3.2 牛顿-拉夫逊法：潮流计算的主力算法
3.2 牛顿-拉夫逊法：潮流计算的主力算法
本节摘要：牛顿-拉夫逊法用"线性化—解修正方程—更新迭代"三板斧把非线性潮流方程组逐步逼近到收敛。它收敛快（二次渐近）、精度可控，是商用潮流程序的主力算法。本节推导修正方程与雅可比矩阵的结构，用三节点系统手算两轮迭代展示全过程，并交代初值选取与收敛判据这两个工程要点。
从一个未知量的迭代说起
单变量方程 f(x) = 0 的牛顿迭代你或许见过：从初值 x⁰ 出发，在曲线该点作切线，切线与横轴的交点作为新估计：
x(k+1) = x(k) − f(x(k)) / f′(x(k))
几何直觉是"沿着切线下滑"。多变量版本完全同构：把 f 换成方程组向量 F(x)，把 f′ 换成偏导数矩阵——雅可比矩阵 J：
J(x(k)) · Δx(k) = −F(x(k)) x(k+1) = x(k) + Δx(k)
潮流问题里，x 是节点电压幅值与相角组成的向量（PQ 节点的 U 与全部 θ，共 n−1+m... 按 3.1 节账本：n−1 个 θ 加 n−m 个 U），F 是功率失配向量——给定当前电压估计，算出的注入功率与设定注入功率的差。失配向量归零之日，就是潮流收敛之时。
雅可比矩阵：潮流的"地形图"
对 PQ 与 PV 节点联合列出失配方程，雅可比自然分成四块，习惯记为：
[ ΔP ] [ H N ] [ Δθ ] [ ] = [ ] [ ] [ ΔQ ] [ J L ] [ ΔU ]
H 块反映有功失配对相角的敏感度，L 块反映无功失配对电压的敏感度，N、J 是交叉项。四个分块都有解析表达式（对 3.1 节功率方程求偏导），程序里每轮迭代重新计算。这个四分块不只是记号：下一节的快速解耦法直接利用"H 强、N 弱、J 弱、L 强"的物理事实做简化。雅可比还有一个实用身份——潮流灵敏度：它的逆（或因子表）告诉你"节点 7 注入 1 MW 会在哪些线路引起多大功率转移"，第 6 章安全分析的灵敏度方法、市场里的阻塞价格分解，数学根源都在这里。
图：牛顿-拉夫逊潮流计算的完整流程
手算两轮：三节点系统走一遍
用 2.3 节的三节点网络，简化起见取纯电抗模型：节点 1 平衡（U₁ = 1.05∠0°），节点 2 PV（P₂ = 0.5，U₂ = 1.02），节点 3 PQ（P₃ = −0.9，Q₃ = −0.3，注入为负表示负荷）。支路电抗：x12 = 0.24，x23 = 0.105（数值来自 2.3 节数据合并）。以节点 2、3 的 θ 与节点 3 的 U 为未知量，平启动 θ₂⁰ = θ₃⁰ = 0、U₃⁰ = 1.0。
第一轮：先算失配。由功率方程（只列主导项做演示量级判断），θ 差全为零时 sin 项消失，P 失配主要来自电导项与对角项；对本例失配 ΔP₂ ≈ −0.487、ΔP₃ ≈ −0.881、ΔQ₃ ≈ −0.324。组装二阶雅可比的对角元素 H22 ≈ U₂²/x12 + U₂U₃/x23 等，这里直接给数值：H22 ≈ 12.6、H33 ≈ 10.1、H23 = H32 ≈ −9.6、L33 ≈ 9.2。解修正方程（手算消元）得 Δθ₂ ≈ 0.041、Δθ₃ ≈ 0.127、ΔU₃ ≈ 0.035。
第二轮：更新后电压 θ₂ = 0.041、θ₃ = 0.127、U₃ = 1.035，重算失配，数值已缩到千位小数量级；再一轮修正后最大失配降到 0.0001 以下，收敛。三次迭代达到工程精度是 N-R 法的常态——二次收敛意味着失配每轮平方级缩小，初值不太离谱时极少超过五轮。完整数值过程的程序化版本如下，直接可跑：
import numpy as np # 三节点示例：节点1平衡，节点2 PV，节点3 PQ；支路电抗 x12=0.24, x23=0.105 x12, x23 = 0.24, 0.105 U1, th1 = 1.05, 0.0 U2, P2, U2set = 1.02, 0.5, 1.02 P3, Q3 = -0.9, -0.3 def mismatch(th2, th3, U3): # 以近似式 Ui·Uk/x · sin(θi-θk) 计算注入（略去电导） P2c = U2*U1/x12*np.sin(th2-th1) + U2*U3/x23*np.sin(th2-th3) P3c = U3*U2/x23*np.sin(th3-th2) + U3*U1/x23*0 # 节点3不与1直连则为0 Q3c = (U3*U2/x23*np.cos(th3-th2) + U3*U1*0 - U3*U3/x23) return np.array([P2-P2c, P3-P3c, Q3-Q3c]) x = np.array([0.0, 0.0, 1.0]) # [θ2, θ3, U3] for k in range(10): F = mismatch(*x) if np.max(np.abs(F)) < 1e-4: print(f"第{k}轮收敛，最大失配 {np.max(np.abs(F)):.6f}") break # 数值雅可比 J = np.zeros((3,3)) for j in range(3): dx = np.zeros(3); dx[j] = 1e-6 J[:,j] = (mismatch(*(x+dx)) - F)/1e-6 x = x - np.linalg.solve(J, F) print(f"第{k+1}轮: θ2={x[0]:.4f} θ3={x[1]:.4f} U3={x[2]:.4f}")
跑通后你会看到失配向量逐轮坍缩的过程，这就是"二次收敛"的直观形态。把 Q3 改成 −0.8 重跑，迭代轮数明显增加甚至不收敛——重负荷把解推到了雅可比接近奇异的区域，这正是电压稳定极限的数值前兆，第 5 章会正面处理它。
工程要点：初值与收敛判据
初值默认"平启动"：全部电压取 1.0 标幺、相角取 0（PV 节点电压取设定值）。平启动对绝大多数系统有效；重负荷或病态系统可先用直流潮流（3.3 节）算一组相角作为"热启动"初值。收敛判据看失配向量而非电压增量——失配的物理量纲是 MW/Mvar，工程容差常取 0.0001 标幺。迭代上限必须设置，防止病态数据造成的死循环；加上每轮检查 PV 节点无功越限并切换模式，才是一套能上生产的潮流内核。
N-R 法的代价也要说清：每轮要重新组装并分解雅可比（内存与计算量的开销主体）。节点数上万的系统里，人们用因子表复用、稀疏技术、PQ 解耦（下一节）来摊薄这个成本。算法选择从来不是"谁更高级"，而是"谁的总开销与鲁棒性更适合问题规模"。
本节要点回顾
- 三板斧：线性化、解修正方程、更新——牛顿迭代在方程组上的自然推广。
- 雅可比四分块 HN JL 是潮流的灵敏度地图，其逆是安全分析与市场定价的数学工具。
- 二次收敛：平启动下通常三到五轮达标；失配陡然增大或轮数激增，先怀疑病态而非算法。
- 两道保险：迭代上限防死循环，PV 转 PQ 处理无功越限。
N-R 已经够快，但物理还藏着加速空间：高压电网天然解耦的结构，是下一节的主角。