基于粒子群算法的配电网重构 基于IEEE33节点电网，以网损和电压偏差最小为目标，考虑系统的潮流约束，采用粒子群算法求解优化模型，得到确保放射型网架的配电网重构方案。 这个程序主要是一个潮流计算程序，用于解决电力系统中的潮流问题。潮流计算是电力系统分析中的基本问题之一，它用于确定电力系统中各个节点的电压幅值和相位，以及各个支路的功率流动情况。 该程序的主要思路是通过迭代的方式，不断修正节点的电压值，直到满足一定的收敛条件为止。程序首先对电力系统的节点和支路进行初始化，然后根据给定的初始条件，计算各个节点的注入功率和注入电流。接下来，根据节点的注入功率和注入电流，构建雅可比矩阵，并求解修正方程，得到节点电压的修正量。然后，根据修正量对节点电压进行修正，并重新计算节点的注入功率和注入电流。重复以上步骤，直到满足收敛条件为止。 在程序运行过程中，涉及到的主要内容包括电力系统的节点和支路参数、节点的注入功率和注入电流的计算、雅可比矩阵的构建、修正方程的求解、节点电压的修正、收敛条件的判断等。程序中还包括了一些辅助函数，用于计算系统的网损、线路功率、电压偏差等。 该程序的应用领域主要是电力系统分析和运行控制。在电力系统的规划、设计和运行过程中，潮流计算是一个重要的工具，用于评估系统的稳定性、优化系统的运行、分析系统的故障等。通过潮流计算，可以得到系统中各个节点的电压情况，判断系统是否存在电压稳定问题，以及各个支路的功率流动情况，为系统的运行和控制提供参考依据。 总的来说，这个程序是一个用于解决电力系统潮流问题的计算程序，通过迭代的方式，不断修正节点电压，以求得系统的稳定工作状态。它涉及到电力系统的节点和支路参数、注入功率和注入电流的计算、雅可比矩阵的构建、修正方程的求解等内容，适用于电力系统分析和运行控制领域。

一、系统概述

本系统基于粒子群优化（Particle Swarm Optimization, PSO）算法，针对IEEE33节点配电网模型实现重构功能。核心目标是通过优化网络拓扑结构，在满足系统潮流约束的前提下，实现配电网网损最小化与节点电压偏差最小化，最终输出确保放射型网架结构的最优重构方案。

基于粒子群算法的配电网重构 基于IEEE33节点电网，以网损和电压偏差最小为目标，考虑系统的潮流约束，采用粒子群算法求解优化模型，得到确保放射型网架的配电网重构方案。 这个程序主要是一个潮流计算程序，用于解决电力系统中的潮流问题。潮流计算是电力系统分析中的基本问题之一，它用于确定电力系统中各个节点的电压幅值和相位，以及各个支路的功率流动情况。 该程序的主要思路是通过迭代的方式，不断修正节点的电压值，直到满足一定的收敛条件为止。程序首先对电力系统的节点和支路进行初始化，然后根据给定的初始条件，计算各个节点的注入功率和注入电流。接下来，根据节点的注入功率和注入电流，构建雅可比矩阵，并求解修正方程，得到节点电压的修正量。然后，根据修正量对节点电压进行修正，并重新计算节点的注入功率和注入电流。重复以上步骤，直到满足收敛条件为止。 在程序运行过程中，涉及到的主要内容包括电力系统的节点和支路参数、节点的注入功率和注入电流的计算、雅可比矩阵的构建、修正方程的求解、节点电压的修正、收敛条件的判断等。程序中还包括了一些辅助函数，用于计算系统的网损、线路功率、电压偏差等。 该程序的应用领域主要是电力系统分析和运行控制。在电力系统的规划、设计和运行过程中，潮流计算是一个重要的工具，用于评估系统的稳定性、优化系统的运行、分析系统的故障等。通过潮流计算，可以得到系统中各个节点的电压情况，判断系统是否存在电压稳定问题，以及各个支路的功率流动情况，为系统的运行和控制提供参考依据。 总的来说，这个程序是一个用于解决电力系统潮流问题的计算程序，通过迭代的方式，不断修正节点电压，以求得系统的稳定工作状态。它涉及到电力系统的节点和支路参数、注入功率和注入电流的计算、雅可比矩阵的构建、修正方程的求解等内容，适用于电力系统分析和运行控制领域。

系统采用模块化设计，包含4个核心代码文件，分别负责适应度计算、主控制逻辑、重构后潮流分析及重构前基准潮流计算，各模块协同完成从初始参数设置、算法迭代优化到结果输出与对比的全流程。

二、核心模块功能解析

（一）适应度计算模块（fitness.m）

1. 功能定位

作为粒子群算法的核心评价单元，该模块负责对每一个粒子（对应一种配电网拓扑方案）进行性能评估，输出量化的适应度值，为算法迭代提供优化方向。

2. 关键处理流程

• 数据初始化与拓扑映射：加载IEEE33节点系统的基础参数（支路电阻、电抗、节点注入功率、电压初始值等），并根据输入的粒子编码（开关状态组合），筛选出当前拓扑下的有效支路，排除需断开的环网支路，确保网架为放射型结构。
• 分布式电源（DG）功率注入：根据预设的DG接入位置（如节点30、14、17）和实时功率值，动态调整对应节点的注入有功与无功功率（功率因数按0.9计算），模拟含DG的配电网运行场景。
• 潮流计算引擎：
• 构建节点导纳矩阵（Y矩阵），基于支路参数计算各节点间的导纳关系，为潮流分析奠定基础；
• 支持PQ节点、PV节点、PQ(V)节点及PI节点的差异化处理，通过迭代修正节点电压幅值与相位，满足不同类型节点的运行约束；
• 采用牛顿-拉夫逊法思想，通过构建雅克比矩阵、求解修正方程，逐步减小功率不平衡量，直至收敛（迭代次数不超过5次，误差精度控制在0.0001）。
• 适应度函数构建：综合考虑网损与电压偏差两个优化目标，采用加权求和方式构建适应度函数：
• 网损计算：基于节点电压与导纳矩阵，通过功率平衡关系推导系统总损耗，并进行量纲统一；
• 电压偏差计算：统计所有节点电压与标准值（1.0 pu）的绝对偏差，同时对超出电压允许范围（0.9~1.05 pu）的节点进行惩罚性加权；
• 最终适应度值通过对网损与电压偏差进行归一化处理后加权得到，确保两个优化目标均衡优化。

（二）主控制模块（main.m）

1. 功能定位

作为系统的“中枢神经”，该模块负责统筹粒子群算法的全流程运行，包括参数初始化、种群迭代优化、最优解更新及结果输出，是连接各功能模块的核心纽带。

2. 关键处理流程

• 算法参数配置：设置粒子群算法的核心参数，包括种群规模（粒子数量）、最大迭代次数、搜索空间维数（对应环网支路分组数量）、惯性权重（wmax=0.9，wmin=0.4）及学习因子（认知因子c1、社会因子c2），并通过动态调整惯性权重与学习因子，平衡算法的全局探索与局部收敛能力。
• 种群初始化：在预设的开关状态范围内，随机生成初始种群（每个粒子对应一组环网支路断开方案），确保初始解的多样性，避免算法陷入局部最优。
• 迭代优化循环：
• 个体与全局最优解更新：对每个粒子，调用适应度计算模块获取性能评分，若当前粒子性能优于其历史最优（pbest），则更新pbest；若种群中存在性能更优的粒子，则更新全局最优（gbest）；
• 粒子位置与速度更新：基于PSO算法公式，结合惯性权重、学习因子及当前最优解，调整粒子的搜索速度与位置，同时对超出边界的粒子进行约束处理（位置重置+速度反向），确保搜索在有效范围内进行；
• 收敛过程记录：实时记录每次迭代的全局最优适应度值，为后续收敛曲线绘制提供数据支持。
• 结果输出与可视化准备：迭代结束后，输出最优拓扑对应的断开开关组合，并调用潮流分析模块，分别计算重构前、后的网损、节点电压及线路功率，为结果对比提供基准数据。

（三）重构后潮流分析模块（powerieeetest.m）

1. 功能定位

针对粒子群算法得到的最优重构方案，进行详细的潮流分析与性能评估，输出重构后的关键运行指标，作为优化效果的直接体现。

2. 关键处理流程

该模块的核心逻辑与适应度计算模块中的潮流计算引擎一致，但增加了结果输出的完整性：

• 除计算系统总网损、节点电压幅值与相位外，额外输出各支路的功率流向与幅值，清晰展示重构后系统的功率分布状态；
• 输出平衡节点（节点1）的功率值，反映系统的整体功率平衡情况；
• 所有计算结果均进行量纲统一与格式整理，确保与重构前的基准数据具有可比性。

（四）重构前基准潮流计算模块（powerieeetestb.m）

1. 功能定位

提供配电网重构前的基准运行数据，作为优化效果评估的参照系，通过与重构后数据对比，直观体现重构方案的优化价值。

2. 关键处理流程

• 加载IEEE33节点系统的原始拓扑（默认闭合所有基础支路，断开预设环网支路），不包含任何重构优化；
• 采用与重构后潮流分析模块相同的计算逻辑，确保基准数据与优化后数据的计算口径一致；
• 输出重构前的系统网损、节点电压分布及线路功率，为后续的“重构前-后”对比分析提供数据支撑。

三、系统核心特性

（一）多目标优化能力

系统通过加权求和的适应度函数，同时兼顾网损与电压偏差两个目标，避免单一目标优化导致的系统性能失衡。例如，在适应度计算中，网损与电压偏差的权重各占50%，并对超压/欠压节点进行额外惩罚，确保优化结果满足实际运行约束。

（二）灵活的DG接入支持

模块支持动态配置DG的接入位置与功率，通过全局变量传递DG参数，可快速适配不同DG渗透率、不同接入节点的场景，为含分布式电源的配电网重构提供灵活的分析工具。

（三）严格的拓扑约束保障

在拓扑映射环节，通过筛选有效支路、排除环网支路，确保每一个待评估的拓扑方案均满足配电网“放射型”结构要求，避免出现闭环运行导致的潮流异常，保证优化结果的工程实用性。

（四）完善的结果对比体系

系统不仅输出重构后的最优方案，还通过基准潮流计算模块提供重构前的运行数据，并支持绘制电压幅值对比曲线、线路功率对比曲线及算法收敛曲线，直观展示优化效果，为工程决策提供清晰的数据支撑。

四、典型应用场景

（一）配电网日常运行优化

在配电网正常运行期间，通过本系统定期对网络拓扑进行重构优化，可降低系统网损，减少电能浪费，同时改善末端节点电压质量，避免因电压偏低导致的用电设备故障。

（二）分布式电源接入规划

在DG接入配电网前，利用系统模拟不同DG接入位置与功率下的重构效果，可提前评估DG对系统网损、电压分布的影响，为DG的最优接入方案提供决策依据。

（三）配电网故障恢复辅助决策

当配电网发生故障导致部分支路断开时，可通过系统快速计算故障后的最优重构方案，指导开关操作，恢复非故障区域供电，缩短停电时间，提升系统供电可靠性。

五、系统运行输出

系统运行结束后，将输出以下核心结果：

1. 优化指标对比：重构前、后的系统总网损、节点电压偏差总和；
2. 拓扑方案：最优重构方案对应的断开开关编号（如Q1、Q2等分组中的特定开关）；
3. 可视化图表：
   - 粒子群算法收敛曲线：展示迭代过程中全局最优适应度值的变化趋势；
   - 节点电压对比曲线：直观对比重构前、后各节点的电压幅值；
   - 线路功率对比曲线：展示重构前、后各支路的功率分布差异。

六、总结

本系统通过模块化设计与粒子群优化算法的深度结合，实现了IEEE33节点配电网重构的全流程自动化处理。其核心价值在于：以工程实用为导向，在满足系统约束的前提下，平衡网损与电压质量两个关键指标，同时提供灵活的DG接入支持与完善的结果对比体系，可为配电网的运行优化、规划设计及故障恢复提供有力的技术支撑。