企业官网建设流程全解析

PMU优化配置这个问题，我最早接手的时候以为很简单：把相量测量单元往关键节点上一装，让全系统可观测，完事。真正动手做才发现，难的不是“怎么观测”，而是“怎么花最少的代价把整个电网看透”——尤其系统规模一大，组合数量直接爆炸。我后来用粒子群算法（PSO）在MATLAB里实现了一套完整的求解流程，从IEEE 14节点到上百节点的系统都能跑，今天把这套东西的建模思路、代码细节和踩坑记录整理出来。文章适合准备做电力系统PMU配置方向课程设计、毕业论文，或者刚接触广域量测系统（WAMS）规划的同学参考。

1. 为什么PMU配置是“看着简单、做着棘手”的组合优化题

1.1 全站配置方案为什么最先被排除

刚接触这个问题的人第一反应往往是：既然PMU能测电压电流相量，那在每个变电站都装一台，全系统观测能力拉满，不就没后续问题了？

思路没错，但现实不允许。一套工业级PMU设备加上配套的通信通道、数据集中器、后台主站扩容，单点成本动辄几万到几十万。母线数量达到几十上百个节点时，全站配置的投资规模直接翻倍到无法接受。更关键的是，广域测量系统对通信带宽和处理能力有上限，同步数据全量上传会造成通道拥堵和主站计算瓶颈。所以在工程上，PMU优化配置从来不是“能不能全装”的问题，而是“在保证系统完全可观测的前提下，最少需要装多少个、装在哪些位置”。

这个目标听起来清晰，但一旦落到数学上就变成了典型的组合优化问题：每个节点装或不装，对应二进制变量0/1，N个节点就有2的N次方种候选方案。IEEE 14节点系统穷举16384种方案还能忍受，到了IEEE 118节点系统，2的118次方种可能，就是全世界所有计算机一起算到宇宙热寂也算不完。

注意：这里说的“可观测”多数情况下指拓扑可观测性，也就是只考虑网络结构和量测位置，不考虑量测误差和潮流分布。工程上还要做状态估计可观测性分析，但优化配置阶段先用拓扑判据是通行做法。

1.2 拓扑可观测性判据：搭好问题的数学骨架

拓扑可观测性的基本规则不复杂，三条就够了：

第一，装了PMU的节点本身可观测。第二，装了PMU的节点的所有邻居节点也可观测，因为PMU能同步测到相邻支路的电流相量，利用欧姆定律就能反推邻居节点的电压相量。第三，如果某个零注入节点满足一定条件，还能通过基尔霍夫电流定律（KCL）扩展可观测范围。

用邻接矩阵表达：设系统有n个节点，A是n×n的邻接矩阵，A(i,j)=1表示节点i和j之间有支路。x是n维0/1向量，x(i)=1表示节点i配置了PMU。那么直接可观规则写出来就是：

observed(i) = x(i) OR (任意相邻节点j满足x(j)=1)

这套规则是整个优化的基础，很多论文里的“连通矩阵法”本质就是循环判断这个表达式。但光知道规则还不够，真正让问题变复杂的是零注入节点规则。

1.3 组合爆炸：2的N次方种方案背后的问题规模

先别急着上算法，我们把问题的规模感建立起来。

一个50节点的系统，穷举空间是2的50次方，约1.1×10的15次方种方案，假设一台计算机每秒能评估100万种方案，也要算30多年。即使做剪枝——先固定PMU数量k再在C(n,k)里搜索——对于k=10、n=50，组合数也超过10的10次方，依然不可行。

这就是为什么需要启发式算法。它不是保证找到全局最优，而是在可接受的时间内找到足够好的解。粒子群算法、遗传算法、模拟退火都属于这一类。它们的共同特点是：不穷举所有组合，而是通过“群体协作”和“优胜劣汰”的方式在解空间里搜索，虽然理论上有概率落入局部最优，但配合合理的参数设计和多次独立运行，实际工程中完全够用。

我之所以选择粒子群，是因为在同类算法里它的实现代码最少、需要调节的参数最少，而且MATLAB对矩阵运算的支持让种群迭代写起来非常顺手。

2. 粒子群算法处理离散0/1配置问题的原理拆解

2.1 标准PSO的更新逻辑回顾

标准粒子群算法模拟鸟群觅食行为。一群粒子在解空间里飞行，每个粒子记录自己历史上找到的最好位置（个体最优pbest），整个种群共享目前找到的最好位置（全局最优gbest）。每次迭代，粒子根据这两个信息调整自己的速度，再更新位置。

速度更新公式是：

v = w * v + c1 * r1 * (pbest - x) + c2 * r2 * (gbest - x)

其中w是惯性权重，控制粒子保持原有运动趋势的程度；c1和c2是学习因子，分别控制向个体最优和全局最优学习的强度；r1和r2是[0,1]之间的随机数。

位置更新公式就是：

x = x + v

理解这个公式有个生活化的类比：你在陌生的城市找一家最好吃的餐馆，你既参考自己昨天偶然发现的好馆子（pbest），也参考朋友群里大家推荐的热门店（gbest），v就是你迈步的方向和快慢。随机数r1、r2则保证你不会每次都做一模一样的决定，保留一定的探索性。

2.2 从连续位置更新到0/1决策：BPSO的离散化思想

标准PSO处理的是连续变量，而PMU配置的决策变量是0/1，不能直接套。解决办法是二进制粒子群算法（BPSO），核心思想是把粒子的“位置”从连续值映射成概率，再通过随机采样得到0/1取值。

具体做法：速度v经过Sigmoid函数变换到(0,1)区间：

S(v) = 1 / (1 + exp(-v))

这个S(v)表示粒子该维度取1的概率。然后生成一个[0,1]均匀分布的随机数rand，如果rand < S(v)，该维度取1，否则取0。

这里有一个经常被忽视的细节：Sigmoid函数在v绝对值很大时会饱和。当v=10时，S(v)约等于0.99995；当v=-10时，S(v)约等于0.000045。这意味着粒子一旦速度过大，映射概率基本卡死在0或1附近，粒子失去翻转能力，算法很快停滞。所以BPSO必须限制最大速度vMax，一般取4~6比较合适，让Sigmoid函数工作在最灵敏的区间。

2.3 与其他几种常见算法的对比和取舍

我自己的习惯是拿到问题先把候选算法过一遍，不盲目跟风。

遗传算法（GA）当然也能做，编码方式天然适配0/1染色体，交叉变异操作直接作用于二进制串，在PMU配置问题上是完全可行的。但GA的调节参数更多——交叉率、变异率、选择压力、种群规模，每个参数之间还有耦合关系，调参工作量明显更大。而且GA的收敛速度通常比PSO慢，因为它依赖选择压力逐步淘汰劣质解，信息利用效率不如PSO的“个体经验+群体经验”双重引导。

整数规划（比如MATLAB的intlinprog）在理论上更严谨，小规模系统能得到全局最优解。但实际用下来有两个痛点：一是约束一旦加上N-1线路退出场景，甚至考虑零注入节点的逻辑关系，线性化建模非常繁琐；二是问题规模上去之后，整数规划的分支定界过程同样可能变得很慢，而且对初学者不太友好。

模拟退火属于单点搜索，简单但缺乏种群协作，容易在复杂约束下跑进局部最优出不来。对比下来，BPSO代码量最小、参数直观、迭代过程可视化效果好，对学生做课程设计和论文验证来说性价比最高。缺点也明确：容易早熟，这个后面专门讲对策。

3. 目标函数、约束条件和N-1扩展：建模这一步决定算法上限

3.1 目标函数：不只数PMU数量，还要考虑费用权重

最基本的PMU优化配置目标函数就是最小化PMU安装总数：

min sum(x)

也就是让x里1的个数最少。但在实际项目里，不同节点的安装成本可能有差异。比如改造已有二次设备间的变电站，安装成本比新建间隔低；某些枢纽站的土建、通信改造费用更高。这种情况下可以给每个节点设置权重向量cost，目标函数变成：

min sum(cost .* x)

PSO的适应度函数需要返回一个标量值，粒子越优，这个值越小。目标函数直接作为适应度的一部分即可。注意权重不会改变问题的0/1本质，只是改变了优化的偏向。

3.2 可观测性约束的写法

拓扑可观测性约束可以写成：对任意节点i，至少满足以下条件之一——节点i装了PMU，或者节点i至少有一个邻居节点装了PMU，或者通过零注入节点规则能够推得节点i可观测。

这个约束看起来是“或”逻辑，没法写成一个干净的线性等式，所以在PSO框架里最常见的处理方式是：不把可观测性当作硬约束显式构建，而是把“不可观测的节点数量”作为惩罚项加进适应度函数。具体到下一个小节。

3.3 零注入节点规则：一个让问题更复杂也更省设备的细节

零注入节点，通俗说就是没有电源也没有负荷的纯联络节点，潮流注入电流为零。利用这个性质，可以少装PMU就实现全网可观测。

规则是这样的：假设节点z是零注入节点且本身没装PMU。如果z的所有邻居都已经可观测，那么z本身的电压相量可以通过KCL和已观测的支路电流推算出来，因此z可观测。更进一步，如果z的邻居里恰好只剩下一个节点未曾可观测，那么利用KCL同样能把这个最后的邻居推出来。

这条规则能让最优PMU数量明显下降。以IEEE 14节点系统为例，不利用零注入节点时，完全可观测通常需要4台PMU；利用零注入节点规则后，不少文献能做到3台。差距看起来不大，但放到上百节点的系统里，节省的设备数量会非常可观。

麻烦的是，这条规则给适应度函数增加了一个迭代传播过程：某个节点因为零注入规则变得可观后，又可能让相邻的另一个零注入节点满足“只剩一个未知邻居”的条件，需要继续扩展。这个迭代直到没有新可观节点产生才结束。

提示：实现零注入规则时一定要用while循环迭代到收敛，不能只做一遍扫描。我见过好几份代码只处理了一层就标称“已实现零注入扩展”，结果惩罚项算出来偏小，PSO以为找到了可观测解，实际拿到现场根本不可观测。

3.4 N-1冗余约束的扩展与计算量控制

基本可观测性只要求系统正常运行时全网可观测。工程上通常还要求“N-1”可观性：任意一条支路因故障退出运行时，系统仍然保持完全可观测。这样即使某条线路跳闸，调度员依然能掌握全网运行状态。

对应到建模上，就是遍历所有支路，每次把邻接矩阵里对应的一条边暂时置0，然后检查可观测性。所有单支路断开场景都要满足可观测，才算满足N-1约束。

代价很直接：计算量成倍增加。每评估一个粒子，原本做1次可观测性检查，现在要做L次（L是支路总数）。N-1场景下PSO跑300代、60个粒子、20条支路，意味着要做36万次可观测性检查，循环写得差的话在MATLAB里会慢到怀疑人生。

我常用的优化手段有三个：第一，提前把每条支路断开后的邻接矩阵预计算并存入cell数组，避免在适应度函数里反复复制矩阵；第二，在可观测性检查函数里先用向量化逻辑运算做直接可观判断，再进零注入迭代，减少不必要的循环；第三，N-1检查时可以对同一粒子的多条断开支路共用直接可观部分的中间结果，不过这个优化写起来复杂，一般预计算矩阵就够了。

4. MATLAB实现：我用的这套代码框架可以直接套用

4.1 整体框架

我不喜欢把代码写成一大坨。整个求解器拆成三个部分：

第一部分是可观测性判断函数，输入邻接矩阵、PMU位置向量和零注入节点标识，输出是否完全可观测以及不可观测节点数；第二部分是适应度函数，调用可观测性判断，加上目标函数的PMU数量和惩罚项；第三部分是BPSO主循环，负责初始化、速度位置更新、调用适应度函数并记录pbest和gbest。

这样的好处是后续想换算法——比如改成遗传算法——只需要替换主循环部分，前两个函数完全不用动。

4.2 可观测性判断函数：整个求解器的核心

这个函数是整个代码的灵魂，写错一处，后面的优化全都白搭。

function [obs, unobsCount] = check_observability(A, x, zeroBus) % A: n*n邻接矩阵 % x: n*1二进制列向量，1表示该节点配置PMU % zeroBus: n*1逻辑向量，1表示该节点是零注入节点 % obs: 是否全网可观测 % unobsCount: 不可观测节点数量 n = size(A, 1); observed = false(n, 1); % 规则1：装PMU的节点本身可观 observed = observed | (x == 1); % 规则2：装PMU节点的所有邻居可观 pmuNodes = find(x == 1); for i = 1:numel(pmuNodes) nb = find(A(pmuNodes(i), :) == 1); observed(nb) = true; end % 规则3：零注入节点规则，迭代传播直到不再有新可观节点 if any(zeroBus) changed = true; while changed changed = false; zList = find(zeroBus(:)' & ~x); for z = zList if observed(z) continue; end nbrs = find(A(z, :) == 1); unobs = nbrs(~observed(nbrs)); if isempty(unobs) % 所有邻居都可观，则零注入节点本身可观 observed(z) = true; changed = true; elseif numel(unobs) == 1 % 只剩1个未可观邻居，通过KCL可推得该邻居可观 observed(unobs(1)) = true; changed = true; end end end end unobsCount = n - sum(observed); obs = (unobsCount == 0); end

注意我在零注入节点循环里用一个x(z)==0的判断，因为如果零注入节点本身装了PMU，它早就可观测了，不需要走这条规则。

4.3 适应度函数：把约束变成惩罚项

function fit = obj_fun_pmu(x, A, zeroBus, penalty) % 目标：min sum(x) + penalty * 不可观测节点数 unobsCount = 0; [~, unobsCount] = check_observability(A, x, zeroBus); fit = sum(x) + penalty * unobsCount; end

penalty的取值有讲究，我后面专门讲。如果要做N-1扩展，就把单支路断开的检查也放进这个函数里。

function fit = obj_fun_pmu_n1(x, A, zeroBus, penalty, edgeList, Abroken) % edgeList: 支路列表，每行[node_i, node_j] % Abroken: cell数组，Abroken{k}是第k条支路断开后的邻接矩阵 unavail = 0; L = size(edgeList, 1); for k = 1:L [obs_k, ~] = check_observability(Abroken{k}, x, zeroBus); if ~obs_k unavail = unavail + 1; end end fit = sum(x) + penalty * unavail; end

这里Abroken就是预先算好的断开支路邻接矩阵集合，避免每次重复修改原矩阵。

4.4 BPSO主循环代码

有了上面两个函数，主循环就清晰了。我用的是带惯性权重线性递减的BPSO，变异操作帮助跳出局部最优。

%% 参数设置 nPop = 60; % 种群规模 maxIter = 300; % 最大迭代次数 wStart = 0.9; % 初始惯性权重 wEnd = 0.4; % 终止惯性权重 c1 = 2.0; % 个体学习因子 c2 = 2.0; % 全局学习因子 vMax = 4.0; % 最大速度 penalty = 2 * n; % 惩罚系数，n为节点数 %% 初始化种群 X = double(rand(nPop, n) > 0.3); % 每个节点约30%概率装PMU X(1, :) = ones(1, n); % 保证至少一个个体全网可观，避免开局全灭 V = -vMax + 2 * vMax * rand(nPop, n); pbest = X; pbestFit = zeros(nPop, 1); for i = 1:nPop pbestFit(i) = obj_fun_pmu(X(i, :)', A, zeroBus, penalty); end [gbestFit, idx] = min(pbestFit); gbest = pbest(idx, :); %% 迭代主循环 for iter = 1:maxIter w = wStart - (wStart - wEnd) * iter / maxIter; for i = 1:nPop r1 = rand(1, n); r2 = rand(1, n); V(i, :) = w * V(i, :) + c1 * r1 .* (pbest(i, :) - X(i, :)) + c2 * r2 .* (gbest - X(i, :)); V(i, :) = max(min(V(i, :), vMax), -vMax); % 限制速度 S = 1 ./ (1 + exp(-V(i, :))); X(i, :) = double(rand(1, n) < S); % 概率采样得到0/1 % 变异：以5%概率随机翻转一位，帮助跳出局部最优 if rand < 0.05 flipIdx = randi(n); X(i, flipIdx) = 1 - X(i, flipIdx); end fit = obj_fun_pmu(X(i, :)', A, zeroBus, penalty); if fit < pbestFit(i) pbestFit(i) = fit; pbest(i, :) = X(i, :); end end [bestFit, idx] = min(pbestFit); if bestFit < gbestFit gbestFit = bestFit; gbest = pbest(idx, :); end fprintf('iter=%3d, bestFit=%.2f, 最少PMU数=%.0f\n', iter, gbestFit, sum(gbest)); end fprintf('最优配置：\n'); disp(find(gbest == 1));

这段代码基本可以直接跑通。有几个细节需要说明：初始化时把第1个粒子设成全1，是为了保证种群从一开始就存在一个满足“全网可观”的合法解，gbest不至于从空缺开始硬找；变异概率0.05不能设太大，否则算法退化成随机搜索，收敛性崩坏。

4.5 小规模系统上的运行表现

我用上面这段代码在IEEE 14节点系统上做过多次实验（邻接关系取标准IEEE 14母线数据，共20条支路）。种群规模60，迭代300次，不使用零注入节点规则时，几乎每次都能找到4台PMU的最优配置；启用零注入规则后，能找到3台PMU的配置。计算时间在普通笔记本电脑上大约十来秒，完全在可接受范围内。

换到IEEE 39节点系统时，同样参数下收敛时间大约半分钟到一分钟，找出的配置数量和文献结果在同一水平线上。再往上到IEEE 118节点，跑一次大约几分钟，这时就需要考虑种群规模和迭代次数的平衡了。

5. 参数调整与实测中踩过的坑

5.1 惯性权重、学习因子、种群规模的调节规律

BPSO调节参数不多，但每个参数都影响结果质量。

惯性权重w决定粒子延续之前速度的程度。w太大，粒子飞得莽，全局搜索能力强但很难精细收敛；w太小，粒子很快被gbest拉过去，容易早熟。我采用的线性递减策略——从0.9降到0.4——兼顾了前期探索和后期开发，这是文献里最普遍的做法，实测也确实比固定w稳定。

学习因子c1和c2一般取2.0即可，不需要花太多精力调整。有一种扩展思路是让c2随时间渐增，让粒子后期更多跟随全局最优，我试过，收益不明显，反而多一个参数要调，不推荐给新手。

种群规模是另一个关键因素。节点数少时，比如14节点，种群取20~30就够；50~118节点，取60~100比较稳；更大规模系统可以取150~200。种群太小会过早收敛到局部最优，太大则单次迭代计算量大，反而拖累整体效率。

5.2 局部最优陷阱：BPSO天生爱早熟

BPSO一个不可回避的问题是早熟收敛。因为粒子的二进制位一旦都集中在某个局部最优附近，速度经过Sigmoid映射后很可能长期处于饱和区，粒子再难翻转位姿，种群失去多样性。

我踩过最典型的场景：跑到迭代中后期，gbestFit一直停在“4台+惩罚0”不动，看起来已经收敛，但穷举验证发现其实存在3台的解。问题就出在初始种群没有一个接近最优的个体，BPSO被4台的局部最优困住。

对策有三板斧：一是初始化时多放几个随机位姿各异的粒子，甚至加入一个全1粒子保证合法性；二是加变异操作，小概率随机翻转某一位，这相当于在粒子群之外引入遗传算法的变异机制；三是连续多次运行算法，每次从不同随机种子出发，取多次结果中的最优。第三种办法最朴素也最有效，工程上我一般取10次独立运行，看出现最优配置的频率。

5.3 罚函数系数定不好，算法会“教唆”违规

penalty这个参数被很多人忽略，实际上它对解的合法性影响极大。它的作用是让“不可观测方案”的适应度变差，从而被粒子淘汰。

如果penalty设得比目标函数的最大值还小，粒子会发现：少装几台PMU导致不可观，但总适应度依然比装满PMU的合法方案更低，于是算法会心安理得地输出一个不可观测的配置。比如n=14时，penalty=1就完全失效，因为一个粒子在14个节点上最多装14台（适应度14），而一个装2台但不可观的粒子适应度只有2，算法当然偏好后者。

合理做法是让penalty大于等于n，甚至像代码里那样取2n。我试过取n^2，效果也不差，但发现罚函数太大时，粒子从一个不可观区域翻越到可观区域的“过渡带”很窄，搜索效率反而降低。2倍节点数是我自己实测下来比较稳的取值。

提示：如果加了N-1约束，penalty的基准也要相应放大。因为此时一个粒子可能在多条断开支路场景下都不可观，不可观测节点总数可能超过n，惩罚项要用“所有失败场景的不可观测节点数之和”乘上penalty，不能只看单场景。

5.4 零注入节点规则写错，程序却不报错

这个坑特别隐蔽。零注入节点规则的错误写法有很多种，最常见的是把规则理解成“零注入节点的邻居中有一个可观，则零注入节点也可观”——这从物理上讲是对的，但从算法传播上讲漏了一个关键条件：只有当零注入节点的全部邻居都可观时，才能确定它的电压相量；如果只有部分邻居可观，KCL方程里还有未知量，推不出来。

还有一种错误是“看到零注入节点，就认为它能直接让一个未可观邻居变可观”，忽略了零注入节点本身必须未装PMU。如果零注入节点已经装了PMU，这条规则就不该触发。代码写错的情况下，可观测性检查会输出一个虚假的“全可观”结论，PSO沿着错误方向搜索，最后得到一个看似完美、实际不成立的配置。而且程序不会报错，因为逻辑上完全是“合法”的，只是物理含义错了。

我的习惯是单独写一个小测试函数，用两个节点、三个节点的手工算例去验证零注入规则的每一步，确认无误后再接进PSO。

5.5 性能优化：别让N-1检查拖垮循环

带N-1约束的适应度函数很容易成为性能瓶颈。我第一次在IEEE 39节点上启用N-1时，一次完整跑下来花了将近二十分钟，原因就是每评估一个粒子都要新建39份邻接矩阵副本，MATLAB的矩阵复制开销被放大到了极致。

优化之后速度提升了至少一个数量级。核心就两个操作：第一，在主循环外把每条支路断开后的邻接矩阵预先存进cell数组，适应度函数里只做索引访问，不再复制矩阵；第二，避免在零注入规则迭代里反复用find()扫全图，提前把零注入节点的邻居索引缓存好。

另一个实用技巧是：在N-1检查时先做一遍基础可观测性判断，如果基础场景都不可观，直接返回大惩罚，省掉后面L次单支路检查的开销。这不会漏掉正确解，反而让不可观粒子快速被淘汰。

6. 怎么判断优化结果是不是真的可信

6.1 小系统用穷举法对拍

启发式算法本身不保证全局最优，所以结果可信度必须验证。对于节点数不超过20的系统，穷举法是一个最可靠的参照标准。

思路很简单：枚举所有2的n次方种0/1组合，对每一种调用check_observability，挑出满足完全可观测条件且PMU数量最少的方案，作为理论最优值。n=14时，16384种组合用MATLAB几秒就跑完；n=20时需要约100万种组合，也就一两分钟。

把BPSO找到的结果和穷举结果对比，如果一致，说明算法在这个系统上没问题；如果不一致，就要检查是参数问题还是代码逻辑问题。这个步骤成本低、收益高，强烈建议做。

6.2 多轮独立运行看统计规律

BPSO每次运行的随机种子不同，结果会有波动。单次找到的解不能代表算法真实水平。我通常固定系统参数和种群规模，重复运行20~30次，统计最优适应度的最小值、中位数和“达到已知最优的次数占比”。

如果20次里只有1次找到最优，说明算法稳定性堪忧，需要调大种群或增加变异概率；如果20次里绝大多数都能找到同一个最优，结果才可信。写论文时，这个统计结果本身也是算法性能的有力证据，比单次结果有说服力得多。

6.3 回代潮流与状态估计验证

拓扑可观测性验证的是“量测足够覆盖全网”，但工程上最终要看状态估计能不能做。一个更接近实际的验证方法是：把优化出的PMU配置作为量测配置，在MATPOWER里装入同步相量量测点，构造一组真实潮流数据，用状态估计程序跑一遍，检查所有节点的电压幅值和相角是否都能被正确估计出来。

这一步不在优化循环内做，只是作为事后验证，但它能捕捉到一个很关键的问题：优化时用的拓扑可观测性判据是充分条件但不是唯一条件，某些配置虽然拓扑上“可观测”，实际量测冗余度不足，遇到坏数据时状态估计可能不收敛或精度差。把PMU配置结果放到状态估计里检验一下，能更全面评估方案质量。

6.4 IEEE标准系统的参考收敛情况

作为参考，我在几个经典系统上跑出的结果大致如下（不同文献定义略有差异，数值仅供验证算法用）：

如果你的代码在这些系统上跑出的数量明显偏离这个区间，先别急着怀疑算法，回去检查邻接矩阵和零注入节点定义是否和标准数据一致。我在自己做IEEE 14测试时就因为把零注入节点规则“多扩展了一层”，结果算出一个理论上不可能出现的2台方案，检查半天才发现是规则理解偏差。

最后再分享一个小经验：这套代码框架不只适用于PMU配置。凡是决策变量是“选一组位置/设备/节点”的组合优化问题——比如配电网无功补偿装置选址、故障指示器优化布置、数据中心服务器冗余配置——把邻接矩阵换成你自己的网络拓扑，目标函数替换成对应的覆盖代价，粒子群框架基本都能复用。算法本身不挑行业，挑的是你对问题建模的准确程度。