简介粒子群无功优化压缩包面向电气工程专业学生、电力系统研究人员及MATLAB开发者聚焦粒子群算法在无功优化与最优潮流中的实际应用重点解决电压稳定性、功率损耗和电能质量等目标寻优问题适用于智能算法与电网分析结合的学习场景。包内共1个文件全部为m格式脚本核心代码bpso.m整合了种群规模、速度与位置边界设定以及适应度函数的构建和迭代更新过程读者可在此基础上补充节点平衡方程、线路阻抗模型与无功设备约束形成完整的最优潮流计算方案。压缩包体积仅1KB代码紧凑、结构清晰适合逐行研读和二次开发。目前已有374人学习下载是理解粒子群算法落地电力系统分析、实现无功补偿优化配置的实用参考。1. 粒子群无功优化在解决什么问题从人工投切到自动寻优配电网调度台最怕的不是负荷高峰而是电压越限来得无声无息。某天下午调度屏上某条 10kV 母线电压一路爬到 1.07pu值班员只能凭经验逐组投退电容器、试调变压器分接头折腾一个多小时才把电压压下来线损率还涨了不少。粒子群无功优化就是用粒子群算法自动寻找发电机端电压、变压器分接头和并联电容器组的最优组合让全网有功网损最小、电压偏差最小把人工试错变成计算机自动寻优。这个方向特别适合电力系统从业者——做配电网规划、新能源并网或输电网经济运行几乎都会碰到无功电压控制问题而这套方法的门槛其实比想象中低核心就三件事一份潮流计算结果、一个粒子群迭代循环、一组编码映射规则。2. 无功优化的数学模型与粒子群选型为什么不是内点法2.1 无功优化的目标函数网损最小与电压偏差的加权取舍无功优化本质上是一个带约束的非线性规划问题。最常用的目标函数有两个有功网损最小和电压偏差最小。有功网损指电网在输送有功功率时线路和变压器上消耗的功率网损越小运行越经济电压偏差指各节点实际电压偏离额定值的程度偏差过大直接影响设备和负荷的寿命。两个目标经常合在一起写成一个加权和min f λ1 · Ploss λ2 · Σ|Vi − Vref|其中 Ploss Σ Gij(Vi² Vj² − 2ViVjcosθij)对所有支路求和。Vi 是节点 i 的电压幅值Vref 是目标电压一般取 1.0puλ1 和 λ2 是权重系数。实际工程里 λ1 和 λ2 的量纲不同网损单位是 MW电压偏差是标幺值直接相加没有物理意义我一般先把电压偏差项乘上一个基准功率再调权重比例否则优化结果容易被电压偏差项带跑。2.2 控制变量与状态变量三个可以动的旋钮无功优化的控制变量是调度员手上真正能动的三个旋钮。控制变量类型典型取值范围说明发电机端电压连续0.95 ~ 1.10 pu调励磁即可改变成本低有载调压变压器分接头离散通常 ±8 或 ±16 档改变变比影响无功流向并联电容器/电抗器离散0 ~ 若干组投切一组就是一次离散跳跃状态变量则是各节点的电压幅值它们不是独立决定的必须满足潮流方程。换句话说给定一组控制变量全网电压是由交流潮流方程解出来的而不是随便指定的。这也是无功优化和普通函数优化的根本区别——候选解的可行性要靠一次完整的潮流计算来检验。2.3 约束条件如何塞进优化等式约束靠潮流不等式约束靠罚函数约束分两类。等式约束就是潮流方程P P(V,θ)Q Q(V,θ)它天然被嵌入到潮流计算这个步骤里不需要额外的数学处理。不等式约束包括节点电压上下限、发电机无功出力上下限、变压器档位上下限、电容器投入组数范围等。处理不等式约束的常见做法是罚函数法。我一般会在目标函数里加上越限惩罚项例如f λ1 · Ploss λ2 · Σ|Vi − Vref| ρ · Σ(max(0, Vmin − Vi, Vi − Vmax))²ρ 是罚因子。粒子一旦把电压越出安全范围适应度立刻变大粒子群会自动避开这片区域。罚函数的好处是简单坏处是 ρ 的取值直接影响搜索行为这个坑后面专门讲。2.4 粒子群算法为什么适配这个问题三个理由与一个边界传统上这类问题可以用内点法求解内点法在连续性上表现很好、收敛快但有两个痛点一是要构造目标函数和约束的梯度与海森矩阵工程实现繁琐二是变压器分接头和电容器组本质是整数变量内点法算出来的连续值还要圆整圆整后再校验潮流经常要反复求解好几次。遗传算法也能做离散优化但参数太多交叉率、变异率、种群规模、选择策略缺一不可。粒子群的优势恰好戳中这三个痛点不依赖梯度目标函数只要能算出来就行混合编码天然适配连续加离散的控制变量参数少核心就惯性权重和两个加速度常数调起来比遗传算法省心。粒子群本身也保留了群体智能的全局搜索能力对初始点和问题形态不敏感。但边界要认清当系统规模特别大比如上千节点粒子群每次迭代都要算一整遍全网潮流一次优化要跑几百次潮流计算时间可能到小时级。这时候纯粒子群就不合适了常见做法是用内点法做粗优化、粒子群做局部精修或者改成只有少数关键变量进粒子群、其余用灵敏度分析预决策。粒子群不是万能钥匙它是结构与精度之间的一个平衡点。3. PSO 无功优化核心代码框架潮流计算与粒子迭代的最小闭环3.1 模块划分潮流、适应度、粒子迭代三层要跑通一个粒子群无功优化我习惯把代码拆成三层。最底层是潮流计算模块输入网络参数和控制变量输出各节点电压和网损中间层是适应度函数拿潮流结果算网损与罚函数最上层是粒子群主循环负责生成候选解、更新速度和位置。这样拆的好处是每一层都能单独调试潮流算错了可以直接用一个固定控制变量验证不用带着粒子群一起查。下面这个框架用 Python 写依赖只有 numpy。网络数据用节点导纳矩阵 Y 和节点注入功率向量 P、Q 表示这是最通用的接口形式不管数据来自哪个格式最终都能整理成这两个数组。3.2 潮流计算把黑匣子写清楚潮流计算是整条链路里最耗时的部分也是新手最容易当成黑匣子的部分。我用极坐标牛顿-拉夫逊法实现代码框架如下import numpy as np def build_jacobian(Y, V, theta, pq_idx, pv_idx): 构造极坐标牛顿-拉夫逊的雅可比矩阵。 为便于教学理解这里用数值差分近似 实际工程应改用解析分块矩阵 H/N/J/L。 n V.size m len(pq_idx) len(pv_idx) J np.zeros((m, m)) # 失配函数有功失配取PVPQ节点无功失配取PQ节点 def mismatch(V_, theta_): Vc V_ * np.exp(1j * theta_) S Vc * np.conj(Y Vc) dP np.concatenate([np.real(S)[pv_idx], np.real(S)[pq_idx]]) dQ np.imag(S)[pq_idx] return np.concatenate([dP, dQ]) base mismatch(V, theta) eps 1e-6 # 对theta和V分别做差分 for k in range(n): if k in np.concatenate([pq_idx, pv_idx]): th2 theta.copy(); th2[k] eps J[:, k] (mismatch(V, th2) - base) / eps if k in pq_idx: v2 V.copy(); v2[k] eps J[:, len(pv_idx) np.where(pq_idx k)[0][0]] (mismatch(v2, theta) - base) / eps return J def nr_power_flow(Y, P_spec, Q_spec, V0, bus_type, max_iter50, tol1e-8): 极坐标牛顿-拉夫逊潮流。 bus_type: 0平衡节点, 1PV节点, 2PQ节点 返回电压幅值、相角、是否收敛、迭代次数。 n len(P_spec) V V0.copy() theta np.zeros(n) pq_idx np.where(bus_type 2)[0] pv_idx np.where(bus_type 1)[0] for it in range(max_iter): Vc V * np.exp(1j * theta) S Vc * np.conj(Y Vc) dP P_spec - np.real(S) dQ Q_spec - np.imag(S) # 失配向量dP取PVPQdQ只取PQ dF np.concatenate([dP[pv_idx], dP[pq_idx], dQ[pq_idx]]) if np.max(np.abs(dF)) tol: return V, theta, True, it J build_jacobian(Y, V, theta, pq_idx, pv_idx) dx np.linalg.solve(J, dF) n_pv len(pv_idx) theta[pv_idx] dx[:n_pv] theta[pq_idx] dx[n_pv:n_pv len(pq_idx)] V[pq_idx] dx[n_pv len(pq_idx):] return V, theta, False, max_iter逻辑说明潮流计算的核心是求解节点电压方程 V Y⁻¹S但传输网络各节点功率耦合严重无法直接求解所以牛顿-拉夫逊法把非线性方程线性化后迭代逼近。失配量 dP、dQ 反映当前电压下功率不平衡的程度雅可比矩阵描述电压变化对失配量的影响每次解线性方程组得到修正量更新电压和相角直到失配量小于阈值。参数说明max_iter 设 50 次足够正常潮流 5~10 次迭代就能收敛超过 20 次还不收敛基本是初值给得太差或数据有问题。tol 取 1e-8 是标幺值精度够用且不会过度消耗计算时间。bus_type 数组是三个节点类型的掩码三种类型的编号不可混用。数值差分雅可比在小系统上可以跑系统超过 100 节点后建议换成解析分块否则每次迭代的差分计算会导致性能明显下降。3.3 PSO 主循环从归一化编码到迭代收敛粒子群主循环相对独立它不关心潮流内部怎么算只负责产生候选控制变量并评估好坏。def pso_reactive_opt(n_var, n_particles, max_iter, evaluate, v_max0.15): 粒子群无功优化主循环。 n_var: 控制变量维数 evaluate: 适应度函数输入归一化向量输出标量适应度 # 粒子位置归一化到[0,1]速度限制在[-v_max, v_max] X np.random.rand(n_particles, n_var) V np.random.uniform(-v_max, v_max, (n_particles, n_var)) pbest_X X.copy() pbest_score np.full(n_particles, np.inf) gbest_X X[0].copy() gbest_score np.inf history [] for it in range(max_iter): # 惯性权重线性递减0.95 - 0.4 w 0.95 - (0.95 - 0.4) * it / max_iter for i in range(n_particles): r1 np.random.rand(n_var) r2 np.random.rand(n_var) V[i] (w * V[i] 2.0 * r1 * (pbest_X[i] - X[i]) 2.0 * r2 * (gbest_X - X[i])) V[i] np.clip(V[i], -v_max, v_max) X[i] np.clip(X[i] V[i], 0.0, 1.0) score evaluate(X[i]) if score pbest_score[i]: pbest_score[i] score pbest_X[i] X[i].copy() if score gbest_score: gbest_score score gbest_X X[i].copy() history.append(gbest_score) return gbest_X, gbest_score, history逻辑说明每个粒子的位置是一个归一化向量对应一组控制变量候选值。速度更新包含三个分量惯性项 w·V 让粒子沿原方向继续探索认知项 r1·(pbest−X) 把粒子拉向自己历史最优社会项 r2·(gbest−X) 把粒子拉向群体最优。速度限幅防止粒子飞得太远导致在可行域外乱撞。参数说明n_particles 一般取变量维数的 3~5 倍维数低于 10 时至少取 30。v_max 是关键参数太大粒子容易飞出边界太小收敛慢、容易陷入局部最优0.15 是一个相对稳妥的起点。惯性权重 w 的线性递减策略让算法前期大范围探索、后期精细搜索是大多数场景默认有效的方案。加速度常数都取 2.0 是经典配置后面会讲怎么调。3.4 组装主流程一个可跑的调度脚本把三层串起来的完整流程长这样def decode_and_evaluate(x, var_config, Y, P_spec, Q_spec, base_MW): 归一化解码为实际控制变量跑潮流算适应度。 # var_config 描述每个变量的类型和取值范围 control decode_control(x, var_config) # 更新发电机端电压、变压器变比、电容器无功注入 V0 control[gen_voltage] Y_modified, Q_inject apply_control(Y, control) V, theta, converged, it nr_power_flow( Y_modified, P_spec, Q_spec - Q_inject, V0, bus_type) if not converged: return 1e6 np.random.rand() # 潮流不收敛给一个很大的罚 ploss compute_loss(Y_modified, V, theta) v_dev np.sum(np.abs(V - 1.0)) return base_MW * (ploss 50.0 * v_dev) gbest_X, gbest_score, hist pso_reactive_opt( n_varlen(var_config), n_particles30, max_iter100, evaluatelambda x: decode_and_evaluate(x, var_config, Y, P_spec, Q_spec, 100.0))逻辑说明decode_and_evaluate 是连接粒子群和电网模型的关键。它先把[0,1]区间的归一化解映射成实际控制变量——发电机端电压直接线性映射变压器分接头和电容器组用四舍五入取整映射到离散档位然后修改导纳矩阵和无功注入接着调一次潮流最后根据收敛状态和潮流结果计算适应度。参数说明潮流不收敛时给一个很大的随机罚值而不是直接报错这是为了让粒子群能继续迭代不因单个坏解中断进程。base_MW 的作用是统一量纲把电压偏差项放大到与网损 MW 同一数量级让两个目标在适应度函数里真正可比。罚系数 50 只是起点后面要根据迭代曲线微调。4. 控制变量编码与 PSO 参数整定让迭代收敛而不是乱飞4.1 混合编码与解码映射连续变量和离散档位怎么进粒子粒子群无功优化的编码是整个工程里最容易被低估的环节。粒子群本身工作在连续实数空间但控制变量里既有连续量又有离散量两者不能混为一谈。连续变量直接线性映射就行离散变量则需要先归一化再四舍五入到最近的整数档位。变量类型原始范围编码方式解码公式发电机端电压0.95 ~ 1.10 pu连续编码V 0.95 x·(1.10−0.95)变压器分接头−8 ~ 8 档取整编码tap round(x·16) − 8电容器投入组数0 ~ 10 组取整编码cap round(x·10)我见过不少新手把分接头和电容器当连续变量处理跑完以后直接四舍五入结果优化结果和实际执行结果完全对不上。正确做法是在粒子每次评估适应度时就取整让粒子群始终在有意义的离散空间里搜索而不是在连续空间里先找最优再取整——后者会造成严重的精度偏差。注意还有一个细节变压器分接头不是均匀连续变化的它改变的是变压器变比变比又通过非线性的方式影响无功分布所以即使解码对了同一个档位在不同负荷水平下效果也不同。解码映射做好之后第一步先验证解码正确性随便取几组控制变量手算一遍映射结果确认没有越界或取整方向错误。4.2 五个必调参数粒子数、迭代数、惯性权重、加速度常数、速度限幅粒子群的参数不像机器学习那样有标准配方的曲线拟合流程更多的是靠迭代曲线观察和少量调参经验。下面这张表是我在 30 节点和 118 节点规模系统上比较稳定的起始参数。参数推荐起始值调整方向说明粒子数20 ~ 40变量多则取多少于 15 个极易早熟最大迭代数100 ~ 200看收敛曲线长时间无改进则提前终止惯性权重 w0.95 → 0.4 线性递减收敛慢则提高下限下限低于 0.3 会丧失探索能力加速度常数 c1, c22.0, 2.0前期 c1c2后期 c1c2也可用 1.5 配 1.5速度限幅 v_max0.15输出震荡则减小设 0.3 以上粒子容易飞掉粒子数的调节逻辑维数低时 20~30 个粒子就够维数超过 15 再考虑 50 个以上。粒子数翻倍计算量也翻倍因为每次评估都是一次潮流计算所以不要盲目加大种群。惯性权重的递减策略是粒子群性能的核心。前期 w 大粒子飞行速度快探索范围广能发现不同区域后期 w 小粒子围绕当前最优精细搜索。如果收敛曲线在早期就掉平、且最优值不太理想说明 w 下限给得太低粒子过早丧失了跳出局部最优的能力。加速度常数 c1、c2 控制粒子对自身经验和群体经验的信任程度。c1 太大粒子容易各自为政、收敛慢c2 太大粒子一窝蜂冲向当前全局最优容易早熟。很多文献推荐 c1c22.0 或 c1c21.5我建议先按经典配置跑一轮看收敛曲线形态再动。速度限幅常被忽略。v_max 设太大粒子一步就跨过整个搜索空间位置在边界来回弹跳收敛曲线会一直震荡设太小又飞不动。0.15 意味着粒子每步最多走 15% 的搜索区间宽度配合 w 递减大部分场景表现都不错。4.3 收敛判断迭代曲线和停滞阈值怎么看判断粒子群是不是真收敛不能只看迭代结束时的最终值。标准做法是把每次迭代全局最优适应度记下来画收敛曲线。正常的曲线形态是前 20 次迭代快速下降然后缓慢逼近一条水平线。如果曲线从第 5 次迭代开始就一条直线说明粒子群已经扎堆没有探索能力了。我在工程里习惯加一个早停逻辑连续 20 次迭代全局最优改进小于 0.1%直接终止迭代不傻跑满最大迭代数。这个阈值不是拍脑袋定的它反映的是工程精度——网损优化做到 0.1% 的量级已经没有实际调度意义了。还要提醒一点收敛曲线平坦不等于找对了最优。粒子群可能在某个不可行区域的边缘找到一个低适应度的点由于罚函数不够大它误认为这里可行。所以每次优化结束后要把最优解解码回实际控制变量重新跑一遍潮流单独检查电压是否越限、无功是否越限确认可行后再去跟别的方案对比。这一条验证工序不可省。5. 粒子群无功优化避坑排查五个反复出现的工程陷阱5.1 迭代还没结束适应度就变成 NaN潮流不收敛的处理现象粒子群跑到中间某代历史最优适应度突然变成 NaN 或者一个天文数字之后所有粒子都被这个坏值带偏整轮优化报废。原因粒子飞进了控制变量的极端组合比如某台发电机电压给到 1.10pu、变压器分接头和电容器同时投满潮流迭代发散或解出负阻抗等异常值潮流计算返回了 NaN 或 inf适应度函数没做防护直接往外传。解决潮流模块必须返回明确的收敛标志适应度函数里先判断收敛标志再计算网损。不收敛时不要返回 NaN返回一个带随机扰动的大罚值比如 1e6 rand()。加随机扰动是为了避免所有不收敛粒子都得到完全相同的罚值导致粒子群在罚值平面上无法区分方向。这个处理能保证粒子群即使踩到不可行域也还能继续搜索。5.2 优化完变压器分接头一动不动离散编码失效现象跑完 100 代最优解里变压器分接头全部停留在初始位置或边界值电容器组数也几乎没变化网损降低全靠发电机电压在出力。原因最常见的是离散变量在解码时取整方向错误或映射区间不对。比如分接头范围写成了 0~16解码后档位 0~16但实际模型里变比计算用的是 −8~8两边对不上另一种情况是离散变量步长太大比如一个变压器档位调整带来的电压变化远超目标函数的敏感度粒子群算下来发现调档无利可图干脆不动。解决先单独验证解码函数——固定其他变量只扫描分接头从最小档到最大档的所有取值把对应网损曲线画出来看是否存在明显的低谷。如果曲线平坦说明这个变量对这个目标函数的贡献本来就小考虑把它从优化列表里去掉减少维数还能加快收敛如果曲线有低谷但粒子群没找到说明离散步长在粒子群的位置更新里被抹平了要把离散变量的速度限幅单独调低并增大认知项系数。5.3 罚函数系数调来调去网损忽高忽低现象第一次跑网损降了 3%第二次同样参数网损降到 6%第三次又只有 4%每次结果都不一样而且最优解里有节点电压恰好压在越限边界上。原因罚函数系数 ρ 设置太小越限惩罚在总适应度里占比太低粒子群宁可轻微越限也要把网损压低ρ 设置太大则相反任何一点越限都被放大成巨大惩罚粒子群变得过度保守搜索范围被压缩。越限边界上的解每次迭代随机性不同所以结果忽高忽低。解决罚系数从 10 起步每轮跑完检查最优解中有多少节点电压越限。如果越限节点多于 1 个把 ρ 乘以 3 再跑如果没有任何节点接近边界说明罚得太重了把 ρ 除以 2。通常两三轮就能找到一个平衡点。判定标准是最终最优解恰好有 0~1 个节点轻微靠近边界且把所有越限去除后网损变化不超过 0.5%。5.4 粒子扎堆、早熟收敛多样性不足的表现与对策现象收敛曲线前 20 代快速下降后彻底走平但最终网损比预期高不少。把粒子位置打印出来看所有粒子挤在一小片区域里位置差不到 0.01。原因惯性权重衰减过快粒子在迭代后期丧失了全局探索能力或者 v_max 限制太紧粒子根本飞不出当前邻域。早熟的本质是种群多样性过早丧失粒子群在数学上并不保证全局收敛它就是一个启发式算法跳不出局部最优太正常了。解决首选降低 w 的下限0.4 太高就改成 0.3 或者 0.25其次提高 v_max 到 0.2 左右让粒子后期仍保留一定的位移能力。换用自适应惯性权重也可以例如根据种群离散程度动态调整 w——粒子越聚集w 越大。如果这些都不见效就要考虑在每次迭代中以小概率对部分粒子做重置随机挑 5% 的粒子重新初始化位置。这个操作对跳出局部最优非常有效代价是收敛曲线略震荡。5.5 同一套参数换个系统就跑不动数据预处理的重要性现象在 30 节点系统上调好的参数原封不动搬到另一个系统上粒子群迭代 200 次网损几乎不下降还频繁出现潮流不收敛。原因不同系统的基准容量不同、控制变量数量不同、线路特性不同甚至导纳矩阵标幺化时的基准电压不同都会导致同样参数下粒子的“有效移动步长”完全不同。上一套系统里 0.01 的电压变化可能带来合理的网损变化下一套系统里同一个步长电压变化完全被淹没在数值噪声里。解决换系统后第一件事不是调参数而是检查数据预处理。确认所有电气量都在标幺值体系下基准容量统一导纳矩阵和功率向量标幺化正确然后单独跑几次随机粒子看适应度的数值分布范围。如果随机粒子的适应度从最小值到最大值跨越了几个数量级说明罚函数和目标的量纲还没对齐要回到 4.2 重新统一基准。参数永远是跟着数据走的不是通用的。6. 验证与进阶从标准算例到在线滚动优化6.1 用标准 30 节点算例给自己验一次拿到一套粒子群无功优化代码后先别急着上实际数据用公开的标准 30 节点测试算例跑一遍重点验证四个指标对比项优化前人工给定优化后PSO 结果变化有功网损 MW基准方案PSO 方案应下降最大电压偏差 pu记录值记录值应减小电压越限节点数记录值应接近 0应减少迭代收敛时间—记录秒数建立耗时基准优化后网损下降 2%~8% 是常见区间具体幅度取决于基准方案的初始质量。验证时不要只看网损还要把最优控制变量代入潮流重新算一遍确认无越限、无功出力在发电机限值内。这四张表填完算法链路才算真正可信。6.2 从离线到在线热启动与调节次数约束实际调度场景中负荷每 15 分钟就在变化离线优化结果在下一时刻可能已经不再适用。常见做法是把粒子群从离线优化改成在线滚动优化上一个时段的全局最优解作为下一个时段的初始粒子之一再加上少量随机扰动生成新种群。这样每次滚动只需要少量迭代就能逼近新工况的最优解计算时间大幅缩短。但这里有一个更接近工程本质的坑调度员不希望变压器频繁动作。粒子群优化只关心网损和电压它会倾向于通过调变压器来获得最好的电压分布但这意味着变压器在一天内要动作几十次机械寿命和运行风险都不允许。我一般会在适应度函数里加一个调节次数惩罚项统计当前解与上一时刻控制变量的差异档位变化越多罚越大。宁可多损失一点网损也要控制设备动作次数。6.3 多目标扩展从网损最小到电压稳定再往后走单纯网损最小已经不能满足工程需要了。新能源大量接入后电压稳定裕度成为比网损更关键的指标。常见扩展思路是把单目标改成多目标优化用粒子群的多目标变体同时优化网损、电压偏差和静态电压稳定裕度输出一组帕累托前沿解由调度员根据实际工况从前沿里选点。当年我在一个新能源汇集站项目里吃过亏只盯着网损耗率结果优化方案把电压稳定裕度压得很低实际运行中一次大的无功扰动差点触发低压减载。后来养成的习惯是任何粒子群无功优化结果在上线前必须跑一遍关键节点 N-1 后的电压校核哪怕这一步会让优化结果稍微保守一些但换来的是运行层面的安全余量。这也是我在这类项目里最深的教训——算法收敛漂亮不等于运行结果可执行设备动作次数、调节时间、N-1 安全约束这些工程细节往往比目标函数本身更致命。粒子群给了我们一把好用的钥匙但门后面的电压安全、设备寿命和经济运行才是真正要负责的部分。希望帮到你。本文还有配套的精品资源点击获取
简介粒子群无功优化压缩包面向电气工程专业学生、电力系统研究人员及MATLAB开发者聚焦粒子群算法在无功优化与最优潮流中的实际应用重点解决电压稳定性、功率损耗和电能质量等目标寻优问题适用于智能算法与电网分析结合的学习场景。包内共1个文件全部为m格式脚本核心代码bpso.m整合了种群规模、速度与位置边界设定以及适应度函数的构建和迭代更新过程读者可在此基础上补充节点平衡方程、线路阻抗模型与无功设备约束形成完整的最优潮流计算方案。压缩包体积仅1KB代码紧凑、结构清晰适合逐行研读和二次开发。目前已有374人学习下载是理解粒子群算法落地电力系统分析、实现无功补偿优化配置的实用参考。1. 粒子群无功优化在解决什么问题从人工投切到自动寻优配电网调度台最怕的不是负荷高峰而是电压越限来得无声无息。某天下午调度屏上某条 10kV 母线电压一路爬到 1.07pu值班员只能凭经验逐组投退电容器、试调变压器分接头折腾一个多小时才把电压压下来线损率还涨了不少。粒子群无功优化就是用粒子群算法自动寻找发电机端电压、变压器分接头和并联电容器组的最优组合让全网有功网损最小、电压偏差最小把人工试错变成计算机自动寻优。这个方向特别适合电力系统从业者——做配电网规划、新能源并网或输电网经济运行几乎都会碰到无功电压控制问题而这套方法的门槛其实比想象中低核心就三件事一份潮流计算结果、一个粒子群迭代循环、一组编码映射规则。2. 无功优化的数学模型与粒子群选型为什么不是内点法2.1 无功优化的目标函数网损最小与电压偏差的加权取舍无功优化本质上是一个带约束的非线性规划问题。最常用的目标函数有两个有功网损最小和电压偏差最小。有功网损指电网在输送有功功率时线路和变压器上消耗的功率网损越小运行越经济电压偏差指各节点实际电压偏离额定值的程度偏差过大直接影响设备和负荷的寿命。两个目标经常合在一起写成一个加权和min f λ1 · Ploss λ2 · Σ|Vi − Vref|其中 Ploss Σ Gij(Vi² Vj² − 2ViVjcosθij)对所有支路求和。Vi 是节点 i 的电压幅值Vref 是目标电压一般取 1.0puλ1 和 λ2 是权重系数。实际工程里 λ1 和 λ2 的量纲不同网损单位是 MW电压偏差是标幺值直接相加没有物理意义我一般先把电压偏差项乘上一个基准功率再调权重比例否则优化结果容易被电压偏差项带跑。2.2 控制变量与状态变量三个可以动的旋钮无功优化的控制变量是调度员手上真正能动的三个旋钮。控制变量类型典型取值范围说明发电机端电压连续0.95 ~ 1.10 pu调励磁即可改变成本低有载调压变压器分接头离散通常 ±8 或 ±16 档改变变比影响无功流向并联电容器/电抗器离散0 ~ 若干组投切一组就是一次离散跳跃状态变量则是各节点的电压幅值它们不是独立决定的必须满足潮流方程。换句话说给定一组控制变量全网电压是由交流潮流方程解出来的而不是随便指定的。这也是无功优化和普通函数优化的根本区别——候选解的可行性要靠一次完整的潮流计算来检验。2.3 约束条件如何塞进优化等式约束靠潮流不等式约束靠罚函数约束分两类。等式约束就是潮流方程P P(V,θ)Q Q(V,θ)它天然被嵌入到潮流计算这个步骤里不需要额外的数学处理。不等式约束包括节点电压上下限、发电机无功出力上下限、变压器档位上下限、电容器投入组数范围等。处理不等式约束的常见做法是罚函数法。我一般会在目标函数里加上越限惩罚项例如f λ1 · Ploss λ2 · Σ|Vi − Vref| ρ · Σ(max(0, Vmin − Vi, Vi − Vmax))²ρ 是罚因子。粒子一旦把电压越出安全范围适应度立刻变大粒子群会自动避开这片区域。罚函数的好处是简单坏处是 ρ 的取值直接影响搜索行为这个坑后面专门讲。2.4 粒子群算法为什么适配这个问题三个理由与一个边界传统上这类问题可以用内点法求解内点法在连续性上表现很好、收敛快但有两个痛点一是要构造目标函数和约束的梯度与海森矩阵工程实现繁琐二是变压器分接头和电容器组本质是整数变量内点法算出来的连续值还要圆整圆整后再校验潮流经常要反复求解好几次。遗传算法也能做离散优化但参数太多交叉率、变异率、种群规模、选择策略缺一不可。粒子群的优势恰好戳中这三个痛点不依赖梯度目标函数只要能算出来就行混合编码天然适配连续加离散的控制变量参数少核心就惯性权重和两个加速度常数调起来比遗传算法省心。粒子群本身也保留了群体智能的全局搜索能力对初始点和问题形态不敏感。但边界要认清当系统规模特别大比如上千节点粒子群每次迭代都要算一整遍全网潮流一次优化要跑几百次潮流计算时间可能到小时级。这时候纯粒子群就不合适了常见做法是用内点法做粗优化、粒子群做局部精修或者改成只有少数关键变量进粒子群、其余用灵敏度分析预决策。粒子群不是万能钥匙它是结构与精度之间的一个平衡点。3. PSO 无功优化核心代码框架潮流计算与粒子迭代的最小闭环3.1 模块划分潮流、适应度、粒子迭代三层要跑通一个粒子群无功优化我习惯把代码拆成三层。最底层是潮流计算模块输入网络参数和控制变量输出各节点电压和网损中间层是适应度函数拿潮流结果算网损与罚函数最上层是粒子群主循环负责生成候选解、更新速度和位置。这样拆的好处是每一层都能单独调试潮流算错了可以直接用一个固定控制变量验证不用带着粒子群一起查。下面这个框架用 Python 写依赖只有 numpy。网络数据用节点导纳矩阵 Y 和节点注入功率向量 P、Q 表示这是最通用的接口形式不管数据来自哪个格式最终都能整理成这两个数组。3.2 潮流计算把黑匣子写清楚潮流计算是整条链路里最耗时的部分也是新手最容易当成黑匣子的部分。我用极坐标牛顿-拉夫逊法实现代码框架如下import numpy as np def build_jacobian(Y, V, theta, pq_idx, pv_idx): 构造极坐标牛顿-拉夫逊的雅可比矩阵。 为便于教学理解这里用数值差分近似 实际工程应改用解析分块矩阵 H/N/J/L。 n V.size m len(pq_idx) len(pv_idx) J np.zeros((m, m)) # 失配函数有功失配取PVPQ节点无功失配取PQ节点 def mismatch(V_, theta_): Vc V_ * np.exp(1j * theta_) S Vc * np.conj(Y Vc) dP np.concatenate([np.real(S)[pv_idx], np.real(S)[pq_idx]]) dQ np.imag(S)[pq_idx] return np.concatenate([dP, dQ]) base mismatch(V, theta) eps 1e-6 # 对theta和V分别做差分 for k in range(n): if k in np.concatenate([pq_idx, pv_idx]): th2 theta.copy(); th2[k] eps J[:, k] (mismatch(V, th2) - base) / eps if k in pq_idx: v2 V.copy(); v2[k] eps J[:, len(pv_idx) np.where(pq_idx k)[0][0]] (mismatch(v2, theta) - base) / eps return J def nr_power_flow(Y, P_spec, Q_spec, V0, bus_type, max_iter50, tol1e-8): 极坐标牛顿-拉夫逊潮流。 bus_type: 0平衡节点, 1PV节点, 2PQ节点 返回电压幅值、相角、是否收敛、迭代次数。 n len(P_spec) V V0.copy() theta np.zeros(n) pq_idx np.where(bus_type 2)[0] pv_idx np.where(bus_type 1)[0] for it in range(max_iter): Vc V * np.exp(1j * theta) S Vc * np.conj(Y Vc) dP P_spec - np.real(S) dQ Q_spec - np.imag(S) # 失配向量dP取PVPQdQ只取PQ dF np.concatenate([dP[pv_idx], dP[pq_idx], dQ[pq_idx]]) if np.max(np.abs(dF)) tol: return V, theta, True, it J build_jacobian(Y, V, theta, pq_idx, pv_idx) dx np.linalg.solve(J, dF) n_pv len(pv_idx) theta[pv_idx] dx[:n_pv] theta[pq_idx] dx[n_pv:n_pv len(pq_idx)] V[pq_idx] dx[n_pv len(pq_idx):] return V, theta, False, max_iter逻辑说明潮流计算的核心是求解节点电压方程 V Y⁻¹S但传输网络各节点功率耦合严重无法直接求解所以牛顿-拉夫逊法把非线性方程线性化后迭代逼近。失配量 dP、dQ 反映当前电压下功率不平衡的程度雅可比矩阵描述电压变化对失配量的影响每次解线性方程组得到修正量更新电压和相角直到失配量小于阈值。参数说明max_iter 设 50 次足够正常潮流 5~10 次迭代就能收敛超过 20 次还不收敛基本是初值给得太差或数据有问题。tol 取 1e-8 是标幺值精度够用且不会过度消耗计算时间。bus_type 数组是三个节点类型的掩码三种类型的编号不可混用。数值差分雅可比在小系统上可以跑系统超过 100 节点后建议换成解析分块否则每次迭代的差分计算会导致性能明显下降。3.3 PSO 主循环从归一化编码到迭代收敛粒子群主循环相对独立它不关心潮流内部怎么算只负责产生候选控制变量并评估好坏。def pso_reactive_opt(n_var, n_particles, max_iter, evaluate, v_max0.15): 粒子群无功优化主循环。 n_var: 控制变量维数 evaluate: 适应度函数输入归一化向量输出标量适应度 # 粒子位置归一化到[0,1]速度限制在[-v_max, v_max] X np.random.rand(n_particles, n_var) V np.random.uniform(-v_max, v_max, (n_particles, n_var)) pbest_X X.copy() pbest_score np.full(n_particles, np.inf) gbest_X X[0].copy() gbest_score np.inf history [] for it in range(max_iter): # 惯性权重线性递减0.95 - 0.4 w 0.95 - (0.95 - 0.4) * it / max_iter for i in range(n_particles): r1 np.random.rand(n_var) r2 np.random.rand(n_var) V[i] (w * V[i] 2.0 * r1 * (pbest_X[i] - X[i]) 2.0 * r2 * (gbest_X - X[i])) V[i] np.clip(V[i], -v_max, v_max) X[i] np.clip(X[i] V[i], 0.0, 1.0) score evaluate(X[i]) if score pbest_score[i]: pbest_score[i] score pbest_X[i] X[i].copy() if score gbest_score: gbest_score score gbest_X X[i].copy() history.append(gbest_score) return gbest_X, gbest_score, history逻辑说明每个粒子的位置是一个归一化向量对应一组控制变量候选值。速度更新包含三个分量惯性项 w·V 让粒子沿原方向继续探索认知项 r1·(pbest−X) 把粒子拉向自己历史最优社会项 r2·(gbest−X) 把粒子拉向群体最优。速度限幅防止粒子飞得太远导致在可行域外乱撞。参数说明n_particles 一般取变量维数的 3~5 倍维数低于 10 时至少取 30。v_max 是关键参数太大粒子容易飞出边界太小收敛慢、容易陷入局部最优0.15 是一个相对稳妥的起点。惯性权重 w 的线性递减策略让算法前期大范围探索、后期精细搜索是大多数场景默认有效的方案。加速度常数都取 2.0 是经典配置后面会讲怎么调。3.4 组装主流程一个可跑的调度脚本把三层串起来的完整流程长这样def decode_and_evaluate(x, var_config, Y, P_spec, Q_spec, base_MW): 归一化解码为实际控制变量跑潮流算适应度。 # var_config 描述每个变量的类型和取值范围 control decode_control(x, var_config) # 更新发电机端电压、变压器变比、电容器无功注入 V0 control[gen_voltage] Y_modified, Q_inject apply_control(Y, control) V, theta, converged, it nr_power_flow( Y_modified, P_spec, Q_spec - Q_inject, V0, bus_type) if not converged: return 1e6 np.random.rand() # 潮流不收敛给一个很大的罚 ploss compute_loss(Y_modified, V, theta) v_dev np.sum(np.abs(V - 1.0)) return base_MW * (ploss 50.0 * v_dev) gbest_X, gbest_score, hist pso_reactive_opt( n_varlen(var_config), n_particles30, max_iter100, evaluatelambda x: decode_and_evaluate(x, var_config, Y, P_spec, Q_spec, 100.0))逻辑说明decode_and_evaluate 是连接粒子群和电网模型的关键。它先把[0,1]区间的归一化解映射成实际控制变量——发电机端电压直接线性映射变压器分接头和电容器组用四舍五入取整映射到离散档位然后修改导纳矩阵和无功注入接着调一次潮流最后根据收敛状态和潮流结果计算适应度。参数说明潮流不收敛时给一个很大的随机罚值而不是直接报错这是为了让粒子群能继续迭代不因单个坏解中断进程。base_MW 的作用是统一量纲把电压偏差项放大到与网损 MW 同一数量级让两个目标在适应度函数里真正可比。罚系数 50 只是起点后面要根据迭代曲线微调。4. 控制变量编码与 PSO 参数整定让迭代收敛而不是乱飞4.1 混合编码与解码映射连续变量和离散档位怎么进粒子粒子群无功优化的编码是整个工程里最容易被低估的环节。粒子群本身工作在连续实数空间但控制变量里既有连续量又有离散量两者不能混为一谈。连续变量直接线性映射就行离散变量则需要先归一化再四舍五入到最近的整数档位。变量类型原始范围编码方式解码公式发电机端电压0.95 ~ 1.10 pu连续编码V 0.95 x·(1.10−0.95)变压器分接头−8 ~ 8 档取整编码tap round(x·16) − 8电容器投入组数0 ~ 10 组取整编码cap round(x·10)我见过不少新手把分接头和电容器当连续变量处理跑完以后直接四舍五入结果优化结果和实际执行结果完全对不上。正确做法是在粒子每次评估适应度时就取整让粒子群始终在有意义的离散空间里搜索而不是在连续空间里先找最优再取整——后者会造成严重的精度偏差。注意还有一个细节变压器分接头不是均匀连续变化的它改变的是变压器变比变比又通过非线性的方式影响无功分布所以即使解码对了同一个档位在不同负荷水平下效果也不同。解码映射做好之后第一步先验证解码正确性随便取几组控制变量手算一遍映射结果确认没有越界或取整方向错误。4.2 五个必调参数粒子数、迭代数、惯性权重、加速度常数、速度限幅粒子群的参数不像机器学习那样有标准配方的曲线拟合流程更多的是靠迭代曲线观察和少量调参经验。下面这张表是我在 30 节点和 118 节点规模系统上比较稳定的起始参数。参数推荐起始值调整方向说明粒子数20 ~ 40变量多则取多少于 15 个极易早熟最大迭代数100 ~ 200看收敛曲线长时间无改进则提前终止惯性权重 w0.95 → 0.4 线性递减收敛慢则提高下限下限低于 0.3 会丧失探索能力加速度常数 c1, c22.0, 2.0前期 c1c2后期 c1c2也可用 1.5 配 1.5速度限幅 v_max0.15输出震荡则减小设 0.3 以上粒子容易飞掉粒子数的调节逻辑维数低时 20~30 个粒子就够维数超过 15 再考虑 50 个以上。粒子数翻倍计算量也翻倍因为每次评估都是一次潮流计算所以不要盲目加大种群。惯性权重的递减策略是粒子群性能的核心。前期 w 大粒子飞行速度快探索范围广能发现不同区域后期 w 小粒子围绕当前最优精细搜索。如果收敛曲线在早期就掉平、且最优值不太理想说明 w 下限给得太低粒子过早丧失了跳出局部最优的能力。加速度常数 c1、c2 控制粒子对自身经验和群体经验的信任程度。c1 太大粒子容易各自为政、收敛慢c2 太大粒子一窝蜂冲向当前全局最优容易早熟。很多文献推荐 c1c22.0 或 c1c21.5我建议先按经典配置跑一轮看收敛曲线形态再动。速度限幅常被忽略。v_max 设太大粒子一步就跨过整个搜索空间位置在边界来回弹跳收敛曲线会一直震荡设太小又飞不动。0.15 意味着粒子每步最多走 15% 的搜索区间宽度配合 w 递减大部分场景表现都不错。4.3 收敛判断迭代曲线和停滞阈值怎么看判断粒子群是不是真收敛不能只看迭代结束时的最终值。标准做法是把每次迭代全局最优适应度记下来画收敛曲线。正常的曲线形态是前 20 次迭代快速下降然后缓慢逼近一条水平线。如果曲线从第 5 次迭代开始就一条直线说明粒子群已经扎堆没有探索能力了。我在工程里习惯加一个早停逻辑连续 20 次迭代全局最优改进小于 0.1%直接终止迭代不傻跑满最大迭代数。这个阈值不是拍脑袋定的它反映的是工程精度——网损优化做到 0.1% 的量级已经没有实际调度意义了。还要提醒一点收敛曲线平坦不等于找对了最优。粒子群可能在某个不可行区域的边缘找到一个低适应度的点由于罚函数不够大它误认为这里可行。所以每次优化结束后要把最优解解码回实际控制变量重新跑一遍潮流单独检查电压是否越限、无功是否越限确认可行后再去跟别的方案对比。这一条验证工序不可省。5. 粒子群无功优化避坑排查五个反复出现的工程陷阱5.1 迭代还没结束适应度就变成 NaN潮流不收敛的处理现象粒子群跑到中间某代历史最优适应度突然变成 NaN 或者一个天文数字之后所有粒子都被这个坏值带偏整轮优化报废。原因粒子飞进了控制变量的极端组合比如某台发电机电压给到 1.10pu、变压器分接头和电容器同时投满潮流迭代发散或解出负阻抗等异常值潮流计算返回了 NaN 或 inf适应度函数没做防护直接往外传。解决潮流模块必须返回明确的收敛标志适应度函数里先判断收敛标志再计算网损。不收敛时不要返回 NaN返回一个带随机扰动的大罚值比如 1e6 rand()。加随机扰动是为了避免所有不收敛粒子都得到完全相同的罚值导致粒子群在罚值平面上无法区分方向。这个处理能保证粒子群即使踩到不可行域也还能继续搜索。5.2 优化完变压器分接头一动不动离散编码失效现象跑完 100 代最优解里变压器分接头全部停留在初始位置或边界值电容器组数也几乎没变化网损降低全靠发电机电压在出力。原因最常见的是离散变量在解码时取整方向错误或映射区间不对。比如分接头范围写成了 0~16解码后档位 0~16但实际模型里变比计算用的是 −8~8两边对不上另一种情况是离散变量步长太大比如一个变压器档位调整带来的电压变化远超目标函数的敏感度粒子群算下来发现调档无利可图干脆不动。解决先单独验证解码函数——固定其他变量只扫描分接头从最小档到最大档的所有取值把对应网损曲线画出来看是否存在明显的低谷。如果曲线平坦说明这个变量对这个目标函数的贡献本来就小考虑把它从优化列表里去掉减少维数还能加快收敛如果曲线有低谷但粒子群没找到说明离散步长在粒子群的位置更新里被抹平了要把离散变量的速度限幅单独调低并增大认知项系数。5.3 罚函数系数调来调去网损忽高忽低现象第一次跑网损降了 3%第二次同样参数网损降到 6%第三次又只有 4%每次结果都不一样而且最优解里有节点电压恰好压在越限边界上。原因罚函数系数 ρ 设置太小越限惩罚在总适应度里占比太低粒子群宁可轻微越限也要把网损压低ρ 设置太大则相反任何一点越限都被放大成巨大惩罚粒子群变得过度保守搜索范围被压缩。越限边界上的解每次迭代随机性不同所以结果忽高忽低。解决罚系数从 10 起步每轮跑完检查最优解中有多少节点电压越限。如果越限节点多于 1 个把 ρ 乘以 3 再跑如果没有任何节点接近边界说明罚得太重了把 ρ 除以 2。通常两三轮就能找到一个平衡点。判定标准是最终最优解恰好有 0~1 个节点轻微靠近边界且把所有越限去除后网损变化不超过 0.5%。5.4 粒子扎堆、早熟收敛多样性不足的表现与对策现象收敛曲线前 20 代快速下降后彻底走平但最终网损比预期高不少。把粒子位置打印出来看所有粒子挤在一小片区域里位置差不到 0.01。原因惯性权重衰减过快粒子在迭代后期丧失了全局探索能力或者 v_max 限制太紧粒子根本飞不出当前邻域。早熟的本质是种群多样性过早丧失粒子群在数学上并不保证全局收敛它就是一个启发式算法跳不出局部最优太正常了。解决首选降低 w 的下限0.4 太高就改成 0.3 或者 0.25其次提高 v_max 到 0.2 左右让粒子后期仍保留一定的位移能力。换用自适应惯性权重也可以例如根据种群离散程度动态调整 w——粒子越聚集w 越大。如果这些都不见效就要考虑在每次迭代中以小概率对部分粒子做重置随机挑 5% 的粒子重新初始化位置。这个操作对跳出局部最优非常有效代价是收敛曲线略震荡。5.5 同一套参数换个系统就跑不动数据预处理的重要性现象在 30 节点系统上调好的参数原封不动搬到另一个系统上粒子群迭代 200 次网损几乎不下降还频繁出现潮流不收敛。原因不同系统的基准容量不同、控制变量数量不同、线路特性不同甚至导纳矩阵标幺化时的基准电压不同都会导致同样参数下粒子的“有效移动步长”完全不同。上一套系统里 0.01 的电压变化可能带来合理的网损变化下一套系统里同一个步长电压变化完全被淹没在数值噪声里。解决换系统后第一件事不是调参数而是检查数据预处理。确认所有电气量都在标幺值体系下基准容量统一导纳矩阵和功率向量标幺化正确然后单独跑几次随机粒子看适应度的数值分布范围。如果随机粒子的适应度从最小值到最大值跨越了几个数量级说明罚函数和目标的量纲还没对齐要回到 4.2 重新统一基准。参数永远是跟着数据走的不是通用的。6. 验证与进阶从标准算例到在线滚动优化6.1 用标准 30 节点算例给自己验一次拿到一套粒子群无功优化代码后先别急着上实际数据用公开的标准 30 节点测试算例跑一遍重点验证四个指标对比项优化前人工给定优化后PSO 结果变化有功网损 MW基准方案PSO 方案应下降最大电压偏差 pu记录值记录值应减小电压越限节点数记录值应接近 0应减少迭代收敛时间—记录秒数建立耗时基准优化后网损下降 2%~8% 是常见区间具体幅度取决于基准方案的初始质量。验证时不要只看网损还要把最优控制变量代入潮流重新算一遍确认无越限、无功出力在发电机限值内。这四张表填完算法链路才算真正可信。6.2 从离线到在线热启动与调节次数约束实际调度场景中负荷每 15 分钟就在变化离线优化结果在下一时刻可能已经不再适用。常见做法是把粒子群从离线优化改成在线滚动优化上一个时段的全局最优解作为下一个时段的初始粒子之一再加上少量随机扰动生成新种群。这样每次滚动只需要少量迭代就能逼近新工况的最优解计算时间大幅缩短。但这里有一个更接近工程本质的坑调度员不希望变压器频繁动作。粒子群优化只关心网损和电压它会倾向于通过调变压器来获得最好的电压分布但这意味着变压器在一天内要动作几十次机械寿命和运行风险都不允许。我一般会在适应度函数里加一个调节次数惩罚项统计当前解与上一时刻控制变量的差异档位变化越多罚越大。宁可多损失一点网损也要控制设备动作次数。6.3 多目标扩展从网损最小到电压稳定再往后走单纯网损最小已经不能满足工程需要了。新能源大量接入后电压稳定裕度成为比网损更关键的指标。常见扩展思路是把单目标改成多目标优化用粒子群的多目标变体同时优化网损、电压偏差和静态电压稳定裕度输出一组帕累托前沿解由调度员根据实际工况从前沿里选点。当年我在一个新能源汇集站项目里吃过亏只盯着网损耗率结果优化方案把电压稳定裕度压得很低实际运行中一次大的无功扰动差点触发低压减载。后来养成的习惯是任何粒子群无功优化结果在上线前必须跑一遍关键节点 N-1 后的电压校核哪怕这一步会让优化结果稍微保守一些但换来的是运行层面的安全余量。这也是我在这类项目里最深的教训——算法收敛漂亮不等于运行结果可执行设备动作次数、调节时间、N-1 安全约束这些工程细节往往比目标函数本身更致命。粒子群给了我们一把好用的钥匙但门后面的电压安全、设备寿命和经济运行才是真正要负责的部分。希望帮到你。本文还有配套的精品资源点击获取
 深入解析)
