1. 项目背景与核心价值
电力系统规划中，分布式电源的选址和容量确定是个经典难题。传统方法要么依赖人工经验，要么采用枚举法计算，效率低下且难以找到全局最优解。粒子群算法（PSO）这种启发式优化方法，恰好能解决这类多维非线性优化问题。
我在参与某工业园区微电网设计时，曾用MATLAB手写过一套PSO算法来解决光伏阵列的布置问题。当时最大的感触是：参数调得好，计算速度快得惊人；调不好，迭代几百次都收敛不了。这也让我意识到，算法实现只是基础，真正的价值在于如何将其工程化落地。
分布式电源选址定容问题可以抽象为一个带约束的多目标优化模型。需要同时考虑投资成本、网损、电压偏差、环境效益等多个目标，还要满足节点电压、线路容量等硬性约束。PSO的优势在于：
- 对目标函数形式无严格要求
- 天然适合并行计算
- 容易与其他算法融合
- 参数少且物理意义明确
2. 问题建模与算法选型
2.1 目标函数构建
典型的四目标模型如下：
def objective_function(x): # x=[位置1,容量1,位置2,容量2,...] cost = 计算投资成本(x) loss = 计算网损(x) voltage_dev = 计算电压偏差(x) emission = 计算减排量(x) return w1*cost + w2*loss + w3*voltage_dev - w4*emission权重系数w1~w4需要根据具体场景调整。我在某商业区项目中采用熵权法确定权重，比专家打分法更客观。
2.2 约束条件处理
常用约束处理方法有：
- 罚函数法（简单但收敛慢）
- 可行解保持法（适合PSO）
- 修复法（计算量大）
推荐采用动态罚函数，初期允许轻微越界，后期严格惩罚：
def penalty(iteration): return base_penalty * (1 + iteration/max_iter) def check_constraints(x, iteration): violations = 检查约束违反量(x) return sum(violations) * penalty(iteration)2.3 算法改进策略
标准PSO在解决高维问题时容易早熟收敛。建议采用以下改进：
- 惯性权重线性递减
w = w_max - (w_max-w_min)*iter/max_iter - 引入变异算子：当群体最优解连续N代未更新时，对部分粒子随机重置
- 混合模拟退火：以一定概率接受劣解，避免陷入局部最优
3. 分布式计算实现
3.1 并行化设计
PSO天然适合并行计算，粒子间相互独立。采用MPI实现的核心逻辑：
# 主进程 初始化全局最优解gbest while 未收敛: 向各worker分发gbest 接收各worker返回的pbest 更新gbest # worker进程 while True: 接收gbest 更新粒子速度和位置 计算适应度 更新pbest 返回pbest给主进程实测在100节点测试系统上，并行效率可达85%以上。
3.2 负载均衡策略
不同粒子的适应度计算耗时可能差异很大（比如某些位置需要潮流计算迭代更多次）。建议采用动态任务分配：
- 主进程维护任务队列
- worker完成当前任务后立即请求新任务
- 设置超时机制避免worker卡死
4. 工程实践关键点
4.1 参数调试经验
通过30+个项目实践，总结出参数设置黄金法则：
| 参数 | 推荐范围 | 调整策略 |
|---|---|---|
| 粒子数 | 50-100 | 每维设计变量对应10-20个粒子 |
| 学习因子c1,c2 | 1.5-2.0 | c1+c2≤4.0 |
| 最大速度Vmax | 变量范围的10% | 太大易震荡，太小收敛慢 |
| 惯性权重w | 0.4-0.9 | 线性递减效果最佳 |
重要提示：先在小规模系统上调参，再应用到实际大系统。曾有个项目因直接在大系统上调参，浪费了2周计算资源。
4.2 收敛判断技巧
不要简单依赖最大迭代次数，推荐组合判断条件：
- 群体多样性指标<阈值（如平均距离<半径的5%）
- 最优解改善幅度<0.1%持续10代
- 帕累托前沿变化率<1%
实现示例：
def check_convergence(): diversity = calc_diversity() improvement = calc_improvement() frontier_change = calc_frontier_change() return (diversity < 0.05 or improvement < 0.001 or frontier_change < 0.01)5. 典型问题排查
5.1 早熟收敛
症状：迭代初期就陷入局部最优 解决方法：
- 增加变异概率（建议5-10%）
- 采用多群体PSO，子群体间定期交流
- 结合禁忌搜索，避免重复搜索相同区域
5.2 振荡发散
症状：最优解上下跳动，无法稳定 解决方法：
- 降低学习因子（c1,c2各减0.2）
- 缩小速度范围（Vmax减半）
- 加入速度衰减因子（如0.99每代）
5.3 计算耗时过长
优化策略：
- 预计算网络参数矩阵
- 采用直流潮流近似计算
- 设置适应度缓存（相同输入直接返回历史结果）
实测某154节点系统，通过缓存可使单次迭代时间从18s降至3s。
6. 实际应用案例
某工业园区23MW分布式光伏接入项目：
- 设计变量：8个安装位置+容量
- 约束条件：电压偏差≤5%，线路负载率≤80%
- 算法参数：60粒子，w=0.9→0.4，c1=c2=1.7
优化结果对比：
| 指标 | 人工方案 | PSO方案 | 提升幅度 |
|---|---|---|---|
| 总投资成本 | ￥326万 | ￥289万 | 11.3% |
| 年均网损 | 37.2万度 | 28.6万度 | 23.1% |
| 最差电压偏差 | 4.8% | 3.2% | 33.3% |
关键发现：PSO方案倾向于在负荷中心附近布置较多小容量单元，而非传统的大容量集中式布置。这种"小而多"的布局虽然增加了部分线路成本，但显著降低了网损和电压问题。
