企业官网建设流程全解析

去年帮一家地市供电公司做分布式光伏接入评估时，遇到一个很有代表性的场景：一条10kV馈线下游装了一百多户屋顶光伏，冬季中午负荷低谷、光照又足，馈线末端电压一路顶过上限，后台越限告警刷屏。传统调压手段试了一圈都不太理想，最后是靠“配电网集群划分+集群电压协调控制”这套思路在Matlab里做仿真验证解决的。跑通之后，我把整套流程整理成了可复用的代码：从IEEE 33节点系统的集群划分，到集群内部自治与集群间协调的电压控制，链路完整、效果直观。这篇文章就是这套实现的完整复盘，内容包括电气距离怎么构造、集群划分算法怎么选、控制策略怎么设计、Matlab代码怎么组织，以及复现过程中值得记录的坑。适合正在做分布式光伏并网研究的同学，以及做配电网规划运行、想快速验证集群电压控制效果的工程师参考。

1. 分布式光伏大举接入后，配电网的电压控制为什么“失控”了

1.1 功率倒送与末端电压升高的机理

先回到最基础的问题：为什么光伏一多，电压就出问题。传统配电网的设计前提是单一电源、单向潮流，电能从变电站流向负荷，电压沿着馈线从变电站到末端逐步降低。线路上的电压损耗可以用一个很简化的工程公式估算：

ΔU ≈ (PR + QX) / U

其中P和Q是线路上传输的有功和无功，R和X是线路电阻和电抗。这个公式里有个容易被忽略的点——P不一定是正数。分布式光伏接入后，当馈线段下游的光伏出力超过了本段负荷需求，潮流就会反向，P变成负值，原本应该“降低电压”的线路压降变成了“抬升电压”。

我见过最极端的实测曲线是冬末初春的晴天，上午10点到下午3点，10kV母线电压正常，但2km外的分支箱电压一路爬到1.09pu。原因很简单：春节附近工业负荷停了、居民负荷也不高，光伏却按最大功率输出，整条馈线处于大面积倒送状态。按照国标对10kV及以下三相供电电压偏差±7%的要求，1.09pu已经属于电压质量不合格。电压越限不只是“高一点”的问题，逆变器在电压超过1.1pu时为了保护会直接脱网，一台脱网会加剧其他线路的电压压力，容易引发连锁脱网。这是电压问题必须从整个馈线层面统筹考虑的根本原因。

1.2 单点调压手段的边界在哪里

碰到电压越限，第一反应通常是调变电站主变的分接头，把馈线出口电压降下来。但这一招在分布式光伏场景下并不好使。变压器分接头调的是整条馈线的基准电压，问题在于分布式光伏出力在时间和空间上分布极不均匀——馈线首段可能还在重载，末端已经在倒送。首端电压压低了，末端可能还是高；末端调合适了，首端又可能出现电压不足。

另一个常规手段是无功补偿装置，但常规电容器组一挡一挡投切，响应速度按分钟计算，而云层飘过时光伏出力变化按秒计算，根本跟不上。再就是并网逆变器，大量早期项目的光伏逆变器只跑MPPT最大功率跟踪，完全不参与电压调节，等于手里攥着一大把“可调无功资源”却没用上。所以说到底，不是缺乏调节手段，而是缺乏一套把空间上散落的光伏、时间上快变的状态统筹起来的控制架构。这也是集群划分“登场”的原因：先在电气上把网络分组，让每个组内部自行消化大部分电压问题，组与组之间只交换少量协调信息，既降低复杂度，又保留控制效果。

2. 集群划分的核心逻辑：电气距离、模块度与划分算法选型

2.1 电气距离不是地理距离

集群这个词听起来抽象，其实意思很直白：把配电网里“互相影响强”的节点圈到一组。问题是“互相影响强”怎么量化。最直观的物理量是电压灵敏度。假设节点j多注入1MVar无功，会引发节点i的电压变化多少，这个数就是电压对无功的灵敏度。如果这个数值大，说明j动一下，i的电压跟着明显变化，那这两个节点在电气上就是近邻。

电压灵敏度的来源是潮流方程的雅可比矩阵。牛拉法迭代收敛之后，雅可比矩阵的逆矩阵里就有P-Q和V-Q的映射关系。做电压控制研究时，通常取V-Q这个子块。有了灵敏度矩阵，电气距离的定义可以写成：

D_ij = -log(|S_VQ(i,j)| / |S_VQ(j,j)|)

之所以取负对数，是为了把一个“比值”映射成“距离”——比值越接近1，D越接近0，表示i和j电气上越近。我在实际算33节点系统时发现一个很有意思的现象：地理上相隔很远的末端节点，电气距离反而可能很近。原因也很简单，一条馈线从首端到末端，如果沿途几乎没有分支负荷，那么链式相连的后段节点之间，任何一个点调无功，整条链的电压都会跟着动。所以绝对不能拿经纬度坐标去做聚类，必须用电气距离。

2.2 模块度最大化：从社团发现到配电网集群划分

网络分群的质量怎么评价？如果只看“群内节点多、群间连接少”，那把所有节点塞进一个群就完事了，没有意义。比较严谨的方法是从复杂网络理论里借来的模块度指标，也就是Newman提出的Q值。它的核心思想是：一个随机连边网络里，任意两个节点连边的概率是由它们的度决定的；真实的社区结构如果比“随机期望”更密集，那就说明划分有效。

模块度的公式是 Q = (1/2m) ∑[A_ij - k_i·k_j/(2m)]·δ(c_i,c_j)。对配电网来说，A_ij不再是0/1连接矩阵，而是节点之间的电气耦合权重，通常取电气距离的倒数或负指数函数。权重越大，表示两个节点越该被分到一起。用这个矩阵去最大化Q值，得到的分区就是电气上“内紧外松”的集群。

实操经验是：Q值通常落在0.3到0.7之间，超过0.4一般就认为社团结构明显。但这只是参考，配电网集群划分还要考虑控制需求——比如不能把一个变电站母线两侧的节点分到不同集群，也不能让某个集群跨过主馈线支路。纯数学最优和工程可行之间需要权衡。

2.3 算法选型对比：K-means、谱聚类与改进智能算法

确定了电气距离和评价指标，接下来就是把聚类算法落到代码里。三种常见做法我都实际写过，各自特点很明显。

直接用K-means对电气距离矩阵做聚类，最容易实现，但对初始聚类中心特别敏感，而且容易划出在拓扑上支离破碎的集群。谱聚类就好很多：先构造拉普拉斯矩阵L = D - W，取前K个最小特征值对应的特征向量，组成一个N行K列的特征矩阵，再对这个矩阵做K-means。它相当于先把节点嵌入到特征空间里再做划分，对非凸形状和不规则数据都更稳。33节点系统用谱聚类划分出来的集群，在拓扑图上有着清晰的分支结构。

第三种是用遗传算法或粒子群算法，直接以模块度Q作为适应度函数去搜索最优划分。好处是Q最大化一步到位，还能顺手把K值也当决策变量一起优化；坏处是计算量大，33节点跑一遍要几分钟，换到几百上千节点的实际馈线，迭代时间会变得很可观。我自己在做工程咨询项目时，中型网络的第一选择是谱聚类，小型教学算例或者需要出论文结果图时，会用智能算法再精调一次。

顺带说下K值怎么选：我习惯把K从2扫到10，每个K跑多次谱聚类，看模块度Q曲线的“拐点”。Q增长从陡峭变平缓的那个位置，往往就是合适的集群数。33节点系统分3到4个集群效果比较好，后面的调压实验也验证了这个结论。

3. 集群电压协调控制策略：“先内后外、下级自治、上级协调”

3.1 光伏逆变器的无功调节能力与PQ曲线

电压控制策略设计之前，得先想清楚手里的“调节资源”有多少。光伏逆变器本质上是一个电力电子变流器，容量S固定，视在功率约束是个圆：P² + Q² ≤ S²。有功P由光照决定，MPPT模式下不可调，那么在任意时刻，逆变器的无功上限是：

Q_max = sqrt(S² - P²)

这里的矛盾点很有代表性：中午光照最强、电压越限最严重的时候，P接近额定功率，Q_max反而最小。也就是说，电压最需要无功的时刻，无功裕度最尴尬。所以策略上必须先发无功，用完再考虑少量有功削减，并且有功削减要按灵敏度排序，从对电压影响最大的光伏开始切，尽量减少发电损失。晚上光照为零时P=0，理论上Q_max最大，但那个时段电网恰恰不缺电压支撑，这也是为什么“削峰填谷”式的储能配置能和集群电压控制很好地互补。

3.2 基于灵敏度矩阵的电压-无功映射

集群内控制的核心任务是维持本集群主导节点的电压。主导节点怎么选？通常取集群内电压对全集群节点无功注入最敏感的节点，也就是电压最“薄弱”、最容易越限的位置。这个节点选好了，控制效率会高很多。

具体控制量怎么分配？假设集群内有N个光伏节点，各自到主导节点的电压灵敏度是s_i，主导节点电压偏离目标值ΔV时，总无功调节量按ΔQ_total = k·ΔV / s_mean计算，其中k是阻尼系数，避免调节过冲。然后按灵敏度加权分配给各个逆变器：ΔQ_i = ΔQ_total·s_i / Σs_i。灵敏度高的多承担，低的少承担，这样同样的总无功量，电压校正效果最大。这个分配逻辑在Matlab里就是几行矩阵运算，但换来的控制效果差异非常大。

如果集群内无功容量全部饱和，电压还是越限，就该考虑有功削减。削减顺序和分配逻辑反过来：按灵敏度从大到小排队，优先切灵敏度大的节点，用最少的发电损失换回电压安全。我做过一个对比，35%渗透率下纯无功可以把绝大部分场景压住，渗透率上到70%以后，少数场景需要削减约5%-8%的光伏出力。对电站收益来说，这是可接受的代价，比脱网强太多。

3.3 集群内自治控制与集群间协调控制的配合

集群化之后，控制架构自然形成两级。集群内自治是基础：每个集群有一个本地控制器，只采集本集群内的测量信息，以秒级周期做无功分配。这样响应快，不依赖通信主干网，局部故障也不至于拖垮全局。但只有自治还不够，因为集群边界区域的电压可能同时受两个集群的光伏影响，谁都不管或都去管都会出问题。所以需要一个上层协调器，以分钟级周期收集各集群状态，处理两件事：一是某个集群内部调节资源快耗尽时，向其他有裕度的集群请求支援；二是对边界节点电压做二次校正，把按灵敏度加权后的修正量叠加到各集群控制指令上。

这个架构在Matlab里仿真时，我实现成一个循环：外层是场景时间序列，内层先运行集群内自治控制，判断电压是否全部落在安全范围；如果有越限，再调用上层协调器做一次全局优化。实际效果是，集群内自治能解决大约80%的电压越限场景，剩下20%需要跨集群协调。

需要补一句：集群划分是静态的，但光伏出力和负荷是波动的。如果做长时间尺度仿真，可以考虑多时段动态集群划分——每个时段重新计算一次划分结果。但要注意，集群切换太频繁会让控制策略不稳定。我倾向于“慢变快调”：小时级更新集群划分，秒级执行控制。

4. Matlab代码实现：从数据准备到结果输出的完整链路

4.1 算例数据与Matpower接口

整套代码以IEEE 33节点系统为载体。这个算例是配电网研究的“hello world”，基准电压12.66kV，总负荷约3.7MW+j2.3MVar，数据在Matpower里可以直接加载，也可以在网上找到结构文本。Matpower是基于Matlab的电力系统潮流计算工具包，跑潮流很方便。我通常用loadcase函数载入案例，再用runpf做基础潮流，验证原始网络无控制时的电压分布。

光伏接入位置一般选在线路末端或重载支路上，因为这些地方最缺电压支撑。我在节点18、22、25和33分别接了分布式光伏，总装机容量按渗透率折算。渗透率我这里说清楚：光伏总装机有功与系统峰值有功负荷之比。我跑过30%、50%、70%几档。不能只配一个额定功率就完事，要生成光伏出力时间序列，最简单的方式是用一个典型日的归一化曲线——早晨爬坡、中午平顶、下午下降，再叠加一点云层遮挡的随机波动，或者用Beta分布对不同时刻做采样。这个时间序列会作为后续所有场景仿真的输入。

4.2 集群划分模块的关键代码逻辑

集群划分模块的核心是四个矩阵：节点导纳矩阵Ybus、潮流雅可比矩阵、电压-无功灵敏度矩阵、电气距离矩阵。Ybus可以由Matpower的makeYbus直接生成。要得到灵敏度矩阵，在牛拉法收敛后从雅可比矩阵的逆中提取V-Q子块。核心代码逻辑如下（做了简化）：

% 示意代码：从牛拉法收敛后的雅可比矩阵提取电压-无功灵敏度 % 假设 S_VQ 是电压-无功灵敏度子块 nb = size(bus, 1); % 构造电气距离矩阵 D = zeros(nb, nb); for i = 1:nb for j = 1:nb D(i, j) = -log(abs(S_VQ(i, j)) / abs(S_VQ(j, j)) + 1e-12); end end % 由距离矩阵构造相似度矩阵，sigma需要根据网络规模调整 W = exp(-D.^2 / (2 * sigma^2)); % 拉普拉斯矩阵 L = diag(sum(W, 2)) - W; % 取前K个最小特征向量，K是预设集群数 [V, ~] = eigs(L, K, 'smallestreal'); % 对V的行向量做K-means，得到cluster编号 cluster = kmeans(V, K);

这只是一个思路示意，不是能直接跑的完整代码。实际项目中，S_VQ需要在交流潮流求雅可比矩阵时精确提取，不能用简化的近似代替，否则结果会失真。得到相似度矩阵后，用eigs求前K个特征向量，用kmeans做最后一步，组合起来就是完整的谱聚类流程。划分结果出来之后，用模块度公式验证一下，再在拓扑图上画出来看是不是符合馈线分段结构。

注意：光伏节点的节点类型处理是很多仿真相差悬殊的根源。建议明确记录每个节点的类型和越限处理规则，调试时能省很多时间。

4.3 电压协调控制模块的建模与求解

控制模块第一版我直接用Yalmip建模，目标函数是电压偏差平方和加调节代价，约束包括潮流线化方程、逆变器容量约束、电压上下限。因为已经做了灵敏度线性化，模型本质上是一个二次规划，用Gurobi或Cplex求解非常快。Yalmip的好处是建模代码可读性强，方便后续换求解器、加约束。

如果没有商业求解器，matlab自带的quadprog也够用。更极限一点，连优化工具箱都没有，可以手写启发式循环：先算主导节点电压偏差，按灵敏度比例分配无功，循环迭代检查约束，超限就削减有功。这个方法性能不差，而且逻辑透明，特别适合教学演示。我建议第一版先用启发式把流程跑通，再换优化器做精确求解，这样更容易定位问题是出在建模还是出在控制逻辑。

目标函数有个权重问题值得说：电压偏差项和调节成本项的权重系数λ，决定了系统是“不惜代价保电压”还是“优先保经济性”。我一般把电压偏差权重调到调节成本的5到10倍，优先保证电压合格，再看经济损失最小。如果写论文，可以做一组λ的灵敏度分析，给出一条“电压质量-运行成本”的帕累托曲线，这样的结果更有说服力。

注意：如果打算把仿真结果写进报告或论文，建议对灵敏度线性化的误差做一个校验步骤——拿控制后的节点电压与完整交流潮流结果对比，偏差一般控制在0.5%以内才可信。

4.4 结果可视化与性能统计

仿真完不能只看最后电压不越限了，要把中间过程都可视化成图，方便给别人讲清整个控制链条。我固定出四类图：第一是电压分布对比图，横轴节点号、纵轴电压标幺值，画无控制、集群内自治、集群协调三条曲线；第二是集群划分的拓扑着色图，用gplot根据邻接矩阵和节点坐标画，按集群编号上色；第三是各光伏逆变器的无功时序图；第四是有功削减量的时序图。这四张图出完之后，整个控制策略的效果一目了然。

统计指标我固定算四个：电压越限节点数、全网络电压偏差平方和、系统网损、光伏有功削减量。表格形式放在代码输出里。网损这个指标容易被人忽略，但很多时候集群划分带来的网损下降是非常可观的收益，汇报时很有说服力。

5. 复现过程中踩过的坑与调参经验

5.1 潮流不收敛的几个隐性原因

这个项目里我大半的调试时间花在潮流收敛性上。最容易踩的坑有三个。第一，光伏节点处理不当。很多教程把光伏节点设成PV节点，但实际逆变器无功越限之后会失去电压支撑能力，必须转成PQ节点再迭代，否则结果根本不对。第二，Ybus矩阵里变压器支路的变比方向搞反。配电网里变压器要么是三相两绕组，要么是带负荷调压变压器，Ybus构造时一旦方向错，潮流结果会偏移得离谱。第三，负荷模型的问题。恒功率、恒阻抗、恒电流混合模型在重载时差异很大，我建议先用恒功率把流程跑通，不要一上来就上复杂模型。

另外一个小经验：牛拉法迭代时初值太差可能不收敛。33节点这种系统，平启动一般没问题，但如果换成实际配网数据，最好先用高斯-赛德尔法迭代几步预热，再切换牛拉法，收敛稳定很多。

5.2 聚类数K怎么定

K值这一节值得单独说，因为它是集群划分唯一一个“人为主观”的关键参数。我的做法是跑一个K从2到8的扫描，记录每个K下的模块度和控制效果指标，两张图放在一起选点。模块度拐点给出的是网络自身的“自然分团倾向”，控制效果曲线给出的是实际需求。我做过对比，某次典型日场景下的示意结果如下：

K=3时模块度已有明显高值，K=4也能接受，K=5以后模块度增长趋缓但控制效果反而变差。原因也好理解：集群太小，每个集群内部可调配的无功资源少，出了电压问题只能去请求外部支援，失去了自治的意义。如果用的是智能优化算法，可以让K也作为决策变量，在一次优化里同时确定K和划分，但计算复杂度会明显上升。我的建议还是两步走：先离线扫K，再在线固定K跑控制，工程上稳妥。

5.3 控制参数设定中的“分寸感”

控制策略里有两个参数非常影响仿真结论。第一个是无功灵敏度分配的阻尼系数k。这个系数太大，一次调节就可能从欠调变成过调，引起系统震荡；太小则收敛太慢。我建议先用小步长试几条曲线，观察主导节点电压的动态轨迹再定。第二个是相似度矩阵的高斯核参数sigma。sigma太大，所有节点都“黏”在一起，划分趋于平庸；sigma太小，分群太碎。我自己用区间搜索的方式固定下来：让大部分节点间相似度落在0.1到0.9之间，而不是集中在某个极端值附近。

场景设计上也提醒一下：如果只用一组固定光伏出力做仿真，任何策略看起来都是好的。至少要覆盖三种典型日：夏季晴天（高负荷高光伏）、冬春秋晴天（低负荷高光伏，电压问题最严重）、多云天（出力波动大，考验控制响应速度），这样才能说明策略的鲁棒性。我在最后的多场景批量仿真里就是按这个办法跑的，33节点系统、三个场景、每个场景叠加随机波动，跑完出一张统计表，结论立得住。

复盘这个项目，我最大的体会是：集群划分解决的不是“算力”问题，而是“视角”问题——让控制决策从每个节点孤立作战，变成一群电气上真正相关的节点协同作战。可能有人觉得谱聚类加灵敏度控制这套组合不新鲜，但把它和配电网电压安全结合起来、再落到Matlab代码里，中间需要捋清的细节远多于理论看上去的样子。希望这篇复盘能帮你少走弯路。之后我准备在这个框架上继续扩展储能协调和基于强化学习的集群边界动态控制，等有新的实测数据再回来更新。