一个配电网优化项目最常见的困惑点，就是解向量到底该怎么编码。拿“先33位、后33位”这种结构来说，第一眼看上去只是一个数组分段，但真正跑起遗传算法或粒子群时，你才会发现这段编码决定了整个算法能不能收敛、收敛出来的方案能不能落地。这篇文章就围绕“解向量前33位是DG位置，后33位是无功补偿容量”展开，把这种编码结构的来龙去脉、解码方式、潮流计算对接和调试踩坑全部拆开讲清楚，给正在做分布式电源选址定容、配电网无功优化或者刚接触智能算法联合优化的朋友一个可以直接抄的参考。

1. DG选址与无功补偿为何要绑在一条解向量里

1.1 两个决策变量在物理上就是耦合的

很多人第一次接触这个题目时会觉得奇怪：DG位置和无功补偿容量明明是两类东西，为什么要放进一个解向量？把位置部分单独算一遍、再把无功补偿单独算一遍，最后组合起来不行吗？

从数学上看，分步求解确实可行，但工程上会有问题。分布式电源接入位置不一样，系统里的有功潮流分布就完全不一样，而无功补偿需要跟着有功潮流走——无功补偿的本质是减少线路上的无功传输，DG位置一变，各节点的无功需求规律也会变。更关键的是，现在很多DG逆变器本身就具备发无功的能力，你把补偿容量定死了，再想让逆变器参与无功调节，自由度就没了。

也就是说，DG位置决定“有功从哪里进”，无功补偿容量决定“无功从哪里补”，这两者共同影响线路上的功率分布，而功率分布又决定了网损和电压质量。把它们放在一条解向量里联合寻优，算法才能同时找到“装哪里”和“补多少”的最佳组合。

1.2 33这个维度不是随便定的

标题里出现的“33位”，对应的是电力系统里最经典的IEEE 33节点配电网算例。这个系统包含1个根节点（编号0）和32个负荷节点，总共33个节点、32条支路、5条联络开关支路，是国内外做配电网重构、DG选址、无功优化时最常见的测试系统。

前33位对应DG位置，其实就是给每个节点留了一个“决策入口”。后33位对应无功补偿容量，则是给每一个节点都预留了补偿配置的可能性。当然实际运行中不会每个节点都装补偿，但编码时先全部列出来，由优化算法自己去选择哪些位点上的值有效、哪些近似于零，这样就不需要人为预设候选节点集合，减少了主观干预。

如果你用的是其他节点系统，比如IEEE 69节点、PG&E 69节点，这种“N位位置 + N位容量”的结构完全可以扩展成“69+69”。所以33只是当前算例下的具体值，解码思路是通用的。

1.3 联合编码的另一个好处：一套搜索空间，一个适应度函数

把两类决策变量合并进同一个解向量之后，整个优化问题就变成了一个标准的单目标或多目标寻优问题。优化算法的操作对象是一个长度为66的一维数组，种群中的每个个体都是一套“DG选址 + 无功补偿”的完整方案。每次迭代更新的是整体，而不是分阶段更新，这样算法可以用一个统一的适应度函数来评价方案好坏。

比如适应度函数如果定义为总网损最小，那算法会同时调整位置和容量来降低网损，而不是先固定位置优化容量、再反过来固定容量优化位置，避免了“分步最优叠加不等于全局最优”的陷阱。

这种做法在实际工程中还有一个直接收益：当网络规模变大、决策变量增多时，遗传算法、粒子群、灰狼优化这类启发式算法的寻优能力能充分发挥。耦合变量放在一起，种群多样性更好维持，避免陷入局部最优的概率也会下降。当然这不是绝对的，但至少从我的项目经验看，联合编码的收敛效果和方案合理性通常优于分开优化。

2. 解向量的“33+33”结构到底在表达什么

2.1 二维结构拆开看：位置段与容量段

解向量的物理意义可以用下面这个表格来总结，方便你在写代码时对照：

这里有一个容易混淆的点：前33位虽然叫“DG位置”，但具体编码方式在不同项目里差别很大。有的是二进制0/1，表示该节点装或不装；有的是实数向量，表示对应节点的DG安装容量；还有的是概率值，通过阈值映射得到位置。标题里明确说是“位置”，那就意味着这一段的解码结果应该是一个节点编号或者一组节点编号。

我见过一种常见做法：前33位的每一位分别对应节点0到节点32，值大于0.5表示该节点被选中安装DG，小于等于0.5表示不安装。这种方式解码最简单，但缺点是很容易出现大量节点被选中，比如33位里有20位都超过0.5，导致分布式电源数量过多，超出实际可接入量。所以后来很多代码会把“总计安装K台DG”作为约束条件，解码时只保留值最大的K个位置。

2.2 位置段解码：从连续值到离散节点编号

如果前33位是连续值，解码时一般有两种映射方式：

方式一是阈值法：设定阈值T（通常取0.5），每一位不小于T的节点进入候选集。这种方式适合不限制DG安装台数的场景。缺点很明显：阈值附近的值非常敏感，0.49和0.51只差0.02，一个节点就落选了，容易让算法在后期出现轻微扰动导致方案跳变，迭代曲线震荡。

方式二是排序法：设定最多安装K台，将33个位置值从大到小排序，取前K个作为DG安装节点。这种方式在多目标优化里用得比较多，因为它天然限制了DG数量，不会出现“满节点装DG”的离谱方案。代码实现也不复杂：

python复制import numpy as np

# 假设解向量前33位是位置段
position_part = x[0:33]
K = 3  # 最多装3台DG
selected_indices = np.argsort(position_part)[-K:][::-1]  # 取值最大的K个节点索引
selected_nodes = selected_indices.tolist()  # 这就是DG安装节点编号列表
print("DG installation nodes:", selected_nodes)

很多新手在这步容易犯一个错误：直接对33位取整，认为值是1就是安装、0就是不安装。这在二进制编码下没问题，但在连续编码下会丢失大量中间信息。因为算法在搜索过程中生成的绝大多数个体的位置段并不是严格的0或1，而是0.3、0.7、0.82这种小数。排序法恰好利用这些小数大小关系来表达“偏好程度”，把中间值变成排序依据而不是安装状态，信息利用率更高。

2.3 容量段解码：连续值映射到实际无功补偿值

后33位是“无功补偿容量”。这部分解码比较直接：如果算法内部用的是[0,1]区间，那就需要映射到实际容量范围。假设单节点最大补偿容量为Qmax，那么：

Q_i = x[33+i] * Qmax

其中x[33+i]是解向量第34到66位中的第i个值，Q_i是该节点实际需要投入的无功补偿容量。

这里要特别注意一个问题：无功补偿装置在实际工程中往往是离散整定的，比如电容器组按固定容量分组投切，10 kVar一个档位。如果把解码出的容量值直接当成连续值放进潮流计算，算出的理论最优方案在现场根本没法执行。因此解码之后通常还需要做离散化处理，把容量归整到最近的档位：

python复制Q_step = 10  # 单档位容量，单位kVar
Q_discrete = np.round(Q_i / Q_step) * Q_step

至于Qmax怎么定，一般参考配电网无功配置导则，按主变容量的15%~30%来估算；在33节点系统里，常见做法是单节点不超过300~500 kVar。如果项目里没有明确要求，可以先用300 kVar左右做初算，跑通后再根据结果微调。

3. 从解向量到潮流计算：一条完整的执行链路

3.1 解码、赋值、调用潮流，顺序不能乱

优化算法产生一个解向量之后，接下来的处理流程几乎都是固定的：先解码出DG安装节点和补偿容量，然后把DG等效成PQ节点或PV节点注入功率，把无功补偿等效成节点并联阻抗或容性无功注入，再调用潮流程序。

3.1 解码与赋值

这一步的关键在于“DG位置”和“补偿容量”处理要保持同步。也就是说，前33位对应哪个节点，后33位必须对应同一个节点。很多项目里会看到这样的bug：前33位选了节点5装DG，后33位的第5个值却被用来给节点12做补偿，因为代码里两个数组下标没有对齐。

python复制# 完整解向量处理示例
# x: 长度为66的解向量
# bus_data: 33节点系统的基础数据，每行记录一个节点的编号、负荷、无功需求等

for i in range(33):
    # 前33位判断是否安装DG
    if position_part[i] > 0.5:
        node = i
        # 把DG等效为负的有功负荷注入，如果DG具有无功能力，也同时注入无功
        bus_data[node].PD -= DG_P_output
        bus_data[node].QD -= DG_Q_output
    
    # 后33位提取无功补偿容量
    Qc = capacity_part[i] * Qmax
    if Qc > tolerance:
        bus_data[i].QD -= Qc  # 补偿容量作为容性无功注入

在仿真层面，DG的接入位置通常是把该节点的有功负荷直接扣减掉DG的出力。这种等效方式在稳态潮流计算中被普遍接受，因为DG出力本质上就是向该节点注入有功功率，效果等同于减小了该节点的有功需求。但要注意，如果DG接入后节点电压超出允许范围，单纯扣减负荷的模型就无法体现逆变器调压能力，此时需要把该节点转换成PV节点或设置无功出力上下限。

3.2 潮流计算时DG节点的处理细节

用Matpower或者自编的前推回代程序时，DG节点的模型选择直接影响结果。常用的处理方式有两种：

方式一：PQ节点等效。把DG当作给定时有功和无功出力的负负荷，直接修改节点的PD和QD。这种方式最简单，适用于定出力、不参与调压的DG模型。

方式二：PV节点等效。把DG接入节点设为PV节点，给定有功出力P和电压幅值V，无功出力由潮流自动调整。这种方式适合模拟有调压功能的逆变式DG，但要注意PV节点无功出力一旦越限，需要自动转换为PQ节点重新计算，否则容易不收敛。

在33节点系统里，第一种PQ等效用得最多，因为前推回代法对PQ节点处理最稳定，实现也很直接。如果要做更精细的DG调压策略，再考虑PV节点，但需要额外处理无功越限逻辑。

无改补偿容量部分则简单得多，在对应节点的QD里减去Qc即可。这个“减去”很容易被理解反：无功补偿设备发出容性无功，在潮流计算中表示成负荷无功为负值，所以是QD = QD - Qc，不是加。

3.2 适应度函数怎么设计

适应度是优化算法评价解好坏的唯一标准。在DG选址与无功补偿联合优化中，最常见的适应度函数是网损最小化：

min F = P_loss_total

也就是把潮流计算得出的总网损作为个体适应度。若有节点电压越限，通常加一个罚函数：

F_total = P_loss_total + lambda * sum(V_i - V_limit)^2

这里lambda是罚系数，V_i是节点电压。惩罚项的目的是让算法淘汰那些虽然网损很小但电压越限的个体。如果不加这个惩罚，算法很容易因为追求网损最低而把DG和补偿容量推到极端，导致电压严重超限但适应度反而好，最终得到一个物理上不可能执行的结果。

实际项目中，适应度函数可能还要叠加DG投资成本、运行维护成本、补偿设备成本等多目标。这时通常采用权重系数法将多目标转成单目标，或者使用NSGA-II等多目标优化算法直接输出Pareto前沿。但无论怎么扩展，惩罚项的加入始终是一个重要环节。

罚函数系数怎么选

罚系数lambda的选取直接影响收敛结果。太小，越限个体得不到有效淘汰；太大，算法会过度保守，网损几乎不减。我的经验是先用一个较小的lambda（比如10或100）跑50代看趋势，如果越限个体频繁出现且适应度值仍然很低，就逐步增大lambda。这个方法比一次性给一个经验值更稳，因为不同节点系统的电压越限尺度不同。

4. 初始化与迭代中的控制细节

4.1 种群初始化时别踩上下界不清的坑

解向量的每一维都要设置上下界。位置部分如果是连续值，通常设[0,1]；容量部分则根据实际容量范围归一化到[0,1]。上下界不统一会导致算法搜索空间畸变。比如位置段是[0,1]，容量段却用0到300的原始值，粒子群的速度更新和遗传算法的交叉变异都会因为量纲不同而出现偏向性，最终要么容量部分迟迟不收敛，要么位置部分过早陷入局部最优。

可以用下面这段代码做统一的初始化：

python复制dim = 66
pop_size = 50
x_min = 0.0
x_max = 1.0
population = np.random.uniform(x_min, x_max, (pop_size, dim))

这里维度既包含位置段也包含容量段，全部在[0,1]内。解码时再分别映射到实际物理量。这种做法的好处是：算法内部只需处理统一区间，不需要为不同维度单独设置速度或变异范围，简化了实现。

4.2 前33位和后33位的变异概率是否需要分开

有些人在遗传算法里会对位置段和容量段分别设置变异概率，理由是位置段是离散决策，应该用更高的变异率来探索；容量段是连续决策，变异率低一些更利于精细搜索。这个思路有一定道理。

我自己的经验是：分离变异率在前期能带来更快的探索速度，但在后期反而会导致位置段频繁跳变，种群不稳定。更好的做法是统一变异率，但在解码时对位置段做“偏好排序”来维持稳定性。也就是即使个体变异导致位置段数值发生小幅变化，最终选中的DG安装节点可能保持不变，方案稳定性更好。

如果你确实想分开设置，比较合理的组合是位置段变异率0.15，容量段变异率0.05。但这个数值不是绝对的，最好根据你的算例规模做扫描测试。33节点系统较小，可以先用0.1统一变异率跑一遍，看收敛曲线再调整。

4.3 迭代中“死个体”与“重复个体”的处理

启发式算法在迭代若干代后经常出现整个种群大量重复的情况。这在解向量编码下尤其明显：因为66维解空间相对大，但某些局部区域适应度极高，算法会快速收敛到该区域，导致种群多样性下降。

处理方法是每隔一定代数重新随机初始化部分个体，或者引入变异强度自适应机制。以遗传算法为例，当种群中相同个体占比超过30%时，可以把其中一半个体重新初始化，并适当提高变异率，让算法跳出局部最优。

python复制# 检测种群中重复个体比例的简单实现
def duplicate_ratio(population):
    _, counts = np.unique(population, axis=0, return_counts=True)
    dup_num = np.sum(counts[counts > 1] - 1)
    return dup_num / len(population)

这个比例超过0.3时，保守的做法是把种群中最差的一半个体重新随机初始化。这样做在33节点系统中效果明显，迭代曲线会重新出现下降趋势。

5. 实际调试中踩过的高频坑

5.1 前33位解出的节点编号始终带着浮点误差

很多人在解码时直接把位置段的浮点数当成节点编号。比如第3位的值是0.73，就认为装在第0.73个节点，这是不对的。位置段的值往往表示“该节点被选中的倾向程度”，而不是节点坐标。正确做法是：先决定用阈值法还是排序法，再将浮点值映射到离散节点编号，最后用生成的整数索引去改潮流数据。

如果真到了“把某个浮点值直接当节点编号”的地步，说明你的编码方案就不是“位置”，而是“容量”了。这在代码中很难自动纠错，只能从设计上避免。

5.2 无功补偿容量导致PQ分解或潮流不收敛

在33节点系统中，如果某个节点的无功补偿容量设置过大，会导致该节点无功负荷变为很大的负值，相当于该节点变成纯无功电源，这会改变局部的电压分布，严重时会造成潮流迭代发散。

具体表现为：前推回代法在迭代几千次后仍无法收敛，或者电压幅值出现荒谬的数值（比如节点电压达到1.5 p.u.）。出现这种问题时，首先要检查容量段解码后的Qc是否超过了节点原本的无功负荷。如果配电网本身无功需求不大，却补偿了500 kVar，这就是典型的过补偿。

解决思路有两个：一是在解码时给Qc设置上限，比如不超过该节点原始无功负荷的80%；二是在潮流不收敛时给该个体设置一个很大的适应度罚值，让算法自动淘汰这类个体。第一个方法更稳，因为它从源头保证了方案的物理可行性。第二个方法实现简单，但会让大量个体被淘汰，种群多样性下降。

5.3 索引对齐bug：前33位和后33位的节点对应关系

前面提过一次，这里专门展开，因为这个错误非常隐蔽。

假设前33位选了节点7、12、28作为DG位置，后33位解码出三个容量值，你在赋值时很自然地把它们放到节点7、12、28上。问题在于，有时候后33位的第1个位置对应的容量并不是节点1的补偿值，而是“第一个被选中DG节点”的补偿值。这两种解释在代码中的下标处理完全不同。

如果你想把后33位固定为“按节点编号对齐每个节点的补偿容量”，那么第i个容量值始终对应节点i。无论该节点是否被选中为DG位置，容量值都可能有效。反之，如果你想让容量段只作用于DG接入节点，那么后33位就应该按“节点筛选后的顺序”来赋值，而不是简单的一一对应。

这两种设计都能工作，但必须统一。我建议默认采用前者：后33位每一位固定对应一个节点的补偿容量，代码结构更清晰，也不容易因为节点筛选顺序变化而产生赋值错乱。

5.4 初始解向量全是0.5导致解码结果不确定

如果你设置种群初始化时所有维度都为0.5，那么位置段用阈值0.5判断时会处在临界状态，无数值误差时可能全部入选，有微小扰动时可能全部落选，结果极不稳定。这种问题在代码调试阶段经常出现，因为很多人习惯用一个固定值初始化来复现结果。

解决方法是初始化时加上少量随机扰动，并且阈值不要正好落在初始值的临界点上。推荐初始化用均匀分布随机数，而不是固定值。如果确实需要固定初始值做对照实验，可以设为0.4或0.6，避开0.5这个敏感点。

6. 沿这个思路还能扩展出哪些玩法

6.1 把DG容量也加入解向量

当前结构前33位只负责位置，后33位只负责无功补偿容量。如果你想同时优化DG的安装容量，可以把解向量扩展成三段：位置段（33位）、DG容量段（33位）、无功补偿段（33位），总维度达到99。此时的解码顺序是：先用位置段选出节点，再查容量段得到该节点DG出力，最后查补偿段得到无功补偿量。

扩展后的解向量维度更高，搜索空间大幅增大，算法收敛速度会明显下降。应对措施通常是减少二进制位置编码，改为“位置—容量”紧凑编码：每个节点用两位表示，一位是安装标志，一位是容量比例。这样虽然编码长度一样，但信息密度更高。不过具体怎么选，还是要看问题规模，33节点系统直接上99维也不是不能跑，只是需要适当增加种群规模。

6.2 从单目标到多目标：网损、电压偏差、成本一起优化

单目标网损最小并不是配电网规划的唯一目标。实际项目里还要考虑电压质量、DG投资成本、无功补偿设备成本等。多目标处理时，解向量本身不需要变，变的只是适应度函数的结构。你可以用权重系数法，也可以直接用Pareto排序。

如果采用Pareto方法，每个个体不再有单一适应度值，而是被比较支配关系。前端个体组成的Pareto前沿可以给决策者提供多个可选方案：网损最低方案、成本最低方案、电压质量最优方案。解向量前33位和后33位的解码逻辑完全不受影响，只是评价部分发生变化。

6.3 时序场景下解向量如何扩展

配电网的DG出力具有明显的时序随机性，光伏在午间出力高峰，风电在夜间可能出力较大。如果只按单一运行方式做优化，得到的DG位置和补偿容量可能在其他时段严重不匹配。更严谨的做法是考虑典型日24小时的时序潮流。

这时解向量的长度会急剧增加。一种做法是“位置段保持不变，容量段按时段展开”：比如解向量变为33位位置 + 33位容量×24个时段，总共825维，已经是大规模优化解向量了。更实际的方式是做场景聚类，把24小时聚成三个典型时段（峰、平、谷），此时容量段变成33×3=99位，加上位置段33位，总长度132位，在可接受范围内。

这个扩展方向很常见，但很多人一上来就做24时段联合优化，导致维度爆炸、算法不收敛。先做场景削减是更理性的路径。

写在最后的调试体会

最近接手这个“前33+后33”结构时，我差点在解码环节翻车。花了一个下午排查，最后发现问题竟然出在索引对齐上——位置段第5位表示节点5，而容量段第5位却被代码误写成节点4的补偿值。像这种数组下标的错位，靠眼睛看真的很难发现，最有效的排查办法是在解码后输出一个“节点编号—DG状态—补偿容量”的对照表，肉眼核查一遍再送进潮流计算。

如果你也在做类似的项目，建议先把不含DG和补偿的基础33节点潮流跑通，确认潮流程序本身无误，再把解向量解码逻辑加上去。每一步都分开验证，能省掉大量联调排错时间。这套“位置段+容量段”的编码方式在学术论文里看起来简单，真正落地时，坑都在那些没人写的细节里。希望这篇文章能帮你少走一点弯路。