企业官网建设流程全解析

简介：本资源为《新型电力系统下多分布式电源接入配电网承载力评估方法研究》论文复现代码包，面向电力系统、新能源并网方向的科研人员与研究生，帮助解决分布式电源接入配电网承载力建模与综合评估的实现问题。压缩包共11个文件，约1.31MB，包含9个m脚本、1份pdf说明文档和1份xlsx数据表，分别对应模型求解、指标计算与风光负荷基础数据。代码围绕风电与光伏最大接入容量目标函数，采用二阶锥松弛将模型转化为二阶锥规划求解，并构建计及优质性、经济性与灵活性的多层次评估体系，通过层次分析法与熵权法组合赋权得到综合评分，最后在IEEE33节点系统上完成算例验证。读者可据此复现完整建模流程，理解min_max归一化、AHP与熵权法权重计算、支路与节点索引处理等关键环节，并借助说明文档快速上手调试。目前已有1293人学习下载，适合需要掌握承载力评估建模与组合赋权评价方法的进阶学习者参考。

1. 配电网承载力评估：一份能跑通的 MATLAB 复现资源

做配电网规划的朋友大概率遇到过这种场景：新能源业主拿着接入方案来问，这条馈线到底还能塞多少光伏？直觉上算个潮流不就行了，可真动手才发现，电压越限、线路载流、短路容量、谐波畸变，哪个指标先卡住都说不准。这份资源就是冲着这个问题来的——一套用 MATLAB 实现的分布式电源接入配电网承载力评估代码，核心思路是把层次分析法（AHP）和熵权法组合起来做指标赋权，再对候选接入方案打分排序。它适合三类人：正在做配电网规划或新能源接入评审的工程师、需要复现论文里评价模型的在读研究生、以及想搞明白主客观组合赋权到底怎么落地的人。代码是脚本级的，不依赖工具箱里的冷门函数，MATLAB R2018b 以上基本能直接跑。

2. 承载力评估的指标体系与赋权逻辑：为什么不能只用一种方法

2.1 承载力到底在评什么

先把概念钉死。分布式电源接入配电网的承载力，不是单指某一条线路的传输极限，而是一个多约束下的综合接纳能力。常见的约束维度包括：节点电压偏差、线路和变压器热稳定极限、短路电流水平、电压波动与闪变、谐波注入限值，以及保护配合的适应性。这些约束量纲不同、方向不同，有的越大越好（比如可接入容量），有的越小越好（比如电压偏差率），直接加权求和没有物理意义。

所以评估流程通常是三步走：第一步，针对每个候选接入方案（不同位置、不同容量组合）做潮流计算，提取各约束指标的实际值；第二步，对指标做归一化处理，把量纲抹平；第三步，确定各指标权重，加权合成一个综合得分，得分越高说明该方案在承载力维度上越优。这份代码的价值就在于把第二步和第三步做成了可复用的函数，第一步的潮流计算部分留了接口，你可以接自己的潮流程序。

2.2 AHP 和熵权法各自解决什么问题

层次分析法是主观赋权的代表。它的逻辑是：请专家对指标两两比较重要程度，构造判断矩阵，然后求特征向量得到权重。优点是能体现工程经验——比如在某个区域，电压偏差可能比谐波更关键，专家一句话就能把这个偏好编码进去。缺点是主观性强，不同专家给出的矩阵可能差很多，而且一致性检验不过就得重来。

熵权法是客观赋权的代表。它不看专家意见，只看数据本身：某个指标在所有候选方案里的取值差异越大，说明它携带的信息量越大，熵越小，权重就越高。反过来，如果某个指标在所有方案里几乎一样，那它对区分方案优劣就没啥贡献，权重自然低。优点是客观、可复现，缺点是它只认数据离散度，不认工程重要性——一个技术上无关紧要但数值波动大的指标，可能被赋予过高权重。

组合赋权的思路就是取长补短。常见做法有两种：一种是乘法合成，把 AHP 权重和熵权法权重相乘再归一化；另一种是线性加权，用一个系数调节主客观比例。这份代码用的是乘法合成，实现简单，对极端权重的抑制效果也还行。

2.3 组合赋权的 MATLAB 实现

先看 AHP 部分的代码。判断矩阵需要你自己根据工程场景填，这里给一个 5 指标的例子：

% AHP 判断矩阵，5个指标：电压偏差、线路负载率、短路电流、谐波畸变、可接入容量 % 矩阵元素 a_ij 表示指标 i 相对指标 j 的重要程度 A = [1, 2, 3, 2, 1/2; 1/2, 1, 2, 1, 1/3; 1/3, 1/2, 1, 1/2, 1/4; 1/2, 1, 2, 1, 1/3; 2, 3, 4, 3, 1]; n = size(A, 1); % 计算特征向量和最大特征值 [V, D] = eig(A); max_eig = max(diag(D)); % 取最大特征值对应的特征向量 [~, idx] = max(diag(D)); w_ahp = V(:, idx); w_ahp = w_ahp / sum(w_ahp); % 归一化 % 一致性检验 CI = (max_eig - n) / (n - 1); RI = [0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45]; % 平均随机一致性指标 CR = CI / RI(n); if CR < 0.1 fprintf('一致性检验通过，CR = %.4f\n', CR); else warning('一致性检验不通过，CR = %.4f，请调整判断矩阵', CR); end

这段代码的逻辑很直白：用eig求判断矩阵的最大特征值对应的特征向量，归一化后就是 AHP 权重。一致性检验是必须做的，CR < 0.1才算合格。RI数组是查表值，n=5时取 1.12。如果 CR 超标，说明你的两两比较存在逻辑矛盾，比如 A 比 B 重要、B 比 C 重要、结果 C 又比 A 重要，这种矩阵算出来的权重不可信。

再看熵权法部分。假设你已经有了归一化后的指标矩阵X_norm，行是方案，列是指标：

% X_norm: m 个方案 × n 个指标，已归一化到 [0,1] [m, n] = size(X_norm); % 避免 log(0)，加一个极小量 X_shift = X_norm + 1e-10; % 计算每个指标下各方案的比重 P = X_shift ./ repmat(sum(X_shift, 1), m, 1); % 计算熵值 k = 1 / log(m); E = -k * sum(P .* log(P), 1); % 计算差异系数和权重 d = 1 - E; w_entropy = d / sum(d);

熵权法的关键参数是m，也就是候选方案数量。方案太少（比如少于 5 个），熵值计算会不稳定，权重波动很大。我一般建议至少准备 8 到 10 个方案，覆盖不同接入位置和容量组合，这样熵权才有区分度。1e-10这个极小量是为了防止log(0)报-Inf，属于常规操作。

最后是组合赋权：

% 乘法合成 w_combined = w_ahp .* w_entropy; w_combined = w_combined / sum(w_combined); % 输出对比 fprintf('AHP权重: %s\n', mat2str(round(w_ahp, 4))); fprintf('熵权法权重: %s\n', mat2str(round(w_entropy, 4))); fprintf('组合权重: %s\n', mat2str(round(w_combined, 4)));

乘法合成的好处是：如果某个指标在 AHP 里权重低、在熵权法里也低，组合后会被进一步压低；如果两边都高，组合后会被放大。这种“双重认可”机制比简单平均更符合直觉。但要注意，如果某个指标在 AHP 里权重接近 0，组合后基本就被抹掉了，所以判断矩阵别填得太极端。

3. 从潮流数据到综合得分：完整评估流程的代码拆解

3.1 数据准备与归一化处理

评估流程的起点是一张指标原始值表。假设你已经有了一组候选方案的潮流计算结果，存成一个矩阵X_raw，每行一个方案，每列一个指标。指标方向要提前标记：正向指标（越大越好，如可接入容量）和负向指标（越小越好，如电压偏差）的归一化公式不同。

% X_raw: m×n 原始指标矩阵 % direction: 1×n 向量，1 表示正向指标，-1 表示负向指标 direction = [ -1, -1, -1, -1, 1 ]; % 前四个越小越好，容量越大越好 [m, n] = size(X_raw); X_norm = zeros(m, n); for j = 1:n col = X_raw(:, j); if direction(j) == 1 % 正向指标：min-max 归一化 X_norm(:, j) = (col - min(col)) / (max(col) - min(col) + 1e-10); else % 负向指标：反向 min-max X_norm(:, j) = (max(col) - col) / (max(col) - min(col) + 1e-10); end end

这里有个容易翻车的地方：如果某个指标在所有方案里取值完全相同，max(col) - min(col)就是 0，分母加了1e-10虽然不会报错，但归一化结果全是 0，这个指标实际上就废了。遇到这种情况，要么补充更有区分度的方案，要么把这个指标从评估体系里拿掉。我一般会在归一化之前先检查一遍每列的极差，极差小于某个阈值的指标直接标记出来人工确认。

3.2 综合得分计算与排序

归一化和权重都准备好之后，综合得分就是简单的加权求和：

% 计算综合得分 score = X_norm * w_combined'; % 排序 [score_sorted, rank] = sort(score, 'descend'); % 输出结果 fprintf('方案排序结果：\n'); for i = 1:m fprintf(' 第 %d 名：方案 %d，得分 %.4f\n', i, rank(i), score_sorted(i)); end

score是一个列向量，每个元素对应一个方案的综合得分。sort的'descend'参数表示降序排列，第一名就是承载力最优的方案。得分本身没有绝对意义，它只在当前这批方案内部有比较价值。换句话说，你不能拿这次评估的得分去和另一条馈线的评估得分直接比，因为归一化的基准不同。

3.3 灵敏度分析：权重变了排序会不会翻

组合赋权虽然比单一方法稳，但 AHP 判断矩阵的微小变化仍可能影响排序。做一次灵敏度分析很有必要：把 AHP 权重按 ±10%、±20% 扰动，看排序是否稳定。

% 灵敏度分析：对 AHP 权重施加扰动 perturb_levels = [-0.2, -0.1, 0, 0.1, 0.2]; base_rank = rank; for p = perturb_levels w_ahp_p = w_ahp .* (1 + p); w_ahp_p = w_ahp_p / sum(w_ahp_p); w_comb_p = w_ahp_p .* w_entropy; w_comb_p = w_comb_p / sum(w_comb_p); score_p = X_norm * w_comb_p'; [~, rank_p] = sort(score_p, 'descend'); if isequal(rank_p, base_rank) fprintf('扰动 %.0f%%：排序不变\n', p*100); else fprintf('扰动 %.0f%%：排序发生变化，需关注\n', p*100); end end

如果 ±10% 扰动下排序就翻了，说明方案之间的得分差距很小，评估结论不够稳健。这时候要么增加指标数量提高区分度，要么在报告里注明“前几名方案综合得分接近，建议结合工程实际进一步比选”。灵敏度分析不是走过场，它是判断评估结论能不能拿去支撑决策的关键一步。

4. 避坑与排查：复现时最容易翻车的五个地方

4.1 判断矩阵一致性检验不通过

现象：运行 AHP 部分时CR大于 0.1，权重不可用。原因：两两比较存在逻辑矛盾，比如指标 A 比 B 重要、B 比 C 重要、但 C 又被认为比 A 重要。解决：先定位矛盾元素，把判断矩阵里偏离最大的几个元素往一致方向调。我一般会先把矩阵打印出来，逐行检查“如果 A 比 B 重要 2 倍，B 比 C 重要 3 倍，那 A 比 C 应该大约重要 5 到 6 倍”，如果实际填的是 2 倍，那就不一致。调完重新算 CR，直到通过为止。

4.2 熵权法权重出现 NaN

现象：w_entropy里有NaN或Inf。原因：某个指标在所有方案里取值相同，归一化后全是 0，P矩阵出现 0 值，log(0)产生-Inf。解决：在归一化之前检查每列极差，极差为 0 的指标直接剔除或替换。如果确实需要保留，可以给该列加一个微小随机扰动，但这属于下策，更推荐补充有区分度的方案数据。

4.3 指标方向搞反导致排序完全颠倒

现象：综合得分最高的方案，恰好是电压偏差最大、线路负载最重的那个。原因：负向指标没有做反向归一化，或者direction向量填反了。解决：逐个检查direction向量和归一化公式的对应关系。一个简单的验证方法是：归一化之后，所有指标都应该是“越大越好”，也就是说，你希望得分高的方案，归一化后的每个指标值都应该偏大。如果某个指标不是这样，方向就错了。

4.4 方案数量太少导致熵权失真

现象：只有 3 到 4 个候选方案时，熵权法给出的权重忽高忽低，换一批数据就大变样。原因：熵值计算依赖方案间的离散度，样本太少时统计意义不足。解决：至少准备 8 到 10 个方案，覆盖不同的接入位置、容量等级和运行方式。如果实际工程中确实只有少数几个方案，建议以 AHP 权重为主，熵权法仅作参考，或者改用其他客观赋权方法。

4.5 潮流计算不收敛导致指标缺失

现象：某些候选方案的潮流计算不收敛，X_raw里出现NaN，后续归一化和赋权全部报错。原因：接入容量过大或接入位置不合理，导致潮流方程无解。解决：在潮流计算环节加收敛判断，不收敛的方案要么降低接入容量重新算，要么直接标记为“不可行方案”并从评估矩阵中剔除。剔除方案后，熵权法的m会变小，需要重新评估样本量是否足够。

5. 进阶技巧：把评估结果落成可汇报的图表

代码跑通只是第一步，真正拿去汇报还得有图。我习惯用三个图把结论说清楚：第一个是权重对比柱状图，把 AHP、熵权法和组合权重并排画出来，让评审一眼看到主客观赋权的差异；第二个是方案得分排序图，用条形图从高到低排列，前两名用不同颜色标出；第三个是灵敏度分析热力图，横轴是扰动幅度，纵轴是方案排名，颜色越深表示排名越稳定。

% 权重对比图 figure; bar([w_ahp, w_entropy, w_combined]); legend('AHP', '熵权法', '组合权重'); xlabel('指标编号'); ylabel('权重'); title('三种赋权方法权重对比'); grid on; % 方案得分排序图 figure; bar(score_sorted); xlabel('方案排名'); ylabel('综合得分'); title('候选方案承载力综合得分排序'); grid on;

画图的时候注意一点：bar函数默认按列分组，如果你的权重向量是行向量，直接传进去就行。如果报维度错误，先size看一下变量形状，该转置就转置。另外，中文标签在 MATLAB 里可能显示成方框，需要在代码开头加一句set(0, 'DefaultAxesFontName', 'SimHei')，或者把标签改成英文。

还有一个实用技巧：把整个评估流程封装成一个函数，输入是X_raw和direction，输出是score和w_combined。这样换一批数据只需要改输入矩阵，不用动中间代码。封装的时候把一致性检验、极差检查、收敛判断都做成内部校验，任何一步不通过就给出明确报错信息，而不是让NaN悄悄传播到最终结果里。

从那以后我每次做承载力评估，都强制走一遍“极差检查 → 一致性检验 → 灵敏度分析”这三道关，宁可多花半小时，也不想到汇报现场被问“为什么第三名和第四名得分这么接近”时答不上来。希望帮到你。

本文还有配套的精品资源，点击获取