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，