接手这个项目的时候我第一反应是“又是个聚类问题”但真正把楼宇空间布局叠加上去之后才发现事情远没有想象中那么简单。电力系统的集群规划如果只按电气距离硬切经常会切出一些“看起来很美、用起来想摔键盘”的分区——比如一整片商业楼群被拆到两个集群里或者某个集群里全是办公楼的峰时负荷另一个集群里全是住宅的晚高峰光伏出力根本没法就地平衡。这篇就直接把我做“考虑楼宇空间布局的电力系统集群规划策略”的完整思路、建模过程、Matlab实现细节和踩坑记录都摊开来讲希望能帮到正在做类似课题的人。1. 集群规划到底在解决什么问题1.1 为什么电力系统要做“集群划分”先说清楚一个基本问题——为什么好好的一个电网非要切块。现代配电网早就不是一根母线带一串负荷那么简单了。分布式光伏大量接入、储能系统逐步推广、电动汽车充电负荷快速增长这些分布式资源如果零散地、无组织地并网电网调度会非常痛苦。举例来说一个片区内有20个屋顶光伏用户它们同时出力时局部电压可能抬升很多但如果把它们跟附近的柔性负荷、储能划分到同一个集群里统一协调就可以在集群内部完成大部分功率调剂只有净功率缺额才需要跟上级电网交互。集群划分的本质就是把“整体优化”拆成“局部自治全局协调”的两层架构。对于规划层面划分出一个好的集群结构等于给后续的分布式电源选址定容、储能配置、分区控制策略打好了基础。集群内部的功率平衡能力越强对外部网络的依赖就越小网损、电压波动和调度复杂度都会随之下降。这个思路在学术界叫“集群划分”或“分区规划”在工程界类似的概念有“自治区域”“网格化规划”。不管叫法怎么变核心诉求都指向三个目标集群内部电气耦合紧密、集群之间的功率交换尽量少、每个集群具备一定的自平衡能力。1.2 楼宇空间布局为什么会成为关键约束我最早做的版本里只有电气距离这一个维度跑出来的结果拿给做城市规划的同事看直接被问了一句“你们这个集群边界为什么穿过了那栋综合楼这栋楼的地下室配电房管着两侧的负荷你们把它的馈线切到两个区里二次侧怎么协调”这个问题非常现实。楼宇不只是电网的一个负荷节点它的空间位置、建筑功能、屋顶面积、负荷时间特性都在悄悄决定着一个集群到底“好不好用”。空间位置楼宇的经纬度坐标决定了负荷在地理上的集聚程度也决定了线路走廊的走向。一个坐落在两个集群边界的商业综合体无论被划到哪边都会带来跨区供电的问题。建筑功能住宅楼的负荷高峰在夜间办公楼的负荷高峰在白天商业综合体则是全天都有基础负荷加周末高峰。这些时间特性直接影响集群的净负荷曲线形态。如果集群划分的时候不看建筑功能很可能出现“白天整个集群都在向电网要电晚上整个集群都在向电网倒送电”的极端情况。屋顶面积与朝向对于分布式光伏规划来说楼宇的屋顶面积直接决定了光伏装机的上限。一个集群里如果绝大多数是可利用屋顶面积很小的老式住宅那这个集群的光伏自平衡能力天然就是弱的。储能布置条件地下停车场的面积、是否有独立配电间这些空间约束决定了储能系统能不能在这个楼宇落地。集群规划如果完全忽略这些后续做储能配置时会发现“算出来最优的位置根本没地方装设备”。所以把楼宇空间布局纳入集群划分本质上就是把地理空间维度的信息融合进电网拓扑维度的划分逻辑里让最终得到的集群既是电气意义上的分区也是城市空间意义上的合理组团。2. 数学模型构建与求解思路2.1 目标函数怎么设计集群划分的数学描述通常是在一个给定的电网拓扑图上做分割。节点就是母线或者楼宇配电房边就是线路。考虑楼宇空间布局之后目标函数一般要包含三块内容。第一块是电气距离的紧凑性。经典的谱聚类方法用节点间的电气距离来定义相似度。电气距离不是物理上的直线距离而是基于阻抗矩阵计算出来的“电气上的远近”。对于楼宇负荷节点i和j电气距离可以表示为D_ij Z_ii Z_jj - 2Z_ij其中Z是节点阻抗矩阵。这个值越小说明两个节点在电气上越紧密。目标函数的第一项希望同一个集群内的节点电气距离之和尽量小也就是集群内部耦合紧密。第二块是空间布局的合理性。这里需要把楼宇的地理坐标纳入考量。常见做法是计算楼宇之间的空间距离并定义一个空间紧凑度指标。对于同一集群内的楼宇它们之间的空间距离应该尽量小也就是集群在地理上是一个连续的区域不要出现“飞地”。空间距离可以用经纬度坐标换算成平面距离具体公式是S_ij R * acos(sin(lat_i) * sin(lat_j) cos(lat_i) * cos(lat_j) * cos(lon_i - lon_j))R是地球半径一般取6371公里。第三块是功率自平衡能力。一个集群如果内部电源出力和负荷需求能在时间序列上尽量匹配就能减少与外部网络的功率交换。定义集群k的净出力为P_k(t) sum(P_DG_i(t)) - sum(P_load_j(t))其中i属于集群k内的分布式电源节点j属于集群k内的负荷节点。自平衡程度可以用净出力的方差或绝对值来衡量。目标函数希望每个集群的净出力曲线波动尽量平缓。这三块目标通常是加权合并的F w1 * sum(D_ij 同类集群内) w2 * sum(S_ij 同类集群内) w3 * sum(var(P_k(t)))权重的选择非常关键。我在实际实验中发现w1和w2的量纲不一样电气距离的量级通常在0.01到10之间空间距离的量级则在数百到数千米如果不做归一化权重设置就形同虚设。建议先分别对D、S、P三个矩阵做最大最小值归一化再设定权重。2.2 约束条件与求解算法的选择约束条件方面至少要考虑四类。集群数量的上下限。集群太少每个集群太大调度协调的难度没有实质下降集群太多局部自治的意义就变小了。一般根据节点总数和电压等级来确定工程上常用经验公式是k取值在平方根(n/2)到平方根(n)之间n是节点数。集群规模的均衡性。每个集群的节点数量或负荷总量不能相差太悬殊。我在实际项目中使用的是负荷总量约束即每个集群的峰值负荷不超过全网总峰值的某个比例比如30%。拓扑连通性约束。集群内部的节点必须通过线路保持连通不能出现孤岛。这一点在纯谱聚类方法中容易被忽略因为谱聚类是基于相似度矩阵做特征分解切出来的结果理论上需要再做连通性校验和修正。楼宇归属的完整性约束。如果一栋楼宇内部有多个负荷节点这些节点必须被划分到同一个集群。这是一条非常直接的楼宇空间布局相关约束实现起来也简单——在编码阶段就把同一楼宇的节点绑定。求解算法方面这类问题本质上是NP难问题大规模场景下无法求精确最优解。工程上常用的路线有两条。路线一是基于谱聚类的启发式方法。先构建基于电气距离和空间距离的相似度矩阵然后计算拉普拉斯矩阵的特征向量取前k个特征向量做k-means聚类。这个方法计算快适合作为初筛方案也能给出一个不错的初始划分。路线二是智能优化算法我用的就是遗传算法。把每个节点的集群归属作为基因编码用目标函数F作为适应度函数通过选择、交叉、变异迭代求解。遗传算法虽然计算慢一些但可以灵活融入各种约束条件尤其是楼宇归属完整性和拓扑连通性这类离散约束。我最终采用的是“谱聚类预分区 遗传算法精细化调整”的两阶段策略兼顾了计算速度和解的质量。3. Matlab实现要点与代码逻辑拆解3.1 数据准备——你要处理哪些输入在做Matlab实现之前先整理一下需要准备的数据。这一步偷懒的话后面所有工作都会跟着乱。第一类是电网拓扑数据。至少需要节点编号、节点类型负荷、电源、联络节点、节点之间的线路连接关系起始节点、终止节点、线路阻抗。如果原始数据是别的格式要先转成Matlab的图对象或者邻接矩阵。用稀疏矩阵存储拓扑信息可以节省大量内存在大节点规模下非常有优势。第二类是楼宇空间数据。每个负荷节点所属的楼宇编号、楼宇的地理坐标经纬度或平面坐标、楼宇功能类型住宅/办公/商业、可利用屋顶面积、储能可安装容量。这些数据在Matlab中可以用结构体数组或table存储。第三类是运行数据。代表日或代表周的负荷曲线、分布式电源出力曲线。时间精度通常取15分钟或1小时一个点。我用的是一天24小时96个点的数据15分钟精度这样既能捕捉负荷波动特性计算量又不至于太大。代码示意读取并组织数据% 读取节点表node_id, x坐标, y坐标, 楼宇编号, 功能类型, 额定负荷 nodeData readtable(node_data.csv); % 读取线路表from_node, to_node, R, X lineData readtable(line_data.csv); % 读取96点负荷曲线行对应节点列对应96个时刻点 loadProfile load(load_profile.mat).loadMatrix; % 读取96点光伏出力曲线 pvProfile load(pv_profile.mat).pvMatrix;这里有一个值得注意的细节同一楼宇的多个节点在nodeData中的楼宇编号字段要一致后面做编码约束时会直接用到这个字段。3.2 相似度矩阵与谱聚类预分区构建相似度矩阵是谱聚类的核心。我采用的方式是将电气距离和空间距离融合成一个综合相似度。n size(nodeData, 1); % 计算电气距离矩阵 % 假设已通过潮流计算或阻抗矩阵得到Zbus Zbus getZbus(lineData, n); D_elect zeros(n, n); for i 1:n for j 1:n D_elect(i, j) Zbus(i,i) Zbus(j,j) - 2*Zbus(i,j); end end % 计算空间距离矩阵 D_space zeros(n, n); for i 1:n for j 1:n D_space(i, j) hypot(nodeData.x(i) - nodeData.x(j), ... nodeData.y(i) - nodeData.y(j)); end end % 融合相似度sigmoid函数把距离转换为相似度 sigma_d std(D_elect(:)); sigma_s std(D_space(:)); S exp(-D_elect.^2 / (2 * sigma_d^2)) ... exp(-D_space.^2 / (2 * sigma_s^2));为什么用sigmoid核函数因为距离的近邻性是非线性的——距离从100米变成200米相似度下降明显但从1000米变成1100米相似度几乎没变化。高斯核函数天然能刻画这种局部邻近结构特性在谱聚类中也是被验证过稳定可靠的选择。接下来做拉普拉斯矩阵的特征分解对前k个特征向量做k-means聚类。需要说明的是特征分解后要对特征向量做归一化处理否则聚类结果容易被绝对值大的分量带偏。我踩过这个坑最初的k-means结果几乎全部指向同一个集群问题就出在没做行归一化。% 拉普拉斯矩阵D是度矩阵 Deg diag(sum(S, 2)); L Deg - S; % 标准化拉普拉斯 D_inv_sqrt diag(sqrt(1./diag(Deg))); L_norm D_inv_sqrt * L * D_inv_sqrt; % 特征分解取最小k个特征值对应的特征向量 [V, ~] eigs(L_norm, k, smallestreal); % 行归一化 V_norm V ./ vecnorm(V, 2, 2); % k-means聚类 [cluster_init, ~] kmeans(V_norm, k, Replicates, 10, Distance, sqeuclidean);谱聚类的优点是一次能拿到全局结构的大致信息速度快。但它的结果往往不能照顾到楼宇归属完整性这类硬约束所以只作为预分区使用。先把cluster_init作为遗传算法的初始种群之一能显著加速收敛。3.3 遗传算法的编码与约束处理遗传算法的编码设计是决定算法成败的第一道关口。我对编码方式做了三次调整最终采用“整数编码”方案。基因长度等于节点总数每个基因位的取值是1到k的整数表示该节点所属的集群编号。种群规模设为100最大迭代次数200代交叉概率0.8变异概率0.05。适应度函数就是加权目标函数F的倒数——F越小适应度越高。约束处理是遗传算法实现里最麻烦的部分。我用了罚函数法加修复策略的组合方式。对于楼宇归属完整性约束采用修复策略在计算适应度之前先扫描个体编码将同一楼宇编号下的所有节点的集群编号统一为该楼宇中出现次数最多的编号。这个操作不会改变基因结构太多却能保证硬约束被满足。对于拓扑连通性约束采用罚函数法对不连通的集群施加较大的罚项让它们在进化过程中被自然淘汰。连通性校验可以用Matlab的graph和conncomp函数实现。对于集群规模均衡性约束也是罚函数法统计每个集群的负荷总量超过上限值的部分按比例加到适应度里。这个组合策略在实验中的效果不错既能保证优化效率又能保证结果的工程可行性。3.4 目标函数计算与功率平衡指标的抽取计算目标函数时需要把负荷曲线和光伏出力曲线按照“当前个体划分方案”重新组合。这一步我一开始实现得效率很低——每个个体都重新遍历96个点乘负荷矩阵后来用矩阵运算批量替换后速度快了很多。function F calFitness(individual, S, D_elect, D_space, loadProfile, pvProfile, w, penalty) k max(individual); n length(individual); % 电气距离目标 F_elect 0; for c 1:k idx find(individual c); sub D_elect(idx, idx); F_elect F_elect sum(sub(:)) / 2; end F_elect F_elect / (n * n); % 归一化 % 空间距离目标 F_space 0; for c 1:k idx find(individual c); sub D_space(idx, idx); F_space F_space sum(sub(:)) / 2; end F_space F_space / (n * n); % 功率自平衡目标 F_power 0; T size(loadProfile, 2); for c 1:k idx find(individual c); net_power sum(pvProfile(idx, :), 1) - sum(loadProfile(idx, :), 1); F_power F_power var(net_power); end F w(1)*F_elect w(2)*F_space w(3)*F_power penalty; end这里有个容易忽略的细节功率自平衡项如果用方差减去的是全天均值那只能反映净出力曲线整体的波动程度却无法反映“中午光伏大发”和“傍晚负荷尖峰”这种时段性的失配。如果要更精细可以对时段做加权处理比如在光伏出力高峰期和晚高峰时段提高权重系数。我在后续的版本中增加了这个时段加权功能发现集群划分结果确实会更偏向“光伏出力大的楼宇跟晚高峰负荷大的楼宇分到一起”这样的组合在实际运行中更有意义。4. 可视化验证与划分效果对比4.1 楼宇坐标分布的可视化展示写代码跑算法只是前半场准确地说可视化才是让我自己相信“这个划分结果真的合理”的关键手段。我使用了Matlab的scatter函数按集群编号设置不同颜色把楼宇坐标绘制出来。这样一眼就能看出集群是否在空间上连续、有没有飞地。figure; set(gcf, Position, [100 100 800 600]); hold on; colors lines(max(cluster_result)); for c 1:max(cluster_result) idx find(cluster_result c); scatter(nodeData.x(idx), nodeData.y(idx), 80, ... MarkerFaceColor, colors(c, :), MarkerEdgeColor, k, ... MarkerFaceAlpha, 0.7, DisplayName, [集群 num2str(c)]); end hold off; legend; xlabel(x坐标米); ylabel(y坐标米); title(考虑楼宇空间布局的集群划分结果); grid on;另外我习惯在图上把光伏装机容量和负荷峰值用气泡大小标注出来这样能直观看到每个集群的资源分布情况。如果楼宇的负荷或光伏数据相差过大气泡大小会直接暴露集群间的功率不平衡问题。4.2 不同方案的指标对比表格只给一张彩色分区图还不够做课题汇报或者写总结材料时必须用定量的指标来说服人。我整理了三个方案的对比结果。指标纯电气距离划分电气空间距离划分电气空间功率平衡划分集群内平均电气距离0.04320.04780.0491集群内平均空间距离623米458米471米集群间联络线功率峰值1.82MW1.35MW0.97MW净出力方差总和3.853.121.74楼宇归属违例数400拓扑连通性1个集群不连通全部连通全部连通这个表格的数据非常说明问题。纯电气距离划分虽然电气耦合最紧密但空间离散度高且出现了楼宇归属违例和拓扑不连通问题。增加空间距离约束后空间布局明显改善楼宇归属也得到了修复。再加上功率平衡指标后集群间功率交换降到了原来的53%左右净出力方差也大幅下降意味着每个集群的自平衡能力显著增强。注意表格中的绝对数值跟具体案例的参数有关不要直接引用作为通用结论但这个趋势是稳定可复现的——三重目标叠加后的划分结果在综合性能上一定优于单一目标关键是要找到合适的权重配比。4.3 权重系数对划分结果的影响权重系数w1、w2、w3的选择我花了相当长的时间去试。这里直接分享一下我最终采用的方法——线性扫描加综合评价。固定w11让w2在0.2到2之间变化w3在0.1到1.5之间变化各取10个点共100组权重组合。每组权重跑一次完整的遗传算法为了节约时间迭代次数降到100代。记录各组的三个指标值然后把指标做归一化用综合得分选出最优权重。我得到的经验性结论是电气距离权重w1在1到2之间取空间距离权重w2在0.5到1之间取功率平衡权重w3在0.5到1.5之间取整体结果比较均衡。如果把w3取得过大算法会倾向于把光伏和负荷强行配对导致集群在空间上被扭曲得很严重甚至出现集群边界交叉。如果w2过大又会导致集群过度追求地理紧凑牺牲了电气拓扑的合理性。5. 常见问题与排查技巧实录5.1 聚类个数k怎么确定这是被问得最多的一个问题。k的取值确实没有标准答案但有几个工程上可操作的方法。第一个方法是模块度最大化。模块度是社区发现中最常用的聚类质量指标取值在-1到1之间越大代表聚出来的社区内部连接越紧密。在相同相似度矩阵下遍历k从2到25计算每个k对应的模块度取模块度最大时的k作为推荐值。这个方法的好处是无需任何额外参数。第二个方法是轮廓系数法。对聚类结果计算每个节点的轮廓系数它衡量的是“自己所属集群的紧凑程度”和“与其他集群的分离程度”。所有节点轮廓系数的平均值越接近1聚类质量越好。与模块度对比轮廓系数更能反映节点层面的归属合理性。第三个方法是从规划需求倒推。比如上级电网要求该片区不超过6个并网点那k就取6或者运维团队编制决定了只有4个区域运维班组那k取4。这个在实际项目中反而是最常见的做法。我的做法是先用模块度法给一个推荐区间再结合规划需求人工修正两种方法互相验证。5.2 电气距离矩阵计算中的精度问题电气距离是基于阻抗矩阵的这就涉及到潮流或者阻抗矩阵的求取方式。如果网络拓扑简单可以手动建立节点阻抗矩阵。如果网络规模较大建议直接用Matpower或者自行写一个基于节点导纳矩阵求逆的函数。注意在处理配电网时线路的X/R比值往往比较小电缆线路甚至小于1不能用输电网常用的P-Q分解近似必须使用全精度阻抗。另一个高发问题是参考节点选择。三相潮流中参考节点的选择会影响电气距离的绝对值大小但对聚类结果的相对顺序影响不大。不过如果你在计算过程中发现不同参考节点得到的结果差异明显首先要检查是否存在弱连接的孤立节点——某个节点跟其他节点的电气距离都很大它对参考节点的变化极其敏感。这种情况下建议把这个节点作为单独的候选集群中心处理而不是强塞进某个集群。5.3 遗传算法收敛慢与早熟的处理遗传算法跑了50代还在乱跳或者前10代就卡在某个局部最优解出不去这两种极端情况我都遇到过。收敛慢通常是因为罚函数过强导致个体几乎全都集中到几个有限区域了搜索空间变小变异又不够活跃。解决办法是采用模拟退火算法的思路在迭代前期允许一定概率接受劣质解或者将变异概率从0.05调高到0.15。早熟则是因为种群多样性不够。朴素的遗传算法在处理高维度整数编码时容易陷入局部收敛。我的缓解方案有两个一是拉大交叉概率引入多点交叉操作二是隔一定代数做一次种群重启保留当前最优解的同时重新生成一批等规模的个体掺入新种群。还有一个小技巧——把谱聚类的结果直接作为遗传算法的初始种群中一个个体。这个个体的质量远高于随机生成的个体能让算法在迭代早期就获得一个非常高的初始适应度基线大幅加速收敛。我在程序里让初始种群组成是“1个谱聚类解 99个随机解”效果比全部随机初始化好很多。5.4 可视化结果与预期不符的排查逻辑辛辛苦苦算出来的分布图一看就把商业楼群拆得七零八落这时候不要急着改权重先按下面这个顺序排查。第一步检查数据。楼宇坐标是不是填错了有没有两个节点的坐标坐标完全一样常见于从CAD图纸导入时坐标原点不一致有没有节点的负荷数据为空或为0这些数据污点在聚类的相似度计算里都会形成奇异点。第二步检查相似度矩阵的尺度。电气距离和空间距离的数值量级差异过大时融合函数可能实际上只起到了单维度作用。打印出两种距离的均值和标准差看看数量级是否可比。第三步检查楼宇归属约束是否正确落实。在遗传算法的适应度计算里做一次独立的修复校验单独输出每个楼宇的节点是否全部属于同一个集群。我有一次就是因为修复函数里索引写错了导致约束形同虚设。这套排查逻辑能覆盖九成以上的异常情况剩下的多数是参数敏感性问题用权重扫描法就能定位区间。6. 扩展思路与后续演进空间集群规划这个题目做完之后我在复盘时也梳理了三条值得继续深入的扩展路径。第一条是时间维度上的动态集群规划。目前的划分结果基于代表日负荷曲线和光伏出力是静态的。但实际运行中冬夏负荷特性差异很大工作日和周末的负荷曲线也不同。更进一步的方案是做分时段集群、动态调整策略比如白天光伏大发时采用一种划分方案晚间负荷高峰时切换为另一种划分方案。不过这个方向对通信和控制系统的要求很高目前还处于研究探索阶段。第二条是考虑储能配置的联合优化。集群划分和储能规划实际上是强耦合关系——不同的划分方案会给出不同的集群内净负荷曲线对应的最优储能容量和功率自然不同。反过来储能布置位置也会影响楼宇节点的净负荷。更严谨的建模方式是把集群划分和储能定容选址放在同一个优化框架里用一个嵌套的优化模型求解。第三条是跟多能互补结合。楼宇空间布局天然适合考虑电、冷、热多种能源的耦合。比如商业楼宇有大量空调冷负荷需求住宅楼宇有生活热水需求如果集群划分时能把不同类型的能源需求耦合起来就可以实现区域级的综合能源协调优化。这个方向我个人认为前景不错尤其在城市更新和园区综合能源规划中的需求正在快速增长。我在做集群划分这个项目时最大的体会是模型中加一个维度或者加一个约束表面上只是多了一串代码实际操作中往往需要重新审视数据基础、算法收敛性与结果校验方式。楼宇空间布局这个维度尤其如此因为它不只是接入了坐标信息而是把城市功能形态带入了电网规划的决策逻辑最终切出来的不只是一个电气分区更像是在一张城市规划图上画出了具备电气自治能力的区块。这种跨空间与电气的视角交叉正是这类规划问题真正复杂也真正有价值所在。