基于IEEE33节点的主动配电网优化与粒子群算法实战解析

头一回拿IEEE33节点系统跑主动配电网优化，我犯了个挺基础的错误：直接把分布式电源当成节点上的负的负荷塞进潮流里，然后套了个粒子群就开始迭代。结果出来的电压剖面图反而比原始系统更差，我还以为是算法写崩了，后来才反应过来，问题出在对“主动配电网优化”这六个字的理解上。

这个标题很容易让人觉得是“用智能算法找最优DG出力”，但实际上它的内核是：在配电网从被动走向主动的大背景下，怎么把多个可控资源——分布式电源、储能、网络重构、无功补偿——统筹进一个优化框架，让系统在安全边界内运行得更好。IEEE33恰好是这一研究里用得最多的标准测试网，后边的内容会从这张网开始，逐步拆解建模、算法改造、代码实现和结果解读。不管是研究生做课题，还是电力系统工程师想初步了解配电网优化，这条路径都值得完整走一遍。

1. 为什么是IEEE33：这张测试网的底细与主动配电网的独特需求

1.1 一张33节点的网，为什么成了仿真研究的“基本盘”

IEEE33是几十年前提出来的标准算例，结构上是一条12.66kV中压配电网馈线，33个节点、37条支路、5个联络开关，首端1号节点接变电站，末端是一些普通负荷节点。全网总负荷大约3.715MW加上2.3Mvar无功，典型运行方式下全网网损大概在202kW附近，电压最低点通常在0.90到0.92p.u左右。

这个电压水平其实很有讲究：系统能运行，但已经逼近了允许值的下限，给优化留足了操作空间。如果初始电压在1.0附近非常健康，那优化结果会看起来“没什么提升”，不容易体现方法价值；反过来如果初始电压已经低于0.90，那就不是优化问题，而是规划层面的补强问题了。IEEE33正好卡在一个“优化一下就能见效”的甜区。

这里得提一个常被新手忽略的点：IEEE33不只是“节点—支路”的编号集合。它有5条联络开关支路，分别是8-21、9-15、12-22、18-33、25-29。这些开关平时处于断开状态，一旦闭合，系统就可以从纯辐射状变成带环网的网络。也就是说，配电网重构这个维度，在这张测试网上天然支持。我第一次看到联络开关表的时候完全没意识到它的意义，后面做到重构编码时才回头补课。

1.2 “主动”到底主动在哪：从被动电网到可调度资源

传统配电网的设计哲学是“被动”的：按最大负荷来规划，保护整定、电压控制都假设潮流从变电站单向流向负荷，分布式电源顶多被当成“负的负荷”处理。DG渗透率上来之后，潮流方向不再单一，传统保护可能误动，电压可能越限，这就是主动配电网要解决的场景。

主动配电网的“主动”体现在几个具体方面：主动管理DG出力，主动调度储能充放电，主动重构网络来改变潮流分布，主动协调无功电压。这些动作单独做都不难，难在它们互相耦合。比如DG出力增加能压低网损，但末端电压会升高；储能充电时负荷增加，又可能把电压拉低；重构改变了网络拓扑，潮流分布全部变化，之前调好的DG出力方案可能就失效了。

所以主动配电网优化问题天然是“多决策变量、多目标、强约束”的混合优化问题，而IEEE33刚好把这种耦合关系压缩到了可控的规模里，非常适合用来研究和验证求解方法。

1.3 这套数据适合做什么，不适合做什么

用IEEE33做研究有几条实打实的优势：数据公开免费，参数完整，不用求人；规模适中，普通PC跑上千代的群体智能算法没有压力；拓扑带重构空间，可以同时考虑重构与DG、储能的协同优化。再加上论文库里大量文献都用IEEE33做算例，想验证自己算法和别人的差距，对比起来非常方便。

但它不适合做什么？不适合拿来做真实工程接线方案的设计。真实馈线有复杂的负荷时序特性、多级电压等级、各种运行方式限制，IEEE33只是理想化的单一馈线模型。我倾向于把IEEE33当成“配电网优化的试验台”来用，目标是验证模型和算法逻辑是否成立，而不是直接输出工程实施方案。

2. 把优化问题写清楚：目标函数、决策变量与约束条件的设计逻辑

2.1 目标函数：先想明白“优化”到底优化什么

很多人在这一步翻车。一上来就写“网损最小”，然后把其他因素全扔到罚函数里，结果优化出来的方案虽然网损很低，但电压质量、经济性完全没考虑，最终没法落地。

主动配电网优化的目标函数几乎都是多目标组合，常见的有这么几类：

• 技术性目标：网损最小、电压偏差最小、电压合格率最高；
• 经济性目标：DG运行成本最低、购电成本最低、储能套利收益最大；
• 环保性目标：DG消纳量最大、弃风弃光最小。

这些目标之间往往互相拉扯。想压网损，可能得让DG多发，但DG发多了电压可能升上去；想提升电压质量，可能要多投无功补偿或者调整储能出力，又会影响经济性。

处理多目标最朴素的办法是线性加权，把总目标写成各项之和。但加权法的坑在于量纲和量级：网损是kW量级，电压偏差是百分数量级，直接相加，电压偏差项会被网损项彻底淹没。我见过不少初稿就是因为没做归一化，最后优化出来的结果全在照顾网损，电压偏差几乎没改善。习惯做法是先把每个子目标用基准值或最大值做归一化，比如网损除以初始网损值，电压偏差除以允许最大偏差，再乘上各自的权重系数。

如果要做更严肃的研究，可以考虑帕累托前沿方法，用NSGA-II这类多目标算法得到一组非支配解，让决策者根据偏好选择。工程上线性加权更直观，学术上帕累托方法更严谨，选哪种取决于你最终要回答什么问题。

2.2 决策变量：连续变量与离散变量的混合

按场景划分，常见的决策变量有几组：

• DG有功和无功出力：连续变量，有上下限；
• 储能充放电功率：连续变量，但受SOC状态约束；
• 无功补偿装置的投切容量：离散或连续，取决于补偿设备类型；
• 联络开关和分段开关状态：0-1离散变量，且需要满足辐射状约束。

这里要特别注意：一旦把重构纳入优化，问题性质就变了。它不再是一个纯连续优化问题，而是混合整数非线性规划（MINLP）。直接用连续优化算法跑，开关状态要么被松弛成0到1之间的连续值，跑完再取整，得到的结果很可能不符合网络连通性和辐射状要求，这就是为什么很多论文把重构单独拆出来，或者采用智能算法做统一搜索。

另外决策变量的维度不需要贪多。IEEE33系统虽然只有33个节点，但如果每个节点都设置一个DG变量，搜索空间会膨胀得很厉害。合理的做法是用候选安装点集来压缩空间：根据实际需求选3到5个DG候选节点，再选若干储能候选位置，剩下节点保持纯负荷属性。小规模场景先把链路跑通，后续再逐步扩展候选点数量。

2.3 约束条件清单：漏一条，结果就容易“仿真好看、现场用不了”

约束条件是建模阶段最容易被轻视、但最后最能体现水平的部分。至少要包含这几类：

这里专门说一说DG出力爬坡约束。第一次建模时我把DG当成静态出力，优化结果直接给出一个“0到满发瞬间跳变”的调度序列，从纯数学角度看完全是最优解，但工程上没有任何逆变器能瞬间满功率切换。加上爬坡率约束之后，出力曲线才变得像一个真实可执行的调度方案。约束不是用来凑数的，每一条都要对应真实物理世界的限制。

3. 粒子群算法在配电网优化中的实战改造：编码、参数与混合策略

3.1 为什么我优先选粒子群而不是算法全家桶

DG出力、储能功率这类连续变量在配电网优化里占大头，粒子群算法对连续优化问题天然适配，实现起来只要几十行代码，收敛速度通常也比遗传算法快。它的短板同样明显：处理离散变量需要编码配合，处理约束依赖罚函数，而且容易早熟。

我的选择逻辑是这样：如果问题里只有DG出力优化和储能调度，纯连续变量，用粒子群就够；如果加了网络重构，优先考虑混合编码的粒子群或遗传算法；如果是要做多目标帕累托搜索，那就直接上MOPSO或者NSGA-II这类多目标版本。并不是算法越复杂越好，而是问题结构决定算法选型。

3.2 混合编码：把DG出力和开关状态放在同一个粒子里的做法

以“重构+DG出力协同优化”为例，粒子位置向量可以拆成两段：前一段是若干个连续分量，对应各DG的有功或无功率；后一段是若干个离散分量，对应可操作开关的0-1状态。

问题在于，粒子的位置更新公式天然是连续运算，离散分量直接套进去会得到一堆“0.37”“1.2”这种没有物理意义的值。我常用的处理办法有两种：

第一种，对离散分量按连续方式更新，再用Sigmoid函数把速度映射到0到1区间，当作“取1的概率”，按概率抽样得到离散状态。这是标准的离散二进制粒子群思路，信息保留比较好。

第二种，对离散分量做四舍五入取整，同时加一个修复机制：如果取整后的开关状态组合不满足辐射状约束，就重新随机生成该开关编码直到合法。实现省事，但在拓扑搜索空间比较不规则时，可能会浪费不少算力。

实测下来，如果开关数量少、网络规模小，用第二种更稳；变量多的话，第一种对全局搜索更有帮助。

3.3 参数设置：先探索后收敛的调参套路

粒子群调参的核心是惯性权重和学习因子。按经验给一组可复用的启动参数：

• 种群规模：30到50，节点多、变量多时取50；
• 迭代代数：120到200代，跑完看收敛曲线还在明显下降就继续加；
• 惯性权重：从0.9线性递减到0.4，前期偏探索，后期偏开发；
• 学习因子：c1取2.0、c2取1.5。让c2略小于c1，可以避免种群过早被少数强势个体带偏；
• 速度上限：取变量范围的10%到20%，防止粒子飞出合理区间。

罚函数系数也值得单独调。太小，算法会“赖”在不可行域里不出来，电压漂到1.1也想省网损；太大，可行域边界附近目标函数突变，粒子很难贴着约束边界走，优化结果总比真正最优值差一截。我的做法是扫描调参：罚系数按10的指数步长增加，跑若干次，观察可行解比例和网损变化，选一个“刚能让全部约束都被满足的最小数量级”。

3.4 重构搜索里最容易被忽略的辐射状约束

重构优化的核心难点从来不是“怎么更新开关编码”，而是“怎么快速判断一组开关状态合不合法”。判据就两条：全网络必须连通，且支路数等于节点数减1。具体实现可以用并查集，遍历所有闭合支路，把节点逐步合并到集合里，最后看是否只有一个根节点。

这里有一个非常典型的工程坑：如果不做辐射状校验，算法很容易找到一个“伪可行”的环网解。潮流完全能算，网损可能还更低，但环网运行状态在真实的配电网继电保护体系下是执行不下去的。所以适应度评估之前一定要先做拓扑校验，不合法直接给大罚值。

提示：重构优化的正确打开顺序是：解析开关编码→构建网络并校验连通性和无环性→合法才做潮流计算→不合法直接罚掉。这样能省掉大量无效潮流计算。

4. 代码落地实战：潮流计算、罚函数与主循环的细节

4.1 为什么用pandapower而不是自编牛顿-拉夫逊

早期配电网优化研究常用MATLAB加Matpower，然后自己写优化算法。我的技术路线换成了Python加pandapower，原因很实际：pandapower对IEEE33这类算例支持很直接，潮流求解器内部已经处理了牛顿-拉夫逊的很多细节，鲁棒性比手写版本好得多；而且结果结构化，节点电压、支路网损、线路电流直接能从结果表里取。

最实用的一点是重构场景的实现方式。在pandapower里，每条线路有in_service字段，改一个布尔值就能模拟开关分合，不需要手工重建网络拓扑。要把候选开关状态映射到线路上，只需要按索引对in_service赋值就行，这对粒子群反复迭代的场景非常重要。

4.2 目标函数与罚函数怎么写

给一个参考骨架，不是完整可跑的工程代码，但核心逻辑都在：

import pandapower as pp import numpy as np def evaluate(particle): # particle前段为DG出力，后段为开关状态，可能是0-1向量 net = build_ieee33_with_dg(particle) # 如果涉及重构，先判断拓扑合法性 if not check_radial(net): return 1e6 try: pp.runpp(net) except pp.LoadflowNotConverged: return 1e6 loss_mw = float(net.res_line.pl_mw.sum()) vmin = float(net.res_bus.vm_pu.min()) vmax = float(net.res_bus.vm_pu.max()) voltage_penalty = 0.0 if vmin < 0.95: voltage_penalty += 10.0 * (0.95 - vmin) if vmax > 1.05: voltage_penalty += 10.0 * (vmax - 1.05) return loss_mw + voltage_penalty

要专门强调一下量纲问题：loss_mw的单位是MW，数值一般只有零点几；电压偏差是标幺值，越限量也很小。如果直接相加，罚项几乎不影响目标函数。所以电压越限量要乘上一个足够大的系数，让它的数量级和网损项匹配。这个系数和第三节说的罚系数本质上是一回事，都要根据具体场景调试。

4.3 粒子群主循环：三个容易翻车的细节

第一，边界处理。DG出力和开关状态都有上下限，粒子更新后越界分量需要处理。我偏向“反射”或“随机重置”，而不是简单拉回边界。因为大量粒子堆在边界上会让种群多样性骤降，后期搜索基本停滞。

第二，收敛判据不能只看“全局最优解不下降”。还要观察种群平均适应度和最优适应度的差距。如果平均适应度很早就靠拢最优适应度，说明个体之间差异已经很小，早熟风险很大，可以在迭代中重置部分粒子的位置。

第三，初始种群生成不能随手乱来。DG出力在可行范围内均匀随机生成，开关状态随机生成后立刻做辐射状合法性检查。如果不做这一步，前期一大半个体都不合法，收敛曲线会非常难看，而且容易误导你以为是罚系数设置有问题。

for i in range(pop_size): while True: pos = init_pos(var_range) if check_radial(decode_switches(pos)): break

4.4 常见报错与排查路径

• 潮流不收敛：优先检查DG出力是否越界，再看重构后网络是否形成孤岛或非连通结构，最后再查是否有一些负的负荷值之类的低级建模错误。
• 网损下降特别缓慢：大概率是目标项和罚项的量级差了太多，检查罚系数。
• 电压越限但适应度还在改善：罚函数权重不够，调大。
• 同一优化问题两次跑出完全不同结果：多峰问题，需要结合领域知识缩小搜索空间，或者增加种群规模和迭代次数。

5. 结果怎么读：电压分布、收敛行为与多目标权重敏感性

5.1 电压剖面图：一张直观的“优化成绩单”

跑完IEEE33优化后，最该画的第一张图是“节点电压幅值—节点编号”曲线，把优化前、优化后、不同DG渗透率的情况画在同一坐标系里。

优化前的电压曲线通常在末端跌到0.90到0.92附近，尤其是18号这样的末端节点。加入DG和重构之后，末端电压被抬起来。举一个示意图例数据：3个DG接在18、22、25节点，单机容量500kW，两个联络开关参与重构，网损从202kW降到138kW，最低电压从0.913升到0.967。这个数字在IEEE33的文献里相当常见，也是一个很合理的量级。

5.2 收敛曲线与早熟判断

看收敛曲线时重点盯三条线：全局最优适应度、种群平均适应度、可行解比例。

全局最优适应度的正常趋势是前期快速下降，后期缓慢平稳；但如果前5代就断崖式下降然后一动不动，大概率是初始种群里有极少数个体直接“锁死”了最优区间，全局探索根本没发挥作用。种群平均适应度如果很快靠近最优适应度，说明多样性丢失，需要调整惯性权重或加入变异。可行解比例则是视角指标，反映当前参数下约束处理是不是高效。

看曲线最重要的不是“最后收敛到多少”，而是“下降过程像不像一个正常的物理过程”。太顺不一定是好事，太陡可能是假收敛。

5.3 灵敏度分析：渗透率、接入位置对结果的影响

做一组DG渗透率扫描，结果往往呈现倒U型趋势：渗透率太低时改善有限；渗透率适中，比如20%到35%之间，网损和电压都有明显改善；渗透率偏高，50%以上，倒送功率增加，网损可能反弹，末端电压还可能越过上限。

下面给一组示意数据，帮助理解趋势：

这里要特别提醒：高渗透率下最高的电压通常出现在DG接入节点附近，而不是末端节点。只看最低电压会严重误判，一定要同时看最高电压分布。

5.4 多目标权重的敏感性：给决策者看的那张权衡表

如果把目标函数写成“网损标幺项乘α，电压偏差标幺项乘1减α”，对α做扫描，会得到一组权衡曲线。α大时结果偏向最小网损，电压改善可能不够；α小时电压偏差明显变小，但网损会高一些。

这类权衡分析在项目汇报里很有用。与其直接说“这是最优解”，不如给决策者看一张表：你更在意的指标是什么，对应的推荐方案是哪一个。α扫描段位不同，推荐方案不同，报告的说服力会强很多。

6. 从IEEE33走向真实馈线：工程化移植的几个典型问题

6.1 单断面到多时段：调度曲线比优化点值更有用

IEEE33算例最常见的研究方式是在一个典型负荷断面下做优化，得到某一时刻的最优DG出力。但工程上调度员需要的是未来几个小时甚至24小时的调度曲线，不是单个断面最优值。

做工程化时，至少要改成多时段优化。这时储能SOC会跨时段耦合，不再是单断面的自由变量：不能上一小时刚充满电，下一小时又按满功率放电。多时段优化的计算量提升不小，但对真实系统的指导意义是数量级的差别。

6.2 不确定性：光伏出力随机性怎么处理

真实光伏出力取决于天气，和IEEE33里设一个定值完全是两码事。处理不确定性的常规路线有两条：场景法，用晴天、多云、阴天等典型出力场景，按概率加权求期望值优化；鲁棒优化，在不做精细预测的情况下，保证最恶劣场景下系统不越限。

对刚入门的研究者，建议先做场景法。它的实现和结果解读门槛更低，而且能和未来更复杂的随机规划方法平滑衔接。

6.3 数据落地：从IEEE33到真实馈线需要补什么

IEEE33各项参数均匀且理想，真实馈线则复杂得多：分段开关和联络开关数量庞大，存在多级电压等级，负荷曲线很不规律，分布式电源位置受屋顶资源和土地条件限制。

要往工程方向走，第一步是把实际网架拓扑和线路参数完整换进去，第二步是给负荷加时序系数，第三步再做优化。IEEE33的结论不能直接外推到真实系统，但建模框架、算法选型和结果解读方法是可以平移的。

6.4 方法论可以迁移，结果不能照搬

这条是我最想强调的。IEEE33跑出来的最优数值本身没有工程意义，包括前面提到的“网损138kW”“最低电压0.967”，这些只对这张测试网成立。真正有价值的是那套从建模到算法再到结果解读的链路。

有了这张网，你可以快速对比不同算法、不同目标函数、不同约束组合下的行为差异，形成自己的判断体系。等你带着这套方法论去看真实系统，数据变成了细节问题，思路才是核心能力。

最后说一点个人体会。这一轮做完，我对“优化”这件事的理解改变挺大：它不是一个“套算法出结果”的动作，而是一连串取舍——目标怎么定、约束怎么留、变量怎么编码、罚函数怎么调、结果怎么验。IEEE33被人反复使用，恰恰是因为它简单到能帮你把每一步的因果关系看清楚。如果你们也在做这个方向，建议先别急着上花哨的改进算法，把基础建模和结果解读完整走一遍，再回来看算法，会发现很多之前看不懂的论文，其实只做了一件事：在某一环节上稍微动了一下。祝你们也能从这条33节点的小网里，摸到配电网优化的门道。