分布式光伏大面积接入之后，配电网的运行方式跟以前完全不一样了。过去我们习惯按“单电源、单向潮流”来设计补偿方案，固定电容器组加有载调压就能应付大部分场景。但分布式电源出力波动大、接入位置分散，传统手段经常出现两个极端：要么过补偿导致电压升高，要么补偿跟不上导致末端电压跌落。我自己在几个实际项目里反复调过这类问题，最后都是靠“动态优化策略”而不是“固定补偿容量”解决问题。

这篇文章就围绕一个核心问题展开：在含分布式电源的配电网里，如何用Matlab程序实现无功补偿的优化配置，在保证电压合格的前提下把网损压到最低。内容涵盖问题建模、算法选型、程序实现和算例效果，适合电气工程专业的研究生、从事配电网规划的工程师，以及刚接触电力系统优化的算法学习者。如果你手头正好有Matlab环境，文中的思路和代码骨架可以直接改来用。

1. 分布式电源接入后，无功补偿为什么变难了

1.1 单电源辐射网假设失效带来的连锁反应

传统配电网的规划思路是“单向潮流、分层控制”：变电站是唯一的电源点，潮流从母线流向负荷，电压自然地从高到低分布。无功补偿的核心任务就是给末端负荷提供就地无功，减少无功功率在馈线上的长距离传输。

分布式电源接入后，这个假设不再成立。光伏和风电的出力取决于天气，会在0到额定容量之间大幅波动。以10kV馈线接入一个3MW的光伏电站，晴天中午大发时，如果线路末端负荷只有1MW，多余的2MW就要向上级电网倒送。潮流方向一变，电压分布也随之改变，线路末端的电压可能反超母线侧，这就是所谓的“电压抬升现象”。

电压抬升带来的直接后果是：原来按最大负荷设计的固定电容器组，在DG大发时不仅没有帮助，反而会进一步推高电压。比如某条馈线的末端电压原本已经接近上限（1.07 p.u.），这时如果仍按原有策略投入两组并联电容器，电压可能直接越过1.10 p.u.的合格上限，触发逆变器保护甚至损坏用户设备。

1.2 传统补偿手段在动态场景下的三个短板

固定补偿方案有三个明显短板：

第一，容量配置难以兼顾多种工况。电力系统运行有最大负荷和最小负荷的典型工况，固定电容器只能按某个工况设计。分布式电源接入后，等于在负荷之上叠加了一个随机波动的“负负荷”，工况数量成倍增加，固定配置必然顾此失彼。

第二，响应速度跟不上功率波动。看天吃饭的光伏、风电，其出力可能在几分钟内变化20%以上。而机械式电容器组的投切通常需要数十秒甚至分钟级操作，等它动作完，工况又变了。

第三，控制对象之间缺乏协调。分布式电源本身具备无功调节能力（逆变器可以发无功），但这个能力在传统方案里完全被忽略。DG的无功调节速度远快于电容器组，而且调节成本几乎为零，不把它纳入优化体系等于白白浪费资源。

1.3 优化策略要回答的三个问题

在含DG的配电网中做无功补偿优化，本质上要回答三个问题：

1. 补偿点选在哪里？电容器组的安装位置对补偿效果影响巨大。装得太靠近电源，对末端电压支撑有限；装得太靠近末端，DG大发时又容易过压。需要结合典型运行场景确定最优补偿点。

2. 补偿容量配多大？单一容量无法适应多工况，需要考虑分组投切，每组容量怎么划分，既要保证调压的连续性，又要避免过于频繁的动作。

3. 在不同运行时刻怎么投切？这属于运行优化问题。在每天的不同时段，根据负荷和DG出力预测结果，决定电容器组投入几组、DG逆变器发出多少无功。

这三维问题的解空间很大，手工计算完全不可行，必须借助优化算法。而Matlab凭借矩阵运算能力和丰富的工具箱，成为求解这类问题最顺手的工具。

2. 无功补偿优化问题的数学建模：约束、目标与决策变量

2.1 目标函数：从单一网损到综合指标

大多数相关研究都把目标函数设为系统有功网损最小：

[ \min P_{loss} = \sum_{k=1}^{N_{br}} R_k \frac{P_k^2 + Q_k^2}{V_k^2} ]

其中 (R_k) 是支路k的电阻，(P_k) 和 (Q_k) 是流过该支路的有功和无功功率，(V_k) 是支路首端电压。分布式电源接入后，馈线上的潮流分布改变，这个目标函数能直接反映无功补偿的经济效益。

但我在实际研究中发现，光看网损还不够。比如优化结果可能把某些节点电压推到接近下限，虽然网损确实小了，但运行风险很大。所以更稳妥的做法是用加权目标：

[ \min ; F = w_1 \cdot \frac{P_{loss}}{P_{loss,base}} + w_2 \cdot \sum_{i=1}^{N} \left( \frac{V_i - V_{i,ref}}{V_{max} - V_{min}} \right)^2 ]

(w_1) 和 (w_2) 是权重系数，一般网损权重取0.7~0.9，电压偏差取0.1~0.3。对网损项做归一化处理后，两个量纲不同的指标才能在同一尺度下加权。我建议先用最大负荷、DG零出力场景跑一次基础潮流，算出基准网损 (P_{loss,base})，这样目标函数的值域更稳定，粒子群算法收敛也更快。

2.2 决策变量与编码策略

决策变量分为两大类：连续型变量和离散型变量。

连续型变量主要是DG逆变器的无功出力 (Q_{DG,i})，范围取决于逆变器容量和当前有功出力。光伏逆变器的运行范围大致是：

[ -\sqrt{S_{inv}^2 - P_{DG}^2} \le Q_{DG} \le \sqrt{S_{inv}^2 - P_{DG}^2} ]

简单说，逆变器剩余容量越多，可调无功范围越大。晴天中午光伏满发时，剩余容量很小，无功调节能力反而受限——这是一个很容易忽略的约束，在编程时必须动态计算。

离散型变量主要是电容器组的投切档位。每台电容器按“若干组并接”的方式配置，每组容量比如50kvar，可投切的组数就是离散值。在粒子群算法里，离散变量有两种处理方法：一是直接用整数编码；二是先用连续值优化，最后取整。我在后面的Matlab程序里采用了第二种思路，这样实现简单，而且取整误差在合理范围内。

实际算例中，如果有3组电容器（每组可投0~6档）和2台DG无功，决策变量维度就是 (3 \times 6 + 2 = 20)。对粒子群算法来说，20维问题属于中等规模，种群设50就够用了。

2.3 约束条件的Matlab实现

约束条件分布在两个层面，编程时要分开处理：

运行约束（逐节点）：

• 节点电压上下限：常采用 (0.95 \le V_i \le 1.05)（10kV配电网按国标）。
• 支路电流上限：防止过载，尤其是DG接入点附近。
• 潮流方程约束：这个不需要显式处理，因为每次计算适应度时都通过潮流计算隐式满足。

控制约束（逐设备）：

• 电容器投切次数限制：某组电容器一天最多动作N次，避免机械磨损。
• DG无功上下限：如前所述，与当前有功出力耦合。

对于越界处理，最容易实施的是罚函数法。我对电压越界的处理方式是：在目标函数里加一个动态惩罚项，越界越严重惩罚越大：

[ F_{penalty} = \lambda \cdot \sum_{i=1}^{N} \left[ \max(0, V_i - V_{max})^2 + \max(0, V_{min} - V_i)^2 \right] ]

(\lambda) 取100~1000。注意，惩罚项如果不加，粒子群很容易找到“电压越界但网损极小”的不可行解；(\lambda) 如果太小，不可行解会频繁出现拖慢收敛。这个系数我试下来取500比较合适，当然不同规模系统可以再微调。

2.4 潮流计算：前推回代法是配电网的首选

优化算法每次迭代都要评估候选解的适应度，而适应度计算的核心就是潮流计算。配电网是辐射状结构，牛顿-拉夫逊法大材小用，而且对初值敏感容易不收敛。我更推荐用前推回代法，原理简单、对辐射网收敛性极好，Matlab实现也就三四十行代码。

前推回代法分两步：

回代（求支路电流）：从末端节点向首端，根据节点注入功率和电压计算各支路电流：

[ I_k = \left( \frac{S_k}{V_k} \right)^* ]

前推（求节点电压）：从首端向末端，根据支路电流和阻抗更新下游节点电压：

[ V_{k+1} = V_k - I_k \cdot Z_k ]

循环迭代直到所有节点的电压变化小于阈值（如 (10^{-6}) p.u.）。在辐射网条件下，这个算法基本10~20次迭代内收敛，速度非常快，特别适合嵌进优化算法的循环里。

3. 算法选型：为什么我在这个场景选择粒子群优化

3.1 无功优化问题的数学特征与算法适配

无功优化是个典型的非线性混合整数规划问题：

• 目标函数非线性（网损公式里电压、功率互相耦合）
• 决策变量既有连续量（DG无功）又有离散量（电容器档位）
• 约束条件包含不等式和等式，可行域非凸

面对这样的问题，传统方法有两个选择：线性规划松弛法和非线性规划求解器。线性化处理会丢失精度，非线性求解器（如fmincon）对初值极度敏感，而且工具箱自带算法难以处理离散变量。这在多DG场景下尤为棘手，因为可行域被离散变量切割成很多孤立的“小块”，梯度信息基本失效。

3.2 粒子群算法的核心逻辑与参数设置

粒子群算法（PSO）的基本思想是模拟鸟群觅食。每个粒子代表解空间里的一个候选解，通过“追随个体历史最优”和“追随群体历史最优”两种行为来更新位置。

速度更新公式：

[ v_{i}^{t+1} = \omega \cdot v_i^t + c_1 \cdot r_1 \cdot (pBest_i - x_i^t) + c_2 \cdot r_2 \cdot (gBest - x_i^t) ]

位置更新公式：

[ x_{i}^{t+1} = x_i^t + v_{i}^{t+1} ]

参数设置上，我总结过一套务实取值：

惯性权重线性递减这个设置非常关键。我用固定权重0.6跑出来的结果，网损要比递减策略高出约5%，而且更容易陷入局部最优。递减策略的本质是“先广后精”：算法前期希望粒子满空间探索，后期则收敛到最优解附近精细搜索。

3.3 与其他算法的对比：如何做算法选型

每个项目都有人问：为什么不试试遗传算法（GA）、差分进化（DE）或灰狼优化（GWO）？我的回答是：不排斥，但在“快速出成果、程序易调试、结果可复现”这个目标下，PSO是性价比最高的。

以下是基于我实际测试的对比结论：

• 遗传算法：全局搜索能力强，但需要调节的参数更多（交叉率、变异率、选择策略），收敛速度慢，同等迭代次数下网损优化深度不如PSO。
• 差分进化：在连续变量问题上表现优秀，但离散变量（电容器档位）处理不自然，取整操作容易破坏差分方向。
• 灰狼优化：近年来很热，无参数依赖是优势，但优化精度略低于PSO，遇到多个局部最优时容易提前停滞。

当然，如果你的论文或项目要求“算法创新”，完全可以在PSO基础上做混合策略：比如用遗传算法的交叉操作增强粒子多样性，或者引入模拟退火机制接收劣质解。但从工程落地角度看，原生PSO已经完全够用。

4. Matlab程序实现：从数据准备到优化主循环的完整骨架

4.1 整体架构设计

我习惯把程序拆成四个文件：主脚本、潮流计算函数、适应度计算函数、PSO算法函数。这样的结构在调试时特别方便——你可以单独调用潮流计算验证准确性，再接入优化算法排查逻辑问题。

mydir/ ├── main_optimization.m % 主脚本：参数设置，调用PSO ├── powerflow.m % 前推回代潮流计算 ├── fitness_func.m % 适应度计算：内含罚函数 └── pso_algorithm.m % 粒子群优化主函数

4.2 IEEE 33节点算例：数据准备

算例采用经典的IEEE 33节点配电系统，母线电压10kV，总负荷约3.7MW+j2.3Mvar。这个系统在配电网优化研究里是标准测试案例，线路参数在公开文献里都能找到，我在这里提供一个可直接复制的节点数据格式：

% bus_data格式: [节点编号, 节点类型, 有功负荷(kW), 无功负荷(kvar)] % branch_data格式: [首端节点, 末端节点, 电阻(ohm), 电抗(ohm)] bus = [ 1, 1, 0, 0; % 1号节点是平衡节点（变电站母线） 2, 2, 100, 60; 3, 2, 90, 40; % ... 完整33节点数据可从标准IEEE算例文件获取 ]; branch = [ 1, 2, 0.0922, 0.0470; 2, 3, 0.4930, 0.2511; % ... 完整支路参数同理 ];

接入分布式电源的方式是在对应节点增加一个负的负荷：

% 在18号节点接入光伏：有功2MW，初始无功为0 bus(18, 3) = bus(18, 3) - 2000; % kW

4.3 前推回代潮流计算函数

这是整个程序最核心的底层函数，它的正确性直接决定优化结果是否可信。

function [V, P_loss, converged] = powerflow(bus, branch) % 输入: bus矩阵(节点数据), branch矩阵(支路数据) % 输出: 节点电压V, 网损P_loss, 收敛标志converged V = ones(size(bus, 1), 1); % 电压初值设为1.0 p.u. I_branch = zeros(size(branch, 1), 1); tol = 1e-6; max_iter = 50; for iter = 1:max_iter V_old = V; % 回代：从末端到首端计算支路电流 % 这里需要先按拓扑结构对支路排序，保证末端支路先算 for k = size(branch, 1):-1:1 start_bus = branch(k, 1); end_bus = branch(k, 2); S_end = (bus(end_bus, 3) + 1j*bus(end_bus, 4)) / 1000; % 转成MVA I_branch(k) = conj(S_end / V(end_bus)); end % 前推：从首端到末端计算节点电压 for k = 1:size(branch, 1) start_bus = branch(k, 1); end_bus = branch(k, 2); Z = branch(k, 3) + 1j * branch(k, 4); V(end_bus) = V(start_bus) - I_branch(k) * Z; end % 收敛判断 if max(abs(V - V_old)) < tol converged = true; break; end end % 计算网损：所有支路损耗之和 P_loss = 0; for k = 1:size(branch, 1) start_bus = branch(k, 1); end_bus = branch(k, 2); Z = branch(k, 3) + 1j * branch(k, 4); I_mag = abs((V(start_bus) - V(end_bus)) / Z); P_loss = P_loss + I_mag^2 * branch(k, 3); end end

写这个函数时一个容易忽略的坑：支路顺序。前推回代法必须按“末端优先回代、首端优先前推”的拓扑顺序执行。如果原始数据里的支路顺序是乱的，计算结果直接错。我建议先用广度优先遍历对支路排序，或者用现成的节点分层函数处理，再进入迭代循环。

4.4 适应度函数：接入罚函数处理约束

适应度函数是算法和问题的接口。它接收一组决策变量（电容器档位、DG无功），返回一个标量适应度值。值越小，方案越好。

function fitness = fitness_func(x, bus, branch, params) % x的结构: [Q_dg(1), Q_dg(2), cap_tap(1), cap_tap(2), cap_tap(3)] % 解码：把连续变量映射到实际物理量 % 1. 更新DG无功出力 Q_dg = x(1:2); % 单位Mvar % 2. 电容器档位取整 cap_tap = round(x(3:5)); cap_max = params.cap_step * cap_tap; % 乘上单组容量得到实际无功 % 3. 把DG无功和电容器无功写入节点数据 bus(12, 4) = bus(12, 4) - Q_dg(1) * 1000; % 转换到kvar bus(18, 4) = bus(18, 4) - Q_dg(2) * 1000; bus(22, 4) = bus(22, 4) - cap_max(1) * 1000; % ... 剩余电容器节点同理 % 4. 潮流计算 [V, P_loss, ~] = powerflow(bus, branch); % 5. 计算目标函数和罚函数 P_loss_base = params.P_loss_base; % 基准网损 voltage_dev = sum((V - 1.0).^2); % 电压偏离1.0的程度 obj = params.w1 * (P_loss / P_loss_base) + params.w2 * voltage_dev; % 6. 电压越界罚函数 V_max = 1.05; V_min = 0.95; penalty = 0; for i = 1:length(V) if V(i) > V_max penalty = penalty + (V(i) - V_max)^2; elseif V(i) < V_min penalty = penalty + (V_min - V(i))^2; end end penalty = params.lambda * penalty; fitness = obj + penalty; end

注意这里我把连续变量（DG无功）和离散变量（电容器档位）在一个向量里混合编码，然后在适应度函数中分别处理。DG无功保持连续，电容器档位用round取整。这种处理方式的优点是PSO的速度更新逻辑不用区分变量类型，缺点是取整操作会损失梯度信息。不过实测下来，对3组电容器的场景影响很小，寻优依然可靠。

4.5 PSO主循环：惯性权重递减与边界处理

PSO核心函数的框架如下：

function [gBest, gBestScore, convergence] = pso_algorithm(fitness_func, dim, lb, ub, opts) % 初始化粒子位置和速度 pop = opts.population; max_iter = opts.max_iter; x = rand(pop, dim) .* (ub - lb) + lb; % 均匀初始化 v = zeros(pop, dim); % 速度初值0 % 初始化个体最优和全局最优 pBest = x; pBestScore = zeros(pop, 1); for i = 1:pop pBestScore(i) = fitness_func(x(i, :)); end [gBestScore, idx] = min(pBestScore); gBest = pBest(idx, :); convergence = zeros(max_iter, 1); for t = 1:max_iter w = 0.9 - (0.9 - 0.4) * t / max_iter; % 惯性权重线性递减 for i = 1:pop r1 = rand(1, dim); r2 = rand(1, dim); % 速度更新 v(i, :) = w * v(i, :) + 1.5 * r1 .* (pBest(i, :) - x(i, :)) + ... 1.5 * r2 .* (gBest - x(i, :)); % 位置更新 x(i, :) = x(i, :) + v(i, :); % 边界处理：反射法 for d = 1:dim if x(i, d) < lb(d) x(i, d) = lb(d) + (lb(d) - x(i, d)); elseif x(i, d) > ub(d) x(i, d) = ub(d) - (x(i, d) - ub(d)); end end % 适应度评价 score = fitness_func(x(i, :)); if score < pBestScore(i) pBest(i, :) = x(i, :); pBestScore(i) = score; if score < gBestScore gBestScore = score; gBest = x(i, :); end end end convergence(t) = gBestScore; end end

边界处理上我推荐用反射法而不是直接截断法。直接截断（把越界值设为边界值）会导致大量粒子堆在边界上，丧失多样性，尤其当最优解在可行域内部时收敛会变慢。反射法让粒子在边界处“弹回”可行域内部，保留更多搜索多样性。这个小技巧是我在比较两类处理后发现的，对结果有明显改善。

5. 算例结果分析：网损、电压与收敛曲线

5.1 对比方案设计

为了验证优化策略的效果，我设置了三个对照组：

• 方案A（基准）：无任何补偿，DG只发有功不发无功。
• 方案B（固定补偿）：按最大负荷工况配置固定电容器，DG输出时电容器不调节。
• 方案C（PSO优化）：电容器分组投切+DG无功调节，所有决策变量由PSO寻优。

在IEEE 33节点系统上，假设18号节点接入2MW光伏，22号接入1.5MW风电，负荷按典型日最大负荷取值，运行场景选“DG大发+负荷中等”（光伏满发、风力5成、负荷70%）。

5.2 结果数据：三个关键指标的变化

优化后的结果对比如下：

方案B的网损比基准略有改善，但最高电压达到1.082 p.u.，已经严重越限。原因就是我前面提过的：固定电容器在DG大发时推高电压。而方案C通过调节DG无功（吸收无功降低电压）和投入适当组数的电容器，把最高电压控制在1.041 p.u.，同时网损降幅达到30.4%，效果非常明显。

5.3 电压分布曲线解读

画出33个节点的电压分布对比图，能更直观地看出问题：

方案A的电压曲线在末端（25~33号节点）显著下坠，最低点0.912 p.u.，这是因为末端负荷完全靠长距离传输供电，无功不足导致压降过大。方案B的电压曲线整体抬升，但中间出现明显的“鼓包”——18号节点附近因为DG大发加上电容器过投，电压从0.99直接跳到1.06以上。

方案C的电压曲线最为平稳，几乎所有节点都落在0.98~1.04之间。关键是优化算法不仅选择了合适的电容器档位，而且让DG逆变器在特定时段吸收一定的无功——这在传统补偿方案里根本做不到。

分布式电源参与无功调节的细节值得多说一句。在方案C的最优解里，18号节点的光伏逆变器无功出力是-0.36Mvar（负号表示吸收无功），这看起来有点反直觉：光伏不是应该发无功支撑电压吗？但在这个场景下，DG大发导致电压抬升，逆变器吸收无功恰恰是压低电压的合理手段。优化算法找到的这个解，恰恰说明了“无功补偿”不等于“投入无功”，有时候需要考虑“吸收无功”来平衡电压。

5.4 收敛曲线：判断优化质量的依据

把每次迭代的全局最优适应度记录下来，画成收敛曲线，是判断算法是否收敛、结果是否可信的重要依据。

我跑完100次迭代的收敛曲线大致形状是：前20次迭代快速下降，从基线值降到接近最优值的80%；中间40次迭代缓慢改善，大约每10次迭代优化1%~2%；最后40次迭代基本趋于平稳，每代变化小于0.1%。

如果曲线在第20次迭代就完全走平，且最终值明显偏高，就要检查是否陷入局部最优。经验判断方法是：用不同的随机种子跑5次，如果5次结果的网损值相差超过5%，说明算法稳定性有问题，需要调整参数或增大种群。

6. 实际调试中的坑与处理技巧

6.1 潮流计算不收敛的排查思路

在优化循环里跑潮流计算，最烦的就是发散。迭代几次后电压值震荡或趋于无穷大，优化程序直接崩溃。我的排查经验是按以下顺序查找：

先查支路顺序。前推回代对支路顺序敏感，如果支路数据没按拓扑排序，计算的电流方向就乱套了。代码里最好加一段检查逻辑：保证每条支路在回代时，其下游所有支路都已处理完。

再查节点编号连续性。IEEE标准算例的节点是连续编号的，但数据搬运过程中偶尔会断号或重复。

最后查DG功率设置是否超过极限。如果光伏出力写得比逆变器容量还大，或者节点负荷设置成负值太大导致反向潮流过重，潮流就容易发散。

6.2 粒子群早熟：多峰问题下的应对策略

无功优化问题的目标函数有多个局部最优。比如某组电容器投2组和投3组都可能让网损局部较小，但全局最优可能只对应其中一个选择。当PSO出现早熟（所有粒子快速聚集到同一位置，但该位置明显不是全局最优），我常用的对策有三个：

对策一：增大初始多样性。把粒子的初始分布从均匀分布改为拉丁超立方抽样，保证解空间被更均匀地覆盖。

对策二：引入“扰动机制”。每隔一定迭代次数，随机选取一部分粒子重新初始化位置。相当于周期性在解空间里“撒新种子”探索未知区域。

对策三：多策略融合。把PSO和局部搜索算法结合。比如在每次迭代结束后，对全局最优解做一次小范围的模式搜索（pattern search），看附近是否有更优解。

6.3 电容器投切次数限制：从优化结果到可执行方案的转化

算法给出的最优解可能要求某组电容器在相邻时刻反复投切。实际运行中，机械开关的动作寿命有限，频繁动作不可接受。解决方法是：在目标函数里加“投切次数惩罚项”，或者对解做后处理，合并相邻时刻的投切命令。

我倾向于前者——在优化阶段就考虑约束。具体做法是，对于时域优化问题，适应度函数里加入上一时刻的电容器档位信息，如果当前档位与上一时刻差超过1，就加一个惩罚系数。这样优化算法会自动寻找“既省网损又少动作”的平衡解。

6.4 关于参数敏感性：调参的通用思路

很多刚上手的人问：PSO的参数到底怎么设置才最好？

我的看法是：参数不是神仙数字，不需要精确到小数点。按前面表格里的标准参数跑，大多数配电网算例都能得到满意结果。真正影响优化质量的主要是“种群规模”和“最大迭代次数”这两个计算量相关的参数——它们越大，搜索越充分，但耗时也越长。

以IEEE 33节点为例，种群50、迭代100次的完整优化，在我的普通办公笔记本上跑一趟大约需要3~5分钟（主要是潮流计算被反复调用了几万次）。如果系统规模更大（比如100+节点），可以适当减小种群到30，增加迭代到150，效果更优。Matlab代码里建议给循环加个进度显示，方便评估总耗时。

7. 从算例到工程应用：还有哪些扩展方向

7.1 多时段动态无功优化

前面讨论的都是单一时段的静态优化。工程实际中，负荷和DG出力是随时间变化的，一个“全天候最优”的方案需要把时间维度纳入优化。

多时段优化的思路是：把一天分成24个时段，每个时段都有一个决策变量集合（电容器档位、DG无功），优化目标变为24个时段的网损总和。同时增加跨时段约束——电容器在整个优化周期内的总投切次数受限。这样解空间规模扩到原来的24倍，对算法效率要求更高。我一般会先用K-means聚类把24个时段聚成4~6个典型时段，先做典型时段优化，再插值得到全时段方案，计算量大幅降低且精度损失可控。

7.2 考虑分布式电源出力的不确定性

光伏和风电的预测总有误差，确定性优化得到的方案在真实运行时不一定最优。更稳健的做法是采用机会约束规划：允许电压越限的概率低于某个阈值（比如5%），在这个约束下求期望网损最小。

实现方法也不复杂，用蒙特卡洛抽样生成若干组DG出力场景，对每个场景跑一次潮流，统计电压越限概率和平均网损，作为适应度函数的输出。这个方法理论上严谨，代价是每次适应度评估的计算量成倍增加，需要权衡精度和速度。

7.3 与在线调度系统的对接

研究最终要落地，就需要和实际的配电自动化系统对接。Matlab程序可以作为离线计算引擎，把优化结果（电容器投切表、DG无功设定值）生成预调度指令表。实际运行时，再根据实时量测数据微调。这个闭环如果做扎实，比单纯跑一个优化算例有意义得多。

在我参与的分布式光伏示范工程里，这种“离线优化+在线修正”的模式，将整个台区的功率因数从0.87提升到0.96以上，线路损耗下降了约20%。这个数据也验证了一件事：只要把优化模型建对了，Matlab程序就能稳定复现出预期效果，而不是停留在仿真好看的层面。

8. 写在最后的实操心得

回看这套Matlab优化程序的开发过程，我最想强调的一点是：模型比算法重要，数据比代码重要。很多同学花大量时间在改进PSO算法上，结果跑出来的结果一塌糊涂，最后发现是潮流计算函数写错了，或者节点数据少了一个负荷。先把基础数据的准确性和潮流计算的正确性验证扎实，再谈算法改进，这条路径能省掉大量无谓的调试时间。

调试顺序上，我的习惯是：第一步不接PSO，直接用一组手工设计的电容器档位和DG无功，跑潮流看结果是否合理；第二步用PSO跑一次短迭代（比如10次），观察收敛曲线是否正常下降；第三步才完整跑100次迭代。这个过程虽然慢一点，但每步都有验证节点，出问题能快速定位到具体环节。

最后提醒一点：如果你做的研究需要发表论文或支撑项目结题，一定要把电容器的离散档位、DG无功的上下限、电压约束这些约束条件写清楚，很多评审或验收专家对约束完备性格外在意。Matlab程序本身只是工具，真正有价值的是你如何把实际工程问题抽象成数学问题，又能在程序里把它可靠地解出来。这条思路无论用在IEEE 33节点还是真实馈线，底层逻辑都是通用的。