需求侧响应下配电网供电能力综合评估的Matlab复现与改进

拿到“基于需求侧响应的配电网供电能力综合评估”这个题目时，很多人第一反应都是：先找到论文原文，再去找能跑通的Matlab代码，跑出结果，完事。这个方法不是不行，但复现这种硕士论文级别的项目，如果只停留在“跑通”，后面导师问一句“为什么这样建模”“指标体系怎么来的”“创新点到底改在哪”，你很容易卡住。这篇博客就把整个复现项目的建模思路、指标体系、评估框架、Matlab代码骨架，以及我在实际调试中踩过的坑完整拆一遍。目标读者是做配电网规划、需求侧响应、或者正在为电网方向毕业设计发愁的研究生和工程师——这篇至少能帮你省掉一大半翻文献、试错的时间。

这个题目的核心其实就一句话：在传统供电能力评估的基础上，把需求侧响应（DR）作为一种可调用的柔性资源放进去，再通过一套综合指标去评判配电网“到底能带多少负荷”以及“带得怎么样”。传统评估只盯着网架结构，不看重荷侧的主动调节能力；引入DR之后，评估结果会更贴近实际运行，也能让规划人员看到“通过激励用户调负荷，比砸钱改造线路更划算”的空间。下面我以复现过程中采用的一套改进方案来拆解，框架是通用的，具体参数可以根据你手里的论文调整。

1. 传统供电能力评估的困局：需求侧响应为什么必须进来

1.1 供电能力评估到底在评估什么

配电网供电能力（Total Supply Capability，TSC）这个概念，在电力系统里不是新东西。它的定义通常可以概括为：在满足N-1安全准则、节点电压约束、支路容量约束的前提下，配电网能够供应的最大负荷。学术一点的说法叫“最大供电能力”，工程上则更关注“还能接入多少新增负荷”。

传统评估的思路很简单粗暴：把配电网看成一张固定的网，负荷是刚性的、外生的，你只需要回答一个问题——把所有开关闭合、变压器容量卡到位之后，这张网最多能带多少负荷而不越限。实现方式一般有两条路：

• 解析法：基于线性化的潮流模型，推导最大供电能力的解析表达式，计算速度快，但精度有限，适应性差。
• 优化法：把“最大化总供电负荷”写成目标函数，用潮流计算去校验电压和容量约束，再用优化算法迭代求解，精度高，是当前主流的做法。

但这里有个很大的问题：传统模型假定负荷是刚性的，用户不会因为电价变化而改变用电行为。放到现在的配电网环境里，这个假设越来越站不住脚——分时电价、可中断负荷协议、电动汽车有序充电、储能套利，这些机制都在改变用户的实际负荷曲线。如果评估时不考虑这些，算出来的TSC就偏保守，规划投资也会跟着偏大。

1.2 需求侧响应改变了什么

需求侧响应的本质，是让“负荷峰值”从一个固定数值变成一个可调节的变量。用户可以根据电价信号或激励措施，在高峰时段减少用电（削峰），或者把一部分用电从高峰挪到低谷（填谷）。于是，供电能力就不只是“网架本身能承受多少负荷”的静态指标，而是变成了“在网架约束和用户响应能力共同作用下，系统能安全供应多少负荷”的动态结果。

我用一个生活化的类比来解释：传统评估就像一家食堂按“所有人同时排队打饭的上限”来设计窗口数，结果发现一年也就过年那一周会满座，平时窗口全闲着。需求侧响应就像引入错峰就餐、外卖预订，同样的窗口能服务更多人，而且不用扩建食堂。

落到配电网项目里，DR能带来三类直接好处：

• 降低峰值负荷：峰负荷降下来，变压器和线路的负载率随之下降，供电能力的瓶颈被推迟。
• 改善负荷曲线：负荷更平坦，设备利用率提升，网损也下降。
• 推迟网架升级：原本需要新建线路、增容变压器的方案，可能通过DR调度就能满足新增负荷需求，投资节省非常可观。

所以在复现这篇论文时，首先要建立的建模理念就是：把DR看作一种“虚拟发电资源”或“柔性负荷资源”，与供电能力评估模型耦合求解，而不是先算完供电能力再来做“事后调整”。这就是整个项目逻辑的起点。

2. 综合评估指标体系：不只看“能带多少”，还要看“带得好不好”

2.1 为什么不能只盯着一个TSC数值

复现这类论文，最容易掉进去的坑就是：只把目标函数里的最大供电能力算出来，然后画个柱状图收工。但标题里明确写着“综合评估”四个字，这就意味着除了“能带多少负荷”这个绝对数值，你还要回答“在什么代价下带了多少负荷”“这种供电水平对网架安全、运行经济性、电压质量有什么影响”。

如果你只用一个TSC指标，会带来两个麻烦：

• 不可比性：不同DR方案、不同DR参数下，TSC都不一样，但光看数值很难判断哪种方案更好——是供电能力更大重要，还是DR补偿成本更低重要？不同决策者偏好不同，单一指标给不出答案。
• 不完整性：TSC是一个偏“上限”的指标，它回答的是最大能力，但实际运行中用户更关心电压是否合格、网损是多少、设备负载是否均匀。这些维度TSC都覆盖不了。

所以综合评估的框架必须把多个维度整合到一个可计算、可比较的体系里。

2.2 指标体系怎么搭：四个维度加一张表

我复现时采用的指标体系包含四个维度七个指标，你可以根据自己的论文调整，但框架基本是通用的：

这套指标里，最大供电能力提升率是核心，它直接体现了引入DR带来的“硬收益”。而其他指标则用来体现“软约束”——比如说一个方案虽然把TSC提升了很多，但代价是大量削减用户负荷、电压跌落严重，那它的综合得分不一定高，这就逼着优化算法在“多供电”和“供好电”之间找平衡。

2.3 指标归一化与权重确定：熵权法的计算公式

不同指标的量纲和方向都不一样，直接加权相加没有意义。所以要先做归一化。我用的方法是极差标准化：

• 对于“越大越好”的指标： x' = (x - x_min) / (x_max - x_min)

• 对于“越小越好”的指标： x' = (x_max - x) / (x_max - x_min)

这样所有指标都映射到0到1之间，越大越好。归一化之后就是权重的问题。建议用熵权法和AHP结合的方式：熵权法根据指标数据的离散程度自动定权，避免主观性；AHP引入专家判断，对重要指标（比如供电能力提升率）进行偏好强化。

熵权法的核心公式不复杂，在Matlab里几行就能写出来。假设有m个方案、n个指标，归一化后的矩阵是X：

• 计算指标j下第i个方案的比重：p_ij = x'_ij / Σ_i x'_ij
• 计算信息熵：e_j = -1/ln(m) × Σ_i (p_ij × ln(p_ij))
• 计算权重：w_j = (1 - e_j) / Σ_j (1 - e_j)

信息熵越小，说明这个指标在不同方案之间的差异越大，包含的区分信息越多，权重就越高。实际做下来，“最大供电能力提升率”和“综合运行成本”这两个指标的熵通常较小，权重大，符合直觉。

最终综合评分就是：

S = Σ_j w_j × x'_j

这个S可以作为优化模型里的目标函数，也可以用来对多个DR方案做横向对比。我在复现时是用它做后评估的：先跑优化得到最优TSC，然后再对几组DR参数方案打分排序。

3. 需求侧响应建模：分时电价下用户负荷响应模型

3.1 需求价格弹性：DR模型的心脏

要把需求侧响应量化到潮流计算里，必须先回答一个问题：电价变了，用户的负荷到底怎么变？这个问题的标准答案就是需求价格弹性系数。弹性的定义是：

e = (ΔP / P) / (Δρ / ρ)

其中P是有功负荷，ρ是电价。它表示电价变化1%，负荷会变化百分之几。注意，这个弹性系数在分时电价模型里要分两类：

• 自弹性系数e_ii：反映同一时段内，电价变化对本时段负荷的影响。通常是负值，因为电价上涨用户会少用。
• 交叉弹性系数e_ij：反映其他时段电价变化对本时段负荷的影响。通常是正值，表示峰时段电价上涨，会把一部分负荷挤到谷时段。

在Matlab里，常见做法是把这些系数组装成多时段弹性矩阵。如果全天分成T个时段（常见的是24点，也可以做96点），那么弹性矩阵就是一个T×T的方阵，对角线上放自弹性系数，非对角线放交叉弹性系数。这个矩阵是DR模型的核心输入。

典型参数范围参考：峰时段自弹性大约在-0.2到-0.5之间，交叉弹性在0.1到0.3之间。具体取值依赖用户类型、负荷构成和电价方案，论文里一般会给出，复现时直接用即可。

3.2 一个手动算例：峰谷电价调整后负荷怎么变

论文里DR模型再花哨，底层都是这个弹性公式。我拿一个简单例子把计算过程走一遍，这样你在Matlab里实现时就不容易出符号错误。

假设某个节点原负荷1000kW，采用峰谷两部制电价，峰时段电价1.2元/kWh，谷时段0.4元/kWh。现在要做峰谷价差拉大，峰时段电价上调到1.5元，谷时段下调到0.3元。用户的峰时段自弹性系数取-0.3，交叉弹性系数取0.2。

第一步，计算各时段电价变化率：

• 峰时段电价变化率 = (1.5 - 1.2) / 1.2 = 0.25
• 谷时段电价变化率 = (0.3 - 0.4) / 0.4 = -0.25

第二步，计算峰时段负荷变化量。根据弹性公式，峰时段负荷变化由两部分组成：本时段电价上涨带来的削减（自弹性），以及谷时段电价下降导致的电量向谷时段转移（交叉弹性）：

ΔP_峰 = P_峰 × [e_峰峰 × Δρ_峰/ρ_峰 + e_峰谷 × Δρ_谷/ρ_谷] = 1000 × [-0.3 × 0.25 + 0.2 × (-0.25)] = 1000 × (-0.075 - 0.05) = -125 kW

也就是说，峰时段负荷从1000kW削减到875kW。

第三步，计算谷时段负荷变化量：

ΔP_谷 = P_谷 × [e_谷峰 × Δρ_峰/ρ_峰 + e_谷谷 × Δρ_谷/ρ_谷] = 1000 × [0.2 × 0.25 + (-0.3) × (-0.25)] = 1000 × (0.05 + 0.075) = 125 kW

谷时段负荷从1000kW增加到1125kW。

整个过程对应公式：ΔP_i = P_i × Σ_j (e_ij × Δρ_j / ρ_j)，i和j遍历所有时段。这个公式建议直接在Matlab里用一个矩阵乘法实现，循环都不用写：dP = P0 .* (E * dRho);，其中E是弹性矩阵，dRho是各时段电价变化率向量。

3.3 三类DR资源的差异化建模

除了价格弹性模型，论文里通常会再把DR资源分成三类，因为它们的物理特性、调度限制和成本结构完全不同，混合在一起建模会造成约束失真。

• 可削减负荷：用户允许在特定时段减少一部分用电量，比如空调温度上调、照明减半。这类负荷的特点是“削了就没了”，用电量不守恒，但要设一个削减比例上限（一般不超过该时段负荷的15%~30%），否则用户舒适度受损。成本函数通常是个二次函数：C_curt = a × (ΔP)^2 + b × ΔP，反映越往下压，用户越不满，补偿成本越高。

• 可转移负荷：比如电动汽车充电、洗衣机运行，它们只是把用电时间平移，总量不变。建模的关键约束是电量守恒：Σ_t ΔP_shift,t = 0，也就是削掉的峰时电量要转移到谷时，不能凭空消失。

• 可中断负荷：通常是大工业用户签订的可中断供电合同，调度方可以按合同切除指定容量的负荷。这类负荷的调度响应快，但补偿单价高，且每天中断次数和累计中断时长有限制。

这三种资源在Matlab里的表示方式都是决策变量向量，不同之处在约束条件。我在实现时是把它们分开定义的，可削减负荷和可中断负荷用上限约束，可转移负荷用电量平衡约束。这样的好处是，后面做敏感性分析时，可以单独调节某一类资源的接入比例，看它对TSC的贡献。

4. 供电能力求解模型与创新改进点落地

4.1 从评估到优化：一个耦合DR的TSC模型

复现论文的关键，在于把DR模型和供电能力评估“耦合”起来，而不是简单地“先算TSC，再把DR结果往里套”。这一点如果你读的文章没写透，容易做偏。我采用的耦合方式是构造一个双层优化框架，外层优化DR调度量和负荷增长因子，内层做潮流校验和N-1校验。目标函数和约束条件如下（以标准形式列出，便于你对照实现）：

目标函数：max TSC = Σ_i Σ_t P_base,i,t + Σ_i ΔP_DR,i,t

这里的P_base是基础负荷，ΔP_DR是需求侧响应后实际可获得的负荷调整量（可正可负）。如果要做综合评估，还可以把目标函数扩展为最大综合评分S。

约束条件可以划分成四类：

• 潮流约束：每个时段都要满足配电网交流潮流方程。我使用的是DistFlow模型，更适合配电网，前推回代求解方便。
• 安全约束：节点电压幅值在0.93~1.07倍额定电压（具体范围按论文设定），支路电流不超过容量上限。
• N-1安全校验：任意一条支路断开后，系统还能满足潮流和电压约束。
• DR资源约束：各节点各时段的负荷调整量不超过资源上限，可转移负荷满足电量守恒，可削减负荷比例不越限。

4.2 “创新改进”到底改在哪：三个方向供参考

因为“创新改进”是一个开放描述，我复现时采用了一套改进方案，框架通用，你可以根据手头论文的具体方向替换。这套改进体现在三个点：

• 改进点一：多时间断面的供电能力评估。传统TSC模型只有一个静态工况，我把评估扩展到了24个时段的典型日场景，每个时段都做潮流和N-1校验。这样做可以捕捉到DR削峰对全天运行安全性的影响——比如某个方案在12:00峰值时没问题，但晚上光伏出力下降、负荷又高，可能就卡在19:00这个断面上。多断面评估更能反映真实运行情况。

• 改进点二：DR经济成本计入综合评估。很多文献只算DR技术潜力，不核算调度成本。我把用户响应补偿成本和系统网损成本一起纳入综合评分，让优化结果在“供电能力强”和“成本可控”之间折中。这样得到的TSC更客观，也更符合工程实际约束。

• 改进点三：指标体系与优化模型联动。不是等优化结束再算指标，而是把指标作为优化目标函数的组成部分，让优化过程直接反映综合性能。我用加权的方式把TSC、网损、DR成本、电压合格率合成一个综合目标，算法自动寻找平衡点。

4.3 求解方法选择：为什么我推荐PSO

这个模型是非线性、非凸、多约束的混合整数优化问题，Matlab自带的fmincon在多时段、带N-1校验的前提下很容易陷入局部最优，而且对初值极其敏感。我复现时用的是粒子群优化（PSO），主要原因有三个：

• 实现简单：不需要求梯度，不需要保证目标函数光滑，只要能把适应度函数写出来就行。
• 全局搜索能力强：对非线性问题，PSO在中等规模解空间上的表现比传统梯度方法稳定。
• 约束处理灵活：可以用罚函数把各类约束转成惩罚项加到适应度里，代码结构清晰。

PSO的代价是计算量大，尤其在带N-1校验的多时段模型里。后面我会详细讲怎么控制这个计算量。

5. Matlab实现的核心模块划分与代码逻辑

5.1 先搭架子：六个模块各司其职

Matlab代码不要一上来就写一个大脚本，这会让调试非常痛苦。我把整个项目拆成六个模块，每个模块一个函数或一个脚本，数据流是单向的，改一个模块不影响其他模块：

5.2 数据输入：IEEE 33节点的坑

复现配电网类论文，IEEE 33节点系统是首选测试系统，参数网上到处都是。但我踩过一个坑：不同文献给出的阻抗数据单位不一致，有的是欧姆，有的是标幺值，有的基准容量又不同。强烈建议第一步就统一归算到标幺值，基准容量选SB=10MVA，基准电压UB=12.66kV（针对IEEE 33节点系统），然后在潮流计算函数里全程使用标幺值。

数据结构建议这样组织：

% 节点数据：编号、类型（1为平衡节点，0为PQ节点）、有功、无功、电压上下限 Bus = struct('num', num2cell(1:33)', ... 'type', num2cell(ones(33,1)), ... 'PL', num2cell(loadData(:,1)), ... 'QL', num2cell(loadData(:,2)), ... 'Vmin', num2cell(0.93*ones(33,1)), ... 'Vmax', num2cell(1.07*ones(33,1))); % 支路数据：首端、末端、电阻、电抗、容量 Branch = struct('from', num2cell(branchData(:,1)), ... 'to', num2cell(branchData(:,2)), ... 'r', num2cell(branchData(:,3)), ... 'x', num2cell(branchData(:,4)), ... 'cap', num2cell(branchData(:,5)));

主网线额定电压是12.66kV的话，对应到标幺值，基准阻抗就是1，公式是Z_base = UB^2 / SB。算完记得检查一下：33节点系统总负荷大约是3715kW + 2300kvar，如果标幺值化后数值偏差太大，多半是单位或基准值出错。

5.3 潮流计算：前推回代法的核心逻辑

配电网是辐射状结构，用前推回代法最合适，比牛拉法收敛更稳。核心逻辑分两步来回迭代：

• 回代：从末梢节点向根节点，根据节点注入功率和已知电压，逐段计算支路功率。
• 前推：从根节点向末梢节点，用支路功率和电压降，逐段更新节点电压。

直到两次迭代电压差的最大值小于容差（比如1e-6），就认为收敛。核心函数骨架如下：

function [V, iter] = backwardForwardSweep(Bus, Branch, V0, tol, maxIter) % 前推回代法求解辐射状配电网潮流 % 输入: Bus-节点结构体, Branch-支路结构体, V0-初始电压(标幺值) N = length(Bus); V = ones(N, 1) * V0; S = (Bus.PL + 1j * Bus.QL) / 1000; % 转成标幺值(MW/Mvar) for iter = 1:maxIter V_old = V; % 回代：计算各支路末端注入功率（从末端向根累加） BranchS = zeros(length(Branch), 1); % 这里按拓扑顺序从末梢向上累加节点功率 for k = length(Branch):-1:1 child = Branch(k).to; BranchS(k) = S(child) + BranchS(k) + abs(BranchS(k))^2 * (Branch(k).r + 1j*Branch(k).x) / abs(V(child))^2; end % 前推：计算各节点电压（从根向末梢更新） for k = 1:length(Branch) parent = Branch(k).from; child = Branch(k).to; I = conj(BranchS(k)) / conj(V(parent)); V(child) = V(parent) - (Branch(k).r + 1j*Branch(k).x) * I; end if max(abs(V - V_old)) < tol break; end end end

注意代码里我用标幺值处理，容量基准是10MVA，但IEEE 33节点原始数据本身有功负荷单位是kW，接入前要换算。另外，节点的PL和QL在每一个时段都可能不同，所以潮流计算函数要在每个时段内循环调用，DR后负荷向量传入后再算一次。

5.4 优化求解：PSO跑TSC的主流程

PSO的实现不复杂，关键在于把适应度函数写对。我在复现时，每个粒子的位置向量就是各节点各时段的DR负荷调整量，然后适应度函数内部分三步走：

1. 根据位置向量更新负荷数据；
2. 循环全天24个时段，调用潮流计算函数，记录电压、支路潮流、网损；
3. 统计各指标，计算N-1通过率、综合评分，加上罚函数返回适应度值。

核心代码如下：

function fitness = evalFitness(x, Bus, Branch, caseData) % x: 粒子位置，维度 = 节点数 × 时段数 × 3（可削减/可转移/可中断） % 1. 更新负荷 [BusNew, penalty] = updateLoad(Bus, x, caseData); % 2. 调潮流，累积指标 netLoss = 0; vQualify = 0; n1Pass = 0; for t = 1:24 [Vt] = backwardForwardSweep(BusNew(t), Branch, 1.0, 1e-6, 50); netLoss = netLoss + calLoss(Branch, Vt); vQualify = vQualify + sum(Vt > 0.93 & Vt < 1.07); n1Pass = n1Pass + checkN1(BusNew(t), Branch); end % 3. 组装指标与罚函数 fitness = calScore(-netLoss, vQualify/33/24, n1Pass/32/24, penalty); end

PSO主循环的骨架：

for gen = 1:maxGen w = 0.9 - (0.9 - 0.4) * gen / maxGen; % 惯性权重线性递减 for i = 1:nPop v(i,:) = w * v(i,:) + c1*rand*(pbest(i,:) - x(i,:)) ... + c2*rand*(gbest - x(i,:)); x(i,:) = x(i,:) + v(i,:); x(i,:) = max(xmin, min(xmax, x(i,:))); f(i) = evalFitness(x(i,:), Bus, Branch, caseData); if f(i) < f_pbest(i) pbest(i,:) = x(i,:); f_pbest(i) = f(i); end if f(i) < f_gbest gbest = x(i,:); f_gbest = f(i); end end record(gen) = f_gbest; end

参数建议：种群数50~80，迭代次数100~200，学习因子c1=c2=2.0，惯性权重从0.9线性递减到0.4。这些参数在33节点系统上通常能稳定收敛，但如果你改到119节点或者加了N-1校验，计算时间会成倍增长，要把迭代次数适当降下来。

6. 复现过程中的关键问题与调试经验

6.1 潮流不收敛：先查数据，再查算法

我复现时第一次跑出NaN，第一反应是前推回代法写错了。排查了半天，最后发现是IEEE 33节点数据里支路阻抗单位没转换，导致标幺值差了1000倍。这个经验后面反复验证过：配电网潮流计算90%的不收敛问题都是数据问题，不是算法问题。

具体检查顺序建议按这个来：

• 支路阻抗是不是统一标幺值？基准阻抗Z_base = UB^2 / SB，UB=12.66kV，SB=10MVA时，Z_base = 12.66^2 / 10 = 16.0276 Ω。原始数据里的0.0922Ω（IEEE 33首段）转成标幺值大约是0.0057。
• 负荷数据是不是MW/Mvar单位？如果原始数据是kVA/kvar，要除以1000再除以基准容量。
• 根节点电压设了吗？前推回代法根节点电压按1.0标幺值设置，如果没有松弛节点，潮流永远收敛不了。

6.2 N-1校验时间爆炸：别盲目枚举

带N-1校验的综合评估，最大的噩梦就是计算时间。33节点系统有32条支路，每条支路断开跑一次潮流，每个时段就是32次，24个时段就是768次潮流。看起来不多，但PSO要迭代100次、种群50个粒子，就是768 × 100 × 50 = 384万次潮流，这在Matlab里跑起来需要几个小时。

我在实际项目中做了两个优化，计算时间降了一个数量级：

• 孤岛预筛选：断开某些末端支路后，系统会直接形成孤岛（部分节点失电），这种支路可以直接判定N-1不通过，不用跑潮流。对33节点系统来说，大约三分之一支路都可以这样筛掉。
• 只校验关键断面：不是所有支路都值得做N-1校验，可以先跑一次正常潮流，把负载率最高的那批支路（比如前50%）标记为关键支路，只对这些支路做断线校验。这在工程上是可接受的近似，但论文里写到方法部分时要说明清楚，不然会被审稿人抓。

6.3 PSO随机性的坑：固定随机数种子

PSO是随机算法，同样的代码每次跑出来的结果可能差3%~5%。我复现的时候第一次没固定随机种子，连续跑三次TSC结果分别是8.1MW、8.4MW、7.9MW，直接拿去和基准方案对比，根本说不清楚差异是算法波动还是模型改进带来的。

解决办法很简单：在main脚本开头加一行：

rng(42);

固定随机数种子后，每次运行结果可复现。写论文之前记得把种子写进参数表。另外，我建议每个算例跑5次，取最优值或平均值作为最终结果，这样更稳健。

6.4 弹性系数不靠谱怎么办：敏感性分析

需求价格弹性系数是DR模型里最“虚”的参数，不同文献取值差别很大。如果你用某个文献的弹性系数算出一个漂亮的TSC提升率，审稿人或导师大概率会问：“这个弹性系数凭什么这么取？”

应对办法就是做敏感性分析。具体做法：把弹性系数在基准值基础上上下浮动20%，重新跑几次优化，看TSC提升率的变化范围。如果TSC对弹性系数非常敏感，说明结论依赖参数假设，需要在论文里说明；如果TSC变化不大，说明模型鲁棒性好。

我在33节点系统上实际跑下来，自弹性系数在-0.2到-0.5之间变化时，TSC提升率大概在5%~14%之间波动，这个区间是合理的。如果超出这个范围太多，基本可以判断模型里有约束写错或者参数超出了物理实际。

6.5 结果合理性验证：用小系统手算反推

复现完成后，一定要验证代码结果的正确性，不能单纯看“能跑出数”就交差。最有效的办法是先在一个小系统（比如3节点或5节点手算系统）上做测试，把优化出来的DR调度量代入潮流方程，手算一遍电压和功率，看是否满足约束。

如果直接用33节点系统，你很难判断某个数对不对。我自己的习惯是：先关掉DR，把模型退化成传统TSC模型，用一个小系统跟手算结果对比——TSC应该等于最小瓶颈支路的极限供带能力，如果对不上，就去查代码里的约束或者潮流部分。

另一个快速检查点：DR后的总用电量，在只有可转移负荷、没有可削减负荷的情况下，应该等于DR前的总用电量（电量守恒）。如果总用电量凭空多了或少了，说明电量平衡约束没写对。

7. 实际操作中的最终体会

这个项目复现下来，我最深的体会是：论文复现的难点从来不在代码本身，而在于论文里一笔带过的“模型假设”。需求侧响应怎么建模、供电能力怎么定义、综合评估用什么指标框架，这些才是决定代码结构的关键。Matlab只是把模型翻译成机器能算的形式，模型想清楚了，代码怎么写都好办；模型没想清楚，代码改来改去还是会崩。

如果你正准备复现这篇论文，我建议按这个顺序走：先用Excel或手算把第3节的那个弹性模型算例跑通，感受一下负荷调整量的数量级；然后用IEEE 33节点系统把不带DR的基态潮流跑通，确认自己的前推回代法没问题；最后再一步步加入DR调度模块和PSO优化。这样出了问题，你知道该去查哪个模块，而不是对着几百行代码发呆。

最后分享一个调参小技巧：PSO跑出来的最优结果，先用DR全关的退化场景检验一遍——如果DR全关时优化后的TSC比不带优化的基础供电能力还低，那一定是罚函数权重设置错了。罚函数权重太小，约束被无视，粒子会跑到不满足电压约束的“伪最优解”；权重太大，收敛极慢。我一般是从罚函数权重等于目标函数权重开始调，然后十倍步长向上加，直到约束违例量降到可以接受的范围。这一步多花半小时，后面能省一整天。