前阵子有个做配电网规划的朋友问我手头一个光伏接入方案领导只丢下一句找个合适的位置装个合适的容量听起来轻飘飘真正算起来能折腾一整天。分布式电源(DG)的定容问题说白了就是回答两件事装在哪、装多大。别看只是两个决策点它直接决定线损水平、电压质量和DG的利用率。我这次把整套DG定容计算程序整理成了一套可交付的项目——包括设计源文件、万字报告、配套讲解和参考资料正好借这篇文章把核心思路、代码骨架和踩过的坑公开聊一遍供正在做配电网规划、写毕业论文、或者拿IEEE 33节点算例练手的朋友直接参考。1. 什么叫DG定容配电网规划真正的题眼在哪1.1 装哪里、装多大背后的物理含义DG定容全称是分布式电源的选址定容Siting and Sizing。选址解决的是并网点位置定容解决的是接入容量。很多人把这两个词拆开看但实际工程里它们根本拆不开因为同一套潮流方程里位置变了最优容量就变了二者是强耦合的非线性关系。为什么这么重要因为DG接入配电网不是插个电源那么简单。配电网原本是单电源辐射状网络潮流方向从变电站单向流向负荷。接上DG之后系统变成了多电源网络局部可能出现逆向潮流节点电压会被抬高馈线电流分布也会改变。装得好系统网损下降、电压曲线变平装得不好某些节点电压越上限某些馈线段过载DG利用率还低。这就是为什么配电网规划项目里定容是最常被挑刺的环节——拍脑袋选的位置做潮流分析时一定原形毕露。1.2 定容问题的工程目标不止是降网损网损最小是最常见的定容目标但实际项目里往往不只这一个诉求。我梳理一下常用的目标函数类型网损最小以系统有功损耗最小为目标对应经济性最直观。电压偏差最小让所有节点电压接近额定值对应电能质量。年综合费用最小包含DG投资成本、运维成本、购电成本和网损费用对应全生命周期经济性。多目标加权把上面几个目标加权求和或者用帕累托前沿。工程上最务实的是以网损最小为单目标然后在约束里限死电压范围。因为多目标优化看起来美观但在实际工程项目里权重怎么定是个扯皮的事而且对最终选址结果影响很大。单目标网损最小结果稳定、解释容易报告里好写专家评审也好通过。1.3 谁需要这套程序目标场景非常明确这套程序和服务主要面向三类人电力系统专业的研究生毕业论文恰好是DG规划方向需要有一个能跑出结果的算例支撑。设计院/规划所的工程师做配电网接入方案时需要快速测算不同DG位置和容量组合下的潮流效果。高校老师或培训机构讲电力系统分析或智能优化算法时需要一个完整可复现的案例。不管哪类用户核心诉求都是一样的拿到源文件能改参数能看懂报告能复现结果最好还能顺着已有代码做二次开发。2. 数学模型目标函数和约束条件怎么写才不被审稿人挑刺2.1 目标函数网损最小化的表达DG定容优化的目标是找到一组DG接入位置和容量使系统有功网损最小。IEEE 33节点系统的网损可以写成min P_loss Σ(i,j∈线路) R_ij × (P_ij? Q_ij?) / |U_i|?其中P_ij和Q_ij是线路i-j末端流过的有功和无功功率R_ij是线路电阻U_i是节点i的电压幅值。这个表达式来自潮流计算的结果优化算法每评估一次粒子就要重新做一次潮流计算。实际操作中我一般用前推回代法计算潮流求出全部支路功率和各节点电压再按上面公式累加得到网损。这个值就是PSO适应度函数的核心输出。2.2 约束条件等式约束和不等式约束一个都不能少定容问题的约束条件必须完整否则结果没法落地。核心约束有四类潮流平衡约束每个节点必须满足有功、无功的功率平衡这是等式约束由潮流计算本身保证。节点电压约束通常要求U_min ≤ U_i ≤ U_maxIEEE 33节点算例中常见取0.95~1.05pu工程上也可以用0.93~1.07pu。支路电流/功率约束各馈线段流过的功率不得超过导线载流量。DG容量约束接入的DG容量不能无限大一般限制在节点最大负荷的某比例内比如不超过该节点负荷的150%或者全系统总DG容量不超过总负荷的某渗透率。约束条件怎么处理直接关系到算法收敛速度。我的做法是用罚函数把越限的电压偏差量化成惩罚项加到目标函数上乘一个足够大的惩罚因子。这样PSO在搜索过程中一旦越界适应度会显著恶化粒子会被自然拉回可行域。2.3 决策变量编码与整数处理DG定容的决策变量比较特殊位置是离散的整数节点编号容量是连续的实数kW/MW。这种混合编码处理起来要小心。我用的是粒子维度 2×DG数量。前一半存接入位置粒子值在1到33之间取整后对应节点编号后一半存接入容量粒子值在一定范围内连续变化。每次计算适应度前把位置变量round成整数容量变量按上限截断避免粒子飞到物理上不合理的状态。这里有个经验位置变量不做取整会导致PSO在完全瞎跑因为非整数节点编号在潮流计算里根本没意义。所以必须在粒子更新后强制取整而且取整后要检查位置是否重复。如果两个DG粒子落在同一个节点实际就等效成一个DG那这道题就退化了一步容量分配会失真。我通常在适应度计算里加一个重复位置惩罚。3. 算例与求解算法为什么IEEE 33节点加粒子群是这套程序的标配3.1 IEEE 33节点系统参数与数据组织方式IEEE 33节点是DG定容领域用得最多的标准测试系统没有之一。它是一个12.66kV的辐射状配电网33个节点、32条支路总负荷约3715kWj2300kvar根节点为变电站母线节点0也有文献编号为节点1。程序里把系统数据组织成两个矩阵支路参数矩阵branch列依次是首节点、末节点、电阻Ω、电抗Ω。节点负荷矩阵load列是节点号、有功负荷kW、无功负荷kvar。给出前几行作为样例首节点末节点电阻(Ω)电抗(Ω)有功负荷(kW)无功负荷(kvar)010.09220.047010060120.49300.25119040230.36600.186412080340.38110.19416030基准电压取12.66kV基准功率取10MVA潮流计算中所有数据都转成标幺值这样数值稳定性好程序也不用处理超大数和小数混合计算。3.2 前推回代法定容优化的内循环DG定容的优化过程需要反复调用潮流计算所以潮流算法必须快而稳。IEEE 33节点是放射状网络前推回代法Backward/Forward Sweep是天然最优解迭代几次就收敛不需要求导不需要因子分解几十毫秒就算完了。前推回代的两个步骤回代求支路电流/功率从末端节点向前利用节点负荷和支路阻抗求出每条支路流过的功率。前推求节点电压从根节点向后用变电站出口电压和各支路压降逐点求出每个节点电压。迭代到两次结果之差小于设定门限潮流收敛。在PSO里适应度函数每调用一次完整做一遍潮流收敛。3.3 为什么选粒子群而不是遗传算法或商业求解器DG定容问题本质上是非凸混合整数非线性规划商业求解器比如直接上Gurobi对这种含潮流约束的MINLP问题求解并不方便建模成本高。遗传算法GA当然可以做但GA的交叉变异算子对位置容量这种混合编码并不自然。粒子群优化PSO逻辑最直观、参数少、收敛快工程上改起来也方便所以我最终坚持用PSO作为主算法。PSO参数设置如下这套参数在我测试的算例里表现稳定种群规模50最大迭代次数100惯性权重从0.9线性递减到0.4学习因子c1 c2 2粒子更新公式就是经典的速度-位置公式v_new w×v c1×r1×(pbest - x) c2×r2×(gbest - x) x_new x v_new位置变量在更新后取整容量变量约束在设定上下限内。惯性权重递减的目的是前期全局搜索、后期局部收敛这也是标准PSO的通用做法。4. 程序实现源文件结构、核心代码与参数修改口径4.1 源文件目录与运行流程这套程序的源文件组织得非常清楚拿到手之后不会迷路main.m —— 主程序负责参数设定、初始化、调用优化和输出结果。dataIEEE33.m —— IEEE 33节点系统数据支路参数和负荷参数都在这里。powerflow.m —— 前推回代潮流计算函数返回节点电压和支路功率。pso_sizing.m —— 粒子群优化主循环核心寻优逻辑。constraint.m —— 约束条件检查与罚函数计算。plot_result.m —— 结果可视化绘制电压分布曲线和网损收敛曲线。运行流程概括为三步运行dataIEEE33.m加载系统数据计算基准潮流得到无DG时的网损和电压分布。运行main.m启动PSO优化迭代过程中每次评价粒子时调用powerflow.m做潮流计算。输出最优解DG接入节点和容量调用plot_result.m画图并把优化前后的结果存在Excel或MAT文件里。4.2 潮流计算核心代码的逻辑潮流计算是整个程序的物理内核必须写对。我贴一段前推回代的核心逻辑MATLAB风格便于理解function [V, P_loss] powerflow(branch, load, DG_pos, DG_size) % branch: 支路参数矩阵 [首节点, 末节点, R, X] % load: 节点负荷矩阵 [节点号, P, Q] % DG_pos / DG_size: 分布式电源接入位置和容量(标幺值) n_node size(load, 1); V ones(n_node, 1); % 电压初始化根节点为1.0pu V(1) 1.0; iter_max 100; tol 1e-6; % 把DG容量叠加到对应节点的注入功率上 P_inject zeros(n_node, 1); Q_inject zeros(n_node, 1); for k 1:length(DG_pos) idx DG_pos(k) 1; % 节点编号从0开始MATLAB索引从1开始 P_inject(idx) P_inject(idx) DG_size(k); end for iter 1:iter_max % 回代过程从末端到根节点计算各支路电流(功率) I_branch zeros(size(branch,1), 1); S_load (load(:,2) 1j*load(:,3)) / 10000; % 转成标幺值 S_node S_load - (P_inject 1j*Q_inject); % 净负荷 for b size(branch,1):-1:1 i_end branch(b,2) 1; I_branch(b) conj(S_node(i_end) / V(i_end)); % 向父节点累加功率 % ...此处省略父节点功率累加细节 end % 前推过程从根节点到末端计算各节点电压 V_old V; for b 1:size(branch,1) i_start branch(b,1) 1; i_end branch(b,2) 1; Z branch(b,3) 1j*branch(b,4); Z_pu Z * 10000 / (12.66^2); % 阻抗标幺值换算 V(i_end) V(i_start) - Z_pu * I_branch(b); end if max(abs(V - V_old)) tol break; end end % 计算网损 P_loss real(sum((abs(I_branch).^2) .* branch(:,3) * 10000 / (12.66^2))); end这是简化版我实际交付的源文件里做了更完整的处理包括节点编号偏移、父节点功率累加和复数潮流。写这个程序时最容易踩的坑就是节点编号从0开始而MATLAB索引从1开始差一个偏移量潮流失配电压全乱套。4.3 PSO主循环的工程化写法PSO主循环需要注意的地方是gbest全局最优粒子的更新不能只看适应度还要考虑该粒子是否落在可行域内。我用罚函数后不可行粒子的适应度会非常大但为了避免边界粒子钻空子我额外加了一行逻辑如果一个粒子越限即使它的目标函数数值上很小也不更新为gbest。核心循环结构如下for gen 1:max_gen w 0.9 - (0.9 - 0.4) * gen / max_gen; % 惯性权重递减 for i 1:n_pop x pop(i, :); % 取整位置变量 x_pos round(x(1:n_dg)); x_pos(x_pos 1) 1; x_pos(x_pos 33) 33; x_cap x(n_dg1:end); % 判断位置重复 if length(unique(x_pos)) n_dg penalty 1e6; else penalty 0; end % 潮流计算适应度 [~, P_loss] powerflow(branch, load, x_pos, x_cap); fitness P_loss penalty; % 更新个体最优和全局最优 ... end end适应度计算放在循环最深处每计算一次都要调用潮流函数。50个粒子×100代5000次潮流计算IEEE 33节点前推回代每次大约几毫秒总共不到半分钟就能跑完效率完全可以接受。4.4 常用参数修改位拿到源文件后大多数人的第一需求是改参数我把最常见的修改位列一下修改DG数量在main.m里改N_DG的值例如从2改成3。修改DG容量上限在main.m里修改max_cap变量单位是kW。修改电压约束范围在constraint.m里改V_min和V_max。修改PSO参数种群规模、迭代次数、惯性权重都在main.m顶部和实际论文需要匹配。修改负荷数据想换算例系统时直接替换dataIEEE33.m里的branch和load矩阵。建议拿到源文件后第一次运行先用原始参数跑通再一步步改参数观察结果变化这样定位问题最快。5. 算例结果解读位置和容量的变化到底有多大影响5.1 优化前后的网损与电压分布对比以IEEE 33节点系统为例先看不接DG时的基准状态场景系统网损(kW)最低节点电压(pu)最高节点电压(pu)无DG基准202.70.90371.0000接入单个DG优化后约111.20.94201.0000接入三个DG优化后约89.50.95801.0080这是典型的优化结果。可以看出合理接DG后网损直接降一半以上末端电压从0.90抬升到0.95以上效果非常明显。这也是为什么工程项目里领导一看这类数据方案基本就通过了。5.2 不同接入位置的效果差异位置选错了容量再大也白搭我经常在讲解时让用户做一个测试固定DG容量为500kW分别放在节点18、节点22、节点33和节点6观察网损变化。结果会非常有意思DG接在节点18末端分支线网损明显下降因为就地平衡了末端负荷。DG接在节点33最末端网损下降显著电压抬升效果最强但有可能过压。DG接在节点6主干线中段网损也有下降但对末端电压的支撑较弱。DG接在变电站出口节点0附近网损下降幅度很小几乎等于白装。这个实验直观说明位置比容量更敏感。在报告中我也会专门加一节不同接入位置对降损效果的敏感性分析这张表是评审专家最愿意看的。5.3 DG数量与渗透率多装未必划算在算例中天然会得到一个结论DG渗透率不是越高越好。当DG总容量超过系统总负荷的一定比例比如50%~60%后网损可能不降反升部分节点电压越上限倒送潮流增加。原因在于DG出力大于就地负荷时多余功率会沿着馈线往回送增加线路损耗。PSO优化的目标之一就是避免这种过度配置所以优化出的DG总容量通常落在总负荷的30%~50%区间。这个规律不是哪个论文里单独说的做10次算例就能总结出来。5.4 结果可视化的标准三件套我给程序配的标准图是三张电压分布对比曲线横轴节点编号纵轴电压幅值把无DG和有DG的曲线画在一张图里直观看到电压抬升。网损收敛曲线横轴迭代次数纵轴最优适应度展示PSO的收敛过程。系统拓扑色斑图把IEEE 33节点拓扑画出来按电压高低着色视觉上很直观写进报告里也加分。plot_result.m里已经把这些图都写好了运行完直接出图。6. 交付、讲解与二次开发把程序真正变成能跑能写能答辩的工具6.1 交付物清单三个层次都齐了这套项目交付的内容不是一个孤零零的代码文件而是按能跑、能看懂、能讲清楚三个层次配置的设计源文件完整的MATLAB程序包含所有.m文件和数据集注释齐全可直接运行。万字报告从问题背景、数学模型、算法推导到算例分析、结果讨论结构对标毕业论文的报告可以支撑论文正文或毕业设计说明书的搭建。配套讲解针对每个核心模块的逐段讲解采用视频或图文讲解的形式重点讲清楚为什么要这么建模这个参数改动的后果是什么。参考资料与图片IEEE 33节点系统原图、拓扑示意图、结果截图以及相关参考文献列表。这一整套东西的价值在于拿到手不是跑一遍就完了而是可以拆开理解换个参数改改模型加到自己的论文里。6.2 第一次拿到的推荐运行路径我建议读者按下面五步走避免一上来就跑偏先打开dataIEEE33.m对着IEEE 33节点原始系统图核对数据确认对上了。运行一次main.m不做任何修改确认能输出结果和图片。打开powerflow.m单步运行一次跟上潮流计算的物理过程理解前推回代。打开pso_sizing.m把粒子数改小比如10、迭代改小比如20跑一遍观察收敛曲线体会算法行为。把N_DG改成1、2、3各跑一次对比不同DG数量下的结果这对写分析章节非常有用。这五步走完之后基本就具备二次开发的能力了。6.3 常见报错与排查经验我整理了几个读者反馈频率最高的问题报错Index exceeds array bounds多半是节点编号偏移问题。IEEE 33节点文档里的节点0对应MATLAB里的索引1我刚写程序时在这上面吃了大亏。潮流不收敛检查负荷单位是否统一。原始数据是kW/kvar基准功率是10MVA需要除以10000转成标幺值漏了这步潮流一定会发散。DG位置重复导致结果怪异确认是否有位置重复惩罚否则PSO可能在两个粒子落在同一节点时给出不合理的容量。电压约束形同虚设检查罚函数因子是否足够大我一般取1e6太小了惩罚不生效。这些坑在配套讲解里都有专门说明文字报告中也单独列了一章常见问题与处理方法。6.4 后续可以往哪些方向扩展如果你不需要止步于最基础的版本下面几个扩展方向都很有价值多时段模型把单负荷水平换成24小时时序负荷和光伏出力曲线更贴近实际运行。考虑DG类型差异光伏、风机、微型燃机的出力和无功特性不同可以分别建模。随机场景法用场景法描述光伏出力的不确定性做两阶段或三阶段随机规划。改用多目标优化用NSGA-II算帕累托前沿把网损最小和电压偏差最小同时优化。这些扩展在万字报告的最后部分都给出了思路和公式推导二次开发时可以直接顺着写。我个人的实际操作体会是DG定容这类程序代码本身不难难的是把物理逻辑和优化逻辑在脑子里打通。只要想明白潮流计算是内循环、优化算法是外循环这条主线后面所有扩展都是加约束、改目标函数的事。如果你正在做这个方向的课题建议先把IEEE 33节点基准算例跑通再去找实际系统或扩展数据会顺手很多。完整源文件、万字报告和配套讲解可以通过文末方式扫码获取也可以基于你自己的系统直接做定制调整。