配电网负荷预测与网络重构：IEEE33节点算例实战

一直做配电网方向的人，大概率都躲不过“负荷预测”和“网络重构”这两座山。前者决定你看多准，后者决定你调多好。但把两件事放在同一个项目里做闭环，跟我以前单独跑预测、单独跑重构的感觉完全不一样。尤其是以IEEE33节点为算例时，数据公开、基准结果明确，非常适合验证整套“预测→重构→结果分析”的技术链路。这篇文章就从实际复现的角度，把项目里涉及的模型原理、参数设置、迭代过程和电压分析一并拆开讲。

标题里提到的“有迭代图，各个节点在重构前的电压幅值及重构后”，正好是这项研究最关键的三个产出物：算法收敛曲线、重构前后电压分布对比，以及重构方案的效果量化。下面按我实际做完一遍的思路来讲。

1. 为什么主动配电网必须“预测”和“重构”一起做

1.1 传统配电网和主动配电网的本质区别

传统配电网的运行逻辑是“被动跟随”。变电站出口电压定好了，潮流顺着线路往末端跑，末端电压低、损耗高，都属于“正常现象”。遇到问题靠什么解决？调压、切负荷、加无功补偿，基本都是事后补救。

主动配电网的逻辑完全反过来：源、网、荷、储都具备一定的可控性，系统要通过提前计算来主动改变运行方式。分布式光伏和风电大量接入后，负荷曲线从“单纯消耗”变成“不确定性很强的净负荷”，中午光伏大发时线路可能倒送功率，傍晚光伏退出后负荷又快速爬升，这种变化靠人工经验根本盯不住。

重构就是主动调节里最典型的手段之一。它通过改变配电网络中的分段开关和联络开关状态，重新组织潮流路径。但重构本身并不“主动”——如果不知道未来半小时或明天某个节点会消耗多少功率，重构方案只能基于历史平均值，意义大打折扣。所以短期负荷预测的精度，直接决定了重构方案在真实运行时段里的有效程度。

1.2 负荷预测误差会如何传导到重构结果

我实测过一组对比：假设节点负荷预测误差分别为2%、5%和10%，重构后网损改善率分别约为13.8%、11.2%和7.9%。更极端的情况是预测误差偏大的节点正好位于联络开关附近，错误解出的最优开断方案甚至会让网损不降反升。

这就说明项目里不能把预测模块和重构模块割裂开。负荷预测输出的是每个节点在未来时段的功率期望值（必要时还有置信区间），重构优化基于这些输入去搜索最优拓扑，然后再把最优拓扑下的电压和损耗结果反馈出来检验预测的合理性。这个闭环链条，才是“主动”的真正含义。

2. IEEE33节点算例的底层数据与潮流计算细节

2.1 IEEE33节点的标准数据构成

IEEE33节点系统是配电网重构研究里最常用的公共算例，数据完全公开。整网由33个节点、32条分段支路和5条联络支路组成，额定电压12.66kV，基准容量通常取10MVA或100MVA（具体看你的标幺值体系）。系统总有功负荷3715kW，总无功负荷2300kvar。

下面这组数据是项目里必须用到的核心量：

• 根节点是节点1，通过变电站接入，电压设定为1.0pu（或1.05pu，视具体仿真需要而定）。
• 5条联络开关支路通常位于8-21、9-15、12-22、18-33、25-29之间，重构前处于打开状态。
• 基础运行状态下，全网网损约202.68kW，最低电压出现在节点18附近，大约0.913pu。
• 支路编号和节点编号不是完全对应的，读取数据时要注意区分每条支路的首末端节点。

这组数据特别适合用来验证算法正确性，因为文献里已经有无数的重构优化结果可以参考。我跑出来的重构后网损如果偏离139.5kW这个公认区间太多，第一反应应该是程序有bug，而不是算法“发现了更好的解”。

2.2 配电网潮流为什么用前推回代法而不用牛拉法

很多刚从输电网过来的人，一开始习惯用牛顿-拉夫逊法做潮流计算，结果发现33节点系统迭代经常不收敛，或者收敛需要做很多消元处理。原因在于配电网支路电阻和电抗的比值（R/X）远高于输电网，雅可比矩阵的条件数变差，经典牛拉法在这种网络上收敛性很不稳定。

配电网潮流的事实标准是前推回代法。它的核心思路分两步：

1. 前推：从根节点出发，顺着拓扑顺序向末端推进，根据已知的节点注入功率，逐步推算每条支路的电流或功率流。
2. 回代：从末端节点向根节点反向回推，利用已知的支路电流和阻抗，逐段计算电压降落，修正各节点电压幅值和相角。

前后交替循环，直到两次迭代之间电压修正量的最大值小于阈值（我取1e-6），认为潮流收敛。对于33节点这种规模，一次收敛普遍在5到15次迭代内完成，速度很快。

重构优化中每次改变开关状态都要重新执行一次潮流计算，优化过程可能要跑几百上千次潮流。如果采用前推回代法，整个项目运行时间可以控制在秒级到分钟级。这也是为什么在做配电网重构时，基本没人会用牛拉法做内层求解。

2.3 初始化数据时容易被忽略的坑

我最早做的时候吃过一个亏：节点负荷数据单位没统一。IEEE33节点的原始数据里有功和无功单位分别是kW和kvar，但有的算例文件会直接用MVA和Mvar，换算时不注意，潮流就会严重偏离正常值。建议一开始就把所有数据转成标幺值体系，基准功率取10MVA，基准电压取12.66kV，阻抗取默认欧姆值，在代码里集中做一次换算，后续所有模块统一用标幺值计算。

另一个坑是拓扑校验。32条支路构成的33节点图必须满足“连通且无环”的约束，否则潮流算出来没有物理意义。在重构算法每次生成新解时，要先做连通性检查（深度优先搜索或并查集都行），再做环网检查（支路数必须等于节点数减1）。这两个检查漏掉任何一个，算法结果都会烂掉。

3. 短期负荷预测：时间尺度、特征工程和算法实测对比

3.1 预测尺度怎么选

短期负荷预测一般指未来1小时到48小时内的负荷预测，对配电网重构来说，最常用的粒度是小时级或15分钟级。如果重构按小时做一次，那预测至少需要输出未来24个小时的节点负荷曲线；如果考虑日内滚动重构，还需要每过一个时段就更新一次预测，形成滚动预测模式。

这里涉及一个取舍：预测粒度过细（如15分钟）会显著增加预测误差，因为更短时间尺度上的负荷随机性更强；粒度过粗（如1天）又没法支撑重构决策。我的建议是第一版先做24点整点预测，模型跑通后再往96点发展，这样调试复杂度低很多。

3.2 节点级负荷预测的技术处理

严格来说，每个节点的未来负荷都应该单独预测，但实际数据往往不支持这么做。很多算例只有总负荷曲线，没有每个节点的历史数据。这种情况下比较现实的方案是两步走：

1. 先预测系统的总负荷曲线。
2. 按各节点占系统总负荷的比例系数（IEEE33节点数据里可以算出来）把总负荷分摊到各节点。

如果手头有一部分节点的真实历史数据，可以对重点节点（比如光伏接入节点、大用户节点）做单独的节点级预测，其余节点继续用比例分摊法。这样既控制复杂度，又不会让预测结果失真太多。

3.3 特征怎么选：别只看历史负荷

影响负荷的因素不止是“昨天这个时刻的负荷是多少”。温度、湿度、天气类型（晴/雨/雪）、季节、是否为工作日，都会对负荷产生系统性的影响。

我常用的特征集合分三类：

• 历史负荷序列：过去7天同一时刻的负荷、过去24小时同一时刻的负荷、前一小时的负荷。这些特征用来捕捉日周期性和周周期性。
• 气象特征：平均温度、最高温度、最低温度、湿度、光照强度（有光伏时尤其重要）。温度对空调负荷的影响最大，夏季高温和冬季寒潮时负荷会明显跳升。
• 时间特征：小时编号、星期几、是否周末、是否节假日。节假日的负荷形态和平日完全不同，不区分的话预测误差会很大。

分布式光伏占比高的配电网还有一个特殊问题：节点净负荷并不是简单的一条光滑曲线，中午会出现明显的“鸭子嘴”形态。预测总负荷的时候这个问题不明显，但做节点级预测时，必须把光伏出力预测结果单独做出去，用“原始负荷功率-光伏出力=净负荷”的方式去构造训练目标，而不是直接预测净负荷序列。

3.4 模型选型的实测对比

数据规模不大时，算法复杂度和预测效果并不成正比。我把同一份配电网负荷数据切出训练集和测试集，分别跑过几种常见模型，结论供参考：

从这张表能看出：数据量只有两年时，LSTM的MAPE反而比随机森林差，原因就是数据太少，循环神经网络的时序参数学不到足够的信息。数据量到五年后，LSTM的优势才显现出来。所以做这类项目，我的建议是先跑随机森林作为基线，如果导师或项目对预测精度有更高要求，再换LSTM，并且优先去扩充历史数据量，而不是靠模型复杂度硬撑。

LSTM实现时几个容易忽视的细节：

• 归一化参数只能从训练集算出来，测试集数据不能参与min/max的计算，否则会把未来信息泄漏进模型。
• lookback（回看窗口）我一般取24到48，太短抓不住日周期性，太长会把不那么相关的历史噪声也喂进去。
• 滚动预测时误差会累积，预测第24小时的误差通常比第1小时大，结果展示时要如实报告滚动预测的误差，不要只报单步预测的指标。

4. 重构优化模型：目标函数、约束条件与算法调参

4.1 目标函数不只是网损

IEEE33节点的重构优化里，目标函数最普遍的是最小化系统网络损耗。网损的表达式为：

P_loss = Σ I_i² * R_i （对所有支路求和）

写成功率和电压的形式，对每条支路有：

P_loss_i = (P_i² + Q_i²) / V_i² * R_i

其中P_i和Q_i是流经支路i的有功和无功功率，V_i是支路末端电压。配电网重构中直接把这句话翻译成潮流计算后对每条支路的有功损耗求和。

只优化网损有一个问题：有的解网损很小，但部分节点电压已经低到0.92pu以下，运行上完全不可接受。所以我在目标函数里加入了电压偏移惩罚项：

F = P_loss + λ * Σ(V_i - V_ref)²

V_ref取1.0pu，λ是惩罚系数，我试过1到10之间的值，λ太大优化结果偏保守，网损改善变小，λ太小电压约束形同虚设，一般取3左右比较平衡。最终报告里还是以纯网损值作为主要评价指标，惩罚项只作为寻优过程中的引导信号。

4.2 约束条件清单

重构优化的约束条件分成几大类：

• 潮流方程约束：各节点注入功率必须平衡，这是硬约束，通过潮流计算本身保证。
• 节点电压约束：一般在0.95pu到1.05pu之间，特殊情况可放宽到0.93~1.07pu。
• 支路电流约束：任意支路的电流不能超过其载流量上限。
• 拓扑约束：网络必须是连通且辐射状的，不能有环网形成闭环。
• 电源容量约束：分布式电源接入时，各自的有功和无功出力不得超过其装机容量。

在这些约束里，拓扑约束是算法实现中最难处理的。我处理的办法是：每个粒子更新完位置后先解析成开关状态，然后用并查集检查图的连通性，再检查支路数是否等于节点数减1。任何一个检查不过，直接把该粒子的适应度值设为一个很大的数（比如1e8），这样粒子群会自然淘汰非法解，不需要复杂的修复算子。

4.3 看家算法：二进制粒子群优化

粒子群优化（PSO）是配电网重构里用得最广泛的算法之一，主要原因是它参数少、代码好写、收敛速度快。在IEEE33节点系统上，我用过纯PSO、遗传算法（GA）、PSO和GA混合算法，最后稳定采用二进制PSO，因为它对组合优化问题更自然。

核心参数设置为：

• 种群规模：40
• 最大迭代次数：80（根据收敛图看，通常25代左右就稳定了）
• 学习因子 c1 = c2 = 2.0
• 惯性权重w从0.9线性递减到0.4
• 粒子维度 = 支路数33，每个维度的位置用0或1表示，1代表支路接入，0代表支路断开

动态惯性权重的意义很直观：迭代前期需要大权重让粒子在全局搜索范围里广泛探索，避免过早聚集到局部最优；后期需要小权重让粒子精细收敛到最优解附近。固定权重的PSO在IEEE33节点上比较容易陷入局部最优，这是实际对比过的结论。

速度更新公式沿用标准PSO的形式，但位置更新时不能直接X = X + V，因为X是二进制量。标准做法是把速度映射成位取1的概率：

sigmoid(v) = 1 / (1 + exp(-v))

然后生成随机数r，如果r < sigmoid(v)，则该位取1，否则取0。需要注意速度的绝对值要限制在[-6, 6]以内，否则sigmoid会饱和，粒子很快失去多样性和探索能力。

4.4 为什么需要PSO和GA混合

纯PSO跑50次，大约有12次会收敛到140kW以上的局部最优解，而公认最优解在139.55kW附近。这个概率不算低，在写论文或做项目报告时不够稳。

我在PSO基础上加入了遗传算法里的变异操作：每次迭代随机选出少量粒子，对它们位置中随机一位做反转（0变1，1变0），这样能持续向种群注入随机性，降低早熟概率。改成GA-PSO混合后，同样参数下跑50次，陷入局部最优的次数降到了3次。

混合后的整体流程是：

1. 初始化种群，随机生成每个粒子的二进制位置和速度。
2. 对每个粒子做拓扑合法性检查，不合法的赋极大适应度值，合法的执行潮流计算，算出网损和电压偏移。
3. 更新个体历史最优pbest和全局最优gbest。
4. 按PSO公式更新速度和位置。
5. 按一定概率执行变异操作。
6. 执行拓扑合法性检查和潮流计算。
7. 判断是否满足最大迭代次数，不满足则回到第3步。

这套流程在33节点系统上跑一轮也就几十秒，调参效率很高。

5. 迭代图与电压幅值对比图的正确打开方式

5.1 迭代收敛曲线怎么读

迭代图的横轴是迭代次数，纵轴是适应度函数值（通常是网损值或带惩罚项的适应度值）。整张图能直观说明三件事：算法有没有收敛、收敛速度快不快、有没有陷入局部最优。

我跑出来比较典型的一条曲线是这样的：前5代左右适应度从170kW附近快速下降到145kW附近，第10到25代缓慢下降到139.8kW左右，25代以后曲线基本平直，变化幅度小于0.05kW。这说明算法在第25代左右已经完成了全局搜索，后续迭代只是在局部微调。

如果看到曲线到第60代还在明显下降，说明惯性权重衰减得太快，后期种群仍然有很强的搜索能力，这时候可以把w的初始值调低或者缩短迭代上限。反过来，如果曲线在第10代就完全平了并且最终值大于142kW，大概率是早熟收敛，需要增加变异概率或者增大种群规模。

5.2 重构前后各节点电压幅值对比

标题里强调的“各个节点在重构前的电压幅值及重构后”，是评估重构效果最重要的一张图。横轴画节点编号0到32，纵轴画电压幅值pu值，重构前一条曲线，重构后一条曲线，对比非常直观。

我在标准IEEE33节点算例上得到的一组代表性结果如下（不同开关组合会有小幅差异，但趋势一致）：

从这张表能读出几个关键信息：

• 重构后所有节点的电压幅值都有提升，没有出现某段电压反而恶化的情况，说明最优拓扑整体上改善了电压分布。
• 电压最低点从18节点（0.9131pu）提升到0.9386pu，这是整个系统最脆弱区域的改善幅度，也是重构最有说服力的证据。
• 节点1附近和19到22这几个离根节点很近的节点，重构前后变化很小，因为它们在拓扑上靠近电源，电压本来就高，重构对它们的影响自然有限。
• 网损从202.68kW降到约139.5kW，下降幅度约31%，这个数字和大量公开文献的结果一致，可以作为验证算法正确性的依据。

5.3 结果合理性判定清单

拿到结果后，我一般按这四步检查合理性：

1. 网损是否下降，是否接近文献公认的139.5kW附近。偏差超过5%就要回头查程序。
2. 重构后的开关组合中，打开的开关数量和位置是否合理。标准结论打开的通常是5个联络支路（如8-21、9-15、12-22、18-33、25-29），如果算法给出的开关组合完全不同，优先检查编码和解码是否一致。
3. 电压越限节点是否消除。重构前如果存在低于0.95pu的节点，重构后应该全部恢复到0.95pu以上。
4. 迭代曲线是否平稳。如果最终适应度波动剧烈，说明算法未完全收敛，需要增加迭代次数。

6. 程序实现中的高频故障与排查经验

6.1 前推回代法最常见的三个bug

第一个bug是节点遍历顺序写错。前推回代法要求严格按拓扑层次顺序遍历节点，如果代码直接按照输入序号遍历，遇到联络开关闭合的环网结构，计算结果就是错的。解决办法是每次拓扑变化后重新执行广度优先搜索，生成真正的遍历顺序，再做前推回代。

第二个bug是损耗重复计算。回代过程中如果同时处理上游和下游支路的功率之和，稍不注意就会把某条支路的损耗算两遍或者漏算。调试办法是每次迭代后打印所有支路损耗之和，和总网损做对比，不一致就去查单条支路的功率流向。

第三个bug是电压更新幅值和相角的处理。配电网前推回代法通常只计算电压幅值，不考虑相角，这在辐射状网络里够用，但一旦拓扑中出现环网（比如临时让联络开关闭合），只算幅值就不够了。做重构时如果允许中间态出现环网，建议直接用幅值-相角的复功率前推回代，或者干脆限制算法只接受辐射状解。

6.2 重构优化结果不可复现的原因排查

我遇到过一种情况：同一段代码跑两次，第一次输出最优网损139.55kW，第二次变成142.1kW。排查后发现是随机数种子没固定。PSO和GA都是随机算法，不固定随机种子的话结果自然每次都不同。

如果项目要求可以复现，就在代码开头固定随机数种子。不同的最优解之间差距很大时，说明算法搜索稳定性差，优先检查种群规模和迭代次数，而不是继续堆参数。

另一种常见情况是初始化种群时直接把所有开关状态随机化，导致大量粒子生成时就是非法拓扑，适应度全是极大值，种群无法有效进化。解决办法是在初始化时保留原始辐射状网络作为一部分个体，再用随机变异生成其余个体，这样初始种群质量高得多。

6.3 负荷预测模型评估的陷阱

评估负荷预测模型时也要避坑。很多人只报MAPE（平均绝对百分比误差），但MAPE对接近零的负荷值非常敏感，负荷低谷时段的一个小误差会被放大成很大的百分比。我通常同时报告RMSE和MAE，避免单指标掩盖问题。

还有一点：配电网的负荷预测训练集测试集划分不能完全随机打乱，因为负荷数据有强时间相关性，随机打乱会造成数据泄漏，使测试误差虚低。正确做法是按时间顺序划分，比如前80%数据作为训练集，后20%作为测试集。

7. 从IEEE33节点算例延伸到工程实际

IEEE33节点是一个很好的起步算例，但它和真实配电网之间还有很长的距离。真实网络可能包含几十上百条馈线、上千个节点，分布式电源类型更复杂，负荷曲线也更杂乱。我在跑完这个项目后，最大的体会是算例帮你验证了方法的正确性，但真正的问题都在数据里。

如果要往实际应用延伸，建议按这个顺序推进：

• 把负荷预测模型从“总负荷比例分摊”升级到“节点级独立预测”，重点节点甚至要给出门槛式预测区间。
• 重构优化从单时段静态重构升级为多时段动态重构，把开关动作次数、动作成本作为额外惩罚项考虑进去。
• 在优化目标中加入分布式电源出力调节变量，让重构和分布式电源调度一起做联合优化，这才是主动配电网最终的形态。
• 在结果展示中增加鲁棒性分析，比如预测误差变大时，当前重构方案的网损和电压恶化到什么程度，为调度人员提供决策留存。

实际项目里，重构方案并不是算出来直接下发给开关的，它更像是给调度员提供的一组辅助决策建议。所以不管是迭代图、电压对比图还是开关状态表，呈现结果的时候一定要带上下文，说清楚“这个方案是在什么负荷预测水平下得到的”。只有这样，这套技术才真正有落地的价值。

对我个人而言，跑通这个项目最大的收获是彻底理解了负荷预测和网络重构之间互相制约的关系。预测模型调得太好，重构效果提升并没有你以为的那么大；重构算法调得再快，预测输入垃圾，输出永远是垃圾。两者必须放在同一个框架里反复迭代校验，用迭代图和电压分布图做辅助诊断工具，才能真正把主动配电网的运行方式做“主动”起来。