储能选址定容的改进遗传算法：数量可配置的Matlab实现

自己折腾储能规划这事儿快两年了。从最开始只会用现成工具箱里的遗传算法跑预置案例到后来因为实际项目需要不得不自己动手写一套能应对“任意设定储能数量”的改进版算法中间踩过的坑不少。今天挑这个题目出来聊是因为每次我在技术群里看到有人问“储能选址定容的Matlab代码怎么改”绝大部分回复都在讲基础算法流程很少有人说清楚一件事当你要把储能数量从固定3个改成可配置的N个时代码里真正需要动的不是什么参数而是编码方式、变异算子和约束处理逻辑。这个需求听着不大但在实际工程里非常常见。举个例子某分布式光伏渗透率比较高的配电台区去年预算只够装3个储能点今年政策调整后又可以装5个了。如果你的代码里储能数量是写死的那等于整个寻优模型要推翻重来。我这版改进遗传算法的基础逻辑把储能数量直接作为输入变量想做几个点就传几个数进去剩下的交给算法自己跑。配套还做了自适应变异、精英保留、节点合法性校验这些改进整体在33节点模拟系统上测试下来收敛速度和结果稳定性都要比原始遗传算法好不少。今天不整虚的从数学建模到Matlab代码实现再到我自己调参、排错的经验一步一步拆开讲。适合刚接触配电网储能规划的同学也适合写了不少代码但总被约束条件折磨的工程师。1. 先说清楚储能选址定容到底是个什么问题1.1 问题定义与数学模型储能选址定容本质上是在给定电网拓扑结构、负荷曲线、分布式电源出力曲线以及储能参数的前提下决定两件事第一储能电站建在哪个节点第二每个电站配置多大容量。通常还要求同时满足电压不越限、线路不过载、储能功率和容量不超限等一系列约束。数学上可以写成下面这个简化形式目标函数是综合成本最小常见表达式为[ \min C C_{inv} C_{ope} C_{elec} C_{loss} \lambda_v \cdot \sum V_{viol} ]其中(C_{inv}) 是储能投资成本折算到每年的费用(C_{ope}) 是年运维成本(C_{elec}) 是系统从上级电网购电的费用(C_{loss}) 是网络损耗费用(V_{viol}) 是节点电压越限惩罚项(\lambda_v) 是惩罚系数。决策变量有两类选址变量0-1整数变量表示储能是否安装在某个节点定容变量连续变量表示每个储能站的容量MWh。如果储能数量问题造成条件还要新增一个约束[ \sum_{i1}^{N_{bus}} x_i N_{store} ]这里的 (N_{store}) 就是你要设定的储能数量。这也是为什么“可任意设定储能数量”不是一个简单的参数修改它直接影响整个寻优空间的维度。约束条件包括节点电压上下限(U_{\min} \le U_i \le U_{\max})支路潮流约束(P_{ij}^2 Q_{ij}^2 \le S_{ij,\max}^2)储能容量约束(0 \le E_i \le E_{i,\max})储能功率约束(0 \le P_i \le P_{i,\max})节点安装数量约束一个节点最多装一个储能这类问题属于混合整数非线性规划节点数一多用传统求解器比如Cplex、Gurobi直接建模时需要做线性化处理工作量大而且非凸问题可能陷入局部最优。启发式算法虽然不能保证全局最优但胜在灵活可以方便地嵌入潮流计算和各种复杂约束所以很多工程实践都会选择用遗传算法、粒子群这类智能算法来求解。1.2 为什么“数量可任意设定”在工程中很关键先不说算法单纯从工程项目管理角度看储能数量在整个项目周期里就是一个经常变化的参数。前期可研阶段可能假设装3个站到了初步设计阶段因为某个节点现场不具备征地条件又改成4个站或者投资方突然批了一笔额外预算要求再增加1个点。你会发现储能数量这东西很少从一开始就一个数定到底。而目前网上能下载的大多数开源代码都是固定安装数量。有些写死了2个有些写死了3个改数量的方式是直接改程序里的变量初始化改完以后选择算子、变异算子里的维度也要跟着改经常出现数组越界、维度不匹配的报错。如果你只是拿来交作业那没问题但如果你想把这套代码用在自己的项目里必须把储能数量做成可配置参数。我在程序设计时用了动态编码长度。简单说种群中每个个体不再是固定长度的染色体而是分为两段前 (N_{store}) 个基因储能安装节点编号每个基因是一个整数后 (N_{store}) 个基因对应每个节点的储能容量每个基因是一个实数。这样做的好处是你只需要修改输入参数 (N_{store})整个编码长度自动变化交叉、变异算子都会根据当前长度动态生成合法个体不需要再动主程序逻辑。我在代码里用 (opt.N_store) 这个字段来传参跑起来非常方便。2. 遗传算法为什么容易“不够用”改进点到底在哪2.1 基础遗传算法在储能选址上的短板用基础遗传算法直接去跑储能选址定容很快就会发现两个问题早熟和无效解太多。早熟是遗传算法通病迭代到十几代以后种群多样性迅速下降所有个体都在最优解附近的小范围里打转很难跳出来。储能选址问题本身是非凸的不同节点组合在成本上的差异很微妙一旦种群多样性丢失很容易找到一个局部比较优但全局不优的站点组合。第二个问题更头疼。随机生成的个体里有很大一部分根本不可行。比如随机初始化节点号时完全有可能出现两个储能装在同一个节点上这在业务上是不允许的。再比如容量变量在可行域内随机取值如果总容量约束很紧很多个体的总容量直接超限被罚函数罚掉相当于这些个体没有任何进化价值。种群中无效个体一多真正有意义的寻优空间就变小了算法效率自然低。另外基础遗传算法通常采用二进制编码选址变量和容量变量混合编码后染色体长度会非常长比如一个33节点系统如果每个容量变量用12位二进制表示3个储能点就有36位再加上节点编号编码整个染色体长度暴涨计算开销很浪费。2.2 我用的改进策略编码、选择、变异与约束处理针对上面这些问题我做了几处关键改进。第一混合编码。节点编号用整数编码容量用实数编码。这样做的好处很明显染色体的长度从几十位二进制压缩到 (2 \times N_{store}) 个实数内存占用小交叉变异也更直观。实数编码还有一个额外的好处就是可以在变异时使用步长控制让搜索从粗粒度逐渐过渡到细粒度。第二初始化合理性引导。种群的初始个体不再是完全随机而是先对每个节点做一次电压灵敏度排序把最影响电压的若干节点作为候选热点一部分个体在热点集合里随机选取另一部分个体在全节点范围随机选取。这样做相当于给遗传算法一个“热身解”让它在初始阶段就有一些比较合理的站点组合避免前期浪费大量迭代在完全反直觉的位置上。第三锦标赛选择加精英保留。锦标赛选择的好处是能控制选择压力我一般设置竞赛规模为5也就是每次从种群中随机抽5个个体取最优进入下一代。同时每一代的最优个体直接复制到下一代替换掉最差个体。这个操作确保了算法单调不退化工程上非常有用——至少在迭代过程中你能保证解不会越变越差。第四自适应变异和“邻近节点变异”。变异概率从初始的0.2线性下降到终止的0.05。对于选址段的变异不是随便生成一个新节点而是从当前节点的电气连接邻居里选一个进行替换。这样变异的个体大概率还在可行区域内不会跳出到网络孤岛上。2.3 改进之后的收敛效果对比基于模拟数据我在一个模拟33节点配电系统上做了对比测试。这个系统的总负荷约3.6MW光伏渗透率40%储能数量固定设置为3。基础遗传算法和改进版遗传算法各跑20次种群规模50迭代代数100其他参数保持一致。结果很有意思。基础遗传算法有6次停在同一种局部最优解附近最优个体集中在了18、25、33三个节点并且几乎没有再变化。改进版算法虽然也会偶尔在某个节点组合上来回振荡但20次里面能跳出局部找到更优组合的次数明显更多。以“网损降低比例”作为参考改进版的平均网损降低约31.7%基础版只有25.9%。在收敛时间上改进版反而更快因为无效个体少了适应度计算中很大一部分不需要再跑完整潮流程序整体消耗时间反而下降了约12%。需要说明的是这个对比是在我的模拟场景下做的换一个系统不一定结论一致但它至少说明改进的重点不在于把遗传算法本身做得有多花哨而在于让它更适应储能选址定容这个具体问题的数学结构。3. Matlab实现细节从目标函数到主循环3.1 输入参数与数据结构设计在Matlab里写这类优化程序最忌讳的就是把所有变量堆在脚本里跑完一个案例就乱了。我习惯把所有基础数据和算法参数放进两个结构体里分别叫baseData和opt这样函数调用时只需要传这两个结构体代码干净也方便复用。baseData里放的是系统本身的数据节点导纳矩阵、24小时负荷标幺值曲线、24小时光伏出力曲线、储能单位投资成本、年运维成本系数、峰谷分时电价、网络拓扑关联矩阵等。opt里放的是算法参数储能数量、种群规模、最大迭代代数、交叉概率、变异概率、容量上下限、总容量上限等。归一化建模时我会提前做好这样可以避免在目标函数里反复做单位换算。opt.N_store 3; % 储能安装数量可任意设定 opt.popSize 50; % 种群规模 opt.maxGen 100; % 最大迭代代数 opt.pc 0.9; % 交叉概率 opt.pm0 0.2; % 初始变异概率 opt.pmEnd 0.05; % 终止变异概率 opt.busNum 33; % 节点数 opt.minCap 0.1; % 单个储能最小容量 (MWh) opt.maxCap 2.0; % 单个储能最大容量 (MWh) opt.maxTotalCap 5.0; % 总容量上限 (MWh) baseData.loadCurve loadCurve; % 24h负荷标幺值 baseData.pvCurve pvCurve; % 24h光伏出力标幺值 baseData.costInv 1.2e6; % 储能单位容量投资成本(元/MWh) baseData.costOpe 0.05e6; % 单位年运维成本(元/MWh) baseData.elecPrice elecPrice; % 24h分时电价(元/MWh) baseData.net net; % 网络邻接矩阵注意opt.N_store可以随意改成5、8、10程序会自动适应。3.2 目标函数和约束条件的代码化目标函数是优化问题的核心我把它封装在calcFitness函数里。这个函数输入一个个体和基础数据输出一个数值作为综合成本遗传算法的选择算子直接比较这个数值。逻辑很简单先取出选址和容量然后依次做合法性检查、容量约束检查、潮流计算和成本累加。一个比较关键的细节是如果个体不合法我直接返回inf而不是一个很大的罚数。因为一旦某个个体的适应度是inf它在选择过程中就完全没机会被选中相当于被自然淘汰。但要注意如果种群里所有个体都是inf那整个种群就失去进化动力了所以初始化时一定要保证有足够多的可行个体。function cost calcFitness(individual, baseData, opt) N opt.N_store; loc individual(1:N); cap individual(N1:end); % 节点重复检查 if length(unique(loc)) N cost inf; return; end % 容量范围检查 if any(cap opt.minCap) || any(cap opt.maxCap) cost inf; return; end % 总容量上限检查罚函数处理 if sum(cap) opt.maxTotalCap overRatio (sum(cap) - opt.maxTotalCap) / opt.maxTotalCap; cost 1e8 * (1 overRatio); % 超限越多惩罚越大 return; end % 24小时储能运行模拟与潮流计算 [energyCost, lossCost, volPenalty] simulateOperation(loc, cap, baseData, opt); % 投资成本折算到年 invCost sum(cap) * baseData.costInv / opt.lifeYears; opeCost sum(cap) * baseData.costOpe; cost invCost opeCost energyCost lossCost volPenalty; end这里有个成本折算的经验投资成本不能简单按全周期平摊最好按等年值法考虑折现。如果项目周期是10年折现率取6%等年值系数大概是 (0.06(10.06)^{10}/((10.06)^{10}-1) \approx 0.1359)。也就是说总投资乘以0.1359才是每年的成本。很多初学者直接把总投资当成目标函数导致算法更倾向于选择容量小的方案但忽视了储能带来的长期收益最后出来的方案过于保守。潮流计算我建议用前推回代法因为配电网结构多为辐射状前推回代法在Matlab里写起来简单迭代速度快。如果用的是环网结构就需要用牛顿-拉夫逊或MATPOWER。为了照顾通用性我在simulateOperation里先判断网络是否含环含环就调用牛顿法纯辐射状就调用前推回代。3.3 主程序流程种群初始化、迭代、输出结果主程序流程并不复杂核心是一个for循环每一代都经历选择、交叉、变异、再计算适应度、精英保留这几步。初始化种群时我并不是完全随机地生成节点编号。前面提到先根据24小时无功电压灵敏度排序挑出排名前20的节点作为“热点池”。然后一半个体从热点池里随机取一个可行组合另一半个体从全部节点里随机取。这样既能保证初始种群的多样性又能让一部分个体一开始就具备比较好的电压改善潜力。pop initPop(opt, baseData); elite struct(cost, inf, individual, []); bestHistory zeros(opt.maxGen, 1); for gen 1:opt.maxGen costArr zeros(opt.popSize, 1); for i 1:opt.popSize costArr(i) calcFitness(pop(i, :), baseData, opt); end [minCost, idx] min(costArr); if minCost elite.cost elite.cost minCost; elite.individual pop(idx, :); end bestHistory(gen) elite.cost; % 自适应变异概率 pm opt.pm0 - (opt.pm0 - opt.pmEnd) * gen / opt.maxGen; % 选择锦标赛 newPop selectTournament(pop, costArr, opt); % 交叉 newPop crossoverPop(newPop, opt); % 变异 newPop mutatePop(newPop, opt, pm, baseData); % 精英保留替换第一个个体 newPop(1, :) elite.individual; pop newPop; end disp([最优成本: , num2str(elite.cost)]); disp([最优选址方案: , num2str(elite.individual)]);实际运行中如果发现bestHistory几乎是一条平滑下降的曲线说明种群压力比较合适如果是一条台阶状曲线每过很多代才跳一次说明多样性不足可能需要提高变异概率或者增大种群规模。3.4 核心代码片段与注释交叉与变异的实现这里单独说一说交叉和变异的实现因为这是“任意设定数量”之后最容易出问题的环节。先说交叉。对于选址段如果直接使用单点交叉大概率会出现重复节点。比如父代A的位置是[18, 25, 33]父代B的位置是[12, 25, 30]交叉点选在中间子代可能变成[18, 25, 30]这时候节点25重复了但节点数不够。我用的方案是“部分映射交叉”PMX专门处理排列编码。PMX的核心思想是把位置看成一种排列交叉后通过映射关系把重复的节点替换成不重复的节点。部分映射交叉的Matlab骨架如下function [child1, child2] pmxCrossover(p1, p2, N) a randi([1, N-1]); b randi([a1, N]); child1 p1; child2 p2; % 交换片段 child1(a:b) p2(a:b); child2(a:b) p1(a:b); % 解决冲突保留未交换位置的合法基因 for i a:b if child1(i) ~ p2(i) target p1(i); pos find(child1 p2(i)); if ~isempty(pos) child1(pos(1)) target; end end if child2(i) ~ p1(i) target p2(i); pos find(child2 p1(i)); if ~isempty(pos) child2(pos(1)) target; end end end end容量段的交叉就简单多了我用算术交叉alpha rand; childCap alpha * p1(N1:end) (1-alpha) * p2(N1:end);这样生成的子代容量都在父代容量范围内不会越界。变异方面选址段采用“相邻节点替换”和“随机两点交换”两种方式随机选择。相邻节点替换需要用到网络邻接矩阵baseData.net保证替换后的父子节点之间电气上是连通的这样更符合实际工程中储能接入的可能位置。容量段则使用高斯扰动扰动步长随迭代代数递减。function newPop mutatePop(pop, opt, pm, baseData) newPop pop; for i 1:size(pop, 1) if rand pm N opt.N_store; individual pop(i, :); loc individual(1:N); % 随机选择一个位置基因进行变异 idx randi(N); oldNode loc(idx); neighbors find(baseData.net(oldNode, :)); if ~isempty(neighbors) newNode neighbors(randi(length(neighbors))); loc(idx) newNode; end individual(1:N) loc; % 容量变异步长按迭代进度缩小 sigma (opt.maxCap - opt.minCap) * (0.2 - 0.1 * opt.currentGen / opt.maxGen); capIdx N randi(N); individual(capIdx) individual(capIdx) randn * sigma; individual(capIdx) max(opt.minCap, min(opt.maxCap, individual(capIdx))); newPop(i, :) individual; end end end这段代码里有一个隐藏问题变异时只对一个位置基因做了邻居替换但替换后的节点可能与另一个位置基因重复。这种情况下最稳妥的做法是重新用整段合法排列生成一个个体或者在替换后立即检查重复如果重复则再次替换。我在最终版本里加了个循环保证重复节点不超过一个这样才不会让遗传算法辛辛苦苦维持的合法性被一次变异毁掉。4. 关键坑位与排查方法想直接跑通需要知道的事4.1 常见报错与原因分析Matlab代码写出来以后第一轮跑通基本都会遇到各种报错。我把自己踩过的和帮别人排查过的几个高频问题整理成表格方便你对照。报错信息可能原因解决办法索引超出数组边界个体中某个节点编号大于节点总数或小于1在变异函数里增加边界检查节点号取整后约束到[1, busNum]矩阵维度必须一致潮流计算中输入向量长度不等于24或容量数组长度不为N检查calcFitness中取个体片段的方式确认是individual(1:N)而不是1:N_store写死输出参数太多调用pdistmex或kmeans等内置函数时参数与版本不兼容多数发生在Matlab版本变动时建议把数据处理全部改写成基础矩阵运算目标函数返回inf且始终不变罚函数太狠所有个体都超限降低总容量罚函数权重或初始化时缩小容量随机范围运行速度极慢适应度计算里每次迭代都跑完整潮流对重复个体做缓存同一个个体的适应度只计算一次用字典存下来报错信息五花八门但只要掌握一个核心思路所有维度问题都源于”个体长度“和“储能数量”不匹配。当你修改opt.N_store以后一定要检查个体初始化、交叉、变异和calcFitness这四处是否都用了同一个变量。4.2 参数调优心得种群数、交叉率、变异率怎么选智能算法的痛点永远在参数调优。我给不出万能参数但可以给一组经过大量测试后比较稳的经验值至少能让你在33节点这种规模的系统上迅速跑出有参考价值的结果。种群规模节点数在30~50之间时50个个体足够。到了100节点以上建议至少100甚至200。种群太小搜索空间覆盖不足种群太大每一代耗时成倍上升。交叉率0.85~0.95。储能选址问题中交叉操作带来的新组合往往很有价值所以交叉率可以高一点。但要注意如果交叉率太高种群容易震荡收敛曲线会像锯齿一样。变异率我这里做的是自适应衰减从0.2降到0.05。前期变异率高是为了维持多样性后期低是为了不破坏已经找到的好解。容量变异步长刚开始我用的固定步长0.5MWh结果发现后期解在1.2~1.5MWh之间来回跳很难精确稳定。后来改成自适应步长前期0.4MWh后期0.1MWh收敛精度明显变好。精英保留必须做。我试过关掉精英保留算法偶尔会丢掉已经找到的最优解然后再也找不回来这放在工程上是不可接受的。如果你发现结果每次跑都不一样但都差不多这是正常现象遗传算法本身是随机算法。如果想得到稳定方案一个实用技巧是同一个参数下重复跑10次统计每个节点被选中的频次把频次最高的N个节点作为推荐方案。这样做比单次最优解更可靠也更方便和项目方沟通。4.3 如何验证结果是否合理潮流校验与敏感性分析程序跑完输出一组漂亮的成本和网损数据还不能马上用。我一般会做三件事。第一件事把最优个体还原成储能位置和容量重新跑一遍完整的24小时潮流检查每个时刻的节点电压是否符合0.95~1.05 pu的标准。这一步能发现目标函数里电压惩罚项没有完全覆盖的瞬态问题。比如某些节点只在12点到14点之间略微越限罚函数可能因为时序平均而忽略了必须逐时刻检查。第二件事查看储能设备的利用率。我会统计每个储能在典型日的充放电循环次数。如果某个储能一天只充放了一次而且容量利用率不到20%说明这个站点基本是多余的算法可能因为随机性硬塞了一个位置在里面。这时候可以手动把容量转移到利用率高的节点然后重新跑一次通常会得到一个更经济的方案。第三件事做敏感性分析。把负荷曲线整体上浮10%再把光伏出力曲线整体下调10%重新用优化得到的选址容量跑一次潮流。如果电压仍然满足约束说明方案有一定裕度如果不满足说明方案太严格地贴着约束边界需要增加容量或者增加储能数量。我在实际项目里就因为这一步把一个本来5个点的方案改成了6个点避免了高峰期电压越限的隐患。5. 案例演示分别在3个储能点和5个储能点下的选址结果5.1 测试场景说明为了让上面的方法更直观我在一个模拟的33节点配电系统上跑了两个配置储能数量分别设为3和5。这个系统的基础数据来自于某分布式能源示范项目改造前的典型日数据不含任何真实地名仅用作算法验证。系统参数如下基准电压10kV总负荷3.6MW光伏渗透率40%电网接入点位于节点1线路参数为标准33节点测试系统的公共参数。储能单位投资成本120万元/MWh单个储能容量上限2MWh总容量上限5MWh节点电压允许范围0.95~1.05pu。算法参数采用我前面说的那组经验值种群规模50迭代代数100交叉率0.9初始变异率0.2终止变异率0.05。5.2 3个储能点的优化结果当N_store3时跑完的最优方案见表项目数值安装节点18、25、33配置容量(MWh)1.2、1.5、1.8年综合成本(万元)439.2线路网损降低比例31.6%最低节点电压(pu)0.961光伏消纳率87.3%三个储能点全部位于线路末端和分支比较重的区域这是合理的末端节点电压最脆弱储能就地支撑效果最明显。容量分配上节点33配的1.8MWh最大因为它处在最远分支负荷需求大光伏波动也大。整组方案的成本主要来自投资成本但由于网损降低和购电成本下降年综合成本整体还是比不装储能的基准方案低了约12%。5.3 5个储能点的优化结果接着把N_store改成5其他参数不变重新跑。最优结果如下项目数值安装节点12、18、22、29、33配置容量(MWh)0.8、1.1、0.7、1.2、1.2年综合成本(万元)461.5线路网损降低比例35.2%最低节点电压(pu)0.968光伏消纳率94.1%可以看到5个点时的储能分布更分散单点容量普遍下降其中节点22只配了0.7MWh更多起到电压支撑作用而不是削峰填谷主力。最低电压从0.961提升到0.968光伏消纳率从87.3%提升到94.1%效果提升明显。但年综合成本反而比3个点方案高了22.3万元主要原因是储能设备数量增加配套的接入装置和运维成本上升。5.4 结果对比与使用建议把两个方案放在一起对比结论并不复杂储能数量越多电压改善和光伏消纳效果越好储能数量增加后总容量不一定增加因为设置了总容量上限5MWh所以改善不一定来自容量增加更多来自”分散布置“带来的就地支撑效果综合成本并不随着储能数量增加而直线上升但如果目标函数没有把弃光罚项加进去算法会倾向于在满足电压约束的前提下少装储能这会低估“多装储能带来的消纳收益”。如果实际项目更看重电压质量和消纳率可以像我一样在目标函数中引入弃光惩罚项比如每弃掉1MWh光伏罚款按上网电价的一定比例折算。这样改进遗传算法会自动平衡“投资成本”和“光伏消纳收益”得到的结果会更客观。另外无论跑出哪个方案我都建议你在现场踏勘前先不要过度优化。程序给出的结果是数学意义上的最优但实际节点能不能建储能还要看土地、消防、接入间隔、周边负荷发展情况。我通常把遗传算法的结果当作“候选池”再结合现场条件做最后决策。最后再分享几个实际经验跑过这么多轮储能规划我最大的感受是改进遗传算法最核心的价值不是把算法本身弄得多高级而是让它紧紧贴着工程约束走。每一次变异算子的调整、每一处罚函数系数的设置背后都对应着一个真实工程问题。比如最开始我用的是普通单点交叉老出现重复节点后来改成部分映射交叉问题就再没出现过最开始容量变异步长固定导致精细搜索不够改成自适应步长后解的质量明显上涨。这些改进看着都不起眼但累计起来效果很可观。最后分享一个排查问题的小技巧跑完程序后把历代最优成本曲线画出来配合每次迭代时种群可行个体占比一起看。如果曲线下降很平缓但可行个体占比从一开始就很高说明初始解已经不错可以适当减少迭代代数如果可行个体占比在后期突然下降说明变异操作破坏了过多合法个体这时候要检查变异函数里是否忘了处理节点重复。另一个容易被忽略的细节是Matlab里每次跑随机算法前最好设置随机种子也就是rng(固定数)。我在对比算法效果时如果不固定随机种子同一组参数跑两次的结果差别会很大根本无法判断改进是否有效。固定随机种子以后改进版和原始版的对比就非常有说服力也方便你调试代码、复现结果。这套代码的框架我已经用在了好几个不同规模的模拟系统上只要修改基础数据参数和opt.N_store就能很快得到对应的选址定容方案。如果你也在搞配电网储能规划建议先在你自己的算例上跑通再逐步把潮流模型替换成更精确的实际系统模型。储能选址定容是个老问题但每次工程条件不一样就需要我们把算法做得更灵活一点。这篇分享里所有代码片段都是简化后的核心思路完整工程里还需要自己补充数据读取、结果输出和画图模块不过有了主框架补这些只是时间问题。