主动配电网线路阻塞如何用主从博弈与自适应粒子群求解

最近被一个实际问题逼着研究了一圈主动配电网里的线路阻塞。分布式光伏一多、电动车一充，峰时段变压器出口那条支路过载是老毛病。我试过传统最优潮流、试过单纯分时电价，效果都差点意思，后来发现把主从博弈塞进来，反而能很自然地解决“运营者想消纳、用户想省钱”的冲突：上层定电价，下层调用电，两边互相牵引，阻塞就被引导着消掉了。这个思路听起来不难，真正落地时全在细节上——怎么把双层模型写成MATLAB，怎么把自适应粒子群跟下层优化套在一起迭代，怎么处理线路潮流约束突然爆掉，每一步都有坑。我现在把这套玩法从建模逻辑到代码框架完整整理一遍，主要面向做配电网优化调度研究、或者想用MATLAB复现主从博弈算法的同学，读完至少能少走三周弯路。

1. 线路阻塞的根因：主动配电网里“谁在跟谁抢通道”

1.1 源荷两侧都是变量，线路开始“不够用”

传统配网是单向潮流、辐射状、负荷可预测，导线容量按最恶劣工况留够裕度就行。主动配电网完全不是这个玩法：屋顶光伏、储能、充电桩、微网一股脑涌进来，潮流不再是“变电站到负荷”的单向流动。午间光伏大发时，功率可能倒送；晚高峰充电时，某些支路直接过载。这两个场景扭在一起，线路阻塞就从偶发事件变成了日常约束。

我处理过的一个典型场景是10kV馈线带着中等密度的分布式光伏，峰谷差拉大以后，几条关键支路在中午和傍晚两个时段负载率都逼近甚至超过90%。某个渗透率38%的case里，两条主干线在光伏出力最高时段接近满载，傍晚负荷爬坡时又复现一次。这已经不是调一两个变压器分接头或者靠人工拉路能解决的问题了，必须有一种机制让不同利益主体自动调整行为。

1.2 传统的“集中式削峰”为什么总觉得僵硬

最理想的做法当然是调度中心直接下发每台光伏、每个储能、每辆充电桩的功率指令，全局做一次最优潮流，所有线路约束一次性满足。但问题是：现实里光伏和储能的产权归属用户，调度指令落不下去；用户自己也不愿意被无条件降功率；再叠加隐私顾虑，配网管理系统根本拿不到每台设备的完整运行数据。

所以真正的矛盾是信息不对称和利益不一致。用电高峰时如果只是把整体电价调高，用户没有感知到“到底是哪条支路过载”，响应往往集中在隔壁支路，阻塞等于换了个位置继续存在。这在治理线路阻塞时算第一大坑：你试图用统一信号解决局部问题，结果就是局部问题被稀释成全局问题。

1.3 主从博弈的角色分配：谁来定规则，谁来响应规则

主从博弈也叫Stackelberg博弈，核心是“先动者”和“后动者”分层决策：后动者对先动者的策略做出最优响应，先动者预判这个过程，提前优化自己的策略。放到主动配电网里，角色划分非常自然：

• 上层领导者：配电网运营商（DSO），负责制定节点电价或者激励信号；
• 下层跟随者：分布式光伏、储能、充电桩聚合商或者产消者，在给定电价下最大化自己的收益。

这个架构贴合现实：电价不是强制指令，但能改变经济动机。DSO不需要知道每户的隐私数据，只需要预判“如果定这样的电价，用户会怎么优化”，就能算出线路潮流会不会越限。双层模型的两个层面也由此而来——上层是DSO的优化问题，下层是用户自己的优化问题，两层通过电价信号和用电量耦合在一起。

我习惯在动手建模前列一张要素表，把决策主体、变量、目标和约束全部写清楚，后面推导公式时就不容易乱：

建模时第一步先把这个表写明白，后面才不会出现“目标函数逻辑对但不知道往哪个模型里填”的问题。小算例可以从统一分时电价起步，跑通后再扩展成节点差异化定价，逐步增加复杂度。

2. 双层模型搭建：上层定电价，下层定出力

2.1 上层模型：DSO怎么把“阻塞”写进目标函数

上层目标函数我强烈建议写成运营成本和阻塞风险的和，不要把线路约束当成铁板一块的硬约束。原因是配电网潮流可行域对电价变量来说高度非凸，硬约束直接加进去，求解器很容易在边界处直接失败。用罚函数或者软约束，至少能让粒子在搜索时顺着潮流越限的方向往里收。

简化形式如下：

[ \min_{\boldsymbol{\pi}} ; C_{\text{purchase}} + C_{\text{loss}} + \rho \sum_{l\in\mathcal{L}} \max\left(0, |P_l|-P_l^{\max}\right)^2 ]

其中(\boldsymbol{\pi})是DSO发布的电价信号，(C_{\text{purchase}})是向上级电网购电的成本，(C_{\text{loss}})是网损成本，第三项是线路潮流越限的二次罚项，(\rho)是惩罚系数，(\mathcal{L})是所有需要重点监视的支路集合。

这里的设计意图很关键：罚项让算法在迭代前期就能“看到”越限有多严重、位置在哪，引导电价朝缓解阻塞的方向调整，而不是一上来就把搜索空间压到不可行区域。(\rho)不能太小，太小了越限在目标函数里占比过低，DSO干脆不管阻塞；也不能太大，太大了罚项主导目标函数，电价会被带飞，用户看到电价离谱直接不响应，结果反而更差。具体取值范围我在第6章细讲。

上层还需要满足配电网的物理规律：节点电压保持在[0.95, 1.05] pu区间内，各支路潮流满足DistFlow方程。这些约束无法像普通线性约束一样直接写进粒子群，必须每次给定电价后调用潮流计算才能求出来，所以潮流计算一定要封装成独立函数，不能散落在主循环里。

2.2 下层模型：用户对电价的最优响应

下层可以是一个用户，也可以是一组同类产消者的聚合体。为方便MATLAB实现，我用一个常见的二次效用函数来建模。用户收益等于用电效用减去购电成本，再加上储能参与调节的收益：

[ \max_{p_d, p_s} ; a p_d - \frac{1}{2} b p_d^2 - \pi p_d + \lambda_s p_s ]

约束条件：

[ p_d^{\min} \le p_d \le p_d^{\max}, \quad p_s^{\min} \le p_s \le p_s^{\max} ]

其中(\pi)是电价，(p_d)是购电功率，(p_s)是储能出力（正为放电，负为充电），(\lambda_s)是用户对储能参与响应的单位收益系数。二次效用函数有个至关重要的好处：下层问题变成凸二次规划（QP），MATLAB里quadprog或者KKT解析解都能快速求到全局最优。

这个性质在双层迭代里极其值钱，因为上层每个粒子都要调用下层求解，下层如果本身不稳定或者求解慢，整个算法效率会变得非常难看。我以前试过在下层用fmincon直接上非线性模型，规模不大但双层嵌套后单次迭代慢了好几倍，完全得不偿失。

如果用户侧还有可调负荷（温控负荷、充电桩），还可以再引入时移约束，本质还是线性或二次约束，模型结构不用改。用户决策变量也不需要每个设备单独建，按节点聚合之后，每个节点对应一个下层优化子问题，维度完全可控。

2.3 两层到底怎么“咬合”在一起

双层耦合的闭环是这样的：上层给定电价向量，下层求解得到用电和储能计划，再回到上层做潮流计算得到线路潮流和目标函数，然后更新电价，如此往复直到达到Stackelberg均衡。通俗点说，均衡就是：给定电价，下层已经做到最优；反过来，在这个电价和下层响应下，DSO也已经没有更优的电价策略。

实际数值求解时，我不追求严格的数学证明，而是看收敛曲线是否平稳、连续若干次迭代目标函数变化是否小于阈值。真正需要警惕的是下层多解问题：如果某个电价下用户的最优解不唯一，上层每次调用quadprog可能返回不同解，导致上层目标函数出现随机抖动，粒子群的pbest更新逻辑会被彻底带乱。

解决办法通常有两个：一是给下层目标加一个很小的二次正则项，比如(+\varepsilon|x|^2)，打破平局；二是对储能这类变量设置统一的终止条件，让求解器尽量稳定返回同一方向的解。两个方法可以叠加用，实测效果都不错。

3. 为什么选自适应粒子群：双层模型求解的现实困境

3.1 双层模型求解的三条主流路径

在双层规划里，圈内主流做法分三条路，我分别说下优缺点。

第一条是KKT条件转换：把下层优化问题用KKT条件替换，双层变成单层带互补约束的MPEC问题，交给商业求解器处理。这条路在小规模、线性或二次约束下非常漂亮，但配电网潮流约束一进来，非凸性立刻让求解器头大，而且KKT推导对初学者来说非常劝退，模型稍微加一个约束就得重新推一遍。

第二条是元启发式嵌套：外层用粒子群、差分进化这类算法搜索上层电价，内层调用确定性求解器解下层。优点是原理清晰、容易改模型，缺点是计算量大、没有严格收敛保障。不过配合自适应策略，绝大多数工程场景都能覆盖。

第三条是数学逼近类方法，比如变分不等式、联盟博弈、分布式ADMM，收敛性质更好，但工程实现复杂度高。对配电网这种带一堆潮流约束的实际系统，工作量和数值稳定性问题会远超预期。

本文讲的是第二条路：上层自适应粒子群加下层确定性求解。它不完美，但它是最容易在MATLAB里跑通并验证模型完整性的方案。先把框架跑通，后续再上更先进的求解器也不迟。

3.2 标准PSO在电价优化上为什么容易翻车

标准PSO在连续变量优化上确实好用，但配电网电价优化问题有几个特点：目标函数多峰，存在大量局部极值；下层响应是隐式的，目标函数要套好几层才能求出来，梯度基本没法算，只能靠无导数类算法。这两个特点叠加，标准PSO很容易在迭代中后期陷入停滞。

我复现过几次，标准粒子群基本跑到80代左右gbest就不动了，而真实更优解往往藏在某条支路潮流临界点附近，需要把搜索重新“踢”起来。这个现象根源在于粒子的惯性权重和速度更新公式太“机械”，前期探索不足、后期又缺乏跳出局部最优的能力。

自适应思想的动机就在这里：让算法在探索和开发之间自动找平衡。常见手段包括：

• 惯性权重动态调整，前期大权重加强全局探索，后期小权重加强局部精细搜索；
• 学习因子动态调整，前期c1大重视自身经验，后期c2大重视群体经验；
• 停滞检测与变异，当群体聚集度很高或gbest长期不更新时，对部分粒子施加扰动或重新初始化。

3.3 我搭的自适应PSO具体参数配置

下面是我在类似题目上反复试出来的参数，可以作为起点再调：

实测下来，同样的双层模型，带停滞变异的自适应PSO比标准PSO的目标值低8%~15%，具体数值取决于阻塞的严重程度，而且多次运行的方差明显更小。这个提升放在论文里可能不够惊艳，但工程上意味着不会三天两头撞到一个离谱的局部解。

代码层的自适应逻辑大概是这样：

% 自适应惯性权重 for it = 1 : max_iter w = 0.9 - 0.5 * (it / max_iter); if gbest_no_improve > 15 % 对20%左右维度的位置做高斯扰动 mask = rand(size(sol)) < 0.2; sol(mask) = sol(mask) + 0.1 * (ub(mask) - lb(mask)) .* randn(sum(mask), 1); end % 速度更新、位置更新代码... end

注意扰动千万别施加在所有维度上，只扰动20%左右的维度，不然会把好不容易找到的优质解结构给破坏掉。这个比例我试过5%、10%、50%，20%效果最好。

4. MATLAB实现的关键环节：从模型到能跑的代码

4.1 算例选择与数据接口设计

我使用IEEE 33节点系统做标准算例。这个系统有32条支路、5组联络开关，基准电压12.66kV，基准容量10MVA，参数在公开资料里很容易找到，是配电网优化的“默认试验台”。下面代码都是在33节点上验证过的思路，换系统时要重点修改支路阻抗、节点负荷、分布式电源位置这些参数。

工程上我建议把系统数据放到一个struct里统一管理：

sys = struct(); sys.base_kv = 12.66; sys.base_mva = 10; sys.branch = branch_data; % 每条支路的首端、末端、电阻、电抗、容量 sys.bus = bus_data; % 节点负荷、光伏、储能配置

把潮流计算、目标函数、下层求解分别写成独立函数，接口只传sys和电价向量。这样换算例、调约束时不用重写主循环，能省掉大量调试时间。

4.2 双层目标函数：内部到底怎么调用下层

这是整个实现的核心，逻辑是：输入电价向量，求解下层用户模型得到每个节点的用电计划，再把用电计划带回潮流函数，计算支路潮流和目标函数。

下层求解我用quadprog而不是fmincon。原因在于下层是二次效用函数，属于凸QP，quadprog在线性约束下能保证快速稳定收敛；fmincon虽然也能做，但在双层嵌套场景下调用次数极多，速度差距会被放大成几分钟和几十分钟的差别。如果以后改成非线性约束下层模型，再换fmincon不迟。

代码骨架如下：

function [f, congestion, load_ratio] = bi_level_obj(pi_vec, sys) % 步骤1：逐节点求解下层用户优化 for k = 1 : N_node H = diag([b_k, eps]); % 二次项系数 f_lin = -[a_k - pi_vec(k), -lambda_s_k]; % 上下限约束组装... [x_opt, ~] = quadprog(H, f_lin, A_lb, b_ub, [], [], lb, ub, x0); demand(k) = x_opt(1); storage(k) = x_opt(2); end % 步骤2：DistFlow潮流计算 [P_line, V_bus, loss] = distflow_calc(sys, demand, storage); % 步骤3：目标 = 购电成本 + 网损成本 + 阻塞罚项 over = max(0, abs(P_line) - P_line_max); f = purchase_cost + loss_cost + rho * sum(over.^2); end

这里有个实现细节容易踩坑：quadprog每次调用都要传初值x0，我建议把上一轮求得的解作为热启动传下去。双层迭代后期电价变化不大，下层解变化也很小，热启动能明显缩短求解时间。我统计过，加了这个优化之后，整个双层迭代时间能缩短30%以上。

4.3 阻塞约束的罚函数处理与自适应粒子群主循环

外层自适应PSO的主循环比较标准，核心是让每个粒子代表一组电价向量，不断更新速度和位置，同时检测停滞并执行变异。线路阻塞的约束处理再次强调，用二次罚函数而不是硬约束。原因在于硬约束会让大批粒子直接掉进不可行区域，而电价稍微扰动就导致约束剧烈跳变；罚函数则可以让粒子在不可行区域平滑地往可行方向移动。

罚项计算我做了归一化处理：

function f_penalty = congestion_penalty(P_line, P_line_max, rho) over = max(0, abs(P_line) - P_line_max) ./ P_line_max; f_penalty = rho * sum(over.^2); end

把越限量归一化后再平方，可以让罚函数在不同量级的支路之间更公平。不然低压配网支路容量小、算出来的越限数值天然偏小，会被高压侧支路带偏，罚函数的引导作用就失效了。

4.4 收敛判定与结果存储

双层问题没有严格的“精确最优”可验证，我一般结合两个判据：一是gbest目标函数连续30代变化小于(10^{-4})（标幺值下）；二是负载率排名靠前的几条支路连续若干代保持稳定、不再换位。第二个判据很实用，因为目标函数可能有数值噪声，但阻塞支路的组合是稳定的。如果支路负载率排名一直在跳，说明罚函数系数或者自适应参数还没调好，算法其实还在混乱摸索。

每次迭代结束建议保存四样东西：迭代代数、gbest目标值、最大支路负载率、越限总平方和。四个指标放一列，复盘的时候一眼就能看清算法是“正常收敛”还是“假装收敛”。

5. 仿真结果怎么看：阻塞缓解到什么程度才算有效

5.1 算例设置与参考基准

我在33节点系统上做了这样的对照：原始负荷基础上叠加一定比例的可调负荷和光伏，让两条关键支路在高峰时段负载率达到105%和112%，形成真实越限。在这个基础上，分别用标准PSO和自适应PSO做DSO电价优化，同时保留一个什么都不做的baseline作为对照组。

5.2 收敛行为对比

标准PSO的收敛曲线非常典型：前期下降快，中后期缓慢爬行，最后停在某个局部解。自适应PSO前期下降略慢一点点，因为自适应策略需要积累停滞信息，但中后期得益于变异机制，往往在80到120代之间还能有一次明显下降，最终目标值稳定地低一截。

我最关注的指标是越限总平方和。标准PSO后期基本是维持在一个平台，APSO会把它压到接近0或者一个可接受的小范围。从多次运行的趋势看，APSO找出的电价方案确实能让越限支路“退烧”，而且不会出现反复横跳的情况。

5.3 线路负载率的结果评判方法

阻塞治理有效性我习惯看这组指标：

• 最大线路负载率从112%降到多少；
• 负载率超过90%的支路数量；
• 全系统负载率方差；
• 用户购电成本的变化幅度。

理想结果是最大负载率压到95%以下，重载支路数量明显减少，同时用户总成本不至于涨太多。主从博弈的意义是调节利益，不是一方通吃。如果只追求阻塞最小而电价离谱上涨，用户下层模型很快就会“摆烂”不响应，那优化的根基就没了。

5.4 自适应PSO的收益到底在哪里

我从多次运行中观察到一个很有价值的规律：APSO对电价初值不敏感，标准PSO对初值很敏感。随机生成10组初始粒子群，标准PSO至少要换3组才能跑出像样的解；APSO基本10组都能收敛到相近质量。这个特性在工程里非常重要，你不想研究一套算法，每次运行结果都像开盲盒。

另外，APSO参数一旦调好，对负荷规模、光伏渗透率变化有不错的鲁棒性。我从22节点改到33节点再改到45节点，并没有大幅重调参数。标准PSO换个系统就得重新找参数，这算是自适应策略真正省心的地方。

6. 我做这套模型踩过的坑

6.1 下层多解导致上层目标“抖”

这个问题在2.3节提过，实际踩的时候非常迷惑：明明固定电价调度，双层目标却忽高忽低，pbest更新逻辑完全乱掉。后来定位到问题根源是下层quadprog在某些储能约束边界上返回了不同的角点解。不同角点解对应的上层潮流和目标值差异不小，看起来就像是随机噪声。

处理方法就是给下层目标加一点正则项，比如0.001倍的变量平方和，让优化器稳定偏向同一个方向；如果还不行，可以对角点解做归一化处理。加了正则项之后，上层目标函数的抖动幅度小了一个数量级，粒子群收敛也顺利了很多。

6.2 罚函数系数不要一拍脑袋定

(\rho)太小，比如小于10，越限在目标里占比太低，DSO干脆不管阻塞；(\rho)太大，比如大于1e6，目标函数被罚项完全主导，电价被带飞，用户直接不响应，结果反而更差。

我给一个经验搜索区间：从100开始，每次乘5往上试探，观察三个指标的变化——最大负载率、用户成本、收敛代数。找到一个“最大负载率明显下降但用户成本增幅可接受”的区间就定下来。记住，这个系数和系统容量的标幺化方式强相关，别人论文里的系数不能直接抄，一定要在自己的算例里重新标定。

6.3 粒子编码顺序影响搜索效率

上层粒子编码的是电价向量，编码顺序对结果影响极大。我一开始按节点顺序一行排开，33个节点就是33维，粒子群在高维空间里搜索效率很低，而且定价结果既难解释又难收敛。

后来我把节点按用户类型聚成居民、商业、工业三类，按类别编码，粒子维度直接从33降到四五维，搜索效率提升非常明显。这个优化完全不需要改模型，只是工程上的编码技巧，但收益立竿见影。如果你做的系统节点很多，强烈建议先做聚合。

6.4 潮流不收敛不要先怀疑算法

嵌套迭代里一旦运行变慢或者结果异常，很多人第一反应是粒子群参数没调好。我给自己定的排查顺序是：先查潮流函数，用零负荷做收敛测试，再逐步加负荷；再查下层求解，固定电价看解是否稳定；最后才查上层优化。

原因是潮流是每次迭代都要调的底层模块，它一旦有小错误，会像传染病一样污染整个双层迭代。一个带正常负荷的33节点系统，DistFlow收敛测试几十次都不该出现NaN或虚数。如果出现了，先别急着优化，回头把潮流函数跑一遍单测。

最后分享一个小技巧：在跑完整双层迭代前，先把下层求解单独调好。方法是对一组随机电价批量调用下层，观察返回的负荷曲线是否平滑、是否违反自己的上下限。这一步做好，后面双层迭代就会顺畅很多。主从博弈处理线路阻塞的思路，再往后可以扩展多时段耦合、节点边际电价、储能联合调度几个方向。核心的“上层定价，下层响应，潮流反馈”闭环是先要扎扎实实跑通的，这套MATLAB框架是目前我觉得性价比最高的起点。