探索配电网光伏储能双层优化配置模型（选址定容）

eqXUIrcRQM

119人浏览 · 2026-03-21 18:15:00

eqXUIrcRQM · 2026-03-21 18:15:00 发布

配电网光伏储能双层优化配置模型(选址定容) 配电网光伏储能双层优化配置模型(选址定容)，还可以送matpower 关键词：选址定容配电网光伏储能双层优化粒子群算法多目标粒子群算法 kmeans聚类仿真平台：matlab 参考文档：《含高比例可再生能源配电网灵活资源双层优化配置》主要内容：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。

在如今大力发展清洁能源的时代，配电网中光伏储能的合理配置至关重要。今天咱就来唠唠配电网光伏储能双层优化配置模型（选址定容）这一有趣且实用的领域，文末还会提到有matpower相送哦。

模型核心架构

这个模型是一个双层结构。上层是光伏、储能选址定容模型，说白了就是要决定光伏电站和储能装置建在哪里，容量多大合适，这就是所谓的优化配置过程。下层呢，要考虑弃光的情况以及储能实际出力，也就是优化调度的范畴。模型以IEEE33节点为例展开研究。

算法运用

粒子群算法求解上层模型

上层模型使用粒子群算法来求解。粒子群算法就像一群鸟在找食物，每只鸟（也就是粒子）都有自己的位置和速度，它们通过不断调整自己的位置，朝着食物（最优解）飞去。在代码实现上，大概是这样：

% 初始化粒子群参数
particle_num = 50; % 粒子数量
dim = 2; % 维度，例如光伏容量和位置可视为两个维度
c1 = 1.5; c2 = 1.5; % 学习因子
w = 0.8; % 惯性权重
v_max = 0.1; % 最大速度
v_min = -0.1; % 最小速度
x_max = [100; 33]; % 位置上限，例如光伏最大容量、最大可选节点
x_min = [10; 1]; % 位置下限
particles = zeros(particle_num, dim); % 粒子位置初始化
velocities = zeros(particle_num, dim); % 粒子速度初始化
for i = 1:particle_num
    particles(i, :) = x_min + (x_max - x_min).* rand(1, dim);
    velocities(i, :) = v_min + (v_max - v_min).* rand(1, dim);
end
% 迭代更新粒子位置和速度
for iter = 1:100 % 迭代次数
    for i = 1:particle_num
        r1 = rand(1, dim);
        r2 = rand(1, dim);
        velocities(i, :) = w * velocities(i, :) + c1 * r1.* (pbest(i, :) - particles(i, :)) + c2 * r2.* (gbest - particles(i, :));
        velocities(i, velocities(i, :) > v_max) = v_max;
        velocities(i, velocities(i, :) < v_min) = v_min;
        particles(i, :) = particles(i, :) + velocities(i, :);
        particles(i, particles(i, :) > x_max) = x_max;
        particles(i, particles(i, :) < x_min) = x_min;
    end
    % 计算适应度并更新最优解
    fitness = calculate_fitness(particles); % 自定义适应度计算函数
    [~, best_index] = min(fitness);
    if fitness(best_index) < pbest_fitness(best_index)
        pbest(best_index, :) = particles(best_index, :);
        pbest_fitness(best_index) = fitness(best_index);
    end
    [global_best_fitness, global_best_index] = min(pbest_fitness);
    if global_best_fitness < gbest_fitness
        gbest = pbest(global_best_index, :);
        gbest_fitness = global_best_fitness;
    end
end

这段代码先初始化了粒子群的各项参数，包括粒子数量、维度、学习因子、惯性权重等。然后在每次迭代中，根据粒子群算法的公式更新粒子的速度和位置，并通过自定义的适应度函数来评估粒子的优劣，不断更新个体最优解（pbest）和全局最优解（gbest）。

多目标粒子群算法求解下层模型

下层模型是一个多目标模型，目标是运行成本和电压偏移量。这里采用多目标粒子群算法得到pareto前沿解集。多目标粒子群算法和普通粒子群算法类似，但它要同时考虑多个目标的优化。代码如下：

% 初始化多目标粒子群参数
particle_num = 50;
dim = 2;
c1 = 1.5; c2 = 1.5;
w = 0.8;
v_max = 0.1;
v_min = -0.1;
x_max = [100; 33];
x_min = [10; 1];
particles = zeros(particle_num, dim);
velocities = zeros(particle_num, dim);
for i = 1:particle_num
    particles(i, :) = x_min + (x_max - x_min).* rand(1, dim);
    velocities(i, :) = v_min + (v_max - v_min).* rand(1, dim);
end
% 迭代更新粒子位置和速度
for iter = 1:100
    for i = 1:particle_num
        r1 = rand(1, dim);
        r2 = rand(1, dim);
        velocities(i, :) = w * velocities(i, :) + c1 * r1.* (pbest(i, :) - particles(i, :)) + c2 * r2.* (gbest - particles(i, :));
        velocities(i, velocities(i, :) > v_max) = v_max;
        velocities(i, velocities(i, :) < v_min) = v_min;
        particles(i, :) = particles(i, :) + velocities(i, :);
        particles(i, particles(i, :) > x_max) = x_max;
        particles(i, particles(i, :) < x_min) = x_min;
    end
    % 计算多目标适应度并更新最优解
    cost_fitness = calculate_cost_fitness(particles); % 运行成本适应度计算函数
    voltage_fitness = calculate_voltage_fitness(particles); % 电压偏移量适应度计算函数
    fitness = [cost_fitness, voltage_fitness];
    [pareto_front, pareto_rank] = non_dominated_sort(fitness); % 非支配排序获取pareto前沿
    % 更新pbest和gbest
    for i = 1:particle_num
        if pareto_rank(i) < pbest_rank(i)
            pbest(i, :) = particles(i, :);
            pbest_rank(i) = pareto_rank(i);
        end
    end
    [~, best_index] = min(pareto_rank);
    if pareto_rank(best_index) < gbest_rank
        gbest = pbest(best_index, :);
        gbest_rank = pareto_rank(best_index);
    end
end

这段代码同样先初始化参数，在迭代过程中，除了更新粒子的位置和速度，还分别计算运行成本和电压偏移量的适应度。通过非支配排序（nondominatedsort 函数，这里需自定义实现）得到pareto前沿解集，根据pareto前沿的等级来更新个体最优解和全局最优解。