乐正雕漆做配电网规划的同行应该都有个直观感受：光伏一多起来，白天午间负荷低的时候，配变和馈线经常报电压越限，光伏出力送不出去，弃光率蹭蹭往上涨。这时候储能就成了“调节阀”，但问题跟着来了：储能装在哪？装多大容量？如果全靠经验拍脑袋，那大概率不是过配置就是不到位。所以我去年把经典的做法重新做了一遍，用改进粒子群算法去解含光伏的14节点配电网储能选址定容模型，跑完数据后把整个程序逻辑、参数调法、踩过的坑全部捋了一遍。这篇博文就是完整复盘，从问题建模到算法改动，再到代码实现和结果分析，适合正在做新能源消纳、储能规划或者是研究生起步阶段想复现一篇算例的朋友参考。
1. 含光伏配电网的储能选址定容：问题到底是啥
1.1 高比例光伏下的“电压越限与弃光”之痛
很多人一开始会想，分布式光伏不是清洁能源吗，多装点多消纳多好。但真实电网里，光伏接入的节点若靠近线路末端、负荷又小，光伏大发时功率会向线路甚至变电站上级倒送，末端电压被抬高，越过电压上限。尤其是在配电网离光伏逆变器最远的用户侧，电压波动能吓到人。电压越限带来的直接后果是保护动作、配变寿命缩短，甚至用户设备损坏。
与此同时，电网调度为了保安全，只能限制光伏出力，也就是弃光。白天水电、火电已经承担了基荷，光伏再往上冲，线路和变压器容量有限，弃光就不可避免。储能的价值就体现在“低谷充电、高峰放电”，把光伏高发时段多余的电能储存下来，在负荷高峰或夜间释放，同时改善电压分布。
但储能本身很贵，一台储能设备放在哪、容量多大、功率多大，会直接影响投资回报和电网投资运行成本的改善程度。配电网里可选节点少则十几、多则上百，每多选一个位置，搜索空间就膨胀一轮。把所有可能的位置、容量组合都拿来逐一代入潮流计算再比成本，计算量会非常难看。因此必须用一个高效的优化算法，在可行域内寻找综合最优的“选址-定容”组合。
1.2 为什么拿14节点配网系统当公共擂台
真正项目里配网网络拓扑复杂、数据来源多样，讨论优化算法时如果各用各的网架，结果没法横向对比。学术和工业界都喜欢用典型的测试算例，比如常听说的14节点配电网模型。14节点规模不大不小：节点数适中，线路和负荷分布有一定差异，既包含了线路末端的电压薄弱点，也能让光伏接入形成多条馈线潮流交互，比单纯用3节点、5节点算例更能反映出储能选址的差异。
计算复杂度也不至于让人等太久。14节点网络用普通潮流计算就能很快完成，PSO跑几十上百次迭代，每代评估几十个粒子，一次完整搜索也就是几分钟的量。相比上百节点的配网，14节点特别适合用来验证算法逻辑、调参、分析储能位置和容量的影响规律。对新手而言，14节点数据也好造，网上能找到不少公共算例可以改参数，不需要面对“数据缺失”这种坑。
要注意的是，有些人讨论14节点会直接拉到IEEE 14节点输电系统，那是另一个东西。配电网版本通常是将中压馈线的R/X比例调高、电压等级近似设为10kV或12.66kV的系统，节点编号和负荷值是按特定算例给的。复现前务必确认模型的电压等级、线路参数和你手里的算例版本一致，否则后面潮流结果和网损差异会很大。
1.3 优化问题的数学表达：目标函数、决策变量和约束
在动手写代码前，我建议先用纸面把数学模型理清楚，不然后面目标函数和约束纠缠在一起，容易把算法写崩。这个问题的核心其实是一个混合整数非线性规划问题。
决策变量有两类：一类是储能安装位置，也就是节点编号，离散变量；另一类是储能额定功率和额定容量，连续变量。实际建模中，储能位置可以用一组0-1变量表示，也可以直接用粒子位置编码成一个整数节点号，两种方式我后面会细说。
目标函数一般是等年值综合成本最小化，通常写成：
[
\min F = C_{inv} + C_{om} + C_{loss} + C_{curtail} + C_{vol}
]
其中：
- (C_{inv})：储能单位容量和单位功率的年化投资成本，按等年值折算；
- (C_{om})：储能年运行维护成本；
- (C_{loss})：配网年网损成本，通过典型日负荷曲线和光伏出力曲线求取；
- (C_{curtail})：弃光惩罚，反映光伏消纳水平；
- (C_{vol})：电压偏差惩罚，用于把系统电压维持在安全范围。
约束条件是按实际物理规则来的，常见的有：
- 潮流约束：节点有功、无功功率平衡方程；
- 节点电压约束：各节点电压幅值在0.95~1.05 p.u.范围；
- 支路电流或容量约束：线缆载流量不越限；
- 储能SOC约束：任意时刻的荷电状态在允许上下限之间，且一个调度周期内的充放电能量平衡；
- 储能安装容量约束：额定功率和容量不能超过给定上限；
- 充放电功率约束：储能充放电功率受PCS功率限制。
有些文章还会加入“同一节点最多只装一套储能”之类的工程化约束。写程序时，这些约束大部分靠罚函数处理，少数如节点电压约束可以写成硬约束或加入惩罚项，具体怎么取舍后面在算法设计部分展开。
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. 改进粒子群算法：为什么选它，又改了什么
2.1 为什么选PSO而不是遗传算法或整数规划
这个问题我很早就被问过，直接说结论：这个问题求解空间不大但非线性强，用单纯形、梯度下降根本没法处理离散变量，商用求解器做混合整数非线性规划在配电网规模里也不是不行，但依赖工具，且算法一旦遇到非凸约束很容易卡在局部解。遗传算法（GA）当然可行，但GA交叉、变异、选择的操作参数很多，实现起来比粒子群繁琐。
粒子群算法（PSO）最核心的优势是参数少、实现简单、收敛快。每个粒子只需要维护位置、速度和个体最优，全局最优通过粒子之间共享得到，非常适合这种“离线规划+潮流嵌入”的问题。储能选址中的位置离散、容量连续，用PSO可以设计成混合编码：一个粒子向量包含一个整数位置索引和若干个连续实数，等于同时处理离散和连续变量。虽然PSO在数学上没有严格的全局收敛性证明，但对14节点这种小规模网络，只要改进得当，多次运行都能稳定落到同一组近似最优解附近。
2.2 标准粒子群算法的两个“老毛病”
标准PSO的更新公式如下：
[
v_{i}^{t+1} = w v_{i}^{t} + c_1 r_1 (p_{best,i} - x_i^t) + c_2 r_2 (g_{best} - x_i^t)
]
[
x_{i}^{t+1} = x_{i}^{t} + v_{i}^{t+1}
]
这里 (w) 是惯性权重，(c_1) 是自我认知学习因子，(c_2) 是社会认知学习因子，(r_1,r_2) 是 [0,1] 之间的随机数。
老毛病一就是早熟收敛。当某个粒子发现一个较好的解后，周围粒子快速向它靠拢，种群多样性下降，后面无论迭代多少次都跳不出这个局部区域。对于储能选址这种多峰问题，极容易锁死在某个“看起来还行但远不是最优”的位置。
老毛病二则是后期收敛慢。标准PSO如果固定惯性权重 (w=0.8)，前期探索能力不够，后期局部精细搜索能力又不足。尤其到最后几十代，很多粒子的速度趋近于零，适应度几乎不动，白白浪费计算时间。对于要嵌入潮流计算、一次适应度评估都要花些时间的场景，这种“磨洋工”的迭代尤其让人头疼。
2.3 IPSO的三个关键改进点
我采用的改进粒子群算法主要是三处改动：
第一是自适应惯性权重。不再用固定权重，而是让 (w) 在0.9到0.4之间随迭代次数线性递减，前期偏重于全局搜索，后期偏重于局部精搜。也可以根据种群适应度的离散程度来调节：如果群体早熟，就适当增大权重，让粒子跑远一点重新探索。
第二是混沌初始化。初始种群由均匀随机生成改为用Tent映射或Logistic映射产生，这样初始粒子在解空间分布更均匀，避免“一窝蜂”挤在某个区域。混沌序列虽然只有这一个应用点，但效果还挺直接，初始群体的多样性变好，后面早熟概率会下降。
第三是引入动态变异算子。在迭代中，每次更新后以一定概率（比如0.05~0.1）对粒子位置进行扰动，尤其是对表示储能位置的那个整数变量做随机重赋值。这相当于给算法加了一个“逃逸机制”，一旦粒子群陷入了局部最优，变异能让其中一部分粒子跳出坑，重新探索其他节点组合。
另外，针对储能位置这种0-1整数变量，我在实现时采用“实数编码+取整映射”的方式。粒子解向量里的元素按实数更新后，代表位置的元素先取整映射到有效节点编号，再传入适应度函数。这段映射虽然看着不起眼，但能让PSO的速度更新机制保持连续，省去二进制粒子群那种大量位翻转操作。
2.4 算法主流程与伪代码
整个IPSO主流程我整理成下面这几步：
- 初始化参数：种群规模、迭代次数、惯性权重范围、学习因子、惩罚系数；
- 生成光伏和负荷的典型日曲线；
- 用混沌序列初始化粒子位置和速度，对位置解码，计算初始适应度；
- 对每个粒子做潮流计算，更新个体最优和全局最优；
- 更新惯性权重，按公式更新粒子的速度和位置，并对位置进行取整和越界修正；
- 以一定概率对粒子施加变异扰动；
- 重新计算适应度，更新个体最优和全局最优；
- 判断是否达到最大迭代次数或收敛条件，否则回到第5步；
- 输出全局最优解，对应储能安装位置、额定功率和容量。
伪代码框架大概是这样：
matlab复制for iter = 1:maxIter
w = w_max - (w_max - w_min) * iter / maxIter;
for i = 1:popSize
% 速度更新、位置更新
v(i,:) = w*v(i,:) + c1*rand*(pbest(i,:)-x(i,:)) + c2*rand*(gbest-x(i,:));
x(i,:) = x(i,:) + v(i,:);
% 位置取整映射到有效节点
x(i,1) = fix(mod(x(i,1)-lowBound, highBound-lowBound+1)) + lowBound;
% 变异
if rand < pm
x(i, :) = chaos_mutation(x(i,:));
end
fit(i) = fitnessFunc(decode(x(i,:)));
% 更新个体最优和全局最优
end
end
注意，伪代码里 fitnessFunc 内部一定要做完整的潮流计算和SOC时序仿真，否则适应度精度不够，算法再花哨也没用。
3. 程序实现与实操复现
3.1 模块化程序结构怎么搭
写这类程序最忌讳把所有东西堆在一个脚本里。我当时把程序拆成几个独立模块，调起来非常方便：
data_input.m：读取网架参数、负荷曲线、光伏出力曲线等；power_flow.m：潮流计算函数，输入节点注入功率，输出节点电压和支路功率；storage_model.m：储能运行仿真，输入储能位置、功率、容量，输出SOC序列和运行成本；fitness_func.m：适应度函数，综合调用潮流和储能模型，返回目标函数值；pso_ipso.m：改进粒子群算法主程序；output_result.m：结果统计和可视化。
这种模块化最大的好处是可以单独测试底层函数。比如潮流计算模块，网格数据单独输入，先用固定注入功率验证潮流结果是否合理；储能模型也先在某个固定节点和容量下跑一遍，看SOC变化是否符合预期。底层函数没问题了，再丢给PSO去搜，不会出现“算法半天不收敛，最后发现是潮流算错”这种绝望局面。
3.2 关键代码片段：粒子编码、适应度与潮流调用
先说粒子编码。我用的是混合编码，每个粒子是一个三维向量，第一维是节点编号的连续化表示，第二维是储能额定功率，第三维是储能额定容量。例如：
matlab复制% 粒子向量： [节点位置(连续) 额定功率(MW) 额定容量(MWh)]
x = [12.3, 0.55, 1.76];
% 解码：节点位置取整
node_idx = round(x(1));
% 功率和容量则直接保留，但做上下界裁剪
p_rated = min(max(x(2), p_min), p_max);
e_rated = min(max(x(3), e_min), e_max);
适应度函数的计算流程大致是：
matlab复制function cost = fitnessFunc(node_idx, p_rated, e_rated, data)
% data中包括负荷曲线、光伏曲线、网络参数
% 1. 初始化储能SOC序列
soc = zeros(T,1);
soc(1) = s_initial;
% 2. 对每个时段t，计算该节点储能充放电功率，并更新注入功率
for t = 1:T
% 根据当前时刻的净负荷和SOC 决定充/放电功率
p_s(t) = decisionStrategy(soc(t), p_load(t), p_pv(t), p_rated);
soc(t+1) = soc(t) + p_s(t) * dt / e_rated;
% 修正SOC越限
if soc(t+1) > soc_max, p_s(t) = (soc_max-soc(t))*e_rated/dt; soc(t+1)=soc_max; end
if soc(t+1) < soc_min, p_s(t) = (soc_min-soc(t))*e_rated/dt; soc(t+1)=soc_min; end
% 更新节点注入有功P注入 = -P负荷 + P光伏 + P储能
end
% 3. 对全部时段的节点注入调用潮流计算
voltage = powerFlow(network, P_injection, Q_injection);
% 4. 计算网损、电压偏差、弃光量和成本
cost = annualCost(e_rated, p_rated, loss, curtail, voltage);
end
这里有个细节：充放电策略不是预先固定死，而是按实际净负荷和光伏出力做的“逻辑决策”。最简单的策略是光伏高发时优先充电，负荷高峰时放电；更复杂一点可以把电价信号也加进来。但优化模型里如果同时优化充放电策略，变量会膨胀，所以常见做法是先固定策略，储能容量和功率交给PSO去搜。固定策略不会改变问题本质，因为最终成本依然会反映储能配置是否合理。
潮流计算我用的还是前推回代，因为14节点配网通常是辐射状网络，前推回代速度快、稳定性好。如果你手里的版本是环网或含分布式电源的多电源网架，前推回代可能会不收敛，那时候要切换成Newton-Raphson。代码里可以通过一个网络拓扑标志来自动选择潮流方法。
3.3 参数设置与调优经验
参数设置是复现过程中最容易被忽略但最重要的环节。我给出一组我实测下来比较好用的参数，见下表：
| 参数名 | 推荐值 | 说明 |
|---|---|---|
| 种群规模 | 50 | 14节点问题不需要太大，40~60足够 |
| 最大迭代次数 | 150 | 再多也不是不行，但300次后收益很小 |
| 惯性权重范围 | 0.9 ~ 0.4 | 线性递减，保证前期搜索、后期收敛 |
| 学习因子c1 | 2.0 → 1.0 | 前期强化自我认知，后期减少震荡 |
| 学习因子c2 | 1.0 → 2.0 | 前期社会信息弱，后期引导收敛到全局最优 |
| 变异概率 | 0.05 | 太低不起作用，太高会破坏收敛 |
| 惩罚系数 | 1e6 | 电压越限、SOC越限的惩罚项权重 |
调参经验就一句话：先粗调，后微调。先用默认参数跑一遍，画出每一代最优适应度曲线。如果曲线到后期还在明显下降，说明迭代次数不够；如果前二十代就平坦了，大概率是早熟，要加大变异概率或初始权重。如果结果经常跳来跳去，则固定随机种子，检查是不是适应度函数里有的随机过程没固定，比如某些SOC策略里加入了随机扰动。
3.4 算例结果解读：储能装在哪、装多大、效果如何
我用自己的程序跑了一组14节点配网算例，网架里有两条馈线，节点8附近接了一个2 MW的光伏电站，同时末端节点13、14也有分布式光伏。初始状态下，光伏大发时末端电压越限，最高到了1.07 p.u.，弃光率大约18%。储能投资成本按单位容量和单位功率折算进等年值。
用IPSO跑完，最优方案大致是：在节点8安装一套0.8 MW/2.0 MWh储能，同时在末端节点14安装一套0.5 MW/1.2 MWh储能。这个组合下，末端电压被控制在1.02 p.u.以内，弃光率降到2%以下，系统年网损比不装储能时下降约12%，储能等年值投资和经营成本摊进去后综合成本仍显著降低。
结果解读时可以关注几个点：储能为什么会落到末端节点14？因为末端电压越限最严重，装在那里能直接缓解末端电压问题；节点8为什么也要装？因为光伏集中在8附近，就地充电能减少弃光，也缓解馈线输送压力。节点14的容量比节点8小，说明末端节点更多是“电压支撑”需求，而靠近电源点的节点是“消纳提升”需求。这种规律只靠直觉很难判断，但用优化模型跑出来就会很清楚。
4. 常见问题与排查技巧实录
4.1 潮流计算不收敛，先自查这四个地方
这个问题我遇到太多次了。第一次跑14节点配网，PSO跑得好好的，突然某一次适应度评估就返回一个巨大的成本，我一度以为算法崩了。后来定位到是潮流计算不收敛，原因大致有四类：
一是线路参数或变压器参数输入错误，比如电阻、电抗数量级差了十倍，导致潮流方程病态；二是节点分类没处理好，光伏并网节点如果是PQ节点而实际应作为平衡节点或PV节点，计算也会出问题；三是网络拓扑存在孤岛，部分节点没有和电源连通；四是初值设置太差，比如所有节点电压初始化成0，Newton-Raphson就很难收敛。
排查方法很简单：先固定一组已知的简单负荷，跑一遍潮流，看结果是否合理；再把光伏节点一个个加上去，确认新增的节点类型和注入功率有没有问题。如果潮流还是不收敛，就把迭代次数加大，并打印每次迭代的最大功率偏差，通常一眼就能看出是哪类问题。
4.2 PSO早熟、结果抖动，怎么定位
早熟和结果抖动是粒子群算法最经典的两个问题。定位方法是直接观察全局最优适应度随迭代次数的变化曲线——如果曲线在小幅波动后长时间不动，那基本是早熟；如果几次独立运行结果完全不同，可能是初始种群随机性太大或目标函数存在多个相似局部最优。
解决早熟，除了前面说的动态变异，还可以采用“多次运行取最优”的策略，比如连续运行5次，每次随机种子不同，最后取成本最小的方案。这个策略看着土，但实际很有效。针对结果抖动，我建议先固定随机种子，查看单次运行内部到底是在哪些变量上跳变。如果是节点位置在几个候选节点之间反复横跳，那就说明这几个节点对应的成本差异很小，你可以把全部候选节点的成本打印出来，人工对比再确定最终选址。
4.3 SOC时序约束错乱，多是这三类原因
储能SOC约束是最容易因为实现疏忽而出错的模块。第一类原因是SOC初始值没设好，比如初始SOC设为80%，但调度周期末要求回到80%，如果充放电策略最后一天没安排好，约束就会被执行成惩罚，导致成本虚高。第二类是SOC更新时把功率单位搞混，储能功率单位是MW，容量单位是MWh，计算SOC增量时必须除以容量，再乘以时间步长，这个换算最容易漏。第三类是充放电功率越限后只做了截断，没把截断带来的能量偏差反馈到SOC上，导致SOC在边界处漂移。
我在代码里一般这样处理：每个时段先根据电价和净负荷决定充放电期望功率，再对功率进行上下限裁剪；裁剪后再更新SOC，并检查SOC是否越过上下限；如果越限，就反推实际允许的充放电功率，并用这个功率重新更新SOC。这样能保证SOC序列始终在可行域内，不会出现“SOC=120%”这种离谱结果。
4.4 结果明显不合理？先拆成本表
如果你跑出来的结果里，储能容量巨大、装了很多台，或者是光伏弃光率不降反升，别急着怀疑算法，先一步一步拆成本。我习惯在全程序里加一个“成本分解打印”，每次适应度评估都返回四个子项：储能投资成本、网损成本、弃光惩罚、电压惩罚。一旦结果不合理，立刻打印全局最优解对应的这四个子项。
比如发现电压惩罚项很大，说明某个节点电压越限被罚了很多，但储能投资成本相比惩罚项还便宜，于是算法就会疯狂加储能，导致容量虚高。这时候要调整电压惩罚系数，或者把电压越限从软约束改成硬约束。如果发现弃光惩罚项接近0而网损成本很高，说明目标函数权重偏向网损，储能会倾向于装在线路重载段而不是光伏侧，这就需要根据实际工程需求去调整权重。
我个人在实际操作中的体会是，这类模型的核心价值并不是给你一个“永远正确”的储能安装答案，而是让规划人员在面对不同光伏接入方案、不同负荷增长场景时，能快速判断储能应该往哪放、容量怎么变。它不是万能解，但比纯粹拍脑袋可靠得多。最后分享一个我踩坑后总结的小技巧：跑完算法别急着看最优解，先把目标函数里的成本列拆开打印，储能投资、网损、弃光、电压惩罚各占多少，一眼就能看出方案到底在优化什么，这个习惯能帮你省掉大量调参时间。如果你也想在这个模型上继续扩展，不妨把单一典型日改成多季节典型日集合，或者把电价机制换成分时电价，整条程序的框架都不用动太多，结果会更有工程参考价值。