1. 选址定容问题的数学模型重述为什么单一算法不够用做分布式电源规划的人应该都有同感选址定容这个问题的麻烦不在于“算不出来”而在于“算出来你也不敢信”。我最初接手这类项目时用的是加权系数法把网损、电压偏差、投资成本三个目标揉成一个标量函数用传统优化算法一跑得到一个“最优解”。结果拿给现场做配网规划的老师傅看人家直接问了一句你这个方案在夏季高峰和冬季低谷的电压分布完全不一样哪个才是我要的这一问把我问住了。后来我才真正意识到选址定容本质上不是一个单目标最优化问题而是一个典型的多目标决策问题。分布式电源的接入位置和容量配置会同时影响系统网损、节点电压质量、DG投资运行成本、以及故障情况下的供电可靠性。更麻烦的是这几个目标之间存在明显的冲突把DG集中在负荷中心附近电压支撑效果好但可能加剧局部线路过载把DG分散布置网损降了但投资成本和运维难度又上去了。你不可能让所有目标同时达到最优你能做的是在一组相互冲突的目标之间找出一组“谁也不完全支配谁”的折中解也就是Pareto最优解集。这组Pareto解集就是决策空间里真正的宝藏。它不会告诉你“唯一正确答案”而是给你一张“可能性地图”。在这张地图上你既可以看到网损最低的方案长什么样也可以看到投资成本最小的方案有多保守还能看到电压质量最好的方案倾向于把DG放在哪些节点。至于最终选哪个那是调度策略、政策导向和现场约束共同作用的结果不是优化算法该替你拍板的事。所以当我改用NSGA2来做这个项目时核心转变其实不是“换了个算法”而是“换了一套决策思维方式”。NSGA2给到我的不再是一个点而是一整条Pareto前沿曲线。这条曲线让我能直观地告诉客户在投资预算内你能达到的最优网损水平是多少在电压质量要求提高10%的前提下你要多付出多少成本。这种“看得见代价”的决策方式才是工程实践中真正需要的东西。2. NSGA2算法在MATLAB环境下的落地实现要点2.1 算法流程的工程化改造NSGA2的标准流程大家都很熟悉种群初始化、快速非支配排序、计算拥挤度、锦标赛选择、模拟二进制交叉SBX、多项式变异、精英保留策略。但在MATLAB里把这套流程从论文变成能跑double、能出图的代码中间有好几个工程层面的坑要填。首先是种群编码方式。分布式电源选址定容问题的决策变量是“接入位置”和“接入容量”的组合。我最初的编码方式是二进制编码每个节点用0/1表示是否接入DG容量用一组离散档位对应。后来发现这种编码在交叉和变异之后会产生大量非法个体——比如两个父代交叉子代可能出现“同一节点被重复选中”或者“总装机超出配网承载力上限”的情况。每次都靠修复算子去纠正种群多样性损失严重。最终我改成了实数编码加约束分层的方案。具体来说决策变量是一个2N维的实数向量N是候选节点数。前N维是各节点的接入容量0表示不接后N维是接入标志位0/1但标志位不参与交叉变异而是在每次生成新个体后由容量值硬性推导容量大于某个阈值比如50kW则为1否则为0。这样既保留了实数编码在SBX交叉中的连续搜索能力又避免了产生逻辑上不自洽的个体。2.2 约束处理策略罚函数之外的思路配电网选址定容的约束条件一般是这几类潮流方程约束等式约束、节点电压上下限、支路电流热稳定极限、DG总装机容量上限、单节点接入容量上限。等式约束在潮流计算中天然满足因为用的是前推回代法求潮流真正麻烦的是不等式约束。我遇到过不少人直接用罚函数把违反约束的程度乘以一个大罚因子加进目标函数。这个方法不是不能用但有两个问题一是罚因子太小约束等于摆设罚因子太大又会让Pareto前沿严重偏向可行域边缘解集分布的均匀性变得很差二是NSGA2的Pareto支配关系在罚函数框架下会被扭曲一个网损极小但电压轻微越限的解可能被一个网损稍大但完全可行的解支配掉而我们恰恰需要保留那些“轻微越限但潜力巨大”的中间形态个体去参与进化。我自己最终的方案是“约束支配”加“可行性优先”的混合策略。具体实现上在快速非支配排序之前先判断每个个体的约束违反总量两个个体比较支配关系时违反约束少的个体优先只有两者违反量相同包括都为0才进行正常的Pareto支配比较。这个思路在NSGA2社区已经有很多变体实测下来比单纯罚函数稳得多也保留了足够多的边缘探索个体。2.3 关键函数的MATLAB性能调优NSGA2跑出的瓶颈一般不在算法本身而在潮流计算。一个30节点的配电网算一次潮流只要几毫秒但种群规模100、进化200代总潮流计算量是两万多次。如果每次潮流都用同一套前推回代函数去处理光潮流计算就能占掉总运行时间的八成以上。我做的第一个优化是潮流计算的向量化。MATLAB最忌讳的就是在循环里嵌套低效的标量运算。我把前推回代法里面的支路潮流递推改成矩阵运算用稀疏矩阵存储节点导纳矩阵和支路参数潮流的单次计算时间直接从毫秒级压到亚毫秒级。第二个优化是并行化。如果电脑有多核直接用parfor把种群中每个个体的潮流计算分摊到多个worker上。但这里有个细节parfor的循环体里不能有随机数产生否则每个worker的随机序列不受主控实验结果无法复现。需要在循环外先预生成好交叉变异要用的随机数矩阵或者给每个worker显式指定随机种子。3. 仿真参数设置与收敛性调试经验3.1 从一个跑不动的Demo到一个能出结果的系统实话说我第一次拿NSGA2跑选址定容模型结果非常难看。种群进化到第60代左右就完全停滞了Pareto前沿只有稀稀拉拉五六个解而且全部挤在目标空间的左下角网损低得离谱、电压却越限得离谱。排了半天错发现是两件事叠加的结果一是交叉概率太高0.9导致种群在进化后期失去多样性所有个体都向同一个方向集中二是变异步长太大多项式变异算子的分布指数eta_m设置成了10在实数编码下变异扰动可以让单节点容量从100kW直接跳到2MW大量个体掉进不可行域。在NSGA2的参数体系里交叉概率、变异概率、SBX分布指数eta_c、多项式变异分布指数eta_m这四个参数相互耦合不能孤立地调任何一个。我最终的参数组合是种群规模Np100进化代数Gen150交叉概率Pc0.85变异概率Pm1/决策变量维数这是NSGA2原文建议的动态取值方式eta_c15eta_m20。记住一个经验eta_m比eta_c大一些会更有利于维持种群多样性因为变异阶段承担着局部精细搜索的任务步长大一点不容易陷入局部Pareto前沿。3.2 如何判断算法已经收敛而非陷入早熟判断NSGA2收敛的方法和单目标算法完全不一样。单目标算法看目标函数值有没有变化NSGA2得看整条Pareto前沿的演化趋势。我常用的一个指标是“前沿面积法”把每一代得到的所有非支配解按目标1升序排列然后计算相邻解之间由目标1和目标2差值构成的矩形面积之和。这个面积在前沿扩张阶段会持续增大等到面积增幅小于某个阈值比如连续5代增幅小于1%基本可以认为前沿已经稳定。还有一个更直观的检查方法把每一代的最优个体拿去做潮流校验看它的两个目标值和约束违反量的变化趋势。如果目标值还在波动、约束违反量却已经降到零说明种群还在朝可行域边缘进化离收敛还早如果目标值几乎不动、约束违反量也在零附近反复跳说明算法已经卡在一个局部前沿上这时候单纯加大进化代数意义不大不如调高变异概率或者干脆重新初始化种群。3.3 典型算例的期望输出与实际对比我在一个改进的IEEE 33节点系统上做了验证测试。系统基准电压12.66kV总负荷约3715kW2300kvar每个节点设置了DG接入容量上限最大500kW总装机上限设为负荷峰值的25%。运行NSGA2之后Pareto前沿上取了一个折中解在节点16接入一台容量300kW的分布式光伏在节点22接入一台容量450kW的分布式风机在节点28接入一台容量200kW的储能型DG。相比无DG接入的基准场景系统网损从202.3kW降到了138.6kW降幅约31.5%全网最低电压从0.913p.u.提升到了0.956p.u.电压越限节点数从5个降到了0个。这个结果和论文里报告的典型结论一致。需要特别说明的是不同DG类型光伏、风电、燃气轮机、储能的出力特性差异会对目标函数计算产生很大影响。光伏只在白天出力、风电出力波动大、储能则具备时空转移能力在建模阶段一定要把时序特性考虑进去否则得到的“最优容量”在实际运行中一定会打折扣。我这个算例里简化处理为恒定功率因数下的确定性出力属于比较保守的初步估算后续如果要精细化建议引入典型日时序曲线把一年8760小时聚合成几个典型时段。4. 结果分析与Pareto前沿的工程决策应用4.1 从Pareto前沿读出决策信息算法跑完之后得到的一堆非支配解本身不会说话需要人去读。我的习惯是先把Pareto前沿画在二维目标空间里横轴是年综合费用或网损、纵轴是电压偏差或DG渗透率然后看几个关键位置前沿的左端点通常是“网损最优解”它的DG往往集中在大负荷节点附近单位容量的降损效果最明显。前沿的右端点一般是“投资最省解”它的DG接入容量刚好压着约束下限或者是完全不接入DG的原始电网状态。前沿的中间区域才是工程上最值得关注的部分——这里往往存在一个“拐点”在拐点左侧增加一点投资就能换来较大幅度的网损下降在拐点右侧再追加投资换来的收益就明显减弱了。这个拐点实质上就是边际效益递减的分界线工程选型时取拐点附近的解通常是性价比最高的。4.2 折中解选取的技术手段Pareto前沿选解有三种常用方法我按实际工程场景逐个说模糊隶属度函数法最省事。把所有目标归一化之后对每一个Pareto解计算各目标的满意度满意度函数一般取线性或指数形式。整个前沿上满意度综合最高的解就是折中解。这个方法的问题在于函数形式和权重系数都得靠主观设定不同人算出来可能给出不同的推荐位置。与理想点距离最小法是另一种做法。先算出各个目标单独最优时构成的“理想点”然后找Pareto前沿上欧氏距离最小的解。这种方法的好处是没有额外参数缺点是前沿形状不规则时容易选到边缘解。基于实际约束的筛选法是我最推荐的。把现场工程约束比如投资预算上限、DG渗透率不应超过某个安全值、接入节点不能是重要负荷的哨点节点作为硬性条件先在Pareto前沿上筛掉一批不合规的解剩下的再看哪几个处于拐点附近。这个方法不追求数学上的“最优折中”而是把决策者视角真正放进了算法结果的后处理环节。4.3 我用这套流程做成的实际决策报告去年帮一个工业园区做分布式光伏选址规划我把这套NSGA2流程封装成了一套MATLAB脚本。从跑完的Pareto前沿一共37个非支配解里做了一轮工程筛选先去掉投资超过预算上限的13个解再去掉接入节点位于冷冻机房母线上的4个解有意避开敏感负荷剩下的解里重点考察网损降幅在25%~35%之间的那批。最后推荐的方案是把光伏分散布置在三栋厂房屋顶单点容量在200~400kW之间年综合费用比“全部集中在一栋楼”的方案高出约6%但网损下降率多了近9个百分点。这个结果在项目评审会上拿给投资方看Pareto前沿上各个方案的代价和收益一眼就能看清比单纯的“最优解”有说服力得多。5. 避坑实录NSGA2求解选址定容的八个常见问题5.1 潮流计算与NSGA2主循环的接口设计这个坑踩得比较深。最初我把潮流计算写成了一个独立的m文件函数NSGA2主程序每次调用它都需要重新加载网络参数、初始化节点数据。看起来没毛病但跑起来之后发现速度慢得离谱。排查了半天才明白MATLAB的函数调用开销加上重复加载参数的损耗在几万次调用下会被无限放大。正确的做法是把配电网的基础参数支路阻抗、节点负荷、拓扑结构定义成主程序里的结构体变量用匿名函数捕获这些变量生成潮流计算句柄整个进化过程都使用同一个函数句柄参数读取只做一次。5.2 随机数种子对实验结果的影响很多人跑进化算法不设置随机种子结果每次跑出来的Pareto前沿形状都有细微差别。如果只是自己在做研究倒还好但如果要写论文、做项目汇报或者对比算法性能不固定随机种子等于给评审留了个大把柄。我在主程序最前面加了一行rng(42)所有随机数都从这个种子派生。要注意的是用了parfor并行计算之后随机数管理会变得更复杂建议把随机数生成操作全部移出parfor循环体在循环外生成好之后以矩阵形式传入。5.3 网络安全约束与分布式电源出力的时空耦合这个问题比较隐蔽也是我在做到第三个项目时才真正重视起来的。选址定容的优化结果往往只考虑了正常工况下的网损和电压指标没有把N-1预想事故某条支路退出运行下的电压和载流量约束纳入目标函数。实际运行中DG接入位置和容量会深刻影响故障后潮流的转移路径某个在正常工况下看起来很合理的方案在N-1条件下可能直接导致某条线路严重过载。处理思路是在目标函数或约束条件中增加N-1校验项对每个候选方案枚举关键支路开断后的潮流分布统计越限程度作为惩罚项加入目标函数。这会增加大量潮流计算量实际操作中可以对支路做预筛选只对重载率排名前30%的支路做N-1校验在精度和耗时之间取平衡。这个点虽然在很多论文里被一笔带过但在真实的配电网规划项目里几乎是必答题。5.4 算法早熟与种群的多样性维护NSGA2比传统遗传算法好在精英保留策略可以避免最优解被破坏但同样存在早熟风险。我在实践中发现一个规律前沿陷入早熟的时候种群中绝大多数个体都聚集在目标空间的某一小片区域拥挤度距离普遍很小。这时候单纯增大变异概率效果有限更有效的手段是采用NSGA2的变体——每隔若干代检测一次拥挤度距离的平均值如果连续多代低于阈值就把前10%的最优个体原样保留剩下的90%重新随机初始化强制注入新鲜血液。这个“精英保留周期性重启”的策略在我测试过的16节点、33节点、69节点系统上都表现稳健。5.5 代码结构模块化与参数脚本化很多初学者把NSGA2的代码写成一个大而全的脚本所有参数都硬编码在正文里。这表面上省事但一旦需要换网络拓扑、调整约束条件或者对比不同参数组合就得满地找变量名改数据极易出错。我的建议是把代码拆成既明确的模块参数配置脚本、潮流计算函数、目标函数计算函数、NSGA2主循环、结果后处理脚本。参数配置脚本单独成文件所有需要调整的数值都集中放在一个结构体里改参数只需动一个文件出问题也好排查。5.6 多目标指标的评价与统计分析方法NSGA2跑完后的评价指标至少要看三个非支配解的数量、前沿的均匀性、前沿与真实Pareto前沿如果能获得的话的贴近程度。前两个指标可以直接从解集分布算出来第三个指标在选址定容问题上通常没有解析解只能拿大种群、大代数跑出的结果作为近似参考。实际操作中我用一个简单实用的方式同一问题分别用50代、100代、200代的结果做对比如果100代和200代的前沿已经很接近就认为200代的结果可以作为近似真实前沿使用。5.7 有多少种分布式电源类型就要建多少套出力模型这点我在第三节提过但值得再强调。用恒定功率模型去近似光伏和风电会带来系统性的优化偏差。光伏的出力集中在10:00-14:00风电的典型出力高峰往往在夜间储能则可以根据电价信号灵活调整充放电时段。不同电源的时序互补特性恰恰是选址定容模型中最能“薅羊毛”的部分——把光伏放在白天负荷重的工商业区把储能放在电压支撑薄弱但电价波动大的节点效果会显著好于把所有DG一视同仁地建模。建议至少按“光伏风电储能”三种类型分别建模各带一条典型日出力曲线。5.8 MATLAB版本兼容性和第三方依赖最后提醒一个容易翻车的地方MATLAB不同版本对函数语法和工具箱的兼容性差别不小。我最早用的版本是R2018b后来换到R2022a发现某些旧版写的函数句柄用法在新版本里被警告甚至废弃。如果你要把这份代码发给别人用务必注明MATLAB版本号并且尽量少依赖特定版本的专属函数。另外如果用了并行计算工具箱、优化工具箱之外的第三方函数一定要提供独立的依赖清单。我自己在项目交付时会把所有用到的自建函数打包成一个文件夹附带一个versions.txt文件避免接收方因为环境差异跑不出结果而来回扯皮。6. 扩展方向与算法对比思考NSGA2在分布式电源选址定容上的应用这几年已经被大量论文验证过了但“能跑”不等于“跑得好”。做项目时我经常被问怎么不试试别的算法其实多目标优化的算法家族很大NSGA2只是其中一个经典代表。多目标粒子群MOPSO在多峰问题上的搜索能力不弱但它对Pareto前沿的均匀性维护不如NSGA2基于分解的多目标进化算法MOEA/D在大规模决策变量场景下效率更高但它的权重向量设计对问题维度很敏感多目标灰狼算法MOGWO在某些配网算例上收敛速度快但稳定性口碑一般。我个人的观点是算法选型应该服从问题特性。选址定容问题有离散决策变量空间和连续潮流计算的混合特征NSGA2的锦标赛选择机制配合精英保留策略对这类问题的搜索性能是最稳妥的。如果追求极致效果可以考虑在NSGA2基础上引入局部搜索操作类似memetic算法对Pareto前沿上的每个个体做一次局部微调通常能在不破坏多样性的前提下进一步提升前沿质量。另外补充一个实用的想法NSGA2虽然名叫“非支配排序”但真正的瓶颈往往不在排序而在种群评估对选址定容问题来说也就是潮流计算的耗时。如果项目对计算速度有硬性要求可以试试用响应面模型或Kriging代理模型替代部分潮流计算——先用少量精确潮流计算训练一个代理模型再在进化过程中用它快速排除明显劣质的个体只在候选个体进保留集之前才做精确校验。这个思路在配电商用规划工具里用得越来越多。回到代码本身到目前为止这套MATLAB程序对16节点、33节点、69节点三个经典辐射状配电网系统都做过测试稳定性和结果质量都合格。代码里每个函数都带注释说明输入输出格式和物理含义路径和参数变量也做了统一管理。如果你有具体的目标场景比如手头有一个实际的工业园区拓扑图或者园区有特定的峰谷电价策略直接在参数脚本里改网络数据和成本系数就能跑起来。最后再分享一个小技巧跑完NSGA2得到Pareto前沿后用MATLAB里的scatter函数把前沿点画出来再用plot函数把初始单目标最优解、纯投资最省解、纯网损最优解分别标成不同颜色。这一张图放进项目报告里比任何文字都管用。好的优化结果不是用来“惊艳”谁而是让人一眼看清各种代价之间的真实关系——这才是选址定容这个问题的终极价值所在。
