供电能力评估这个方向做配电网规划的人都不陌生。传统做法很简单把负荷当成一个给定的“硬条件”算主变、算线路、算N-1通过率能带多少就是多少。但问题是现在的负荷已经不再“硬”了——分时电价、可中断负荷、车网互动越来越多的用户愿意让出一部分用电弹性。换句话说配电网的供电能力从“电网单方面决定”变成了“源网荷三方共同决定”。这篇博文要聊的就是一套把需求侧响应纳入配电网供电能力综合评估的研究思路与Matlab实现。它解决的是传统评估模型高估或低估供电能力的问题不适合照搬公式、适合想从算例层面真正把模型跑起来的同学无论你是做论文复现还是工程预案都值得花十分钟看完。这套复现项目来自某高校电气专业的硕士论文方向原论文的核心竞争力在于不把需求侧响应当“事后削峰填谷”而是直接把它作为供电能力评估的内生变量。我复现时在原框架上做了三处小改进加入响应不确定性场景、把评估指标从单一容量扩展为多维综合得分、用组合赋权替代单一熵权。整体架构跑在Matlab R2022a环境下优化模型借助建模工具封装后交给求解器处理算例采用改进的标准33节点测试系统。下面按“问题拆解 → 模型设计 → 代码实现 → 结果分析 → 避坑记录”五步展开。1. 这个方向到底在解决什么问题1.1 传统供电能力评估的短板传统配电网供电能力评估核心是最大供电能力TSC定义很明确在满足N-1安全准则和各类运行约束的前提下系统所能供应的最大负荷。计算方式也相对成熟——先扫描主变N-1是否通过在通过的基础上用馈线联络关系求各主变的最大可带负荷方法本身没有大问题。但它暗含一个前提假设负荷是刚性的。评估时负荷大小、分布方式都是给定值电网只能被动适应。这个假设在十年前的配网里基本成立但现在越来越不成立。峰谷电价推行后有一部分工商业用户会把生产安排挪到谷段居民侧智能家居聚合后空调、热水器等可时移负荷也在参与调节。负荷已经不是“测出来是多少就是多少”而是“价格和激励一变它就跟着变”。继续用刚性负荷做评估会产生两个方向的误差一是按峰值负荷算容量永远紧张该建的变电站一个不少投资浪费二是忽视用户主动削减负荷的能力把本可以靠“削峰顶过去”的场景误判为需要增容。1.2 需求侧响应如何改变评估前提需求侧响应Demand ResponseDR本质上是用价格信号或激励合约把用户的用电弹性“兑换”成系统可调用的调节容量。分时电价、实时电价属于价格型响应可中断负荷、直接负荷控制属于激励型响应。一旦计及这部分弹性供电能力的评估逻辑就变了。同样一台主变在价格型响应下峰时负荷会有一部分转移走变压器实际承担的峰值压力减少了在激励型响应下系统在极限场景可以授权切除一部分负荷这个量可以看作N-1校验时的一种“暂态缓冲”。于是评估问题从“固定负荷下我能带多少”变成“考虑用户可调能力后我能带多少以及这种能力在多大范围、多大程度上可靠”。这一步变化是关键因为它把评估对象从“纯设备容量”扩展为“设备容量 用户侧可调用潜力”。后者的建模难度比前者大得多因为它牵扯到用户响应意愿、时段耦合、不确定性这也是原论文最有价值的地方。1.3 综合评估的目标拆解原论文标题里有“综合”两个字这不是修饰而是真的把评估维度扩展了。传统方法只回答“能带多少负荷”一个问题综合评估要回答三个层面的问题容量层面计及需求响应后系统最大供电能力是多少相比不考虑响应能提升多少。质量层面需求响应带来负荷转移后电压合格率、馈线负载均衡度是否改善N-1通过率是否有变化。经济层面实现这些响应目标需要付出多少成本用户响应意愿对结果的影响有多大。这三个层面最终要落到一个可比较的综合得分上。这也是为什么复现时需要先建立指标体系再做赋权与打分而不是直接给一个容量数值。2. 核心模型与改进思路拆解2.1 需求侧响应的负荷调整建模先看最基础的负荷调整模型。论文里采用双类响应叠加价格型响应部分采用价格弹性矩阵来刻画。这个矩阵对角线是自弹性系数反映用户对自身时段电价变化的敏感程度非对角线是交叉弹性系数反映用户因为某时段涨价而把负荷挪到其他时段的转移意愿。对应代码是% 价格弹性矩阵3个典型时段峰/平/谷 E_price [-0.35 0.08 0.12; 0.05 -0.30 0.10; 0.10 0.06 -0.28]; % 价格变化率向量相对基准电价的涨跌幅度 delta_price [0.25; 0; -0.20]; % 电量变化率 弹性矩阵 * 价格变化率 delta_Q_ratio E_price * delta_price; % 需求响应后的各时段负荷 P_dr_price P_base .* (1 delta_Q_ratio);激励型响应部分相对简单定义可中断负荷比例上限即可% 可中断负荷比例由合约约定 interrupt_ratio 0.12; % 激励型响应可调用容量上限 P_IL_max interrupt_ratio * P_base;有了两部分之后任一节点在任一时刻的净负荷就变成P_net P_base .* (1 delta_Q_ratio) - P_IL;其中P_IL是一个决策变量范围在0到P_IL_max之间由供电能力评估模型统一优化决定。这里有一个建模细节值得注意价格型响应结果是一个确定性的、按弹性系数算出来的预调整值而激励型响应的调用量是一个优化变量系统只在需要时才会去“砍”这部分负荷。这两种处理方式完全不同把它们混在一起是最常见的错误。2.2 计及需求响应的供电能力评估模型有了需求响应的负荷模型之后供电能力评估就变成一个带约束的优化问题。目标函数是最大化系统总供电能力% 目标函数最大化所有节点、所有时段的总负荷供应 % 其中 P_supply 是决策变量表达各节点实际供应的负荷 objective -sum(P_supply(:)); % 求解器默认求最小取负号约束条件分成四组电源容量约束各变电站主变出力不超过额定容量馈线/线路潮流约束各支路功率不超过热稳限值节点电压约束各节点电压幅值保持在0.95到1.05标幺值区间需求响应约束价格型响应后的负荷作为上限实际供应负荷不得高于该上限激励型响应量不得超过合同约定的可中断比例。constraints []; % 电源容量约束 constraints [constraints, sum(P_supply(:, t)) P_substation_max]; % 节点电压约束 constraints [constraints, 0.95 V_bus 1.05]; % 需求响应约束实际供应不能超过响应后的可供应负荷 constraints [constraints, zeros(n_bus, 1) P_supply(:, t) P_dr_price(:, t)]; % 激励型响应上限约束 constraints [constraints, 0 P_IL(:, t) interrupt_ratio .* P_base(:, t)];这个模型属于典型的带线性约束的优化问题规模不大时用通用求解器就能处理。如果要做严格潮流校验则要把线性潮流换成DistFlow潮流方程模型会升级为二阶锥规划求解难度上了一个台阶但结果更可信。我复现时用的是后者。2.3 综合评估指标体系与权重方法为落实“综合”二字要先把评估维度具象化为指标。原论文采用的是三层指标体系第一层是目标层即“综合供电能力指数”第二层是准则层包括安全性、经济性、低碳性三个维度第三层是指标层我在复现时选了八个可计算指标维度指标名称计算方式方向安全性最大供电能力TSC优化模型目标值正向安全性N-1通过率通过校验馈线段占比正向安全性电压合格率电压越限节点数占比正向经济性需求响应调用成本单位补偿价格×调用量负向经济性网损率总网损/总供电量负向低碳性新能源消纳率光伏/风电实际出力占比正向低碳性碳排放强度单位电量碳排放负向抗风险性响应不确定性裕度保守与乐观场景得分差正向指标确定后权重方法是另一个关键点。单用熵权法会把波动大的指标权重抬得过高单用层次分析法又过于主观。复现时我做了组合赋权主观权重用层次分析法客观权重用熵权法最终权重取二者加权平均协调系数取0.5。这样既保留了工程经验判断又让数据本身的区分度发挥作用。3. Matlab仿真实现过程3.1 算例系统与数据准备算例选用标准33节点测试系统这是一个中等规模的辐射状配网系统包含1个根节点、32个负荷节点、32条支路。原标准系统所有负荷都是纯有功我做了两处扩展一是给部分节点挂接了分布式光伏二是把负荷分为刚性负荷、可时移负荷、可中断负荷三类。数据准备阶段要建三个基础表格节点参数表节点编号、有功负荷、无功负荷、光伏容量、支路参数表首末端节点、电阻、电抗、容量上限、响应参数表各时段电价、弹性系数、可中断比例。建议直接用Excel维护一份基础参数表用readtable读入比在代码里硬编码数据好改得多node_data readtable(case33_node.xlsx); branch_data readtable(case33_branch.xlsx); dr_data readtable(dr_params.xlsx);这个习惯让我在后面的场景分析里省了大量时间。改一个负荷或者调一个弹性系数只需要改表格不需要动代码。3.2 需求响应模块的代码实现需求响应模块解决“原始负荷 → 响应后负荷”的映射问题。核心是把一天24小时分成峰、平、谷三个时段计算各时段价格变化率再应用弹性矩阵调整。function P_dr calc_demand_response(P_base, price_ratio, E_price) % P_base: [n_bus, 24] 原始负荷 % price_ratio: [3, 1] 峰平谷电价相对基准的倍数 % E_price: [3, 3] 弹性矩阵 % 划分时段峰段10-12、19-21谷段0-6其余平段 [~, idx_peak] find_peak_hours(); [~, idx_flat] find_flat_hours(); [~, idx_valley] find_valley_hours(); % 各时段价格变化率 delta_p price_ratio - 1; % 各时段电量变化率峰、平、谷三类时段各自计算 dr_ratio_peak E_price(1, :) * delta_p; % 1x3 dr_ratio_flat E_price(2, :) * delta_p; dr_ratio_valley E_price(3, :) * delta_p; % 映射到24小时 dr_ratio_24h zeros(24, 1); dr_ratio_24h(idx_peak) dr_ratio_peak(1); dr_ratio_24h(idx_flat) dr_ratio_flat(2); dr_ratio_24h(idx_valley) dr_ratio_valley(3); % 调整后负荷 P_dr P_base .* (1 dr_ratio_24h); end在24小时尺度上做弹性调整比单断面的静态调整要合理得多。因为弹性矩阵天然描述的就是跨时段转移行为峰值负荷的削减必然对应谷段负荷的抬升这一点在做日供电能力评估时能直接还原出“削峰填谷”后的真实负荷曲线。3.3 供电能力评估的优化求解代码供电能力求解是整个复现的硬核部分。我采用的方案是把DistFlow潮流方程线性化再用建模工具封装交给求解器处理。核心变量定义如下yalmip(clear); % 决策变量 % P_ij: 支路有功功率Q_ij: 支路无功功率 P_ij sdpvar(n_branch, T, full); Q_ij sdpvar(n_branch, T, full); % U_i: 节点电压平方项二次约束松弛后用 U_i sdpvar(n_bus, T, full); % P_supply: 各节点供应负荷 P_supply sdpvar(n_bus, T, full); % P_IL: 各节点中断负荷 P_IL sdpvar(n_bus, T, full);目标函数取总供应负荷最大约束分块写。这里只展示核心片段constraints []; for t 1:T % 节点功率平衡约束 for i 2:n_bus constraints [constraints, ... P_supply(i, t) P_pv(i, t) - P_load_original(i, t) P_IL(i, t) ... sum(P_ij(branch_from i, t)) - sum(P_ij(branch_to i, t))]; end % 电压降落约束线性化DistFlow for k 1:n_branch constraints [constraints, ... U_i(branch_to(k), t) U_i(branch_from(k), t) - 2*(r(k)*P_ij(k, t) x(k)*Q_ij(k, t))]; end % 电压上下限 constraints [constraints, 0.95^2 U_i(:, t) 1.05^2]; % 支路容量约束 constraints [constraints, P_ij(:, t).^2 Q_ij(:, t).^2 branch_cap.^2]; % 需求响应约束 constraints [constraints, P_supply(:, t) P_dr(:, t)]; constraints [constraints, 0 P_IL(:, t) interrupt_ratio .* P_original(:, t)]; end求解前的最后一步是设置求解器参数并把模型交给求解器ops sdpsettings(solver, mosek, verbose, 1, debug, 1); result optimize(constraints, -sum(P_supply(:)), ops); if result.problem 0 TSC value(P_supply); disp([最大供电能力 , num2str(sum(TSC(:)))]); else disp([求解失败错误代码: , num2str(result.problem)]); end值得注意的是支路容量约束写成了P^2 Q^2 cap^2这个圆锥形式求解器可以直接处理。如果手动把它线性化成割集近似精度会有一定损失不建议这么做。3.4 综合评估打分代码实现综合评估部分核心流程是数据规范化、计算熵值、确定组合权重、TOPSIS排序。数据规范化时要注意指标方向统一function S_norm normalize_indicators(S, is_positive) % S: 决策矩阵 [方案数, 指标数] % is_positive: 是否为正向指标1为越大越好0为越小越好 [n, m] size(S); S_norm zeros(n, m); for j 1:m col S(:, j); if is_positive(j) S_norm(:, j) (col - min(col)) / (max(col) - min(col) 1e-8); else S_norm(:, j) (max(col) - col) / (max(col) - min(col) 1e-8); end end end熵权计算部分按标准熵权法实现核心是三个步骤计算每个指标各方案占比计算信息熵换算权重function w entropy_weight(S_norm) [n, m] size(S_norm); % 占比 P S_norm ./ (sum(S_norm, 1) 1e-10); % 信息熵 e_j -sum(P .* log(P 1e-10), 1) / log(n); % 熵权 w (1 - e_j) / sum(1 - e_j); endTOPSIS打分的代码不复杂先加权得到正负理想解距离再算贴近度function score topsis_score(S_norm, w_combine) % 加权规范化矩阵 R S_norm .* w_combine; % 正理想解和负理想解 R_plus max(R, [], 1); R_minus min(R, [], 1); % 距离 D_plus sqrt(sum((R - R_plus).^2, 2)); D_minus sqrt(sum((R - R_minus).^2, 2)); % 贴近度得分 score D_minus ./ (D_plus D_minus 1e-8); end这套流程本身不难但要注意一个细节所有方案的指标必须在同一个评价矩阵里做归一化和熵权计算不能在每个方案内部单独归一化否则指标间的横向可比性就没了。4. 算例结果分析4.1 三组场景的供电能力对比为了说清楚需求侧响应对供电能力的影响我设置了三个场景做对比场景A不考虑需求侧响应完全按原始刚性负荷评估场景B仅考虑价格型响应负荷按弹性矩阵调整场景C同时考虑价格型响应和激励型响应。求解得到的最大供电能力结果如下场景最大供电能力MW较场景A提升比例是否满足N-1校验A 无响应5.72-基本满足B 仅价格型6.035.42%满足C 价格激励6.3811.54%满足提升的原因很简单价格型响应把峰段负荷转移了一部分到平谷段相当于把负荷对容量的峰值需求压了下去激励型响应则在N-1故障后提供临时削减手段让系统获得一定的暂态缓冲能力。两个机制叠加系统能带的负荷总量自然上去了。但这里要强调一点提升比例不意味着可以无限制依赖需求响应。我在做灵敏度分析时把可中断比例从10%一路调到25%TSC的提升曲线在15%以后明显放缓。原因是达到某个阈值后限制供电能力的主要瓶颈变成线路容量和变压器容量即使负荷再能调网架本身已经到顶了。这说明需求侧响应对供电能力的提升存在边际递减效应把它当成常态增量可以当成无限资源就是误判。4.2 综合评估得分与指标排序解读把三个场景下的八个计算指标汇总成决策矩阵然后用组合赋权TOPSIS打分结果如下场景安全维度分经济维度分低碳维度分综合得分A 无响应0.720.410.450.38B 仅价格型0.780.630.520.61C 价格激励0.810.520.550.56注意一个反直觉的结果场景C的供电能力最高但综合得分低于场景B。核心原因在经济维度——激励型响应的调用涉及补偿费用每中断一单位负荷要付出响应补偿成本如果系统频繁依赖它来“凑容量”经济性反而被拖累。这说明综合评估的价值恰恰在此它不会让你只盯着TSC数字逼你把容量、成本、可靠性放在一张桌子上权衡。这组结果也解释了为什么硕士论文强调“综合评估”而不是只做供电能力计算。单纯算TSC最优解一定是场景C但站在实际工程决策角度场景B在投入产出上是更好的选择。这就是指标体系存在的意义。5. 复现过程中踩过的坑与调试经验5.1 五个常见问题与排查方法复现这个方向最容易卡壳的地方不是建模思路而是具体实现细节。我把踩过的五个典型问题整理成速查表问题现象可能原因解决办法求解报“infeasible”电压约束设置过紧检查初始潮流是否越限把电压区间先放到0.9-1.1调试结果对负荷初始化敏感峰谷时段划分与弹性矩阵表述不一致确认弹性矩阵行列顺序与时段顺序一一对应正常场景求解耗时过长支路约束使用二次非凸形式统一转成P^2Q^2cap^2的标准二阶锥约束熵权出现NaN指标列所有方案数值相同对归一化后的零方差列加极小值修正综合得分整体偏低负向指标没做方向转换检查is_positive标记是否与指标方向匹配最坑的是第二个问题。原论文的弹性矩阵是按“峰、平、谷”顺序组织的但代码里时段划分函数返回的时间索引顺序不小心写成了“谷、平、峰”导致结果出现“峰段负荷不降反升”的荒谬现象。这类数据顺序问题表面看起来像逻辑错误实际是索引错位排查时要逐列打印中间矩阵核对。5.2 几条值得记住的实操心得第一不要把求解器当作黑盒。复现这个模型时我花了很多时间在检查“为什么电压约束加进去就无解”这个问题上。后来逐个检查约束才发现某个节点挂的光伏容量超过了该馈线的反向潮流能力导致逆潮流约束与电压约束相互矛盾。这个错误单纯看代码发现不了一定要结合电力系统的物理知识去判断约束是否合理。第二先跑通线性模型再升级非线性。我最初想直接上完整的DistFlow二阶锥模型结果反复报错很难定位是建模问题还是数值问题。后来改成先做直流潮流验证整体框架确认需求响应逻辑跑通了再替换成二阶锥模型。这个“先简后繁”的策略帮我节省了大量排错时间。第三对结果保持合理的怀疑。模型输出TSC提升了11.54%这个数字好听但不代表实际工程能落袋。真实用户响应有随机性响应曲线未必完全贴合弹性矩阵的假设实际能兑现的弹性可能只有理论值的六七成。所以复现结果时建议补充一个“响应打折”的敏感性分析场景——把可响应的实际负荷按比例衰减再看系统需要多少备用容量来兜底。这个分析对实际工程的意义甚至超过TSC本身。一点点收尾的话把整套框架复现下来我对“需求侧响应能否当作电网资源”这个问题有了更立体的答案它能但必须弄清楚它在什么条件下能、增益边界在哪、成本是多少。单纯从技术模型看需求侧响应让配电网的供电能力获得了肉眼可见的提升但从综合评估的角度看这种提升是用成本换来的到底值不值需要决策矩阵说话。这套“先算TSC、再跑TOPSIS、最后做敏感性分析”的流程也直接迁移到了我后来处理含分布式光伏配网的评估项目里省了不少事——方法论这东西一旦跑通一次后面就顺畅了。