基于改进灵敏度分析的配电网智能软开关优化配置

1. 项目概述：改进灵敏度与智能软开关配置的思路解构

有源配电网的网损和电压问题，很多做配电网规划的同学一开始都会想到用调压器、无功补偿或者网络重构来解决。但在分布式光伏、风电大规模接入的IEEE33节点这类有源配电网里，传统联络开关只有合和分两种状态，根本没法连续调节潮流。于是智能软开关（SOP）成了一个热门选项。SOP能像“柔性开关”一样，在不改变拓扑的前提下，连续控制流过它的有功和无功功率，可以显著降低网损、缓解电压越限。但这个装置贵，不能每一条支路都装，必须把有限的投资放在最该放的地方。怎么找最该放的地方？本项目采用改进灵敏度分析，在传统网损灵敏度的基础上融合DG出力变化和电压风险，快速筛选安装位置，再用优化算法确定容量，整套流程在Matlab中基于IEEE33节点系统实现。

这不是一个“按部就班跑一遍就结束”的小作业。灵敏度分析的价值在于降维：IEEE33节点有33个母线、32条常规支路和5条联络开关，如果直接用智能算法同时优化位置和容量，组合空间巨大。先通过改进灵敏度把候选位置缩小到几个，再对候选位置做精细优化，速度和稳定性都会好很多。本项目最核心的不是Matlab代码本身，而是“为什么改进灵敏度能比传统灵敏度更符合有源配电网的实际”。想清楚这一点，换到IEEE69节点、PG&E系统甚至实际馈线，思路依然成立。

1.1 智能软开关解决什么问题

先理清SOP到底有什么用。传统配电网里，馈线之间一般通过联络开关连接，平时断开，故障时合上恢复供电。这种开关只能处于0或1状态，无法对正常运行时的潮流做柔性调节。在DG接入后，馈线之间的功率流向和电压分布随出力波动，传统开关很难应对。SOP是由两个背靠背电压源换流器构成，两端分别接在两条馈线上，可以控制流经有功功率的大小和方向，同时向两端馈线输出无功功率。也就是说，它可以连续调节相位差，把重载馈线的功率转移到轻载馈线上，也能在电压偏低时给系统补无功。

SOP与传统联络开关的差异非常明显，我经常用这张表给入门的人讲：

正是因为SOP造价高，才需要“优化配置”。如果只装一两个SOP，装在哪、容量多大，直接决定了投资能不能收回。这属于典型的选址定容问题，位置离散、容量连续、潮流非凸，直接搜全空间会非常慢。用灵敏度分析先筛位置，是工程上行之有效的做法。

1.2 为什么需要“改进”灵敏度

传统灵敏度分析常用于配电网无功补偿选址：计算网损对某个节点注入功率的导数，导数大的节点说明对降损影响大，优先在这里装设备。这个做法在纯负荷配电网里很好用，因为潮流方向相对固定，DG很少甚至没有。但到了有源配电网，情况变了。DG随机出力会让不同时段的最大网损节点、电压最薄弱节点完全不同。如果你只用一个固定基准潮流算一次灵敏度，很可能选出的位置在光伏中午满发时并不好用，甚至会让网损增加。

“改进”主要体现在两个层面。第一，场景意识：把DG出力和负荷水平按典型场景划分，每个场景算一遍灵敏度，再按概率加权，得到“期望灵敏度”。这比单点灵敏度更鲁棒。第二，电压感知：有源配电网的瓶颈往往不只是网损，还有电压越限。如果一个节点网损灵敏度不高，但却是电压最低点，装SOP能提供无功支撑、提升电压，这同样是高价值位置。所以改进灵敏度会在原网损灵敏度之外，叠加上电压越限风险惩罚项，把“降损”和“稳压”两个目标同时纳入筛选指标。

2. 数学模型与灵敏度计算：从网损灵敏度到改进灵敏度

2.1 目标函数与约束条件怎么写

SOP配置的核心目标不是单纯让网损最小，而是让综合成本最低、运行效果最好。我把目标函数写成下面的形式：

$$ \min F = C_{inv}(S_{SOP}) + C_{loss}(P_{loss}) + \lambda_V \cdot V_{penalty} $$

其中 $C_{inv}$ 是SOP投资折算到每年的费用，$C_{loss}$ 是年网损费用，$V_{penalty}$ 是电压越限惩罚量，$\lambda_V$ 是权重系数。如果只做学术研究，很多人会直接把目标简化为最小化网损，再单独看电压质量。但涉及工程投资，必须给SOP容量定个价，否则优化结果会拼命把容量往大了取，看起来网损很低，实际上根本买不起。

约束条件分两类。一类是潮流等式约束，即节点有功、无功平衡方程，这个在Matlab里由潮流计算函数保证。另一类是运行不等式约束：

• 节点电压上下限：$0.93 \le V_i \le 1.07$（标幺值）；
• 支路电流上限；
• SOP容量约束：$|P_{SOP}| \le S_{SOP}$，且 $ \sqrt{P_{SOP}^2 + Q_{SOP}^2} \le S_{SOP} $；
• SOP两端有功功率平衡：$P_{SOP,i} + P_{SOP,j} + P_{loss}^{SOP} = 0$。

工程上，SOP内部损耗常按传输有功的2%进行近似，即 $P_{loss}^{SOP} = 2%(|P_{SOP,i}| + |P_{SOP,j}|)$。在优化时，我会把这个等式约束作为等式条件处理，避免出现虚假的“凭空产生功率”。

2.2 网损灵敏度的两种实现方法

网损灵敏度是指当节点注入的有功或无功发生微小变化时，系统总网损的边际变化率。严格推导可以通过潮流雅可比矩阵的逆来得到，也就是伴随方程法。这种方法数学上很漂亮，但需要处理复数求导、雅可比矩阵维度等问题，代码容易写错，而且当场景一多，每次都要重新算雅可比，容易把人劝退。

我实际在Matlab里更推荐用扰动法。思路很直白：在某个潮流运行点下，对第 $i$ 个节点注入一个微小的有功增量 $\Delta P_i$，重新做一次潮流计算，得到网损变化量 $\Delta P_{loss}$，然后计算：

$$ LS_i = \frac{\Delta P_{loss}}{\Delta P_i} $$

这个公式就一句话，但实现时有个细节：扰动步长不能太小。前推回代潮流的收敛精度通常在 $10^{-6}$ 量级，如果 $\Delta P_i$ 取1kW甚至更小，算出来的网损差会淹没在潮流迭代误差里。我一般取 $\Delta P_i = 0.01$MW（即10kW），对IEEE33节点系统来说，这个值大概是总有功负荷的0.27%，扰动前后两次潮流计算能稳定看到网损差。如果基准容量是10MVA，这个扰动对应0.001p.u.，既不会破坏潮流收敛，也不会让结果失真。

同样道理，如果要计算无功灵敏度，就对节点注入 $\Delta Q_i$，再算网损差。有源配电网里，DG并网逆变器既能发有功又能发无功，所以无功灵敏度和有功灵敏度要分开算，后续筛选时再按需组合。

2.3 改进灵敏度的具体构造

改进灵敏度不能只用一个数，而应该是一个综合指标。我在项目里是这样做的。

首先定义DG出力场景集。比如对于光伏和风电，按额定出力的比例划分三个典型场景：低出力（30%）、中出力（60%）、高出力（90%），并给每个场景一个概率 $p_s$。如果有负荷曲线，也可以把负荷水平一起纳入，形成比如“高光伏+高负荷”“低光伏+轻负荷”等组合场景。场景不用太多，三到五个就够，太多会显著增加计算量。

对每个场景 $s$，在候选节点 $i$ 上做一次扰动，得到两个指标：

• 网损灵敏度 $LS_{i,s} = \Delta P_{loss,s} / \Delta P_{i,s}$；
• 电压灵敏度 $VS_{i,s} = \Delta \sigma_s / \Delta P_{i,s}$，其中 $\sigma_s$ 是该场景下全网最大电压偏差，或者电压越限节点数。

然后按场景概率加权，得到改进灵敏度：

$$ ISF_i = \sum_s p_s \left( LS_{i,s} + \alpha \cdot VS_{i,s} \right) $$

这里的 $\alpha$ 是电压风险权重。如果不关心电压问题，$\alpha$ 取0，就退化成多场景网损灵敏度。“改进”的关键就是把这个 $\alpha$ 项加进去。我在有源配电网里一般取0.3左右，如果系统本身电压问题严重，可以取到0.5。怎么调呢？先算一版纯网损灵敏度和纯电压灵敏度，观察两者量级，再把 $\alpha$ 让电压项的贡献和网损项相当。合理设置后，ISF大的节点，通常同时具备“降损明显”和“电压支撑价值高”的特点。

2.4 为什么用多场景加权而不是单一潮流

很多人会问：如果DG出力正好处于高场景，那直接在高场景下算灵敏度不就行了吗？现实中DG出力是连续随动的，光伏可能上午满发、下午骤降，风电可能一整夜都在波动。如果只用单一场景，相当于默认未来只有一个运行方式。设想一种情况：某节点在光伏不出力的夜间网损灵敏度很高，但在白天光伏满发时，由于附近DG把电压抬高了，灵敏度变得很低。如果按夜间灵敏度选它，白天SOP可能处于闲置或低效状态；反之，多场景加权会把不同时段的贡献都考虑进去，选出的位置虽然不是在每个场景下最优，但综合期望最好。这符合有源配电网“源随荷动、随机波动”的实际运行特性。

3. Matlab实现全流程：从IEEE33节点数据到优化结果

3.1 IEEE33节点系统数据准备

项目从IEEE33节点系统开始。这个测试系统的基准电压12.66kV，基准容量常用10MVA，全网包含33个节点、32条支路，还有5条联络开关支路。原始数据里支路电阻、电抗都是欧姆值，负荷单位是kW/kvar。我在Matlab里一般习惯把单位统一成MW/Mvar，再用下面这段代码做标幺化：

Sb = 10; % 基准容量 MVA Ub = 12.66; % 基准电压 kV Zb = Ub^2 / Sb; % 基准阻抗 Ohm bus = [ 1 0 0 0 2 0 0.1000 0.0600 ... ]; branch = [ 1 2 0.0922 0.0470 2 3 0.4930 0.2511 ... ]; % 标幺化 branch(:,3) = branch(:,3) / Zb; % R branch(:,4) = branch(:,4) / Zb; % X

注意，IEEE33节点数据在不同文献里略有差异，一定要核对好自己用的那套数据。我常用的是总负荷有功3.715MW、无功2.3Mvar的版本。DG接入时，我直接在对应节点的负荷功率上减去DG出力（输出为正时视为负的注入），如果DG需要设成PV节点，还要额外处理无功迭代，这容易造成收敛问题，所以初版代码我全部按PQ恒功率DG处理。

3.2 前推回代潮流与网损计算

配电网潮流和输电网不一样，线路电阻电抗比值较大，用牛顿-拉夫逊法有时候初值给不好会收敛慢。前推回代法是配电网最经典的算法，原理简单：从根节点出发，先假设所有节点电压为额定值，从末端往根节点回推支路电流，再根据支路电流和线路参数从根节点往末端推电压，反复迭代直到收敛。

下面是核心潮流函数的结构：

function [V, P_loss, iflag] = pf33(bus, branch, S_dg) % bus: 节点数据，包含负荷 % branch: 支路数据，包含首末端节点和阻抗标幺值 % S_dg: DG注入复功率（复数向量，节点n处为 S_dg(n)） n = size(bus, 1); V = ones(n, 1); % 电压初始标幺值 S_load = bus(:,3) + 1j * bus(:,4); % 复负荷 S_inj = -S_load + S_dg; % 节点注入功率 branch = [branch; 联络开关支路数据]; % 如果有闭合联络开关，需要加入 iter = 0; while iter < 100 I = conj(S_inj ./ V); % 节点注入电流 % 从末端回推支路电流... % 从首端前推电压... % 计算偏差，判断是否收敛 iter = iter + 1; end % 计算网损：所有支路损耗之和 P_loss = sum(real((V(branch(:,1)) - V(branch(:,2))) .* conj(I_branch))); iflag = 1; % 收敛标志 end

前推回代里最关键的一个坑是处理联络开关。IEEE33节点原本有5条联络开关，在SOP配置问题中，通常只研究正常运行方式下的常开点，所以要么把联络开关全部断开，只做辐射网潮流，要么在模拟SOP时，把SOP当作可控注入源架设在两条馈线之间，而不是把联络开关简单闭合。如果直接闭合联络开关，系统变成弱环网，前推回代需要额外处理，代码复杂度会直线上升。我的做法是：SOP不改变网络拓扑，只在与SOP相连的两个节点上增加可控注入功率，其中一端正、另一端负，这样潮流计算仍然保持辐射网，非常干净。

3.3 扰动法计算改进灵敏度

有了潮流函数，扰动法就很好实现了。下面是一段灵敏度计算的伪代码：

n = size(bus,1); scenarios = [0.3, 0.6, 0.9]; % DG出力比例 prob = [0.2, 0.5, 0.3]; % 场景概率 alpha = 0.3; % 电压风险权重 dP = 0.01; % 扰动有功（MW） ISF = zeros(n,1); for s = 1:length(scenarios) S_dg = S_dg_rated * scenarios(s); % 当前场景DG出力 [V_base, Ploss_base] = pf33(bus, branch, S_dg); sigma_base = max(abs(1 - V_base)); % 电压偏差量 for i = 2:n % 平衡节点1不做扰动 S_dg_pert = S_dg; S_dg_pert(i) = S_dg_pert(i) + dP; % 注入有功扰动 [V_pert, Ploss_pert] = pf33(bus, branch, S_dg_pert); LS = (Ploss_pert - Ploss_base) / dP; VS = (max(abs(1 - V_pert)) - sigma_base) / dP; ISF(i) = ISF(i) + prob(s) * (LS + alpha * VS); end end [~, idx] = sort(ISF, 'descend'); % 灵敏度从高到低 candidate = idx(1:K); % 取前K个节点作为SOP候选位置

这里有个容易出问题的细节：如果注入扰动后潮流不收敛，程序会直接报错。所以我在实际代码里会判断iflag，如果不收敛，就把该节点的灵敏度置为一个极大惩罚值，并在日志里打印警告，而不是让整个循环中断。另外，扰动只针对非平衡节点，因为平衡节点的注入功率由潮流自动确定，不能随意增加。

3.4 粒子群优化SOP容量与无功设定

位置筛出来后，接下来要确定每个SOP的容量以及两端无功出力。这个阶段我用粒子群算法（PSO），因为候选位置只有两三个，变量维度很低，粒子群速度快、写起来也容易。变量编码如下：

% 假设选定两个位置，决策变量为： % x = [ S1, q1, S2, q2 ] % 其中S_i为SOP容量(MVA)，q_i为第一端注入无功(Mvar) % SOP的有功功率保证两端有功平衡时自动确定

适应度函数里要调用潮流，并加入约束罚项：

function f = fitness(x, ...) S1 = x(1); q1 = x(2); S2 = x(3); q2 = x(4); % 根据SOP位置，构造SOP注入功率 % SOP有功转供量由两端电压差和优化目标共同决定，在潮流迭代中固定为给定值 % 如果不满足容量约束，返回一个大数 if sqrt(p1^2 + q1^2) > S1 || sqrt(p2^2 + q2^2) > S2 f = 1e6; return; end [V, Ploss, iflag] = pf33(bus, branch, S_dg, sop_power); if iflag == 0 f = 1e6; return; end penalty = sum(max(0, 0.93 - V).^2) + sum(max(0, V - 1.07).^2); f = Ploss + lambda_SOP * S1 + lambda_SOP * S2 + 1e4 * penalty; end

PSO参数我一般设粒子数20、迭代50次，惯性权重从0.9线性降到0.4，学习因子取1.5。由于位置已经固定，搜索空间很小，一般二三十次迭代就能收敛。用PSO的结果重新跑一次多场景潮流验证，如果每个场景下电压都在限值内，就可以输出最终配置方案。

3.5 结果可视化与导出

配置完成后，至少要画两幅图。第一幅是节点电压分布图，把无SOP、传统灵敏度配置、改进灵敏度配置三条曲线画在一起，肉眼可见改进后的电压曲线被整体抬起来。第二幅是改进灵敏度条形图，横坐标是节点编号，纵坐标是ISF值，高亮选中的SOP位置。画图时统一用标幺值，节点编号从1到33。我还会把DG接入前后的网损、电压最低点、SOP出力做成一张表保存到Excel，方便写报告时直接引用。

figure; plot(1:33, V_base, 'k-o', 1:33, V_sop_trad, 'b-s', 1:33, V_sop_impr, 'r-d'); xlabel('节点编号'); ylabel('电压/p.u.'); legend('无SOP','传统灵敏度SOP','改进灵敏度SOP','Location','SouthWest'); saveas(gcf, 'voltage_compare.png');

4. 算例结果对比：改进灵敏度配置效果分析

4.1 算例设置与主要参数

我以一个典型算例来说明改进灵敏度的优势。IEEE33节点系统，在全网负荷基础上，在节点18接入光伏额定出力0.6MW，在节点25接入风电额定出力0.8MW。DG出力场景取30%、60%、90%三种，概率分别为0.2、0.5、0.3。SOP最多配置2个，每个容量范围0～1.6MVA，电压约束取0.93～1.07p.u.。优化目标中，投资费用按每年0.2万/kVA折算，网损电价取0.5元/kWh。

这里要说明一下，以下结果是某组具体参数下的工程示例，不是IEEE33节点的官方标准答案。不同文献对DG接入位置和容量定义不同，数值会自然浮动，但“改进灵敏度比传统灵敏度综合效果更好”这一趋势在大多数有源场景下都是稳定的。

4.2 灵敏度排序与配置结果对比表

用传统灵敏度（单一场量，在DG出力60%场景下计算）排序，选择的前两个节点是18和25，正好是DG接入节点附近。用改进灵敏度排序，选中的是12和30，节点12位于馈线中段的重载分支，节点30靠近末端电压薄弱区。优化后的容量和运行效果对比如下：

从这个表格能看到，改进灵敏度方案的有功网损比传统方案低约21kW，最低电压提升了0.024p.u.。虽然容量总投入（2.1MVA）比传统方案（1.6MVA）略大，但综合网损费用和电压质量的提升完全值得。更重要的是，在多场景验证中，改进灵敏度方案在DG出力从30%到90%变化时，电压最低点都保持在0.95p.u.以上，而传统灵敏度方案在DG仅30%出力、负荷较重时，末端电压会回落到0.94左右。这说明改进灵敏度方案对DG波动更耐受。

4.3 为什么改进灵敏度配置效果更好

原因其实不复杂。传统灵敏度只看单一运行点下的网损边际收益，它选中的节点位于DG接入点附近，因为在这些节点增加功率可以显著抵消远端DG的倒送潮流，从而降低视在功率。但它忽略了一个关键点：SOP的价值之一是转移有功和补无功，电压最弱的末端节点虽然网损灵敏度不是最高，但SOP安装在那里可以同时提升两条馈线的末端电压。

改进灵敏度把电压偏差量纳入了灵敏度指标，相当于在“哪个节点对降损有用”和“哪个节点对电压有用”之间做加权平衡。多场景加权又把这种平衡延伸到不同DG出力水平下，所以选出来的节点就像“全科生”，而不是“偏科生”。打个比方，传统灵敏度就像一个只看工资选工作的人，哪里给钱多去哪里；改进灵敏度则还会看岗位稳定性、发展空间和通勤成本，最后选一个综合最优的offer。配电网规划本来就要考虑多维约束，所以后者更贴近实际。

5. 常见问题与排查技巧实录

5.1 潮流不收敛时先查这三个地方

做这个项目的过程中，绝大多数代码崩溃都出在潮流计算上。第一个要查的是单位。IEEE33节点原始数据里，线路电阻是欧姆，负荷是千瓦，如果直接把欧姆数值塞进标幺制公式，潮流必然发散。我会在数据导入后加一条检查命令：disp(sum(branch(:,3)))，如果数值异常，立刻知道是单位问题。第二个是DG的处理方式。把DG设成PV节点时，如果无功越限，前推回代会振荡。不如初版全部用PQ节点，等潮流稳定后再考虑PV模型。第三个是迭代初值。对于重载网络，用全1电压初始化可能不收敛，可以先用更宽松的收敛精度（如1e-3）跑一遍，再把结果作为初值继续精算，这个技巧叫“初值接力”，实测很有效。

5.2 灵敏度排序出现异常怎么办

有几次我算出来的灵敏度全是负值，一开始以为程序错了，后来才意识到这是正常的。当某个节点注入有功时，如果它处于DG倒送功率的路径上，增加注入反而会减小流过下游线路的功率，网损下降，灵敏度自然为负。选位置时，负的灵敏度往往比正的更有价值，因为负得越多说明该节点对降低网损越有利。排序时可以按灵敏度数值升序（最负优先），也可以用sort的descend配合绝对值判断，但前提是符号含义要统一。另一个问题是电压灵敏度与网损灵敏度量级差异大，如果不做归一化，ISF会被电压项主导。我一般先对每个场景的LS和VS分别做min-max标准化，再加权综合。

5.3 粒子群优化容易陷入局部最优

PSO本身不是全局优化神器，变量多的时候很容易早熟。在SOP容量优化里，我碰到过两次结果都聚在同一个局部解，而换一组初值就能找到更优解。后来我在初始化种群时，专门加入了一些“极端个体”，比如容量取上下限、无功取0的个体，保证种群覆盖搜索空间。另外，适应度函数里对约束的惩罚系数要设置合理。惩罚系数太小，个体可能不满足容量约束但适应度仍很低；惩罚系数太大，会导致搜索偏向可行域边界，错过一些微违约束但目标极优的潜力解。我的经验是先让惩罚系数从100逐渐增大到10000，让粒子先探索边界，再慢慢收敛到可行域内。

5.4 Matlab工程实现细节

Matlab版本差异带来的问题很常见。老版本用中文注释，在新版本打开时经常乱码，最省事的方案是全程英文注释，或者统一把脚本保存为UTF-8编码文件。另一个细节是数组索引：Matlab从1开始，而IEEE33节点数据里的节点编号也是1到33，但有些文献会把节点0当作根节点，搬运代码时经常差一位。建议在数据文件开头加上assert(length(unique(bus(:,1))) == 33)，防患于未然。多场景灵敏度计算是典型的可并行任务，用parfor替代for能大幅提速，但注意扰动循环里每次都要调用潮流函数，如果并行池开得太大，反而会因为通信开销变慢。

5.5 常见问题速查表

最后再说一个我个人的体会：灵敏度分析最大的价值不是给你一个“最终答案”，而是快速告诉你“哪里值得重点算账”。一开始我也迷信过纯智能算法直接寻优，觉得灵敏度分析是多余步骤，直到有一次把PSO放在全部33个节点上优化容量，跑了一下午，结果还因为离散变量处理不好陷入局部解。后来改回“改进灵敏度筛位置 + PSO定容量”，几分钟就能出结果，且方案可解释性强。所以这个项目的真正收获是：先理解系统运行特性，再让算法在合理的目标方向上去搜索，而不是一上来就暴力计算。以后你拿到其他配电网系统，也可以用同样的思路先做灵敏度导航，再让优化器去精调。