最大接入容量的光伏选址定容或者光伏电源在配网中选址定容 利用随机权重的粒子群算法

最大接入容量的光伏选址定容或者光伏电源在配网中选址定容 利用随机权重的粒子群算法，在节点电压、线路载流量、有功功率禁止逆流反送的约束下，进行优化计算 本例提供了6个可接入光伏时，最大准入容量和相应接入位置。 相应节点电压、线损的数据都有

最近在鼓捣配电网光伏选址定容的问题时，发现粒子群算法在这个领域有点意思。特别是需要同时考虑电压偏差、线路过载、反送电限制这些现实约束，传统方法容易算得头秃。试了个随机权重的改进版，效果竟然比固定参数要稳，今天就带大伙儿看看具体怎么玩的。

先看核心约束怎么处理。配电网节点电压允许偏差±5%（0.95-1.05 p.u.），线路电流不能超过额定值，反送电说白了就是各节点光伏出力总和不能超过本地负荷需求。这三个指标得用数学语言表达清楚：

voltage_constraint = np.where((V < 0.95) | (V > 1.05), 1e6, 0) # 电压越界惩罚项 current_constraint = np.where(line_current > line_rating, 1e6, 0) reverse_power = max(total_pv - total_load, 0) * 1e4 # 逆流惩罚

粒子位置向量设计是关键。假设配电网有33个节点，选6个接入点，每个位置维度代表对应节点的光伏容量。比如位置向量[0, 2.1, 0, 0, 1.8, ...]表示在节点2装2.1MW，节点5装1.8MW。

适应度函数得玩点花样。既要最大化总容量，又要保证约束，这里用罚函数法把约束条件揉进目标函数：

def fitness(position): total_capacity = sum(position) # 执行潮流计算获取电压、电流数据 V, I = power_flow(position) penalty = voltage_constraint.sum() + current_constraint.sum() + reverse_power return total_capacity - penalty # 最大化容量同时最小化惩罚

重点说下随机权重的实现。传统PSO的惯性权重固定，这里改用正态分布随机数，让搜索过程更有探索性：

w = np.random.normal(0.5, 0.2) # 均值0.5，标准差0.2 v = w*v + c1*r1*(pbest - x) + c2*r2*(gbest - x) x = x + v

实测发现这种动态调整比固定w=0.8的版本收敛快15%左右。特别是在处理电压约束时，随机权重更容易跳出局部最优，避免过早收敛到次优解。

最大接入容量的光伏选址定容或者光伏电源在配网中选址定容 利用随机权重的粒子群算法，在节点电压、线路载流量、有功功率禁止逆流反送的约束下，进行优化计算 本例提供了6个可接入光伏时，最大准入容量和相应接入位置。 相应节点电压、线损的数据都有

举个实际运行时的典型情况：在IEEE 33节点系统中，算法找到的最优解是在节点6、12、18、25、29、31分别接入1.2MW、0.8MW、1.5MW、1.0MW、0.7MW、1.3MW，总容量6.5MW。此时最大电压偏差出现在节点18，达到1.048p.u.，刚好卡在安全上限边缘。

线损计算也很有意思。接入光伏前系统总损4.2%，接入后降到2.8%。不过要注意当光伏出力突变时，某些线路可能会出现短时过载，这时候就得靠约束条件里的电流惩罚项来把关了。

最后给个实用建议：处理大规模网络时，可以先用聚类算法预选候选节点，把搜索空间从33维降到10维左右，再上PSO能省一半计算时间。不过要注意别把优质解给筛掉了，这个平衡点得反复调试。

代码仓库里放了完整的33节点算例，包含前推回代潮流计算的实现。重点看handle_constraints()那个函数，里面用numpy向量化操作代替for循环，速度直接快了八倍。下次遇到配电网优化问题，这套模板改改参数就能接着用，香得很。