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(i=1)ⁿ max(0, |Vi - Vref| - ΔVmax)²

这里的 λ 是惩罚系数，Vref 取 1.0pu，ΔVmax 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 ≤ Vmax，i = 1, 2, ..., n

本项目取 Vmin = 0.95pu，Vmax = 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,k+1) = ω·v(i,k) + c1·r1·(pbest(i) - x(i,k)) + c2·r2·(gbest - x(i,k)) x(i,k+1) = x(i,k) + v(i,k+1)

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_comp+1 : n_comp+n_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; end

PSO 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; end

3.4 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 C（DG 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：

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 1.0pu，PV 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：

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。