公式之外可以加入一个扰动项类似遗传算法中的变异让某些粒子以一定概率随机重置位置增强全局探索能力。经验参数变异概率取 0.05~0.1变异幅度取搜索空间宽度的 10%~20%。多次运行取最优。工程实践中用同一个 PSO 程序跑 10 次然后取 10 次中的最优解作为最终结果。这样做虽然增加了计算量但对于离线优化场景本项目的典型应用完全可接受。在论文或报告中同时给出多次运行的目标函数均值、标准差和最优值这比只给一次运行结果更有说服力也体现了算法的稳定性。5.3 目标函数值出现抖动或异常跳变当目标函数在迭代过程中出现锯齿状跳变而不是平滑下降时常见原因有两个离散变量取整引入的跳变。粒子位置在连续空间更新取整到电容器档位后目标函数会产生阶梯状变化。如果电容器档位粒度很大比如每档 100kvar这种跳变会非常明显。解决思路有两个一是把目标函数中的离散项平滑化处理例如用 Sigmoid 函数近似取整二是控制速度更新幅度让粒子在离散档位附近的小范围内精细搜索避免因速度过大直接跳过最优档位。惩罚系数设置不当。λ 太小电压越限惩罚不足粒子会把电压撑到限值边缘目标函数出现隐性波动λ 太大惩罚项主导目标函数网损的优化被淹没最终结果虽然是电压合格但网损优化空间没挖出来。经验做法是先跑一次不带电压惩罚的优化记录电压越限的总幅度再据此估算一个使惩罚项与网损项数量级相当的 λ。例如电压越限幅度平均 0.05pu、节点数 33网损约 150kW则 λ 取 150 / (33 × 0.05²) ≈ 180最后再在这一量级附近微调。5.4 程序运行时间过长如何优化如果网络规模很大几百个节点或优化变量很多程序运行时间可能从十几分钟飙升到几小时这时候需要做性能优化潮流求解器向量化前推回代法在 Matlab 中要尽量避免 for 循环逐支路计算而是把支路参数组装成矩阵整层前推、整层回代。用矩阵运算替代循环通常能把潮流计算提速 5~10 倍。并行计算PSO 种群中每个粒子的目标函数评估互不依赖可以使用 Matlab Parallel Computing Toolbox 中的 parfor 并行计算在 4 核机器上实测能提速 3 倍左右。减少不必要的高频评估在迭代后期粒子聚集程度高很多粒子位置非常接近可以设置一个“相似粒子判定”如果某个粒子与全局最优解的欧氏距离小于阈值就跳过该粒子的目标函数计算直接用上次结果代替。这个技巧能节省约 20%~30% 的计算量但要注意阈值不能设得太大否则会丢失精度。6. 从仿真到工程应用的扩展思考6.1 模型从 IEEE 33 节点到实际馈线的扩展IEEE 33 节点算例是研究用的标准测试系统但实际工程中的配电网规模更大、拓扑更复杂还有考虑到三相不平衡、负荷时变性、DG 出力预测误差等因素。从研究走向应用至少还有三个层面的工作要做负荷建模的精细化把静态恒功率负荷模型扩展为 ZIP 负荷模型考虑电压变化对负荷本身的影响这会让优化结果更贴近实际。考虑时序特性DG 出力和负荷都有明显的时序规律单时间断面的优化结果不能直接作为全天调度方案。更合理的方式是建立 24 时段的多时间尺度优化模型在日时间尺度上安排电容器组的动作计划在小时甚至分钟时间尺度上调节 DG 无功出力。三相不平衡的处理中低压配电网普遍存在三相不平衡问题单相潮流模型会掩盖这一矛盾导致某些相电压越限而其他相正常。扩展三相潮流计算模型时前推回代法依然适用但支路参数和节点功率都要扩展为 3×3 矩阵的形式。6.2 算法层面的升级方向PSO 在这个规模的问题上表现不错但如果扩展到大规模配电网或主动配电网的日前调度计算效率问题就会凸显出来。一个被验证过的有效方案是先用 K-means 聚类或场景削减技术把 24 时段的 DG 出力和负荷场景缩减为 5~8 个典型场景再做场景内优化和场景间协调这样能在保持优化精度可接受的前提下大幅降低计算量。也可以考虑引入改进算法如量子行为粒子群、自适应变异 PSO、混合粒子群-差分进化算法等。但这些改进未必在所有场景下都优于标准 PSO实际对比后才能下结论。我个人在做这类对比实验时的建议是先用标准 PSO 跑通整个流程再花时间改算法这样不至于在最基础的环节上就卡壳。6.3 关键参数速查表最后整理一份调参速查表方便你直接对照使用参数/配置推荐值调整方向说明粒子数 N30~50变量多时取大值但计算量线性增加最大迭代次数80~120目标函数已稳定且多次运行结果接近即可减小惯性权重 ω0.9 线性递减至 0.4前期探索、后期开发最常用的固定递减模式学习因子 c1/c22.0 / 2.0若收敛过慢可尝试 c12.8, c21.3非对称配比电压惩罚系数 λ150~200应保持网损项与惩罚项数量级相当潮流收敛精度1e-5~1e-6过严只会拖慢速度精度提升无实际意义速度限幅 vmax搜索空间宽度的 10%~20%过大会跳过最优区域过小会陷入局部最优变异概率0.05~0.1用于增强全局探索避免早熟收敛随机种子正式实验不固定固定种子只用于调试对比我在实际操作中的体会是调参这种事最忌讳一次改多个参数。每次只动一个参数记录目标函数和收敛曲线的变化才能形成参数和效果之间的映射关系。你拿到的任何推荐参数都只是起点真正贴合你具体问题的参数一定是在反复试错中逐步逼近的。这个项目做完之后我把这套程序继续扩展到了含储能系统协调优化的场景在不改变主框架的前提下只需要在目标函数里增加储能充放电的收益项在决策变量里增加储能的充放电功率算法逻辑完全复用。这也是这套设计最让我满意的部分——把各功能模块的耦合度降到最低后续加需求时就不用推倒重来。