分布式电源选址定容的多目标优化实战

1. 分布式电源规划中的选址定容问题实战

搞电力系统规划的同行都知道，分布式电源(DG)的选址定容是个典型的多目标优化难题。上个月我在做一个30节点配电网的DG规划项目时，深刻体会到教科书上的理论方法和实际工程之间的差距。今天我就把整个建模思路、算法实现和踩过的坑完整梳理一遍，重点分享如何用Matlab实现这个多目标优化过程。

先说说这个问题的特殊性：DG选址定容需要考虑投资成本、电压质量和网络损耗三个相互制约的目标。投资方希望容量越小越好，电网公司关注电压稳定性，而运维部门最在意线损指标。更麻烦的是，这些目标之间没有明确的数学关系，传统的单目标优化方法根本没法用。

2. 问题建模与算法选型

2.1 配电网基础模型构建

我用的测试案例是一个30节点的辐射状配电网，基准电压10kV。网络参数用矩阵存储，这是电力系统分析的常规操作：

matlab复制bus_data = [...
    1   0   0   0   0   0   1.0;  % 节点编号, P负荷, Q负荷, P发电, Q发电, 无功补偿, 电压标幺值
    2   100 60  0   0   0   1.0;
    ... 
    30  80  40  0   0   0   1.0];

这里有个细节要注意：负荷数据单位是kW和kVar，而电压是标幺值。实际项目中一定要确认数据单位是否统一，我曾经就遇到过因为单位不匹配导致计算结果偏差10倍的事故。

2.2 多目标函数设计

核心难点在于如何将三个不同量纲的目标统一到一个评价体系中。经过多次试验，我采用了加权求和法：

matlab复制function [f] = objective(x)
    % x = [安装位置1, 容量1, 安装位置2, 容量2, ...]
    cost_inv = sum(x(:,2) * 5000);  % 投资成本(元)
    loss = calc_power_loss(x);       % 网损(kW) 
    voltage_dev = max(abs(1 - bus_voltage(x)));  % 电压偏差(标幺值)
    
    % 加权求和(权重需根据项目调整)
    f = 0.5*cost_inv + 0.3*loss + 0.2*voltage_dev*10000; 
end

这里有几个关键点：

1. 电压偏差乘以10000是为了与成本和网损保持相同数量级
2. 权重系数需要根据项目优先级调整，我给的初始值(0.5,0.3,0.2)适合一般情况
3. 网损计算建议用前推回代法，精度更高

2.3 网损计算的两种实现

精确计算推荐前推回代法，但代码量较大。赶时间时可以用这个近似公式：

matlab复制function [Ploss] = fast_loss_calc(P,Q,V,R,X)
    I = (P - 1j*Q)./V;  % 计算线路电流
    Ploss = real(sum(3 * (I).^2 .* (R + 1j*X))); % 三相网损
end

注意：近似计算在重载情况下误差可能达到15%，正式报告建议用精确算法

3. 启发式算法实现与调优

3.1 遗传算法基础配置

经过对比测试，遗传算法(GA)在这个问题上表现最稳定：

matlab复制options = optimoptions('ga',...
    'PopulationSize',50,...     % 种群大小
    'CrossoverFraction',0.8,... % 交叉概率
    'MutationFcn',@mutationadaptfeasible,... % 自适应变异
    'MaxGenerations',100);      % 最大迭代次数

[x_opt,fval] = ga(@objective,...
    2*num_dg,...  % 变量数(位置+容量)
    [],[],[],[],... % 线性约束(无)
    zeros(1,2*num_dg),... % 下限
    [ones(1,num_dg)*30, ones(1,num_dg)*2000],... % 上限
    [],options);

3.2 整数编码的改进方案

第一版算法把安装位置当作连续变量处理，结果取整后性能下降严重。改进方案：

matlab复制IntCon = 1:num_dg; % 指定前num_dg个变量为整数(节点编号)
[x_opt,fval] = ga(@objective,...
    2*num_dg,...
    [],[],[],[],...
    [ones(1,num_dg),zeros(1,num_dg)],... % 位置下限为1
    [ones(1,num_dg)*30, ones(1,num_dg)*2000],...
    [],IntCon,options);

这个改动让优化结果直接可用，无需后处理，计算效率提升约40%。

3.3 参数调优经验值

经过20多次实验，总结出这些黄金参数：

• 种群数量 = 节点数/3 (30节点用10-12)
• 初始变异率 = 0.2，每代衰减5%
• 网损权重 > 0.4会导致过度投资
• 迭代次数建议50-100代

4. 结果分析与工程启示

4.1 电压分布对比

优化前后的电压分布对比最能说明问题：

matlab复制figure;
plot(1:30, V_base, 'r--', 1:30, V_opt, 'b-');
title('节点电压对比');
xlabel('节点编号');
ylabel('电压(pu)');
legend('原始网络','优化后');
grid on;

4.2 工程中发现的反常识现象

教科书案例通常显示DG应该装在馈线末端，但实际优化结果却集中在中段(15-20节点)。经过排查发现：

1. 该区域负荷密度最高
2. 上游线路阻抗较大
3. 电压支撑需求最迫切

这说明实际项目中，负荷分布数据质量比算法选择更重要。建议：

• 采集至少一周的负荷曲线
• 校验测量设备精度
• 剔除异常数据点

4.3 多目标优化的实用技巧

1. Pareto解集法：多次运行算法，保留非支配解
2. 灵敏度分析：微调权重系数，观察解的变化
3. 人工干预：对关键节点设置安装约束

5. 常见问题与解决方案

5.1 算法收敛问题

问题现象：目标函数值震荡不收敛
解决方法：

• 增加种群多样性（设置'CreationFcn'为@gacreationuniform）
• 降低精英保留比例（'EliteCount'设为1-2）
• 检查目标函数量纲是否匹配

5.2 不合理解分析

典型case：DG全装在同一个节点
根源：未设置安装间隔约束
修正方法：添加非线性约束

matlab复制function [c, ceq] = constraints(x)
    positions = x(1:2:end);
    c = min(diff(sort(positions))) - 2; % 最小间隔2个节点
    ceq = [];
end

5.3 计算效率优化

当节点数超过50时，建议：

1. 用并行计算：

matlab复制options.UseParallel = true;

2. 采用分层优化：先粗筛区域，再精确定位
3. 缓存重复计算结果

6. 进阶方向与改进思路

下一步我准备尝试混合算法，将GA与局部搜索结合：

matlab复制options.HybridFcn = @fmincon;  % 遗传算法+非线性规划

另一个有意思的发现是：在不同负荷场景下，最优解集会发生变化。因此考虑：

• 建立多场景优化模型
• 引入鲁棒优化概念
• 结合机器学习预测负荷变化

最后给同行们的建议是：DG规划没有放之四海而皆准的方案，必须根据具体网架结构和负荷特性调整模型参数。多跑几次优化，对比分析结果差异，往往比追求单次计算的"最优解"更有工程价值。