企业官网建设流程全解析

一开始琢磨这个课题时，我其实有一个挺直观的困惑：配电网里加光伏、加风机、加储能，大家平时也都在做，为什么非要强调“源-荷-储协同互动”？等真正把IEEE33节点系统在Matlab里搭起来、把粒子群求解器跑通之后，我才意识到，问题不在于“加了多少分布式电源”，而在于这些电源、负荷和储能装置之间有没有一套统一的调度逻辑。如果各管各的，分布式光伏在午间大发时送不出去，晚间负荷尖峰时又没有电源支撑，储能要么早早充满、要么迟迟不动作——整个系统的运行效率其实很低。

这篇内容，我就围绕“源-荷-储”协同互动的主动配电网优化调度，基于IEEE33节点系统，把建模、求解、代码实现和结果分析这条完整链路拆开讲一遍。适合正在做配电网优化调度课题的研究生、刚接触主动配电网的工程师，以及想用Matlab复现这个方向论文结果的读者。你会看到从潮流计算到粒子群算法的完整落地过程，也会看到我在调试过程中踩过的坑。

1. “源-荷-储”协同调度在主动配电网里到底解决什么问题

1.1 主动配电网与传统配电网的本质区别

传统配电网的角色比较单一——从上级电网受电，再分配给末端负荷，潮流方向基本是单向的，调度控制手段也很有限。到了主动配电网阶段，电网结构发生了变化：分布式光伏、分散式风电、储能系统、电动汽车充电桩大量接入，配电网不再是一个纯被动的“配送网络”，而是一个需要主动管理源、荷、储、网四方资源的微型电力系统。

这里所谓的“主动”，核心体现在三个方面。第一，可观可控，配电网需要能实时感知各节点电压、各支路潮流、分布式电源出力，并下达控制指令；第二，灵活调度，系统可以协调储能充放电、分布式电源出力、网络重构甚至需求响应；第三，优化运行，不是仅仅保证安全供电，而是在保证安全的前提下找到经济性更优的运行点。

我当年学这部分内容时，总把主动配电网和微电网搞混。后来想明白一个关键区别：微电网可以孤岛运行，有明确的物理边界；主动配电网通常并网运行，和上级电网有功率交换，它的“主动”更多体现在对内部资源的协调管理上。这个区别直接影响到调度模型的边界条件——主动配电网的优化调度必须把与主网的交换功率作为变量和约束来处理，不能像微电网那样随意孤岛。

1.2 为什么单一资源调度撑不起“协同”二字

很多人第一次做配电网优化调度，习惯性先把光伏出力最大化，再让储能“削峰填谷”，以为分开优化就是最优解。这种思路的问题在于，分布式电源、负荷和储能之间存在着强耦合关系。

举个实际例子。光伏在午间出力最大，如果此时负荷处于低谷，光伏电量无法就地消纳，就会产生倒送功率，推高节点电压，甚至导致末端节点电压越上限。单纯“光伏最大出力”的目标在这个场景下不仅不经济，还可能威胁安全。反过来，负荷晚高峰来临时光伏出力已经降为零，如果储能没有事先蓄电，就没有足够资源支撑晚高峰，只能从上级电网购买高价电力。储能充放电策略必须结合光伏出力预测和负荷预测来滚动优化，这个逻辑只有把源、荷、储放进同一个优化框架里才能成立。

还有一个容易忽略的点：储能本身有能量状态约束（SOC上下限）和寿命约束（充放电次数、功率限制），它的动作会影响下一个时段的可用容量。如果在优化时不把储能SOC的变化过程纳入模型，一个时段的“最优解”可能会在下一个时段变成灾难——比如为了降低午间电压把储能充满，晚间需要储能放电时却无电可放。所以“协同”不仅指源、荷、储三类资源同时参与调度，还指它们在时间维度上的配合。

1.3 IEEE33节点系统为什么是验证调度算法的理想平台

IEEE33节点系统是配电网研究领域使用最广泛的辐射状测试系统之一，几乎每个做配电网优化的人都会接触。它之所以被高频使用，有几个原因：

• 拓扑结构简单但足够典型：33个节点、32条支路、单电源辐射状网络，既保留了配电网的基本特性，又不会让大规模节点系统带来的计算负担淹没算法的有效性验证。
• 基准数据公开完整：系统每条支路的阻抗、每个节点的负荷都有标准参数，不同论文之间的结果可以直接对比，这对算法验证来说非常关键。
• 便于改造扩展：在这个标准系统上接入分布式电源、储能装置非常方便，可以根据研究需要灵活配置源荷储的位置和容量，这也是它在分布式电源研究中被大量使用的原因。

我在实际建模时，基准容量取10MVA，基准电压取12.66kV，根节点电压为1.0pu，系统总有功负荷3715kW、总无功负荷2300kvar。这个参数配置与文献一致，后面所有仿真结果也都能和前人的研究对照。

2. 调度模型怎么落地：目标函数、约束条件与决策变量的设计

2.1 目标函数：网损最小还是综合成本最小

调度模型的第一步是明确优化目标。我见过不少论文把目标函数写成“网损最小”，也有的写成“运行成本最小”，实际复现时要根据课题定位选择。

网损最小是配电网调度中最经典的目标，直接反映系统的经济性和运行效率。对IEEE33节点这类辐射状配电网，网损通常集中在主干线路上，通过优化储能充放电、分布式电源出力，可以减少线路上传输的无功和有功功率，从而降低网损。定义如下：

min f₁ = Σ P_loss,t

其中P_loss,t为t时段系统总有功网损，需要由潮流计算结果获得。

运行成本最小则更全面，通常包括以下几个方面：向上级电网购电的费用、分布式电源的运行维护成本、储能充放电产生的老化折算成本，以及弃光弃风惩罚成本。成本函数的表达式一般写成：

min f₂ = Σ( C_buy,t + C_DG,t + C_ES,t + C_curtail,t )

其中C_buy,t为t时段向上级电网购电成本，C_DG,t为分布式电源运行成本，C_ES,t为储能运行成本，C_curtail,t为弃光弃风惩罚。

我在实际模型中采用了两者结合的思路——主目标为系统运行成本最小，同时在成本函数中加入网损对应的能量损耗成本。这样既避免了单纯最小化网损可能带来的“过度弃电”问题，也避免了纯经济成本目标对电压安全约束的弱化。需要提醒的是，目标函数不同，最终调度方案可能有较大差异，选题时最好先确认导师或课题对目标的定义。

2.2 约束条件：哪些必须写进模型，哪些可以简化

配电网优化调度模型的约束条件可以分为等式约束和不等式约束两大类。

等式约束的核心是潮流平衡方程。对于配电网来说，节点注入功率等于负荷功率加上流向其他节点的功率。使用交流潮流模型时，有功和无功功率平衡方程分别写为：

P_i = Σ U_i U_j (G_ij cosθ_ij + B_ij sinθ_ij) Q_i = Σ U_i U_j (G_ij sinθ_ij - B_ij cosθ_ij)

其中U_i、U_j为节点电压幅值，θ_ij为节点i、j之间的相角差，G_ij和B_ij为支路导纳的实部和虚部。

我知道很多初学者看到这个方程组就会想用直流潮流简化，但配电网的电阻电抗比R/X通常较高，不像输电系统那样可以忽略电阻。直流潮流在配电网中的误差很大，我在这个模型里坚持使用交流潮流，计算量虽然大一些，但结果可信。这也是为什么这个课题必须用Matlab反复迭代求解——每计算一次适应度都要跑一遍全网潮流。

不等式约束则包括：

• 节点电压上下限约束：U_min ≤ U_i ≤ U_max，通常取0.95pu到1.05pu。
• 支路功率极限约束：各支路传输功率不超过线路容量。
• 分布式电源出力约束：光伏和风电出力在0到预测最大值之间可调。
• 储能约束：充放电功率不超过额定值，SOC保持在合理区间（如0.1~0.9），且满足SOC状态转移方程。
• 与上级电网交换功率约束：为避免对主网的冲击，交换功率不能超过设定上限。

我在做简化时，一般会保留电压约束、储能SOC约束和支路功率约束，而把节点电压相角的安全范围适当放宽。实际配电网运行中相角约束不像输电系统那么严格，这样做能在保证结果合理的情况下显著降低求解难度。

2.3 决策变量设计：连续量与离散量的配合

决策变量的选择直接影响求解算法的设计和代码实现的复杂度。在这个模型中，我选取了三类决策变量：

第一类是分布式电源的有功出力。光伏和风机在预测出力的基础上可以进行一定范围的调节，这是一个连续变量。需要注意的是，对于光伏逆变器，无功出力也可以作为决策变量，用来支撑电压控制，但这会显著增加变量维度。我的模型中没有把无功出力作为独立决策变量，而是在潮流计算中默认光伏按单位功率因数运行，无功由系统平衡。

第二类是储能系统的充放电功率。这是一个带正负号的连续变量，正值表示放电、负值表示充电。我同时将SOC作为状态变量在迭代过程中不断更新。有人会把充放电状态建模成0-1整数变量来避免同时充放电，但通过设置合理的目标函数系数（充放电成本和惩罚），即使不加整数变量，粒子群也能在优化过程中自动收敛到合理的充放电行为。

第三类是与上级电网的交换功率。在并网运行模式下，这个变量主要由内部资源优化结果决定，不需要单独作为决策变量，但作为结果量的交换功率会进入目标函数参与计算。

我在代码里将每个粒子的位置向量定义为：[P_PV出力, P_WT出力, P_ES充放电功率]，24个时段全部拼接起来，因此每个粒子的维度是24×3=72维。对粒子群算法来说，72维的搜索空间已经不算小，后面会专门说怎么调整算法参数来应对。

3. IEEE33节点系统在Matlab中的建模：从节点表到潮流验证

3.1 系统参数与拓扑结构

搭建IEEE33节点系统前，先要明确系统的基准值和网络参数。这个系统的基本参数如下表所示：

每条支路都有对应的阻抗参数，从节点1开始逐条连接。这里需要特别说明的是，IEEE33节点系统的节点编号从1开始，根节点是变电站母线，其他节点逐级向外延伸。在Matlab中我用两个矩阵来存储网络结构——第一个矩阵存放支路起始节点和终止节点编号，第二个矩阵存放每条支路的电阻和电抗标幺值。

转化标幺值这一步，很多初学者容易出错。以基准电压12.66kV、基准容量10MVA为例，基准阻抗为： Z_base = U_base² / S_base = 12.66² / 10 = 16.0276 Ω

每条支路的标幺阻抗 = 有名值(Ω) / 16.0276。千万不要直接用有名值计算，否则潮流结果会完全不对。我最早做的时候偷懒没换算，结果电压全在0.7pu以下，查了很久才发现是基准值的问题。

3.2 前推回代潮流算法的Matlab实现

配电网是辐射状网络，用前推回代法求解潮流比牛顿-拉夫逊法更简单、更稳定，不需要计算雅可比矩阵，迭代速度也更快。这个算法的基本思想是：先假设各节点电压为1.0pu，从末端节点向根节点计算支路电流和功率分布，再从根节点向末端节点更新各节点电压，反复迭代直至收敛。

前推回代法的Matlab代码框架如下：

function [V, loss] = backwardForwardSweep(branch, node, load, S_base) % branch: 支路矩阵 [首端, 末端, R, X] % load: 节点负荷复功率（标幺值） % V: 节点电压向量（标幺值） V = ones(33, 1); % 初始化电压，根节点恒为1.0pu maxIter = 100; tol = 1e-8; for iter = 1:maxIter V_old = V; % 回代：从末梢向根节点计算各支路电流 I_branch = zeros(size(branch,1), 1); for k = size(branch,1):-1:1 n_end = branch(k, 2); S_node = load(n_end); if ~isempty(find(branch(:,1)==n_end, 1)) % 末端节点有子支路，累加子支路电流 child_idx = find(branch(:,1)==n_end); S_node = S_node + sum(...); % 子支路末端的复功率 end I_branch(k) = conj(S_node) / conj(V(n_end)); end % 前推：从根节点向末梢更新电压 for k = 1:size(branch,1) n_start = branch(k, 1); n_end = branch(k, 2); V(n_end) = V(n_start) - I_branch(k) * (branch(k,3) + 1j*branch(k,4)); end if max(abs(abs(V) - abs(V_old))) < tol break; end end end

上面的代码是一个简化的示意结构，实际实现时还要处理子支路功率的递归累加。建议用“节点-支路关联矩阵”来加速计算，避免用循环一层层找子节点。

我在这个阶段有一个实用的调试技巧：先在无分布式电源接入的情况下运行潮流，验证结果的正确性。IEEE33节点系统在纯负荷条件下，全网最低电压大约在0.9033pu（节点18），这个数值在大量文献中都有体现。如果你的程序算出来最低电压在这个值附近，说明潮流核心部分基本正确，可以放心进行后续开发。

3.3 基准潮流结果与网损验证

在纯负荷、无DG接入的场景下，我对搭建好的IEEE33节点系统做了基准潮流验证。计算结果如下：

这个结果和IEEE33节点系统的标准测试数据几乎一致。系统总网损202.68kW，有功负荷3715kW，网损占比5.46%，完全符合辐射状配电网的典型水平。最低电压节点出现在末端支路的节点18，数值0.9033pu——这个值低于0.95pu的安全下限，说明原始网络在重负荷下确实存在电压越限风险，这也为后续“源-荷-储”协同调度的必要性提供了事实依据。

这一步是后面所有优化工作的基石。很多同学做完潮流验证就直接开始写粒子群，我却建议你在基准状态就把系统的薄弱点摸清楚：哪儿电压低、哪儿网损大、哪些支路容易过载，这些信息会在调度结果分析时帮你快速理解为什么算法给出了这样的最优解。

4. 粒子群算法求解调度模型：编码、适应度与约束处理

4.1 为什么选粒子群而不是商业求解器

面对这个非线性的配电网优化问题，求解方式通常有两类：一类是使用商业求解器（如Gurobi、CPLEX）对模型进行数学规划求解，另一类是使用智能优化算法（如粒子群PSO、遗传算法GA、差分进化DE）直接搜索。

理论上，如果能将模型转化为混合整数二阶锥规划（MISOCP）形式，商业求解器能找到全局最优解，计算速度也有保障。但对初学者来说，建模的复杂度较高，而且配电网优化中非凸约束不少，转换过程本身就是一个不小的技术门槛。我在做快速原型验证时选择粒子群，主要看中它实现简单、不依赖模型凸性、对目标函数形式没有特殊要求，适合先在课题初期摸清调度方案的边界。

粒子群的搜索机制可以理解为一群粒子在解空间中飞行，每个粒子根据自身历史最优位置和群体历史最优位置来调整飞行速度和方向。速度更新公式为：

v_i(t+1) = w·v_i(t) + c1·r1·(pbest_i - x_i(t)) + c2·r2·(gbest - x_i(t))

位置更新公式为：

x_i(t+1) = x_i(t) + v_i(t+1)

其中w为惯性权重，c1和c2为学习因子，r1和r2为(0,1)之间的随机数。惯性权重w采用线性递减策略，从0.9线性降到0.4，前期的全局搜索能力强，后期局部精细搜索能力高。

4.2 编码与初始化策略

粒子编码方式直接决定了搜索空间的大小和算法收敛速度。我的模型中粒子编码包含24个时段的所有源荷储决策量：

• 光伏有功出力：24个连续变量，范围从0到各时段预测出力。
• 风电有功出力：24个连续变量，范围从0到各时段预测出力。
• 储能充放电功率：24个连续变量，正值放电、负值充电，范围限制在额定功率范围之内。

一个粒子的总维度为72维，种群大小设为50，迭代次数设为100。我试过种群太大（100以上）时收敛速度明显变慢，种群太小（20以下）时容易早熟，50对这个问题来说是一个比较均衡的设置。

初始化时要注意各维度的取值范围差异。光伏和风电出力的标幺值一般在0到0.6之间，而储能功率标幺值可能在0.05左右，如果所有维度都统一在[0,1]区间内随机初始化，储能维度在搜索中的有效覆盖会不足。我的做法是：每个维度的初始值按照该维度实际物理约束区间的随机化处理，而不是简单用统一的[0,1]范围。速度初始化也按各维度范围的一定比例（通常是20%到30%）来设定，否则粒子很容易飞出可行域。

4.3 适应度函数与惩罚函数的设计

粒子群算法中，每个粒子的好坏通过适应度值来评价。适应度函数是整个算法的灵魂——如果目标函数和约束处理方式设计得不好，算法再优化也得不到真正的可行解。

适应度函数的形式为： fitness = f_obj + λ_voltage · max(0, U_i - U_max, U_min - U_i)² + λ_power · max(0, P_branch - P_limit)²

其中f_obj是前面定义的目标函数，λ_voltage和λ_power是惩罚系数，电压越限量和支路功率越限量以平方项进入适应度函数。

惩罚系数怎么取是个经验活。我从工程经验来看，电压罚因子设1000，支路功率罚因子设500，效果不错。系数太小，约束形同虚设；系数太大，目标函数的真实信息会被惩罚项淹没，导致算法很难区分两个可行解的优劣。而且，由于惩罚项是平方形式，越限越多惩罚增长越快，这能让算法把搜索方向引导回可行域。

储能SOC约束在处理上有一点特殊：SOC是一个随时间传递的状态变量，某个时段充放电功率确定后，后续时段的SOC就确定下来了。要确保整个过程SOC都在0.1到0.9之间，我在每个粒子的适应度计算时都实时计算24个时段的SOC轨迹，把越限量加到惩罚项里。这样即使某个粒子在某个时段的充放电功率组合导致SOC越限，算法也能通过惩罚把这个粒子淘汰。

5. 算例结果分析：调度方案的对比与储能动作规律

5.1 不同场景下的调度效果对比

为了验证“源-荷-储”协同调度的价值，我设置了四个场景进行对比：

从表中数据能很清楚地看到，场景4相对场景1，总网损下降了36.9%，弃风弃光量从985.6kWh大幅降低到128.7kWh，总费用下降了31.4%，效果非常明显。场景2和场景3的对比则说明，仅安装储能但各设备独立调度，虽然也有一定改善，但远不如协同优化带来的提升显著。

这个结果直接回答了文章开头的问题：分布式电源和储能不是“加上去”就能发挥作用的，只有把它们放进同一个优化框架中协调调度，才能充分挖掘它们的灵活调节潜力。

5.2 典型日场景下的出力曲线解读

我针对一个典型日做了更细的分析。这个典型日设定了夏季晴天场景：光伏出力呈钟形曲线，午间12点到14点达到峰值；负荷呈现双峰特性，早高峰出现在9点到11点，晚高峰出现在18点到21点。

协同优化调度下，各设备的运行曲线呈现出几个规律：

光伏在午间出力时段并不是所有电量都上网。当负荷较低且电压可能越限时，算法倾向于小幅度弃掉部分光伏，避免电压越上限。这个策略虽然在午间“损失”了一些电量，但大幅降低了电压越限风险，也不用储能满负荷充电。换句话说，适当弃光是有经济价值的。

储能呈现明显的“两充一放”模式：上午光伏大发时充入电能，午间电压高峰时再适度充电压低电压；傍晚负荷增长而光伏出力下降时开始放电，在晚高峰到来时保持充足出力。这个动作模式正是单一目标优化很难设计出来的方案。

风电夜间出力较高，此时负荷处于低谷，存在风电反送导致电压抬升的风险。优化结果显示，此时储能优先充电，利用低谷期的风电资源，把电量“搬运”到早高峰和晚高峰再用。储能在这里实际上起到了虚拟输电线路的作用。

5.3 储能SOC变化的规律与调度含义

观察最优调度方案中储能的SOC轨迹，可以总结出三个特点：

第一，储能SOC在全天绝大多数时间内保持在0.2到0.8之间，很少触碰上限0.9或下限0.1。这并非偶然——算法在目标函数中加入了储能寿命损耗相关的惩罚项，频繁满充满放会加速储能老化，折合到成本里并不划算。这个细节非常重要，因为很多人第一次跑出来的最优SOC曲线会反复触碰边界，这种情况在工程上其实是不合理的，需要检查目标函数设置。

第二，储能结束一天运行时的SOC约等于起始SOC（我们在约束中设置了SOC_0 = SOC_24），这保证了储能系统的日循环模式可以持续运行，不会因为一天调度把电量耗尽，第二天无法继续执行调度指令。这个约束虽然增加了优化的难度，但工程上必须这样设置。

第三，储能动作的确定性和负荷大小密切相关。负荷峰值越高，储能放电深度越大；光伏出力越大，储能充电量越多。这种规律说明，协同调度模型实际上在学习系统的“供需时间差”——本质上储能就是在做能量在时间维度上的搬移。

6. 复现这个模型最容易踩的坑：从潮流不收敛到参数调优

6.1 潮流不收敛的常见原因与排查步骤

这是所有复现者几乎都会遇到的第一个坎。我在调试阶段就碰到了潮流不收敛的情况，很多时候问题不在优化算法，而在于潮流计算本身。根据我的调试经验，潮流不收敛通常有几类原因。

一类是支路参数错误。特别是电阻和电抗的换算比例搞错后，潮流的迭代方向会越来越偏，最终发散。排查方法很简单：先跑不含DG的纯负荷潮流，如果这个都不收敛，基本可以确定是网络参数或节点编号的问题。IEEE33节点的标准参数网上能找到很多版本，建议直接和原始文献比较一遍，确认每条支路的首末端节点、电阻、电抗的标幺值都正确。

另一类是DG接入后节点注入功率设置错误。很多新手会把DG出力直接加到负荷矩阵里，写成“负荷减去DG出力”，这个思路没错，但要注意单位。如果负荷功率用的是有名值（kW），而DG出力用的是标幺值，就会出现潮流量级不一致，导致迭代发散。这时检查注入功率的标幺值是否在合理范围内，以及所有节点的复功率之和与根节点注入是否匹配。

还有一类问题是储能充电时负荷功率“突然变大”导致电压跌落过快。储能充电功率过大会导致节点电压低于0.5pu，潮流计算中可能会出现复数电压幅值。我的做法是在潮流计算前对节点电压做限制处理，把电压钳位在0.5pu到1.5pu之间，防止数值异常。

6.2 粒子群参数敏感性分析与调参经验

粒子群算法参数设置直接影响收敛速度和求解质量，而且同一个参数组合在不同维度的问题上表现差异很大。我在这个模型上调参的过程中总结出几个经验。

惯性权重w的取值范围要结合搜索空间维度来定。我在72维问题上的建议是从0.95线性递减到0.35，递减步长为(0.95-0.35)/maxIter。w太大时粒子飞行速度过快，容易飞出可行域；w太小时后期容易陷入局部最优。每次迭代更新w时，建议把最大速度限制在可行域范围的20%以内，避免粒子在可行域边界反复振荡。

学习因子c1和c2的取值，我推荐c1从2.5递减到1.5，c2从1.5递增到2.5。前期强调个体探索，后期强调群体收敛。这样的动态调整比固定的c1=c2=2更容易找到好解。

我还试过用自适应变异策略来提高多样性。具体做法是：每迭代10次，如果最优适应度变化小于0.1%，就对全局最优点附近按高斯分布随机扰动部分维度，重新计算适应度，让算法有机会跳出局部最优。这个方法在我的测试中能将目标函数值降低约1.5%，值得试试。

6.3 Matlab版本、工具箱与代码组织的建议

很多人在复现时会纠结Matlab版本和工具箱的问题。我在R2019b、R2021a、R2023a上都测试过这套代码，除了个别绘图函数的兼容性差异外，核心功能没有版本问题。粒子群算法不需要任何额外工具箱，自己写也就几十行代码。潮流计算需要的基础矩阵运算在任何标准Matlab版本上都能运行，如果需要打开Excel数据文件，用readmatrix这个函数就够了。

代码组织的建议是这样：把整个工程拆成几个独立模块——网络参数模块（定义IEEE33节点参数）、潮流计算模块（前推回代算法）、优化模型模块（目标函数与约束）、粒子群求解模块（PSO主循环）、结果分析模块（绘图和统计）。这样拆的好处是，任何一部分出问题都能单独测试，不影响其他模块。

我第一次写的时候把所有功能都堆在一个脚本里，结果找bug找得痛不欲生。后来学乖了，把潮流计算和适应度函数分成两个独立函数，用命令行手动测试，效率提升了一个量级。

还记得有一次，状态变量SOC的初始化在循环外被固定，导致粒子群在几十次迭代后适应度不再下降，但检查所有约束都没有问题。后来才发现，SOC的更新应该在适应度函数内部逐时段计算，而不是在粒子初始化时一次性确定。这个问题值得提醒——如果储能相关的调度结果不合理，先检查SOC是否在每次粒子解码后都重新计算，而不是当作固定参数用。

个人经验是，复现完这个模型后，你其实可以在这个框架上做很多扩展。比如把光伏和风电的预测误差纳入随机规划框架，或者把储能寿命衰减模型做成更精细的老化函数，甚至把电动汽车充放电行为也接入协同调度。从代码架构上看，核心的潮流计算和粒子群框架都不用动，只需要在目标函数和约束条件上做增量修改，很方便做后续研究。