多元宇宙优化算法在主动配电网源-荷-储协同调度中的应用详解

导师把一个课题标题直接拍给我：基于多元宇宙优化算法的“源-荷-储”协同互动主动配电网优化调度，IEEE33节点，Matlab实现。说实话，刚看到这个标题的时候，我都觉得有点离谱。这么长的题目堆在一起，算法、系统、场景、编程语言全占了，做起来到底哪里是重点？后来自己动手把代码复现了一遍，又把论文梳理了一遍，才发现这个题目看着唬人，实际拆开就是几块相对固定的工作拼在一起。真正拉开差距的，不是你会不会用多元宇宙优化算法(MVO），而是你懂不懂源、荷、储这三类资源是怎样被“拧”到一个优化框架里的。

这篇文章就从一个跑过无数遍IEEE33节点调度代码的人角度来拆解这个课题。我会先把标题里的关键词逐个翻译成人话，再把MVO算法在配电网优化里的作用逻辑讲清楚，接着落到源-荷-储建模、Matlab代码框架、复现时容易踩的坑，以及怎么把结果图表做得能支撑结论。适合正在做配电网方向研究但苦于代码复现不顺利的研究生，也适合那些想用元启发式算法做调度的工程师做个参考。

1. 拆题：这个标题其实包了三层问题

先说个总体判断：这种长标题没有任何一个部分是可以缩水的。它其实在暗示你，这项工作至少需要三层逻辑自洽——模型要能体现“主动配电网”，算法要能解决“优化调度”的问题，场景要能证明“源-荷-储协同”比不协同更好。这三层缺一个，标题就会变成“挂羊头卖狗肉”，论文和代码都对不上号。

1.1 “主动配电网”不是加个DER就叫主动

主动配电网（ADN）的概念是针对传统无源配电网来的。传统配电网通常只做“接收电能”和“被动保护”，运行方式偏单一。而分布式风电、光伏、储能、电动汽车充电等资源接入后，配电网已经出现了双向潮流、电压越限、设备过载等不确定性，你再按老一套方式去调度，很容易出问题。

主动配电网的核心在于“主动管理”：通过调度中心协调分布式电源出力、储能充放电空间、用户侧需求响应资源，让配电网在不同时段、不同负荷水平下保持安全经济运行。所以这里的第一层问题，不是搭建一个IEEE33节点网络然后跑个潮流，而是你有没有给各类可控资源建立“可调、可测、可互动”的管理接口。

1.2 “源-荷-储协同互动”的核心是一种时间上的互补

“源-荷-储协同”这个提法，最近在配电研究里特别常见。所谓“源”，通常是分布式光伏、风机或小型燃气机组；所谓“荷”，不再只是一个固定负荷曲线，而是包含了可转移负荷、可中断负荷等弹性资源；所谓“储”，常见是分布式电化学储能或集中式储能电站。

这三者的协同价值怎么理解？我一般和学生这样举例子：

中午光伏大发时，如果负荷还处于低谷，硬让光伏出力只会导致电压升高甚至弃光。此时正确的操作是储能充电，吃下多余电量；到了傍晚负荷爬升而光伏退出时，储能再放电，把中午多出来的能量还给系统。更进一步，用户侧的空调、洗衣机这类可转移负荷也可以挪到光伏出力大的时段，这就叫“让负荷跟着源走、让储能充当缓冲”。

注意“协同”不是“堆叠”。如果整篇代码只是把储能当成一个独立的动作附加在负荷曲线上，完全没有同光伏出力和可调负荷发生联动，那题目里就不该写“协同互动”。所以在复现代码时，你先去检查目标函数和约束里的决策变量，是否真的包括了源侧出力、储能功率/能量状态和可转移负荷三类变量，这是判断模型是否“名副其实”的第一步。

1.3 “优化调度”要回答调度谁、调度到哪个时间尺度

配电网优化调度一般有两种时间尺度：静态断面调度和日前多时段调度。静态断面只取某个典型时刻，求解该时刻的可控设备出力组合；日前调度则把24小时作为一个整体来优化，需要考虑储能SOC跨时段延续、负荷时序转移等强耦合约束。

从标题看不出到底属于哪一种，但从多数“源-荷-储协同互动”论文的写法看，通常采用日前24时段调度更能体现互动的时序价值。因为如果只看单一断面，储能只有充或放两种状态，可转移负荷也没法体现“时间平移”的意义。所以你可以默认这套代码的目标，是在满足安全约束的前提下，给出未来24小时各类资源的基准出力计划。

这里有一个容易被忽略但很现实的点：24时段×多台DG×多个储能×可转移负荷，会让决策变量数量迅速膨胀。若把每个小时的决策变量都塞进MVO一个粒子里，粒子维度可能达到几百维。后面我会专门说这种高维会给群智能算法带来什么麻烦。

2. 多元宇宙优化算法到底在配电网调度里扮演什么角色

优化调度模型写完之后，你就是面对一个带约束的非线性优化问题。配电网潮流方程是非线性的，电压、支路功率限值是不等式约束，储能带来时序耦合，所以整个问题是非凸的，很难用简单的线性规划去压平。文献里除了用yalmip+Cplex/Gurobi做混合整数二阶锥规划外，还有一大批论文选用了群智能优化算法。多元宇宙优化算法（MVO）就是其中一种相对容易实现、全局搜索能力也不差的算法。

2.1 MVO的灵感来源，其实很好理解

多元宇宙优化算法是Seyedali Mirjalili在2016年提出来的。它的灵感来自物理学里的多元宇宙理论。大家知道，适应度函数在群智能算法里叫“目标函数”，而在MVO里对应的是“宇宙膨胀率”。越好的宇宙，膨胀率越高，越容易通过白洞把物质传递出去；反之，膨胀率低的宇宙更像黑洞，只能被动接收物质。

真正让算法产生新解的关键是虫洞概念，它相当于一个“跨越空间”的隧道，能把某个宇宙中的物体瞬间送到当前最优宇宙附近。对应到算法里，就是粒子在迭代后期向当前全局最优解靠拢的机制。

我通常把MVO里的更新过程拆成两部分理解：

• 白洞/黑洞机制：负责“选择”和“保留”优质解，让种群整体向高膨胀率区域移动；
• 虫洞机制：负责“开发”，让部分解围绕当前最优解做局部精细搜索；
• 随机扰动部分：则承担“探索”，防止种群过早收敛到一个局部区域。

这三种机制分工相对清晰，所以MVO对很多配电网问题比传统粒子群更容易跳出局部最优。

2.2 核心公式与参数怎么设计

如果你看代码，会发现MVO的物体位置更新往往长这样，大致逻辑可以表示为：

matlab复制% WEP: 虫洞存在概率，随迭代从WEP_min增大到WEP_max
WEP = WEP_min + Iter * ((WEP_max - WEP_min) / Max_iter);
% TDR: 行驶距离率，随迭代逐渐减小
TDR = 1 - (Iter / Max_iter)^(1 / p);

if r2 < WEP
    % 说明本次迭代存在虫洞通道
    if r3 < 0.5
        % 向当前最优宇宙方向正向偏移
        X_new(j) = X_best(j) + TDR * ((ub(j) - lb(j)) * r4 + lb(j));
    else
        X_new(j) = X_best(j) - TDR * ((ub(j) - lb(j)) * r4 + lb(j));
    end
else
    % 没有虫洞时，按白洞/黑洞选择规则更新位置
    X_new(j) = X(RouletteWheelSelection(WEF), j);
end

这里有几个关键参数要关注。

• WEP随迭代从0.2线性增加到1.0，意味着算法前期虫洞出现概率低，大家各自探索；后期几乎必然有虫洞，所有粒子都会围绕当前最优解展开精细搜索。
• TDR随迭代从约1下降到0，用来控制虫洞扰动的步长幅度。越到后期，扰动步长越小。
• p通常取6，影响TDR衰减速度。如果你发现收敛太慢，可以适当调小p，让TDR下降更快。

说句实在话，MVO实现起来比PSO复杂一点点，比差分进化也麻烦一些，但它的参数数量并不算多。对入门者来说，比遗传算法里那套选择、交叉、变异算子要容易理解得多。

2.3 为什么这套代码会选MVO而不是PSO或GWO

首先声明，没有任何一种元启发式算法能保证碾压所有问题。很多论文里把MVO和PSO、GWO的对比结果写成“MVO最优”，那是在特定模型、特定参数、特定评估次数下的结论。

但我个人经验是，MVO在配电网调度这类高维、多约束、适应度函数有大量不可导尖峰的问题上，表现一般不会太差。原因有三个：

第一，白洞/黑洞选择机制相当于保留了一定“精英策略”，防止粒子漫天乱飞导致最优解丢失；
第二，虫洞机制后期收缩得比较快，也就是“开发能力”突出，能够围绕当前最好解找到局部细化的空间；
第三，算法中的随机上下限扰动允许越出当前范围，有希望避开传统局部搜索的陷阱。

必须提醒的是：MVO的最终结果受上下界设置影响很明显。比如储能功率、荷电状态的上下界如果设置得不合理，粒子的初始随机分布就会浪费大量计算资源。后面第5部分我会重点说这个复现中的坑。

2.4 用在“优化调度”代码里时，别忽略计算时间陷阱

很多初学者拿到MVO代码后，直接拿全部24个时段的决策变量作为粒子维度，外面套一个潮流计算函数求适应度。这会导致计算时间惨不忍睹。要知道，MVO一代可能有30个粒子，每个粒子都要对一个含分布式电源的33节点配电网做24点潮流计算，如果一次潮流算几十毫秒，总时间很容易以小时计。

所以你会看到很多有经验的代码会把问题拆成两层：第一层用MVO去优化关键参数（比如DG接入容量、储能额定功率、可转移负荷比例等），第二层在内部用传统方法（比如前推回代潮流或内点法）去求该参数下的调度结果。这样既保留了MVO的全局搜索能力，又避免把粒子维度爆炸式提高。复现代码前最好先分清课题是单层调度还是双层结构，否则你可能根本跑不完。

3. 源-荷-储协同互动的建模关键：目标函数与约束怎么设计

这部分是整个课题的灵魂。如果目标函数和约束写得不严谨，后面无论MVO还是别的算法，都只是在给一个错误的模型找可笑的最优解罢了。

3.1 多目标函数里通常放哪几项

典型的主动配电网优化调度目标，至少会包含运行经济性、电压质量和网络损耗，具体展开大致有：

• 系统运行成本：向上级电网购电费用、柴油/燃气机组燃料成本、储能充放电损耗成本、需求响应补偿费用等；
• 网络损耗成本：配电网有功网损折合的费用；
• 电压偏移指标：各节点电压偏离额定值的累计程度；
• 新能源消纳惩罚项：弃风弃光量在目标函数中以惩罚系数的形式体现。

如果要把多个目标合成一个单目标，代码里通常会用线性加权。权重怎么取？没有万能答案。更科学的策略是先分项做标幺化处理，再对每项乘权重，比如经济性权重0.5、损耗权重0.3、电压质量权重0.2。注意“分项标幺化”非常关键，否则经济成本数量级可能是几十万，电压偏移数量级只有0.1，一相加，电压优化就变成花瓶。

3.2 约束条件，往往决定代码能不能收敛

约束条件分两类，一类是等式约束，一类是不等式约束。

等式约束里最重要的是节点功率平衡方程。这个在Matlab代码中一般不会显式写成约束，而是通过潮流计算直接满足。也就是说，每次粒子解码后都会调用一次潮流计算，用潮流的结果来判断这个方案是否可行。如果潮流不收敛，或平衡节点功率越限，适应度就赋一个很大的惩罚值。

不等式约束主要包括：

• 节点电压上下限，一般取0.95~1.05 pu；
• 支路功率或电流上限；
• DG有功/无功出力范围；
• 储能充放电功率上限、SOC范围、始末SOC一致性；
• 可转移负荷每次最大可调量和累计可调量；
• 需求响应后的负荷曲线不能违背用户舒适度边界。

以储能为例，模型里最典型的状态更新是：

matlab复制% SOC更新方程，E_sto为储能容量, eta_ch和eta_dis为充放电效率
SOC(t + 1) = SOC(t) + (P_ch(t) * eta_ch - P_dis(t) / eta_dis) * dt / E_sto;

约束会要求SOC在0.1到0.9之间，同时充放电功率不能同时为正，一般用互斥约束处理。更细一点的模型还会加一个调度周期末尾SOC等于初始SOC的条件，目的是保证储能第二天还有能力继续参与调度，不会一天把电全放光。

3.3 源-荷-储协同互动到底用什么数学手段表达

最容易被滥用的就是“互动”两个字。真正的协同，意味着这三类资源之间有相互依赖关系，不是各自独立优化完再把曲线拼起来。

用一个具体例子说明：

假设该光伏午间出力高场景下，如果不做负荷转移和储能充电，系统可能出现局部电压越上限。那么优化结果应该是：储能充电功率加大，使DG出力“就地消纳”；部分可转移负荷被安排到午间，提升该时段负荷水平；如果还不够，光伏出力再被限制一点。可以看到储能不是单独行动，而是在“响应”光伏曲线的波动；可转移负荷也不是随机移动，而是在“填补”光伏高发时段的空间。

代码上怎么判断有没有做到互动的呢？我有个土办法：把光伏出力峰值时段的最优储能充电功率拎出来，再和“没有可转移负荷参与”的情况对比。如果储能充电功率或充电时长明显变化了，说明源、荷、储确实联动；如果两条曲线完全重合，那基本可以判断负荷侧根本没有参与优化。

3.4 还需要考虑不确定性吗

如果只想做一个教学向的确定性调度，光伏和负荷曲线可以用典型日数据，跑一次就能得到结果。但如果要往期刊方向投稿，多数审稿人会追问，你给的调度方案在光伏/负荷预测误差下还可靠吗？

比较常规的处理是引入场景法，例如通过拉丁超立方采样生成光伏和负荷的多组可能曲线，再用场景削减法保留少数代表性场景。MVO可以在多个场景下评估同一个调度方案的期望性能，从而得到鲁棒性更好的日前计划。这个逻辑在代码里就是适应度计算部分多套一层循环，但计算量也会成倍增长。

我的建议是：如果只是复现+练手，先做确定性版本；如果要发论文，把不确定性的部分放到对比讨论里，说明未来可以扩展为两阶段鲁棒或多场景随机优化，而不是一次性把模型搞到没法跑通。

4. IEEE33节点在Matlab里的网络建模与调度主循环

IEEE33节点系统是配电网研究里最常见的一个标准算例，很多论文的图一就是那棵典型的辐射状馈线结构。你可以在Matpower内置案例里找到它，也可以从很多公开文献里获得线路参数和负荷参数。

4.1 系统参数与建模方式怎么选

IEEE33节点系统基准电压一般是12.66kV，网络包含33个节点、32条支路、首端为平衡节点。典型的总负荷在3.7MW加2.3Mvar左右，初始潮流下的网损普遍在200kW量级。这些数值不一定要背，但要心里有数，因为如果你算出来的初始网损是几百甚至上千瓦，那很可能是量纲单位出错了。

在Matlab里建模，常见有3种路线：

• 手写bus和branch矩阵，自己实现前推回代潮流。特点是代码依赖少，程序逻辑透明，但扩展PV节点和处理弱环网会比较麻烦；
• 直接调用Matpower和其潮流函数runpf。优点是数据校验容易，潮流解法成熟，缺点是每个粒子、每个时段都调用一次runpf会非常慢；
• 将DistFlow二阶锥松弛之后交给yalmip+Cplex/Gurobi求解。这是期刊论文的标准做法，但严格说已经不太需要MVO了，因为松弛后的模型可以被商业求解器在保证最优性下求解。

大部分带MVO的Matlab代码会选择第一种，因为前推回代潮流对辐射状配电网很友好，收敛性也不错。代码里一般会有一份ieee33节点的线路参数矩阵，行对应分支编号，列包括首端节点、末端节点、电阻、电抗、有功负荷、无功负荷等。你只要把DG或储能当作“注入电流”叠加到对应节点负荷上即可。

4.2 一个典型的调度主循环结构

从框架上看，用一个元启发式算法做日前调度的代码长这样：

matlab复制%% 主参数
T = 24;                      % 调度时段数
N = 30;                      % MVO种群大小
Max_iter = 100;              % 最大迭代次数
dim = 72;                    % 决策变量维度示例：3台设备每时段各一个决策量

%% 初始化宇宙种群
Universes = initialization(N, dim, ub, lb);
for iter = 1:Max_iter
    for i = 1:N
        % 解码当前宇宙，生成24h各设备出力计划
        [P_dg, P_sto, P_dr] = Decode(Universes(i, :));
        % 调用潮流函数，计算适应度
        fitness(i) = CalcFitness(P_dg, P_sto, P_dr, LoadData, PVData);
        % 越限则更新罚函数
        fitness(i) = fitness(i) + Penalty(Universes(i, :), ub, lb, SOC, Vmax);
    end
    % 按膨胀率排序，记录最优宇宙
    [bestFitness, idx] = min(fitness);
    Best_universe = Universes(idx, :);
    
    % 更新WEP、TDR
    WEP = WEP_min + iter * ((WEP_max - WEP_min) / Max_iter);
    TDR = 1 - (iter / Max_iter)^(1 / 6);
    
    % 按MVO规则更新所有宇宙
    Universes = UpdateUniverses(Universes, Best_universe, WEP, TDR, ub, lb);
end

这里面最关键的是编码解码。由于潮流函数无法直接处理MVO吐出的连续变量矩阵，通常你会把所有设备的24小时控制量拼成一个一维行向量。例如把光伏逆变器有功限幅、储能充电/放电功率、可转移负荷调整量统一压平。解码时再逆操作还原成矩阵。

4.3 典型日负荷、光伏、风电数据的来源

如果你没有实测数据，最省事的做法是参考IEEE-RTS系统的典型日负荷标幺曲线，再根据系统总负荷等比例放大。光伏出力曲线一般用Beta分布拟合晴天/多云天气的时序值，风电出力用威布尔分布抽样。不过对这些案例来说，你可以直接用一组相对平滑的归一化曲线：

• 负荷早晨低、午间略升、晚间达到高峰；
• 光伏曲线从8时开始爬升，12时到14时达到峰值，18时后归零；
• 风电夜间出力偏高，白天有波动。

需要特别注意的是，如果光伏总装机容量选得比系统总负荷还大，在IEEE33节点会很容易出现倒送潮流甚至电压越限，这其实是好事，因为你可以通过优化调度说明“协同互动能够缓解这种风险”。但如果光伏容量设得太小，整个优化就根本没有体现必要，算出来的曲线可能和“不调度”差别很小。

4.4 要不要用Matpower，还是自写潮流

从工程角度，我一般更推荐把网络数据和潮流计算做成一个独立函数文件，避免和MVO主循环耦合太深。这样你换算例、换DG接入位置时只需要改一份数据文件。

如果在代码里使用前推回代法，要特别注意潮流计算对不对得上负荷方向。常见问题包括：

• 支路功率方向顺序错误，导致累计损耗为正却算成负；
• DG注入功率符号用反，相当于在节点上多加了负荷；
• 没有处理“光伏出力大于该节点负荷时潮流反向”的情况，仍按单侧潮流简化。

实用解法：写完潮流函数后，先不接DG和不接优化算法，直接跑一次标准IEEE33节点基本潮流，对比文献中的网损和末端电压。如果网损和节点电压都对得上，再往里面加DG和储能，否则后面所有结果都是错的。

5. 复现过程里最容易踩的5个坑

这个部分我本来是打算简单提几句的，后来想了一下，很多读者倒腾代码几天跑不出合理结果，问题经常集中在几个相同的点上，所以还是展开说清楚。

5.1 坑一：目标函数各项量纲不一致

很多初版代码会出现目标函数里经济成本值域在几千到几万，网损值域在几十到几百，电压偏差值域只有0.01到0.1。线性加权之后，电压偏差无论怎么优化都对总目标影响不到0.1%，等于白设这个指标。

我处理的方法是：先把每一项除以它自己的基准值。例如成本基准取“完全不采用任何优化时的运行成本”，网损基准取“初始网损”，电压偏差也取初始状态值。这样三项都变成“相对初始方案的改善比例”，再加权就有意义了。代码里甚至可以直接用0.6成本+0.25网损+0.15电压偏差这类权重，且结果不会出现一边倒。

5.2 坑二：储能SOC的时间耦合被忽略

如果你把每个时刻的SOC直接当作独立决策变量，那么优化器会“作弊”：比如在0点SOC突然跳到0.9，然后放电到0.1，下个时刻又跳回0.9。物理上这等于储能凭空充电，目标函数却很好看。

合理做法是SOC只保留初始值作为决策之一，之后每时段按激励方程递推。在MVO的粒子解码里，我们通常优化的是储能功率序列，再通过状态方程推出SOC序列。如果SOC越界，就用罚函数。这样才能让储能像一个真实的“能量容器”而不是一个可以被任意填充的黑盒子。

严格一点还要检查SOC初值是否等于调度周期末值。很多论文里会把SOC(1)=SOC(25)作为一个等式约束，防止调度策略“耗尽电池”。如果你的课题需要体现长期可重复调度，建议把这个约束加上。

5.3 坑三：MVO位置更新后变量超界，只截断还不够

MVO更新公式会生成越界数值，最常见的处理是如果某个变量大于上界就把它拉回上界，小于下界就拉到下界。这种硬截断简单，也很稳定，但问题在于它会削弱探索能力。比如储能功率上界是500kW，粒子想探索550kW这种“越界但不离谱”的方案，结果被截到500后，原本准备继续往更大方向移动的趋势就断了。

更优雅的办法是采用“边界吸收”或“反射”策略，例如：

matlab复制if X_new(j) > ub(j)
    X_new(j) = 2 * ub(j) - X_new(j);
end
if X_new(j) < lb(j)
    X_new(j) = 2 * lb(j) - X_new(j);
end

反射策略的好处是粒子仍然保留移动趋势，不会整群粘在边界上，收敛分布相对合理。尤其是DG出力时段曲线，决策变量之间有连续性，硬截断容易造成一条锯齿状的出力曲线，反射策略会平滑很多。

5.4 坑四：前推回代潮流与分布式电源/PV节点的接口不匹配

IEEE33节点基础算例只有平衡节点和PQ节点。当你加入光伏、储能和燃气轮机后，它们的模型并不相同：燃气轮机能控制功率因数，可近似PQ节点；如果逆变器有电压调节能力，应该按PV节点处理，但这会让潮流计算复杂很多。

很多Matlab实现图省事，全部DG都按功率因数为1的PQ节点处理。这样不是不行，但论文中如果写“分布式电源具备调压能力”，代码层面却没体现，逻辑上说不通，审稿人很容易发现。

我的建议是：初级版本先把DG按PQ节点处理，结论里只强调有功调度；进阶版本接入PV节点或下垂控制模型，这时无论前推回代还是Newton-Raphson都要写额外的无功迭代环节，不要拿简化代码硬凑。

5.5 坑五：随机种子不固定，结果每次都不一样

MVO属于随机优化算法。如果代码开头没有rng或rand seed固定，每次运行结果都会不同。很多学生跑完代码后发现图很好，再跑一次数值大幅变化，直接心态崩溃。

所以在主程序最前面最好加一句：

matlab复制rng(1);  % 固定随机种子，保证结果可复现

多组对比实验时，要保证所有算法在相同随机种子集合下执行。如果为了统计稳定性需要跑20次取平均，那就写一个外层循环，把20次的平均值和标准差都记录下来。记住：单次运行的最优结果没有说服力，平均值和标准差才能说明算法稳定。

6. 怎么把结果做扎实：图表、对比与统计口径

代码跑通了，最后一步是让结果说话。很多初学者随便画两张收敛曲线就交差，这在研究生汇报里也许能混过去，但放到论文和实际项目里完全不够。这里我讲几个被用得很频繁但也容易出错的出图思路。

6.1 必做的三张核心图

一张是收敛曲线。横轴是迭代次数，纵轴是目标函数值（或最优适应度）。MVO的收敛曲线呈阶梯下降是正常的，说明种群在持续发现更优解。如果曲线直接是一条水平线，多半是算法根本没在搜索，例如初始种群太少或上下界太窄。

一张是24小时调度计划堆叠图。横轴是小时，纵轴是功率，不同颜色区域分别表示市电购电、光伏出力、风电出力、燃气轮机出力、储能充放电。这张图要能清楚看到光伏午间高发时段储能处于充电状态，晚高峰时段再由储能和燃气机组补足出力缺口，这就是“协同”的直接证据。

一张是调度前后节点电压对比图。横轴是节点编号，纵轴是各节点电压标幺值。通常选择某个典型时刻（比如光伏最大出力时刻或晚峰负荷时刻），将“无调度”“含DG但无优化”“完整源-荷-储优化”三条电压曲线画在同张图上。你会发现完整优化后的电压曲线更贴近1.0，且没有越限点，这就能有效支撑“源-荷-储互动改善了电压质量”的结论。

6.2 是否需要做算法对比，怎么做才有说服力

如果想说明MVO的效果，最常用的对照组是原始PSO、GWO或GA。但实验设置要特别小心。首先，所有算法必须使用相同的“函数评估次数”，而不是相同的迭代次数。因为不同算法内部每次迭代评估次数可能不同，你限定相同迭代次数是不公平的。其次，每个算法要独立运行20或30次，最后取平均值、标准差，并记录最优值。比较完美的呈现是一张表格，列出每种算法的“最优值/平均值/标准差/平均耗时”，再用箱型图展示分布。

我可以直接给一个表格模板：

不要只写“MVO优于PSO”导致完全没有任何数值；也不要只比较一次就下结论。

6.3 对照组设计比算法表更重要

我见过很多论文只做算法对比，模型复杂度很高，但最后没说“协同到底带来了什么”。想有力论证源-荷-储协同的价值，建议至少设置下面三个方案：

• 方案A：无调度，光伏、负荷按原始曲线自然叠加，储能不动作；
• 方案B：只调度储能，负荷侧可调资源不参与；
• 方案C：储能和可转移负荷、可中断负荷都参与，也就是完整源-荷-储协同。

固定同样的DG容量、系统拓扑和负荷数据，比较三个方案在经济成本、网损和电压偏差上的差异。如果能发现从方案A到方案C，日运行成本逐步下降，电压偏移逐步改善，那比单纯画一条漂亮的MVO收敛曲线有说服力得多。

6.4 统计口径要一致，别吃暗亏

计算指标时要注意几个口径：

• 网损电量应该是24小时累计值，单位kWh或MWh，不要写成瞬时功率kW；
• 运行成本要区分含不含初期投资；如果课题只是调度优化，就不要把储能投资成本摊进来，否则目标函数量纲会乱；
• 弃风弃光量需要先设定一个“最大可消纳上限”，例如逆变器容量或节点接入容量；
• 如果储能SOC初始值和结束值不一致，那么比较经济性时要注意，相当于系统在周期末“亏电”或“剩电”，公平对比方案B和方案C时，最好都强制SOC首末一致。

这些细节看起来简单，但很多审稿意见都藏在里面。我帮人改过好几回论文，每次出问题都出在“结论挺好的，但口径对不上”这种坑上。

最后再分享一点个人经验

跑这类配电网调度代码，最忌讳的是拿到代码先跑，跑完看到图好看就开始写论文，完全不验证模型逻辑。我更建议的顺序是先拿一个简单的负荷不加DG的场景，跑通潮流；再加储能，看储能SOC是否满足时序约束；然后再加光伏和需求响应，看不同时段各资源的配合关系。递进式验证的好处在于，一旦结果不对，你能很快定位是网络参数问题、储能方程问题，还是摄动目标函数里的某些权重物理意义没有对齐。

对于Matlab新手，先不用急着去动MVO的公式细节，把解码解码、目标函数、罚函数吃透，优化算法部分按公式默写也不会差太多。MVO实现并不复杂，真正麻烦的是你为了让潮流计算收敛和让约束条件成立而补的那一堆修正逻辑。想把代码复现好，先把底层的物理问题搞清楚，永远是性价比最高的投入。