考虑三相不平衡的配电网DG与SVC选址定容优化实战

做配电网规划的人都知道，“三相不平衡”这四个字意味着什么。它不像短路故障那样来得猛烈，但带来的麻烦一点都不少：中性线过热、配电变压器局部过载、电动机效率下降、继电保护误动作……而当你要在网里接入分布式电源（DG）和静止无功补偿器（SVC）的时候，这个问题会变得更加微妙——DG接入得不好，可能会继续助长不平衡；SVC补偿策略不对，也可能对不平衡雪上加霜。

我最近在做一个配电网的优化规划项目（这里叫它模拟项目X），核心任务就是回答一个问题：在已知负荷分布的前提下，DG和SVC到底装在哪、装多大，才能让整个配电网的网损、电压质量和三相平衡状态整体最优？这个问题的学术说法叫“考虑三相不平衡的DG和SVC选址定容模型”。这篇文章就把我在这个项目里的思路、建模过程、求解方案以及踩过的坑完整梳理一遍。内容会涉及三相不平衡的量化方式、选址定容模型的变量和目标函数设计、粒子群等智能算法的参数整定，适合正在做配电网规划、微电网设计或者新能源接入方案的研究生和工程技术人员参考。

1. 为什么选址定容必须考虑三相不平衡

1.1 三相不平衡到底是什么，影响有多大

先定义清楚：三相不平衡，指的是电力系统中A、B、C三相的电压幅值或者相位不再满足对称关系。在理想状态下，三相电压幅值相等、相位互差120度，这时系统中只有正序分量；一旦某些相负荷偏重、或者单相电源接入不均匀，就会产生负序和零序分量，这就是不平衡的本质。

在配电网里，三相不平衡的成因非常普遍。居民负荷中大量使用的单相电器是最大来源，比如某一栋楼中A相接得多、B相接得少，反映到台区变压器出口就是三相电流不一致。此外，农村配电网中大量单相长线路供电的农排负荷、分布式光伏以单相形式散户接入，都会加剧不平衡。

不平衡的危害往往是被低估的。首先是变压器：三相不平衡时，三相绕组中电流最大的那一相可能已经过载，但整体有功又没到额定值，结果变压器在“看起来没超载”的状态下内部局部过热，绝缘老化加快。其次是中性线：零序分量会在中性线上形成电流，严重时中性线电流接近甚至超过相线电流，这本是设计时不会预料的场景，发热隐患极大。再次是电动机：负序分量会在电动机中产生反向旋转磁场，导致转子额外发热和转矩脉动，直接降低效率。

国标对三相不平衡有明确限值——通常要求电网公共连接点的负序电压不平衡度不超过2%，短时不超过4%。所以我们在做DG和SVC规划的时候，如果真的忽略了这个约束，装出来的方案可能在某些运行方式下直接超标，方案不可用。

1.2 DG和SVC对三相不平衡是“双刃剑”

分布式电源对三相不平衡的影响并不是单向的。三相光伏逆变器或者三相同步机型DG，如果能做到三相出力均衡，实际上有助于降低负荷不平衡带来的电压偏差——因为它提供了本地电源支撑，减少了线路上的不平衡潮流。但单相光伏或者出力不均衡的三相逆变器，反而会成为新的不平衡源。最典型的情况：某条馈线负荷本来均衡，结果A相接了一台大容量单相光伏，中午光照最强时反向潮流过大，A相电压被抬高，B、C相电压仍旧偏低，不平衡度一下子飙升。

SVC的情况也类似。SVC的本质是并联在母线上的无功补偿装置，通过晶闸管控制电抗器（TCR）和固定电容器组（FC）的配合，动态调节无功输出。常规的三相联调SVC，整体输出平衡无功，它可以改善母线电压水平和功率因数，但对三相不平衡的调节能力很有限。真正能压制不平衡的是分相补偿型SVC——每相单独控制无功输出，哪相电压低就往哪相补无功，哪相电压高就吸收无功。不过分相调节的代价是控制复杂度和设备成本显著上升。

正因为DG和SVC都有这种“用好了是药，用不好是毒”的特性，选址定容模型就必须把三相不平衡这个维度纳入进去，而不是简单套用传统的三相平衡假设下的规划模型。我是在正式动工之前对比过两套方案：一套是传统单相模型、按三相平衡假设计算出DG和SVC的位置容量，另一套是完整三相模型。前者在潮流校核阶段就发现两处节点的不平衡度越过2%的限值，而且总网损偏高。所以别嫌三相模型计算量大，这步省不得。

2. 模型构建的核心思路与变量设计

2.1 选址定容问题的数学本质

选址定容这个问题，用一句话概括：在一组候选节点中挑选若干个位置，确定DG和SVC的安装容量，使得目标函数（网损、电压偏差、不平衡度等）最小，同时满足一切运行约束。它属于典型的混合整数非线性规划问题（MINLP）。

为什么说是混合整数非线性？因为“装或者不装”“装在第几个节点”是0-1离散变量，而“装多大容量”是连续变量，这两类变量耦合在一起。非线性则来自潮流方程——功率、电压之间是二次非线性关系。这类问题规模不大时可以尝试穷举，但配电网节点动辄几十上百个，候选组合数量是指数级的，只能借助启发式智能算法求解。

在我这个模拟项目X里，决策变量定义如下：

• DG的安装位置：候选节点集合中每一节点对应一个0-1变量，选了为1，不选为0；
• DG的安装容量：连续变量，每一接入点对应一个容量值，取值为离散的机组选型档位或连续区间；
• SVC的安装位置：同样用0-1变量表达；
• SVC的额定补偿容量：连续变量，表示装置可输出的总无功上限，通常配套容量的分相比例一起优化。

这里需要说明一个工程细节：DG不一定非得和SVC装在同一节点。我的测试中发现，有些场景DG放在线路末端附近效果最好，而SVC放在线路中段或无功敏感节点更好。所以模型里DG和SVC的候选安装位置是重叠但相互独立的，可以同时选在同一个节点，也可以分开，由优化算法自行决定，不事先做人为绑定。

2.2 目标函数的设计与量纲处理

目标函数是整个模型的“指挥棒”。我在项目里采用的是多目标加权法，把三个子目标压成一个综合指标：

min F = ω₁·F_loss + ω₂·F_voltage + ω₃·F_unbalance

第一个子目标是网络损耗指标，F_loss取系统总有功损耗与基准损耗的比值，做归一化处理。第二个子目标是电压偏移指标，统计所有节点各相电压对额定值的偏离程度，也是采用百分比化处理。第三个子目标是不平衡度指标，计算所有节点的最大负序电压不平衡度（或者所有节点不平衡度的平均值），归一化后参与加权。

权重系数怎么选是新手最容易纠结的地方。我的建议是不要拍脑袋定。我这里的做法是先跑一次不装任何设备的基础潮流，得到基础网损L0、基础电压偏移U0和基础不平衡度ε0，然后以这三个量做基准值把三个目标全部无量纲化。这样即使三个指标的数值范围差异很大——比如网损可能是百千瓦级、不平衡度是百分之几——归一化之后都能落在相近的数量级，权重定起来就可靠得多。至于权重本身，可以根据工程项目的侧重点来调：偏重经济运行就加大ω₁，偏重电能质量就加大ω₂和ω₃。

事后复盘时我意识到一个容易被忽略的点：目标函数中如果直接用不平衡度平均值，优化算法可能把少数几个严重不平衡节点的指标“摊平”掉，看起来平均值很漂亮，但最严重的节点依旧超标。所以建议在归一化之前对不平衡度指标取“最大值”而非“平均值”，或者引入惩罚项，当任一节点不平衡度超过2%时施加一个大的惩罚系数。这个细节直接决定了优化结果能不能过关。

2.3 约束条件里那些容易踩的坑

选址定容模型的约束条件比目标函数更容易出问题，我在这里栽过跟头，值得展开写。

首先是三相潮流约束。这是一个等式约束，要求在任意一组DG和SVC配置下，系统都能满足各节点的功率平衡方程。三相潮流比单相潮流的复杂之处在于：各相之间存在互阻抗耦合，尤其是不接地系统中线阻抗和接地阻抗的处理会显著影响零序分量的计算结果。我在项目中采用相分量法建模，直接对ABC三相的节点电压和注入电流建立方程，而不是序分量法。原因很简单：选址定容过程中要处理大量含SVC、DG这类非对称元件的场景，相分量法建模更直观、扩展更容易，虽然方程规模更大，但借助稀疏矩阵技术后计算速度完全可以接受。

其次是节点电压约束。每相电压都要落在允许范围内，通常取0.93到1.07倍额定电压（具体限值根据当地导则调整）。这一步区别很大——如果只按线电压校核，可能漏掉某一相电压越限的情况。在三相不平衡场景下，相电压和线电压不再保持理想的根号3倍关系，只校核线电压是典型的单相模型思维，必须逐相校核才算严谨。

再次是DG容量约束和SVC容量约束。DG的单点接入容量不能超过馈线承载能力，一般用线路最大载流量反推一个上限；所有DG总容量和系统最小负荷之间还要满足防倒送约束，否则会出现逆流保护动作的问题。SVC方面，容量上限通常由母线短路容量和补偿度决定，工程上补偿度一般不超过30%到50%为宜，过度补偿会造成无功倒送和电压抬升。

最后还有安装数量约束。无论DG还是SVC，实际工程都不可能允许几十个点同时安装，经济上不现实，运维上也麻烦。所以模型里特意加了一个总数上限，比如DG最多装5个点、SVC最多装3个点。加了这层约束之后，优化问题的可行域形状变得很不规则，算法搜索难度显著增加，但得到的结果才真正有落地价值。

3. 求解算法的选型与参数整定

3.1 为什么选择粒子群算法作为主求解器

面对这种大规模MINLP问题，可选的求解路线有几类：商业求解器（如某些非线性规划求解器）、遗传算法、粒子群算法（PSO）、差分进化算法等。我最终选用的是改进的粒子群算法，原因是它在连续变量优化上收敛快、参数少、实现简单，而且通过合理的编码方式可以同时处理0-1整数变量和连续变量。

很多初学的人会问：为什么不用遗传算法？不是说遗传算法不好，而是在这类问题上，粒子群的搜索机制对连续变量的微调能力更强，收敛速度占优势。离散的安装位置变量在粒子群中采用“连续值+阈值取整”的方式编码：粒子某个维度值大于0.5就视为选该节点，否则不选。这样绕开了粒子群不容易直接处理离散变量的毛病，同时保持了算法的连贯性。

关于求解器的对比实验，我是认认真真跑过的。同一套模型，遗传算法需要3000次迭代才能收敛到接近最优的解，粒子群大约1500次就能达到同等水平，耗时大约只有前者的六成。差分进化算法在这个问题上的表现介于两者之间。当然这不是说粒子群绝对最优，如果你的模型里离散变量的耦合关系非常复杂，遗传算法的交叉算子可能更容易跳出局部最优，这个要具体情况具体分析。

3.2 编码方式和适应度函数设计

粒子群中每个粒子的位置向量编码顺序为：候选节点DG选择标志 + DG容量 + 候选节点SVC选择标志 + SVC容量。举例说明：假设有20个候选节点，那么编码长度大致为2×20（选择标志）+2×20（容量）共80维，每一维都有明确的物理意义。

适应度函数的设计是整个算法成败的关键。我采用的方案是：先解码粒子的位置为DG和SVC的配置方案，然后调用三相潮流计算程序，计算目标函数值，再加上约束惩罚项，构成最终的适应度函数。这里有一个重要技巧：惩罚项的量级要设计得比正常目标函数大一个数量级以上，否则算法会“钻空子”接受一些轻微越限的解。我在初期调试时因为惩罚系数只设了目标函数的2倍，结果优化的最终方案里有两处节点电压轻微越限，算法却认为这是可接受的。后来把惩罚系数提到目标函数基准值的10倍以上，越限问题才彻底消除。

粒子群参数方面，我使用的是经典配置：种群规模取60，学习因子c1=c2=2.0，惯性权重从0.9线性递减到0.4。这一组参数在多个测试算例上的表现都很稳。需要特别注意的是，惯性权重的衰减速度直接影响“勘探-开发”的平衡：前期惯性大、搜索范围广，避免错失全局最优区域；后期惯性小、精细开发，收敛到局部最优的精度更高。

3.3 三相潮流计算的降维加速技巧

选址定容模型里适应度函数每计算一次就要做一次三相潮流，而粒子群迭代一两千次就对应上千次潮流计算。如果每次潮流计算都从零开始做完整的牛顿-拉夫逊迭代，总时长很容易让人崩溃。我在这里做了两个加速处理，实测效果非常显著。

第一个是热启动。粒子群迭代过程中，种群中的粒子往往在解空间里来回小幅摆动，上一代的潮流解和本代的潮流解很接近。所以每次计算新粒子的适应度时，以上一次该粒子的潮流结果为初值进行迭代，而不是从平启动电压开始。这样通常只需3到5次牛顿迭代就能收敛，比从零开始快数倍。

第二个是稀疏矩阵的因子化复用。三相潮流的雅可比矩阵结构在一次迭代中基本不变，只在最后几步更新时变化极其微小。我可以把矩阵的LU分解结果缓存起来，在连续几次迭代中复用，只有当电压变化超过阈值时才重新分解。这个优化让单次潮流计算的耗时降低了将近一半。

4. 案例实操：从零搭建完整的选址定容流程

4.1 测试系统与负荷数据准备

为了验证模型的有效性，我基于一个典型的33节点配电网拓扑做了改造（下面记作测试系统Y）。这个拓扑在业内属于标准测试算例，有1个变电站出口、32条支路、若干联络开关，额定电压10kV。我对它做了两项关键改造：一是把部分单相负荷集中到特定节点，模拟实际配网中的不平衡场景；二是设置了三处候选DG接入点和四处候选SVC接入点，覆盖馈线首端、中段和末端。

负荷数据方面，各节点有功和无功的基准值参考典型日负荷曲线设定。为了模拟出相对明显的三相不平衡，我在节点7、节点19和节点26这三点上人为安排了不均衡的单相负荷分布——比如节点7的A相负荷是B、C相的1.4倍，节点19则反过来让C相负荷最重。改造之后，系统在不接任何DG和SVC时的基础不平衡度最高达到了3.6%，超过了2%的限值，电压最低点出现在末端节点，为0.91倍额定电压，属于典型的弱馈线末端电压偏低。

这个初始状态非常适合说明问题的严重性：它同时存在电压越限、网损偏高和三相不平衡三个问题，正好考验DG和SVC联合优化的综合能力。

4.2 参数设置与优化结果对比

模型参数方面，DG类型选用逆变器型光伏电源，单点容量下限50kW、上限500kW，最大安装点数设为3；SVC单点补偿容量下限100kvar、上限600kvar，安装点数上限为2。目标函数权重设定为网损占0.5、电压偏移占0.3、不平衡度占0.2，这代表我对经济运行和电压质量的双重侧重。

运行完毕，优化结果让我印象深刻。最优方案是：DG安装在节点25（容量260kW）和节点31（容量180kW），SVC安装在节点19（容量300kvar）和节点28（容量200kvar）。注意一个有趣的细节：DG没有选择安装在最末端，而是选择了接近负荷中心的中后段位置，这是因为末端DG虽然电压支撑效果好，但它会显著加大该相的不平衡度；协调之后中后段成为了更优解。

对比数据如下表：

从数据可以看出两点：第一，SVC的加入对不平衡度的改善贡献极其显著——只装DG时最大不平衡度仍为2.78%，超标0.78个百分点，加入SVC后直接降到1.42%，完全满足2%的限制；第二，DG和SVC联合优化后的网损比只装DG又降低了28kW左右，说明SVC不仅改善电压平衡，还通过无功就地补偿减少了线路无功传输，附带产生了降损收益。这种多目标的协同增益，是单纯做DG规划或者单纯做无功规划难以拿到的。

4.3 权重敏感性与鲁棒性校验

搞优化的人都知道，光看一组权重下的最优解是不够的，还必须做权重敏感性分析。我另外测了三组极端权重：纯网损导向（ω₁=1.0，其余为0）、纯电压导向、纯不平衡度导向。

结果是很有信息量的。纯网损导向下，DG容量偏大、SVC容量偏小，网损降到了81.5kW，是所有方案里最低的，但最大不平衡度回升到2.1%，勉强在限值边缘。纯电压导向下，DG集中在电压薄弱点，最小节点电压抬升到0.98pu，但网损反而比联合优化方案高，因为DG容量分配偏离了经济最优区间。纯不平衡度导向下，SVC容量被尽可能放大，不平衡度降到1.1%以下，但补偿度达到55%，已经超过了我之前说的30%-50%工程经验上限，存在过补偿风险。

这组实验告诉我们一个简单却不那么直观的道理：多目标优化的“最优解”实际上是一个帕累托前沿，具体取哪个点取决于项目实际需求。工程上不建议追求单指标极致，而是应该在一个合理的权重区间内寻找稳定解。我在最终方案里选择的权重组合，是在三组极端方案的折中位置，各项指标都没有拉胯，鲁棒性最好。

5. 工程落地中的常见问题与排查技巧

5.1 三相潮流计算不收敛怎么排查

无论是优化前的场景分析还是优化过程中的适应度计算，三相潮流不收敛是最常见的问题。我排查这个问题的思路是分层进行的：

先检查线路参数是否合理。配电线路的正序、负序、零序阻抗参数都有一个合理范围，如果你在建模时输入了异常的值——比如零序阻抗比正序还小——潮流迭代很容易发散。我遇到过节点间零序阻抗设置错误导致每次迭代都震荡的情况，花了大半天才定位到是某段线路的零序参数少了一位小数点。

再检查负荷模型是否正确。三相负荷接线方式影响潮流方程的构造方式——是星形接地、星形不接地还是三角形接法，在零序回路上差异巨大。一个常见的低级错误是全部负荷都采用星形接地模型，但实际系统中大量动力负荷是三角形接法，这会导致零序电压分布计算严重失真。

最后检查初值。如果从平启动电压开始迭代发散，可以尝试用前一次收敛的潮流结果作为初值，或者先对系统做一个不接设备的三相潮流作为基线，再逐步投入DG和SVC。这样逐级加载的方式收敛性比直接全系统求解好得多。

5.2 优化结果频繁落在不同局部最优之间跳变

粒子群是一种随机优化算法，每次运行得到的解会有差异，这是正常的。但如果你发现三次运行里得到两种完全不同的安装方案，而且目标函数值非常接近，那就说明解空间中存在多个质量相似的局部最优，算法在它们之间来回横跳。

这种情况下的处理手段主要有三种。第一种是增大种群规模，从60加到100，同时拉长迭代次数，让算法有更多机会探索两个不同的最优区域。第二种是引入惯性权重的非线性衰减策略，比如前期衰减慢一些，后期快速衰减，这样可以兼顾勘探和开发。第三种是多次运行取众数解，我习惯每次跑10遍，将出现频率最高的安装节点和容量作为推荐方案，再对这个方案做一次确定性潮流校核，确保它真实可行。

5.3 从仿真模型走向真实工程的三个提醒

仿真模型做得再漂亮，落地时还是要面对现实。我最后总结三条工程经验供大家参考。

第一，模型的候选节点不能只从电气位置来定，还要考虑场地条件。一个节点潮流上再适合装DG，如果现实中没有可用的屋顶或空地，这个候选节点就是无效的。更合理的做法是先用电气计算筛出若干候选点，再结合场地调研对候选集合做一次过滤，最后在过滤后的集合上做优化。

第二，DG的实际出力不可能是恒定的。光伏的时序随机性、负荷的峰谷波动，都意味着某一时刻的最优配置在另一时刻可能不是最优。如果项目时间允许，建议在优化模型里引入多场景时段的扩展——比如在典型日负荷曲线的高峰、平段、低谷各做一个优化场景，综合三个场景的配置交集来确定最终方案。这样得到的方案在一天内都有较好的运行表现。

第三，SVC的分相补偿能力不是白给的。分相型SVC价格和运维复杂度远高于三相联调型，工程上如果系统不平衡度本身不大（比如低于1.5%），用三相联调SVC配合适当的DG选点就够了。这个判断要基于模型的基础数据来定，不要一味追求指标好看。

6. 从模型到算法再到工程现场：我的几点体会

做这个项目的过程中，我最大的感受是：选址定容模型不是一个“套公式”的活儿，模型的结构、约束的取舍、算法的参数、甚至数据分析的角度，都会把结果引向完全不同的方向。

我个人在实际操作中的体会是，不要一上来就追求复杂的模型和高级的算法。先把一个相对简单的版本跑通——比如不考虑SVC、只做三相DG选址——把三相潮流计算的正确性验证扎实，再逐步加入SVC、加入不平衡度约束，最后才上多目标加权。这种分步迭代的方法让每一步的调试都变得有据可循，而不是在一堆耦合因素里大海捞针。

另外一个小技巧是可视化。做完每一轮优化后，我习惯把所有节点的各相电压、不平衡度画在同一张图上对比。这种做法比单纯看目标函数值直观得多——哪里电压偏低、哪里不平衡突出，一眼就能定位。做规划的人如果只看数字不看分布，很容易被平均值掩盖掉局部的严重问题。

这个模型后续还可以扩展的方向，我认为至少有两条。一条是引入DG出力的时序随机模型，用蒙特卡洛模拟替代当前的单场景确定性计算，让方案对全天候运行的适应能力更强；另一条是加入储能装置的联合规划，因为储能对三相不平衡的调节能力其实比SVC更灵活——它可以充放电两向调节有功，对平衡三相电流有更直接的作用。希望这篇实战梳理能给正在做类似课题的人一些参考，少走几步弯路。