★ FEATURED ARTICLE 配电网韧性、移动储能预布局、动态调度这三个词放在一起基本就是一个典型的两阶段优化问题。这篇项目复现的是基于IEEE33节点算例的完整Matlab实现目标很直接在台风、冰冻这类极端灾害场景下通过移动储能的灾前布点和灾中动态调度把整个配电网的失负荷量压到最低。我复现这类论文代码时最深的感受是算法框架本身并不复杂真正麻烦的是把物理约束写对、把时间尺度对上、把求解器喂饱。这套代码的价值在于它把“预布局动态调度”这条主线完整走通了一遍而且用的是大家最熟悉的33节点系统方便对照、调试、出图、写论文。适合正在做配电网韧性、应急资源调度、移动储能优化方向的研究生也适合刚入门最优潮流、二阶锥规划、YALMIP建模的开发者拿来当模板。下面我就从问题背景、数学模型、代码实现、实操结果、排坑经验五个方面把这条完整链路拆开讲清楚。1. 项目到底在解决什么问题1.1 配电网韧性从“扛住”到“快速恢复”配电网韧性和传统可靠性有本质区别。可靠性关心的是日常小概率、短时间故障比如某条馈线跳闸抢修两小时恢复韧性关心的是极端事件下的大面积、长时间停电比如台风过境导致多条线路同时断线、多个变电站失压这时候电网不仅要扛得住初始冲击还要在灾后有限时间内快速恢复关键负荷。韧性指标里最常用的就是失负荷量即系统由于故障而无法供电的负荷总量单位是kWh或者MWh。失负荷量越小说明系统在极端事件下保供电能力越强。这个指标也是这套复现代码里目标函数的核心。除了失负荷量恢复时间、关键负荷恢复率、系统平均供电可用率也经常被用来做辅助评价但多数论文的主目标还是失负荷最小化。明白了韧性的定义以后才能理解为什么移动储能在这种场景下特别有价值。固定储能装在哪就在哪故障点如果不在附近再大的容量也使不上劲移动储能不一样它的物理位置本身就是决策变量相当于把储能资源变成了可以跟着故障走的后勤部队。1.2 移动储能为何是韧性提升的利器移动储能通俗讲就是储能车、应急电源车这类带电池的可移动供电设备。正常运行时它可以停在某个地方做削峰填谷、调频辅助服务灾害来临时它可以提前开到预测的故障区域附近待命故障发生后再根据实际孤岛位置动态转移给最需要电的地方临时供电。这套方案的关键优势是灵活性。在灾害发生前我们不知道哪条线路一定会断但根据气象预报和电网结构可以估计出概率较高的故障区域移动储能车就能开到这些关键节点附近做好预布局。在灾害发生后实时的拓扑信息出来了哪些节点失电、哪些孤岛形成都清楚了这时候再让储能车在孤岛之间转移比一开始盲目部署要精准得多。但移动储能也有绕不开的现实约束转移需要时间不能瞬移车上的电池容量有限充放电功率有限接入哪个节点、什么时候能接入受制于道路、抢修进度和电网拓扑连通性。这些约束全部要写进模型里而且直接决定了最后算出来的方案可不可执行。这就是为什么“预布局动态调度”必须分开建模不是简简单单一个优化问题能解决的。1.3 预布局和动态调度到底各管什么很多初次接触这个方向的同学会把预布局和动态调度混为一谈这是最需要掰清楚的地方。预布局是第一阶段决策发生在灾前。它做的事情是根据预测场景决定每辆移动储能车的初始停靠节点。这个阶段的决策是“应急囤积”不涉及实际充放电目标是在灾害场景尚未完全确定的情况下让储能车尽可能靠近潜在故障区域。动态调度是第二阶段决策发生在灾中到灾后恢复这段窗口期。它做的事情是每辆储能车什么时刻从哪个节点出发、移动到哪个节点、在哪个时段接入哪个孤岛、以多大功率放电、什么时候离网、在下一轮充电桩或者主网恢复点充电这些全部要按时间步精确排出来。这个阶段的决策频率更高时间耦合更强和潮流方程、线路连通状态的关系也更紧密。两阶段是耦合的第一阶段确定初始位置直接影响第二阶段初值第二阶段的调度又在目标函数里反馈第一阶段的优劣。所以整套模型在数学上是一个带整数变量的多时段优化问题运行状态变量、储能位置变量、线路通断变量混在一起求解难度远高于普通最优潮流。2. 数学模型与核心约束拆解2.1 目标函数失负荷量怎么算更合理先说目标函数。几乎所有同类论文都会把失负荷量作为核心目标但写法上有差别。最简单的写法是对所有时段、所有节点求和失电节点的负荷功率乘以该时段的持续时间再累加得到总失负荷量。更精细一点的写法会引入负荷权重也就是说医院、通信基站、供水设施这类关键负荷权重高一般居民负荷权重低。调度策略在有选择余地时会优先保住权重高的负荷。这个改进对实际工程意义很大但对复现代码来说引入权重只是把目标函数里每个节点的负荷功率乘一个系数改动量极小。这套复现代码目标函数是典型的加权失负荷最小化目标表达式大致可以写成[ \min \sum_{t \in T} \sum_{i \in N} w_i \cdot L_i(t) \cdot \Delta t ]其中 (w_i) 是节点i的负荷权重(L_i(t)) 是t时段节点i未被供应的有功负荷(\Delta t) 是时段长度。换成代码逻辑就是构建一个 N×NT 的矩阵里面存放每个节点每个时段被削减的负荷量乘以权重再求和。这里有一个容易踩坑的细节失负荷量必须通过潮流约束和节点电压约束间接限制不能只写一个“负荷全满足”的约束。因为故障导致网络拓扑不完整部分节点压根没有电源可以供电这时候如果强行要求所有负荷都满足模型直接不可行。正确做法是允许负荷中断但中断量要进目标函数让求解器自己权衡在哪里切负荷、切多少量最划算。2.2 决策变量与状态时间尺度决策变量可以按照“位置功率状态”三类来梳理。位置类变量描述移动储能车从哪个节点出发、到哪个节点去通常用二进制变量表示例如 (z_{e,i,t}1) 表示储能车e在t时段接入节点i。功率类变量描述充放电功率和充电功率通常用连续变量表示但要注意充电和放电不能同时发生否则模型会在同一个时刻既充电又放电来白赚目标值。状态类变量包括储能荷电状态SOC、线路状态、节点供电状态其中线路状态是0-1变量SOC是连续变量。时间尺度上面常见的是以1小时为单位调度周期取24小时代表从灾发时刻到灾后恢复的完整窗口。预布局阶段和调度阶段的时间步长可以一致也可以不同。一致的好处是建模方便两阶段之间直接对接不同步长更接近实际因为灾前几个小时内的部署决策不需要精确到小时级。我复现的代码里是统一用1小时步长预布局时刻取灾害发生前的若干小时计算上并没有增加太多复杂度。还要注意决策变量的维度设计。以33节点、24时段、2台移动储能为例子光是储能接入位置变量就是 33×24×2 个0-1变量再加上线路状态、充电状态布尔变量整数变量数量很容易破千。这个规模对求解器来说是中等偏小的但如果把所有时段和节点全部展开成一个大模型内存和求解时间依然会很可观后文会专门讲如何优化。2.3 约束体系潮流、储能、拓扑与时间耦合约束是整个建模过程的核心也是最容易出错的地方。按物理对象拆开主要有四类。第一类是潮流约束。配电网通常用DistFlow方程描述节点有功/无功功率平衡、支路末端电压平方等于首端电压平方减去线路损耗和传输功率的影响。因为配电网是辐射状网络DistFlow天然适合不需要额外处理环网。这套代码里潮流约束是用极坐标下的二阶锥形式构建本质是把DistFlow中的二次项松弛成凸约束让整个问题变成可以高效求解的混合整数二阶锥规划。第二类是移动储能约束。储能车接入某个节点后只能和该节点交换功率充放电功率受额定功率限制SOC按连续时间更新放电减少电量充电增加电量SOC有上下限不能过放也不能过充同一台储能车同一时刻只能接入一个节点这一点非常重要遗漏了这个约束模型会出现一辆车同时给两个孤岛供电的荒谬结果。第三类是线路通断与拓扑约束。极端故障下部分线路断开配电网被分割成若干孤岛。如果允许动态重构还要加入生成树约束保证整个网络不出现环同时要保证每个孤岛至少要有一个能供电的电源。这里电源既可以是主网也可以是接入的移动储能车。实际上有了移动储能车之后原本没有电源的孤岛就有条件恢复供电了这正是方案的价值所在。第四类是时间演进与抢修约束。动态调度不是独立时段优化储能车从节点A移动到节点B需要时间移动期间不能接入任何节点每个时段的决策结果必须满足“上一个时段的结束状态是下一个时段的开始状态”这一时间耦合条件。抢修线路上如果某些线路在某个时刻已被修复那么自该时刻起该线路恢复可用这个逻辑也是通过二进制变量随时间变化来建模的。2.4 求解策略为什么是二阶锥松弛加混合整数整套模型直接求解是混合整数非线性规划非常难啃。幸运的是DistFlow方程在配电网辐射状模型下可以改写成二阶锥形式非凸部分只有整数变量于是整个问题被转化为混合整数二阶锥规划。这类问题应用商用求解器可以直接求解到全局最优或者至少是带间隙保证的近似最优。求解器方面Matlab环境下通常用YALMIP建模后端调用Gurobi或者CPLEX。Gurobi对二阶锥和整数规划的求解能力都很强一般求解速度也更快CPLEX同样稳定但在部分二阶锥约束上的表现稍有差异。如果没有商业求解器授权也可以试着用开源的SCIP或Cbc但速度会有明显下降而且部分二阶锥问题的处理可能不稳定。我自己的做法是优先用Gurobi并设置一个合理的MIP Gap比如1%或0.5%在保证精度的前提下大幅压缩求解时间。另外还要说明一个点二阶锥松弛本身的准确性依赖于电压水平。如果系统运行在正常范围松弛间隙通常很小解是可信的。但极端故障下某些节点电压可能很低二阶锥松弛可能出现间隙偏大的情况这会低估网络损耗影响最终调度的可信性。遇到这种情况可以在目标函数里加一个线路损耗罚项强制松弛收紧或者把低电压节点的电压下限稍微抬高一点让模型更保守。3. Matlab复现的整体设计与关键代码解读3.1 代码文件结构与主流程拿到这套代码后先不要急着运行先把文件结构看清楚。典型的复现代码会包含下面几类文件主程序 main.m负责全局流程控制读取数据、构建模型、调用求解器、输出结果。数据文件 case33.m 或 load_case33.m定义IEEE33节点系统的线路参数、节点负荷、基准值。模型构建函数 build_model.m核心文件里面包含了决策变量定义、目标函数和全部约束的构建。场景生成函数 generate_scenarios.m定义灾害场景包括哪些线路故障、故障发生时刻、移动储能车的位置等。求解与后处理 solve_and_plot.m调用YALMIP求解并绘制节点电压、负荷恢复、储能SOC、移动路径等图片。主流程的逻辑大致是先加载数据和场景接着构建模型然后调用optimize求解最后把结果整理成论文需要的表格和图。整个流程如果用Pipeline来形容就是“数据输入→场景建模→优化求解→结果可视化”四步和很多同学自己做课题时的代码结构是一致的。3.2 数据准备与参数配置IEEE33节点系统是公开标准算例节点1是电源节点通常作为松弛节点处理系统基准电压12.66kV总有功负荷3715kW无功负荷2300kvar网络结构为辐射状。复现时要把线路的起点、终点、电阻、电抗、允许容量上限一一对应写进数据文件里不能错位否则潮流约束就全乱了。移动储能参数需要自己设定。常见设置是每台移动储能车容量500kWh额定功率250kWSOC上下限10%到90%移动时间根据节点之间的电气距离折算。灾害场景可以设置成某几条关键支路同时断开比如线路4-5、7-8、26-27同时故障形成三个孤立区域。这样设置的目的是让场景足够典型既有靠近电源的孤岛也有远离电源的末端孤岛移动储能车的调度空间和难度都体现得出来。这些参数在论文里通常会在“算例设置”一节里列一张表复现时如果发现自己跑出来的目标函数值和原文对不上优先检查这些数值有没有写错尤其是负荷功率的单位和基准值。3.3 决策变量与约束构建的Matlab写法用YALMIP构建混合整数二阶锥模型时变量的定义方式直接决定了代码的可读性和运行效率。下面给出一段示意代码展示决策变量的基本定义方法。%% 决策变量定义骨架代码 Nbus 33; NT 24; NESS 2; % 储能接入状态e台储能车在t时段是否接入节点i z_storage binvar(Nbus, NT, NESS, full); % 储能充放电功率和SOC p_ch sdpvar(NESS, NT, full); p_dis sdpvar(NESS, NT, full); soc sdpvar(NESS, NT, full); % 线路状态线路l在t时段是否闭合 u_line binvar(Nline, NT, full); % 节点负荷削减量 p_cut sdpvar(Nbus, NT, full);构建约束时尤其要注意逻辑约束的写法。储能车同一时刻只能接入一个节点这一条用YALMIP写很直接% 同一时刻只能接入一个节点 for t 1:NT for e 1:NESS Constraints [Constraints, sum(z_storage(:,t,e)) 1]; end end再比如SOC更新约束核心是上一时刻SOC、充放电效率、时段长度的配合。常见写法为% SOC 动态更新 for t 2:NT for e 1:NESS Constraints [Constraints, ... soc(e,t) soc(e,t-1) eta_ch * p_ch(e,t) * dt - p_dis(e,t) * dt / eta_dis]; end end这里有一个新手经常翻车的点充电和放电功率不能同时为正。虽然目标函数会尽量少充电但在部分场景下模型可能会用充电来“制造”SOC变化结果出现同时充放的情况。所以一般要加上互补约束但严格来说YALMIP里的sdpvar做两变量线性互补约束会引入非凸条件不建议直接乘在一起。工程上更常用的做法是通过大M法引入两个互斥的0-1状态变量或者直接设置一个很小的充放电效率罚项让同时充放不划算。3.4 求解配置与结果输出求解配置直接决定你的模型能不能在规定时间内跑完。用YALMIPGurobi时常用配置如下ops sdpsettings(solver, gurobi); ops.verbose 2; ops.gurobi.MIPGap 0.01; % 允许1%的整数间隙 ops.gurobi.TimeLimit 3600; % 最长求解时间 ops.savesolveroutput 1; % 保存求解器原始输出便于调试建议不要把MIPGap设成0。对于动辄上千个整数变量的模型追求绝对最优往往会把求解时间拖到无法接受。设置0.5%到1%的间隙在学术场景下足够体面而且绝大多数论文的数值结果在这个精度下不会有可感知的差异。结果输出部分至少要保存三张标准图节点电压随时间变化曲线、移动储能车的接入位置和移动轨迹、负荷恢复比例的时序柱状图。这三张图几乎覆盖了审稿人最关心的信息电压是否越限、储能车动线是否合理、韧性提升效果是否直观。如果想再加一张就画不同场景下失负荷量的对比条形图。4. 实操过程从33节点算例到调度策略4.1 运行环境与代码启动步骤我复现这套代码用的环境是Matlab R2022aYALMIP最新版Gurobi 10.0。建议顺序是先装好YALMIP再把Gurobi的Matlab接口配置好然后运行yalmiptest确认求解器能被正确识别。很多同学代码下载下来运行报错根源不是代码本身有问题而是YALMIP没有正确识别到Gurobi导致用默认的求解器去解MISOCP速度慢得离谱甚至直接崩了。代码启动的步骤不复杂先把当前目录切换到代码根目录然后运行main.m。程序会自动加载IEEE33节点数据、生成灾害场景、构建模型、调用Gurobi求解最后输出结果曲线。首次运行时间取决于你的机器配置。我这边实测在24时段、33节点、2台移动储能、单场景的条件下Gurobi求解时间大约在2到5分钟之间。如果机器比较旧建议先跑一个12时段的简化版验证流程正确性再把时段改回24。4.2 典型灾害场景的结果分析以线路4-5、7-8、26-27同时断开为例系统被分成几个彼此无法互通的区域。没有移动储能支撑时故障区域内的负荷只能全部中断。加入两台移动储能后策略会先在灾前把储能车部署到靠近孤岛中心的节点例如节点18和节点32附近然后灾后在孤岛间进行转移。转移的逻辑通常按照负荷恢复效果来决定第一时间接入负荷最重且失电范围最大的孤岛等该孤岛内线路抢修恢复一部分后再转移到下一个孤岛。从负荷曲线看未配置移动储能时失负荷几乎是全天保持在高位而配置后失负荷在初始阶段就会有一个明显下降然后随着抢修复电逐步趋近于零。这个对比图做出来基本上就是整套方案可行性的最直观证明。我复现时设置的典型参数下单场景优化结果中移动储能支撑使得系统总失负荷量下降约35%左右。这个数字仅供参考因为具体的下降比例和移动储能数量、容量、故障场景严重程度强相关不同论文之间没有直接可比性。复现的重点是复现出“趋势正确、机制正确”的结果而不是强求某个数字一模一样。4.3 敏感性分析从单场景到多场景验证绝大多数论文不会只跑一个场景。为了说明策略的稳定性通常会做两类敏感性分析。第一类是储能参数敏感性固定故障场景改变移动储能车的数量或者单台容量看失负荷量怎么变。比如从1台加装到3台失负荷量先快速下降再趋于平缓说明边际效益递减这个曲线能直接支撑“应该配几台储能车”的规划结论。第二类是故障场景鲁棒性分析。把单场景改为多随机故障场景每个场景给定一个故障概率然后重新求解两阶段问题得到的是一个期望失负荷量最小化的方案而不是针对某个特定场景最优的方案。这时候的预布局结果往往不再是“针对某一条线路故障最优的位置”而是“在所有可能故障下都不差的位置”这是两阶段随机规划的核心思想。在多场景计算时要注意每个场景都展开成一套潮流约束模型规模会线性膨胀。30个场景、24时段的模型可能直接跑到几万个约束这时候必须引入场景缩减技术比如基于概率距离的快速前向选择把初始生成的几百个场景缩减成10个左右的代表场景否则求解时间完全不可控。5. 常见问题与排坑实录5.1 “完美复现”常栽的跟头先说一个几乎所有复现者都绕不开的坑约束写到最后模型不可行然后开始疯狂怀疑到处找bug。这时候最有效的排查方法是逐类约束关闭。先把移动储能的所有约束注释掉只跑基础DistFlow约束看看能不能算出一个没有储能支持的可行解然后把储能约束逐条加回来每加一条就重新求解一次。这样很快就能定位是哪一条约束在“卡脖子”。另一个高频坑是潮流变量和线路状态变量之间的逻辑矛盾。某些碎片化孤岛既没有主网供电也没有储能接入但DistFlow方程依然要求该节点的功率平衡结果会出现电压低得离谱、负荷切得精光依然是可行解的情况但实际的物理意义是完全不对的。解决办法是在每个孤立区域内强制要求至少有一个电源节点接入或者给电压下限加一个更严格的约束。还有一个细节YALMIP里用binvar定义变量后如果后续计算中出现logical操作比如zsomething可能会报错或者生成非线性表达式。正确的线性化写法是用大M约束或者implies函数转化。如果发现模型里出现了bilinear项先怀疑是不是0-1变量和连续变量相乘没有被线性化。5.2 复现结果与论文数值不一致时先查这几处复现结果和原文对不上太正常了我和同行交流时也常遇到这种情况。通常先查五个点负荷基准值是不是标幺化了时段步长是不是等于1小时如果论文里是15分钟一个时段而你用1小时目标函数里的Δt就会差4倍模型里是否考虑了无功负荷如果只约束有功而忽略无功潮流结果也会跑偏线路故障集合是不是完全一致有时候论文用故障场景1、场景2、场景3但你只复现了一条故障线路的组合移动储能车的初始位置和数量有没有写对第一阶段的决策变量如果在复现时被当成固定参数结果一定不同。如果上面五处都查完了还对不上建议去看目标函数的权重设置。很多论文里的“失负荷量”其实叫“加权失负荷量”权重可能来自负荷等级表也可能基于节点所在区域的人口密度或重要程度。没有权重表只靠原文公式是无法复现出完全一致的数值的。这时候不必钻牛角尖把“趋势一致性”作为复现成功的验收标准更现实。5.3 求解时间过长时的优化技巧模型跑不动怎么办我常用的优化手段有三个方向。第一个方向是降低整数变量规模。仔细审查哪些0-1变量是可省的。比如储能车接入节点变量在预布局阶段其实只有PC个候选节点可选没必要对全部33个节点都放开0-1变量只需要建一个包含候选节点集合的索引列表把变量维度直接缩到候选集合大小。同理线路抢修时段也可以用预先设定的修复时刻来固定状态而不是每时段都让求解器决策。第二个方向是减少大M松弛带来的数值波动。线路开断约束里常用大M法平衡支路潮流和线路状态M取太大容易让求解器数值不稳定。经验做法是取该支路容量上限的两到三倍作为M值既能保证松弛正确又能让求解器收敛更快。这里有一个实用的调试技巧求解结束后查看每个大M约束对应的约束对偶值是否在合理范围内如果某些约束的偏差量级异常大说明M取大了。第三个方向是冷启动。先固定整数变量求解一个连续松弛问题得到可行解然后把整数变量的初值填回MISOCP模型里有时候可以让Gurobi的整数分支收敛速度提升一个数量级。这个方法不总能成功但值得一试。5.4 从复现到改造自己扩展模型时怎么动刀代码跑通之后很多人想把自己的改进想法加进去。这时候最忌讳直接在大模型里东改一行西改一行很快整个文件就会变得没法维护。我的建议是按照“换参数→换场景→加约束→换目标”的顺序渐进式改造。换参数最安全修改数据文件里的负荷倍率、储能容量、线路参数即可换场景要改故障线路集合和时段设置加约束要注意保持模型的线性结构否则求解器直接罢工换目标函数要重新设计权重系数和约束之间的对应关系。每一步改造后都跑一次原场景对照实验确认新增改动不会破坏原有优化逻辑。另外一个很值得做的扩展是考虑抢修队和移动储能的协同调度。原模型通常隐含假设抢修进度是固定的但现实中抢修队也可以被调度两者联合优化能让恢复时间进一步缩短。这类扩展需要把抢修队的位置变量、移动时间、各线路抢修顺序全部纳入模型目标函数也要从单纯失负荷最小变成“失负荷抢修完成时间”的多目标权衡。顺着这个思路往下做再配合多场景随机规划就足够撑起一篇不错的期刊论文或者硕士课题了。说实话我每次复现这类模型最大的收获不是拿到一套能跑通的代码而是把“储能调度”从纸面上的公式变成了脑子里有物理图像的完整系统。建议拿到代码后先不看求解结果亲手把约束体系从头到尾列一遍想象每一步调度对应现场的真实操作。这个思维习惯比跑通任何一篇复现代码都值钱。
阅读完成 · 觉得有帮助？
