企业官网建设流程全解析

最近帮一位师弟复现了一篇《基于光伏功率概率预测的新能源配电系统节点电压不确定性量化方法研究》，做完之后最大的感受是：这个标题看着很学术、很绕，拆开其实就两件事——先用概率的方式预测光伏出力，再把这个不确定性传递到配电网潮流计算里，算出每个节点电压会落在什么区间、有多大风险越限。它回答的是一个运行人员最关心的问题：分布式光伏接进来之后，配电网电压到底稳不稳，超标的概率有多大。

这篇笔记我会把整个复现思路、方法选型、Matlab实现细节，以及我实际踩过的坑全部写出来。适合几类人看：准备做新能源配电方向课题的研究生，拿到EI论文但不知道怎么下手的复现党，以及长期做点预测、想给预测结果加上风险边界的工程师。先说结论：这个方向并不一定需要堆深度学习模型，选对技术路线、把链条跑通，出结果反而更快。

1. 先把标题拆开——这个项目到底在做什么

1.1 为什么“概率预测”比“点预测”更贴近实际需求

以前大家做光伏功率预测，输出的是一个确定数值，比如“明天中午12点光伏出力30MW”，这叫点预测。但实际光伏出力受云层、温度、气溶胶影响，同一时刻的真实出力可能是20MW，也可能是40MW。你只给一个单值，等于把不确定性全部藏起来了。

举个例子：某个配网节点接了3MW光伏，你按预测的3MW去做确定性潮流计算，得到电压是1.02标幺值，感觉一切正常。但实际出力只有2MW时，电压可能是0.98，如果系统按3MW的预测结果来安排无功补偿或弃光策略，就会出现误判。反过来，如果实际出力到了4MW，电压可能已经冲到1.06越限了，而确定性计算根本看不到这个风险。

概率预测解决的就是这个问题。它输出的不是一个点，而是一个分布或者区间，比如“95%置信水平下，中午12点出力落在18~38MW之间”。有了这个区间，就可以进一步评估：最坏情况下电压会不会越限、越限概率有多大、需不需要提前做预防控制。调度决策需要的是风险边界，而不是一个看似精确实则脆弱的数据点。

1.2 电压不确定性量化到底量化了什么

分布式光伏大多接在配电网末端，跟传统集中式电厂完全不同。中午光照最强的时候，光伏出力达到峰值，如果负荷消纳不了，功率就会沿着馈线倒送，末端节点电压被顶起来，可能超过上限。到了傍晚，光伏出力骤降，又可能造成电压偏低。这种“中午顶、傍晚落”的电压波动，就是光伏给配电网带来的最典型电压问题。

传统的确定性潮流计算，是拿一组固定注入功率去求解电压，得到的是一个确定值。但光伏出力本身是随机变量，所以节点电压也是随机变量。所谓“不确定性量化”，就是把电压当随机变量来处理，算出它完整的概率分布、置信区间、越限概率，而不仅仅是一个均值。

具体输出物通常包括：各节点电压的期望曲线、95%置信区间带、电压越上限概率、电压越下限概率，甚至某几个关键节点的电压概率密度函数。这些结果可以直接画成论文里的风险图，也可以用于配电网的电压风险评估和无功优化。清楚地说，它把“电压会不会越限”从一句模糊的判断，变成了一个可以量化、可以比较、可以卡阈值的技术指标。

1.3 完整研究链条与复现目标

整个研究的链条非常清晰，我画在脑子里是这样的：

历史光伏出力数据 + 气象数据 → 概率预测模型 → 未来时段光伏出力的概率分布 → 场景抽样 → 把每个场景当作一组潮流注入 → 批量计算潮流 → 统计各节点电压分布 → 输出越限风险指标。

每一环的输入输出都很明确：概率预测环节的输入是历史数据和气象特征，输出是预测分布；场景生成环节把分布转成大量出力场景；潮流计算环节把每个场景转成一组节点电压；最后统计环节把海量电压数据浓缩成风险指标。复现这篇论文，本质就是复现这条链。链条上的每一步都有独立的方法可选，也都有各自的坑。我最开始复现的时候，第一版直接在每个环节都选最简单的方案，先把整条链跑通，再去替换更先进的方法，这样后面迭代起来才不慌。

2. 方法选型——复现时怎么判断论文用的哪条技术路线

2.1 概率预测的三种主流实现流派

概率预测在实现层面大致分三条路线，复现之前一定要先判断原论文属于哪一类。

第一类是参数法，核心思路是假设光伏出力服从某个已知分布，常见的有正态分布、Beta分布或Weibull分布，然后用历史预测误差拟合出分布的均值和方差，再把分布叠加到点预测结果上。优点是代码量最小，缺点也很明显：光伏出力在多云、阴晴交替场景下经常呈现多峰或强偏态，强行套正态或者Beta，预测区间很容易失真。

第二类是非参数法，最典型的是分位数回归（Quantile Regression，QR）和核密度估计（Kernel Density Estimation，KDE）。分位数回归直接对不同置信水平输出分位点，不假设数据服从任何固定分布；再把多个分位点或预测误差用KDE拟合成光滑的概率密度。这条路线在EI论文里出现频率最高，因为它既不需要很强的模型假设，又能给出任意置信水平的区间，复现难度适中，Matlab实现也不绕。

第三类是深度学习方法，常见的是LSTM或GRU作为特征提取器，输出层用多个神经元对应不同分位点，损失函数用分位数损失。效果一般比线性分位数回归好，尤其在长时序依赖明显的场景，但训练时间长、超参数多、复现难度大。如果是冲EI复现、时间有限，我个人建议先把前两条路线跑通，再用深度学习做对比升级。

这里给一张选型对比表，方便大家做判断：

2.2 从预测分布到电压分布：不确定性传播的三种路线

拿到光伏出力的概率分布之后，怎么把它变成节点电压的分布，这也是有讲究的，常见路线有三条。

蒙特卡洛方法最直白：从出力分布里大量抽样，每个样本做一次潮流计算，最后统计所有样本的电压结果。优点是几乎不依赖模型假设，适配任意潮流算法，代码结构最清晰；缺点是计算量大，抽几千个场景就要算几千次潮流。但在实际复现中，这个方法反而是最常用的，因为可控性最强，每一步都能检查。

解析法主要用半不变量和Gram-Charlier级数展开，把注入功率的统计量解析地传播到电压上，不需要反复算潮流，速度极快。但推导过程复杂，而且对潮流方程做了线性化近似，重负荷或强非线性场景下误差会变大。如果原论文结果图里的电压曲线特别平滑、没有蒙特卡洛那种随机波动痕迹，大概率用了解析法。

点估计法是折中方案，用少数几个配点去逼近输入分布，再做几次确定性潮流来估计输出的统计矩。速度快于蒙特卡洛，精度也好，但配点选取规则对结果影响很大，Matlab里手动实现需要一定经验。综合来看，复现基础版我建议优先选蒙特卡洛，因为它最透明，出了任何问题都容易定位。

2.3 看论文图表反推方法的几个经验

拿到一篇EI论文，最头疼的是不知道怎么复现。我在几次实操里总结了一套“看图识方法”的经验，盯着论文里的图表通常就能判断技术路线。

概率预测的结果图，如果画的是两条对称上下界限、中间一条点预测曲线，大概率是参数法加固定误差带；如果上下界限宽度随时间明显变化、且不同置信水平有多对曲线，基本可以确定是分位数回归；如果图里还有一条平滑的概率密度曲线，那一定用了KDE或者高斯过程等非参数密度估计。

再看潮流和不确定性传播那一部分。论文里如果出现“抽样次数”“场景数量”“重复潮流计算”之类的关键词，基本都是蒙特卡洛路线；如果出现“半不变量”“Cornish-Fisher展开”“Gram-Charlier级数”这类名词，就是解析法；如果出现“概率加权”“三点估计法”这些词，很可能用了点估计法。这个反推过程非常有用，我经常先把方法猜出来，再针对性找开源工具箱或复现模板，能省掉至少三四天的试错时间。

2.4 Matlab环境下能直接用的工具链

Matlab做这条研究链其实非常顺手，几乎每一步都有现成函数。数据处理用时间序列和缺失值相关函数；分位数回归可以自己写一个损失函数再用无约束优化器求解；KDE直接用核密度估计函数；低差异序列用自带的拟随机序列生成；并行计算用parfor就能把蒙特卡洛潮流提速好几倍。

潮流计算这一环稍微特殊。配电网的辐射状结构适合用前推回代法，Matlab里手写这个算法不算难，几十行就能搞定；也可以用现成的开源潮流工具包加载标准算例。我在复现时先手写了一个前推回代函数做验证，确认结果正确后再研究替换成更高效的工具包，这样做的原因很简单：手写代码的每一步都能打印、能检查，出了问题一下就能定位，而直接套工具包一旦结果不对，根本不知道是自己输入错了还是工具包用法错了。这个习惯帮我避过好几次坑。

3. Matlab代码复现的核心环节

3.1 数据准备：从哪里来，怎么清洗

做概率预测之前，首先要有一份历史光伏出力数据。最理想的是某个光伏电站的实际运行数据，包含出力值和同期气象数据（辐照度、温度、湿度等），采样间隔建议15分钟或者1小时。如果没有实测数据，也可以用标准算例自带的典型日出力曲线加上噪声模拟，虽然效果差一些，但对于跑通流程完全够用。

拿到原始数据后，清洗工作不能省。我会先做缺失值处理，光伏数据里因为通讯故障出现空缺很常见，一般用线性插值就能解决，连续缺失超过12个点就建议把该段剔除。然后做异常值剔除，出力值超过装机容量或者出现负值的数据直接删掉。接着是特征构造，这一步对预测精度影响很大，我常用的是历史出力的一阶滞后项（比如前一时刻出力）、前一天同时刻出力、辐照度、温度。光伏出力有很强的昼夜周期性和天气持续性，这些特征比堆多少个网络层都管用。

关键一步是数据划分。时序预测的训练集、验证集、测试集必须按时间顺序切分，绝不能随机打乱。这里放一段我常用的预处理骨架代码：

% 读取原始数据 data = readtable('pv_data.csv'); t = datetime(data.timestamp); pv = data.pv; % 缺失值线性插值 pv = fillmissing(pv, 'linear'); % 剔除负值和超过装机容量的异常点 pv(pv < 0 | pv > capacity * 1.05) = NaN; pv = fillmissing(pv, 'linear'); % 构造特征矩阵，X 每一列是一个特征 X = [pv_lag1, pv_same_time_yesterday, irradiance, temperature]; % 归一化到 [0, 1] X_norm = (X - min(X)) ./ (max(X) - min(X)); % 按时间顺序切分，前70%训练，后30%测试 trainIdx = 1:round(height(X) * 0.7); testIdx = trainIdx(end) + 1:height(X);

特征归一化用min-max还是z-score都可以，我习惯用min-max，因为概率预测后续要处理分位数和逆变换采样，归一化后的数据边界更可控。需要注意归一化参数必须只用训练集计算，否则测试集信息会泄露到训练过程中，这是时序预测最容易犯的错误。

3.2 分位数概率预测模型的实现

在概率预测的模型部分，我选择用分位数回归作为主模型，理由前面说过：假设少、实现直观、后面接KDE也方便。分位数回归和普通回归的区别在于损失函数，普通回归是最小化均方误差，分位数回归最小化的是分位数损失（也叫pinball loss）。

数学上，给定分位数水平τ，损失函数定义为：

L(y, ŷ) = τ·(y - ŷ)，当y > ŷ；或 (τ-1)·(y - ŷ)，当y ≤ ŷ。

这个损失函数有一个直观的理解：如果真实值高于你的预测，说明你低估了，损失按τ加权；如果真实值低于预测，说明你高估了，损失按(1-τ)加权。通过调节τ，可以让模型偏向于高估或低估，从而得到不同分位点。比如τ=0.9时，模型输出的就是90%分位点，真实值有90%的概率落在它下面。

Matlab里实现这个模型非常简单，核心就是定义损失函数，然后调用无约束优化器求解每个分位点的回归系数。代码如下：

% 分位数损失函数定义 function loss = pinballLoss(beta, X, y, tau) err = y - X * beta; loss = mean(max(tau .* err, (tau - 1) .* err)); end % 对多个分位点分别求解 taus = [0.05, 0.25, 0.5, 0.75, 0.95]; beta0 = zeros(size(X_train, 2), 1); beta_all = zeros(size(X_train, 2), length(taus)); for k = 1:length(taus) tau = taus(k); fun = @(b) pinballLoss(b, X_train, y_train, tau); options = optimoptions('fminunc', 'Display', 'off'); beta_all(:, k) = fminunc(fun, beta0, options); end % 在测试集上预测各分位点 y_pred = X_test * beta_all;

这里有个细节：求解不同分位点时，初值可以共用上一轮的结果，能加快收敛。如果你不想自己写优化器，Matlab统计模块里也有现成的分位数回归工具，但自己实现一旦理解透，后续换LSTM、换损失函数都更容易。

如果后面你想升级到深度学习版本，思路也很简单：把LSTM的最后一层输出维度设成和分位点数量一致，损失函数换成上面这个pinball loss，训练完直接输出一组分位点。网络结构可以沿用原论文的经典配置，关键变化就两处——输出层设计和损失函数。

3.3 从预测分布到配电系统场景生成

有了分位点，就有了“预测区间”。但预测区间只能告诉我们出力大概率落在哪个范围，还不能直接用来算潮流。要计算电压分布，得把预测分布转换为大量具体的出力场景，也就是做场景生成。

我推荐的流程是：先算预测误差，再用KDE估计误差的概率密度，然后从密度函数里做逆变换采样，得到情景样本。具体来说，在测试集上用训练好的模型做预测，每个时刻都有一个预测中位数ŷ和对应的真实值y，差值就是预测误差。把这些误差收集起来，用核密度估计拟合它的分布。

KDE的实现只要一行函数调用，但带宽参数需要手动调节。带宽太小，密度曲线会出现很多毛刺；带宽太大，分布被磨平，尾部风险就看不到了。我一般先用默认规则出一个初值，再结合效果微调。对归一化之后的数据，带宽取0.02到0.05通常表现不错，具体还是要多看几次密度曲线。代码如下：

% 用训练集预测误差做核密度估计 err_train = y_train - X_train * beta_all(:, 3); % 中位数对应的列 [F, xi] = ksdensity(err_train, 'Function', 'cdf', 'Bandwidth', 0.03); % 用拟随机序列生成 [0,1] 上的均匀样本 p = sobolset(1); u = net(p, N_scenarios); % 逆变换采样得到误差场景 err_samp = interp1(F, xi, u, 'pchip');

为什么用Sobol序列而不是直接用rand函数？因为拟随机序列比普通伪随机数更均匀地覆盖整个分布空间，尤其是尾部，场景数量只有几百个时优势特别明显。普通随机数在1000个样本下可能尾部区域只有几个点，电压越限概率本身就是极小概率事件，尾部区域覆盖不足，你会得到一个越限概率是零的假象。Sobol序列用1000个点就能稳定覆盖到2%以内的尾部区域。

最终每个时刻的出力场景就是“点预测加上误差样本”：pv_scenario = pv_deterministic + err_samp。这样就得到了N_scenarios × T个时刻的场景矩阵，每一行都可以作为一组潮流计算的输入。

3.4 潮流计算与电压统计指标输出

配电网潮流计算和输电网不一样，大部分配网是辐射状结构，用前推回代法效率很高。我没有一开始就引入大型工具箱，而是自己写了一个简化版的前推回代潮流函数，入参是节点负荷和光伏出力，出参是各节点电压。核心流程是：从末端节点往电源节点逐段累加功率损耗，得到支路功率；再从电源节点往末端逐段回代，用根节点电压和支路功率算出各节点电压。迭代到两次电压差小于阈值即收敛。

对每一个场景都执行一次潮流计算，把电压结果收集起来，统计指标就好办了。我用的是下面这段代码：

% 对光伏出力场景进行概率潮流计算 V_all = zeros(numBus, N_scenarios); parfor s = 1:N_scenarios % 将光伏出力作为负的负荷注入对应节点 bus.Pload = baseLoad - pvScenarios(s, :)'; V = backwardForwardSweep(bus, branch); % 自写前推回代函数 V_all(:, s) = V; end % 电压分布统计 V_mean = mean(V_all, 2); V_std = std(V_all, 0, 2); V_p95 = quantile(V_all, 0.95, 2); V_p05 = quantile(V_all, 0.05, 2); % 越限概率 P_over = mean(V_all > 1.05, 2); P_below = mean(V_all < 0.95, 2);

这里有两个容易出错的地方。第一，并行的随机数要求parfor里每个worker独立，Sobol序列是提前生成好的，不涉及并行随机流，所以没问题。第二，电压越限阈值取1.05和0.95只是常见学术设定，不同电网运行规程里限值可能不同，复现论文的时候一定要先看原文怎么定义的，我在开始复现时就因为阈值选错，导致越限概率和金标准结果对不上，改完就好了。

统计出均值、分位数和越限概率之后，整套复现的关键数值指标就出来了。通常还会选一个光伏渗透率最高的关键节点，把它电压的直方图和概率密度曲线也画出来，配合时间-电压区间图，论文里的核心图片就齐了。

3.5 主程序怎么串联整个流程

整个流程的代码组织，我建议按功能拆成五个文件：数据加载、特征构造、模型训练、场景生成、概率潮流计算，最后用一个主脚本依次调用。这种结构方便调试，也方便后续替换某个模块。

主脚本的骨架大致是这样的：

% 主流程脚本 data = loadPVData(); % 加载并清洗数据 [Xtr, Xte, ytr, yte] = buildFeatures(data); % 特征构造与切分 beta_all = trainQR(Xtr, ytr); % 训练分位数回归模型 y_pred = predictQR(beta_all, Xte); % 测试集预测 scenarios = generateScenarios(y_pred, err_model); % 生成场景 V_all = runProbabilisticPF(scenarios); % 概率潮流 plotVoltageRisks(V_all, time_axis); % 可视化与指标输出

每个函数都有明确的输入输出，主脚本基本不用改动，调参和换方法都在子函数里操作。复现这种带研究方法性质的项目，把代码组织成这种模块化结构，是减少后期返工最有效的手段之一。我第一版把所有逻辑都堆在一个脚本里，后来改方法时改得头皮发麻，吸取教训之后一律拆分子函数。

4. 实测中踩过的坑与排查经验

4.1 分位数交叉问题

分位数回归一个常见问题是分位点交叉。理论上τ=0.95的分位点应该永远大于τ=0.05的分位点，但实际训练中因为每个分位点独立求解，遇到样本量不足或特征非线性较强时，可能出现95%分位点反而低于50%分位点的怪象。

我遇到过最夸张的一次，整个下午时段的分位点全都交叉了，画出来的区间像扭麻花一样。解决思路有两个：第一个是复用之前的分位点结果做约束，比如求解τ=0.95时，强制它不低于τ=0.75的结果；第二个是后处理排序，把所有分位点结果按行排序再重新分配给各分位点。后者实现成本最低，适合快速修复：

% 后处理：对每个时刻的分位点预测值做单调排序 y_pred_sorted = sort(y_pred, 2); y_pred_025 = y_pred_sorted(:, 1); y_pred_975 = y_pred_sorted(:, end);

但这个方法只是治标，根源还是数据量或者模型容量不足。如果交叉频繁出现，我会优先考虑增加训练数据、增加特征、或者改用更灵活的非线性模型。这个坑越早遇到越好，因为它暴露出的是概率模型的核心软肋——分位点的单调性本质上是概率分布的基本公理，违反了它，所有下游统计都不可信。

4.2 KDE带宽选择

KDE的带宽参数可以说是整个复现流程里最“玄学”的环节。带宽设置得太小，误差分布会出现很多虚假的尖峰，场景生成时会抽到很多偏激的出力值，导致电压越限概率被夸大；带宽设置得太大，误差分布被磨平成一条没有坡度的曲线，尾部风险被低估，算出来的越限概率几乎为零。

我在复现早期就因为默认带宽算出来的越限概率和中位数对不上，花了整整两天排查。最后发现确实是带宽的问题：光伏出力误差分布并不完全光滑，尤其是晴天和多云天气混杂的数据，分布往往有两个峰。解决方案是用交叉验证选择带宽，但工作量大；实践中最快的方式是画一条误差分布曲线，肉眼观察平滑程度，再对照论文里的概率密度图微调。归一化到[0,1]区间后，0.02到0.05是我的常用范围。

这里想提醒一句：KDE本质上是对分布的“插值想象”，它对数据的边界特别敏感。如果预测误差里有很多接近0的极小误差，密度估计在0附近会堆得很高，逆变换采样时会产生过多接近点预测的场景，这会直接压缩尾部场景的权重。遇到这种情况我会在KDE之前先对误差做轻微的抖动处理，或者直接用分位点插值构造经验分布函数，效果也很稳。

4.3 蒙特卡洛场景爆炸与降速

概率潮流最明显的问题就是算得慢。场景数设到5000，加上几十个节点，用普通for循环跑一次要十几分钟，完全没法做参数调优。

我的解法是组合拳：场景生成用Sobol拟随机序列，能把有效场景数降到原来的五分之一；潮流计算用parfor并行，把多核用满；节点少的时候还可以尝试矩阵化替代循环。实测下来，同样精度的电压统计结果，优化前需要10000个随机场景、耗时二十分钟，优化后只需要1000个拟随机场景、耗时三分钟，质量基本一致。

大家做蒙特卡洛一定要明白一个道理：抽样的目的是覆盖输入空间，而不是用得越多越好。随机数有聚集性，要覆盖尾部真要好几万个点；拟随机序列均匀铺开，几百上千个点就能覆盖得不差。这也提醒我，阅读论文里写的“抽样10000次”时，不必盲目照搬，关键看它覆盖的分布尾部是否合理。

4.4 越限概率永远算成零

有一次我把整套流程跑通后，发现所有节点的越限概率都是0，看着结果“完美”得离谱，但直觉告诉我肯定有地方错了。逐项排查后发现两个问题：一个是KDE带宽太大，误差分布被磨平，极端出力场景一个都抽不出来；另一个是Sobol序列的样本数太少，只有200个，尾部覆盖完全不足。

这类问题最有效的排查方式是直接检查场景集本身。把生成的场景和真实测试集出力放在一张图里对比，如果场景范围明显覆盖不了真实值，说明问题出在场景生成这一环；如果场景范围覆盖了但电压越限概率还是0，那就去检查潮流计算环节是不是注入节点写错了。这个“先查输入分布，再查下游逻辑”的排查顺序，帮我解决过很多次结果异常，比盲目调参数靠谱得多。

4.5 预测区间质量评估

复现论文除了要能跑通，还要面对一个质疑：你的概率预测到底准不准。这个需要用区间评估指标来说话。

常用的两个指标是PICP和PINAW。PICP是预测区间覆盖率，统计真实观测值落在预测区间内的比例，它应该接近名义置信水平。比如名义置信水平是90%，那PICP应该在0.9左右，太低说明区间过于激进，太高说明区间过于保守。PINAW是平均区间宽度，宽度太宽说明预测虽然正确但毫无信息量，相当于告诉别人“明天出力在0到100MW之间”，虽然不会错但没有实用价值。好的概率预测是在PICP达标的前提下PINAW尽量小。

两个指标的计算很简单：

% 90%预测区间覆盖率和宽度 nominal = 0.9; y_lower = y_pred(:, 2); % 5%分位点 y_upper = y_pred(:, 4); % 95%分位点 PICP = mean(y_test >= y_lower & y_test <= y_upper); PINAW = mean(y_upper - y_lower) / (prctile(y_test, 99) - prctile(y_test, 1));

这两个指标也是论文里的核心结果表。复现论文时我会把原论文的PICP和PINAW数字挑出来，自己复现的结果如果能做到比较接近，那整条链条基本就是对的。如果差距很大，优先怀疑场景生成环节而不是潮流计算环节，因为概率特性的传递，误差基本都来自源头。

4.6 问题速查表

把上面这些坑整理成一张速查表，方便大家遇到问题直接对号入座：

这里的每一项我都亲手踩过，尤其是数据切分这一条，很多复现文章结果对不上的根源不在模型，而在数据分布不一样。时序数据切分必须严格按时间顺序，绝不能打乱，否则你建立的数据依赖关系全是错的，但表面误差指标看起来还很好，这种“假的正确”比明显的错误更危险。

我个人复现这个方向的整体体会是：论文里的方法选择往往不是“最先进的”，而是“最容易讲清楚、最方便复现的”。分位数回归加KDE加蒙特卡洛这条组合听起来平平无奇，但它每一步都能验证、能调参、能跟文献对比，这才是在有限时间里把研究工作做扎实的关键。如果你正准备复现这类论文，我的建议是第一版一定先跑通这条基础链条，把代码按数据、训练、场景、潮流、统计五大模块拆清楚，再去换网络结构、换不确定性传播方法。随机种子、数据划分比例、场景数这些实验配置，最好在代码开头统一设成常量并写清注释，后面做消融对比时会省掉大量返工。这套流程我前后调了将近一个月，期间无数次感觉“结果不对但又不知错在哪”，但每排查出一个原因，对概率预测和配网电压计算的认知就加深一层。希望这篇笔记能让你少走我走过的弯路。