SeigRobotics自打开始做配电网重构方向的课题，我前前后后试过不少算例系统，从最基础的33节点到美国PG&E的69节点，再到实际工程中的馈线数据，但兜兜转转，用得最多的还是IEEE33节点。原因很简单：模型足够经典、参数公开可查、规模大小适中，既能跑通算法验证思路，又不至于因为系统太复杂把时间全耗在潮流计算上。这次分享的项目，是在这个经典系统上叠加了两层现实因素——高比例清洁能源接入和需求响应机制。一句话概括这个项目做的事：在一个具备分布式光伏/风电接入、且用户侧具备可调节能力的IEEE33节点配电网中，通过优化网络拓扑结构（即确定各联络开关和分段开关的开合方式），在满足各种安全约束的前提下，实现运行网损最小、电压质量最优、清洁能源尽可能消纳的综合目标。
如果你正在做配电网重构方向的研究，或者刚入门想找一个能落地的Matlab项目来练手，这个项目的思路和代码框架是很值得参考的。它不像纯理论推导那样悬在空中，而是把“清洁能源波动”“用户响应行为”“网络拓扑优化”这三件在实际中耦合在一起的事，集中到一个小而完整的系统里做了协同求解。接下来我会把整个项目从模型构建、数学原理、算法设计到代码实现和调试经验，完整拆开讲一遍。
1. 问题建模：先想清楚我们在优化什么、约束什么
1.1 高比例清洁能源接入改变了配电网优化的什么前提
传统配电网重构的目标相对单纯，大部分文献的做法是：给定负荷分布和网络拓扑候选方案，寻找一组开关状态组合，使系统网损最小、电压质量最好。这个思路建立在“负荷是刚性、潮流是单向”的传统假设之上。但一旦分布式光伏和风电渗透率上来了，事情就复杂了。
高比例清洁能源接入后，首先出现的是潮流双向流动问题。分布式电源出力大于局部负荷时，功率会从配电网末端倒送至上级变电站，原有的“电源-负荷”单向辐射状潮流格局被打穿。这时候若还是按传统方式做重构优化，不考虑电源出力变化对最优拓扑的影响，很容易得到“看着网损最低、实际某些支路重载甚至过载”的方案。其次，光伏出力的间歇性使得网络的最优运行点随时间漂移，单一静态拓扑很难全天候保持经济性。因此，本项目把清洁能源的有功/无功出力作为可调变量纳入重构模型，让优化算法在生成拓扑的同时，对分布式电源出力也做协同决策。
需求响应的引入则是另一个维度。所谓需求响应，通俗讲就是把原来“用多少算多少”的刚性负荷，变成一部分可以跟随系统状态调整的弹性负荷。比如某时段光伏大发、电价便宜，就鼓励用户多用电（上调负荷）；反过来，晚间高峰电价高，就削减或转移部分负荷。在重构问题里引入需求响应，本质上就是给优化器多了一把调节工具：除了改变拓扑和电源出力，还能通过价格信号或激励手段，主动重塑负荷曲线，使网络的运行状态更优。
1.2 目标函数设计：多目标不是简单加权
我在这类项目里见过不少做法：直接把网损、电压偏移、清洁能源消纳量加权成一个标量目标，然后套个算法去搜。这种做法不是不行，但要注意两个问题。第一，各目标量纲不同，网损的单位是kW，电压偏移是p.u.，消纳量也是kW，直接相加会导致量级大的目标主导寻优方向。第二，不同目标的优先级在不同场景下应该不同——极端光伏场景下，消纳优先级应该高于网损微降；而夜间无光场景，网损优化才是重点。
因此，我的做法是采用分层/权重可调的多目标处理方式。核心目标函数为：
[
\min F = \alpha_1 f_{loss} + \alpha_2 f_{voltage} + \alpha_3 f_{curtail}
]
其中 ( f_{loss} ) 为系统有功网损，通过潮流计算得到；( f_{voltage} ) 为所有节点电压偏离1.0p.u.的平方和；( f_{curtail} ) 为因网络阻塞等原因被迫削减的清洁能源有功电量。权重系数 ( \alpha_1, \alpha_2, \alpha_3 ) 在程序中设计为可调参数，但必须满足约束条件 ( \alpha_1 + \alpha_2 + \alpha_3 = 1 )。这样设计的好处在于，你可以通过调整权重来模拟不同的运行偏好——比如电网公司更看重经济运行就把 ( \alpha_1 ) 调大，调度部门更看重安全就调大 ( \alpha_2 )。
这里要特别提醒一个我踩过的坑：( f_{curtail} ) 如果直接写成弃光弃风的电量值，那它和网损的优化方向在多数场景下是一致的——网损小意味着潮流路径短，电源出力能够就地消纳的概率就大。但如果权重分配不当，算法很容易找到“通过弃掉少量清洁能源来大幅降低网损”的投机解。这在数学上没问题，但在工程上等于掩耳盗铃。所以我在代码里对弃电行为加了一个惩罚系数的设置，只有当弃电确实能显著改善系统安全（比如避免过电压）时，这个目标才会被触发。
1.3 约束条件：辐射状拓扑和潮流等式是底线
配电网重构最核心的约束，一个是潮流等式约束，一个是辐射状结构约束。潮流等式约束通过前推回代法或牛顿-拉夫逊法求解；辐射状结构约束则决定了搜索空间的大小和合法性。IEEE33节点系统原本有37条支路（含5条联络开关支路），正常运行时要保持33个节点连通且无环，意味着恰好有32条支路闭合，5条支路断开。
这里有个很多初学者容易忽视的细节：光靠“闭合支路数等于节点数减一”并不能保证辐射状拓扑。比如断开两条支路但形成一个与主电源隔离的孤岛，此时支路数可能是对的，但系统并非可行解。所以在算法的编码和约束处理环节，我额外用了一个基于图论的连通性检测函数，确保每个候选解都满足“全网节点连通”和“无环路”两个条件。这个检测函数在Matlab里实现非常方便，利用graph和conncomp即可，后面代码部分我会具体给出。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 需求响应建模：把用户侧资源变成可调度量
2.1 价格型需求响应的核心逻辑
需求响应按其激励方式可以分为价格型和激励型两类。在配电网重构这个尺度上，价格型需求响应（Price-Based Demand Response，简称PBDR）更合适，因为它不需要与具体用户签订复杂的控制协议，只需要给定分时电价，用户依据电价信号自主调整用电行为。
建模上，我采用需求价格弹性矩阵来刻画用户对电价的响应行为。定义弹性系数 ( e_{it} ) 表示时刻 ( t ) 的负荷对时刻 ( i ) 电价变化的敏感程度。自弹性系数为负（电价升高，该时段用电减少），交叉弹性系数为正（某时段电价升高，用户把部分负荷转移到其他时段）。基于此，用户在电价信号下的负荷调整量为：
[
\Delta P_{d,t} = P_{d,t}^0 \cdot \sum_{i} e_{ti} \cdot \frac{\Delta \rho_i}{\rho_i^0}
]
其中 ( P_{d,t}^0 ) 为原始负荷，( \rho_i^0 ) 为原始电价，( \Delta \rho_i ) 为电价变化量。
这个模型的工程意义很直观：重构优化器每评估一个候选拓扑，都会同步计算系统的最优分时电价（或由上级电网给定的电价信号），然后预测用户侧的负荷调整，再基于调整后的负荷进行潮流计算和网损评估。这样一来，需求响应和网络重构就不是“先定拓扑、再调负荷”的两阶段顺序决策，而是真正实现了闭环迭代。
2.2 可转移负荷的建模细节
除了基于弹性系数的整体电价响应，我还把部分负荷细分为可转移负荷和固定负荷。可转移负荷的典型代表是电动汽车充电、洗衣机、热水器等柔性家用负载，特点是总用电量不变但用电时段可以平移。建模思路是：
[
\sum_{t=1}^{T} P_{shift,t} = E_{shift}^{total}, \quad P_{shift,t}^{min} \le P_{shift,t} \le P_{shift,t}^{max}
]
即保证一定调度周期内总用电量不变，各时段功率在上下限范围内调整。这样做的好处是避免了弹性系数模型可能出现的“用户减少用电但总电量凭空消失”的不合理现象。我实际测试下来，可转移负荷占比设定在10%-20%之间比较合理。如果占比太高，重构后的最优拓扑会过于依赖负荷转移的灵活性，一旦实际用户响应不到位，拓扑就会明显偏离最优；占比太低则需求响应效果不明显，整个模型退化为普通的分布式电源接入下的重构问题。
2.3 需求响应与重构的协同效果
说句实在话，在早期搭模型的时候，我也疑惑过：需求响应是在时间尺度上平移负荷，重构是在空间尺度上改变潮流路径，两者为什么能耦合在一起？后来想明白了一个关键点——需求响应改变了各节点的负荷分布，而重构任务中不同拓扑方案对不同节点负荷的敏感度是完全不同的。举个例子：某个联络开关闭合后，原来重载的支路A的负荷转由支路B供电，如果需求响应恰好把支路A下游的负荷转移走了一部分，那这个拓扑的降损效果就会被进一步放大。反过来，某个看似不利的拓扑，如果配合巧妙的负荷转移，也可能成为全局最优解的一部分。这种“空间拓扑+时间负荷”的联合优化，正是这个项目和传统重构方案拉开差距的地方。
3. 分布式电源接入与不确定性建模
3.1 光伏和风电出力建模
在高比例清洁能源接入的场景里，光伏和风电的出力曲线不能简单取额定功率的固定比例，那会让整个优化问题失真。我的做法是采用典型日场景法，用一组预测曲线代表不同类型天气下的出力形态。光伏出力按Beta分布模拟，风速按Weibull分布模拟，然后通过场景削减技术（比如K-means聚类或同步回代消除法）生成少量典型场景。这样做的好处是，既保留了随机性特征，又不至于让优化问题因为场景数量膨胀而失控。
在我提供的代码里，分布式电源的配置方案是在节点14、18、25和32分别接入四组光伏系统，总装机容量占系统峰值负荷的40%-60%，具体穿透比大小可以调参。节点14和18靠近馈线中部，25和32靠近末端，这样布置的目的，是让光伏出力能同时影响主干线潮流和末端电压抬升，使优化问题更具挑战性。
3.2 不确定性处理思路：场景法还是鲁棒优化
对于清洁能源出力的不确定性，目前学术界主流做法有两种：随机规划（基于场景的概率分布）和鲁棒优化（基于不确定集）。两种思路在IEEE33节点系统上我都试过。场景法的优点是信息利用充分，能得到期望意义上的最优解，但计算量随场景数线性增长；鲁棒优化则保守度较高，但求得的解在最恶劣情况下依然可行。
在这个项目中，考虑到主算法已经是群体智能算法（计算负担不小），如果再叠加大量随机场景会导致仿真时间难以接受，所以我采用了折中方案——先对光伏和风电的预测误差做典型场景聚类，然后用3-5个典型场景取代动辄几百个随机场景。每个场景在重构优化中作为独立的潮流计算输入，最终目标函数取各场景的加权期望值。这样做在精度和效率之间取得了很好的平衡，实测下来仿真时间控制在可接受范围内，而优化方案在多数实际场景下依然具有较好的适应性。
4. 求解算法与改进策略
4.1 为什么选择二进制粒子群算法作为主框架
配电网重构决策变量的本质是一组开关状态，是典型的0-1组合优化问题。IEEE33节点系统有37条支路，状态组合数高达 ( 2^{37} ) 量级，穷举法完全不现实。用数学规划方法（如混合整数二阶锥规划）固然严谨，但需要YALMIP、CPLEX等工具配合，对新手不太友好。考虑到代码要在Matlab环境里干净利落地复现，我选择了二进制粒子群算法（BPSO）作为主算法，并做了一些工程化改进。
选择BPSO的理由有三条。第一，粒子群算法结构简单，不需要复杂的编码和解码操作，开关状态天然适合用二进制向量表示。第二，算法的全局搜索能力适中，配合局部搜索策略能稳定收敛到较优解。第三，和遗传算法相比，粒子群没有选择、交叉、变异那套参数体系，需要调的参数更少（权重、加速因子、最大速度），容易被新手掌握。
4.2 关键改进：从盲搜到带约束的智能搜索
基础BPSO直接套用到配电网重构上，最大的问题是随机生成的初始粒子中，满足辐射状约束的比例偏低。如果约束处理只是简单地把非法解丢弃，那初始种群的质量会很差，算法前几十代的迭代基本是在“碰运气”。我的改进思路是把约束处理从“事后淘汰”变为“事前引导”。
具体做法是：生成初始粒子时，先随机选择 ( N-1 ) 条支路作为闭合支路（( N ) 为节点数，IEEE33系统中 ( N=33 )，则闭合32条支路），然后立即用连通性检测确认是否所有节点都在同一连通域内。如果存在孤岛，则把孤立节点附近的断开支路闭合，同时断开支路数最少的联络支路，以保证支路总数不变。这一步相当于在初始化阶段就把粒子“推”向可行域。实测下来，初始化粒子的可行率能从不到40%提升到85%以上，收敛速度提升明显。
另一个值得说的改进是惯性权重的自适应策略。基础BPSO的惯性权重如果是固定值，前期容易陷入局部最优，后期又可能震荡。我在代码里将惯性权重从0.9线性递减到0.4，同时加入了一个“停滞检测”机制：如果连续10代最优解没有改善，就对全局最优粒子做一次邻域搜索（翻转一两对开关状态），打破停滞状态。
4.3 算法流程总览
整个求解流程可以梳理为以下步骤：
- 输入IEEE33节点系统参数、线路阻抗、负荷数据、分布式电源参数、电价时段数据。
- 初始化粒子的位置（开关状态向量）和速度，通过连通性修正保证所有粒子为可行辐射状拓扑。
- 对每个粒子，依次完成以下子任务：
- 解析当前开关状态，确定闭合支路集合；
- 根据当前电价信号计算需求响应后的各节点负荷；
- 带入光伏/风电典型场景出力，进行前推回代潮流计算；
- 若潮流计算收敛，则计算网损、电压偏移、清洁能源消纳量等目标分量；
- 对越限情况（电压越界、支路过载）施以惩罚项。
- 计算粒子适应度，更新个体最优 ( p_{best} ) 和全局最优 ( g_{best} )。
- 按BPSO的速度和位置更新公式迭代，动态调整惯性权重。
- 达到最大迭代次数后，输出最优开关组合、目标函数值、各节点电压、支路潮流等信息。
5. 代码实现：从零搭建你的重构仿真框架
5.1 代码目录结构规划
好的仿真代码不是一个大脚本一口气写完，而是按功能模块拆分。我的项目目录大致如下：
code复制IEEE33_Restoration/
├── main.m % 主脚本，控制整体流程
├── case33_load_data.m % IEEE33节点系统基础参数定义
├── dist_gen_data.m % 分布式电源参数与典型出力场景
├── demand_response.m % 需求响应计算模块
├── power_flow.m % 前推回代潮流计算函数
├── topology_check.m % 辐射状拓扑连通性检测
├── BPSO_optimizer.m % 二进制粒子群主算法
├── calculate_fitness.m % 适应度评估函数
└── output_results.m % 结果输出与可视化
这种结构下，你改任何一块（比如换DG位置、改需求响应弹性系数、调整算法参数）都不需要牵连其他模块，排错效率高很多。下面我挑几个关键模块展开讲。
5.2 IEEE33节点系统参数定义
IEEE33节点系统的基准参数在文献中很成熟：基准电压12.66kV，总负荷为有功3715kW、无功2300kVar，系统有5条联络开关支路，编号为33-37。定义数据用的是Matlab矩阵形式——每行代表一条支路，包含首端节点、末端节点、支路电阻、支路电抗和前导纳。需要说明的是，尽管系统本身是经典标准参数，但不同文献在联络开关的初始开闭状态定义上略有出入。我在代码中使用的是最通用的一组参数：支路1-32为分段开关（原始闭合状态），支路33-37为联络开关（原始断开状态）。
5.3 前推回代潮流计算的核心代码逻辑
配电网是辐射状结构，用前推回代法求潮流是最稳妥的选择，它不需要求雅可比矩阵，收敛性好，对初值不敏感。基本步骤是：
- 回代：从末端节点向根节点逐层累加功率，计算各支路流过的功率；
- 前推：从根节点向末端逐层推算各节点电压。
需要注意的细节是，支路潮流计算时要用到上一轮迭代得到的电压值，而电压初值通常设为1.0p.u.。迭代收敛判据设为节点电压变化量最大值小于 ( 10^{-6} ) p.u.。对于含分布式电源的情况，回代时要在对应注入节点上减去电源出力，等效于在原负荷功率上取“负荷-发电”的净功率。
代码里功率迭代的核心表达式如下：
[
S_{ij}^{'} = S_{j} + \sum_{k \in Ch(j)} S_{jk} - S_{DG,j}
]
式中 ( S_{ij}^{'} ) 为支路 ( ij ) 末端流出的复功率；( S_j ) 为节点 ( j ) 的负荷功率；第二项为节点 ( j ) 下游所有子支路的功率之和；( S_{DG,j} ) 为节点 ( j ) 处分布式电源注入功率。
5.4 拓扑连通性检测：一个容易被忽略但至关重要的函数
matlab复制function valid = topology_check(branch_status, branch_data)
% 输入: branch_status为37x1的逻辑向量，1表示闭合
% branch_data为37x4矩阵，每行[首端,末端,电阻,电抗]
% 输出: valid为布尔值，true表示满足辐射状连通
nodes = 33;
adj_matrix = zeros(nodes, nodes);
for k = 1:size(branch_data,1)
if branch_status(k) == 1
i = branch_data(k,1);
j = branch_data(k,2);
adj_matrix(i,j) = 1;
adj_matrix(j,i) = 1;
end
end
G = graph(adj_matrix);
valid = (sum(branch_status) == nodes - 1) && (numel(unique(conncomp(G))) == 1);
end
这个函数同时验证了“支路数 = 节点数 - 1”和“全网连通”两个条件，两者缺一不可。我在实际调试中遇到过不少解，支路数恰好是32条，但因为断开的支路组合不当导致末端节点孤岛，这样的解若不拦截，后面潮流计算会直接报错，浪费整轮迭代的训练时间。
5.5 粒子群算法的速度与位置更新
BPSO中，粒子位置是一个二值向量，不能直接套用连续粒子群的更新公式。常规做法是用Sigmoid函数将速度映射到[0,1]区间的概率值，然后与随机数比较确定位置状态。核心代码逻辑如下：
matlab复制v = w * v + c1 * rand * (pbest - x) + c2 * rand * (gbest - x);
prob = 1 ./ (1 + exp(-v));
x = double(rand(size(x)) < prob);
这里 ( x ) 是开关状态向量，( pbest )、( gbest ) 分别是历史最优和全局最优开关状态。Sigmoid函数的问题在于，当速度绝对值很大时概率会饱和到0或1，粒子失去翻转能力。所以要设置最大速度 ( v_{max} )，将所有速度限幅在 [-4, 4] 区间内，对应Sigmoid输出概率范围大约是[0.018, 0.982]。这样既保证了一定的探索能力，又不至于让位置更新过于随机。
另外，粒子更新之后大概率又是非法拓扑，所以每次位置更新后都要调用上一节那个拓扑检测函数。如果检测不通过，我的策略不是直接重置，而是做小幅修复：随机闭合一条断开支路，再随机断开一条闭合支路，最多迭代修复若干次；若还是不行就重新初始化该粒子。这个“修复优先于重置”的策略比单纯丢弃非法解保留了更多粒子已学习到的信息，收敛效果更好。
5.6 需求响应模块的Matlab实现要点
需求响应模块的输入是基础负荷曲线、电价曲线和弹性系数矩阵，输出是优化后的负荷曲线。在Matlab里实现时，我建议用向量化操作而非循环，尤其是时段数比较多的时候，循环会明显拖慢整体仿真速度。以下是一个简化示例：
matlab复制% rho原电价、e elastic为弹性矩阵、P0基础负荷
delta_ratio = (rho_opt - rho0) ./ rho0;
delta_P = P0 .* (e * delta_ratio);
P_dr = max(0, P0 + delta_P);
注意这里有几个细节：弹性矩阵的对角线元素（自弹性）为负数，非对角线元素（交叉弹性）在相邻时段为正、在不同日时段为负；( P_{dr} ) 必须保证非负，这对应实际中用户不可能把负荷削减到负值（除非有储能，但这不在本项目的范围里）。
5.7 运行效果与结果展示
我按照上述配置在Matlab R2022b上跑过多次实验，算法的典型收敛情况是：初始种群规模设为30，最大迭代次数100，大约在第40代之后全局最优解基本稳定。以基准负荷、光伏渗透率50%的场景为例，重构前系统网损约为200kW上下，经过重构和需求响应协同优化，网损可以降至120kW-140kW左右，降损幅度约30%-40%。同时，最末端节点（节点18附近的末端节点电压）电压值从约0.92p.u.提升到0.96p.u.以上，电压越限风险显著降低。联络开关的闭合方案在不同权重参数下会有差异，但总体上算法倾向于闭合末端的联络开关来缩短末端电路的供电距离，这说明重构确实在发挥“通过改变拓扑来改变电气距离”的作用。
6. 常见问题与调试心得
6.1 潮流计算不收敛怎么办
前推回代法在辐射状配电网里极少出现不收敛的情况，如果迭代发散，几乎都是网络结构出错了。最常见的原因是孤岛节点存在，导致回代时某个子支路的功率无法有效传递到根节点。遇到这种情况，不要急着调潮流程序，先检查拓扑检测是否正常、断开支路是否形成了孤立区域。还有一类情况是分布式电源出力设置过大，某节点净注入功率为负，造成该节点电压越上限。这个不是潮流程序的bug，而是模型参数问题，需要检查光伏出力是否超出了该节点的消纳能力。我的建议是给每个DG接入节点加一个出力上限约束，比如不超过该节点原负荷的1.5倍，可以有效规避莫名奇妙的电压越限。
6.2 算法收敛慢或陷入局部最优
如果你跑出来的结果和预期差距很大，或者目标函数一直卡在某个值附近不下降，可以从三个角度排查。第一，检查初始群体的质量，把初始化过程中的可行率打印出来，如果低于50%，大概率是连通性修复函数写得有问题。第二，检查Sigmoid函数的限幅，如果速度被限得太小，粒子没有足够的翻转能力，搜索范围会变得很窄。第三，检查目标函数各分量的尺度。我最初调试时，网损值虽然有几百kW，但电压偏移平方和只有零点几，结果算法完全被网损主导，最优解只降损、不管电压。后来把所有目标分量通过基准值归一化到同一数量级，问题就解决了。
6.3 权重系数怎么选才比较合理
权重系数 ( \alpha_1, \alpha_2, \alpha_3 ) 的选择没有标准答案，但有一个经验法则：在多数场景下 ( \alpha_1 )（网损）可以设得略大，比如0.5-0.6，因为网损直接反映经济性；( \alpha_2 )（电压）设0.2-0.3，保证系统电压质量安全；( \alpha_3 )（弃电）设0.1-0.2，作为对消纳能力的软约束。如果你研究的是高渗透率光伏场景，建议把 ( \alpha_3 ) 调大些，因为此时弃光风险比网损更值得关注。当然，更严谨的做法是算一遍Pareto前沿，观察各目标之间的冲突关系，再根据实际偏好选一个折中解。不过那需要用到多目标版本的粒子群算法，篇幅所限，这里不展开，后续可以单独写一篇。
6.4 关于代码复用与扩展的一点建议
这个项目虽然跑在IEEE33节点系统上，但核心代码框架是可以复用到大系统的。比如换到IEEE69节点或实际的馈线数据，只需修改case33_load_data里的支路参数矩阵和负荷数据，并确保拓扑检测函数中的节点数、支路数相应更新。DG位置、容量配置也可以很方便地在dist_gen_data里调整。如果你想往更深的科研方向走，这个框架还可以扩展为考虑储能系统、电动汽车集群响应、动态重构等多时间尺度优化。工程能力都是一点一点垒起来的，先在一个小系统上把每个环节搞明白，再上大系统才不会出问题。
7. 写在最后的个人体会
这个项目做完之后，我最大的感触是：配电网重构本身并不难，难的是把多个实际因素放在同一个模型里还能保持逻辑自洽。高比例清洁能源接入带来了双向潮流和电压波动的压力，需求响应提供了用户侧的柔性调节能力，拓扑重构则在空间上寻找最优的供电路径，三者放在一起，才算是在“源-网-荷”三个层面同时做文章的完整形态。光盯着IEEE33节点上那一堆开关组合去调参，是体会不到这个项目真正的价值所在的。希望我这次分享的建模思路、算法设计、代码框架和调试经验，能帮正在做相关方向的人少走一段弯路。如果在复现过程中碰到问题，也欢迎随时交流，代码和参数细节都可以进一步讨论。