很多人做微电网优化默认把拓扑当作已经给定的前提然后去优化容量、调度策略。但真正落到园区多微电网规划阶段最先要回答的问题恰恰是这片区域里几个微电网到底怎么连才最经济、最可靠、最容易调度。这个问题一旦规模上来就变成一个典型的“组合爆炸约束密集”的大规模矩阵优化问题。我最近把约束差分进化算法完整跑了一遍多微电网拓扑设计用Matlab实现了矩阵编码、可行性优先约束处理和种群迭代这篇文章把我踩过的坑、验证过的思路和可直接参考的代码骨架一次性说清楚。如果你正在做多微电网规划、微网群架构设计或者想用智能优化算法解决带约束的拓扑寻优问题这篇应该能帮上忙。1. 我为什么没有直接用遗传算法拓扑设计的问题本质1.1 拓扑设计要回答的不只是“连不连”多微电网拓扑设计通常要同时回答三个层面的问题第一层是连接关系也就是哪些微电网之间要建联络线这是一个0/1离散决策第二层是线路容量每条联络线按多大功率上限来建设这是连续决策第三层是运行方式在特定净负荷场景下每条线上实际流过多少功率这也是连续决策。三个层面互相耦合连接关系决定可行解空间线路容量决定功率传输上限运行功率又反过来影响线路的投资回报。所以这个问题的数学模型天然是混合整数非线性规划用矩阵视角去看最舒服把n个微电网之间的连接关系写成一个n×n对称0/1矩阵X把功率传输写成n×n的实数矩阵F拓扑设计就是在X和F组成的联合空间里寻找最优组合。这里特别容易犯的一个认知错误是觉得“反正Matlab里有intlinprog直接调求解器不就行了”。但一旦目标函数里加入网损、可靠性惩罚等非线性项或者约束里加入连通性、N-1校验这类图论条件商用求解器要么建模极其繁琐要么求解时间让人没法接受。智能优化算法在这里的真正价值不是“精确证明最优”而是“在可接受的时间内给出工程上足够好的拓扑方案”尤其适合方案比选和预规划阶段。1.2 穷举法为什么在大规模场景下不可行一个很反直觉的点是规模稍微上来一点穷举就彻底失效了。假设有n个微电网理论上最多可以建n(n-1)/2条联络线每条线只有“建”和“不建”两种状态组合数就是2的n(n-1)/2次方。n10时大约是2的45次方约3.5万亿种拓扑n30时这个数字大到任何计算机都无法直接枚举。大规模矩阵优化真正的困难不在于“算不过来”而在于可行域极其稀疏。随机构造的拓扑大多数都不满足连通性、辐射状、功率平衡和预算约束算法如果在不可行域里乱逛迭代再多次也找不到好的可行解。这也是为什么很多初学者拿一个标准差分进化直接套上去结果收敛曲线惨不忍睹的根本原因——不是算法不行而是没有针对问题结构做约束处理。1.3 为什么选择差分进化而不是遗传算法或粒子群遗传算法、粒子群、差分进化都能处理这类问题但我个人更偏向差分进化原因有三点。第一差分进化的变异机制是“向量差导向”它对连续变量的寻优能力很强而拓扑设计里线路容量和功率分配恰恰是连续变量。第二DE的算法结构极度简洁核心就变异、交叉、选择三步Matlab实现时不容易出bug而且很容易把矩阵化的数据组织方式嵌进去。第三DE的控制参数少工程调参成本低。相比之下遗传算法的交叉算子处理二进制矩阵很别扭尤其要保证子代拓扑仍然满足连通性时基本需要定制专门的修复逻辑粒子群的公式本质是为连续空间设计的处理0/1矩阵时通常要引入sigmoid映射、权值更新等额外操作参数更多调试更烦。差分进化在Matlab社区也有大量成熟的改进变体比如自适应参数、约束支配选择遇到问题找参考资料容易得多。2. 矩阵编码与约束处理约束差分进化算法的两次关键选择2.1 为什么用矩阵编码而不是展平向量不少论文把决策变量直接展平成一个大向量然后丢给差分进化去变异这样做不是不行但我强烈建议在多微电网拓扑设计中保留矩阵结构。核心原因有三个。第一拓扑信息本身是二维的矩阵就是它最自然的数据结构。邻接矩阵X_ij的含义清晰检查对称性、去除冗余边、判断连通性都能直接用Matlab的矩阵运算完成一旦展平成一维向量这些操作全都得靠索引换算很容易出错。第二矩阵形态便于进行“结构化变异”。你可以对矩阵的行向量做变异这样一次性改变某个微电网与所有其他微网的连接关系保留它的“局部拓扑特征”而一维向量在变异时基因位置之间没有空间相邻关系破坏结构的概率高得多。第三可读性。读者拿到你的代码看到X是n×n矩阵一眼就知道这是连接矩阵不用来回翻注释。比如5个微电网连接矩阵长这样X 0 1 0 1 0 1 0 1 0 0 0 1 0 1 1 1 0 1 0 0 0 0 1 0 0这个矩阵表示微网1和微网2、4相连微网2和微网3相连微网3和微网4、5相连。对角元恒为0矩阵对称这两条基本规则在初始化和变异算子中要强制保持。2.2 约束处理罚函数、可行性优先与ε约束法的取舍拓扑设计问题里的约束非常杂包括功率平衡约束、线路容量约束、投资预算约束、连通性约束甚至还有辐射状结构约束。怎么把这些约束融进差分进化直接决定算法能不能收敛到可行域。初学者最常用的做法是罚函数目标函数后面加一个λ乘以约束违反量。这个方法实现简单但有个致命问题——λ非常难调。λ太小搜索过程会放纵不可行解最后结果里总有一些“看起来在可行域边缘”的方案λ太大算法从第一代开始就被罚函数压制在初始可行解附近几乎失去全局搜索能力。我在多个算例里试过罚函数系数跨越几个数量级时优化结果差异极大而最优λ又随问题规模变化基本没法在生产环境中复用。我最终采用的是Deb提出的可行性优先约束支配规则具体就三条两个解都是可行解时比较目标函数值小的好一个可行一个不可行可行解胜出两个都不可行时约束总违反量小的胜出。这套规则最大的好处是不需要任何权重参数天然适应不同类型、不同量纲的约束。但它的弱点也很明显当初始种群几乎全部不可行时选择压力会集中在“减少违规”而不是“降低目标函数”导致算法前期搜得很慢。所以必须配合两个手段一个是合理的初始化策略保证初始种群里有相当比例可行解另一个是专门设计的修复算子把变异交叉后产生的不可行拓扑拉回可行域。这两件事我在第四章展开讲。ε约束法我后来也试过思路是前期允许一定违反量、后期逐步收紧。它在理论上有良好的收敛性证明但对ε退火时间表比较敏感一到新场景就要重新调我在大批量算例中不太愿意用它。2.3 差分进化本身的改进把约束信息融入变异方向标准差分进化的变异公式一般是V X_r1 F * (X_r2 - X_r3)它对无约束问题表现很好但对约束密集的拓扑问题变异向量很容易飞到不可行域。我的做法是不改变DE的主体框架只把变异策略从单一策略改成混合策略种群中可行解占主流时使用DE/best/1让搜索围绕当前最优拓扑展开种群中不可行解占多数时改用DE/rand/1并让“差分基向量”偏向约束违反量较小的个体对精英解额外施加一个“回炉变异”以一定的概率用当前全局最优可行解的邻域信息替换掉部分维度。这个改进的动机很直接让算法在“探索不可行边界”和“维持足够多的可行解”之间保持平衡。纯DE/best/1会过早收敛到局部拓扑纯DE/rand/1在大规模问题里收敛太慢混合策略是经验上最稳的方案。3. Matlab实现拆解从目标函数到主循环的完整代码骨架3.1 数据与参数定义我一般把仿真数据集中在一个参数结构体里这样做的好处是后续换算例时不需要改动主程序。下面这个片段定义了8个微电网的基本数据每个微网的净负荷Li正值代表缺电负值代表余电、线路单位投资成本C、线路最大传输容量Pmax以及总投资预算Budget。% 参数定义8微电网算例 n 8; para.L [80, -35, 60, -20, 45, -50, 30, -40]; % 净负荷kW para.C [ 0, 3.2, 2.8, 3.5, 4.0, 3.0, 3.8, 3.3 3.2, 0, 2.5, 3.0, 3.6, 2.9, 3.4, 3.1 ... ]; para.Pmax 60 * ones(n, n); % 联络线功率上限kW para.Budget 180; % 总投资预算万元 para.loss 0.08; % 单位传输损耗系数数据组织上有两个细节要注意。第一C矩阵与Pmax矩阵都必须是实对称矩阵且对角元为0因为在代码里我随时要利用对称性做快速索引。第二净负荷向量不要用正负符号绕晕自己建议统一注释清楚“正值负荷超过本地发电能力”否则目标函数写起来前后符号容易搞反。3.2 目标函数设计目标函数我采用“投资等年值网损未满足功率惩罚”三项叠加的形式。为什么不等年值因为线路投资是一次性的而运行损耗是逐年累积的两者要放到同一个时间维度上比较简单做法就是把总投资按寿命期折算成年值。未满足功率惩罚项是拓扑方案的“底线保障”它表示即使拓扑设计得不好也不能让某微网完全孤立。function [f, Info] objFun(X, Pflow, para) % X: n x n 二进制连接矩阵 % Pflow: n x n 功率传输矩阵, Pflow(i,j)0表示i流向j n size(X, 1); % 线路投资等年值总投资按10年寿命、无残值折算 invest sum(sum(X .* para.C)) / 2; % 对称矩阵只算一半 invest_year invest / 10; % 网损费用考虑双向线路损耗 lossPower sum(sum(abs(Pflow))) * para.loss; lossCost lossPower * 0.6; % 电价0.6元/kWh % 未满足功率惩罚每个微网必须满足自身净负荷 balance para.L sum(Pflow, 2); % 每个节点注入流入 unsupplied sum(max(0, -balance)); % 小于0表示缺电 M 1000; f invest_year lossCost M * unsupplied; Info.invest invest_year; Info.lossCost lossCost; Info.unsupplied unsupplied; endM取1000属于“大数惩罚”的思路目的是让算法优先保证微网供电能力然后再去压投资。这个权重不要无限大否则目标函数的主导项永远是惩罚项数值上微小的拓扑差异会被淹没不利于精细收敛。3.3 约束检查与违反量聚合约束检查我统一设计成一个函数输出标量违规总量violation和各个分项违规量g。这里有个关键设计决策不要直接把所有约束违规返回成向量再在算法里做复杂比较。可行性优先规则需要总量来比较两个不可行解的优劣分项违规越多越难处理。建议做法是把每类约束归一化到0~1区间再累加成总量。连通性检查用的是邻接矩阵的图论性质这里有一个非常经典的高效方法计算B X X^2 ... X^(n-1)如果B矩阵所有非对角元素都大于0则图是连通的。Matlab里可以直接用graph对象但为了不依赖工具箱我保留这种幂级数判据。function [viol, detail] conFun(X, Pflow, para) n size(X, 1); g zeros(1, 3); % 约束1连通性保证所有微网属于同一连通分量 eyeM eye(n); reach eyeM; A X 0; for k 1 : n-1 reach reach A^k; end g(1) double(min(min(reach)) 1); % 有节点不可达即违规 % 约束2线路容量传输功率不得超过上限 capViol max(0, abs(Pflow) - para.Pmax .* X); g(2) sum(capViol(:)) / max(sum(para.Pmax(:)), 1e-6); % 约束3投资预算 invest sum(sum(X .* para.C)) / 2; g(3) max(0, invest - para.Budget) / para.Budget; viol sum(g); detail g; end实践里你会发现一个小坑A^k在n较大时会迅速产生非常大的数导致数值溢出。所以更稳妥的写法是用逻辑运算替代矩阵乘法比如用邻接矩阵二分幂或者使用BFS。代码里我直接用graph/minspantree也可以但如果只想写纯Matlab不依赖额外工具箱BFS遍历或者布尔幂都是可靠选择。3.4 约束差分进化主循环主循环我给出一个分函数实现的版本便于替换不同的变异策略、约束处理方式和初始化方法。这里展示的是核心骨架已经把矩阵变异和可行性优先规则嵌入其中。function [Xbest, fbest, trace] cde_topology(n, para, opt) % 参数初始化 nPop opt.nPop; % 种群规模 MaxGen opt.MaxGen; % 最大迭代次数 F opt.F; % 变异缩放因子 CR opt.CR; % 交叉概率 % 初始化种群 pop.X cell(nPop, 1); pop.P cell(nPop, 1); for i 1 : nPop [pop.X{i}, pop.P{i}] initTopology(n, para); end pop.f zeros(nPop, 1); pop.viol zeros(nPop, 1); for i 1 : nPop pop.f(i) objFun(pop.X{i}, pop.P{i}, para); [pop.viol(i), ~] conFun(pop.X{i}, pop.P{i}, para); end % 迭代主循环 trace zeros(MaxGen, 1); for gen 1 : MaxGen for i 1 : nPop % 变异随机取三个不同个体 idx randperm(nPop, 3); while any(idx i) idx randperm(nPop, 3); end X_base pop.X{idx(1)}; X_r2 pop.X{idx(2)}; X_r3 pop.X{idx(3)}; % 矩阵变异保留对称性与对角元为0 V X_base F * (X_r2 - X_r3); V (V V) / 2; V(1:n1:end) 0; % 交叉二项式交叉然后强制对称 Mask rand(n) CR; U X_base; U(Mask) V(Mask); U (U U) / 2; U(1:n1:end) 0; % 修复不可行拓扑 U repairTopology(U, para); % 依据功率约束推算一组可行功率流 Pnew solvePowerFlow(U, para); % 约束优先选择 fU objFun(U, Pnew, para); violU conFun(U, Pnew, para); if (pop.viol(i) 0 violU 0 fU pop.f(i)) ... || (pop.viol(i) 0 violU pop.viol(i)) ... || (pop.viol(i) 0 violU pop.viol(i) fU pop.f(i)) pop.X{i} U; pop.P{i} Pnew; pop.f(i) fU; pop.viol(i) violU; end end % 记录全局最优可行解 feasIdx find(pop.viol 0); if ~isempty(feasIdx) [~, b] min(pop.f(feasIdx)); bestIdx feasIdx(b); fbest pop.f(bestIdx); Xbest pop.X{bestIdx}; end trace(gen) fbest; end end这个循环里最关键的是“修复算子”和“功率流求解”两个函数。初学者往往直接对U算目标函数忽略修复这一步结果迭代代数一多种群全变成不可行解算法直接失效。再说一遍修复不是为了局部优化而是保证每个个体都能参与后续变异交叉种群才不会退化。功率流求解我这里用的是简化的直流潮流思想已知连接矩阵X将每条线路当作一个电阻节点净负荷已知求解各线路功率。这样既保证可行性比较有意义又不会让单次评估变得太慢。4. 大规模场景下的收敛性调优参数、初始化与修复机制4.1 参数选择F、CR、NP的经验边界差分进化的参数对拓扑矩阵问题非常敏感这不是玄学而是因为矩阵变异会把结构扰动放大。下面这组经验参数是我在8到40个微电网节点规模上反复测过的结果可以直接当初始值用参数推荐范围说明NP40 - 80规模越大越往上限靠但超过100收益很小F0.5 - 0.8小于0.4容易早熟大于1.0拓扑震荡严重CR0.5 - 0.7对二进制矩阵不宜太高太高会导致结构被冲散迭代次数200 - 400大规模场景建议400以上用收敛曲线判断特别想强调的是F和CR的联动关系F小的时候CR要适当调大否则种群的更新率太低F大的时候CR调小一点否则每一代都有太多维度被替换拓扑结构难以稳定遗传。我一般用F0.7、CR0.6作为默认起点再根据收敛曲线微调。4.2 初始化从稀疏可行拓扑起步而不是纯随机初始化好坏对约束差分进化是生死攸关的。纯随机初始化在n30时绝大多数个体都是不连通的。你可以自己做个实验随机生成1000个0-1矩阵统计其中连通的概率结果会低到让你怀疑人生。可行性优先规则虽然能在选择过程中逐步淘汰不可行解但如果初代几乎没有可行解前期搜索等于在黑暗里摸索。我给初始化设计了三个策略叠加第一最小生成树初始化。用微电网之间的“电气距离”或成本C作为边权生成最小生成树。它保证是一个连通、稀疏、成本较低的拓扑符合工程直觉也天然落在可行域里。第二负荷互补优先连接。把净负荷为正的微电网与净负荷为负的微电网优先连接在成本C矩阵上做二次修正这样初始拓扑本身携带了“在哪里交换功率最合理”的信息。第三随机加边操作。在最小生成树基础上随机增加少量的边增加拓扑的多样性。这个操作可以在不破坏连通性的前提下让初始种群之间拉开差异。4.3 修复算子在变异交叉后处理不可行拓扑修复算子的设计原则是“只修硬约束不修软约束”。硬约束包括连通性、容量极值、预算上限等这些不满足算法根本不可能找到合理方案软约束包括平衡度、冗余度等这些应该交给目标函数去衡量。我用的修复函数分三步走。第一步连通性修复对不可行个体做连通分量分析找出最大连通分量然后把其他分量里“连接成本最低的一条边”分别并入主分量重复直到整个图连通。这个贪心修复很快对n30的情况循环几十次就完成。第二步预算修复如果当前拓扑的投资超过Budget就按单位投资下线路利用率从低到高排列循环掰掉那些“性价比最低”的边直到预算满足。第三步容量修复如果某条线路的功率超过Pmax先把功率用小负荷微网的转账平衡削峰仍然超限就把这条线路掐掉并重新跑连通性修复。这里有一个关键细节修复算子要在保证原有变异信息的前提下进行。不要在第一步一口气把整个拓扑推倒重来那样相当于把变异完全抹掉算法会退化成随机搜索。你希望修复算子做的只是“把脱轨的个体拉回轨道”而不是“重新开一列火车”。5. 拓扑结果的合理性检查孤岛、过载与边际成本5.1 输出结果要检查哪些东西算法收敛之后不能只盯着目标函数值是否下降就完事。我建议做一个固定的输出检查清单就像是调试程序时的单元测试连通性检查最终方案里所有微网是否属于同一连通分量有没有出现物理上的孤岛。线路利用率检查每条联络线的功率是多少、占其额定容量的比例。利用率极低的线路要考虑它是否真的值得投资。边际成本分析在最优拓扑里增加或删除一条边目标函数变化多少。这个指标能直观反映拓扑结构的“冗余度”。未满足功率分布即便有惩罚项最终结果里也可能存在某些微网节点功率不平衡要看这些节点分布在哪个位置、什么原因。我用Matlab写了一个简单的拓扑可视化函数把微网地理位置作为节点坐标把连接矩阵画成连线线的粗细对应当前传输功率。这种图在论文和汇报里非常有用也比单纯贴一个矩阵直观得多。5.2 常见问题全零解、伪最优与“过度互连”跑多了你会发现两类反直觉的现象。第一类是“全零解”陷阱。当你把未满足功率惩罚M设得太小算法会发现“干脆谁都不连一分钱都不用花”的目标函数值比任何连接方案都小于是最终输出一个全零矩阵还自认为是最优。这是目标函数设计失败不是算法失败。解决方法是把M设为一个足够大的数或者直接把“连通性”作为硬约束不参与目标函数权衡让算法根本没有选择“全断开”这个空间。第二类是“过度互连”。当预算充足、线路成本偏低时目标函数会倾向于多建线路因为每多建一条线都能稍微降低未满足功率惩罚和网损。但这种拓扑从工程角度看并不健康——线路过多意味着初期投资浪费、运维复杂、故障隔离困难。我的做法是在目标函数里加入一个微小的拓扑稀疏项比如0.05乘以线路总条数让算法在“多连一条线带来的收益”和“多连一条线增加的成本”之间自动权衡最终输出的拓扑边数会明显减少工程上更可落地。5.3 与调度、容量规划解耦的边界条件最后必须说清楚一个边界基于约束差分进化得到的拓扑方案回答的是“微电网之间应该建立怎样互联骨架”的问题它不能替代后续的容量规划和运行调度优化。你把净负荷场景取为全年典型日峰值算出来的拓扑偏保守取为平均负荷算出来的拓扑又偏冒进。工程上常用做法是取多个典型场景加权重让拓扑设计方案在多种运行方式下都稳健。另外如果要验证算法结果在较小规模下是否可靠我建议用YALMIP或MATPOWER做交叉验证取n5或n8的小规模算例用精确求解器跑出同一目标函数下的最优方案拿它和差分进化结果对比。实测下来只要修复算子和参数调得合理差分进化在n8时通常能找到精确解附近的目标值误差在2%以内。这样交叉验证过一轮你再把算法推广到大算例时才敢信它的输出。我个人的体会是约束差分进化解决多微电网拓扑设计真正的难点始终不在算法公式本身而在“怎么把工程约束准确编码进算法”和“怎么让搜出来的拓扑经得起工程推敲”。矩阵编码、可行性优先规则、修复算子这三件套做好这个框架在30到40个节点规模内都能稳定工作。后面如果再想扩展可以考虑把年时序运行模拟嵌入目标函数做多场景鲁棒优化或者引入拓扑N-1校验成本都会上来但方向是清晰的。
很多人做微电网优化默认把拓扑当作已经给定的前提然后去优化容量、调度策略。但真正落到园区多微电网规划阶段最先要回答的问题恰恰是这片区域里几个微电网到底怎么连才最经济、最可靠、最容易调度。这个问题一旦规模上来就变成一个典型的“组合爆炸约束密集”的大规模矩阵优化问题。我最近把约束差分进化算法完整跑了一遍多微电网拓扑设计用Matlab实现了矩阵编码、可行性优先约束处理和种群迭代这篇文章把我踩过的坑、验证过的思路和可直接参考的代码骨架一次性说清楚。如果你正在做多微电网规划、微网群架构设计或者想用智能优化算法解决带约束的拓扑寻优问题这篇应该能帮上忙。1. 我为什么没有直接用遗传算法拓扑设计的问题本质1.1 拓扑设计要回答的不只是“连不连”多微电网拓扑设计通常要同时回答三个层面的问题第一层是连接关系也就是哪些微电网之间要建联络线这是一个0/1离散决策第二层是线路容量每条联络线按多大功率上限来建设这是连续决策第三层是运行方式在特定净负荷场景下每条线上实际流过多少功率这也是连续决策。三个层面互相耦合连接关系决定可行解空间线路容量决定功率传输上限运行功率又反过来影响线路的投资回报。所以这个问题的数学模型天然是混合整数非线性规划用矩阵视角去看最舒服把n个微电网之间的连接关系写成一个n×n对称0/1矩阵X把功率传输写成n×n的实数矩阵F拓扑设计就是在X和F组成的联合空间里寻找最优组合。这里特别容易犯的一个认知错误是觉得“反正Matlab里有intlinprog直接调求解器不就行了”。但一旦目标函数里加入网损、可靠性惩罚等非线性项或者约束里加入连通性、N-1校验这类图论条件商用求解器要么建模极其繁琐要么求解时间让人没法接受。智能优化算法在这里的真正价值不是“精确证明最优”而是“在可接受的时间内给出工程上足够好的拓扑方案”尤其适合方案比选和预规划阶段。1.2 穷举法为什么在大规模场景下不可行一个很反直觉的点是规模稍微上来一点穷举就彻底失效了。假设有n个微电网理论上最多可以建n(n-1)/2条联络线每条线只有“建”和“不建”两种状态组合数就是2的n(n-1)/2次方。n10时大约是2的45次方约3.5万亿种拓扑n30时这个数字大到任何计算机都无法直接枚举。大规模矩阵优化真正的困难不在于“算不过来”而在于可行域极其稀疏。随机构造的拓扑大多数都不满足连通性、辐射状、功率平衡和预算约束算法如果在不可行域里乱逛迭代再多次也找不到好的可行解。这也是为什么很多初学者拿一个标准差分进化直接套上去结果收敛曲线惨不忍睹的根本原因——不是算法不行而是没有针对问题结构做约束处理。1.3 为什么选择差分进化而不是遗传算法或粒子群遗传算法、粒子群、差分进化都能处理这类问题但我个人更偏向差分进化原因有三点。第一差分进化的变异机制是“向量差导向”它对连续变量的寻优能力很强而拓扑设计里线路容量和功率分配恰恰是连续变量。第二DE的算法结构极度简洁核心就变异、交叉、选择三步Matlab实现时不容易出bug而且很容易把矩阵化的数据组织方式嵌进去。第三DE的控制参数少工程调参成本低。相比之下遗传算法的交叉算子处理二进制矩阵很别扭尤其要保证子代拓扑仍然满足连通性时基本需要定制专门的修复逻辑粒子群的公式本质是为连续空间设计的处理0/1矩阵时通常要引入sigmoid映射、权值更新等额外操作参数更多调试更烦。差分进化在Matlab社区也有大量成熟的改进变体比如自适应参数、约束支配选择遇到问题找参考资料容易得多。2. 矩阵编码与约束处理约束差分进化算法的两次关键选择2.1 为什么用矩阵编码而不是展平向量不少论文把决策变量直接展平成一个大向量然后丢给差分进化去变异这样做不是不行但我强烈建议在多微电网拓扑设计中保留矩阵结构。核心原因有三个。第一拓扑信息本身是二维的矩阵就是它最自然的数据结构。邻接矩阵X_ij的含义清晰检查对称性、去除冗余边、判断连通性都能直接用Matlab的矩阵运算完成一旦展平成一维向量这些操作全都得靠索引换算很容易出错。第二矩阵形态便于进行“结构化变异”。你可以对矩阵的行向量做变异这样一次性改变某个微电网与所有其他微网的连接关系保留它的“局部拓扑特征”而一维向量在变异时基因位置之间没有空间相邻关系破坏结构的概率高得多。第三可读性。读者拿到你的代码看到X是n×n矩阵一眼就知道这是连接矩阵不用来回翻注释。比如5个微电网连接矩阵长这样X 0 1 0 1 0 1 0 1 0 0 0 1 0 1 1 1 0 1 0 0 0 0 1 0 0这个矩阵表示微网1和微网2、4相连微网2和微网3相连微网3和微网4、5相连。对角元恒为0矩阵对称这两条基本规则在初始化和变异算子中要强制保持。2.2 约束处理罚函数、可行性优先与ε约束法的取舍拓扑设计问题里的约束非常杂包括功率平衡约束、线路容量约束、投资预算约束、连通性约束甚至还有辐射状结构约束。怎么把这些约束融进差分进化直接决定算法能不能收敛到可行域。初学者最常用的做法是罚函数目标函数后面加一个λ乘以约束违反量。这个方法实现简单但有个致命问题——λ非常难调。λ太小搜索过程会放纵不可行解最后结果里总有一些“看起来在可行域边缘”的方案λ太大算法从第一代开始就被罚函数压制在初始可行解附近几乎失去全局搜索能力。我在多个算例里试过罚函数系数跨越几个数量级时优化结果差异极大而最优λ又随问题规模变化基本没法在生产环境中复用。我最终采用的是Deb提出的可行性优先约束支配规则具体就三条两个解都是可行解时比较目标函数值小的好一个可行一个不可行可行解胜出两个都不可行时约束总违反量小的胜出。这套规则最大的好处是不需要任何权重参数天然适应不同类型、不同量纲的约束。但它的弱点也很明显当初始种群几乎全部不可行时选择压力会集中在“减少违规”而不是“降低目标函数”导致算法前期搜得很慢。所以必须配合两个手段一个是合理的初始化策略保证初始种群里有相当比例可行解另一个是专门设计的修复算子把变异交叉后产生的不可行拓扑拉回可行域。这两件事我在第四章展开讲。ε约束法我后来也试过思路是前期允许一定违反量、后期逐步收紧。它在理论上有良好的收敛性证明但对ε退火时间表比较敏感一到新场景就要重新调我在大批量算例中不太愿意用它。2.3 差分进化本身的改进把约束信息融入变异方向标准差分进化的变异公式一般是V X_r1 F * (X_r2 - X_r3)它对无约束问题表现很好但对约束密集的拓扑问题变异向量很容易飞到不可行域。我的做法是不改变DE的主体框架只把变异策略从单一策略改成混合策略种群中可行解占主流时使用DE/best/1让搜索围绕当前最优拓扑展开种群中不可行解占多数时改用DE/rand/1并让“差分基向量”偏向约束违反量较小的个体对精英解额外施加一个“回炉变异”以一定的概率用当前全局最优可行解的邻域信息替换掉部分维度。这个改进的动机很直接让算法在“探索不可行边界”和“维持足够多的可行解”之间保持平衡。纯DE/best/1会过早收敛到局部拓扑纯DE/rand/1在大规模问题里收敛太慢混合策略是经验上最稳的方案。3. Matlab实现拆解从目标函数到主循环的完整代码骨架3.1 数据与参数定义我一般把仿真数据集中在一个参数结构体里这样做的好处是后续换算例时不需要改动主程序。下面这个片段定义了8个微电网的基本数据每个微网的净负荷Li正值代表缺电负值代表余电、线路单位投资成本C、线路最大传输容量Pmax以及总投资预算Budget。% 参数定义8微电网算例 n 8; para.L [80, -35, 60, -20, 45, -50, 30, -40]; % 净负荷kW para.C [ 0, 3.2, 2.8, 3.5, 4.0, 3.0, 3.8, 3.3 3.2, 0, 2.5, 3.0, 3.6, 2.9, 3.4, 3.1 ... ]; para.Pmax 60 * ones(n, n); % 联络线功率上限kW para.Budget 180; % 总投资预算万元 para.loss 0.08; % 单位传输损耗系数数据组织上有两个细节要注意。第一C矩阵与Pmax矩阵都必须是实对称矩阵且对角元为0因为在代码里我随时要利用对称性做快速索引。第二净负荷向量不要用正负符号绕晕自己建议统一注释清楚“正值负荷超过本地发电能力”否则目标函数写起来前后符号容易搞反。3.2 目标函数设计目标函数我采用“投资等年值网损未满足功率惩罚”三项叠加的形式。为什么不等年值因为线路投资是一次性的而运行损耗是逐年累积的两者要放到同一个时间维度上比较简单做法就是把总投资按寿命期折算成年值。未满足功率惩罚项是拓扑方案的“底线保障”它表示即使拓扑设计得不好也不能让某微网完全孤立。function [f, Info] objFun(X, Pflow, para) % X: n x n 二进制连接矩阵 % Pflow: n x n 功率传输矩阵, Pflow(i,j)0表示i流向j n size(X, 1); % 线路投资等年值总投资按10年寿命、无残值折算 invest sum(sum(X .* para.C)) / 2; % 对称矩阵只算一半 invest_year invest / 10; % 网损费用考虑双向线路损耗 lossPower sum(sum(abs(Pflow))) * para.loss; lossCost lossPower * 0.6; % 电价0.6元/kWh % 未满足功率惩罚每个微网必须满足自身净负荷 balance para.L sum(Pflow, 2); % 每个节点注入流入 unsupplied sum(max(0, -balance)); % 小于0表示缺电 M 1000; f invest_year lossCost M * unsupplied; Info.invest invest_year; Info.lossCost lossCost; Info.unsupplied unsupplied; endM取1000属于“大数惩罚”的思路目的是让算法优先保证微网供电能力然后再去压投资。这个权重不要无限大否则目标函数的主导项永远是惩罚项数值上微小的拓扑差异会被淹没不利于精细收敛。3.3 约束检查与违反量聚合约束检查我统一设计成一个函数输出标量违规总量violation和各个分项违规量g。这里有个关键设计决策不要直接把所有约束违规返回成向量再在算法里做复杂比较。可行性优先规则需要总量来比较两个不可行解的优劣分项违规越多越难处理。建议做法是把每类约束归一化到0~1区间再累加成总量。连通性检查用的是邻接矩阵的图论性质这里有一个非常经典的高效方法计算B X X^2 ... X^(n-1)如果B矩阵所有非对角元素都大于0则图是连通的。Matlab里可以直接用graph对象但为了不依赖工具箱我保留这种幂级数判据。function [viol, detail] conFun(X, Pflow, para) n size(X, 1); g zeros(1, 3); % 约束1连通性保证所有微网属于同一连通分量 eyeM eye(n); reach eyeM; A X 0; for k 1 : n-1 reach reach A^k; end g(1) double(min(min(reach)) 1); % 有节点不可达即违规 % 约束2线路容量传输功率不得超过上限 capViol max(0, abs(Pflow) - para.Pmax .* X); g(2) sum(capViol(:)) / max(sum(para.Pmax(:)), 1e-6); % 约束3投资预算 invest sum(sum(X .* para.C)) / 2; g(3) max(0, invest - para.Budget) / para.Budget; viol sum(g); detail g; end实践里你会发现一个小坑A^k在n较大时会迅速产生非常大的数导致数值溢出。所以更稳妥的写法是用逻辑运算替代矩阵乘法比如用邻接矩阵二分幂或者使用BFS。代码里我直接用graph/minspantree也可以但如果只想写纯Matlab不依赖额外工具箱BFS遍历或者布尔幂都是可靠选择。3.4 约束差分进化主循环主循环我给出一个分函数实现的版本便于替换不同的变异策略、约束处理方式和初始化方法。这里展示的是核心骨架已经把矩阵变异和可行性优先规则嵌入其中。function [Xbest, fbest, trace] cde_topology(n, para, opt) % 参数初始化 nPop opt.nPop; % 种群规模 MaxGen opt.MaxGen; % 最大迭代次数 F opt.F; % 变异缩放因子 CR opt.CR; % 交叉概率 % 初始化种群 pop.X cell(nPop, 1); pop.P cell(nPop, 1); for i 1 : nPop [pop.X{i}, pop.P{i}] initTopology(n, para); end pop.f zeros(nPop, 1); pop.viol zeros(nPop, 1); for i 1 : nPop pop.f(i) objFun(pop.X{i}, pop.P{i}, para); [pop.viol(i), ~] conFun(pop.X{i}, pop.P{i}, para); end % 迭代主循环 trace zeros(MaxGen, 1); for gen 1 : MaxGen for i 1 : nPop % 变异随机取三个不同个体 idx randperm(nPop, 3); while any(idx i) idx randperm(nPop, 3); end X_base pop.X{idx(1)}; X_r2 pop.X{idx(2)}; X_r3 pop.X{idx(3)}; % 矩阵变异保留对称性与对角元为0 V X_base F * (X_r2 - X_r3); V (V V) / 2; V(1:n1:end) 0; % 交叉二项式交叉然后强制对称 Mask rand(n) CR; U X_base; U(Mask) V(Mask); U (U U) / 2; U(1:n1:end) 0; % 修复不可行拓扑 U repairTopology(U, para); % 依据功率约束推算一组可行功率流 Pnew solvePowerFlow(U, para); % 约束优先选择 fU objFun(U, Pnew, para); violU conFun(U, Pnew, para); if (pop.viol(i) 0 violU 0 fU pop.f(i)) ... || (pop.viol(i) 0 violU pop.viol(i)) ... || (pop.viol(i) 0 violU pop.viol(i) fU pop.f(i)) pop.X{i} U; pop.P{i} Pnew; pop.f(i) fU; pop.viol(i) violU; end end % 记录全局最优可行解 feasIdx find(pop.viol 0); if ~isempty(feasIdx) [~, b] min(pop.f(feasIdx)); bestIdx feasIdx(b); fbest pop.f(bestIdx); Xbest pop.X{bestIdx}; end trace(gen) fbest; end end这个循环里最关键的是“修复算子”和“功率流求解”两个函数。初学者往往直接对U算目标函数忽略修复这一步结果迭代代数一多种群全变成不可行解算法直接失效。再说一遍修复不是为了局部优化而是保证每个个体都能参与后续变异交叉种群才不会退化。功率流求解我这里用的是简化的直流潮流思想已知连接矩阵X将每条线路当作一个电阻节点净负荷已知求解各线路功率。这样既保证可行性比较有意义又不会让单次评估变得太慢。4. 大规模场景下的收敛性调优参数、初始化与修复机制4.1 参数选择F、CR、NP的经验边界差分进化的参数对拓扑矩阵问题非常敏感这不是玄学而是因为矩阵变异会把结构扰动放大。下面这组经验参数是我在8到40个微电网节点规模上反复测过的结果可以直接当初始值用参数推荐范围说明NP40 - 80规模越大越往上限靠但超过100收益很小F0.5 - 0.8小于0.4容易早熟大于1.0拓扑震荡严重CR0.5 - 0.7对二进制矩阵不宜太高太高会导致结构被冲散迭代次数200 - 400大规模场景建议400以上用收敛曲线判断特别想强调的是F和CR的联动关系F小的时候CR要适当调大否则种群的更新率太低F大的时候CR调小一点否则每一代都有太多维度被替换拓扑结构难以稳定遗传。我一般用F0.7、CR0.6作为默认起点再根据收敛曲线微调。4.2 初始化从稀疏可行拓扑起步而不是纯随机初始化好坏对约束差分进化是生死攸关的。纯随机初始化在n30时绝大多数个体都是不连通的。你可以自己做个实验随机生成1000个0-1矩阵统计其中连通的概率结果会低到让你怀疑人生。可行性优先规则虽然能在选择过程中逐步淘汰不可行解但如果初代几乎没有可行解前期搜索等于在黑暗里摸索。我给初始化设计了三个策略叠加第一最小生成树初始化。用微电网之间的“电气距离”或成本C作为边权生成最小生成树。它保证是一个连通、稀疏、成本较低的拓扑符合工程直觉也天然落在可行域里。第二负荷互补优先连接。把净负荷为正的微电网与净负荷为负的微电网优先连接在成本C矩阵上做二次修正这样初始拓扑本身携带了“在哪里交换功率最合理”的信息。第三随机加边操作。在最小生成树基础上随机增加少量的边增加拓扑的多样性。这个操作可以在不破坏连通性的前提下让初始种群之间拉开差异。4.3 修复算子在变异交叉后处理不可行拓扑修复算子的设计原则是“只修硬约束不修软约束”。硬约束包括连通性、容量极值、预算上限等这些不满足算法根本不可能找到合理方案软约束包括平衡度、冗余度等这些应该交给目标函数去衡量。我用的修复函数分三步走。第一步连通性修复对不可行个体做连通分量分析找出最大连通分量然后把其他分量里“连接成本最低的一条边”分别并入主分量重复直到整个图连通。这个贪心修复很快对n30的情况循环几十次就完成。第二步预算修复如果当前拓扑的投资超过Budget就按单位投资下线路利用率从低到高排列循环掰掉那些“性价比最低”的边直到预算满足。第三步容量修复如果某条线路的功率超过Pmax先把功率用小负荷微网的转账平衡削峰仍然超限就把这条线路掐掉并重新跑连通性修复。这里有一个关键细节修复算子要在保证原有变异信息的前提下进行。不要在第一步一口气把整个拓扑推倒重来那样相当于把变异完全抹掉算法会退化成随机搜索。你希望修复算子做的只是“把脱轨的个体拉回轨道”而不是“重新开一列火车”。5. 拓扑结果的合理性检查孤岛、过载与边际成本5.1 输出结果要检查哪些东西算法收敛之后不能只盯着目标函数值是否下降就完事。我建议做一个固定的输出检查清单就像是调试程序时的单元测试连通性检查最终方案里所有微网是否属于同一连通分量有没有出现物理上的孤岛。线路利用率检查每条联络线的功率是多少、占其额定容量的比例。利用率极低的线路要考虑它是否真的值得投资。边际成本分析在最优拓扑里增加或删除一条边目标函数变化多少。这个指标能直观反映拓扑结构的“冗余度”。未满足功率分布即便有惩罚项最终结果里也可能存在某些微网节点功率不平衡要看这些节点分布在哪个位置、什么原因。我用Matlab写了一个简单的拓扑可视化函数把微网地理位置作为节点坐标把连接矩阵画成连线线的粗细对应当前传输功率。这种图在论文和汇报里非常有用也比单纯贴一个矩阵直观得多。5.2 常见问题全零解、伪最优与“过度互连”跑多了你会发现两类反直觉的现象。第一类是“全零解”陷阱。当你把未满足功率惩罚M设得太小算法会发现“干脆谁都不连一分钱都不用花”的目标函数值比任何连接方案都小于是最终输出一个全零矩阵还自认为是最优。这是目标函数设计失败不是算法失败。解决方法是把M设为一个足够大的数或者直接把“连通性”作为硬约束不参与目标函数权衡让算法根本没有选择“全断开”这个空间。第二类是“过度互连”。当预算充足、线路成本偏低时目标函数会倾向于多建线路因为每多建一条线都能稍微降低未满足功率惩罚和网损。但这种拓扑从工程角度看并不健康——线路过多意味着初期投资浪费、运维复杂、故障隔离困难。我的做法是在目标函数里加入一个微小的拓扑稀疏项比如0.05乘以线路总条数让算法在“多连一条线带来的收益”和“多连一条线增加的成本”之间自动权衡最终输出的拓扑边数会明显减少工程上更可落地。5.3 与调度、容量规划解耦的边界条件最后必须说清楚一个边界基于约束差分进化得到的拓扑方案回答的是“微电网之间应该建立怎样互联骨架”的问题它不能替代后续的容量规划和运行调度优化。你把净负荷场景取为全年典型日峰值算出来的拓扑偏保守取为平均负荷算出来的拓扑又偏冒进。工程上常用做法是取多个典型场景加权重让拓扑设计方案在多种运行方式下都稳健。另外如果要验证算法结果在较小规模下是否可靠我建议用YALMIP或MATPOWER做交叉验证取n5或n8的小规模算例用精确求解器跑出同一目标函数下的最优方案拿它和差分进化结果对比。实测下来只要修复算子和参数调得合理差分进化在n8时通常能找到精确解附近的目标值误差在2%以内。这样交叉验证过一轮你再把算法推广到大算例时才敢信它的输出。我个人的体会是约束差分进化解决多微电网拓扑设计真正的难点始终不在算法公式本身而在“怎么把工程约束准确编码进算法”和“怎么让搜出来的拓扑经得起工程推敲”。矩阵编码、可行性优先规则、修复算子这三件套做好这个框架在30到40个节点规模内都能稳定工作。后面如果再想扩展可以考虑把年时序运行模拟嵌入目标函数做多场景鲁棒优化或者引入拓扑N-1校验成本都会上来但方向是清晰的。
