基于多目标粒子群算法的'储能容量配置'研究——基于IEEE33节点电网的分布式电源
与配网规划
电网规划里储能容量配置这事儿，说简单也简单说难也难。咱们今天就拿IEEE33节点电网开刀，用
多目标粒子群算法整点实在的。先说说这模型里几个关键指标——投资成本、网损成本、峰谷套利这三个钱
袋子要收紧，电压还得稳稳当当不能乱飘。
举个栗子，某节点白天光伏发电突突涨，储能得赶紧吃下这波能量。到了晚上用电高峰，再把存着的
电吐出来赚差价。这里头既要算清充放电时间窗口，还得盯着荷电状态（SOC）别超限。咱们的粒子群算法这
时候就派上用场了，每个粒子代表一组储能配置方案，在解空间里嗡嗡飞着找最优解。
先看适应度函数怎么设计。这里头三个成本项得揉成个多目标：
```python
def fitness(particle):
# 投资成本（容量相关）
invest_cost = particle.capacity * unit_price
# 网损成本（需结合潮流计算）
loss_cost = calculate_power_loss(grid)
# 峰谷套利（放电量*价差）
arbitrage = discharge_volume * (peak_price - valley_price)
# 电压偏移惩罚项
voltage_penalty = max(0, abs(node_voltage)-0.95) * 1000
return [invest_cost + loss_cost - arbitrage, voltage_penalty]
```
注意这里把经济性和安全性拆成两个目标，后面做帕累托最优选择。电网潮流计算这块得用前推回
代法，每个粒子位置更新后都要重新算一遍节点电压。
说到约束处理，SOC的充放电逻辑得卡死。代码里这么实现：
```python
class ESS:
def __init__(self, capacity):
self.soc = 0.5 # 初始荷电状态
self.max_charge = 0.2 * capacity # 最大充放电功率
def update(self, p, dt):
