IEEE33节点配电网分布式光伏储能优化配置与粒子群算法实现

算例为IEEE33节点配电分布式光伏储能系统的优化配置方法，这类课题我这些年接触了不少，很多做电力系统课程设计或毕业设计的同学，还有刚进课题组的研究生，都会被它卡住。模型本身不难，但真正跑通并得到一套合理结果，涉及的东西比想象中多，比如潮流计算怎么嵌入优化，光伏出力和负荷曲线怎么处理，储能充放电策略怎么定，还有粒子群算法的参数怎么调才不陷入局部最优。这篇就把这类项目的完整思路拆开讲一遍：模型怎么建，约束怎么列，算法怎么选，结果怎么分析，以及我实际调试过程中踩过的坑和解决办法。

1. 这个项目到底在解决什么问题

1.1 核心需求解析

配电网里接分布式光伏和储能，根本矛盾在于两个层面。一个是时间维度上的不匹配：光伏中午出力最大，但用电负荷往往在傍晚和夜间达到高峰，中午发的电用不完，晚上又缺电。另一个是空间维度上的布局问题：光伏和储能装在哪些节点，装多大容量，直接关系到线路潮流分布、节点电压水平和网络损耗。

这就是一个典型的选址定容问题。选址，是决定在33个节点中的哪几个位置接入分布式光伏和储能。定容，是决定每个接入点的光伏装机容量和储能额定容量、额定功率分别是多少。

很多人第一次做这个课题，以为只要把优化算法跑起来就行，结果卡在第一步就懵了：目标函数用什么？约束条件有哪些？光伏和储能的数学模型怎么建？这些都没理清楚，后面全是空中楼阁。

1.2 IEEE33节点系统为什么是标配

IEEE33节点配电系统几乎是国内配电网优化研究的事实标准，它是一个33节点、32条支路的辐射状网络，基准电压12.66kV，总负荷约5084.26kW加2547.32kvar无功，系统本身不带发电机，靠根节点通过变压器从上级电网供电。

这个系统之所以被用得最多，原因很实际。第一，规模适中，33个节点刚好能体现分布式电源接入对电压分布、网络损耗的影响，又不至于像几十上百节点的实际配电网那样难以调试。第二，数据公开，线路阻抗参数、节点负荷数据在网上到处都有，方便复现和验证。第三，文献对比方便，国内外大量论文都是用这个系统做算例，你的结果好坏可以直接跟别人的方案对比。

项目里涉及的设计源文件、MATLAB代码、报告文档，本质上就是把下面这条技术路线完整落地的成果：建立含光伏储能的三相平衡潮流模型，设置目标函数描述经济性和电压质量，再通过智能优化算法在可行解空间中搜索最优配置方案。

2. 模型搭建：目标函数、约束条件与关键参数

2.1 目标函数的三种设计思路

优化配置的第一步，是想清楚“什么叫做最优”。不同的人对最优的理解不一样，目标函数的设计也就不一样。我见过的大多数课程设计和毕业论文，目标函数基本有三种思路。

第一种是经济性单目标，最常见。年综合费用最小，包含光伏和储能的年投资折算成本、年运行维护成本，再加上配电网的年网损费用。投资折算成本要把一次性投资按照使用年限和折现率换算到每年，这样才能跟电费形式的网损放在同一个量纲下比较。

第二种是技术性单目标，比如系统年网损最小，或者节点电压偏移最小。这种方案比较纯粹，适合刚入手理解模型，但实际意义偏弱，因为完全不考虑成本，优化出来的方案可能非常昂贵。

第三种也是我建议你采用的方式：多目标加权。同时考虑年综合费用和节点电压偏移量，通过权重系数把它们合成一个目标。用极差归一化消除量纲差异，再设置权重因子调节两项的比重。这样既能体现经济性，又能兼顾电能质量，答辩的时候讲起来也比较饱满。

目标函数的数学形式一般是：

min F = w1 * C_sum / C_base + w2 * V_dev / V_base

其中C_sum是年综合费用，V_dev是电压偏移指标，C_base和V_base是归一化基准值，w1和w2是权重系数，一般取值w1=0.6、w2=0.4之类，具体可以根据侧重调整。

2.2 约束条件有哪些坑

优化配置的约束条件，很多人列了七八条，看起来全面，但实际求解时真正起作用的只有几条。

等式约束是潮流平衡约束，即每个节点的注入功率必须等于负荷功率加上注入分布式电源和储能的功率。这个约束不是显式写出来的，而是通过调用潮流计算函数隐含满足的，也就是说每次种群个体对应的配置方案，都要先跑一次潮流计算，潮流收敛且得到节点电压和支路功率，才能计算目标函数值。

不等式约束里面，最核心的是节点电压约束，通常要求各节点电压幅值在0.93到1.07pu之间，有些要求严格的会取0.95到1.05。其次是支路电流或功率约束，不能过载。光伏安装容量上限，一般是按节点负荷的一定比例来设，比如不超过该节点最大负荷的某个倍数，更常用的是设定全系统光伏总渗透率上限，比如不超过总负荷的某个百分比。储能则以安装节点的功率和容量上限来约束，还要考虑储能荷电状态SOC的上下限。

储能荷电状态的建模是这里容易出错的地方。一个常见的做法是，在优化模型中不显式模拟各个时间点的充放电动作，而是把储能等效为可以调节的功率源，根据光伏出力和负荷特性的匹配情况，设定储能以某种策略运行。更精细的做法是把一天分成24个时段，在每个时段内计算光伏出力和负荷功率，储能按照“削峰填谷”的策略充放电，这样目标函数里的网损就是一天24个时段的累计网损，计算量会大一些，但结果明显更可信。

2.3 光伏和储能建模的细节

光伏出力不能用恒定额定功率来代替。标准做法是先给定光伏出力曲线，一般用典型日光照强度曲线换算成光伏出力标幺值曲线，再乘上光伏安装容量，得到各时段的光伏出力。光照强度曲线可以用Beta分布等概率模型模拟，但课程设计层面直接用典型日曲线就足够了。

储能建模相对复杂一点。它有四个核心参数：额定容量、额定功率、充放电效率和SOC范围。储能系统在一个调度周期内的能量变化是：

SOC(t+1) = SOC(t) + P_char(t) * eta_char * dt - P_dis(t) / eta_dis * dt

很多人在这里没有想清楚，储能到底是参与优化决策的变量，还是根据光伏和负荷固定下来的运行变量。如果是前者，决策变量就非常庞大，涉及每个时段各节点的充放电功率，求解难度急剧上升。如果是后者，储能运行策略是预先确定的，决策变量就只是储能的安装位置、额定容量和额定功率，用储能系统全年或典型日运行模拟来确定它的运行效果，整体的求解复杂度就低很多。

我在实际项目中推荐走第二条路线：决策变量限定为光伏和储能的接入位置、光伏容量、储能容量和储能功率，储能运行方式在潮流计算中用简化策略来模拟。这样做出来的结果在学术逻辑上是通顺的，实现难度也适合课程设计和毕业论文的周期。

3. 求解算法选型与实现细节

3.1 为什么粒子群算法是首选

确定好目标函数和约束条件之后，下一个关键问题是“用什么方法求解”。很多同学上来就选遗传算法或者粒子群算法，但你要真问一句为什么选它，可能答不上来。

我看过大量相关的论文，粒子群算法在这个问题上之所以普及，有三个层面的原因。

第一，与问题特性匹配。光伏储能选址定容是一个混合整数非线性规划问题，变量既有离散的节点编号又有连续的容量数值，传统梯度类优化方法很难处理这种不连续的搜索空间。粒子群算法基于种群迭代，不依赖梯度信息，对求解域没有连续可微的要求。

第二，实现门槛适中。遗传算法需要处理编码、交叉、变异、选择等一堆算子，代码量明显更大。粒子群只需要速度和位置更新两个公式，核心循环写起来不到二十行，对不擅长编程的同学比较友好。

第三，调参经验成熟。粒子群三个关键参数，惯性权重w、个体学习因子c1和社会学习因子c2，在很多文献里已经给出了较为普适的设置范围。惯性权重从0.9线性递减到0.4，c1和c2通常取2或者1.49445，这些参数在多数配电网优化问题里都表现稳定。

3.2 编码设计与适应度函数

粒子群算法的编码设计，直接决定了搜索空间的规模和解的质量。

对于IEEE33节点系统，一种经典的编码方式是每个粒子由5段变量拼接而成：光伏安装节点编号、光伏安装容量、储能安装节点编号、储能额定容量、储能额定功率。

这里有一个细节值得注意：光伏节点和储能节点可以是同一个节点，也可以不同。如果按照5段分开编码，实现起来比较自由，但可能在搜索过程中出现两个相同节点的情况。更规范的做法是每段变量的取值范围都加以约束，比如光伏节点候选集限定在该系统中适合接入分布式电源的节点范围，储能节点的候选范围再单独限定。课程设计建议不要直接在全网33个节点上随机撒点，而是预先筛选出若干个候选节点，比如根据文献分析和经验，优先在馈线末端或负荷较重区域选择候选接入点，这样既减少了搜索空间，又让结果更有工程说服力。

每个粒子的位置向量，还要经过边界约束处理。粒子群算法有一个常见问题是粒子飞出边界，对离散变量尤其明显，比如光伏节点编号可能跑出整数范围。处理方式是：对整数变量直接取整并截断到边界，对连续变量采用边界吸收或者反射策略。我推荐对连续变量用边界吸收，即越界的值直接等于边界值，配合随机重启机制可以保持种群多样性。

适应度函数就是目标函数加上罚函数。一般的做法是对电压越限节点施加惩罚，把越限程度乘以一个惩罚系数加到目标函数上。这样一来，即使某次潮流计算出现了轻微越限，算法也会通过迭代逐渐把种群引向可行域。

3.3 潮流计算怎么嵌入优化

潮流计算是整个优化框架中最耗时也最容易出错的部分。前推回代法是配电网潮流计算的主流方法，实现简单，收敛性好。

前推回代的核心流程是这样：先假设各节点电压为额定值，从末端节点开始，根据负荷功率和支路功率，从末端向根节点逐段推算支路功率；然后从根节点开始，根据已知根节点电压和前一步求得的支路功率，逐段向末端推算各节点电压。反复迭代，直到相邻两次迭代的电压差小于收敛精度。

潮流计算和优化算法耦合的时候有一个性能瓶颈：每一代种群有几十个粒子，每个粒子都要跑一次24时段的潮流计算，也就是一代就是几十次潮流，迭代100代就是几千次潮流。这是个比较可观的计算量。想要提升效率，可以在算潮流之前做一个经济性判断或者电压越限预判，明显不合理的配置直接赋予适应度惩罚值，跳过潮流计算，这样可以节省不少时间。

另外一个比较容易忽略的问题，是分布式光伏接入后配电系统可能出现双向潮流。传统配电网的设计是单向潮流的，从变电站流向负荷，但光伏渗透率较高时，馈线末端节点可能出现功率倒送。前推回代法对双向潮流同样适用，但需要注意的是根节点的功率不再等于总负荷加上网损，有可能是总负荷减光伏出力再加网损，甚至可能出现根节点向电网倒送功率的情况，这在结果分析时是好现象，说明分布式电源就地消纳能力有限，需要储能来配合。

4. 算例结果分析与敏感性讨论

4.1 跑出来的结果怎么解读才不是自说自话

算法跑完，代码生成了收敛曲线、配置方案和电压分布图，接下来最难的一步是“怎么把这些结果讲成一个完整的故事”。

先说系统初始状态，这是所有对比的基准。没有光伏和储能时，IEEE33节点系统的总网损大约是202kW左右，具体数值根据负荷数据略有出入，多个节点的电压偏低，末端节点电压可能降到0.93pu左右。这个基准参数要记清楚，它就是你优化方案效果对比的起点。

接入光伏和储能之后，优化结果的呈现至少要有以下几个部分：

第一，最优配置方案表，包括光伏接入节点和容量、储能接入节点、额定容量和额定功率，这是最核心的结果。第二，优化前后节点电压对比图，重点展示电压最低点的抬升幅度。第三，24时段潮流计算总网损对比，说明优化后不同时段的网损变化，以及全天累计网损的下降比例。第四，储能SOC变化曲线，证明储能充放电策略工作正常，没有违反SOC上下限约束。

一个快速检验结果是否合理的经验是：光伏一般倾向于接入光照资源好且负荷水平高的节点，储能倾向于配置在末端负荷较重或者电压偏低的节点附近。如果算法给出的方案是光伏装在中段轻载节点、储能装在首端靠近变电站的位置，那大概率有问题，常见原因包括负荷数据读取错误、候选节点约束不合理，或者是目标函数中网损权重太低。

4.2 权重系数拿捏的讲究

多目标加权目标函数中，经济性权重和电压质量权重怎么定，直接影响最优配置方案。

我第一次做这个项目时直接取w1=0.5、w2=0.5，各方面效果平平。后来逐步调整测试，发现权重设置对结果的影响有一定规律可循。当经济性权重w1较高时，算法倾向于减少储能容量，因为储能投资成本高，回报时间长，而光伏单位投资对应的降损收益更明显。当电压质量权重w2较高时，算法倾向于增加总装机容量，特别是把储能配置在末端节点附近，因为储能可以在负荷高峰时段提供无功和有功支撑，抬升末端电压。

实际操作中建议的做法是，先固定w1=1、w2=0，跑一个纯经济性方案，得到一个基准配置和年综合费用。再固定w1=0、w2=1，跑一个纯电压质量方案，看电压改善的上限在哪。然后选择w1在0.5到0.8之间的两到三组权重分别运行，对比结果，选择各方面均衡的方案作为最终推荐，在报告里把这种对比过程作为敏感性分析呈现。有些同学直接给一组权重跑一次就下结论，答辩时往往经不住问，因为评审一定会问“权重怎么确定的”。

4.3 粒子群参数设置和收敛性判断

粒子群算法的参数设置，有一个比较实在的调参基线。种群规模取30到50，对IEEE33这种规模的问题足够。最大迭代次数取100到200，惯性权重从0.9线性递减到0.4，学习因子各取1.5左右。

收敛性判断有两种方式。一种直接看适应度收敛曲线是否趋于水平，这是最直观的，但要注意整个种群适应度的平均值比最优值更有参考价值，因为最优值可能是偶然跳变下来的，如果平均值还远未平稳，说明种群还在持续进化，迭代次数不够。另一种是设置容忍度，比如连续20代最优适应度变化小于某个阈值就提前终止迭代，这样可以节约时间。

我实际跑的时候遇到过一种情况：最优适应度曲线在迭代初期快速下降，然后在一个较高水平停滞，看起来像收敛了，但实际上所有粒子都被困在了一个局部最优解附近。解决这个问题的方法有几种，最简单的就是引入变异机制：当全局最优连续若干代没有更新时，随机重置部分粒子的位置和速度。另一种更简单粗暴但有效的做法，是多次独立运行，取最优结果。跑5次取最优，虽然不是算法上的改进，但对最终结果的稳定性很有效，写报告的时候也可以用这个策略展示算法的鲁棒性。

5. 常见问题与排查心得

5.1 潮流计算不收敛怎么办

这是出现频率最高的问题。前推回代法在某些配置下不收敛，大多数情况下原因就两个：分布式电源容量过大导致节点电压严重越限，前后迭代数值摆动无法收敛；或者线路参数、负荷数据读取错误，节点功率严重不平衡。

排查思路需要先脱离优化算法，单独验证潮流计算模块：把光伏容量设为零、储能容量设为零，用纯负荷数据跑一遍潮流，看能否得到标准的系统状态。如果纯负荷下都不收敛，那就是基础数据有误。如果纯负荷正常，手动设置一个合理的光伏容量，比如500kW接到某个末端节点，看潮流是否正常，逐步增加容量找到临界点。通过这些操作基本就能锁定是数据问题还是配置方案越界。

5.2 优化结果总在同一个节点反复选中

很多时候粒子群跑出来的最优解，永远是某几个节点，换了参数也差不多。这有两种原因。，候选节点集合太小，搜索空间本来就窄，算法只能在少数几个节点之间来回选。如果候选节点只有三五个，结果翻来覆去就是这几个是正常的，不是算法有问题。另一种原因是目标函数中降损效益对位置不敏感，系统各节点的网损灵敏度差异不大，算法在一次运行中随机性不足，稳定收敛到同一个局部解。

处理方法是检查候选节点集的设置，再检查目标函数各分量的数值量级，如果电压偏移归一化后非常小，相当于目标函数被经济性主导，位置变量对目标值的影响非常平缓，算法没有足够梯度去区分不同节点。

5.3 储能容量结果异常偏大

储能容量优化结果异常偏大，有一个常被忽略的原因：没有考虑储能的日充放电量平衡约束。如果储能系统在一天内只放不充，那它对系统降损的效果会非常显著，算法自然倾向于把储能容量推大到上限。这是典型的不合理建模。

正确的做法是在运行模拟中加上SOC初始值和最终值的约束，让储能在一个完整调度周期内最终回到初始SOC。通过这种方式，储能只能发挥日内的能量搬移作用，而不能无限制地释放能量。还有一个经验，储能容量和功率的比值通常跟蓄电池的充放电时长有关，一般为2小时左右，比如2MW的储能系统配4MWh容量，如果优化结果出现5小时以上的时长比，基本可以判断运行策略有问题。

5.4 常见问题速查表

5.5 代码实现中的一些细节

具体到MATLAB代码实现，有几个细节如果没处理好，很容易在中期调试时花费大量时间。

第一，在粒子群主循环里，每个粒子位置更新后，要把连续变量保留到合适的小数位数，整数变量立即取整，这样可以避免一些不必要的数值误差积累。

第二，每个粒子的潮流计算前，先检查光伏、储能容量是否为负数或超过上限，非法粒子可以直接跳过潮流计算，赋予一个很大的适应度值，比等它跑完潮流再惩罚要快得多。

第三，记录每次迭代的最优个体时要保存完整的配置变量，不能只保存适应度值，否则后面画图和分析时找不到对应的方案，还得重新跑一遍。

第四，电压分布图和收敛曲线图的输出，建议在脚本里设置好自动保存功能，因为程序一旦跑完，修改任何参数再重新运行都要花不少时间，图的格式和样式提前调好，后面改参数只需要重跑一小段。

项目的完整源文件、报告文档和讲解视频，以及相关的图片研究资料，都在同系列文章里有获取方式，需要做参考或者有定制需求的朋友，可以在文章底部找对应入口了解。如果调试中遇到我这里没有覆盖到的报错，也可以留言，一起看看怎么解决。

这套东西我自己前前后后研究过好几轮，最大的体会是：优化配置这类课题，最花时间的地方往往不是算法本身，而是那些不起眼的工程细节，数据读对没有，约束写全没有，量纲统一没有，边界处理好没有。把这些细节都理顺，你收获的不只是一份能过审的报告，还有一套比较踏实的电力系统分析的基本功。