配电网调度如果只用一个词来形容我多半会说“烦得真实”。去年我接手一个配电网调度优化项目时第一反应还以为能参考输电网那套机组组合思路等真正把电网拓扑、分布式光伏、风电、储能、充电桩全塞进一个模型之后才发现问题完全不是那么回事。后来换了粒子群优化做整体调度才算把“能跑”变成了“能看”。这篇文章就把这套做法的关键细节摊开讲适合正在做配电网调度、分布式电源出力协调或储能充放电策略的同行特别是那种被非线性约束、电压越限、多目标权重折腾到头大的情况。先说结论粒子群优化很适合配电网调度不是因为它的数学理论多“高级”而是因为它和潮流计算能干净地咬合能容忍非凸、非线性、甚至带离散变量的模型而且实现成本远低于分支定界一类精确算法。下面我把建模、编码、参数配置、案例结果和踩坑经历全部写出来估计能帮你少走不少弯路。1. 先想清楚配电网调度到底要解决什么问题1.1 配网调度为什么比输电网调度还难很多做算法的人习惯把配电网调度理解成一个“小一号的输电网调度”这是最常见的误区。输电网的拓扑多为环形或网孔结构节点少但单节点送电能力强调度上关注的是发电机启停、机组爬坡、备用容量这些宏观变量。配电网不一样尤其是现在大量接入分布式电源之后馈线变成了多电源、多负荷、多时段的复杂网络。我在这类项目里的第一感受是配电网的潮流方向会变。光伏大发但本地负荷很轻时馈线末端电压会被抬高甚至出现倒送功率。这时你不能用传统“电源在上游、负荷在下游”的思路去套。再加上储能还要跨时段充放电某一时刻的充电功率可能让前端线路电流越限下一时刻放电又要考虑并网点电压。任何一个时段独立优化都会在时间边界上出问题必须做全天联合调度。更麻烦的是变量类型混杂。DG的有功出力是连续变量储能充放电状态却是带时序耦合的逻辑变量有的场景还要考虑联络开关投切那是纯0-1离散变量。目标函数也存在大量局部极值光伏出力曲线、负荷曲线、分时电价叠在一起整条优化曲面凹凸不平传统梯度类算法根本迈不开腿。1.2 为什么选粒子群优化而不是其他算法当时团队里也有人提出用遗传算法、差分进化、甚至混合整数线性规划求解器。我最后选了粒子群优化主要原因是它天然不需要梯度信息适合配电网调度这种“目标函数难写出解析表达”的场景同时算法结构非常轻核心公式就两行做工程时的调试成本低。拿遗传算法对比遗传算法需要做选择、交叉、变异种群多样性控制不好容易退化而且编码长度长。粒子群优化没有复杂的选择压力每个粒子依靠自身历史最优和群体全局最优持续修正速度参数含义也更直观——惯性权重管探索学习因子管跟踪。只要不做极端超大规模问题在30到60个粒子的规模下100代左右就能稳定收敛。混合整数线性规划虽然能给出全局最优但一到非线性潮流约束和离散变量多的情况建模成MIP非常痛苦求解时间会随着DG数量急速膨胀工程上很难接受。自然粒子群优化也不保证找到全局最优但这在配电网调度里影响不大。原因很简单工程上只要在一个可接受的时间窗口内找到“足够好”的可行解且这个解明显优于人工经验调度就足够交付了。与其死磕证明最优性不如把时间花在约束处理和潮流校验上。2. 建模这一步决定了PSO能不能用起来2.1 目标函数怎么写经济、网络、电能质量三件事粒子群优化的性能上限一开始就被目标函数定死了。配电网调度很少只看一个指标我习惯把目标拆成三块购电成本、网络损耗、电压偏移。成本对应经济性网损关系运行效率电压偏移则体现电能质量。用数学公式描述就是min F w1 * C_buy w2 * P_loss w3 * DV其中C_buy 是向上级电网购电的总费用也可以加入DG发电成本P_loss 是全天配电网总有功网损单位千瓦DV 是各节点电压偏差的累计量单位标幺值权重 w1、w2、w3 怎么取必须在项目启动时就定清楚。不是所有项目都希望靠减少网损来省钱。我记得有一次调度方明确表示急用优先电压越限一票否决这时 w3 就不能是纯二次型要换成惩罚式权重。再有就是储能参与峰谷套利时C_buy 项目在目标函数里占绝对主导电压项权重稍微调小才不会让算法过度保守。一开始如果用纯物理单位相加量纲不对会让算法瞎跑。比如 C_buy 是万元级P_loss 是百千瓦级DV 是零点几的标幺值三者不在一个数量级粒子进化时会把大部分注意力放在最大数值的项上。我的做法是把三项先归一化到各自的基准值再乘以权重这样权重才有实际意义。2.2 等式约束和不等式约束怎么列约束条件是配电网调度模型里最需要盯紧的部分。第一类约束是潮流等式约束说白了就是每个节点的功率必须满足基尔霍夫定律。第二类约束是运行不等式约束包括节点电压上下限、支路电流上限、DG出力限额、储能充放电功率上限和容量边界。第三类是时间耦合约束储能SOC不能只看单时段要满足递推关系SOC(t1) SOC(t) (P_ch(t) * eta_ch - P_dis(t) / eta_dis) * dt / E_rated这看似简单但配电网调度里很多算法跑飞就是栽在SOC约束上。有的粒子把储能配置成高频次充放单看每一时段都合法到了全天末尾SOC却低于下限这就是时间耦合没处理好的结果。另外还要注意辐射状配电网的节点电压约束一般取0.95到1.05标幺值但末端弱馈线系统可能要放宽到0.90到1.07具体以调度规程为准。支路电流约束在DG接入后很容易被忽视因为潮流方向改变后某些支路电流峰谷时段和负荷最大时段错开了。建议把潮流计算里每条支路的电流结果单独导出来后期校核会比较方便。2.3 约束处理罚函数法是我最推荐的工程方案处理约束有几种常见方法直接拒绝不可行解、修复算子、罚函数法。粒子群优化最稳妥的是罚函数法。因为直接拒绝不可行解会让粒子在探索阶段大量浪费特别是初始随机粒子几乎不可能天然满足所有潮流约束。修复算子虽然在单个DG给定时好写但面对电压越限这种全网耦合量就非常麻烦。罚函数法的核心思想是允许粒子进入不可行区域但给适应度函数加一个足够大的惩罚项让不可行解在进化中自然被淘汰。惩罚项一般是不可行量的平方乘大系数F_final F_base lambda_v * sum(max(0, V_lo - Vi)^2 max(0, Vi - V_hi)^2) lambda_s * max(0, SOC_end - SOC_min)^2取平方有利于拉开差距否则粒子会在边界附近来回试探收敛速度很慢。罚系数 lambda 要设置成什么量级我习惯让初期惩罚项与目标函数基础值同量级或略高随着迭代逐步提高。系数太小最终解里会残留电压越限看起来数值很“优美”但实际根本不能投入调度太大则粒子会被压回可行域边缘探索能力下降。具体需要通过两轮试算来标定。3. 粒子群算法怎么和潮流计算真正“咬合”在一起3.1 从速度位置公式说起惯性权重是关键粒子群优化的原始公式大家都很熟v(t1) w * v(t) c1 * r1 * (pbest - x) c2 * r2 * (gbest - x)x(t1) x(t) v(t1)真正用起来的时候w 不能一直是一个常数。开始时需要较大的 w 让粒子在全空间探索后期则需要较小 w 做局部精细搜索。我常用的策略是线性递减w w_max - (w_max - w_min) * t / T_maxw_max 一般取0.9w_min 取0.4T_max 为最大迭代代数。这个衰减策略算是工程界的默认设置但不要因此觉得古板它背后的逻辑是搜索节奏前期太收敛会错过最优区域后期总在跳跃又会停在半山腰。速度限幅也很重要。位置变量如果是DG功率那么速度超过一定范围粒子会在前后两代之间跨过整个可行域看起来在剧烈震荡实际是在瞎蹦。一般把速度上限设为每个变量可行区间的20%左右。例如某光伏节点可调范围是0到800千瓦速度上限我就设为160千瓦/代这样粒子单代步进不会太夸张。3.2 变量的编码和解码方式变量编码是粒子群优化落在配电网调度里的实操重点。我见过很多项目直接把物理量作为位置向量放进算法遇到电压越限就靠罚函数硬拉结果算法迭代很吃力。谨慎起见可以先把变量做归一化处理让位置 x 落在[0,1]区间再通过解码映射到真实物理值。举例说明某储能节点额定功率500千瓦实际可充放范围是-0.5到0.5兆瓦。归一化变量 x0.6解码到真实功率就是 -0.5 0.6 * (0.5 - (-0.5)) 0.1兆瓦也就是放电100千瓦。这样做的好处是速度上限、边界约束都在[0,1]区间统一管理粒子不会因为某个变量物理量纲过大而把其他变量带偏。遇到离散变量时比如可投切电容器组档位我一般先按连续变量编码解码时做就近取整但使用前要对速度做额外限制。取整操作会引入不适定性连续速度在离散边界附近会被抵消导致粒子反复横跳。这时候可以加入一个简单机制如果连续变量与最近整数之间的差值小于0.05就把对应维度随机重置一次减少卡顿。3.3 潮流计算与适应度评估的衔接流程粒子群优化里的每个粒子代表一种调度方案潮流计算只负责评价这个方案好不好二者通过适应度函数解耦。这句话听起来很简单但实际程序结构很重要。我推荐一个清晰的分层流程初始化粒子种群随机产生N组变量 循环迭代 1. 对每个粒子 解码得到各时段DG出力、储能充放电功率 计算SOC时序判断是否满足储能约束 若不满足更新罚函数项 对每个时段运行配电网潮流计算 求全天网损、电压偏移、购电成本 汇总得到该粒子的适应度F 2. 更新粒子个体最优pbest和全局最优gbest 3. 按速度位置公式更新所有粒子 4. 检查终止条件达到最大迭代数或连续多代无改进 输出gbest对应的调度方案配合这一流程适应度评估函数必须和潮流计算保持接口独立。我踩过最大的坑就是把潮流求解器写在适应度函数里后面想换算法时改代码改到怀疑人生。合理方案是先封装好calc_power_flow(network, control_vars)接口不管内部用得是牛顿法、前推回代法还是商用求解器上层粒子群完全不用改。4. 把算法架到33节点系统上跑一遍4.1 案例数据与场景设定我用一个配电网调度案例说明整个流程。网络结构采用某标准33节点配电系统基准电压12.66千伏根节点接上级电网总负荷大约5.08兆瓦加2.55兆乏。分布式电源布局如下节点25接入一座光伏电站额定容量800千瓦节点32接入一台小型风机额定容量500千瓦节点18接入一套储能系统额定功率200千瓦容量400千瓦时。开关状态保持全网辐射状运行不考虑网络重构。调度周期取24小时时间间隔1小时。负荷曲线做典型日峰谷变化峰值出现在19点谷值在凌晨4点。光伏出力曲线按晴天假设中午12点达到峰值夜间为零。分时电价设置成峰平谷三段高峰1.2元/千瓦时平段0.8元/千瓦时低谷0.4元/千瓦时。4.2 粒子群参数配置粒子群优化器参数我按下面表格设置参数数值说明种群规模N40比常规问题略大因为变量带时序最大迭代T_max100实测50代后提升已经不大惯性权重w0.9→0.4线性递减学习因子c1/c22.0 / 2.0经典取值收敛稳定速度上限20%变量区间防震荡独立运行次数20用于统计平均结果决策变量全天维度是光伏各时段有功出力24个、风机有功出力24个、储能充放电功率24个、储能SOC初始值1个合计73维。虽然维度不小但归一化后粒子群优化处理起来仍然顺畅。适应度函数里每评估一个粒子就要跑24次潮流计算一次完整迭代40个粒子共960次潮流100代下来约96000次。前推回代法在33节点系统上单次毫秒级完成整体运行时间完全可控。4.3 优化结果与人工经验调度的对比为了说明粒子群优化的效果我对比了三种方案基础运行方式DG满发不可控、人工经验调度按峰谷手动设储能、粒子群优化调度。结果如下方案全天网损(kWh)电压最低点(pu)购电成本(元)基础运行19640.91341280人工经验调度15870.93138650粒子群优化11850.95635720优化后的网损比基础运行下降约39.7%电压最低点从0.913提高到0.956购电成本节省约13.5%。最值得注意的还是电压曲线基础运行时节点33在中午电压逼近上限粒子群优化通过控制光伏无功出力把峰值电压压了回去各节点电压全天都保持在0.95到1.05之间。从储能SOC曲线看粒子群优化给出的方案非常“聪明”夜间低谷充电白天光伏大发时不充电也不放电晚间电价高峰放电而且保留了足够的荷电状态应对次日早高峰。这个结果明显优于人工经验调度中那种“每次峰时段都放满”的机械策略。4.4 核心迭代流程体会案例跑完后我去看粒子收敛曲线发现前30代适应度下降最快60代以后基本进入平台期。这意味着工程上可以把迭代数调到80代减少计算耗时。比较有意思的是群体最优 gbest 在40代左右曾经被一个局部最优卡住但由于惯性权重还在0.5以上后续仍有粒子跳出到更优区域说明0.9到0.4的线性衰减对这个规模问题是合适的。5. 踩坑记录与参数调优笔记5.1 直接套用容易翻车的五个坑第一个坑是种群规模凭空拍脑袋。有人一上来就设200个粒子觉得越大越好结果计算时间长了好几倍优化效果却没有明显改善。配电网调度场景里40个粒子已经能用60个属于较稳配置超过80个的收益边际很小。第二个坑是边界约束用“if越界就修剪”的方式简单处理。把越界变量直接压回边界会让粒子大量聚集在边界上储能经常被修到满充或满放状态。后来我把越界粒子的位置重新映射到边界附近随机位置而不是固定边界值种群多样性明显改善。第三个坑是忽视潮流计算发散。配网前推回代法在弱馈或者重负荷情况下偶尔会不收敛程序里如果不加异常处理整个粒子群优化直接崩溃。我养成的习惯是适应度函数里包一层try-except潮流发散时就给这个粒子一个大惩罚值让它自动退出竞争。第四个坑是只看一次最好结果。粒子群优化有随机性单次运行碰巧得到好结果并不能代表算法稳定要在相同参数下跑20次记录最优值、平均值、标准差。标准差如果超过平均值10%说明参数有问题或者种群规模不够不是优化过程本身的问题。第五个坑是忽略多时段SOC初始化和终止约束。如果第一天结束SOC是0.4第二天早上还是0.4相当于储能白白损失了一部分可利用电量。正确做法是把SOC初始值作为决策变量同时在约束中要求24小时结束SOC回到0.3到0.5范围内这样优化结果才能在小周期滚动中持续可用。5.2 参数调优经验整理如果你拿到一个新的配电网案例不知道参数从哪里起步我建议用下面这套组合作为默认基线粒子数 10倍决策变量维度再取40到60之间的值最大迭代数 60到80先跑30代看趋势再加w从0.9降到0.4c1、c2均取1.5到2.0罚系数先按目标函数基准量的百分之一量级试一次然后再加一倍看结果变化调参不需要一次改多个参数。先固定其他参数只把惯性权重衰减方式从线性改成指数衰减观察收敛曲线形状再改学习因子观察是否会震荡。我本人习惯把每次实验的参数、随机种子、运行结果全部记录在表格里参数对比才有据可循。5.3 容易被忽略的工程细节节点电压量测点位置可能会影响罚函数计算。实际配电网不可能每个节点都装电压遥测但调度模型里必须全节点计算否则末端电压被忽略算法会给出“越限但看不见”的解。我一般会在约束项里额外挑出末端节点和DG并网点单独做一组强权重电压约束保证这两个位置不越限。另外一个细节是时间间隔。24小时调度如果用1小时作为时间尺度储能快速功率变化可能会被平均化导致峰时放电低估。如果在储能容量较大的场景建议对储能SOC变化做更细的15分钟分段或者至少对充放电功率平滑性加一项约束避免粒子给出频繁切换充放的“抖振”解。最后是随机数种子。工程交付时要保证结果可复现粒子群初始化、速度初始化、学习因子里的随机数都要固定种子同一个种子在不同机器上跑出来的结果应该一致。如果发现结果不稳定先检查随机数生成是否被多条路径调用这也是我实际排查过的一个隐蔽bug。把粒子群优化用到配网调度我最大的体会是算法本身只占一半另一半在建模和接口设计。目标函数怎么权衡、约束怎么罚、潮流怎么接这些细节花的时间比调参多得多。另外所有参数最后都要回归到“调度员敢不敢用”这个问题上输出结果不仅要数值最优还要符合实际操作习惯储能别老在凌晨频繁切换电压曲线也要平滑。后续再横向扩展还可以把网架重构、电动汽车有序充电、三相不平衡治理都加进同一个粒子群框架里变量规模变大后再配合并行计算或者约束分解来提速。这套思路在同一套代码结构下是能平滑延续的值得在这个方向上继续打磨。