配电网光伏储能双层优化配置模型（选址定容） 分布式电源选址定容 该程序主要方法复现《含高比例可再生能源配电网灵活资源双层优化配置》运行-规划联合双层配置模型，上层为光伏、储能选址定容模型，即优化配置，下层考虑弃光和储能出力，即优化调度，模型以IEEE33节点为例，采用粒子群算法求解，下层模型为运行成本和电压偏移量的多目标模型，并采用多目标粒子群算法得到pareto前沿解集，从中选择最佳结果带入到上层模型，最终实现上下层模型的各自求解和整个模型迭代优化。

最近在搞配电网光伏储能配置的项目，发现传统单层优化总有点顾头不顾尾。规划的时候不考虑运行细节，结果装完设备实际一跑，弃光率飙升、电压波动感人。于是尝试复现了一个双层优化模型，今天和大家唠唠实战中的代码实现细节。

上层负责拍板设备装哪儿、装多大，下层盯着实时调度别翻车。这俩就像老板和打工人，老板定战略（选址定容），员工搞执行（优化调度），但员工干不好老板也得调整策略。这里最刺激的是上下层数据得来回倒腾，整个系统像在玩跷跷板。

先看上层粒子群的粒子结构，每个粒子带着光伏和储能的身份证：

class UpperParticle:
    def __init__(self, node_num=33):
        self.position = np.concatenate([
            np.random.choice([0,1], node_num),  # 光伏选址
            np.random.rand(node_num)*2000  # 储能定容
        ])
        self.velocity = np.zeros_like(self.position)
        self.best_pos = self.position.copy()

这里有个骚操作——把离散的选址和连续的定容打包进同一个向量。初始化时光伏选址直接用0/1随机，储能容量给个最大值的随机数。但要注意粒子更新时得处理混合变量类型，我们后边会说到。

下层优化是整个模型的计算重心，每次上层粒子更新都要触发一次下层多目标优化。这里用带约束处理的非支配排序：

def lower_optimize(pv_nodes, storage_caps):
    # 构造电网模型
    grid = IEEE33Builder().build()
    apply_devices(grid, pv_nodes, storage_caps)
    
    # 多目标优化核心
    problem = {
        'obj_func': [
            lambda x: operational_cost(x, grid),  # 运行成本
            lambda x: voltage_deviation(x, grid)  # 电压偏移
        ],
        'constraints': [
            lambda x: check_power_flow(x),  # 潮流约束
            lambda x: x[storage_idx] <= max_discharge  # 储能出力限制
        ]
    }
    return NSGA2Solver(problem).solve()

这里用了经典的NSGA-II框架，但实际项目中我们发现当粒子群遇到多目标时，外部存档维护策略需要魔改。特别是电压偏移量这种指标，差个0.01pu可能就让整个解集结构大变样。

配电网光伏储能双层优化配置模型（选址定容） 分布式电源选址定容 该程序主要方法复现《含高比例可再生能源配电网灵活资源双层优化配置》运行-规划联合双层配置模型，上层为光伏、储能选址定容模型，即优化配置，下层考虑弃光和储能出力，即优化调度，模型以IEEE33节点为例，采用粒子群算法求解，下层模型为运行成本和电压偏移量的多目标模型，并采用多目标粒子群算法得到pareto前沿解集，从中选择最佳结果带入到上层模型，最终实现上下层模型的各自求解和整个模型迭代优化。

上下层迭代的核心在于适应度传递。每次下层输出Pareto前沿后，得挑个代表解反馈给上层：

def select_representative(pareto_front):
    # 用模糊隶属度找折中解
    costs = [sol.objectives[0] for sol in pareto_front]
    deviations = [sol.objectives[1] for sol in pareto_front]
    
    mu_cost = (costs - np.min(costs)) / (np.max(costs) - np.min(costs))
    mu_dev = (deviations - np.min(deviations)) / (np.max(deviations) - np.min(deviations))
    
    compromise_index = np.argmin(np.abs(mu_cost - mu_dev))
    return pareto_front[compromise_index]

这个选择策略有点像在钢丝上跳舞——既要运行成本低，又要电压稳定。实测中发现直接用理想点法容易陷入局部最优，而模糊选择在多数场景下更鲁棒。

主循环的迭代过程充满玄学色彩，这里看个简化版：

for epoch in range(100):
    # 上层粒子更新
    for p in upper_swarm:
        new_pos = p.update()
        # 设备参数注入下层
        pareto = lower_optimize(extract_pv_nodes(new_pos), 
                              extract_storage_caps(new_pos))
        best_sol = select_representative(pareto)
        # 计算总成本 = 投资成本 + 运行成本
        total_cost = calc_investment(new_pos) + best_sol.objectives[0]
        p.update_fitness(total_cost)
    
    # 动态调整粒子群的惯性权重
    w = 0.9 - 0.5*(epoch/100)

这里藏了两个工程trick：一是投资成本计算要考虑设备寿命周期折算，二是惯性权重的线性递减策略虽然老套但管用。曾经试过自适应权重，结果在33节点系统里反而收敛更慢。

在实现过程中最头秃的是处理混合变量类型——选址是离散的0/1，容量是连续值。我们最终在粒子更新时搞了个分段处理：

def hybrid_update(particle):
    # 离散部分采用二进制更新
    discrete_part = particle.position[:33]
    prob = 1 / (1 + np.exp(-particle.velocity[:33]))  # sigmoid转换
    discrete_updated = (np.random.rand(33) < prob).astype(int)
    
    # 连续部分正常更新
    continuous_part = particle.position[33:] + particle.velocity[33:]
    
    return np.concatenate([discrete_updated, continuous_part])

这招把Sigmoid函数当概率用，既保留了二进制特性，又不破坏PSO的更新机制。实测效果比强制取整好太多，特别是处理光伏集群配置时，避免了大量无效粒子产生。

经过三天三夜的迭代，最终在33节点系统中跑出的配置方案显示：储能设备倾向于装在网络重载区域，而光伏则分布在末端节点形成自发自用模式。有趣的是系统自动规避了在12号节点（关键联络节点）布置设备，这和我们手动分析的结果不谋而合。

不过这个模型仍有改进空间，比如：

1. 考虑天气数据的时间序列特性
2. 加入设备故障的鲁棒性约束
3. 用GPU加速下层优化计算

下次准备试试量子粒子群，听说在解空间探索上更野。搞电力系统优化就像玩俄罗斯方块，永远不知道下一个难点会从哪儿掉下来，但接住的那一刻是真的爽。