做配电网仿真的人，大概率都绕不过一个问题：分布式电源（光伏、风电、小水电）接入之后，原来的辐射状无源网络变成了多电源的有源网络，电压分布、网损、保护配合全都变了。今天就用Matlab把这件事从头到尾做一遍，以IEEE 33节点配电网为算例，接入分布式电源，分析它到底对电压和网损产生了哪些影响，同时给出可以直接复用的代码实现思路。这篇文章适合电力系统专业的学生、刚接触配电网仿真的工程师，也适合想用Matlab做潮流计算但不想从零啃理论的人。

先说清楚这篇文章能解决什么问题：帮你建立一套完整的分布式电源接入影响分析框架，从建模、潮流计算到结果量化评估，全部用Matlab代码落地。不堆公式，但关键原理会讲透；不贴整页代码，但核心函数和实现逻辑会拆开讲。你看完可以直接改参数跑自己的算例。

1. 问题背景与研究思路

1.1 分布式电源接入带来的核心影响

分布式电源（Distributed Generation，DG）接入配电网后，最直观的变化是配电网从“单电源放射状供电”变成了“多点注入”的结构。传统配电网的潮流方向是单向的，从变电站母线流向各负荷节点；接入DG后，靠近DG的线路潮流可能反向，局部电压会被抬升，网络损耗也会重新分布。

实际工程中最关心的影响主要有四个：

• 电压分布变化：DG出力会抬升接入点及其上游节点的电压。如果DG容量过大或接入位置靠近线路末端，可能出现电压越上限的问题。
• 网络损耗变化：DG接入位置合理时，部分负荷由就近的DG供电，减少长距离输电损耗；但如果位置不当，可能导致某些线路潮流增加，网损反而上升。
• 继电保护配合问题：DG注入的短路电流会改变故障电流大小和方向，可能导致原有保护灵敏度下降或误动，这是工程中很头疼的问题。
• 短路电流水平升高：DG作为附加电源，会增大故障点的短路电流，影响开关设备的选择性。

本文的Matlab实现重点分析前两个影响，因为电压和网损是配电网规划中最基础、最容易量化的指标。短路电流涉及动态模型和故障计算，这里会简要说明思路，不展开做暂态仿真。

1.2 为什么选择Matlab做仿真研究

Matlab在电力系统仿真里仍然是工程和学术圈的主流工具，主要原因是三点：

第一，矩阵运算方便。配电网潮流计算，尤其是前推回代法，本质上就是反复的节点电压和支路功率更新，用矩阵或向量操作写起来非常简洁。相比C语言或Python的循环版本，Matlab代码更接近数学表达，调试也直观。

第二，自带可视化能力。电压分布曲线、网损柱状图、光伏出力曲线，几条命令就能画出来，不需要额外引入绘图库。对写论文或者做汇报的人来说，这是实打实的效率提升。

第三，生态成熟。Matpower等工具包提供了标准算例，Simulink里有光伏、风机模型，但从研究“影响规律”的角度看，自己用脚本实现一遍反而更能理解机理。Matlab的脚本调试和断点功能也方便我们一步步看潮流迭代过程。

不过要用Matlab做这个研究，并不建议一上来就堆代码。我习惯先画一张逻辑图：网络参数怎么存、DG模型怎么加、潮流怎么迭代、结果怎么统计。思路理顺了，代码只是翻译的过程。

2. 仿真模型搭建：以IEEE 33节点系统为例

2.1 算例系统与基础数据

选择IEEE 33节点系统作为算例，是因为它是配电网潮流计算的标准测试系统，数据公开、结构简单、结论可比性强。系统参数如下：

• 基准电压：12.66 kV
• 基准功率：10 MVA
• 节点数：33
• 支路数：32
• 负荷模型：恒功率（PQ）
• 网络结构：辐射状，首端节点（节点1）接变电站母线，电压恒定1.0 p.u.

在实际仿真中，我会把支路参数存成一个矩阵，每一行包含支路编号、首端节点、末端节点、电阻R（欧姆）、电抗X（欧姆）、对地电纳B。IEEE 33节点系统的支路参数在IEEE相关论文里都能找到，这里不逐条罗列，只强调几个关键节点的数据：

• 节点1是平衡节点，电压幅值固定为1.0，相角为0；
• 节点18是最典型的末端分支，电压通常最低；
• 节点22也是末端，常用于对比不同接入位置的影响。

负荷数据也存成矩阵，包含节点编号、有功P（kW）、无功Q（kvar）。这个系统总负荷大约3715 kW和2300 kvar，接入DG后总注入功率会改变，但负荷本身保持不变，这样对比才公平。

2.2 分布式电源的建模方式

在稳态潮流分析中，DG通常简化为三种节点类型：

• PQ节点：给定有功和无功出力，适用于逆变器并网的光伏，功率因数可设为1或指定值；
• PV节点：给定有功出力和电压幅值，适用于有自动电压控制能力的DG，但配电网潮流程序处理PV节点比较麻烦，需要迭代修正无功；
• PI节点：给定有功和电流幅值，适用于某些电流源型逆变器。

对于大部分研究场景，我建议先用PQ节点建模。原因很实际：光伏和风机一般按最大功率跟踪模式运行，有功出力就是当前天气下的最大功率，无功要么为0（功率因数1），要么按固定功率因数给定。用PQ节点建模简单直观，重点看有功注入对电压和网损的影响。

DG的容量怎么设？我在仿真中一般以系统总负荷的一定比例接入，例如从10%开始，逐步增加到30%、50%，观察影响趋势。也可以用固定容量在不同节点轮换接入，看位置的影响。两种方式结合，就能画出“位置-容量-电压/网损”的三维影响图谱。

2.3 潮流计算方法选择：前推回代法

配电网潮流计算有牛顿-拉夫逊法、快速解耦法、前推回代法。我选前推回代法，原因是有两个明显优势：

一是辐射状网络天然适合。前推回代法就是沿着树结构先“回代”算支路电流或功率，再“前推”更新节点电压，迭代到收敛。不需要形成雅可比矩阵，存储量小，计算速度快。

二是收敛性好。对于配电网这种高R/X比的网络，传统牛顿法可能不易收敛，而前推回代法基于基尔霍夫定律，只要网络结构和负荷数据合理，十几次迭代就能收敛。

这个方法的基本步骤是：

1. 初始化所有节点电压为额定值（1.0 p.u.）；
2. 从末端节点向首端节点回代，根据当前电压和各节点注入功率，计算每条支路的功率流；
3. 从首端节点向末端节点前推，根据支路功率流和支路阻抗，更新各节点电压；
4. 重复步骤2和3，直到两次迭代的电压差小于设定阈值（比如1e-6）。

代码实现时，关键是处理好节点编号和支路首末端关系。我习惯用两个数组保存每条支路的首端和末端节点编号，再利用Matlab的向量化操作同时更新所有支路，避免循环逐条处理。

3. 核心代码实现与解析

3.1 节点参数初始化代码

下面这段代码是数据初始化部分，我把IEEE 33节点系统的支路参数简化表示，实际使用时应替换为完整数据。代码里用到的变量含义在后面有注释。

% 基础参数 baseMVA = 10; % 基准容量 10 MVA baseKV = 12.66; % 基准电压 12.66 kV Zbase = baseKV^2 / baseMVA; % 阻抗基准值 % 支路数据：每行 [首端节点 末端节点 R(欧姆) X(欧姆)] % 这里只列前几行示例，完整数据请查阅IEEE 33节点标准参数 branch = [ 1 2 0.0922 0.0470; 2 3 0.4930 0.2511; 3 4 0.3660 0.1864; 4 5 0.3811 0.1941; % ... 其余支路 ]; % 负荷数据：每行 [节点编号 P(kW) Q(kvar)] load_data = [ 2 100 60; 3 90 40; 4 120 80; % ... 其余节点负荷 ]; % 转换为标幺值 R = branch(:,3) / Zbase; X = branch(:,4) / Zbase; branch_pu = [branch(:,1:2), R, X]; % 节点电压初始化 n_node = 33; V = ones(n_node, 1); % 电压幅值初始化为1.0 theta = zeros(n_node, 1); % 相角初始化为0

注意一个细节：支路电阻电抗的单位是欧姆，转换成标幺值要除以Zbase。如果直接用有名值算，电压单位会混乱，潮流结果就废了。

3.2 前推回代潮流计算主程序

核心潮流程序如下，为了方便阅读，我保留了循环形式，实际优化可以用向量化。

function [V, iter] = backward_forward_dpflow(branch, load_data, n_node, max_iter, tol) % 初始化节点电压 V = ones(n_node, 1); V_old = V; % 从负荷数据形成注入功率向量 S (标幺值) S = zeros(n_node, 1); for k = 1:size(load_data, 1) n = load_data(k, 1); P = load_data(k, 2) / 1000 / 10; % kW转标幺，除以基准功率10MW Q = load_data(k, 3) / 1000 / 10; S(n) = S(n) - (P + 1i*Q); % 负荷取流出为正，这里用负号表示注入为负 end % 可以在这里修改S(n)，加入DG的正注入功率 % 例如：S(18) = S(18) + 0.03; 表示节点18接入0.3MW光伏 fbus = branch(:,1); tbus = branch(:,2); R = branch(:,3); X = branch(:,4); for iter = 1:max_iter % 回代：从末端到首端计算各支路功率 % 首先把节点注入功率复制到支路末端功率 S_end = S; % 根据网络拓扑，从末端向首端累加功率 % 简化：按支路顺序倒序（实际需根据拓扑分层） for k = size(branch,1):-1:1 % 找到所有以tbus(k)为末端节点的支路（即子支路） % 这里假设branch已经按照从首端到末端的顺序排列 S_end(fbus(k)) = S_end(fbus(k)) - S_end(tbus(k)); end % 实际上更严谨的做法是先对节点进行拓扑排序 % 前推：从首端到末端更新电压 for k = 1:size(branch,1) % 支路电流 I = conj(S_end(tbus(k)) / V(tbus(k))); % 电压降落 dV = (R(k) + 1i*X(k)) * I; V(fbus(k)) = V(tbus(k)) + dV; % 注意编号方向 % 实际方向：首端电压 = 末端电压 + 压降 end % 收敛判断 if max(abs(V - V_old)) < tol break; end V_old = V; end end

这里有一个容易出错的细节：前推回代法的方向取决于支路编号顺序和节点拓扑关系。上面的代码为了简化，假设支路是按从变电站到末端的顺序排列，且树结构很规整。实际项目中，如果你拿到一份拓扑数据，支路顺序是乱的，必须先做拓扑排序，否则功率累加和电压更新都会错。

我提供一个更稳健的思路：用邻接表表示网络，从根节点（平衡节点）开始做深度优先遍历，得到节点遍历顺序和父节点关系。然后按遍历顺序的逆序做回代，按顺序做前推。这样无论支路数据怎么排列都不会出错。

3.3 不同接入位置和容量场景设置

在研究“不同位置、不同容量”的影响时，我写了场景扫描脚本，核心逻辑是三层嵌套：

% 场景扫描脚本 dg_nodes = [6, 18, 22, 25, 33]; % 候选接入节点 dg_capacity = [0, 0.1, 0.2, 0.3, 0.5, 0.8]; % 单位：MW results = zeros(length(dg_nodes), length(dg_capacity)); for i = 1:length(dg_nodes) for j = 1:length(dg_capacity) % 在潮流程序中设置DG S_DG = dg_capacity(j) / 10; % 转为标幺值 S(dg_nodes(i)) = S(dg_nodes(i)) + S_DG; % 运行潮流 [V, ~] = backward_forward_dpflow(...); % 记录末端最低电压或系统网损 results(i, j) = min(V); end end

这样就得到了一个“DG接入位置-容量-最低电压”的映射矩阵。后面的分析都会基于这个矩阵展开。

4. 影响结果与分析

4.1 对电压分布的影响：末端抬升最明显

以节点18（典型末端）接入不同容量DG为例。不接DG时，节点18的电压大约在0.90 p.u.左右，这也是配电网末端电压偏低的典型情况。随着DG容量增加，节点18及上游节点电压逐步抬升。

原因很简单：DG向节点18注入有功功率后，从变电站流向节点18的功率减少，线路上的电流变小，电压降落也变小，所以末端电压升高。当DG容量大到一定程度，甚至可能出现过补偿，局部电压高于变电站出口电压，这就是“电压越上限”风险。

实测数据如下（标幺值）：

看最后一行：当节点18接入1.0 MW时，节点18电压上升到0.9571，但系统最低电压点变成了节点22。这说明DG的容量不是越大越好，过大的DG会把局部电压抬得过高，而其他末端分支仍然是低电压。配电网规划的难点就在这里：DG只能改善局部电压，不能全局解决电压问题，反而可能制造新的不平衡。

从曲线图上看会更直观。接入点上游的电压抬升比较平缓，接入点下游的电压抬升较明显，接入点附近的电压变化幅度最大。这也是为什么工程上建议把DG尽量靠近负荷中心，而不是随意选一个节点接入。

4.2 对网损的影响：存在最优接入位置

网损分析同样以IEEE 33节点为例。不接DG时，系统总有功损耗大约在202 kW左右。接入DG后，网损变化呈现“先降后升”的规律。

看一组典型结果：

规律很清晰：DG容量从0增加到一定值时，网损持续下降；继续增大到某个临界点后，网损反而回升。原因在于，DG容量较小时，它就近供给了部分负荷，减少了长距离输送的电流；但当DG容量超过当地负荷需求时，多余功率要沿线路倒送回变电站，线路上仍然存在较大的传输电流，网损自然又上去了。

不同接入位置对网损的影响差别也很大。同一容量下，接入节点18比接入节点33的降损效果更好。节点18位于长分支末端，附近负荷较多；节点33虽然也在末端，但所在分支负荷较轻，DG出力大部分倒送，降损效果有限。所以工程实践中，优先选择“负荷重、供电半径长”的节点接入DG，减损效率最高。

4.3 对短路电流的影响：保护配合的隐忧

短路电流的影响在这里不做深度仿真，但可以从原理上给出判断：接入DG后，故障点除了从变电站获得短路电流，还会从DG获得一份附加短路电流。DG容量越大、离故障点越近，附加短路电流越明显。

在Matlab中做简化估算时，可以把DG近似为电压源串联内阻抗，用故障前潮流做初始化，然后计算故障后的短路电流。但需要提醒的是，逆变器型DG的短路特性与同步机不同，它通常有电流限幅，向电网提供的短路电流不会超过约1.2倍额定电流。所以对光伏逆变器而言，短路电流贡献相对有限，但对接入大量旋转电机型DG（如小水电、直驱风机以外）的系统，影响要更大。

保护配合的隐忧在于：DG使原本单一方向的故障电流变成双向流，流过保护装置的电流方向、大小都可能变化。最常见的后果是相邻线路的故障被上游保护误判为区内故障，导致停电范围扩大。这块内容如果要深入做，推荐在Simulink里搭详细的逆变器模型，配合PSCAD做暂态校核，单靠Matlab脚本只能做静态趋势。

5. 常见问题与调试经验

5.1 潮流不收敛的常见原因

运行代码时最容易碰到的问题就是迭代发散或者结果明显不合理，根据我的经验，90%是以下四个原因导致：

• 单位不统一：负荷给了kW和kvar，但基准功率用了MVA，忘记除以1000。我建议在程序入口就统一所有单位，或者所有数据都用标幺值，避免中间反复换算。
• 支路拓扑方向不一致：回代和前推依赖支路首末端顺序，如果节点编号不是从变电站开始往外排，功率累加会出现负值。解决办法就是先对网络做拓扑排序。
• DG容量设置过大：当DG容量超过该节点及下游负荷总和后，潮流方向反转，前推回代法可能收敛变慢甚至发散。可以试试从较小容量逐步增加，观察每次迭代的电压变化量。
• 负荷功率因数异常：部分节点无功太大导致电流幅值超过合理范围，也会导致不收敛。检查一下是否有节点Q/P比例过高。

调试技巧：在迭代循环里加一个“电压最大偏差”输出，如果偏差曲线在振荡，说明可能是DG容量接近临界值；如果偏差一直在增大，大概率是单位或拓扑问题。

5.2 时序特性：光伏出力跟负荷不同步

很多人在稳态分析里忽略了一个问题：光伏出力是随时间变化的，白天出力大，傍晚出力小，而负荷高峰往往出现在傍晚。单纯用一个固定容量做分析会得出偏乐观或偏保守的结论。

我在做更完整的研究时，会引入24小时曲线。比如把光伏出力模拟成一条钟形曲线，正午达到峰值，夜间为0；负荷曲线则模拟成早晚双峰。然后对每一个时刻都跑一次潮流，把24个时刻的电压和网损累加起来。

在Matlab里实现很简单：把场景扫描脚本外面再套一个时间循环，每个时间点的DG容量按比例缩放。这样就得到了“时序电压曲线”，比单一断面分析更接近实际情况。但要注意，运行时每个时间点都要重新初始化电压，不能拿上一个时间点的结果直接做初值，否则收敛速度会受影响，也容易掩盖错误。

5.3 代码复用与扩展建议

如果你不想从零开始，也有几条省力的路子：

• 使用Matpower：安装Matpower后，它的runpf函数直接支持潮流计算，配电网算例如case_ieee33网上也有共享。但Matpower默认用牛顿法，对配电网可能需要调整参数，而且如果你想修改算法（比如前推回代）就得自己改内核。
• 扩展成多DG接入：在本文的代码基础上，只需要修改S向量的多处元素即可。比如同时接入节点18和25的DG，观察它们之间的交互影响。
• 接入储能系统：储能可以看作可调制的PQ节点，充电时是负荷，放电时是电源。把储能加入潮流计算，可以进一步研究“分布式光伏+储能”对配电网的支撑作用。

我个人建议，在校学生或者刚接触这个方向的人，先用本文的脚本跑通单DG场景，画出电压和网损曲线，理解机理后再逐步增加复杂度。一步到位做多DG、时序仿真，一旦出问题会很难定位。

6. 一点实操体会

最后分享一个我自己踩过的坑。最初做这个研究时，我图省事，直接把DG建模成恒功率注入，忽略无功调节能力。结果在分析高渗透率场景时，系统最低电压点完全不对，跟工程实际对不上。后来我把DG改成“恒功率因数模式”，模拟逆变器无功调节，结果才合理。

另外，关于DG接入位置，我做了大量对比后发现一个规律：对于IEEE 33节点这种典型辐射网，在馈线中段（节点12到22之间）接入DG，对网损的改善效果最好；在末端接入，对电压抬升最明显；在首端接入，基本没有意义，因为DG出力直接进变电站，跟减少变电站出力等效。这些规律虽然不严谨，但作为初步筛选接入方案的依据非常实用。

做这类研究，仿真结果本身不是重点，重点是你有没有理解“为什么”。电网是高度非线性的系统，指标之间相互耦合，只看单一指标容易得出片面的结论。我建议拿到任何一组仿真结果，都先用物理直觉判断一下：电压抬升是否合理？网损变化方向是否符合潮流方向改变的解释？如果直觉跟结果矛盾，优先怀疑代码，而不是怀疑物理规律。这条经验在配电网仿真里，比任何高级算法都管用。