开题先说一句实在话：做分布式能源（DG）选址定容这个方向，网上的资料从硕士论文到培训班PPT，一抓一大把，但大多数代码拿到手根本跑不通，或者只给个PSO主循环，潮流计算那一层黑箱到底怎么做、IEEE 30节点数据从哪来、结果怎么分析才算合理，全都不讲。今天我就把整个流程从建模到MATLAB实现、从数据准备到结果分析，一次性拆开讲透。内容围绕IEEE 30节点系统上的分布式电源选址与定容展开，适合电力系统专业的研究生、做配电网规划的工程师，以及刚接触智能优化算法与潮流计算结合的新手参考。你不需要有很深的优化算法基础，但最好对MATLAB基本语法和电力系统潮流概念有个大概印象。

1. 选址定容的问题本质：先理解你在优化什么

1.1 为什么选址和定容必须同时做

分布式能源的规划，核心就两个决策：装在哪里、装多大。听起来简单，但从数学上看是个典型的混合整数非线性优化问题。位置变量是离散的（IEEE 30节点系统一共30个节点，可以选接入点，也可以选一部分待选节点），容量变量是连续的（或者按离散档位选择），而目标函数涉及潮流计算，电压、网损和功率平衡都是非线性的，所以整个问题既包含组合爆炸的选址维度，又包含连续搜索的定容维度。

很多人习惯把问题拆成两步：先固定几个候选位置，再用优化算法算容量。这个做法在工程上有一定操作性，但在学术上容易漏掉最优解。原因很简单——某个节点在某一容量下可能网损很高，但换一个容量后它可能就是最佳接入点。位置和容量之间存在强耦合，分开优化实际上是人为割裂了可行域的结构。所以正规的选址定容问题，决策变量是位置和容量联合编码的，一次搜索同时更新两者。

还有一点需要提前说清楚：分布式能源在IEEE 30节点这种输电网测试系统上接入，考虑的主要是稳态潮流影响，包括节点电压撑高或压低、支路潮流越限、系统网损变化。至于暂态稳定性、继电保护配合等动态问题，选址定容规划阶段一般简化处理。这就决定了你搭建仿真模型时，用牛顿-拉夫逊法算潮流就够了，不需要上电磁暂态仿真。

1.2 IEEE 30节点系统：为什么选它做测试床

IEEE 30节点系统是电力系统经典测试系统之一，1961年由华盛顿大学提出，后来在无数论文里被用作标准算例。它比IEEE 14节点稍微复杂一点，又不像IEEE 118节点那样数据量大、调试困难，非常适合作为算法验证的基准平台。

它包含6台发电机（节点1、2、5、8、11、13）、4台有载调压变压器（支路6-9、6-10、4-12、28-27）、总负荷大约189.2 MW（不同版本略有差异），基准电压分别为135 kV和33 kV两个电压等级。注意，标准版本中节点电压基准值和负荷大小在不同来源的数据包里可能不完全一致，这会影响潮流结果，后面我会单独讲这个问题。

选择IEEE 30节点作为选址定容对象还有一个重要原因：结果可比性强。几乎所有做配电网或输电网DG规划的文章都爱用它做算例，你优化出来的网损值、电压改善幅度，可以直接跟文献结果对比，判断自己的算法和模型是否合理。如果换成自己搭建的随机电网数据，优化结果再好看，别人也没法验证你做得对不对。

2. 数学模型搭建：目标函数与约束条件逐项拆解

2.1 目标函数：按你的规划目标确定优化方向

选址定容优化的目标函数，需要根据具体研究场景确定。最常见的几种设定如下，你可以根据自己的需求选用或组合：

以系统网损最小为目标

这是最经典的目标函数。分布式电源接入后会改变系统功率分布，合理接入可以减少输电线路上的功率流动，从而降低网损。目标函数可以写成：

min f = Σ(i,j∈Nl) Gij(Vi² + Vj² - 2ViVjcosθij)

其中Gij是支路电导，Vi和Vj是节点电压幅值，θij是节点间的相角差，Nl是支路集合。潮流算完后，这条公式可以直接从雅可比矩阵的中间结果里提取，也可以重新用支路潮流函数计算。

以电压偏差最小为目标

分布式电源接入会导致节点电压升高，如果接入位置或容量不当，可能造成电压越上限。这个目标函数的意义在于让系统各节点电压尽可能接近额定值：

min f = Σ(i=1 to N) |Vi - Vref|

其中Vref通常取1.0 p.u.。有时候也用电压偏差的平方和，让优化器更偏向消除显著的电压越限点。

多目标加权或帕累托优化

实际工程中很少只追求单一目标。你可以把网损、电压偏差、DG投资成本放在同一个加权目标里：

min f = w1 × Ploss/Pbase + w2 × ΔV/Vbase + w3 × Cdg/Cbase

其中Pbase、Vbase、Cbase是归一化基准，w1、w2、w3是权重系数。权重怎么定，取决于你更关注经济性还是电能质量。如果做多目标优化（比如用NSGA-II），则可以不加权重，直接输出帕累托前沿。需要提醒的是，加权法简单直观，但权重的选择对结果影响很大，论文里如果要论证稳健性，最好做几组权重灵敏度分析。

2.2 约束条件：不要只堆公式，要弄懂每个约束在每轮迭代怎么起作用

功率平衡约束

这是潮流计算本身的约束方程：每个节点的注入功率必须等于负荷功率加上流出功率。在MATLAB实现中，这一约束由牛顿-拉夫逊法迭代自动满足，不需要你显式写进优化算法。但要注意，DG接入后节点注入功率会改变，你需要把DG的出力加到对应节点的有功和无功注入上再去迭代，而不是在潮流计算完成后去修正功率。

节点电压约束

V_min ≤ V_i ≤ V_max

通常取0.95 p.u.到1.05 p.u.。这个约束的处理方式有三类：直接把越限节点的电压偏差作为惩罚项加进目标函数；在适应度函数里返回一个较大的惩罚值，淘汰该个体；在算法内部做可行性修复，将越限值拉回边界内。三种方式中，惩罚函数法最常写，也最容易上手，但罚因子太大容易导致算法早熟，太小则约束可能形同虚设。我自己习惯把罚因子设置成目标函数量级的1到5倍，然后做一次灵敏度测试。

支路潮流约束

|S_ij| ≤ S_ij_max

这个约束在IEEE 30节点算例里一般不容易越限，因为标准系统本身的设计裕度较大。但在接入大容量DG后，某些重载支路可能会反向潮流或潮流增大，所以还是得引入。MATLAB的潮流结果中会输出各支路首末端潮流，你只需要比较最大值即可。为了避免非线性约束过多导致适应度函数计算太慢，我通常只对潮流越限最严重的支路做惩罚，而不是对每条支路都单独乘惩罚因子。

DG渗透率约束

Σ P_DG ≤ α × Σ P_load

渗透率是规划中常加的约束，表示所有DG总出力不应超过系统总负荷的一定比例，比如20%、30%。这个约束是为了防止DG容量过大，导致逆潮流和保护配合出问题。实现时很简单，只需在适应度函数里加一行判断，若总容量超限则返回一个很大的惩罚值。

2.3 决策变量编码：整数位置和连续容量的组合怎么写

选址定容问题的决策变量编码方式，直接影响算法效率和收敛性。最直接的方式是：如果待选节点编号是整数集合N_cand，每个个体可以表示为一个维度是2×K的向量，其中K是允许接入的DG数量。前K个值是节点编号（取整），后K个值是对应的DG容量（连续值）。

实际操作中有几个坑需要避开：

第一，节点编号必须去重。如果粒子更新后两个维度的节点编号相同，就意味着两台DG接到了同一节点，这在物理上是允许的（相当于该节点装机总容量为两个容量之和），但会浪费一个位置维度。很多代码不处理这个问题，导致最优解里出现DG节点重复，审稿人挑毛病时很难解释。我的做法是：计算完适应度后，把重复位置的容量叠加，并重新归一化。

第二，连续容量越界处理。粒子群和遗传算法在迭代过程中很容易让容量值落到负值或超过上限。常见处理方式是边界吸收（直接置为上/下界），或者重新在边界内随机初始化。工程上边界吸收更快更稳，推荐使用。

第三，位置和容量维度的量纲差异。节点编号是整数1到30，容量是连续值，两者在粒子速度更新时如果使用相同的速度范围，会出现编号维度跳跃过大或容量维度更新过慢的问题。我习惯把节点编号归一化到[0,1]区间后再参与粒子更新，最后映射回整数节点号。这样两个维度的速度尺度一致，收敛效果明显更好。

3. 求解算法选型：粒子群为主，改进策略为辅

3.1 为什么不用传统数学优化方法

选址定容问题的整数变量和非线性潮流约束让传统梯度类方法很难直接处理。内点法理论上可以通过混合整数非线性规划求解器（如DICOPT、SCIP）求解，但需要商业软件，而且在DG数量较多、待选节点规模较大的情况下，求解时间会显著增加。相比之下，元启发式算法虽然不能保证全局最优，但在合理时间内可以找到工程可接受的次优解，而且实现代码自由灵活，因此成为该方向的主流方法。

常用的算法有：遗传算法（GA）、粒子群算法（PSO）、灰狼优化（GWO）、鲸鱼算法（WOA）、麻雀搜索算法（SSA）、差分进化（DE）等。我个人最常用的是粒子群算法，因为参数少、收敛快、代码容易扩展。配上惯性权重线性递减和速度约束后，求解IEEE 30节点选址定容问题非常稳定。

3.2 PSO核心流程与选址定容的对应关系

粒子群算法的核心逻辑是每个粒子在搜索空间飞行，方向受个体历史最优（pbest）和群体历史最优（gbest）引导。放到选址定容问题里，一个粒子的位置就是一组DG选址和定容的方案。

标准PSO的迭代公式：

v_id(t+1) = w × v_id(t) + c1 × r1 × (pbest_id - x_id(t)) + c2 × r2 × (gbest_d - x_id(t))

x_id(t+1) = x_id(t) + v_id(t+1)

其中w是惯性权重，c1和c2是学习因子，r1和r2是[0,1]均匀随机数。

对于选址定容问题，我建议如下参数配置：

3.3 改进策略：哪些真正有用，哪些只是花架子

很多论文喜欢在PSO里加混沌初始化、自适应变异、模拟退火等改进。我的态度是：先跑通标准PSO，再根据结果决定要不要改。对于IEEE 30节点这个规模，标准PSO已经能收敛到不错的结果。

如果确实想改进，两个策略是我实测过有效果的：

惯性权重非线性递减。标准的线性递减从0.9到0.4，收敛速度快但容易陷入局部最优。可以把递减公式改成指数式或余弦式：w = w_min + (w_max - w_min) × exp(-k × (t/T))，或者用余弦递减。实测下来，对于网损最小化的选址定容问题，指数递减在后期搜索精度上略好，但整体收益不大，如果你不是专门研究算法的，没有必要为了好看来加这么多东西。

速度变异重启。当全局最优在连续5到10次迭代中没有改善时，随机选择一部分粒子的位置重新初始化，可以避免粒子群聚集在局部最优附近“死转”。这个策略代码量极少，但对含整数变量的选址问题很有效。

4. MATLAB实现：从零搭建一套可复现的选址定容仿真框架

4.1 数据准备：IEEE 30节点数据从哪来、怎么处理

这一步是整个实现里最容易卡住新手的地方。IEEE 30节点数据不是MATLAB自带的，需要自己准备。常见来源有三个：

第一，MATPOWER工具箱自带case30.m，这是一个结构体数组，包含了bus、branch、gen等字段，数据规范、最省事。如果你装了MATPOWER，直接调用mpc = loadcase('case30');就能拿到数据。

第二，电力系统分析教材附录中的IEEE 30节点数据表，需要手动整理成MATLAB矩阵。这种方法容易出错，不推荐，除非你想顺便练手。

第三，从IEEE PES测试系统官方网站下载标准数据文件，格式通常是MATPOWER兼容格式。下载后可以直接用。

我强烈建议直接装MATPOWER，原因有三个：数据格式整洁；自带的runpf函数可以快速核对潮流基准结果；后续做最优潮流扩展也方便。你不需要用到MATPOWER的求解器功能，只要它的数据格式即可，因为我的代码是自己写牛顿-拉夫逊潮流，这样你可以完整看到潮流计算的过程，做算法改进和扩展也更灵活。

拿到数据后需要做的事：

matlab复制mpc = loadcase('case30');
bus = mpc.bus;
branch = mpc.branch;
gen = mpc.gen;
baseMVA = mpc.baseMVA;

% 提取关键参数
bus_num = size(bus, 1);         % 节点数，应为30
branch_num = size(branch, 1);   % 支路数，应为41
load_p = bus(:, 3);             % 有功负荷
load_q = bus(:, 4);             % 无功负荷

注意：MPC格式中的bus矩阵每一列的含义需要对照MATPOWER文档确认，不同版本的MATPOWER列定义完全一致但编号方式可能不同，比如节点类型代码（PQ节点为1，PV节点为2，平衡节点为3）、电压幅值初值、电压相角初值等。建议读过一遍说明书再写代码，不要凭记忆直接索引，否则数据错位会导致潮流不收敛。

4.2 牛顿-拉夫逊潮流计算：写一个自己的版本

很多教程直接调用MATPOWER的runpf，这对于规划计算确实省事，但如果你的目标是深入学习选址定容，我建议至少在前期自己写一遍潮流代码。原因很简单：你要在适应度函数里频繁修改注入功率，而MATPOWER的runpf在每次调用时都要解析mpc结构体，速度较慢，而且调试报错信息不直观。自己写的牛顿-拉夫逊函数，改注入功率只需修改一个向量，速度快几倍。

一个基础的极坐标牛顿-拉夫逊潮流主函数如下：

matlab复制function [V, theta, iter, success] = nrlpf(Ybus, Sbus, V0, bus_type, tol, max_iter)
% 极坐标牛顿-拉夫逊潮流求解
% Ybus: 节点导纳矩阵（复数）
% Sbus: 节点注入复功率（含DG出力后的净注入）
% V0: 初始电压幅值向量
% bus_type: 节点类型（1 PQ, 2 PV, 3 slack）
% tol: 收敛精度
% max_iter: 最大迭代次数

V = V0;
theta = zeros(length(V0), 1);
iter = 0;
success = 0;

while iter < max_iter
    Vc = V .* exp(1j * theta);
    Icalc = Ybus * Vc;               % 计算注入电流
    S_calc = Vc .* conj(Icalc);      % 计算复功率
    mismatch_P = real(Sbus) - real(S_calc);
    mismatch_Q = imag(Sbus) - imag(S_calc);
    
    % 只保留PQ和PV节点的有功、PQ节点的无功失配
    % 构建雅可比矩阵（略，这是核心部分）
    % 解修正方程
    % 更新V和theta
    
    if max(abs([mismatch_P(bus_type~=3); mismatch_Q(bus_type==1)])) < tol
        success = 1;
        break;
    end
    iter = iter + 1;
end
end

代码里雅可比矩阵的构建比较长，我就不完全贴出来了。如果你不想从零写，也可以参考Matpower里makeYbus和runpf的源码逻辑，或者直接找我常用的极坐标牛顿-拉夫逊模板。但不管怎么实现，务必记住：在每轮适应度计算中，需要把DG注入功率加到对应节点上，方式如下：

matlab复制Sbus = zeros(bus_num, 1);
Sbus = - (load_p + 1j * load_q) / baseMVA;  % 负荷为负注入
Sbus(dg_nodes) = Sbus(dg_nodes) + (dg_p + 1j * dg_q) / baseMVA;
% 注意PV节点的无功需要满足上限，否则要转为PQ节点处理

这里有个细节：DG如果是逆变器接口，通常设置为恒功率因数控制，即P给定，Q=P×tan(acos(pf))。如果DG接入点是PV节点，需要检查无功是否越限，越限后要转为PQ节点重新迭代。但IEEE 30节点的发电机节点是给定的，DG接入一般选负荷节点（PQ节点），这样处理起来更简单，也符合分布式电源实际接入场景。

4.3 适应度函数：选址定容优化和潮流计算的接口

适应度函数是整个优化过程的核心接口。它接收一个粒子的位置向量（即DG选址定容方案），返回该方案的网损或综合目标函数值，以及对约束违反的惩罚。一个典型的适应度函数结构如下：

matlab复制function fit = fitness_func(x, data)
% x: 决策变量向量
% 前K个元素(归一化) -> 节点编号
% 后K个元素 -> DG容量(p.u.)
% data: 包含系统参数的结构体

K = data.K;
nodes_norm = x(1:K);
cap_pu = x(K+1:2*K);

% 归一化节点编号映射为实际节点号
nodes = round(nodes_norm * (data.bus_num - 1)) + 1;
% 但需要排除发电机节点和平衡节点作为DG接入点
% 所以实际映射还要加一步候选节点表查询

% 处理重复节点
[unique_nodes, ~, ic] = unique(nodes);
cap_sum = zeros(length(unique_nodes), 1);
for i = 1:length(unique_nodes)
    cap_sum(i) = sum(cap_pu(ic == i));
end

% 更新注入功率
Sbus = data.Sbus0;
Sbus(unique_nodes) = Sbus(unique_nodes) + cap_sum .* (cos(data.pf_ang) + 1j * sin(data.pf_ang));

% 潮流计算
[V, theta, iter, success] = nrlpf(data.Ybus, Sbus, data.V0, data.bus_type, 1e-8, 20);

if ~success
    fit = data.penalty_big; % 潮流不收敛，给予大惩罚
    return;
end

% 电压约束检查
vmin = 0.95; vmax = 1.05;
v_over = sum(abs(V) < vmin) + sum(abs(V) > vmax);
if v_over > 0
    fit = data.ploss_base + v_over * data.penalty_volt;
    return;
end

% 目标：网损
ploss = real(sum(Sbus .* conj(Vc))) - real(sum(conj(Sbus) .* Vc)); % 或直接用支路公式计算
fit = ploss * data.baseMVA;  % 转换回有名值(MW)
end

需要提醒的是，惩罚函数的设计要保证量级合理。如果网损优化结果大约是几MW，电压越限惩罚应该设在10~50这个量级，这样既能让算法优先淘汰越限解，又不会因为惩罚量级比目标函数大太多导致所有个体适应度都被压制，失去鉴别力。

4.4 主程序框架：完整流程串起来

下面是整个选址定容优化主程序的关键骨架：

matlab复制%% 初始化
% 加载IEEE 30节点数据、构建导纳矩阵
data = init_case30();

% 算法参数
dim = 2 * K;               % 决策变量维度
lb = [zeros(1,K), 0.01*ones(1,K)];  % 节点归一化下界0，容量下界0.01MW
ub = [ones(1,K), 0.5*ones(1,K)];    % 节点归一化上界1，容量上界0.5p.u.
max_iter = 100;
n_pop = 30;
w = 0.9; w_end = 0.4;
c1 = 2.0; c2 = 2.0;

%% 初始化种群
pos = repmat(lb, n_pop, 1) + rand(n_pop, dim) .* (repmat(ub - lb, n_pop, 1));
vel = zeros(n_pop, dim);
pbest = pos;
pbest_fit = inf(n_pop, 1);
gbest = zeros(1, dim);
gbest_fit = inf;

%% 计算初始适应度
for i = 1:n_pop
    pbest_fit(i) = fitness_func(pos(i,:), data);
    if pbest_fit(i) < gbest_fit
        gbest_fit = pbest_fit(i);
        gbest = pos(i,:);
    end
end

%% 主迭代
for t = 1:max_iter
    w_t = w - (w - w_end) * (t / max_iter); % 线性递减
    for i = 1:n_pop
        vel(i,:) = w_t * vel(i,:) + c1*rand(1,dim).*(pbest(i,:)-pos(i,:)) ...
                                   + c2*rand(1,dim).*(gbest - pos(i,:));
        % 速度限幅
        vel(i,:) = max(min(vel(i,:), vel_max), -vel_max);
        pos(i,:) = pos(i,:) + vel(i,:);
        % 边界处理
        pos(i,:) = max(min(pos(i,:), ub), lb);
        
        fit_i = fitness_func(pos(i,:), data);
        if fit_i < pbest_fit(i)
            pbest_fit(i) = fit_i;
            pbest(i,:) = pos(i,:);
            if fit_i < gbest_fit
                gbest_fit = fit_i;
                gbest = pos(i,:);
            end
        end
    end
    % 记录收敛曲线
    conv_curve(t) = gbest_fit;
end

%% 输出最优方案
best_nodes = gbest(1:K);
best_cap = gbest(K+1:2*K);
% 映射回实际节点号、输出结果

注意，我上面只是个框架，实际使用时你需要把数据初始化、候选节点映射、速度限幅计算等细节补全。但骨架逻辑就是这样，跑通后你就可以换算法了。

5. 结果分析：收敛曲线、电压分布与最优方案解读

5.1 收敛曲线怎么看：判断算法是否正常工作的第一关

跑完优化后，第一件事是画出收敛曲线，确认算法收敛到了稳定值，而不是振荡或早熟。正常情况是：前20~30代适应度下降较快，后面逐渐趋于平缓，最终曲线几乎水平。

如果曲线在后期仍然剧烈波动，可能有几个原因：

第一，惩罚函数量级不合适。惩罚太大会导致适应度函数出现悬崖式突变，个体一旦越限就被大值惩罚，局部最优和不可行解相互交替，收敛曲线自然不平滑。

第二，相邻代之间最优解跳跃太大。这说明速度限幅设得太大，粒子在搜索空间里“飞”过头了，建议把速度上限缩小到位置范围的5%~10%。

第三，种群多样性过早丧失。如果100次迭代里，前10次就收敛到了平稳值，后面几乎不动，大概率是早熟收敛了。这个时候可以适当增大初始w（比如从1.0开始衰减），或者加入变异策略。

收敛曲线上的稳定值就是当前参数配置下的最优网损。可以和初始系统网损对比，判断DG接入后的改善幅度。IEEE 30节点系统的初始网损大约在3.5~5.5 MW之间（具体取决于负荷数据和变压器抽头设定的版本），DG优化后通常能降低10%~30%。如果你的结果改善幅度超过50%，我建议回头检查潮流模型是否写错了，因为在不加储能和网络重构的情况下，仅靠DG选址定容很难实现这么大的降幅。

5.2 最优接入方案：如何解读DGs的位置和容量

优化算法输出的结果是一组节点编号和对应的DG容量。直接看数字很难判断方案好坏，需要结合系统拓扑分析。举一个典型的优化结果示例（基于某次运行，具体数值因随机算法每次迭代可能略有差异）：

从这张表里你能发现几个规律：第一，DG接入点大多是负荷较重的节点，因为就近接入可以大幅减少线路上的功率输送；第二，容量往往略大于节点本地负荷，形成局部功率过剩并向外输送，以此平衡远端节点的电压；第三，离平衡节点（节点1）较远的节点更容易被选中，因为这些节点电压支撑能力弱，接入DG对电压和网损的改善更显著。

这里要注意区分：如果你设的目标是网损最小，优化结果会倾向于把DG放在负荷中心附近；如果是电压偏差最小，可能会把DG放在电压偏低的末端节点。所以解读结果时，一定要结合你的目标函数来讨论，不要给出一个不匹配的“解释”。

5.3 接入前后对比分析：电压分布和支路负载率

为了体现DG接入的效果，需要对比三个场景：

• 场景A：无DG接入（初始系统）
• 场景B：随机接入等量DG
• 场景C：优化后的DG接入方案

在IEEE 30节点系统中，需要重点绘制场景A和场景C的节点电压对比图。通常DG接入后，接入点附近的节点电压会抬升。你可能会看到某些节点电压从0.96 p.u.升到1.0 p.u.附近，但也要确保没有节点超过1.05 p.u.。如果有节点电压越限，说明优化模型里电压约束没起好作用，需要回头检查惩罚项设置。

支路负载率方面，重点关注两种现象：

第一，重载支路被解载。比如支路1-2（连接平衡节点和经济调度中心）在初始状态下负载率可能高达80%以上，DG接入后部分功率就地平衡，该支路负载率会显著下降。

第二，部分轻载支路出现反向潮流。这在高渗透率情况下比较常见，IEEE 30节点系统由于是输电网结构，支路潮流方向受发电调度影响较大，反向潮流不一定有害，但需要注意是否超过线路传输极限。如果发现某条支路负载率过高，可以适当限制该区域DG的容量上限。

5.4 渗透率灵敏度分析：验证结果稳健性一个常用手段

做完基础优化后，最好做几组渗透率约束的灵敏度分析。比如分别设渗透率为10%、20%、30%、40%，观察最优网损和DG布局的变化趋势。

规律通常是：渗透率从0增加到20%时，网损下降明显；再增加，网损下降速度放缓；渗透率超过40%后，某些方案甚至可能出现网损上升或电压越限。这说明DG接入不是越多越好，存在一个经济最优的渗透率区间。在论文里呈现这样一组趋势图，比单纯展示一个最优解更有说服力，也能帮你解释算法的鲁棒性。

6. 实操心得与避坑指南：保证你少走弯路

6.1 常见报错与排查方法

报错1：潮流不收敛

这是最常见的错误。调试时先不要接DG，用原始数据跑一次潮流，看能否收敛到IEEE 30节点的标准结果（各节点电压接近1.0 p.u.）。如果原始数据就发散，问题出在数据导入环节——极有可能是节点导纳矩阵构建错误，或者busi与branch的对应关系没对上。如果原始数据收敛而加入DG后发散，大概率是PIDG参数设置太极端（比如容量达到2~3 p.u.），或者接入到了发电机节点，导致局部潮流失衡。可以限制DG容量上限，或者放宽潮流收敛精度从1e-8降到1e-6试试。

报错2：优化结果很差或每次运行结果差异巨大

检查随机种子或种群初始化策略。PSO本身是随机算法，如果不定随机种子，每次结果有一定差异是正常的。差异过大的原因通常是种群规模太小（少于20）、迭代次数太少（少于50）、或者速度限幅不合适。建议固定随机种子做对比试验，等参数调好了再放开种子跑多次取平均。

报错3：适应度函数返回NaN

NaN的根源通常是潮流计算中出现了除以零（节点导纳矩阵奇异）、或者复数运算出现复数域错误。建议在适应度函数里加入isnan检查，一旦发现NaN就返回大惩罚值，并打印当前个体的位置，方便定位是哪个维度的值异常。

6.2 代码效率优化：减少无谓潮流计算

选址定容优化最耗时的环节是适应度函数里的潮流计算，一个粒子就要跑一次牛顿-拉夫逊，200代×50个粒子就是10000次潮流计算。即使IEEE 30节点规模不大，每次潮流计算大约需要十几到几十毫秒，总时间也可能跑出几分钟到十几分钟。

优化手段有几种：

第一，并行计算。MATLAB的parfor可以把每个粒子的适应度计算分配到多个核心上。注意parfor要求适应度函数内部不能依赖外部循环变量，我的做法是把所有粒子位置组装成一个矩阵，每行一个粒子，parfor循环内部各行独立计算。实测4核并行后，速度提升约3倍。

第二，减少不必要潮流计算的次数。对边界越限的个体，如果节点编号或容量明显超出允许范围，可以直接判为惩罚值，不用执行潮流计算。粒子群后期，大量粒子会聚集在gbest附近，如果某个粒子位置与上一次迭代相比变化很小（比如欧氏距离小于1e-4），可以复用该粒子上一次计算出的适应度值。这个缓存策略可以将总计算量减少40%以上。

第三，牛顿-拉夫逊的初值续用。上一次潮流计算收敛得到的电压初值，存储下来作为下一次潮流计算的初值，收敛速度会明显加快。需要注意的是，DG节点位置变化后，初值不应继承太多信息，否则可能出现相位错乱。简单起见，保持平启动（电压1.0，相角0）也行，IEEE 30节点的收敛速度足够快，不需要过度优化。

6.3 你还可以扩展的方向

这套代码框架搭好之后，很多方向都可以低成本扩展：

• 把单目标PSO换成NSGA-II，做网损和电压偏差的双目标帕累托优化，输出帕累托前沿。
• 在模型中加入DG投资成本和运行维护成本，做全寿命周期经济性评估。
• 把静态潮流换成时序潮流（8760小时或典型日场景），考虑DG出力和负荷的时间特性，做多场景规划。
• 在IEEE 30节点基础上叠加N-1安全约束，把规划问题升级为可靠性约束的优化问题。
• 将决策变量从单一DG类型扩展到风、光、储混合配置，引入不确定性的场景削减方法。

最后分享一个体会：做这类项目，代码跑通只是第一步，真正花时间的往往是模型合理性验证和结果分析。如果你是把这套工作在IEEE 30节点上做完，强烈建议尽量和已发表文献中的算例结果对比，对照节点设置、渗透率、网损指标。只要基准对齐了，你的算法改进和结果分析就都有了说服力，后面无论是发文章还是做实际项目方案论证，都能站得住脚。