简介：新型电力系统下高比例分布式电源接入使配电网运行状态发生显著变化，这份Matlab代码针对承载力评估问题，完整复现2023年《电力系统保护与控制》相关论文方法。资源以IEEE33节点配电网为算例，构建以风电、光伏最大容量为目标函数的承载力模型，经二阶锥松弛转化为二阶锥规划求解，并引入层次分析法与熵权法组合赋权，建立涵盖优质性、经济性、灵活性的多层次评估体系，输出综合评分。压缩包共11个文件，包含9个程序脚本、1份代码说明PDF和1份风光负荷曲线xlsx数据，总大小1.31MB，模块划分清楚，便于按步骤运行核对。该资源已被1292人学习，适合电气专业研究生、科研人员及配电网规划工程师。借助完整代码、说明文档与基础数据，既能快速复现论文算例，也可修改参数扩展指标体系，用于分布式电源接入方案比选与承载力提升策略研究。

1. 分布式电源承载力评估的MATLAB实现：从论文公式到可跑通的代码

做配电网规划的人，这两年应该普遍被问过一个问题：一个台区或者一条馈线，到底还能接入多少分布式光伏或风电？理论上的答案是算出来的，不是拍脑袋估出来的。这篇复现文章对应的研究思路，是通过层次分析法（AHP）加熵权法组合赋权，把技术指标、经济指标、安全指标揉成一个综合评分，再按评分区间判定承载力等级。我拿到这份MATLAB代码后第一件事是把主程序跑通，然后逐段拆AHP计算、熵权计算、组合权重和结果分级的逻辑，整体下来，代码结构清晰，适合做论文复现、课程设计，也适合工程上用来做接入方案的横向对比。下面按我的拆解顺序，把指标体系怎么搭、权重怎么算、坑在哪里，一次讲清楚。

2. 承载力评估方法：AHP加熵权法为什么是这套代码的核心组合

2.1 指标体系的分层结构与MATLAB数据结构设计

承载力评估的第一步不是算权重，而是把“承载力”这个东西拆成可量化的指标。这套代码采用的是三层指标体系：目标层是分布式电源接入承载力，准则层通常包含电压质量、设备利用率、安全稳定、经济性几个维度，指标层落到具体可测的物理量上，比如电压偏差、馈线负载率、变压器负载率、短路电流水平、谐波畸变率、分布式电源渗透率等。

代码里用结构体数组（struct）存储指标数据，这种设计比散落的变量更便于管理和传参。指标数据的录入格式通常是每行一个指标，每列对应一个评估场景或一条馈线。如果你有自己的数据，直接替换load命令加载的Excel或MAT文件即可。

% 指标数据结构示例：每个字段对应一个准则层 metrics.voltage_deviation = [2.5; 3.1; 4.2; 1.8]; % 电压偏差(%) metrics.line_load_rate = [72; 85; 91; 65]; % 馈线最大负载率(%) metrics.transformer_load = [64; 78; 88; 59]; % 配变负载率(%) metrics.penetration = [28; 42; 56; 31]; % 分布式电源渗透率(%)

这里要注意，渗透率在有些定义里是容量比，有些定义里是电量比，录入前必须统一。代码在计算时不会自动识别指标的量纲，所有指标在进入熵权法之前都会被归一化，但归一化的方向必须由你手动指定——哪些是正向指标（越大越好）、哪些是逆向指标（越小越好）。常见的错误是直接把所有指标塞进归一化函数，导致逆向指标把综合评分带偏。

2.2 AHP层次分析法：判断矩阵构建与一致性检验的代码实现

AHP的作用是让专家经验变成可计算的权重。操作分三步：构建判断矩阵、求特征向量、做一致性检验。判断矩阵是n×n方阵，元素a_ij表示指标i相对指标j的重要程度，用1~9标度法打值。

function [w, CR] = ahp_weight(A) % A: 判断矩阵, n×n % w: 权重向量, n×1 % CR: 一致性比率, 小于0.1通过检验 n = size(A, 1); [V, D] = eig(A); [~, idx] = max(diag(D)); % 找最大特征值 lambda_max = D(idx, idx); CI = (lambda_max - n) / (n - 1); % 一致性指标 RI = [0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45]; % 随机一致性指标, n<=9 CR = CI / RI(n); w = V(:, idx) / sum(V(:, idx)); % 归一化特征向量 if CR >= 0.1 warning('CR = %.3f, 判断矩阵不一致, 请重新调整', CR); end end

这段代码的核心在eig(A)求特征值和特征向量。最大特征值对应的特征向量，经过归一化就是各指标的权重。CR的计算用了查表法，RI数组对应n从1到9的随机一致性指标。工程应用中，判断矩阵的赋值是主观性最强的环节，同一组指标不同专家打出的判断矩阵可能差异很大。代码本身不会替你判断矩阵合不合理，它只负责在CR超限时给出警告。

一致性检验不通过时，常见做法是检查判断矩阵中是否有矛盾赋值，比如指标A比B重要，B比C重要，但A却和C同等重要，这种三角矛盾会直接把CR推到0.1以上。调整时可以优先从偏差最大的元素下手。

2.3 熵权法：信息量计算让数据自己说话

熵权法和AHP正好互补。AHP靠人打权重，熵权法靠数据本身的信息量定权重。原理是：某个指标在各评估对象上的取值差异越大，说明它携带的区分信息越多，权重就应该越高。差异小、大家都差不多的指标，权重自然低。

function w = entropy_weight(X, positive) % X: 指标矩阵, m×n, m个评估对象, n个指标 % positive: 逻辑向量, 1×n, true表示正向指标 [m, n] = size(X); % 归一化: 正向指标用最大值, 逆向指标用最小值 X_norm = zeros(m, n); for j = 1:n if positive(j) X_norm(:, j) = (X(:, j) - min(X(:, j))) / (max(X(:, j)) - min(X(:, j)) + eps); else X_norm(:, j) = (max(X(:, j)) - X(:, j)) / (max(X(:, j)) - min(X(:, j)) + eps); end end % 计算比重矩阵 P = X_norm ./ sum(X_norm, 1); % 计算信息熵 E = -sum(P .* log(P + eps), 1) / log(m); % 计算差异系数并归一化权重 d = 1 - E; w = d / sum(d); end

这段代码有两个细节值得注意。第一，eps防止log(0)导致NaN。第二，逆向指标归一化用了max - X的方式，本质上是把逆向指标翻转成越大越好，这样后续的熵值计算口径就统一了。我在实际跑数据时发现，如果某个指标所有评估对象的取值完全一样，熵权法会给它一个极低的权重，这符合原理但会让权重分布很极端，这时候建议人工干预一下，给这个指标设个最小权重下限。

2.4 组合赋权的两种合成方式及其适用场景

AHP权重和熵权法权重算出来后，代码提供了线性加权和乘法合成两种组合方式。线性加权是w = α × w_ahp + (1-α) × w_entropy，α由用户设定，通常取0.5，表示主观经验和客观数据各占一半。乘法合成是w = w_ahp .* w_entropy，然后归一化，特点是两级分化更强，某个指标在两种方法中权重都低时，组合权重会被压得更低。

function w_combine = combine_weight(w_ahp, w_entropy, method, alpha) % method: 'linear' 或 'multiplicative' if strcmp(method, 'linear') w_combine = alpha * w_ahp + (1 - alpha) * w_entropy; elseif strcmp(method, 'multiplicative') w_combine = w_ahp .* w_entropy; w_combine = w_combine / sum(w_combine); else error('未知的组合方法: %s', method); end end

线性加权的物理意义更直观，适合工程报告，因为你可以向非技术背景的决策者解释“主观经验占六成、客观数据占四成”。乘法合成适合论文写作，因为它能放大指标间的区分度，但前提是两种权重中各指标不能有零值，否则整个组合权重被归零。

3. 承载力分级与结果输出：综合评分怎么映射到运行状态

3.1 综合评分的计算流程与归一化口径

权重确定后，综合评分的计算就是简单地加权求和：score = sum(w .* X_norm)。但这里有个容易翻车的地方——X_norm的归一化口径必须和计算权重时保持一致。如果你在算熵权法时用了每个指标的全局最大最小值归一化，那综合评分就必须用同样版本的归一化数据，不能重新算一遍。

function scores = evaluate_capacity(X, w_combine, positive) % X: 原始指标矩阵 % positive: 指标方向 [m, n] = size(X); X_norm = normalize_metrics(X, positive); % 复用同一套归一化 scores = X_norm * w_combine; % m×1 综合评分 end

评分结果是一个0到1之间的小数，也可以映射到百分制。代码默认输出0~1区间的评分，同时按数值区间划分等级：0.8以上为高承载力，0.6到0.8为中承载力，0.4到0.6为低承载力，0.4以下为限制接入区。这个区间划分不是物理定律，你可以根据具体配电网的安全导则调整。

3.2 MATLAB绘图输出：柱状图、权重饼图和承载力热力图

代码的绘图部分做了三张图：各评估场景的综合评分柱状图、组合权重饼图、指标归一化热力图。柱状图可以直接用来对比不同接入方案、不同馈线或不同季节运行方式下的承载力变化。

% 综合评分柱状图 figure; bar(scores); xlabel('评估场景编号'); ylabel('综合承载力评分'); ylim([0 1]); grid on; for i = 1:length(scores) text(i, scores(i) + 0.02, sprintf('%.2f', scores(i)), 'HorizontalAlignment', 'center'); end

这段绘图代码在每个柱子顶部自动标注具体分数值，省去了手动查数的麻烦。如果你的论文需要三线表风格，直接输出 scores 变量再用表格工具处理即可，不必在MATLAB里精修图。

4. 评估实例推演：从一个10节点配电网模型看代码怎么跑出结论

4.1 案例数据准备：电压、负载率、渗透率怎么取值

纸上谈兵容易，落到实际数据才能检验代码是不是真的能用。我从代码包里挑了一个10节点的配电网算例，三条馈线，分别接了不同容量的分布式光伏。节点电压通过潮流计算获得，负载率取馈线首端最大负载率，渗透率按光伏装机容量除以馈线最大负荷计算。数据整理成Excel表格，代码通过readtable读取。

% 读取评估基础数据 data = readtable('capacity_metrics.xlsx'); X = [data.VoltageDeviation, data.LineLoadRate, data.TransformerLoad, data.Penetration]; positive = [false, false, false, true]; % 电压偏差、负载率是逆向指标, 渗透率是正向指标

这里顺带说明指标方向：电压偏差越小越好，负载率越小越安全，渗透率在承载力评估语境里是越高代表消纳能力越强（但超过一定限值反而危险，更严谨的做法是设置饱和阈值，这属于进阶优化）。

4.2 计算结果解读：权重分配和分级结果怎么对照

以三馈线对比为例，AHP判断矩阵对四个指标的打分偏向“电压偏差最重要、渗透率次之”，熵权法则因为三条馈线的变压器负载率差异最大，把最高权重给了变压器负载率。组合权重（线性，α=0.5）出来后，电压偏差权重0.32、变压器负载率权重0.28、渗透率权重0.25、馈线负载率权重0.15。综合评分的差距主要被变压器负载率拉开，这条信息直接告诉你：该配电网当前提升承载力的瓶颈在变压器容量，而不是线路或电压约束。

% 权重对比表输出 w_table = table(w_ahp', w_entropy', w_combine', ... 'VariableNames', {'AHP权重', '熵权法权重', '组合权重'}, ... 'RowNames', {'电压偏差', '馈线负载率', '变压器负载率', '渗透率'}); disp(w_table);

这就是复现论文时最有价值的部分：权重不是黑匣子，它告诉你提升承载力的抓手在哪。如果综合评分最低的馈线主要是渗透率指标拖后腿，那结论就是网架结构限制了光伏接入，而不是变压器容量不够。

5. 代码使用避坑指南：维度、归一化与数据录入的常见问题

5.1 矩阵维度不匹配：m×n和n×1的方向混淆

最常见的报错是“Matrix dimensions must agree”。整套代码里，指标矩阵统一为m行n列，m是评估对象数量，n是指标数量。权重向量是n×1列向量。综合评分计算里，X_norm*w_combine，前者m×n，后者n×1，结果是m×1，没有问题。但如果你的指标矩阵是n×m排列，或者权重向量做成了1×n行向量，乘法就会直接报错。

现象：运行evaluate_capacity时报维度错误。 原因：录入数据时把指标按行排列，而代码默认按列排列，或者权重向量未转置。 解决：数据导入后立即用disp(size(X))确认维度，权重统一用w(:)强制转成列向量。

5.2 熵权法出现NaN或Inf：log函数和零值数据的碰撞

熵权法计算中涉及log(P)，当某个指标在所有评估对象上的归一化值全部为0时，P中出现0，log(0)直接产生-Inf或NaN（MATLAB 2021以上版本对log(0)输出-Inf，对0×-Inf输出NaN）。

现象：entropy_weight函数输出w全部为NaN。 原因：某个指标在归一化后全为0，通常是因为该指标在所有场景下取值相同，且该指标是逆向指标，min等于max，归一化分母为0，加了eps后仍可能被压缩到极小值。 解决：归一化时用(O - min) / (max - min + eps)的形式，eps取1e-10；如果max等于min，说明该指标没有区分度，直接剔除该指标或赋予固定小权重。

5.3 判断矩阵CR超限：1~9标度的取值一致性问题

AHP的判断矩阵如果不满足一致性，CR会大于0.1，代码虽然会给出warning，但不会中断计算，最后出来的权重可能就是错的。

现象：CR = 0.23，但代码继续输出权重。 原因：判断矩阵中出现了矛盾赋分，比如a12=5表示指标1比指标2明显重要，a23=3表示指标2比指标3稍微重要，但a13却填了1，这明显不满足传递性。 解决：重新审视判断矩阵赋值，优先调整最大特征值贡献最大的元素位置。最有效的办法是按指标重要性排序后，用标度值1、3、5、7、9逐级对比，避免跳跃赋值。若调整后CR仍在0.1以上，考虑用改进的模糊层次分析法替代经典AHP。

5.4 逆向指标归一化方向弄反：结果评分越高代表越危险

这是最隐蔽的逻辑坑。电压偏差、负载率这类逆向指标，在归一化时必须翻转，让数值越大表示表现越好。如果忘记翻转，综合评分和承载力等级会完全反着读。

现象：负载率最高的馈线评分反而最高，被判定为高承载力。 原因：positive向量写错，把逆向指标标成了true，归一化时用了正值逻辑。 解决：在录入数据前，逐指标确认方向，并打印归一化后的第一列数据检查范围——所有归一化值应该分布在0到1之间，且数值越大代表越安全。

6. 复现论文时值得做的三件事：结果验证、参数扫描与图形呈现

代码跑通只是第一步，要让评审或导师认可你的复现结果，建议在基础闭环上增加三个层面的加固。

第一件事是做权重敏感性验证。AHP判断矩阵是主观的，评审可能质疑你的赋值依据。用参数扫描的方式，把α从0.1扫描到0.9，观察综合评分的排序是否剧烈变化。如果排序基本稳定，说明结果对主观参数不敏感，结论可靠。

% α参数扫描: 观察评分排序是否稳定 alphas = 0.1:0.1:0.9; rank_matrix = zeros(length(alphas), size(X, 1)); for i = 1:length(alphas) w_c = combine_weight(w_ahp, w_entropy, 'linear', alphas(i)); scores = X_norm * w_c; [~, rank_matrix(i, :)] = sort(scores, 'descend'); end disp(rank_matrix);

这段代码输出的rank_matrix每一行是一种α取值下的场景排序，扫一眼就知道排序是否稳定。如果两条馈线的排名在α变化时来回交换，说明两者综合得分差距很小，结论表述应当更谨慎，不宜直接说“A方案优于B方案”。

第二件事是可视化承载力薄弱环节。用热力图展示各指标归一化后的得分分布，颜色越红表示该项表现越差。这样可以直接看到某个馈线是电压问题、负载率问题还是渗透率问题。热力图是论文中很好的中间结果图，比纯文字描述更有说服力。

第三件事是配网仿真验证。承载力评估结果是静态评分，它与潮流计算、短路计算的对应关系建议做一次交叉验证。把评分最低的场景代入IEEE 33节点系统做潮流计算，看电压越限的节点是否和评估结果指向的薄弱指标一致。如果一致，说明评估模型有效；如果不一致，优先检查指标数据采集口径和有功无功配比——分布式电源的功率因数是影响电压的关键参数，如果没有作为指标纳入，会在评估结果和潮流结果之间造成偏差。

从我自己的复现经验来说，这类组合赋权模型的坑通常不在算法本身，而在数据口径的一致性上。每处理一批新数据，我强制自己先打印指标矩阵的统计量，确认量纲、方向、零值分布，再走AHP、熵权法、组合权重、评分分级这条完整流水线。这样做下来基本没有回头找过维度问题。这套MATLAB代码的流程设计和注释对新手友好，对熟手来说，替换数据源和调整指标方向是核心操作点。希望帮到你。

本文还有配套的精品资源，点击获取