分布式光伏集群划分与电压协调控制：从机理到Matlab实现

中午十二点，光照最强，负荷低谷，分布式光伏大面积出力，10kV馈线末端电压被顶到 1.07 p.u. 以上，逆变器一台接一台过压脱网。这个画面我相信很多做配电网仿真的朋友都不陌生。做含分布式光伏的配电网研究，绕不开三件事：光伏怎么建模、集群怎么划分、电压怎么协调控制。这篇博文就顺着“分布式光伏集群划分 + 集群电压协调控制”这条主线，把电压抬升机理、划分算法原理、分层控制策略，再到 Matlab 代码实现里的关键细节和调试教训，完整过一遍。内容适合正在做相关毕设、期刊论文或工程方案比选的读者对照参考，不需要你有太深的优化理论背景，我会尽量把每一步的“为什么这么做”讲清楚。

1. 分布式光伏接入后，配电网电压问题到底出在哪

1.1 一条公式看懂电压抬升

做这个方向之前，我建议先把电压抬升的物理机理吃透，否则后面集群划分、协调控制全部是空中楼阁。用最简单的单馈线模型来看：馈线首端电压为 U_s，末端节点电压为 U_r，线路阻抗为 R + jX，流过的功率为 P + jQ。忽略电压横分量，压降可以近似写成：

ΔU = U_s - U_r ≈ (P R + Q X) / U_s

过去配电网是纯负荷馈线，P 和 Q 都是正的，ΔU 为正，电压从首端到末端一路往下掉。接入分布式光伏以后，情况变了：末端附近的光伏就地发有功，如果光伏出力比本地负荷还大，馈线里的 P 就变成负值。这时候 (P R + Q X) / U_s 整体变负，公式告诉你，末端电压不但不掉，反而比首端还高。

我算一个实际数量级例子。一段 3km 的 10kV 架空线，线路参数 R=0.5Ω/km，X=0.4Ω/km，末端光伏注入 1.5MW，先忽略负荷和无功，U_s 取 10kV。倒送有功 P=-1500kW：

ΔU ≈ (-1500 × 0.5 × 3) / 10 = -225V

折算到标幺值大概是 -2.25%，也就是末端电压比首端高 2.25%。如果同时还有两条分支馈线往这个节点倒送功率，末端电压超过 1.07 p.u. 是很容易出现的事情。这也是很多台区里光伏逆变器频繁过压脱网的直接原因。

1.2 电压失调不是孤立现象，而是一连串连锁反应

分布式光伏带来的电压问题不是“电压超过 1.07 p.u.”这一个孤立事件，我在实际仿真和现场数据分析时观察到一串连锁反应：

• 光伏出力最大的时段经常和系统负荷最低的时段重合，馈线电压曲线出现明显的“午间驼峰”；
• 逆变器检测到过压后会自动降额甚至脱网，脱网后电压回落，重新并网后又超限，形成反复投切，对设备寿命和电网稳定性都不友好；
• 有载调压分接开关因为电压频繁波动而反复动作，但它调的是馈线首端电压，对分布式光伏引起的末端局部抬升往往使不上劲；
• 传统并联电容器组是固定投切，缺乏和光伏逆变器的协调，容易出现过补或者欠补；
• 线损率、三相不平衡度、保护灵敏度都会跟着恶化。

这一堆问题在光伏渗透率低的时候不突出，一旦台区光伏装机容量上来，就会从个别现象变成普遍现象。这也是为什么近些年配电网研究把“高渗透率分布式光伏接入”作为重点场景来分析。

1.3 全局集中控制为什么走不通

理论上，配电网无功电压最优控制完全可以写成一个全网优化问题：给定负荷和光伏预测曲线，以网损最小或电压偏差最小为目标，对线路上的所有无功设备统一调度。但落到实际工程里，集中控制有几个很难绕开的障碍：

• 配电网节点数量大，一条中压馈线几十个节点，一座城市上百条馈线，集中控制对通信带宽、计算资源和主站可靠性要求都很高；
• 光伏逆变器、储能、电容器、SVC、OLTC 等设备往往属于不同投资主体，全量采样数据很难拿齐，集中控制需要的信息壁垒较高；
• 集中优化模型对网络参数和预测数据质量很敏感，一组劣质数据就可能导致指令严重失真；
• 单点故障问题突出，主站一旦故障，全网电压控制基本瘫痪。

所以，把全网优化拆成“集群划分—分层控制”的框架，就成为一个很有工程逻辑的思路：先按电气耦合强弱把配电网节点分成若干集群，集群内部做快速控制，集群之间做协调配合。计算规模小了，对通信的依赖降低了，设备归属和管理边界也更清晰。这就是整个项目标题里“集群划分”和“集群电压协调控制”两个词的由来。

2. 集群划分的数学本质：怎么把“全局优化”变成“分区自治”

2.1 集群到底在“聚”什么

集群划分最容易踩的第一个误区，是把它当成“按地理位置把节点圈起来”。实际上集群划分聚的是“电压控制关系紧密”的节点：某个节点注入无功后，哪些节点的电压响应最明显，它们就应该被分到同一个集群里。

判断耦合强弱的常用工具是电压-无功灵敏度矩阵。在潮流收敛解附近，把节点注入功率和节点电压的关系线性化，可以得到：

[Δθ; ΔU] = J^(-1) [ΔP; ΔQ]

取其中电压幅值对应的分块矩阵，就是电压-无功灵敏度矩阵 S_Q。S_Q(i,j) 的物理含义是：节点 j 注入单位无功功率后，节点 i 的电压幅值变化量。灵敏度越大，说明两个节点在电压控制上耦合越强。

工程实现上一般不用纯解析法求这个矩阵，更常用的做法是做摄动潮流：在节点 j 上叠加一个小的无功增量 ΔQ_j，重新跑一次潮流，记录所有节点的电压变化量，作为灵敏度矩阵的第 j 列。这个方法的好处是能在任何潮流程序上直接实现，不依赖雅可比矩阵内部结构。

有了灵敏度矩阵，再定义电气距离。两个节点 i、j 之间的电气距离常用如下形式：

D_ij = -log( |S_Q(i,j)| / sqrt(|S_Q(i,i)| × |S_Q(j,j)|) )

D 越大，说明两个节点电气耦合越弱；同节点的 D_ii 为 0。后面再用 exp(-D_ij²/σ) 把它转成相似度权重，作为社区检测的输入。

2.2 从物理耦合到模块度指标

把配电网节点看成一张加权图，节点是图的顶点，电气距离权重是图的边权，集群划分就转化成了一个标准的社区检测问题：把顶点分成若干组，使组内边权尽量大、组间边权尽量小。最经典的量化指标是模块度：

Q = 1/(2m) × Σ_ij [ W_ij - (k_i k_j) / (2m) ] × δ(c_i, c_j)

这里 W_ij 是节点 i 和 j 之间的耦合权重，k_i 是节点 i 所有边权重之和，m 是所有边权重总和的一半，δ(c_i, c_j) 在节点 i、j 属于同一集群时取 1，否则取 0。模块度越大，说明分区结构越明显，工程上常见的合理分区模块度大概在 0.3 到 0.7 之间。

这里要特别强调一个区别：配电网集群划分里的 W_ij 不是简单的 0/1 邻接矩阵，而是从电压灵敏度电气距离构造出来的权重矩阵。这一点和社交网络里的社区发现完全不同，也是很多初学者直接用现成社区检测工具包、结果却一塌糊涂的关键原因。

求解模块度最大化有两种主流做法：谱聚类和 Louvain 算法。我把它们的适用情况整理了一下：

配电网电压控制对集群均衡性有要求，我不希望一个集群管太多节点、另一个集群只有两三个节点，所以实际项目中我用谱聚类更多。如果要追求模块度上更优，也可以在 Louvain 划分结果上做后处理，把超大集群强制拆分。

2.3 划分结果的工程检查与集群数确定

集群划分不能只看模块度数值。模块度最大化的极端情况也可能出现“所有节点并成一个集群”，这种结果对控制没有意义。所以我在代码里会加几组约束条件：

• 集群数量需要预设，一般根据馈线规模和调度层级取 2 到 8 个；
• 每个集群的节点数量要落在合理区间，不能出现超大集群或孤立单节点；
• 集群内部必须连通，不能出现“飞地”——一个集群的节点被另一个集群从拓扑上隔开；
• 集群边界尽量和馈线分段开关、联络开关的位置重合，这样控制指令执行起来才方便。

还有一个工程细节：单一运行点算出来的灵敏度矩阵，换一个场景可能就失效了。比如晴天中午光伏大发场景下，末端电压灵敏度很高；到了晚高峰负荷场景，灵敏度分布又会变化。我建议构造一个“典型场景集”：晴天光伏大发、晚高峰负荷、阴天弱出力、夜间低谷等几个代表场景分别算灵敏度矩阵，再按概率加权得到一个综合矩阵，用这个综合矩阵去做集群划分。这样划分结果对运行方式变化更稳，不会换一个场景划分就完全乱掉。

3. 集群电压协调控制策略：先局部自治，再全局协调

3.1 三层控制框架及各自职责

集群划分完成之后，电压控制策略需要和划分结果配套设计。我的做法是三层控制框架，时间尺度从快到慢递进：

就地控制层是安全底座。即使通信断了，每个光伏逆变器也能根据本地电压做无功调节。集群协调层则是在就地控制的基础上，把“局部最优”往“集群最优”推进一步。全局优化层最慢，负责跨集群的协调，比如调整变压器分接头位置、给每个集群下发电压参考值。

3.2 基于电压-无功灵敏度的集群协调控制

集群协调控制的输入是本集群关键节点的电压测量值，输出是各逆变器的无功调节指令。最简单的集群级控制可以写成比例积分形式：

ΔQ_cluster = K_p × (U_avg - U_ref) + K_i × ∫(U_avg - U_ref) dt

U_avg 是本集群关键节点电压的平均值，U_ref 是电压参考值。这个控制律简单可靠，但不足之处是没有考虑集群内部各节点电压的差异，可能出现“平均值达标、个别节点越限”的情况。所以我在项目里更倾向于用一个小的二次规划模型来做集群内分配：

min Σ w_i (U_i - U_ref)² + λ Σ (ΔQ_i)²

约束条件包括：

• U_min ≤ U_i ≤ U_max，节点电压不能越限；
• Q_min ≤ Q_i ≤ Q_max，逆变器无功出力不能越限；
• S_i² ≥ P_i² + Q_i²，逆变器视在功率容量约束。

目标函数里第一项是让节点电压尽可能接近参考值，第二项是让无功调节量不要太大，避免设备频繁动作。λ 是权重系数，用来折中电压质量和调节代价。这个模型规模不大，每集群节点数有限，用 Matlab 自带的 quadprog 就能求解，不需要引入太重的求解器。

3.3 就地下垂和集群协调怎么分工

光伏逆变器就地 Q(U) 下垂控制的典型形式是：

Q_i = Q_0 + k_q × (U_0 - U_i)

本地电压高于参考值 U_0 时，逆变器多吸收无功；电压低时多发出无功。它的优点是响应快、不需要通信，缺点是缺少全局视角。我举一个典型的失控场景：集群左侧馈线电压偏高、右侧电压正常，所有逆变器只看本地电压，左侧全在吸无功，右侧因为电压正常基本不动。等左侧电压降回来，右侧电压可能又被压得偏低。这就是“局部控制正确、整体协调失败”的典型情况。

集群协调层做的事正是修正这个偏差：统一采集集群关键节点电压，按照灵敏度关系算出每个逆变器应该承担的无功量，优先让电压越限严重、无功裕度充裕的设备多出力。我常用的分配公式是按无功裕度加权：

ΔQ_i = CapQ_i / Σ_j CapQ_j × ΔQ_cluster

其中 CapQ_i 是节点 i 逆变器当前剩余无功调节能力：

CapQ_i = sqrt(S_max_i² - P_i²) - Q_i_current

这个公式很直观：光伏满发时 P 接近 S_max，CapQ 很小，分配到的调节任务就少；储能和无功裕度大的逆变器多承担。整个控制流程是：集群控制器读取关键节点电压和逆变器出力，判断电压偏差是否超过死区，超过则求解二次规划或者按裕度分配，下发指令，下一周期重复。通信中断时自动降级回就地 Q(U) 模式。

4. Matlab仿真实现的关键环节与调试经验

4.1 仿真程序总体结构与数据组织

Matlab 代码实现我一般分成五个模块：配电网数据初始化、潮流计算、灵敏度分析与电气距离计算、集群划分、电压控制与效果评估。程序结构清晰的话，后面换算例、换控制参数都方便。

数据组织是最容易被低估的一步。我习惯用 struct 存节点和支路信息：

% 节点数据：编号、类型、有功负荷、无功负荷 node.id = (1:n)'; node.type = zeros(n,1); % 1:平衡节点, 2:PQ节点 node.Pd = zeros(n,1); % 有功负荷 node.Qd = zeros(n,1); % 无功负荷 % 支路数据：起始节点、终止节点、电阻、电抗 branch.fbus = [1; 2; 3]; branch.tbus = [2; 3; 4]; branch.R = [0.5; 0.4; 0.3]; branch.X = [0.4; 0.3; 0.2];

光伏接入位置和容量我单独用一张表存，方便批量修改接入场景。建议把所有分布式电源统一建模成 PQ 节点，潮流计算更稳定；需要研究逆变器控制响应时再切换成 PV 节点或者电流源模型。

4.2 关键代码片段与参数设置

潮流计算是这个项目的地基。如果是做毕业设计，我建议先用 Matpower 的 runpf 跑通标准算例，验证手写潮流程序的正确性，再用自写程序。自写牛顿-拉夫逊潮流的核心逻辑如下：

function [U, iter] = nr_power_flow(Y, S, n, max_iter, tol) U = ones(n, 1); % 电压幅值初值 theta = zeros(n, 1); % 相角初值 for iter = 1:max_iter Uc = U .* exp(1j * theta); S_cal = Uc .* conj(Y * Uc); dP = real(S) - real(S_cal); dQ = imag(S) - imag(S_cal); if max(abs([dP; dQ])) < tol break; end % 求雅可比矩阵并求解修正量，这里简化示意 J = num_jacobian(Y, Uc); dX = J \ [dP; dQ]; theta = theta + dX(1:n); U = U + dX(n+1:2*n); end end

集群划分部分，电气距离矩阵和谱聚类的核心代码可以这样组织：

% 根据潮流雅可比逆矩阵取电压-无功灵敏度 J_inv = inv(J); S_Q = J_inv(n+1:2*n, n+1:2*n); % 电气距离矩阵 D = zeros(n, n); for i = 1:n for j = 1:n D(i, j) = -log(abs(S_Q(i,j)) / sqrt(abs(S_Q(i,i)) * abs(S_Q(j,j)))); end end % 相似度矩阵与谱聚类 W = exp(-D ./ max(D(:))); W(1:n+1:end) = 0; % 去掉自环 d = sum(W, 2); L = diag(d) - W; % 拉普拉斯矩阵 [V, ~] = eigs(L, k, 'smallestabs'); cluster_idx = kmeans(V, k, 'Replicates', 20);

集群电压协调控制的核心代码段如下：

% 集群电压偏差判断 dV = U_meas - U_ref; if abs(mean(dV(cluster))) > deadband Q_cluster = Kp * mean(dV(cluster)); Q_cluster = max(min(Q_cluster, cluster_cap), -cluster_cap); % 按无功裕度分配给各逆变器 cap_i = sqrt(S_max_i.^2 - P_i.^2) - Q_i_now; cap_i = max(cap_i, 0); Q_ref_i = Q_i_now + Q_cluster * cap_i / sum(cap_i); end

关键参数的设置我一般给一组参考范围：潮流收敛精度 1e-6，最大迭代次数 50；下垂系数 k_q 取 0.05 到 0.2；电压死区取 ±0.005 p.u.；就地控制周期 0.1 到 0.5 秒，集群协调控制周期 1 到 5 秒。死区太小会让逆变器频繁调节，死区太大则控制效果不明显，建议扫几个典型场景后再定。

4.3 从仿真结果到论文图：输出哪些指标

代码跑通之后，真正决定论文质量的是结果指标怎么组织。我至少会输出四类结果：

第一类是电压分布曲线，控制前后同一时刻的馈线电压剖面放在一张图上对比，这是最直观的“有没有效果”的证据。第二类是集群划分拓扑图，用不同颜色标示不同集群的节点和支路，配合模块度数值说明划分合理性。第三类是控制效果指标表，包括电压最大值、电压偏差、越限持续时间、网损、逆变器动作次数。第四类是典型场景仿真曲线，展示从电压越限到集群控制介入再到电压恢复的动态过程。

表格里的数值是按典型场景仿真得到的示例，不同算例会变化，但趋势通常是一致的：集群协调控制能在就地控制基础上进一步压低电压最大值、减少越限时长和逆变器动作次数。

4.4 关于 Matlab 选型和求解器的一些经验

选择 Matlab 做这个项目，主要看中它的矩阵运算能力和电力系统工具箱。数据组织、矩阵索引、可视化都比较顺手，代码可读性也好。对于小规模算例，二次规划用 quadprog 就够了；算例节点多、约束复杂时，可以接 Yalmip 写优化模型，再调用外部求解器。需要注意的是，Matlab 的脚本文件如果跑得太慢，优先检查是不是在循环里反复算潮流，而不是马上换求解器。常见的提速手段是把灵敏度矩阵提前算好、把控制周期内的潮流增量更新做成函数句柄、把不需要保存的中间变量清掉。

5. 仿真里最容易踩的坑，以及我的处理习惯

5.1 “一个巨型集群”问题

用 Louvain 算法做集群划分，经常跑出来一个特别大的集群，把一半节点都包进去，其他集群零零散散。原因是模块度最大化有时会让大集群合并占便宜，但这个划分结果对电压控制非常不友好——大集群内部通信和协调压力重新变大了。我的解决办法是改用谱聚类并直接指定集群数量 k，划分之后再检查每个集群的节点数，如果某个集群过大，就在相似度矩阵里增加规模均衡惩罚项，把超大集群强制拆开。

5.2 灵敏度矩阵随运行点漂移，不能一劳永逸

电压-无功灵敏度本质上是潮流方程在某个运行点附近的局部线性化结果。光伏出力从 20% 变到 100%，同样一个无功调节量引起的电压变化幅值明显不同。如果只用单一运行点算灵敏度矩阵做集群划分，换到另一个场景可能就不准。我建议先做几个典型场景的灵敏度矩阵，再按概率加权得到综合矩阵。控制阶段不需要实时更新整个灵敏度矩阵，但要留出在线修正的接口，每隔一段时间用最新潮流结果更新一次，至少保证划分结果在主要运行方式下都成立。

5.3 逆变器视在功率容量约束最容易被忽略

这是我在调试过程中印象最深的一个坑。逆变器的无功调节能力不是无限大，受视在功率约束限制：

S_i² ≥ P_i² + Q_i²

光伏满发时 P 接近 S_max，Q_i 的调节范围变得非常小，甚至接近零。但恰恰是光伏满发的时候，系统电压最高、最需要无功支撑。如果不把这个约束建模进去，集群协调控制算出来的无功指令超出逆变器容量，执行时必然打折扣，仿真结果和实际工程对不上。解决办法就是在分配公式里用剩余无功裕度 CapQ_i 做加权，同时在优化模型里显式加入容量约束。

5.4 下垂系数和死区参数的整定

就地 Q(U) 下垂控制有两个参数要小心：下垂系数 k_q 和死区。k_q 太大，逆变器响应猛，容易和其他设备形成振荡；k_q 太小，电压越限了却拉不回来。死区太小，频率波动稍微大一点，所有逆变器都在反复调无功；死区太大，控制又形同虚设。我的处理习惯是先做参数扫描：固定负荷和光伏场景，k_q 在 0.02 到 0.3 之间变化，观察电压最大值、网损、调节次数几个指标，选一个折中值，最好不要用单一固定值跑到所有场景。

5.5 高阻线路下，有功削减的补充作用

配电网线路 R/X 比通常比输电网高，尤其是电缆和长距离架空线。无功调压到后期会变得“力不从心”，因为线路电阻太大，无功传输本身也带来压降。这种情况下，如果集群内所有可调无功容量已经用完、电压仍然越限，就需要考虑光伏有功削减。我在控制策略里把有功削减放在最后一级，优先级比无功调节低，并且做了轮换机制，避免同一个光伏电站一直被削减。仿真中还要评估削减电量带来的收益损失，这部分在论文里可以作为经济性对比的论据。

整套代码和策略我前后迭代了多个版本，最深的一个体会是：集群划分不是“算完就结束”的独立步骤，它和控制策略是一体的。划分结果好不好，最终要看控制仿真里的电压改善效果，只看模块度数值没有说服力。建议你先把潮流算稳，再碰聚类和优化，把“场景—划分—控制—评估”这条链路完整跑通，再去优化每个环节的算法细节。工程上最有价值的往往不是某个高深算法，而是整个流程里每个环节都经得起推敲。