✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

一、前言

潮流计算是电力系统分析的核心内容之一，其核心目的是求解电力系统在稳态运行状态下，各节点的电压幅值、电压相角，以及各支路的功率流向和损耗，为电力系统的规划、运行和控制提供基础数据。5节点系统作为典型的小型电力系统，结构简洁且涵盖了PQ节点、PV节点和平衡节点三种典型节点类型，是学习和验证潮流计算方法的理想模型。

牛顿-拉夫逊法（简称牛拉法）和PQ分解法是工程中应用最广泛的两种潮流计算方法。牛拉法收敛速度快、精度高，适用于各种复杂电力系统；PQ分解法基于牛拉法的简化，计算量更小、效率更高，在中大型电力系统潮流计算中应用尤为广泛。本文将以5节点系统为研究对象，详细讲解两种方法的计算原理、步骤及应用对比。

二、5节点系统模型构建

2.1 系统结构及参数

5节点系统典型结构包含5个节点、6条输电线路（含变压器支路），节点类型划分如下，确保覆盖潮流计算中所有典型节点，贴合工程实际场景：

• 平衡节点（ slack 节点）：选取节点1，给定电压幅值U₁=1.05（标幺值，下同），电压相角δ₁=0°，承担系统功率平衡，补偿系统总损耗。

• PV节点：选取节点2，给定有功功率P₂=1.5，电压幅值U₂=1.03；节点3，给定有功功率P₃=1.0，电压幅值U₃=1.02，此类节点主要为发电机节点，维持有功功率和电压幅值恒定。

• PQ节点：选取节点4，给定有功功率P₄=-0.8（负号表示负荷），无功功率Q₄=-0.4；节点5，给定有功功率P₅=-1.2，无功功率Q₅=-0.6，此类节点主要为负荷节点，有功、无功功率均给定。

2.2 节点导纳矩阵构建

节点导纳矩阵Y是潮流计算的核心基础，其元素Y_ij表示节点i与节点j之间的导纳，对角线元素Y_ii（自导纳）为所有连接到节点i的支路导纳之和，非对角线元素Y_ij（互导纳）为节点i与节点j之间支路导纳的负值（无直接连接时为0）。

导纳计算公式：对于交流支路，导纳y = 1/(R + jX)，电纳B为支路对地电纳，自导纳需叠加节点对地电纳。根据上述支路参数，构建5节点系统的节点导纳矩阵（复数形式，单位：S）如下：

Y = [     [2.5 - j7.5,  -0.5 + j1.5,   0,        -0.2 + j0.6,   0      ],     [-0.5 + j1.5,  3.333 - j10,  -0.833 + j2.5, -0.667 + j2,  0      ],     [0,           -0.833 + j2.5, 1.111 - j3.333, 0,        -0.278 + j0.833],     [-0.2 + j0.6, -0.667 + j2,   0,        1.067 - j3.2,  -0.2 + j0.6  ],     [0,           0,           -0.278 + j0.833, -0.2 + j0.6,  0.478 - j1.433]     ]

节点导纳矩阵的正确性直接影响潮流计算结果，构建完成后需验证自导纳、互导纳的合理性，确保无计算错误。

三、牛顿-拉夫逊法潮流计算（5节点系统）

3.1 牛拉法核心原理

牛拉法基于泰勒级数展开，将非线性潮流方程线性化，通过迭代求解线性方程组，逐步逼近潮流方程的精确解。其核心思想是：对于非线性方程组f(x)=0，选取初始迭代值x⁽⁰⁾，将f(x)在x⁽⁰⁾处泰勒展开并忽略高阶无穷小，得到线性方程组f(x⁽⁰⁾) + J(x⁽⁰⁾)Δx = 0，求解Δx后更新x⁽¹⁾=x⁽⁰⁾+Δx，重复迭代直至Δx小于设定精度（通常取10⁻⁵~10⁻⁶），迭代收敛。

潮流计算中，待求变量为：PQ节点的电压幅值U和相角δ，PV节点的电压相角δ和无功功率Q，平衡节点的有功功率P和无功功率Q。潮流方程以节点功率平衡为核心，分为有功功率平衡方程和无功功率平衡方程，其通用形式为：

P_i = U_iΣU_j(Y_ijcosδ_ij + G_ijsinδ_ij)  （有功功率平衡）

Q_i = U_iΣU_j(Y_ijsinδ_ij - G_ijcosδ_ij)  （无功功率平衡）

其中，G_ij、B_ij分别为导纳Y_ij的实部（电导）和虚部（电纳），δ_ij=δ_i - δ_j为节点i与节点j的电压相角差。

牛拉法的迭代矩阵为雅可比矩阵J，雅可比矩阵的元素由潮流方程对各待求变量的偏导数构成，其维度为2(n-1)×2(n-1)（n为节点数），随着迭代过程不断更新。

3.2 5节点系统牛拉法计算步骤

步骤1：确定初始值

设定迭代精度ε=10⁻⁵，初始电压相角（除平衡节点外）均取0°，初始电压幅值（除平衡节点、PV节点外）均取1.0（标幺值）：

• 平衡节点（1）：U₁=1.05，δ₁=0°

• PV节点（2、3）：U₂=1.03，U₃=1.02，δ₂⁽⁰⁾=0°，δ₃⁽⁰⁾=0°

• PQ节点（4、5）：U₄⁽⁰⁾=1.0，U₅⁽⁰⁾=1.0，δ₄⁽⁰⁾=0°，δ₅⁽⁰⁾=0°

步骤2：计算节点功率偏差

根据初始电压和相角，代入功率平衡方程，计算各节点的有功功率偏差ΔP_i和无功功率偏差ΔQ_i（偏差=给定值-计算值）：

ΔP_i = P_i^set - P_i^calc （i=2,3,4,5，平衡节点P₁不参与偏差计算）

ΔQ_i = Q_i^set - Q_i^calc （i=4,5，PV节点Q₂、Q₃不参与偏差计算，平衡节点Q₁不参与）

若所有偏差的绝对值均小于ε，迭代收敛；否则进入下一步。

步骤3：构建雅可比矩阵J

根据当前迭代的电压和相角，计算雅可比矩阵的各元素，雅可比矩阵分为四个子块，对应ΔP、ΔQ与δ、U的偏导数：

J = [     [∂ΔP/∂δ,  ∂ΔP/∂U/U],     [∂ΔQ/∂δ,  ∂ΔQ/∂U/U]     ]

其中，各子块元素的计算遵循潮流方程的偏导数公式，例如∂P_i/∂δ_j = -U_iU_jB_ij（i≠j），∂P_i/∂δ_i = U_i²B_ii + ΣU_iU_jB_ij（j≠i）等，需结合节点导纳矩阵逐元素计算。

步骤4：求解修正量Δx

构建线性方程组J·Δx = -ΔF（ΔF为偏差向量，包含ΔP、ΔQ），求解得到待求变量的修正量Δδ、ΔU/U，其中：

Δx = [Δδ₂, Δδ₃, Δδ₄, Δδ₅, ΔU₄/U₄, ΔU₅/U₅]^T

ΔF = [ΔP₂, ΔP₃, ΔP₄, ΔP₅, ΔQ₄, ΔQ₅]^T

步骤5：更新待求变量

根据修正量更新各节点的电压相角和幅值：

δ_i⁽ᵏ⁺¹⁾ = δ_i⁽ᵏ⁾ + Δδ_i （i=2,3,4,5）

U_i⁽ᵏ⁺¹⁾ = U_i⁽ᵏ⁾(1 + ΔU_i/U_i) （i=4,5）

PV节点的电压幅值保持不变，仅更新相角；平衡节点的电压和相角保持不变。

步骤6：迭代收敛判断

重复步骤2-5，直至所有节点的功率偏差绝对值均小于设定精度ε，此时得到的电压、相角即为潮流计算的精确解，再根据解计算各支路的功率流向和系统损耗。

3.3 5节点系统牛拉法计算结果（示例）

经过3-4次迭代后，牛拉法收敛，得到各节点的电压和功率结果（标幺值）如下：

• 节点电压：U₁=1.05∠0°，U₂=1.03∠2.85°，U₃=1.02∠1.92°，U₄=0.98∠-0.76°，U₅=0.97∠-1.23°

• 节点功率：Q₂=0.32，Q₃=0.21，P₁=2.53，Q₁=0.58（平衡节点补充功率）

• 系统总损耗：ΔP=0.03，ΔQ=0.11

牛拉法收敛速度快，精度高，迭代次数少，适用于5节点这类小型系统，也可轻松扩展至大型复杂系统。

四、PQ分解法潮流计算（5节点系统）

4.1 PQ分解法核心原理

PQ分解法是牛拉法的简化形式，其核心基于电力系统的两个基本假设，简化雅可比矩阵，降低计算量：

1. 假设节点电压相角差较小（通常小于10°），则cosδ_ij≈1，sinδ_ij≈δ_ij（弧度），且U_i≈U_j≈1（标幺值），可忽略电压幅值变化对有功功率的影响、相角变化对无功功率的影响。

2. 假设电导G_ij远小于电纳B_ij，即G_ij≈0，可忽略电导的影响，仅考虑电纳的作用。

基于上述假设，雅可比矩阵可分解为两个独立的子矩阵：B'（有功功率对应的电纳矩阵）和B''（无功功率对应的电纳矩阵），且B'≈B''≈节点导纳矩阵的虚部（电纳矩阵），无需每次迭代更新雅可比矩阵，仅需一次性构建B'和B''，大幅简化计算。

PQ分解法的迭代公式简化为：

Δδ = -B'⁻¹·ΔP/U

ΔU = -B''⁻¹·ΔQ/U

其中，ΔP为有功功率偏差向量，ΔQ为无功功率偏差向量，U为节点电压幅值向量，B'、B''均为对称稀疏矩阵，求解效率远高于牛拉法的雅可比矩阵。

4.2 5节点系统PQ分解法计算步骤

步骤1：确定初始值与精度

与牛拉法一致，设定迭代精度ε=10⁻⁵，初始电压相角（除平衡节点外）均取0°，初始电压幅值（除平衡节点、PV节点外）均取1.0，节点类型及给定值不变。

步骤2：构建电纳矩阵B'和B''

根据节点导纳矩阵的虚部（B_ij），构建B'和B''矩阵（5节点系统中，B'=B''，均为5×5矩阵，平衡节点对应行和列需剔除，得到4×4的B'和2×2的B''，分别对应有功和无功迭代）：

B'（剔除平衡节点1后，4×4）= [     [-10, 2.5, 2, 0],     [2.5, -3.333, 0, 0.833],     [2, 0, -3.2, 0.6],     [0, 0.833, 0.6, -1.433]     ]

B''（剔除平衡节点1、PV节点2、3后，2×2）= [     [-3.2, 0.6],     [0.6, -1.433]     ]

步骤3：有功功率迭代（求解相角δ）

1. 根据当前电压幅值和初始相角，计算各节点有功功率偏差ΔP_i（i=2,3,4,5）。

2. 求解线性方程组B'·Δδ = -ΔP/U（U取当前迭代的电压幅值，初始为1.0），得到相角修正量Δδ。

3. 更新各节点相角δ_i⁽ᵏ⁺¹⁾ = δ_i⁽ᵏ⁾ + Δδ_i，重复此过程直至ΔP_i的绝对值均小于ε，有功迭代收敛。

步骤4：无功功率迭代（求解电压幅值U）

1. 根据有功迭代收敛后的相角，计算各PQ节点的无功功率偏差ΔQ_i（i=4,5）。

2. 求解线性方程组B''·ΔU = -ΔQ/U，得到电压幅值修正量ΔU。

3. 更新PQ节点的电压幅值U_i⁽ᵏ⁺¹⁾ = U_i⁽ᵏ⁾ + ΔU_i，PV节点电压幅值保持不变，重复此过程直至ΔQ_i的绝对值均小于ε，无功迭代收敛。

步骤5：整体收敛判断

交替进行有功迭代和无功迭代，直至有功功率偏差和无功功率偏差均满足精度要求，此时迭代收敛，得到最终的节点电压、相角及功率结果。

4.3 5节点系统PQ分解法计算结果（示例）

PQ分解法迭代次数略多于牛拉法（通常5-8次），收敛后结果与牛拉法精度接近（误差在ε范围内），示例结果如下（标幺值）：

• 节点电压：U₁=1.05∠0°，U₂=1.03∠2.83°，U₃=1.02∠1.90°，U₄=0.98∠-0.75°，U₅=0.97∠-1.22°

• 节点功率：Q₂=0.31，Q₃=0.20，P₁=2.52，Q₁=0.57

• 系统总损耗：ΔP=0.02，ΔQ=0.10

PQ分解法计算量小、占用内存少，迭代过程简单，适合中大型电力系统潮流计算，在工程中应用更为广泛。

五、结论

本文以5节点电力系统为研究对象，详细阐述了牛拉法和PQ分解法的潮流计算原理、步骤及应用结果。牛拉法凭借收敛速度快、精度高的优势，适合对计算精度要求高的小型系统；PQ分解法通过合理近似简化计算，计算量小、效率高，更适合中大型电力系统的工程应用。

对于5节点这类小型系统，两种方法均能得到满足工程要求的结果，牛拉法的迭代优势更为明显；而在实际工程中，PQ分解法因效率优势，成为潮流计算的主流方法。此外，两种方法的计算结果均依赖于节点导纳矩阵的正确性和初始值的合理性，合理设定初始值可加快迭代收敛速度，减少迭代次数。

通过5节点系统的实例计算，可清晰掌握两种潮流计算方法的核心逻辑，为后续复杂电力系统潮流分析、优化控制奠定基础。

⛳️ 运行结果

🔗 参考文献

[1] 汪勇.电力系统脆弱性评估及分布式电源优化配置[D].南昌航空大学[2026-04-18].

[2] 阮驰骋.基于宇宙大爆炸算法的孤岛微电网潮流计算[D].湖南大学,2017.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇