多微网优化调度：粒子群算法建模与MATLAB仿真实战解析

多微网系统的优化调度用粒子群算法来做，这个话题在我接触过的电力系统仿真项目里出现频率非常高。不管是毕业设计还是实际课题，蓄电池加发电机再加微网间功率交换，这个组合基本就是微网调度的标准配置。我当初第一次跑通这个模型的时候也踩了不少坑，从参数设置到约束处理，每一步都有不少人容易卡住。这篇就把整个建模思路、粒子群算法的实现细节、仿真结果怎么解读、还有我实际调试过程中的经验一起整理出来。手头在做相关课题，或者想系统理解微网优化调度原理的同学，这篇文章应该能帮你少走不少弯路。

1. 多微网优化调度的问题描述与数学模型

1.1 为什么微网调度要写成一个优化问题

多微网系统说白了就是多个微型电网连在一起运行，每个微网里有自己的负荷、分布式电源和储能设备。单纯让每个微网“自给自足”其实不是最优的做法，因为各个微网之间的负荷曲线、发电能力都有差异，有时候A微网的光伏出力用不完，B微网到了傍晚负荷飙升但柴油机已经满发，这时候如果允许A把多余的电能卖给B，整个系统的运行成本就能降下来不少。

把这个决策过程数学化，就变成了一个优化问题：在满足所有微网负荷需求、设备运行约束的前提下，找到一组发电出力和功率交换方案，让系统总运行成本最低。这个问题的决策变量是连续的（发电机的出力、蓄电池的充放电功率、微网间的传输功率），目标函数是非线性的（燃油成本曲线往往用二次函数拟合），约束条件很多而且带有时序耦合（蓄电池的SOC跨时段关联），常规的线性规划、动态规划处理起来非常吃力，所以启发式智能算法就成了很自然的选择。

我的建议是，在动手写代码之前，先把数学模型推一遍，哪怕是用笔在纸上写。因为后面所有代码逻辑、算法设计全部围绕模型展开，模型没理清楚，写出来的代码肯定七拐八绕，调试的时候就只能靠运气轮番试错。

1.2 目标函数怎么定：运行成本构成拆解

多微网系统的总运行成本，需要把每一类设备的成本项拆开来看清楚。最常见的目标函数如下：

[ \min F = \sum_{t=1}^{T} \sum_{i=1}^{N} \left[ C_{fuel, i}(P_{g,i,t}) + C_{om, i}(P_{g,i,t}) + C_{bat, i}(P_{b,i,t}) \right] + \sum_{t=1}^{T} \sum_{j \ne i} C_{trans, ij}(P_{trans, ij, t}) ]

其中 (T) 是调度周期（典型为24小时），(N) 是微网数量，(C_{fuel}) 是燃油成本，(C_{om}) 是运维成本，(P_{b}) 是蓄电池充放电功率，(C_{trans}) 是微网之间的功率传输成本。

每一项的建模方式需要注意：

• 燃油成本：内燃发电机的油耗特性通常拟合为二次函数 (C_{fuel} = aP^2 + bP + c)。实数编码的粒子群处理这种非线性连续函数没有任何障碍。如果套用线性化模型反而会损失精度，也没有必要。
• 运维成本：一般按出力比例折算，取 (k_{om} \times P) 这种线性形式即可，系数根据机组类型设置，柴油发电机的运维系数通常比光伏略高。
• 蓄电池成本：充放电过程会折损电池寿命，不少模型直接用充放电功率的线性惩罚项近似。如果要做得精细，可以引入吞吐量累计的寿命模型，但那个比较复杂，一般研究场景用不到。
• 传输成本：微网与微网之间的功率交换不是免费的，要么按协议电价结算，要么考虑线损折算。实际模型里我一般会把传输功率的平方项作为损耗惩罚计入目标函数，这样也能避免算法出现“A给B送电、B又给A送电”这种来回倒腾的不合理结果。

1.3 约束条件：等式约束与不等式约束

约束条件是这个模型里真正“要命”的部分。你的目标函数再漂亮，约束处理不好，寻优结果要么不可行，要么违背物理常识。

第一类约束是每个微网内部的功率平衡：

[ P_{g,i,t} + P_{pv,i,t} + P_{b,dis,i,t} = P_{load,i,t} + P_{b,ch,i,t} + \sum_{j \ne i} P_{trans,ij,t} ]

左边是微网的总出力，右边是负荷和送出功率。注意蓄电池的充电和放电不能同时进行，这个约束如果不显式处理，粒子群很容易在搜索过程中让充放电功率同时为正，这时候就需要在代码里加了辅助二进制变量或者用罚函数强制互斥。

第二类是设备出力上下限约束：

[ P_{g,i}^{min} \le P_{g,i,t} \le P_{g,i}^{max} ]

[ P_{b,i}^{ch,max} \le P_{b,i,t} \le P_{b,i}^{dis,max} ]

第三类是蓄电池的时序耦合约束，这是所有约束里面最容易出问题的。SOC的动态方程如下：

[ SOC_{i,t+1} = SOC_{i,t} - \frac{\eta_{ch} \cdot P_{b,ch,i,t} \cdot \Delta t}{E_{b,i}} + \frac{P_{b,dis,i,t} \cdot \Delta t}{\eta_{dis} \cdot E_{b,i}} ]

这里的符号约定会直接影响公式正确性，不同论文写法不一样，一定要统一。我习惯把放电功率记为正值（对外供电），充电功率记为负值（吸收功率），统一成一个变量来处理更简洁。SOC必须落在 ([SOC^{min}, SOC^{max}]) 内，而且调度周期结束时的SOC通常要求恢复到初值附近，否则相当于蓄电池“白嫖”了能量，长期运行下来不可持续。

第四类是微网间联络线传输容量约束：

[ -P_{trans}^{max} \le P_{trans,ij,t} \le P_{trans}^{max} ]

如果完全不限制传输容量，粒子群可能会把联络线当成“任意功率通道”来用，结果算出极端方案，工程上不可行。

2. 粒子群算法原理与调度场景适配

2.1 粒子群算法的工作机制

粒子群算法的思想特别直观：把你的一组候选解想象成一群在解空间里飞行的鸟，每只鸟知道自己当前的位置和速度，知道自己历史上飞过的最优位置，也知道整个鸟群目前发现的最优位置，然后每只鸟根据这三条信息来调整自己的飞行方向。

数学上，每个粒子 (i) 在迭代 (k) 时的速度和位置更新公式为：

[ v_{i}^{k+1} = w \cdot v_{i}^{k} + c_1 r_1 (pbest_{i} - x_{i}^{k}) + c_2 r_2 (gbest - x_{i}^{k}) ]

[ x_{i}^{k+1} = x_{i}^{k} + v_{i}^{k+1} ]

其中 (w) 是惯性权重，(c_1)、(c_2) 是学习因子（分别控制“飞向自己历史最优”和“飞向全局最优”的倾向），(r_1)、(r_2) 是 [0,1] 均匀分布的随机数。

从微网调度的角度看，这个机制有一个很好的特性：它天然适合连续变量的寻优问题。你的决策变量比如发电机出力 (P_g) 从 100kW 到 500kW，粒子位置就是实数，直接对应物理量，不需要编码解码的过程，迭代到后期很容易精确收敛到局部最优附近。而像遗传算法那种二进制编码和交叉变异的机制，处理连续问题时要么精度受限，要么需要额外的实数编码改良，实现复杂度明显高一些。

2.2 为什么选粒子群而不是遗传算法或其他算法

每次做这个课题总有同学问我，为什么不用遗传算法、差分进化、灰狼算法这些。我的看法是，粒子群算法的优势不在于“必然找到全局最优”，而在于在实现工作量可控的前提下，能稳定地找到非常好用的可行解。

具体来说，粒子群有几个很实际的优点：

• 参数少。主要就是 (w)、(c_1)、(c_2) 和种群规模，调参逻辑清晰，不像遗传算法交叉概率、变异概率、选择策略、精英保留策略一大堆。
• 收敛速度快。在多微网这种中等维度（决策变量数量大概在几十到几百之间）的连续优化问题中，粒子群通常几十代就能逼近比较优的解，而遗传算法往往需要更多代。
• 没有复杂的遗传操作。交叉和变异的实现方式花样繁多，粒子群只需要一条速度更新公式，写代码几乎没有理解门槛。
• 与约束处理天然兼容。处理出力上下限这种约束，直接把粒子位置做饱和截断就行，非常顺手。

当然粒子群也有短板，最大的问题是容易早熟，一旦种群过早收敛到局部最优，后面就再也跳不出来了，后面专门讲这个问题的对策。

2.3 参数设计：惯性权重、学习因子、种群规模

这里直接分享我反复测试后的推荐配置，适合微网调度这种规模的问题。

惯性权重 (w) 的取值直接决定了“探索”和“开发”的平衡。我把 (w) 从 0.9 线性递减到 0.4，迭代初期保持较大的全局搜索能力，让粒子散开去找有希望的区域，后期权重变小，粒子精细搜索局部最优。线性递减公式如下：

[ w = w_{max} - (w_{max} - w_{min}) \cdot \frac{k}{K} ]

其中 (k) 为当前迭代次数，(K) 为最大迭代次数。这个做法不花哨，但效果极稳，实测下来比固定权重收敛精度高不少。

学习因子 (c_1)、(c_2) 我建议都取 1.5 到 2.0 之间。当 (c_1) 较大的时候，粒子更倾向于往自己的历史最优靠拢，种群多样性好一些，但收敛慢了；(c_2) 较大时，粒子快速被全局最优吸引，收敛快但容易陷入局部解。我常用的组合是 (c_1 = c_2 = 1.5)，或者先让 (c_1) 大于 (c_2) 后期反过来，但大多数情况下对结果影响没有权重那么敏感。

种群规模和迭代次数的组合是另一个关键点。对一个 24 时段、3 个微网的调度问题，决策变量的维度由“微网数 × 时段数 × 每时段设备数”决定，通常在 100 到 300 之间。我建议种群规模取 50～100，迭代次数 100～200 次。种群太小搜不干净，太大浪费算力，因为每多一个粒子，就多一次目标函数求值，而目标函数本身还包含复杂的约束计算。

提示：评估参数是否合理，最快的方法是看收敛曲线。如果 30 代以内就完全平了，说明参数偏激进；如果 100 代还在明显下降，说明收敛偏慢，可以适当增大惯性权重初始值。

3. MATLAB仿真实现：从模型到代码

3.1 仿真的整体架构

写 MATLAB 仿真代码之前，先把整个程序的组织结构理清楚。一个完整可复现的多微网粒子群调度仿真，至少要包括五个模块：

1. 基础数据模块：负荷曲线、光伏出力曲线、设备参数、电价数据等。提前定义在脚本开头的结构体里，不建议硬编码在函数内部。
2. 粒子解码模块：把粒子的实数向量位置映射成各设备每个时段的出力。
3. 目标函数模块：根据解码后的调度方案计算总成本，返回代价值。
4. 约束处理模块：对越界变量做修正，对违反约束的方案施加惩罚。
5. 粒子群主循环模块：速度位置更新、最优值记录、收敛曲线输出。

这种拆分的好处不仅仅是可读性，更重要的是调试效率高。你可以单独测试目标函数模块，喂进去一组已知合理的调度方案，看算出来的成本是否符合预期，然后再去跑整个优化循环。

3.2 粒子编码方式与可行性处理

粒子的编码方式直接决定了约束处理的复杂程度。我推荐一种简洁的编码策略：把每个时段、每个设备的连续决策变量拼接成一个长向量。

对于“3个微网 + 24个时段 + 2台可控机组 + 蓄电池”，决策变量向量可以设计为：

位置向量 = [发电机组出力(3×24)，蓄电池充放电功率(3×24)，微网间交换功率(若干×24)]

每一个粒子位置就是这样一个实数数组，粒子群算法在搜索过程中更新这个数组的每一个元素，解码后代入目标函数求值。

对发电机出力和传输功率的上下限约束，最简单的做法是饱和截断：粒子更新后如果越界，直接拉回边界值。这个方法实现简单，而且不会破坏粒子群算法的收敛性质，是工程实践中最常用的方案。

对蓄电池的SOC约束，就不能只靠截断了。因为SOC是一个跨时段累计量，如果每个时段的功率都在边界内，但累计下来的SOC可能越界。处理方式有两种：一是“先更新SOC再检查”，如果SOC超出范围，就把该时段的功率压缩到边界内；二是“罚函数”，SOC越界时在目标函数里增加一个很大的惩罚项，迫使算法不要选择这种方案。我实际应用中两种方法结合使用效果最好，截断保证基本可行性，罚函数惩罚剩余违反，避免粒子被完全丢弃导致搜索效率过低。

3.3 核心代码与实现细节

目标函数代码片段如下，这段代码是我调试后的精简版本，足以支撑一个多微网调度场景：

function cost = obj_func(x, data) % 解码粒子位置 N = data.N; T = data.T; Pg = reshape(x(1:N*T), [N, T]); Pb = reshape(x(N*T+1:2*N*T), [N, T]); Ptr = reshape(x(2*N*T+1:end), [N*(N-1)/2, T]); cost = 0; for t = 1:T for i = 1:N % 发电成本 cost = cost + data.a(i)*Pg(i,t)^2 + data.b(i)*Pg(i,t) + data.c(i); % 运维成本 cost = cost + data.kom(i) * Pg(i,t); % 蓄电池损耗成本 cost = cost + data.kb(i) * abs(Pb(i,t)); end % 传输成本 cost = cost + data.ctrans * sum(abs(Ptr(:,t))); end % 罚函数项 [viol, ~] = constraint_violation(x, data); cost = cost + data.penalty * viol; end

粒子群主循环的核心部分：

for iter = 1:maxIter w = wMax - (wMax - wMin) * iter / maxIter; for i = 1:popSize r1 = rand(size(x(i,:))); r2 = rand(size(x(i,:))); v(i,:) = w * v(i,:) + c1 * r1 .* (pbest(i,:) - x(i,:)) + c2 * r2 .* (gbest - x(i,:)); % 速度限幅，防止粒子飞得过远 v(i,:) = max(min(v(i,:), vMax), -vMax); x(i,:) = x(i,:) + v(i,:); % 对越界变量进行饱和修正 x(i,:) = max(min(x(i,:), xMax), xMin); % 更新个体最优与全局最优 val = obj_func(x(i,:), data); if val < pbestVal(i) pbest(i,:) = x(i,:); pbestVal(i) = val; end if val < gbestVal gbest = x(i,:); gbestVal = val; end end bestHistory(iter) = gbestVal; end

这里有一个非常容易犯的错误：速度更新公式里粒子位置、速度向量中的维数必须和解码后的变量数严格一致，任何维数不匹配都会导致结果莫名其妙的差甚至直接报错。我建议在粒子初始化之前加一行注释，标明“决策变量总数 = 机组数×时段数 + 蓄电池数×时段数 + 联络线数×时段数”，再写一个断言语句检查数组长度。

速度限幅 (vMax) 的设置也是有讲究的，一般取变量取值范围的 10%～20%。比如发电机出力范围是 0～500kW，那速度上限就取 50～100。速度限幅太小会让粒子走得太慢，迭代很多代都探索不了整个搜索空间；太大又会导致粒子来回震荡，收敛困难。

3.4 仿真参数的设定

以我常用的一个三微网案例为参考，参数设定如下表。这里的数据用来说明仿真配置，你可以根据具体场景灵活调整：

光伏出力和负荷曲线用 24 个时点的数据数组表示，这些数据可以从典型案例或实测数据中提取，也可以用函数生成。需要注意的是，光伏出力曲线的形状要合理，白天高夜间零，这样粒子群才能找到一个有实际意义的调度方案。

算法参数我推荐：种群规模 80，迭代次数 150，惯性权重 0.9 线性递减到 0.4，学习因子均为 1.5，速度限幅取变量范围的 15%。这个配置在绝大多数情况下都能在足够短的时间内收敛到满意解。

注意：仿真前务必确认各变量的量纲统一。功率用kW，能量用kWh，时间用小时，单位错了算出来的成本结果会完全失真。

4. 仿真结果与调度策略分析

4.1 收敛曲线怎么看

跑完算法之后，第一个要看的是收敛曲线。把每代的最优成本画出来，观察曲线走势：

• 理想情况是曲线快速下降，然后逐渐平缓，最终稳定在一个水平线上。这说明算法在迭代后期找到了稳定的候选解，可以停止迭代。
• 如果曲线在后期仍然呈现锯齿状上下跳动，说明参数偏“激进”，粒子一直在搜索空间边缘飞，此时应该检查速度限幅是否过大，或者惯性权重衰减得太快导致后期振荡。
• 如果曲线在初期就掉入一个平台，后续基本不再变化，这很可能就是早熟，粒子群陷入了局部最优。这时候增大种群规模、增加初始惯性权重、或者引入变异操作来打破停滞。

我见过不少人只看最终结果，不看收敛曲线。这是不对的——收敛曲线能直观地告诉你算法是否“真正”找到了最优解，还是只是“碰巧”得到了一个看起来还不错的结果。对于科研场景来说，收敛曲线的形态本身就是你论文中证明算法有效性的重要证据。

4.2 典型日调度结果解读

跑完粒子群算法，把最优调度方案的各项出力画出来，仔细观察就能发现很多规律。

以夏季典型日为例，光伏在 10:00～15:00 时段出力最大。这时候如果只是单一微网，富余的电量要么送给蓄电池充电，要么弃掉。但多微网系统里，微网1的光伏富余电量可以输送给微网2和微网3，让它们降低发电机出力，节省燃油成本。这个调度结果在图上表现为：中午时段联络线传输功率达到峰值，各微网的发电机出力明显下降。

傍晚时段光伏出力骤降，负荷却在攀升（照明、空调等），蓄电池开始放电。这时候的调度逻辑是：让 SOC 相对较高的微网承担更多供电任务，同时发电机缓缓上升到接近满发。到了夜间，负荷回落，蓄电池又进入充电状态，为第二天的循环做准备。

多微网之间的功率流向也很有规律。我观察到的仿真结果是：整体成本较低的微网倾向于向外输送功率，成本高的微网倾向于接收功率。这个规律的物理解释非常直接：如果A微网的发电成本比B微网低，那么A多发电供给B使用，系统总成本必然下降。

一个值得验证的结论是蓄电池SOC曲线是否符合预期。正常情况下 SOC 曲线应该呈现“白天充电、傍晚放电、夜间再充电”的形态，而且调度周期结束时 SOC 能恢复到接近初始值。如果仿真出来的 SOC 曲线单调上升或者单调下降，说明约束处理有问题——调度方案在“透支”蓄电池能量，这在长期运营中是不可持续的。

4.3 算法性能对比与敏感性分析

把粒子群算法和遗传算法在同样的算例上跑一遍，对比收敛代数和最终成本，你会发现一个很典型的现象：遗传算法在前期的探索能力强，但逼近最优解的速度慢；粒子群算法一般前 30～50 代就能找到较好解，后续提高的幅度不大。

另外一个有价值的分析是敏感度分析。比如把蓄电池的容量从 600kWh 增加到 900kWh，观察总成本的变化。结果通常显示：容量增大后，蓄电池有更多余量在电价低谷时段充电，在高峰时段放电，系统总成本会下降。但是这种下降是边际递减的——容量翻倍，成本下降比例远小于一倍。这背后的经济含义是：储能容量的增加存在一个“合理的上限”，超过这个上限，继续加大容量带来的收益已经不能覆盖投资成本。这个结论可以用来支撑微网规划的决策。

联络线容量的敏感度分析也值得做。传输容量从 100kW 增到 300kW，系统总成本会显著下降，因为微网间功率交换的灵活性增加了。但增到 500kW 后，成本下降变得很小，说明网络的功率交换能力已经饱和，瓶颈转移到了分布式电源的出力和蓄电池容量上。这种分析的结论在工程上有实际的规划意义。

5. 常见问题与排查经验

5.1 算法不收敛或者陷入局部最优：怎么处理

这是我收到最多的提问。如果你发现每次运行的结果差异很大，或者成本居高不下，按照下面的顺序排查：

• 检查代码是否正确执行了粒子群更新公式。这是最常见的低级错误，因为 MATLAB 的数组运算要特别注意.*和*的区别，一不小心就变成矩阵乘法了。我的习惯是在主循环里加一个断点，看第一代和第二代的粒子位置是否发生了合理的变化。
• 检查约束处理的逻辑。如果罚函数系数设得过大，可行解和不可行解之间的成本差异被放大，粒子会被迫快速向可行区域收敛，但这往往会错过边界上的最优解。罚函数系数设置过小，又会让不可行解“蒙混过关”，最后得到的方案可能违背功率平衡。建议的罚函数系数取值在基础成本的 10～100 倍之间，观察求解结果后调整。
• 增加种群多样性。最简单的做法是把惯性权重的初始值调大一些（比如 1.0 以上），或者在迭代中后期对部分粒子进行随机重置，让它们跳出局部最优。

5.2 结果违背物理约束：如何定位问题

如果仿真结果中出现蓄电池充放电功率同时为正、或者某个微网功率极其不平衡，大概率是约束没有写进目标函数。粒子群算法本身并不关心你的模型物理上是否自洽，它只会最小化你给的目标函数。约束条件必须依靠罚函数和投影修正来强制。

一个值得强调的经验：罚函数的惩罚系数不要一律相同。SOC 越界和功率不平衡属于“硬约束”，惩罚系数要设得足够大，让任何违反者都无法在竞争中存活；而SOC末端回到初值这种“软约束”，惩罚系数可以小一点，否则算法可能根本找不到可行解。

还有一个容易忽略的细节：蓄电池 SOC 动态方程里的充放电效率。铅酸电池的充电效率可能只有 0.8，锂电池能到 0.95 以上。如果不加效率系数，SOC 曲线会与实际情况产生偏差，导致调度策略低估了充电所需能量，在高强度循环场景下误差会累积得非常明显。

5.3 调试技巧与提速方法

我平时调试这个模型，一般遵循“先简化、再复杂”的原则。第一步，先用 6 个时段、2 个微网的小规模算例跑通整个程序，确保逻辑正确。第二步，再扩大到 24 时段、3 个微网的全规模仿真。如果小规模算例就得不到合理的调度结果，就没必要急着放大规模，先把问题定位清楚。

关于提速，有几个非常有效的技巧：

• 向量化计算目标函数。MATLAB 的 for 循环效率比向量化低不少。如果目标函数里的每个时段、每个微网都是独立计算的，尽量把矩阵运算一次搞定，通常能提速 5 到 10 倍。
• 用粗糙的并行计算。粒子群中每个粒子的目标函数计算完全独立，非常适合并行。MATLAB 里用parfor替代主循环里的for，在多核机器上能省下可观的时间。
• 合理设置迭代停止条件。不要总是跑满最大迭代次数，如果连续 20 代全局最优没有变化，就可以提前终止。这样既能保证结果质量，又能节省算力。

我个人的经验是，这个项目最能出成果的地方往往不是算法本身，而是约束建模的完整性和调度策略的经济性分析。粒子群算法作为优化工具已经非常成熟，关键是把多微网的物理特性准确地翻译成数学模型。你在这上面花的功夫，最后都会直接体现在调度曲线的合理性上，审稿人或者导师一眼就能看出来。做仿真实验的时候多改几组参数对比着看，从不同角度观察蓄电池的充放电策略和微网间的功率流向，你会发现很多值得写进论文里的规律。多跑几组案例、多记录数据，这是一件实实在在提升工作质量的事情。