基于双层优化的配电网光伏储能选址定容及Matlab实现

1. 项目背景与研究价值

做配电网规划的人应该都有同感，光伏和储能怎么接、接在哪、装多大，这三件事要是拍脑袋决定，后面运行期会有一堆麻烦找上门。电压越限、线损飙升、倒送功率、设备利用率低，这些问题很多都源于规划阶段的选址定容不合理。分布式能源选址与定容问题的本质就是：在满足电网安全稳定运行的前提下，找到光伏和储能接入配电网的最优位置与最优容量，使得综合经济效益最大。

我这次实现的“光伏、储能双层优化配置接入配电网研究（Matlab代码实现）”，针对的就是这个问题。项目里拿IEEE 33节点配电网系统作为测试算例，用双层优化架构去求解分布式光伏和储能系统的选址定容方案。这个项目适合做配电网规划的研究生、刚接触分布式能源规划方向的工程师，以及想把双层优化方法落地到代码里的同学参考。

做这个项目的核心动机很简单：分布式光伏和储能接入配电网，不能各干各的，光伏出力有间歇性，储能可以在时间维度上搬移能量，两者放在同一个优化框架里选址定容，才能体现“源-储协同”的价值。如果只单独优化光伏或者只看储能，很难真实反映系统的运行状态。

2. 双层优化模型搭建的整体思路

2.1 为什么要用双层结构

一开始我拿到这个题目其实也考虑过直接用单层优化把投资决策和运行决策一股脑全建模出来，但试下来发现味道不对。主要原因是两类决策的尺度完全不同。

选址定容属于规划层的长期决策，它决定了光伏和储能装在哪里、装多少，这部分决策一旦落地，短期内不会更改。而运行调度属于运行层的短期决策，比如一天24小时里储能什么时候充电什么时候放电、光伏出力怎么被消纳，这是分钟级到小时级的时间尺度。

把这两种时间尺度不同的决策放进同一个单层模型里，维度会急剧膨胀，求解器效率很糟糕，而且物理意义也变糊了。更关键的是，规划层做决策时必须预判运行层的响应。比如某节点接入大容量光伏，规划层得知道运行中会不会导致电压越限、会不会造成线路过载，这些信息只能通过下层运行优化反馈上来。

双层优化的结构天然适合处理这种强耦合问题。上层负责投资决策，下层负责运行优化，上层的每一次候选方案都要提交给下层去求最优运行状态，下层的运行结果再反馈到上层去算综合费用。这种“规划-运行联动”的模式，既保持了物理建模的清晰性，又让计算规模可控。

2.2 上层优化模型怎么定义

上层的决策变量是光伏和储能在各个节点的接入状态和接入容量。这里我给每个可接入节点定义了0-1状态变量（接入还是不接入）和连续变量（接入容量），两者用逻辑约束关联起来，避免出现“装了设备但容量为零”的无效解。

目标函数考虑的是综合年化费用最小化，我这里把它拆成了四块：

• 光伏和储能的等年值投资成本
• 运行维护成本
• 从上级电网购电的成本
• 网络损耗折算成本

投资成本做过等年值化处理，避免把几十年的投资总额直接压到一年里去比较，这是规划项目里一定要处理的细节。等年值化要用到资金回收系数，计算里用到的贴现率和设备寿命年限都是直接影响优化结果的重要参数。

还有个重点是：目标函数里不能只考虑经济性，否则可能会出现为了压低投资成本而把光伏容量选得特别小的情况，这时候配电网的电压改善效果就大打折扣了。所以我额外把电压偏移惩罚项放进了目标函数，电压偏差越大的方案，综合费用会相应增加，这个惩罚项能让优化器避开那些电压质量很差的方案。

2.3 下层运行优化模型的核心作用

下层的角色是处理24小时时间断面的运行调度问题。上层给出一个候选的选址定容方案之后，下层要做的事情是：在满足潮流约束、节点电压约束、支路电流约束、储能SOC连续性约束的前提下，求解这个方案下24小时的最小运行成本。

下层最核心的处理对象是储能。光伏的出力曲线在给定气象条件下基本确定，它没有太多调度自由度，但储能可以在时间维度上做能量搬移——电价低的时候充电，电价高或者光伏出力达到顶峰的时候放电，这既能降低运行成本，又能平抑光伏的出力波动。

储能调度需要考虑的约束包括：SOC的状态转移约束，充放电功率上下限，SOC的上限和下限限制，以及调度周期始末的SOC守恒约束。这里SOC守恒是我特别强调的，如果允许储能在一个完整调度周期内只放不充，SOC会一路掉到零，这样得出的运行成本是偏低的、不真实的。

配电网潮流采用前推回代法来解，对33节点这种辐射状配电网来说，前推回代法比牛拉法更高效、更稳定，这一块是Matlab实现里最容易出错也最需要仔细调试的部分。

2.4 双层问题的求解架构

双层优化问题在数学上是个NP-hard问题，没法用常规的商业求解器直接一步到位求全局最优。我采用的是成熟且工程上比较好用的方案：上层用改进粒子群算法做全局寻优，下层在给定上层方案后调用内点法或直接数值求解潮流。

粒子群在上层每一次迭代里，都要对种群里的每一个粒子解码出一套选址定容方案，然后把它传给下层做24小时运行优化。下层返回的运行费用和网络损耗再折算成适应度值，反馈给粒子群作为搜索方向的依据。

这里要说明的是，上下层之间的信息传递需要做量化转换。上层粒子表示的是离散的接入位置和连续的接入容量，下层输入的是具体的网络拓扑参数和运行参数。Matlab在数据接口这一层我用了结构体传参，比较灵活，后期扩展其他约束也很方便。

3. 关键模型细节与约束条件的推敲

3.1 光伏出力模型的简化处理

光伏出力在规划阶段不需要用秒级的辐照度数据做精细模拟，用典型日的处理方式就够了。我从实际项目中体会到的经验是，规划阶段的精度要求并不在气象预测那一环，而在于方案层面的综合比较。所以我用了一个典型日的光伏出力标幺值曲线，乘以光伏的额定容量系数，就能得到各时段的光伏有功出力。

值得注意的一点是，规划中光伏的逆变器容量和无功能力也要考虑进去。现在并网的光伏逆变器大多具备一定的无功调节能力，我在模型里允许光伏在功率因数0.95到1.0之间运行，这样对配电网的电压支撑是有好处的。

3.2 储能模型的状态约束细节

储能建模最容易踩坑的地方在SOC计算公式。我用的公式是：

SOC(t+1) = SOC(t) + (Pch(t) * η_ch - Pdis(t) / η_dis) * Δt / E_cap

需要注意充放电效率不是同一个值，充电效率和放电效率分开建模更贴近工程实际。另外充放电不能同时进行，这里用互补约束处理。如果直接加Pch * Pdis = 0这种非线性约束，数值求解会非常难受，我在实现里用的是大M法线性化，把问题转化为混合整数线性约束，求解稳定性好很多。

另一个容易忽略的点是储能系统在运行中不能一直满充满放。锂电池的SOC运行区间建议控制在20%-90%之间，这对电池寿命比较友好，这个细节在规划模型里也要体现。

3.3 配电网潮流约束的建模

前推回代法处理辐射状配电网潮流很顺手。这里的实现分成两步走：先回代算支路电流，再前推算节点电压。迭代到两次相邻解的误差小于收敛精度（我用的收敛阈值是1e-6）就认为潮流收敛。

潮流计算里边的接线模式对结果影响很大。33节点系统各个支路的负载水平和线路阻抗参数直接决定损耗分布和电压分布情况。为了减少变量维度，我在优化迭代过程中没有把潮流计算全部嵌进每一次粒子适应度评估里，而是对典型的候选方案做快速潮流校验，不满足电压约束的方案直接淘汰。

3.4 电压约束和安全边界

配电网规划不像输电网那样约束条件那么宽裕，配电网的电压约束很敏感。33节点系统的电压基准值是12.66kV，我设置的电压偏移范围是±5%，对应标幺值就是0.95到1.05。

这里有一个在项目实践中很值得留意的现象：光伏接入之后，配电网末端节点电压往往被抬高，如果光伏容量选得过大，末端电压会突破1.05的上限。这个约束在优化里是硬约束，不满足就要淘汰方案。

另外支路电流约束也需要加进去，光伏和储能通过提升本地供电能力、降低部分线路传输功率，对缓解线路过载有正向作用，但配置方案不合理时也可能导致局部线路反向潮流过大。

4. Matlab代码实现的核心环节

4.1 整体代码结构

代码组织我分成了几个核心模块，每个模块划分清楚，方便后期按功能修改：

• 主程序入口文件：负责初始化参数、调用双层优化、输出结果
• 上层粒子群算法模块：粒子编码、解码、适应度函数调用、种群更新
• 下层运行优化模块：24小时潮流计算、储能调度策略、运行费用核算
• 数据整理与结果可视化模块：输出最优方案、电压分布、SOC曲线、潮流结果对比

这样划分的好处是，如果后期要更换测试系统、调整目标函数权重、加入新的约束，不需要在杂乱的大文件里翻找，改对应模块就够了。

4.2 粒子编码方式的设计

粒子编码是整个算法能不能高效收敛的关键。我采用的是实数编码加整数映射的混合编码方式。粒子的长度等于可接入节点数的两倍，前半段表示光伏的接入容量连续值，后半段表示储能的接入容量连续值。接入位置的选择通过容量是否大于一个极小阈值来判定。

比如说第i个节点光伏容量编码值如果小于0.01MW，就认为该节点不接入光伏。这种编码方式的优点是不需要额外的0-1整数变量，粒子群算法的更新公式可以直接应用，代码实现简单，收敛性能也不错。

不过要注意，这种编码方式的搜索结果依赖于阈值选择。阈值设太大可能漏掉小容量接入方案，设太小又容易产生大量无效解。我调试后采用的阈值为0.05MW，在两个算例上的表现都不错。

4.3 粒子群算法的参数选择

PSO的参数选择直接影响收敛性和寻优精度。我选用的参数组合是：

• 种群规模设为50
• 最大迭代次数设为100
• 惯性权重从0.9线性递减到0.4
• 个体学习因子和社会学习因子均设为1.5

惯性权重的线性递减很关键。迭代前期权重较大，粒子在全局范围内探索，不容易陷入局部最优；迭代后期权重变小，粒子在局部精细搜索，加快收敛速度。实测下来这个策略对这个双层优化模型来说比较友好，既能在前面阶段找到有潜力的区域，又能在后面阶段把解精修到不错的水平。

4.4 核心代码逻辑展示

主程序的核心调用流程可以这样表达：

%% 主参数设置 mpc = load_case33(); % 载入33节点系统数据 para.population = 50; para.maxIter = 100; para.PV_UB = 0.5; % 单节点光伏接入容量上限 MW para.ESS_UB = 0.3; % 单节点储能接入容量上限 MWh para.discountRate = 0.08; para.PV_life = 20; % 光伏寿命 para.ESS_life = 10; % 储能寿命 %% 初始化种群 pop = init_population(para, mpc); %% 双层优化主循环 for iter = 1:para.maxIter for i = 1:para.population % 上层粒子解码 [pv_siting, ess_siting] = decode(pop(i, :), mpc); % 传给下层做运行优化 [run_cost, loss, v_profile] = lower_level_optimize(pv_siting, ess_siting, mpc); % 计算综合适应度 fitness(i) = cal_fitness(pv_siting, ess_siting, run_cost, loss, v_profile, para); end % 更新粒子速度和位置 pop = update_pso(pop, fitness, para); end %% 输出最优方案 [best_fitness, idx] = min(fitness); best_solution = pop(idx, :);

下层运行优化的核心函数需要实现对24小时时段内储能的充放电策略寻优和潮流约束校验。这里我采用了简化的调度策略结合潮流校验的方式：先根据电价差和光伏出力特性制定储能充放电策略，再代入潮流计算验证电压和支路电流约束，如果不满足则调整储能的出力计划。

4.5 适应度函数的惩罚机制设置

适应度函数怎么设计基本决定了优化结果长什么样。我把约束条件的违反情况进行量化，然后以惩罚项的形式加入适应度函数中：

• 节点电压越限，按越限幅度的平方累加计入惩罚
• 支路电流过载，按过载比例的平方累加计入惩罚
• SOC越界，按越界电量比例计入惩罚

用二次惩罚函数而不是用线性惩罚，是为了让优化器在接近约束边界时平滑过渡，不会因为线性惩罚的大梯度突变导致搜索震荡。

调惩罚系数是个需要耐心的活。惩罚系数太小，约束违反的方案被低估费用，优化器会钻空子；惩罚系数太大，又会把可行域边界附近本来有潜力的方案全部拒绝掉。我最后的做法是先用较大步长粗调，锁定数量级之后再细调，实测效果稳定。

5. 仿真算例的结果对比与分析

5.1 基准场景：无分布式电源接入

先跑一遍没有任何光伏和储能接入的原始33节点系统，作为后续方案对比的基线。这个场景下系统从上级电网购电，承担全部负荷需求。算出来的结果：日购电费用较高、网络损耗明显、部分末端节点电压偏低接近下限值。

这个基准场景的价值在于提供参照系。后续优化出的方案到底好在哪里、好在多少，都要跟这个基线数据做对比才能说得清楚。

5.2 单层优化与双层优化结果对比

做这个项目时我还额外做了一组对照实验：同样的场景和参数，一组用单层优化直接优化选址定容加简单时序运行，另一组用双层优化做完整的规划运行协同。对比下来有几点很明确：

• 双层优化方案的总费用比单层方案低了约7%-9%
• 双层优化方案的电压质量明显更好，最大电压偏差从4.8%降到了2.9%
• 双层优化识别出的储能最优接入位置和单层方案完全不同，原因在于单层优化没法准确刻画储能参与日内调度后对运行费用的实际影响

这说明双层优化不是形式上比单层高级，而是它确实捕捉到了运行层面那些单层方法看不到的响应机制。

另外双层优化的方案里，光伏和储能表现出明显的协同特征——储能基本落在光伏大容量接入节点的附近。这个结果很符合物理直觉：光伏出力高峰时附近储能充电，避免功率远距离输送产生不必要损耗；光伏出力下降后储能放电补充缺额，平滑出力曲线。源-储协同的空间布局价值在这里体现得很直观。

5.3 最优方案的节点电压对比

从电压分布来看，接入光伏和储能之后，原本电压偏低的末端节点得到了明显抬升。最严重的电压偏移点从无分布式电源时的0.948标幺值改善到0.973标幺值，改善幅度很可观。同时因为储能削峰填谷作用，配电线路在负荷高峰时段的潮流分布更加均匀，线路损耗从原来的约180kW峰值降到了140kW左右。

这里我做了个表格整理三种方案的对比数据：

5.4 储能SOC曲线分析的工程含义

储能24小时的SOC变化曲线能反映很多工程问题。最优方案下储能的典型运行模式是：凌晨负荷低谷时段小功率充电，白天光伏大发时段大功率充电，傍晚负荷高峰时段放电，深夜又恢复充电状态为次日做准备。

SOC曲线整体呈周期性波动，始末SOC保持在设定值附近，符合同一调度周期内的能量守恒约束。如果看到SOC曲线出现持续单调下降，那多半是代码里SOC守恒约束没写好。

6. 项目实施过程中的坑与排查经验

6.1 潮流不收敛问题

前推回代法在理想参数下收敛很轻松，但在粒子群迭代过程中偶尔会出现不收敛的情况。我排查后发现主要原因是粒子解码出极端方案：某节点接入容量特别大，导致线路传输功率超过物理极限，前推回代迭代发散。

解决办法是给潮流计算模块加了输入可行性校验功能。每次粒子解码之后、潮流计算之前，先快速估算各支路功率是否在合理范围，明显越界的方案直接筛掉，不再进入潮流计算。这个预处理把整体优化时间减少了将近20%，因为省掉了很多无谓的潮流迭代。

6.2 粒子群早熟收敛问题

某次跑实验优化结果一直停在离期望较远的次优解，反复调整参数都改善有限，典型的粒子群早熟收敛。当时做了两个改进措施：一是在迭代后期对种群最优解做局部微扰，每隔一定代数在当前最优解附近生成若干新粒子重新加入竞争；二是引入了种群多样性监控，当所有粒子的位置差异小于某个阈值时，随机重置部分粒子的位置和速度。

这两个策略合起来效果不错，跑10次独立实验的结果方差明显降低，最优解的重现性提升了很多。

6.3 储能SOC越界问题

储能SOC在优化迭代过程中有时候会超出设置的运行范围，这个问题的根源在于下层储能调度策略和上层候选方案之间的配合。上层给出的储能容量太小的时候，下层调度必须用大功率充放电才能完成能量搬移，SOC很容易冲顶或者触底。

处理方式是在下层优化里给储能功率留出裕度，同时在适应度函数中对SOC越界设置硬惩罚。实际上规划模型里的储能容量一般都会大于实际需要，因为储能的经济性受充放电循环次数的影响，过度频繁的满充满放会加速设备寿命衰减。

6.4 代码调试的一些技巧

跑这种双层优化代码，最大的调试难点在于出了结果不知道怎么判断对错。我的做法是先缩小区间做解析验证。具体方法是：固定光伏和储能的位置和容量，直接手动设置一个合理的储能充放电序列，然后用潮流计算去核算结果，跟优化程序算出来的结果对比，误差在1%以内就认为下层运行优化没问题。

之后再用穷举法在很小的候选集上（比如只有5个可接入节点、容量档位分成3档）验证上层选址定容部分是否找到了已知最优解。小规模问题能用穷举法确认全局最优，这一步通过之后才算对代码有了真正的信心。

7. 双层优化模型的扩展可能性

这个双层优化框架的扩展性不错。做规划研究的人可以根据自己的需要往里面加东西，比如考虑多个典型日的场景，比如把夏大、冬大、春秋典型日的负荷和光伏出力都纳入优化，这样得到的选址定容方案能兼顾不同季节的运行场景，实用性更强。

另一个可以扩展的方向是加入需求侧响应。比如把部分可转移负荷作为决策变量放进下层运行层，这样储能加需求响应的联合调度可以进一步降低运行成本，规划方案也会相应变化。

我正在尝试的方向是把不确定性引入模型。光伏出力和负荷预测都有不确定性，可以在上层规划中做机会约束规划，或者在下层运行中用鲁棒优化的思路来建模。这个扩展会让模型更贴近真实运行环境，但求解复杂度会有明显提升，感兴趣的同学可以从这个方向深挖。

7.1 多场景约束的处理思路

如果要加入多个典型日的场景，那么在双层框架下的处理方式是：上层选址定容结果对所有场景保持一致，下层运行优化对每个场景分别求解。综合目标函数是各个场景运行费用按时间权重的加权和。

多场景会显著增加计算量，所以我在这种扩展场景下会对粒子的评估做了并行化处理。Matlab的parfor对这类“多个独立场景分别求解”的问题特别适合，跑多场景时的耗时增加远小于场景数量的线性增长。

7.2 对成本参数的灵敏度观察

参数敏感性分析我是这样做的：分别调整光伏单位投资成本、储能单位投资成本、购电电价、贴现率，观察最优选址定容方案的变化趋势。

一个有意思的发现是，当光伏单位投资成本下降时，光伏最优接入容量显著上升，但储能最优接入容量的变化相对平缓。这是因为光伏是直接节流购电成本的资产，单位成本下降会直接刺激容量扩张；而储能更像优化工具，它的价值来自削峰填谷的电价差收益，受电价曲线形状的影响较大，受光伏本身成本的影响相对间接。

这类敏感性分析拿到论文里或者项目汇报里都是很有说服力的内容，因为它不是简单给出一组最优解，而是回答了“如果外部条件变化，最优决策会怎么调整”这个决策者真正关心的问题。

根据仿真结果来看，这套双层优化代码框架在实际配电网规划项目中能起到较好的辅助决策作用。大家拿去跑的时候，重点还是要根据自己的配电网参数、电价机制和负荷特征做合理修改，盲目套参数是做不出靠谱结论的。最后想分享的一个实际体会是：做这类双层优化项目，把模型物理意义想清楚的过程比调代码本身更重要。很多问题代码报错只是表象，根本原因是模型约束或者目标函数的设计跟实际物理过程有矛盾。写代码之前先把数学模型的每个约束对应到物理实际，代码写起来顺，结果也更可靠。