基于粒子群算法的配电网日前优化调度 采用IEEE33节点配电网搭建含风光，储能，柴油发电机和燃气轮机的经济调度模型。 以运行成本和环境成本最小为目标，考虑储能以及潮流等约束，采用粒子群算法对模型进行求解，得到电源的每小时出力情况。
凌晨三点的配电调度室里，老王盯着屏幕上跳动的负荷曲线直挠头——风光出力像过山车，储能电池该充该放？柴油机和燃气轮机怎么配合最省钱？这时候隔壁工位的小李扔过来一份代码："试试这个鸟群算法？"
咱们先来拆解这个问题。基于IEEE33节点搭建的配电网模型，就像一个有33个水龙头的巨型水管系统。风光发电是看天吃饭的水泵，储能设备是自带阀门的水箱，传统发电机则是稳定但费钱的水泵。目标就是让整个系统在24小时内，既省钱（运行成本低）又环保（环境成本小）。
看这段核心代码，目标函数才是灵魂所在：
def fitness_function(solution): # 解结构：[光伏出力24h, 风电出力24h, 储能充放电24h...] fuel_cost = sum(diesel_cost * diesel_output + gas_cost * gas_output) emission_cost = co2_factor * total_diesel_fuel penalty = 1000 * max(0, abs(power_flow) - line_limit) # 越限惩罚 return fuel_cost + emission_cost + penalty这里把经济性和环保性揉成了一个数值指标，还加了潮流越限的惩罚项。就像考试评分标准，既看答题正确率（成本），又看卷面整洁度（环保），违规还要扣分（越限）。
粒子群的迭代过程特别像菜市场讨价还价：
for _ in range(max_iter): for i in range(swarm_size): if current_cost < personal_best[i]: personal_best[i] = current_cost pbest_positions[i] = particles[i].copy() global_best_index = np.argmin(personal_best) # 更新速度时加入惯性权重 inertia = 0.9 - (0.5 * _ / max_iter) velocities = inertia*velocities + c1*r1*(pbest_positions - particles) + c2*r2*(gbest_position - particles) # 边界处理 particles = np.clip(particles + velocities, lower_bound, upper_bound)每个粒子都像摊贩在调整商品价格——既惦记自己历史最优价（personalbest），又偷瞄隔壁摊的畅销价（globalbest）。惯性权重从0.9降到0.4的设计，让算法前期大胆探索，后期精细调整。
基于粒子群算法的配电网日前优化调度 采用IEEE33节点配电网搭建含风光，储能，柴油发电机和燃气轮机的经济调度模型。 以运行成本和环境成本最小为目标，考虑储能以及潮流等约束，采用粒子群算法对模型进行求解，得到电源的每小时出力情况。
代码里有个细节要注意：储能约束的处理。就像不能让水箱同时进出水：
# 储能充放电互斥约束 for t in range(24): if solution[storage_charge_idx + t] > 0: solution[storage_discharge_idx + t] = 0 else: solution[storage_discharge_idx + t] = min(solution[storage_discharge_idx + t], max_discharge)这种逻辑约束如果交给算法自己领悟，容易跑偏。手动添加规则，相当于给算法划重点，能大幅提升收敛效率。
跑出来的结果挺有意思：凌晨风电大发时，储能像饿虎扑食般充电；午间光伏高峰，燃气轮机悄悄降低出力；傍晚负荷尖峰时，柴油机短暂启动救场。整个调度方案像交响乐团，粒子群算法就是那个把控全局的指挥家。
不过实践中发现个有趣现象：当把环境成本权重调高时，算法会优先使用燃气轮机而不是柴油机，虽然燃气轮机的燃料费略高。这就像环保税改变了市场选择，算法自发实现了政策引导效果。
最后留个思考题：如果突然加入电动汽车充电桩的随机负荷，这个算法框架要怎么调整？答案可能藏在动态约束处理中——就像交响乐中途加入新乐器，指挥家得实时调整声部平衡。
