與參數調優(yōu))
做配電網規(guī)劃、分布式電源接入研究或者微電網優(yōu)化方向的朋友對“分布式電源選址定容”這個詞應該都不陌生。簡單說就是在一個配電網里哪里裝光伏/風電/儲能、每個位置裝多大容量能達到網損最小、電壓質量最好、投資最省這幾個目標的最優(yōu)平衡。這個問題做過的都知道麻煩在它是典型的多目標組合優(yōu)化目標和目標之間互相打架——投資少了電壓可能不行電壓好了網損又上來了而且變量稍微多一點搜索空間就是指數級膨脹。NSGA2非支配排序遺傳算法第二代正是解決這類問題的經典工具。這篇博文結合一套可運行的MATLAB程序從數學建模、NSGA2原理到程序框架、參數整定和常見坑把“分布式電源選址定容”這個問題從頭到尾講一遍。適合正在寫論文需要算法基線的研究生也適合剛接觸配電網優(yōu)化、想在MATLAB里快速跑通一個可擴展程序的工程師。1. 問題建模先把選址定容寫成計算機能算的數學形式1.1 這個問題的本質是什么選址定容說白了就是兩件事定“在哪裝”和“裝多大”。在數學上這是一個混合整數非線性規(guī)劃問題MINLP。位置變量是離散的比如IEEE 33節(jié)點系統(tǒng)有33個節(jié)點你只能選其中若干節(jié)點接入容量變量可以取連續(xù)值也可以按變壓器的標準容量等級離散化。難在哪三個層面首先目標函數是潮流計算結果的高度非線性函數。你把DG功率注入節(jié)點后全網各支路的潮流重新分布有功損耗變化不是簡單的線性疊加電壓分布也牽一發(fā)動全身。其次約束條件多且相互耦合潮流等式約束實際上是一大堆非線性方程。最后多個目標之間往往存在沖突不存在一個萬能的解只存在一組“帕累托最優(yōu)解集”——你沒法在不犧牲某個目標的前提下讓所有目標同時變得更好。我在實際項目里最常用的測試算例是IEEE 33節(jié)點配電網10kV輻射網基準容量10MVA基準電壓12.66kV。備選安裝節(jié)點一般取15到20個容量檔位按50kVA、100kVA、200kVA、300kVA、500kVA幾檔離散。這樣組合規(guī)模就已經是天文數字了所以必須上啟發(fā)式算法這也是NSGA2在這里的價值所在。1.2 目標函數和約束條件怎么寫以我常用的三目標模型為例你可以根據自己需求增刪目標1有功網損最小化$$ f_1 \sum_{ij \in \Omega_b} G_{ij}(V_i^2 V_j^2 - 2V_i V_j \cos\theta_{ij}) $$這個公式看起來長其實意思就是配電網里每一條支路由于電流流過電阻產生的焦耳損耗加起來就是網絡總損耗。網損率通常在5%~10%之間DG接入位置、容量如果合適能顯著減少潮流在長線路上的輸送距離網損就能降下來。目標2電壓偏差最小化$$ f_2 \sum_{i1}^{N} \left| \frac{V_i - V_{ref}}{V_{ref}} \right| $$配電線路末端電壓偏低是常規(guī)電網的老毛病DG接入如果位置合理可以起到局部電壓支撐的作用。為什么不用最大電壓偏差而用總偏差因為作為優(yōu)化目標可導、平滑、包含全局信息算法搜索時更容易比較兩個解的優(yōu)劣。目標3年綜合費用最小化$$ f_3 C_{inv} \cdot \frac{r(1r)^n}{(1r)^n - 1} C_{OM} C_{loss} $$這個公式是設備全壽命周期的等年值法。$C_{inv}$是設備總投資$r$是折現(xiàn)率通常取8%$n$是設備壽命光伏取20年、風機取20年、儲能取10年等號右邊第一項把一次性投資折算成每年的成本再加上年運行維護費用和年網損費用。這樣三個目標的單位不一致也沒關系NSGA2做非支配排序不依賴量綱統(tǒng)一這是它比加權法省心的地方。約束條件包括潮流等式約束即各節(jié)點的有功、無功功率平衡方程這是硬約束潮流不收斂的方案直接放棄節(jié)點電壓上下限工業(yè)上一般取0.93~1.07p.u.研究場景可以放寬到0.95~1.05p.u.支路電流不越限保證線路不發(fā)熱過載DG安裝總容量不超過系統(tǒng)最大負荷的一定比例通常取20%~30%防止倒送功率過大單個節(jié)點的DG容量不超過該節(jié)點負荷的某個倍數提示約束條件的處理方式直接影響算法效率。在NSGA2框架里最好用“罰函數法”把越限程度加到目標上而不是簡單丟棄個體——否則種群中可行解太少算法很容易陷入局部最優(yōu)。2. NSGA2核心機制為什么它適合這種多目標問題2.1 從帕累托支配說起先說一個關鍵概念帕累托支配。假設解A和解B如果A在所有目標上都不比B差而且在至少一個目標上嚴格優(yōu)于B那么就說“A支配B”。如果一組解之間互不支配它們就構成了帕累托前沿Pareto front。舉個例子目標函數只有兩個網損$f_1$和投資費用$f_3$。方案A網損小但投資高方案B投資低但網損大那A和B互不支配都在前沿上方案C網損和投資都比A差C就被A支配了搜索過程中應該被淘汰。為什么不能用傳統(tǒng)遺傳算法直接跑因為單目標GA需要把多個目標加權合并成一個適應度值。問題在于權重的選擇非常主觀而且對于帕累托前沿是凹集的問題加權法根本找不到凹區(qū)間的解會漏掉很大一塊有意義的折中方案。NSGA2一次運行就能得到整條帕累托前沿決策者事后根據偏好挑方案這才是工程上合理的邏輯。2.2 三個核心算子怎么協(xié)同工作NSGA2相比第一代NSGA改進了三處每一處都值得理解快速非支配排序。每一代都要給種群里的每個個體分層第一層是不被任何其他個體支配的個體第二層是去掉第一層后剩下的個體里不被支配的依此類推。這個排序算法的復雜度是$O(MN^2)$$M$是目標數$N$是種群規(guī)模。只要種群不設得過于夸張比如超過500MATLAB跑起來完全沒有壓力。擁擠度距離。同一層的個體之間怎么區(qū)分好壞看它周圍擠不擠。把同一層個體按照某個目標函數排序計算相鄰個體在每個目標上的歸一化距離之和。擁擠度大的個體說明周圍解稀疏優(yōu)先保留這樣能讓解集均勻鋪滿整條前沿而不是扎堆在某一段。精英保留策略。每一代把父代和子代合并成一個2N大小的臨時種群排序后只取前N個。這樣做的好處是每代最好的解不會被交叉變異破壞掉——即使子代整體變差父代中的優(yōu)秀個體也能保底進入下一代。這也是NSGA2比很多早期多目標算法穩(wěn)定、不容易“退化”的核心原因。2.3 遺傳算子交叉和變異在連續(xù)/離散變量上怎么用標準NSGA2用模擬二進制交叉SBX和多項式變異。SBX的特點是子代在父代附近且有一定概率遠離搜索分布比較合理。對選址這種離散變量直接把實數結果取整即可對定容這類連續(xù)/離散混合變量我習慣把個體編碼成兩段前段是安裝位置編號后段是容量檔位編號交叉變異時對兩段分別操作。這里有一個很實際的坑要提醒你如果對“位置編號”這段直接做SBX交叉兩個相鄰整數之間做插值后取整結果大概率會跳到中間節(jié)點上這本身沒問題但如果兩個位置編號跨度大SBX會過度放大探索破壞多樣性。所以我對離散段改用“均勻交叉”即每個位置以0.5概率從父代A、0.5概率從父代B取值。容量檔位段用單點交叉變異用隨機置換。實踐證明混合編碼用混合算子收斂速度比一刀切好很多。3. MATLAB程序整體框架從函數分工到核心代碼3.1 程序模塊怎么拆一套能跑通且便于二次開發(fā)的MATLAB程序我建議至少拆成以下幾個文件main_nsga2_dg.m主程序入口定義系統(tǒng)參數、算法參數、循環(huán)調用init_pop.m初始化種群evaluate_obj.m對每個個體做潮流計算返回三個目標函數值powerflow_dist.m前推回代法配電網潮流計算fast_nondominated_sort.m快速非支配排序crowding_distance.m擁擠度計算selection_crossover_mutation.m選擇、交叉、變異入口plot_pareto.m繪制帕累托前沿模塊化的意義在于你后續(xù)換算例、換目標函數、換算法比如改成NSGA3、SPEA2只需要動對應的單一函數不至于改一處崩一片。3.2 個體編碼與種群初始化我的個體編碼是定長實數向量長度為 $2N_{max}$其中前 $N_{max}$ 個變量是安裝節(jié)點編號后 $N_{max}$ 個變量是容量檔位編號。注意$N_{max}$ 是預設的最大DG安裝個數上限比如5個實際方案允許少于上限這時候用編號0表示“該位置為空”。初始化時要注意純隨機生成會導致大量個體不滿足總容量滲透率約束算法前期大量算力花在淘汰不可行解上。我的做法初始化時先隨機生成節(jié)點和容量然后檢查滲透率約束不滿足就對容量逐個削減直到滿足為止。這樣種群起步就是可行解收斂速度快很多。3.3 潮流計算前推回代法的嵌入配電網大多是輻射狀結構前推回代法比牛頓-拉夫遜法好用得多——不用求雅可比矩陣內存占用小只要網絡拓撲不變穩(wěn)定性很高。做優(yōu)化算法時每個個體都要算一次網絡潮流計算速度直接決定整個程序能不能在可接受時間內跑完所以這一步要盡量高效。簡化版的潮流計算思路function [loss, vdev] powerflow_dist(branch, load, Vg, Dg_Node, Dg_P, Dg_Q) % branch: [from, to, R, X] % load: 各節(jié)點有功、無功負荷 % Dg_Node: DG接入的節(jié)點編號向量 % Dg_P / Dg_Q: DG注入的有功、無功 nbus length(load); V ones(nbus, 1); % 構建節(jié)點順序表從根節(jié)點到末端節(jié)點、從末端回推到根節(jié)點 % 前推從末端節(jié)點開始累加支路功率 % 回代從根節(jié)點開始計算各節(jié)點電壓 % 迭代直到電壓偏差小于閾值 end如果你沒做過不要一上來就自己寫潮流MATLAB的Matpower工具箱里帶runpf可以直接算潮流。把潮流算子替換成Matpower目標函數計算部分就變成一個簡單的接口調用。缺點是每次調用要解析輸入結構批量計算時會慢一些優(yōu)點是代碼幾乎不會出錯驗證方便。我前幾個版本都是先用Matpower驗證模型正確性確認無誤后再把前推回代法寫進去提速。3.4 NSGA2主循環(huán)的代碼骨架這里是整個程序的核心遞進邏輯% 初始參數 pop_size 100; max_gen 200; pc 0.9; % 交叉概率 pm 0.1; % 變異概率 n_var 2 * N_max; % 初始化種群 population init_pop(pop_size, n_var, sysdata); % 主迭代 for gen 1:max_gen % 計算目標函數 obj zeros(pop_size, 3); for i 1:pop_size obj(i, :) evaluate_obj(population(i, :), sysdata); end % 非支配排序 擁擠度 [rank, crowd] fast_nondominated_sort(obj); [rank, crowd] sort_by_rank_and_crowding(rank, crowd); % 生成子代 offspring selection_crossover_mutation(... population, rank, crowd, pc, pm); % 合并父代和子代重新排序選前 pop_size 個作為下一代 combined_pop [population; offspring]; combined_obj zeros(size(combined_pop, 1), 3); for i 1:size(combined_pop, 1) combined_obj(i, :) evaluate_obj(combined_pop(i, :), sysdata); end [rank2, crowd2] fast_nondominated_sort(combined_obj); % 截斷選擇 next_gen truncate(population, rank2, crowd2, pop_size); population next_gen; % 記錄當前代的最優(yōu)前沿 pareto_front{gen} population(rank2 1, :); end這段代碼里的evaluate_obj是整個程序的開銷大頭。優(yōu)化思路有兩個方向一是用并行計算工具箱的parfor替代循環(huán)算目標函數二是對潮流計算做向量化批處理。如果你只在單機跑parfor是最簡單的提速手段改成并行后速度提升幾乎是線性的。注意fast_nondominated_sort在MATLAB里要小心用循環(huán)嵌套很容易寫出$O(MN^3)$的低效版本。標準實現(xiàn)里用“支配計數”數組記錄每個個體被誰支配、支配了幾個一個雙層循環(huán)就夠了。4. 參數設置與整定這些參數值我是怎么調出來的4.1 關鍵參數推薦范圍NSGA2不是那種“參數一設錯結果全崩”的算法但參數不合適會明顯影響收斂速度和前沿質量。下面是我在多個算例上驗證過的推薦范圍參數推薦范圍說明種群規(guī)模80~150節(jié)點數越多、目標數越多取越大33節(jié)點系統(tǒng)100就夠最大進化代數150~300看收斂曲線前沿不再變化時再停交叉概率0.85~0.95高交叉保持搜索能力變異概率0.05~0.15太大破壞良好模式太小會早熟分布指數SBX15~25控制子代離父代遠近分布指數多項式變異15~20控制變異步長怎么判斷當前參數是否合適我最常用的方法是跑完看帕累托前沿圖前沿如果是一條光滑、均勻分布的弧線說明收斂得不錯前沿斷成一坨一坨或者擠在某個角落說明種群多樣性有問題優(yōu)先加大變異概率、增大種群規(guī)模而不是盲目加代數。4.2 收斂判據怎么做看進化曲線有個很實用的經驗方法每10代記錄一次當前最優(yōu)前沿的目標值把每一代的最優(yōu)網損畫成曲線。曲線前期快速下降后期走平說明參數基本靠譜。如果曲線仍然劇烈波動大概率是變異概率太大或者種群沒合并好導致父代最優(yōu)解丟失。用種群二代間的HV超體積指標差值來判斷更嚴格。HV指標在MATLAB里沒有現(xiàn)成函數但計算邏輯不復雜以參考點可以用所有目標分別取最大值構成為頂點計算前沿上所有解與參考點之間構成的超體積。每一代HV單調遞增是正?，F(xiàn)象連續(xù)20代HV變化小于0.1%我就認為算法收斂了。這個做法比拍腦袋定代數靠譜得多。4.3 最終解怎么從帕累托前沿里挑跑完NSGA2你得到的不是單個解而是一組解。挑哪個取決于你實際訴求。三個常用方法模糊隸屬度法對每個前沿解計算所有目標的綜合滿意度取滿意度最大的方案。這個方法指標均衡適合寫論文當“推薦方案”。最小距離法把每個目標歸一化后選距離理想點各目標分別取最優(yōu)值組成的點歐氏距離最近的那個解。直觀、容易解釋。偏重某個目標比如工程預算緊張就可以在前沿中篩選投資費用最小的幾個解再看網損和電壓偏差能不能接受。實操心得論文里畫帕累托前沿圖時最好把“推薦方案”在圖上額外用顯眼的標記點標出來再附一張它對應的DG接入位置和容量表。評審和讀者一眼就能看出你的程序確實解決了問題而不是只扔出一堆抽象的點。5. 結果分析與方案解讀從散點圖到工程結論5.1 帕累托前沿長什么樣、怎么解讀用IEEE 33節(jié)點系統(tǒng)跑200代、種群100典型的雙目標結果這樣分布橫軸是年綜合費用萬元/年縱軸是有功網損kW。前沿從左下角到右上角呈單調遞增的L形弧線。左下角的點網損低但投資高右上角的點投資低但網損高中間有一片“性價比”比較高的區(qū)域。我自己的經驗最優(yōu)網損點往往是把DG布置在遠離根節(jié)點的線路中后段比如節(jié)點17、18、32、33這些末端附近因為這能顯著減小末端長線路的輸送電流而投資最小的方案傾向于只在負荷最重、電壓最低的幾個節(jié)點裝小容量機組起到“四兩撥千斤”的作用。這兩個結論在工程上也說得通寫報告時可以結合網絡拓撲展開解釋。5.2 多目標結果與單目標加權結果的對比一個值得在論文里展現(xiàn)的對比實驗把三個目標按0.4、0.3、0.3加權合成單目標用普通遺傳算法跑同樣的代數再把最優(yōu)解放回帕累托坐標里看它落在哪。大部分情況下加權法的解只落在帕累托前沿的某個局部——因為權重固定它永遠只搜索一個方向。而NSGA2得到的整條前沿能告訴你如果在某個方向稍微讓步另一個方向能改善多少這個“權衡信息”是決策者最需要的。我曾在一個實際算例里把加權法的“最優(yōu)解”和NSGA2前沿上的點做了對比加權法給出的方案在某目標上略優(yōu)但另一個目標差了將近20%。做工程決策時這種隱性代價很致命。5.3 不同DG類型和不同滲透率的影響如果DG類型改成光伏還要考慮其出力的隨機性和時序性如果改成儲能則還要增加充放電策略的優(yōu)化維度問題會復雜很多。同一套程序框架下最簡單的變體是設定一個“日等效出力系數”比如光伏取0.18、風機取0.28把DG的有功出力和無功出力按典型運行方式折算成“等效恒定功率”來處理。這樣做雖然簡化了時序特性但作為規(guī)劃階段的研究是夠用的。滲透率這個參數的影響值得單獨分析把DG總容量上限從15%逐步提高到40%前沿會整體向“低網損”方向移動但當滲透率超過某個值后網損改善的邊際收益驟降甚至可能出現(xiàn)末端電壓過高的現(xiàn)象因為DG出力大于本地負荷后會倒送功率。這能幫你判斷這個算例系統(tǒng)能承載多少DG寫結論時是一個很有說服力的數據。6. 常見問題與排查技巧實錄6.1 MATLAB環(huán)境中常見的程序運行問題在使用這套程序的過程中我踩過不少坑最典型的幾種整理成速查表現(xiàn)象直接原因解決方案程序報錯“Matrix dimensions must agree”目標函數向量維度不對通常是evaluate_obj返回的行向量和obj矩陣拼接出錯單步調試時打印size(obj)確認每個個體返回1行3列的向量前推回代潮流迭代不收斂負荷單位kW/MW和基準值不一致DG容量遠大于節(jié)點負荷先檢查全系統(tǒng)總負荷與基準容量是否匹配檢查DG注入功率是否超過該節(jié)點負荷數倍帕累托前沿擠成一團擁擠度計算標準差為零或參考點設置不合理目標值做歸一化處理檢查初始化種群是否過窄可用Sobol序列代替純隨機初始化迭代后期前沿停止演化種群早熟變異概率過低加大變異概率可設自適應的變異概率或引入一小部分隨機重初始化個體中文注釋顯示亂碼MATLAB讀取UTF-8編碼文件時默認按GBK解析統(tǒng)一用英文注釋或者重新設置編輯器編碼為UTF-8中文注釋亂碼這個問題搞MATLAB的基本都遇到過。最省心的做法是程序核心代碼全部用英文注釋算法思路、公式推導、結論放到博文或者文檔里用中文寫。實驗程序是給自己看的注釋只要能觸發(fā)記憶就行不必追求中文界面化。6.2 算法層面NSGA2結果不穩(wěn)定怎么辦同一套參數跑兩次結果不一樣這是啟發(fā)式算法的正常特性因為初始化種群是隨機的。要降低方差固定隨機種子rng(42)放在主程序開頭確保可復現(xiàn)性多次獨立運行取統(tǒng)計結果而不是單次結果每次運行結束后把最優(yōu)個體保存到.mat文件方便復跑對比但要注意固定隨機種子雖然能復現(xiàn)結果也容易掩蓋算法的不穩(wěn)定性。寫論文或出報告時建議至少跑10次獨立實驗報告均值和標準差審稿人更看重這個。6.3 給新手的幾個上手建議第一跑通例子最重要。網上有不少開源的IEEE 33節(jié)點配電網數據先拿標準算例把程序跑通畫出一張像樣的帕累托前沿圖再去做改動。第二改模型時一次只改一個地方。我見過很多同學把目標函數、約束條件、算法參數同時改了三處結果程序出問題后根本不知道是什么改崩的。第三不要只是下載代碼然后跑完就結束把核心的fast_nondominated_sort和evaluate_obj自己手寫一遍哪怕寫得不夠高效至少能保證你真懂算法——答辯或者寫論文時被問到細節(jié)答不上來比代碼寫不出來更尷尬。另外提一句環(huán)境問題MATLAB程序本身不需要額外工具箱就能運行只要有一個基礎版本即可學校或單位提供的授權版本就足夠了。別在網上找什么破解資源ESSearch風險大不說還容易下到捆綁木馬完全得不償失。最后再分享一個我自己的習慣。做這類優(yōu)化項目我一般不會等到全部代碼寫完才驗證結果而是先把目標函數單獨測試——給定一個已知合理的DG接入方案看計算出的網損、電壓是否在合理范圍內再接入NSGA2主循環(huán)。目標函數有問題而算法再正確最終也是一堆沒有意義的漂亮曲線。真正花時間把數學模型和物理背景吃透程序寫起來其實很快。 NSGA2求解分布式電源選址定容：建模、實現(xiàn)與參數調優(yōu)
做配電網規(guī)劃、分布式電源接入研究或者微電網優(yōu)化方向的朋友對“分布式電源選址定容”這個詞應該都不陌生。簡單說就是在一個配電網里哪里裝光伏/風電/儲能、每個位置裝多大容量能達到網損最小、電壓質量最好、投資最省這幾個目標的最優(yōu)平衡。這個問題做過的都知道麻煩在它是典型的多目標組合優(yōu)化目標和目標之間互相打架——投資少了電壓可能不行電壓好了網損又上來了而且變量稍微多一點搜索空間就是指數級膨脹。NSGA2非支配排序遺傳算法第二代正是解決這類問題的經典工具。這篇博文結合一套可運行的MATLAB程序從數學建模、NSGA2原理到程序框架、參數整定和常見坑把“分布式電源選址定容”這個問題從頭到尾講一遍。適合正在寫論文需要算法基線的研究生也適合剛接觸配電網優(yōu)化、想在MATLAB里快速跑通一個可擴展程序的工程師。1. 問題建模先把選址定容寫成計算機能算的數學形式1.1 這個問題的本質是什么選址定容說白了就是兩件事定“在哪裝”和“裝多大”。在數學上這是一個混合整數非線性規(guī)劃問題MINLP。位置變量是離散的比如IEEE 33節(jié)點系統(tǒng)有33個節(jié)點你只能選其中若干節(jié)點接入容量變量可以取連續(xù)值也可以按變壓器的標準容量等級離散化。難在哪三個層面首先目標函數是潮流計算結果的高度非線性函數。你把DG功率注入節(jié)點后全網各支路的潮流重新分布有功損耗變化不是簡單的線性疊加電壓分布也牽一發(fā)動全身。其次約束條件多且相互耦合潮流等式約束實際上是一大堆非線性方程。最后多個目標之間往往存在沖突不存在一個萬能的解只存在一組“帕累托最優(yōu)解集”——你沒法在不犧牲某個目標的前提下讓所有目標同時變得更好。我在實際項目里最常用的測試算例是IEEE 33節(jié)點配電網10kV輻射網基準容量10MVA基準電壓12.66kV。備選安裝節(jié)點一般取15到20個容量檔位按50kVA、100kVA、200kVA、300kVA、500kVA幾檔離散。這樣組合規(guī)模就已經是天文數字了所以必須上啟發(fā)式算法這也是NSGA2在這里的價值所在。1.2 目標函數和約束條件怎么寫以我常用的三目標模型為例你可以根據自己需求增刪目標1有功網損最小化$$ f_1 \sum_{ij \in \Omega_b} G_{ij}(V_i^2 V_j^2 - 2V_i V_j \cos\theta_{ij}) $$這個公式看起來長其實意思就是配電網里每一條支路由于電流流過電阻產生的焦耳損耗加起來就是網絡總損耗。網損率通常在5%~10%之間DG接入位置、容量如果合適能顯著減少潮流在長線路上的輸送距離網損就能降下來。目標2電壓偏差最小化$$ f_2 \sum_{i1}^{N} \left| \frac{V_i - V_{ref}}{V_{ref}} \right| $$配電線路末端電壓偏低是常規(guī)電網的老毛病DG接入如果位置合理可以起到局部電壓支撐的作用。為什么不用最大電壓偏差而用總偏差因為作為優(yōu)化目標可導、平滑、包含全局信息算法搜索時更容易比較兩個解的優(yōu)劣。目標3年綜合費用最小化$$ f_3 C_{inv} \cdot \frac{r(1r)^n}{(1r)^n - 1} C_{OM} C_{loss} $$這個公式是設備全壽命周期的等年值法。$C_{inv}$是設備總投資$r$是折現(xiàn)率通常取8%$n$是設備壽命光伏取20年、風機取20年、儲能取10年等號右邊第一項把一次性投資折算成每年的成本再加上年運行維護費用和年網損費用。這樣三個目標的單位不一致也沒關系NSGA2做非支配排序不依賴量綱統(tǒng)一這是它比加權法省心的地方。約束條件包括潮流等式約束即各節(jié)點的有功、無功功率平衡方程這是硬約束潮流不收斂的方案直接放棄節(jié)點電壓上下限工業(yè)上一般取0.93~1.07p.u.研究場景可以放寬到0.95~1.05p.u.支路電流不越限保證線路不發(fā)熱過載DG安裝總容量不超過系統(tǒng)最大負荷的一定比例通常取20%~30%防止倒送功率過大單個節(jié)點的DG容量不超過該節(jié)點負荷的某個倍數提示約束條件的處理方式直接影響算法效率。在NSGA2框架里最好用“罰函數法”把越限程度加到目標上而不是簡單丟棄個體——否則種群中可行解太少算法很容易陷入局部最優(yōu)。2. NSGA2核心機制為什么它適合這種多目標問題2.1 從帕累托支配說起先說一個關鍵概念帕累托支配。假設解A和解B如果A在所有目標上都不比B差而且在至少一個目標上嚴格優(yōu)于B那么就說“A支配B”。如果一組解之間互不支配它們就構成了帕累托前沿Pareto front。舉個例子目標函數只有兩個網損$f_1$和投資費用$f_3$。方案A網損小但投資高方案B投資低但網損大那A和B互不支配都在前沿上方案C網損和投資都比A差C就被A支配了搜索過程中應該被淘汰。為什么不能用傳統(tǒng)遺傳算法直接跑因為單目標GA需要把多個目標加權合并成一個適應度值。問題在于權重的選擇非常主觀而且對于帕累托前沿是凹集的問題加權法根本找不到凹區(qū)間的解會漏掉很大一塊有意義的折中方案。NSGA2一次運行就能得到整條帕累托前沿決策者事后根據偏好挑方案這才是工程上合理的邏輯。2.2 三個核心算子怎么協(xié)同工作NSGA2相比第一代NSGA改進了三處每一處都值得理解快速非支配排序。每一代都要給種群里的每個個體分層第一層是不被任何其他個體支配的個體第二層是去掉第一層后剩下的個體里不被支配的依此類推。這個排序算法的復雜度是$O(MN^2)$$M$是目標數$N$是種群規(guī)模。只要種群不設得過于夸張比如超過500MATLAB跑起來完全沒有壓力。擁擠度距離。同一層的個體之間怎么區(qū)分好壞看它周圍擠不擠。把同一層個體按照某個目標函數排序計算相鄰個體在每個目標上的歸一化距離之和。擁擠度大的個體說明周圍解稀疏優(yōu)先保留這樣能讓解集均勻鋪滿整條前沿而不是扎堆在某一段。精英保留策略。每一代把父代和子代合并成一個2N大小的臨時種群排序后只取前N個。這樣做的好處是每代最好的解不會被交叉變異破壞掉——即使子代整體變差父代中的優(yōu)秀個體也能保底進入下一代。這也是NSGA2比很多早期多目標算法穩(wěn)定、不容易“退化”的核心原因。2.3 遺傳算子交叉和變異在連續(xù)/離散變量上怎么用標準NSGA2用模擬二進制交叉SBX和多項式變異。SBX的特點是子代在父代附近且有一定概率遠離搜索分布比較合理。對選址這種離散變量直接把實數結果取整即可對定容這類連續(xù)/離散混合變量我習慣把個體編碼成兩段前段是安裝位置編號后段是容量檔位編號交叉變異時對兩段分別操作。這里有一個很實際的坑要提醒你如果對“位置編號”這段直接做SBX交叉兩個相鄰整數之間做插值后取整結果大概率會跳到中間節(jié)點上這本身沒問題但如果兩個位置編號跨度大SBX會過度放大探索破壞多樣性。所以我對離散段改用“均勻交叉”即每個位置以0.5概率從父代A、0.5概率從父代B取值。容量檔位段用單點交叉變異用隨機置換。實踐證明混合編碼用混合算子收斂速度比一刀切好很多。3. MATLAB程序整體框架從函數分工到核心代碼3.1 程序模塊怎么拆一套能跑通且便于二次開發(fā)的MATLAB程序我建議至少拆成以下幾個文件main_nsga2_dg.m主程序入口定義系統(tǒng)參數、算法參數、循環(huán)調用init_pop.m初始化種群evaluate_obj.m對每個個體做潮流計算返回三個目標函數值powerflow_dist.m前推回代法配電網潮流計算fast_nondominated_sort.m快速非支配排序crowding_distance.m擁擠度計算selection_crossover_mutation.m選擇、交叉、變異入口plot_pareto.m繪制帕累托前沿模塊化的意義在于你后續(xù)換算例、換目標函數、換算法比如改成NSGA3、SPEA2只需要動對應的單一函數不至于改一處崩一片。3.2 個體編碼與種群初始化我的個體編碼是定長實數向量長度為 $2N_{max}$其中前 $N_{max}$ 個變量是安裝節(jié)點編號后 $N_{max}$ 個變量是容量檔位編號。注意$N_{max}$ 是預設的最大DG安裝個數上限比如5個實際方案允許少于上限這時候用編號0表示“該位置為空”。初始化時要注意純隨機生成會導致大量個體不滿足總容量滲透率約束算法前期大量算力花在淘汰不可行解上。我的做法初始化時先隨機生成節(jié)點和容量然后檢查滲透率約束不滿足就對容量逐個削減直到滿足為止。這樣種群起步就是可行解收斂速度快很多。3.3 潮流計算前推回代法的嵌入配電網大多是輻射狀結構前推回代法比牛頓-拉夫遜法好用得多——不用求雅可比矩陣內存占用小只要網絡拓撲不變穩(wěn)定性很高。做優(yōu)化算法時每個個體都要算一次網絡潮流計算速度直接決定整個程序能不能在可接受時間內跑完所以這一步要盡量高效。簡化版的潮流計算思路function [loss, vdev] powerflow_dist(branch, load, Vg, Dg_Node, Dg_P, Dg_Q) % branch: [from, to, R, X] % load: 各節(jié)點有功、無功負荷 % Dg_Node: DG接入的節(jié)點編號向量 % Dg_P / Dg_Q: DG注入的有功、無功 nbus length(load); V ones(nbus, 1); % 構建節(jié)點順序表從根節(jié)點到末端節(jié)點、從末端回推到根節(jié)點 % 前推從末端節(jié)點開始累加支路功率 % 回代從根節(jié)點開始計算各節(jié)點電壓 % 迭代直到電壓偏差小于閾值 end如果你沒做過不要一上來就自己寫潮流MATLAB的Matpower工具箱里帶runpf可以直接算潮流。把潮流算子替換成Matpower目標函數計算部分就變成一個簡單的接口調用。缺點是每次調用要解析輸入結構批量計算時會慢一些優(yōu)點是代碼幾乎不會出錯驗證方便。我前幾個版本都是先用Matpower驗證模型正確性確認無誤后再把前推回代法寫進去提速。3.4 NSGA2主循環(huán)的代碼骨架這里是整個程序的核心遞進邏輯% 初始參數 pop_size 100; max_gen 200; pc 0.9; % 交叉概率 pm 0.1; % 變異概率 n_var 2 * N_max; % 初始化種群 population init_pop(pop_size, n_var, sysdata); % 主迭代 for gen 1:max_gen % 計算目標函數 obj zeros(pop_size, 3); for i 1:pop_size obj(i, :) evaluate_obj(population(i, :), sysdata); end % 非支配排序 擁擠度 [rank, crowd] fast_nondominated_sort(obj); [rank, crowd] sort_by_rank_and_crowding(rank, crowd); % 生成子代 offspring selection_crossover_mutation(... population, rank, crowd, pc, pm); % 合并父代和子代重新排序選前 pop_size 個作為下一代 combined_pop [population; offspring]; combined_obj zeros(size(combined_pop, 1), 3); for i 1:size(combined_pop, 1) combined_obj(i, :) evaluate_obj(combined_pop(i, :), sysdata); end [rank2, crowd2] fast_nondominated_sort(combined_obj); % 截斷選擇 next_gen truncate(population, rank2, crowd2, pop_size); population next_gen; % 記錄當前代的最優(yōu)前沿 pareto_front{gen} population(rank2 1, :); end這段代碼里的evaluate_obj是整個程序的開銷大頭。優(yōu)化思路有兩個方向一是用并行計算工具箱的parfor替代循環(huán)算目標函數二是對潮流計算做向量化批處理。如果你只在單機跑parfor是最簡單的提速手段改成并行后速度提升幾乎是線性的。注意fast_nondominated_sort在MATLAB里要小心用循環(huán)嵌套很容易寫出$O(MN^3)$的低效版本。標準實現(xiàn)里用“支配計數”數組記錄每個個體被誰支配、支配了幾個一個雙層循環(huán)就夠了。4. 參數設置與整定這些參數值我是怎么調出來的4.1 關鍵參數推薦范圍NSGA2不是那種“參數一設錯結果全崩”的算法但參數不合適會明顯影響收斂速度和前沿質量。下面是我在多個算例上驗證過的推薦范圍參數推薦范圍說明種群規(guī)模80~150節(jié)點數越多、目標數越多取越大33節(jié)點系統(tǒng)100就夠最大進化代數150~300看收斂曲線前沿不再變化時再停交叉概率0.85~0.95高交叉保持搜索能力變異概率0.05~0.15太大破壞良好模式太小會早熟分布指數SBX15~25控制子代離父代遠近分布指數多項式變異15~20控制變異步長怎么判斷當前參數是否合適我最常用的方法是跑完看帕累托前沿圖前沿如果是一條光滑、均勻分布的弧線說明收斂得不錯前沿斷成一坨一坨或者擠在某個角落說明種群多樣性有問題優(yōu)先加大變異概率、增大種群規(guī)模而不是盲目加代數。4.2 收斂判據怎么做看進化曲線有個很實用的經驗方法每10代記錄一次當前最優(yōu)前沿的目標值把每一代的最優(yōu)網損畫成曲線。曲線前期快速下降后期走平說明參數基本靠譜。如果曲線仍然劇烈波動大概率是變異概率太大或者種群沒合并好導致父代最優(yōu)解丟失。用種群二代間的HV超體積指標差值來判斷更嚴格。HV指標在MATLAB里沒有現(xiàn)成函數但計算邏輯不復雜以參考點可以用所有目標分別取最大值構成為頂點計算前沿上所有解與參考點之間構成的超體積。每一代HV單調遞增是正?，F(xiàn)象連續(xù)20代HV變化小于0.1%我就認為算法收斂了。這個做法比拍腦袋定代數靠譜得多。4.3 最終解怎么從帕累托前沿里挑跑完NSGA2你得到的不是單個解而是一組解。挑哪個取決于你實際訴求。三個常用方法模糊隸屬度法對每個前沿解計算所有目標的綜合滿意度取滿意度最大的方案。這個方法指標均衡適合寫論文當“推薦方案”。最小距離法把每個目標歸一化后選距離理想點各目標分別取最優(yōu)值組成的點歐氏距離最近的那個解。直觀、容易解釋。偏重某個目標比如工程預算緊張就可以在前沿中篩選投資費用最小的幾個解再看網損和電壓偏差能不能接受。實操心得論文里畫帕累托前沿圖時最好把“推薦方案”在圖上額外用顯眼的標記點標出來再附一張它對應的DG接入位置和容量表。評審和讀者一眼就能看出你的程序確實解決了問題而不是只扔出一堆抽象的點。5. 結果分析與方案解讀從散點圖到工程結論5.1 帕累托前沿長什么樣、怎么解讀用IEEE 33節(jié)點系統(tǒng)跑200代、種群100典型的雙目標結果這樣分布橫軸是年綜合費用萬元/年縱軸是有功網損kW。前沿從左下角到右上角呈單調遞增的L形弧線。左下角的點網損低但投資高右上角的點投資低但網損高中間有一片“性價比”比較高的區(qū)域。我自己的經驗最優(yōu)網損點往往是把DG布置在遠離根節(jié)點的線路中后段比如節(jié)點17、18、32、33這些末端附近因為這能顯著減小末端長線路的輸送電流而投資最小的方案傾向于只在負荷最重、電壓最低的幾個節(jié)點裝小容量機組起到“四兩撥千斤”的作用。這兩個結論在工程上也說得通寫報告時可以結合網絡拓撲展開解釋。5.2 多目標結果與單目標加權結果的對比一個值得在論文里展現(xiàn)的對比實驗把三個目標按0.4、0.3、0.3加權合成單目標用普通遺傳算法跑同樣的代數再把最優(yōu)解放回帕累托坐標里看它落在哪。大部分情況下加權法的解只落在帕累托前沿的某個局部——因為權重固定它永遠只搜索一個方向。而NSGA2得到的整條前沿能告訴你如果在某個方向稍微讓步另一個方向能改善多少這個“權衡信息”是決策者最需要的。我曾在一個實際算例里把加權法的“最優(yōu)解”和NSGA2前沿上的點做了對比加權法給出的方案在某目標上略優(yōu)但另一個目標差了將近20%。做工程決策時這種隱性代價很致命。5.3 不同DG類型和不同滲透率的影響如果DG類型改成光伏還要考慮其出力的隨機性和時序性如果改成儲能則還要增加充放電策略的優(yōu)化維度問題會復雜很多。同一套程序框架下最簡單的變體是設定一個“日等效出力系數”比如光伏取0.18、風機取0.28把DG的有功出力和無功出力按典型運行方式折算成“等效恒定功率”來處理。這樣做雖然簡化了時序特性但作為規(guī)劃階段的研究是夠用的。滲透率這個參數的影響值得單獨分析把DG總容量上限從15%逐步提高到40%前沿會整體向“低網損”方向移動但當滲透率超過某個值后網損改善的邊際收益驟降甚至可能出現(xiàn)末端電壓過高的現(xiàn)象因為DG出力大于本地負荷后會倒送功率。這能幫你判斷這個算例系統(tǒng)能承載多少DG寫結論時是一個很有說服力的數據。6. 常見問題與排查技巧實錄6.1 MATLAB環(huán)境中常見的程序運行問題在使用這套程序的過程中我踩過不少坑最典型的幾種整理成速查表現(xiàn)象直接原因解決方案程序報錯“Matrix dimensions must agree”目標函數向量維度不對通常是evaluate_obj返回的行向量和obj矩陣拼接出錯單步調試時打印size(obj)確認每個個體返回1行3列的向量前推回代潮流迭代不收斂負荷單位kW/MW和基準值不一致DG容量遠大于節(jié)點負荷先檢查全系統(tǒng)總負荷與基準容量是否匹配檢查DG注入功率是否超過該節(jié)點負荷數倍帕累托前沿擠成一團擁擠度計算標準差為零或參考點設置不合理目標值做歸一化處理檢查初始化種群是否過窄可用Sobol序列代替純隨機初始化迭代后期前沿停止演化種群早熟變異概率過低加大變異概率可設自適應的變異概率或引入一小部分隨機重初始化個體中文注釋顯示亂碼MATLAB讀取UTF-8編碼文件時默認按GBK解析統(tǒng)一用英文注釋或者重新設置編輯器編碼為UTF-8中文注釋亂碼這個問題搞MATLAB的基本都遇到過。最省心的做法是程序核心代碼全部用英文注釋算法思路、公式推導、結論放到博文或者文檔里用中文寫。實驗程序是給自己看的注釋只要能觸發(fā)記憶就行不必追求中文界面化。6.2 算法層面NSGA2結果不穩(wěn)定怎么辦同一套參數跑兩次結果不一樣這是啟發(fā)式算法的正常特性因為初始化種群是隨機的。要降低方差固定隨機種子rng(42)放在主程序開頭確保可復現(xiàn)性多次獨立運行取統(tǒng)計結果而不是單次結果每次運行結束后把最優(yōu)個體保存到.mat文件方便復跑對比但要注意固定隨機種子雖然能復現(xiàn)結果也容易掩蓋算法的不穩(wěn)定性。寫論文或出報告時建議至少跑10次獨立實驗報告均值和標準差審稿人更看重這個。6.3 給新手的幾個上手建議第一跑通例子最重要。網上有不少開源的IEEE 33節(jié)點配電網數據先拿標準算例把程序跑通畫出一張像樣的帕累托前沿圖再去做改動。第二改模型時一次只改一個地方。我見過很多同學把目標函數、約束條件、算法參數同時改了三處結果程序出問題后根本不知道是什么改崩的。第三不要只是下載代碼然后跑完就結束把核心的fast_nondominated_sort和evaluate_obj自己手寫一遍哪怕寫得不夠高效至少能保證你真懂算法——答辯或者寫論文時被問到細節(jié)答不上來比代碼寫不出來更尷尬。另外提一句環(huán)境問題MATLAB程序本身不需要額外工具箱就能運行只要有一個基礎版本即可學校或單位提供的授權版本就足夠了。別在網上找什么破解資源ESSearch風險大不說還容易下到捆綁木馬完全得不償失。最后再分享一個我自己的習慣。做這類優(yōu)化項目我一般不會等到全部代碼寫完才驗證結果而是先把目標函數單獨測試——給定一個已知合理的DG接入方案看計算出的網損、電壓是否在合理范圍內再接入NSGA2主循環(huán)。目標函數有問題而算法再正確最終也是一堆沒有意義的漂亮曲線。真正花時間把數學模型和物理背景吃透程序寫起來其實很快。