交直流混合微网优化调度：场景抽样与粒子群算法实战解析

交直流混合微网程序这个方向，我在课题组里前前后后折腾了小半年。最开始接到任务时，以为只是把交流微网和直流微网拼在一起，跑个潮流、做个优化就完事，真正动手才发现坑比想象中多：风光出力的随机性怎么描述，场景怎么生成才靠谱，缩减到什么程度计算量才扛得住，粒子群算法又该怎么编码约束才不崩。今天把整套程序从设计思路到具体实现掰开揉碎讲一遍，给正在做微网调度、或者想用场景法处理不确定性的朋友一个能直接抄作业的参考。

这套程序的核心链路很清晰：用拉丁超立方抽样生成大量风光出力场景，再通过多场景缩减得到少数典型场景，最后用粒子群算法在典型场景下做交直流混合微网的日前优化调度。它解决的核心问题是“风光出力不确定条件下，混合微网怎么安排各分布式电源、储能和换流器的出力，让总运行成本最低”。适合电力系统方向的研究生、做微网能量管理的工程师，以及刚开始接触场景优化和群智能算法的同学拿来练手和拓展。

1. 程序整体设计与建模思路

1.1 交直流混合微网为什么难算

传统的交流微网研究已经够成熟了，直流微网这几年也火，但交直流混合微网是把两条母线放在一个系统里，通过AC/DC换流器耦合。交流侧挂风电、柴油机、交流负荷，直流侧挂光伏、储能、直流负荷，两侧之间用双向换流器交换功率。

这个结构带来的麻烦是：潮流计算要从纯交流的牛拉法，变成交直流交替迭代；优化调度时又多了一个换流器传输功率的决策变量，而且换流器还有容量限制和损耗；两侧功率平衡需要耦合方程来约束，不能各自为政。我在程序里用的是简化的稳态模型，即认为换流器可以双向传输功率，传输效率恒定（比如取95%），容量限制作为不等式约束，这样既保留了交直流耦合的关键特性，又不至于把程序复杂到没法跑。

建模前先把系统参数列清楚，这一步很重要。交流母线电压、直流母线电压、各分布式电源的容量和爬坡率、储能额定容量和SOC上下限、换流器额定容量、联络线功率上限、分时电价，这些参数不准备好，后面写约束就是空中楼阁。我习惯用结构体或MATLAB的表格统一存，避免后面改参数时到处翻代码。

1.2 用场景法处理风光不确定性的完整链路

风光出力的随机性本质上是一个连续的概率过程。处理不确定性的主流方法有三类：鲁棒优化、机会约束规划、场景法。

鲁棒优化最保守，要保证最恶劣情况下也满足约束，结果往往过于悲观；机会约束允许以一定概率不满足约束，但对随机变量的分布假设要求高；场景法最直观，用大量离散场景去近似连续不确定性，然后对场景做期望意义上的优化，既保留了随机性信息，计算复杂度又在可控范围内。

这套程序采用场景法，完整链路是：概率分布建模 → 拉丁超立方抽样 → 多场景缩减 → 典型场景下的确定性优化。先说概率分布建模，风电出力通常先对风速做Weibull分布建模，再用风速-功率曲线折算成出力；光伏出力则用Beta分布描述光照强度，再结合光伏板参数计算输出功率。实际写程序时，如果拿不到实测历史数据，就用这两个常用分布生成风速和光照样本，再按公式转换成功率。

抽样完成后，初始场景数量很大（通常500到2000个），每个场景都做优化调度不现实，所以必须先缩减到5到10个典型场景，并保留每个场景的概率，最后目标函数变成“场景概率×场景成本”的加权和。

2. 拉丁超立方抽样原理与MATLAB实现

2.1 LHS的核心思想：分层比随机更重要

拉丁超立方抽样（Latin Hypercube Sampling，LHS）和蒙特卡洛抽样最大的区别在于“分层”两个字。蒙特卡洛抽样是完全随机的，样本落在概率密度高的区域就多，落在尾部就少，可能出现局部聚集，导致样本对分布的代表性不稳定。

LHS的做法是：把每个变量的累积概率分布[0,1]区间均匀分成N层（N为抽样规模），每一层里随机抽取一个概率值，再通过逆累积分布函数映射回实际变量取值。这样保证每个变量在整个取值范围内都被均匀覆盖，尤其是分布的尾部。

打个生活化的比方：蒙特卡洛抽样像是闭着眼睛往靶子上扔飞镖，可能全扎在左上角；LHS则像是先在靶子上画好网格，保证每个格里都有飞镖，只是每一格内的落点随机。因此LHS在相同抽样数下，覆盖性远好于蒙特卡洛，对后续场景缩减和优化也更有优势。

在风光不确定性建模中，风速和光照都有明显的偏态分布和尾部特征，用LHS能更好地保留极端阴天、大风天这类小概率但高影响的场景。

2.2 采样代码一步一步写

MATLAB实现LHS其实不复杂，最通用的写法是分层均匀抽样加乱序排列。假设我们要生成N个风速场景，每个场景有T个时段，风速服从形状参数k、尺度参数c的Weibull分布：

matlab复制% 参数设置
N = 1000;                 % 初始场景数
T = 24;                   % 调度时段数（小时）
k = 2.1; c = 8.5;         % Weibull 形状参数和尺度参数

% 拉丁超立方抽样
u = lhsdesign(N, T);      % 生成 N 行 T 列，每列都是 [0,1] 上的分层均匀随机数
wind_speed = wblinv(u, c, k);  % 通过逆累积分布函数转换为风速

% 风速转功率（分段线性功率曲线）
v_in = 3; v_out = 25; v_rated = 12; P_rated = 0.6; % 单位 MW
wind_power = zeros(N, T);
for t = 1:T
    v = wind_speed(:, t);
    p = zeros(N, 1);
    p(v >= v_in & v < v_rated) = P_rated .* (v(v >= v_in & v < v_rated) - v_in) / (v_rated - v_in);
    p(v >= v_rated & v < v_out) = P_rated;
    wind_power(:, t) = p;
end

MATLAB的lhsdesign函数很省心，它默认输出每列都是分层均匀的，并且各列之间的相关性已经做了随机化处理。如果要用更多控制，可以自己写分层抽样：u = (rand(N,1) + (0:N-1)') / N，再打乱行的顺序。但实测下来lhsdesign够用，而且速度很快。

光伏光照强度的Beta分布抽样原理类似，先用betainv把分层均匀数映射到Beta分布，再通过光照-功率模型计算光伏出力。有一点要提醒：Beta分布的参数需要根据实际光照均值和方差来估计，如果手里没有统计资料，也可以简化为正态分布，不过要注意截断处理，避免出现负光照。

2.3 抽样规模和时段相关性怎么定

初始场景数N怎么选，直接影响后面计算量。N太小，分布拟合精度差，缩减后的典型场景失真；N太大，抽样和聚类耗时大幅增加。根据我的实验，当N取500到1000时，缩减后的5个典型场景基本能稳定复现原始分布的均值和方差；N超过1500后，精度提升非常有限，但耗时可能翻倍。

时段相关性方面要注意，上面代码里每一列独立抽样，等于假设每个时段的风速互不相关，这在24小时尺度上不够精确。严格做法是先对风速做时间序列建模（比如ARMA模型），再对残差用LHS抽样。但很多程序为了简化，会直接对24时段独立LHS，或者先抽日平均风速，再用一个日内波动系数生成24小时曲线。前者简单，后者对风光出力的日内形态刻画更好，我实际用的是后者：先抽样得到日平均风速和日平均光照，再叠加时段波动模式生成24h场景。

3. 多场景缩减的原理与程序实现

3.1 为什么非减不可

假设抽了1000个场景，每个场景是24时段的风光出力序列，直接全部带入PSO优化：每个场景都要做一次潮流和功率平衡校验，而PSO一次迭代有几十上百个粒子，每个粒子对应一组调度方案，每个方案又要对所有场景做校验，计算量直接爆炸，个人电脑根本扛不住。

场景缩减的目标是：从初始场景集里挑出少数典型场景，并重新分配概率，使得缩减前后的场景集合在概率分布意义上最接近。衡量“最接近”的数学工具是Wasserstein距离（也叫推土机距离），通俗理解就是把一个概率分布“搬运”成另一个概率分布所需的最小代价。

对做工程的人来说，不必从头推导最优传输理论，直接掌握两种实现方式即可：K-means聚类和同步回代消除法。

3.2 K-means聚类缩减法

K-means天然适合场景缩减：把N个场景看作N个样本点，每个样本是T维向量，聚类成K个簇（K就是要保留的典型场景数），每个簇的质心就是典型场景，簇内样本数占比就是该场景的概率。

matlab复制% scenarios_matrix: N 行 T 列，每行是一个场景的全时段出力
K = 5;  % 缩减后场景数
[idx, centroid] = kmeans(scenarios_matrix, K, 'Distance', 'sqeuclidean', 'Replicates', 10);
% 计算各场景概率
prob = histcounts(idx, K) / N;
% 输出典型场景和对应概率
typical_scenarios = centroid;   % K 行 T 列
scenario_prob = prob;           % K 行 1 列，注意归一化

Replicates设为10是为了让K-means多次随机初始化选取最优聚类结果，避免陷入局部最优。Distance用平方欧氏距离比较合适，因为场景缩减更关注数值差异，而不是方向差异。

聚类后建议检查一下结果的合理性：把所有初始场景和典型场景放在同一张图上画出来，直观看看典型场景是否覆盖了高概率区域，而不是几个极端场景的拼接。如果典型场景明显集中在某一类，说明K值太大或初始抽样分布参数有问题。

3.3 同步回代消除法

另一种常用方法是同步回代消除（也被称为后向削减）。它的思想是：每次迭代找出“最不重要的”场景删除，并把它的概率加到离它最近的场景上，直到剩K个。

算法步骤如下：

1. 计算所有场景两两之间的距离矩阵D(i,j) = ||x_i - x_j||_2（或加权欧氏距离）。
2. 对每个场景i，找出与它距离最小的另一个场景j，记录最小距离minD(i)。
3. 找到minD最小的场景i*，删除它，并将它的概率叠加到最近邻居j*上。
4. 重复步骤2-3，直到剩余场景数为K。

这个方法的优势是每一步都有明确的概率传递逻辑，保留下来的是“代表性”而非“平均性”的场景，极端情况不容易被平均掉。我在程序中两种方法都实现了，默认用K-means，因为它速度快、一步到位；但遇到场景差异很大、K-means聚类不稳定时，会切到同步回代消除做交叉验证。

3.4 缩减效果怎么量化验证

场景缩减不是减完就完事，要验证缩减后还能不能代表原始不确定性。我常用的三个指标：

• 场景概率之和是否为1（不归一化后面算权重时会出错）
• 缩减前后风速/光照/出力的总体均值偏差是否在可接受范围（通常控制在5%以内）
• 缩减前后累计概率分布的Wasserstein距离是否足够小

matlab复制% 验证：比较缩减前后出力均值
mean_original = mean(wind_power, 1);   % 1 行 T 列
mean_reduced = sum(typical_wind .* scenario_prob, 1);  % 加权重构均值
bias = max(abs(mean_reduced - mean_original) ./ (mean_original + eps));
disp(['最大相对偏差: ', num2str(bias*100), '%']);

这个验证步骤看起来很基础，但很多人会跳过，结果优化了半天也不知道场景缩减有没有引入太大偏差。

4. 粒子群算法求解交直流混合微网调度

4.1 粒子群算法的核心逻辑

粒子群算法（Particle Swarm Optimization，PSO）模拟鸟群觅食行为，每个“粒子”代表优化问题的一个候选解，粒子在解空间里飞行，速度决定下一步移动的方向和幅度，位置表示当前的解。

速度更新公式是经典的两行代码：

matlab复制v = w * v + c1 * rand * (pbest - x) + c2 * rand * (gbest - x);
x = x + v;

其中pbest是粒子自身历史最优，gbest是全局最优，w是惯性权重，c1和c2分别是自我认知和社会认知加速系数，rand是[0,1]均匀分布随机数。

这个算法在微网调度里好用有两个原因：一是决策变量是连续量（功率值），PSO天然擅长连续空间寻优，不需要像遗传算法那样做编码解码；二是目标函数和约束关系复杂，有大量非线性环节，PSO不依赖梯度信息，只要能把适应度算出来就能迭代。

当然PSO也有软肋，最典型的是高维问题容易早熟，收敛到局部最优。24个时段、每时段又有储能和换流器等多个决策变量，总维度轻松上百，这时候需要精心设计参数和约束处理，我在下一节细说。

4.2 优化变量编码与约束处理

这一步是整套程序的重中之重。先看决策变量的编码方式。以24小时日前调度为例，我选取的决策变量包括：

• 储能充放电功率P_b(t)，共24个变量，正值充电、负值放电
• 换流器传输功率P_acdc(t)，共24个变量，正值交流到直流，负值直流到交流
• 联络线功率P_grid(t)，共24个变量，正值购电、负值售电

如果系统里还有柴油机，也可以把柴油机出力P_dg(t)作为决策变量，但要注意柴油机的启动成本和爬坡约束会让问题复杂不少，新手建议先把储能、换流器、联络线三类变量做通，再加柴油机。

这样粒子维度是3 * T = 72，种群规模取50到100，迭代100到200次。每个粒子就是一组长度为72的实数向量，解算时把它reshape成三个24维向量，分别代表三个决策序列。

约束处理用的是罚函数法。功率平衡这类等式约束、储能SOC范围这种不等式约束，如果直接作为硬约束施加，粒子飞行的可行域会被切割得很碎，PSO容易找不到可行解。我的做法是：

matlab复制% 以交流母线功率平衡为例，写成罚函数
P_balance_ac = P_wind + P_dg + P_grid - P_load_ac - P_acdc;  % 不平衡功率
penalty = lambda * sum(max(P_balance_ac - tol, 0).^2);  % 超出容差部分平方惩罚

惩罚系数lambda的选取有讲究。太小，约束几乎不生效；太大，粒子一旦越界就寸步难行，容易陷入局部极小。我的经验是：先算一次不带惩罚的适应度范围，把罚函数量级调到目标函数正常值的10到100倍，这样粒子既能探索边界，又不敢乱越界。

储能SOC的动态约束是另一个大坑。SOC更新方程SOC(t+1) = SOC(t) + P_b(t) * dt / E_rated虽然简单，但要保证全天结束时SOC回到初始值（比如0.5），否则优化结果会“把储能用到光”，没有实际意义。这个约束我建议用等式罚函数处理，惩罚系数取大一些，保证最终解能回到初值。

4.3 适应度函数的组成

粒子群算法的“好”与“坏”，完全由适应度函数定义。这个程序的目标是总运行成本最小，成本组成至少包括以下几块：

1. 购电成本：sum(P_grid .* price * dt)，price是分时电价，峰谷差异可以很大
2. 柴油机燃料成本：sum(alpha * P_dg + beta)，系数由柴油机特性决定
3. 储能充放电损耗成本：可以用一个和充放电功率成正比的小惩罚项来近似
4. 弃风弃光惩罚：如果某时段风光出力用不完必须弃掉，要加惩罚防止浪费

这里有个值得注意的细节：弃风弃光惩罚不能设太低，否则优化程序会“偷懒”选择弃掉所有波动大的风光出力，而实际上并网发电是有收益的。我的做法是让弃风弃光惩罚略高于购电价均值，这样既鼓励消纳可再生能源，又允许极端情况下弃一部分。

目标函数最终写成：

matlab复制% 对所有场景加权求和
total_cost = 0;
for s = 1:K
    scenario_cost = ...;  % 该场景下按调度方案计算的运行成本
    total_cost = total_cost + scenario_prob(s) * scenario_cost;
end
fitness = total_cost + constraints_penalty;  % PSO 最小化 fitness

4.4 PSO参数设置与迭代策略

实际调试中，PSO参数直接影响能否收敛到好解。我最常用的一组参数：

惯性权重线性递减非常重要，它能平衡全局探索和局部开发。我见过很多人把w设成固定值，结果要么前期收敛太快陷入局部最优，要么后期振荡不收敛。线性递减的写法很成熟：

matlab复制w = w_start - (w_start - w_end) * iter / max_iter;

还需要对每个粒子的位置即决策变量做上下限约束。储能充放电功率不能超过换流器或PCS的额定功率，换流器传输功率不能超过其容量，联络线功率有购售电上限。最简单的方法是在更新位置后做截断：

matlab复制x = min(max(x, lb), ub);

截断看起来粗暴但有效，能保证粒子始终在物理可行域内，大幅减少不必要的罚函数震荡。

4.5 核心优化循环代码框架

把所有逻辑整合起来，PSO主循环的骨架如下：

matlab复制% 初始化和迭代求解
for iter = 1:max_iter
    w = w_start - (w_start - w_end) * iter / max_iter;
    for i = 1:pop_size
        % 更新速度和位置
        velocity(i,:) = w * velocity(i,:) ...
            + c1 * rand * (pbest(i,:) - position(i,:)) ...
            + c2 * rand * (gbest - position(i,:));
        % 速度限幅
        velocity(i,:) = min(max(velocity(i,:), -v_max), v_max);
        % 更新位置并做边界截断
        position(i,:) = position(i,:) + velocity(i,:);
        position(i,:) = min(max(position(i,:), lb), ub);
        % 计算适应度
        fitness(i) = calc_fitness(position(i,:), typical_scenarios, scenario_prob, sys_params);
        % 更新个体最优
        if fitness(i) < fitness_pbest(i)
            pbest(i,:) = position(i,:);
            fitness_pbest(i) = fitness(i);
        end
    end
    % 更新全局最优
    [best_val, best_idx] = min(fitness_pbest);
    if best_val < fitness_gbest
        gbest = pbest(best_idx,:);
        fitness_gbest = best_val;
    end
    % 记录收敛曲线
    convergence(iter) = fitness_gbest;
end

适应度函数calc_fitness里就是把粒子拆成三组决策变量，做功率平衡、SOC更新、成本计算和罚函数累加。这个函数是性能瓶颈所在，建议向量化写法，避免在每个粒子内部再套一层时段循环，否则80个粒子乘150次迭代，MATLAB跑起来会相当吃力。

5. 常见问题与排查技巧实录

5.1 场景抽样结果失真，典型场景完全不典型

现象：缩减出的典型场景和原始场景分布明显不符，均值偏差超过10%。

排查路径：先看初始抽样是否覆盖了完整分布范围。可以画出风速的LHS样本直方图和理论Weibull概率密度曲线做对比，如果直方图明显缺了尾部，说明lhsdesign的分层数不够或者分布参数设置错误。再看缩减时K值是否过小，我做过对比，风力场景K取3时很难兼顾全天候形态，K取5到7比较稳。

经验：一定要在缩减前保留一版原始抽样结果文件，便于回溯。不要一边调分布参数，一边调聚类参数，否则问题叠在一起很难定位。

5.2 PSO早熟收敛，每次结果差异巨大

现象：多次运行程序，优化结果波动很大，有时候成本很低，有时候高得离谱。

这是PSO在72维空间里常见的早熟问题。可能原因有两个：一是惯性权重衰减太快，前期还没探索完整个空间，后期已经失去全局搜索能力；二是速度限制v_max设得太小，粒子活动范围受限。

解决方案：把惯性权重初始值提到0.95，结束值提到0.45，衰减曲线换成非线性递减（可以先快后慢），v_max设为变量范围的30%左右。再有就是增加种群规模到100，同时多跑几次取最优。实测下来，配合线性递减惯性权重和边界截断，变异率不调问题也不大。

5.3 功率平衡约束总是不满足，罚函数失效

现象：优化结束后，检查各个场景的功率平衡，发现交流或直流母线不平衡量很大，但适应度值看起来正常。

问题出在罚系数上。如果lambda设得太小，粒子越界后受到的惩罚比正常成本还低，算法就“乐于”越界换取更低成本。这时候你会看到目标函数值一直下降，但约束根本不受控。

我自己的调试方法是：先只运行一个粒子、一次迭代，手动检查某几个随机初始解的约束越界量和罚函数数值，确保罚数量级已经在正常成本的10倍以上。如果还不够，就直接把等式约束的罚系数拉高到100倍量级，宁可让寻优过程保守一些，先保证可行性，再优化经济性。

5.4 参数速查表

这套程序跑通之后，后续可以扩展的方向很多，比如把单目标改成考虑碳排放的多目标优化，或者把场景法的离散场景换成分布鲁棒优化。我个人的体会是，交直流混合微网调度的难点从来不在某一项技术上，而在把所有环节串起来时，参数、数据、约束之间相互牵连造成的“整体调试困局”。拉通一次之后，再回去看相关论文会顺畅很多。