基于双层优化的大规模电动汽车充放电时空调度策略及Matlab实现

做电动汽车调度研究的同学，大概率都遇见过一种困境：模型建得很完整，约束抠得很细，但一跑出来，调度中心自己很满意，车主却根本不愿意配合。原因很简单，你替车主做的决定，没考虑车主自己的算盘。这篇博文要拆的“基于双层优化的大规模电动汽车充放电时空调度策略研究”，正好就是针对这个问题来的，而且配套Matlab代码实现。我会从数学模型、求解思路、代码结构、算例结果、还有实际踩坑排查这几个角度，把整个项目完整讲清楚。适合正在做电动汽车有序充电、V2G、配电网互动方向的研究生，也适合想快速搭建原型的工程师参考。

1. 项目核心思路拆解：为什么是“双层+时空”

1.1 大规模EV调度到底难在哪

先看规模。一个中等城市可能同时有几千辆电动汽车在充电，每辆车的接入时间、离开时间、初始SOC、目标SOC、最大充电功率、是否愿意V2G放电，全都不一样。这些差异叠加在一起，变量量级一下就上去了。如果直接用传统数学规划做多目标，变量数量很容易突破几十万甚至上百万，商业求解器也得算到崩溃。

更麻烦的是空间差异。同样的充电功率，放在负荷轻的变电站和负荷重的变电站，对电网影响完全不同；晚高峰时刻在商业区充电，甚至可能导致配电变压器过载。所以调度不能只给一个总充电功率，必须区分“时间”和“空间”两个维度。再加上V2G，车不只是负载，还可以当储能反向放电，问题就从“什么时候充”变成了“什么时候充、什么时候放、在哪个站放”，决策空间的复杂度成倍增长。

我总结下来，大规模EV时空调度主要有四个难点：

• 用户异构性强：每辆车的电池、出行需求、充电习惯都不一样，直接逐辆建模会带来大量变量。
• 电网空间约束复杂：不同充电站接入的配电网节点，其变压器容量、线路潮流、电压水平各不相同。
• 时间耦合严重：车辆在不同时段充放电，会形成跨时段的SOC动态约束，一个时段的决策会影响后续时段的可充放电能力。
• 用户意愿不可忽略：你算出的最优方案如果让车主多花钱，他转头就去别处充电了，调度方案根本不落地。

这四点凑在一起，单层集中优化很难处理，因为单层模型天然假定“所有用户服从统一指令”。但现实里车主是独立决策的，所以我们需要把博弈关系显式建模进来，这就是双层优化进入视野的原因。

1.2 双层优化与单层优化的本质区别

单层优化把所有EV看作一个集合，假设它们服从统一指令，直接求解“系统最优”，适合车队统一调度或者完全可控的场景。而双层优化描述的是一个主从递阶结构：上层（运营商/电网）先宣布电价或调度计划，下层（用户/聚合商）在给定上层策略下，按自身利益最大化或成本最小化做响应，上层再根据响应结果调整策略。

这不是把两个目标加权在一起的多目标优化，而是两个层级之间有顺序、有主次的博弈问题。我经常用一个类比来解释：单层优化像单位排班，领导直接指定每个人几点上班，员工只能接受；双层优化更像打车平台调价，平台先定一个价格，司机再决定接不接单，平台根据全平台接单率调整价格。电动汽车调度显然更接近后者，因为调度中心不能强制车主在某时某地充放电，只能通过价格信号和充电功率来引导。

对电动汽车充放电问题来说，双层模型的意义还体现在两层：一是保护用户隐私，运营商不需要知道每辆车的具体出行习惯，只需要看到群体性响应结果；二是更接近市场化机制，用户有选择权，系统方案执行起来才有现实基础。当然代价也明显——模型从单层变成双层之后，求解难度会大幅上升，不再是“一次优化出结果”，而是要反复迭代或者做KKT转换，这也是后面要重点讲的部分。

1.3 时空两个维度如何在一个模型里互相嵌套

搞明白双层结构之后，再看“时空调度”四个字。时间维度很直观，一天被划分成24个时段甚至96个时段，每辆车的SOC逐步更新，充放电功率在每个时段内保持或变化。空间维度则要把配电网拆成多个节点，每个节点对应一个或多个充电站，线路容量、变压器容量、节点电压都成为约束条件。

但时空两个维度不是独立存在的，它们是通过功率变量和SOC状态变量耦合在一起的。举例来说：某辆车下午3点在A站快充了20度电，那么晚上7点它就有能力在B站放电，这就让“充电的时间和地点”影响了“放电的时间和地点”。反过来，如果某一个时段A站因为变压器容量限制不能充太多，用户可能改去B站，或者改到凌晨再充，这又改变了整体负荷的时间分布和空间分布。

我举一个典型场景：晚高峰时A站正好在重载支路上，电价很高；B站在轻载支路上，电价较低。用户为了省钱愿意去B站，但去B站可能要绕路，所以下层模型里需要加入“出行距离/等待时间”的惩罚成本。上层在制定各站电价和充电功率时，已经把用户改站、改时的响应行为算进去了，这种预测-响应的闭环就是时空调度的核心。如果只分别建一个“时间优化模型”和一个“空间优化模型”，两套结果根本对不上，调度方案也没法执行。

2. 数学模型搭建：从目标函数到约束条件

2.1 上层模型：运营商/电网层的时空调度

上层模型站在运营商或电网调度中心视角，目标一般包含经济性和安全性两部分。经济性希望购电成本最小、放电反向馈网收益最大；安全性希望配电网等效负荷曲线峰谷差小、节点电压不越限。实际项目里我习惯把两者写成加权和，方便调节。

典型目标函数长这样：

min F_up = sum_t [ c_buy(t) * Pg(t) ] - sum_t [ c_feed(t) * Pdis_total(t) ] + lambda * sum_t [ (L_grid(t) - L_avg)^2 ]

其中Pg(t)是向上级电网购电的功率，Pdis_total(t)是所有站点放电功率之和，L_grid(t)是根节点处的净负荷，也就是基础负荷加EV净负荷，L_avg是L_grid在24小时内的平均值。第一项是购电成本，第二项是放电收益，第三项是削峰填谷的惩罚项，lambda是权重系数。

上层约束主要包括：

• 节点功率平衡约束：对于每个站点对应的配电网节点，注入功率等于该站充电功率减去放电功率，再加上基础负荷和与相邻节点交换的功率。
• 线路容量约束：每条支路的潮流不能越限，我用的是线性DistFlow模型，不考虑无功优化，这个精度对时空调度策略足够。
• 变压器/主变容量约束：上级变压器输入功率不能超过上限。
• 站点充放电功率上下限：由充电站配变容量、充电桩数量共同决定。
• 与下层耦合的等式/不等式约束：上层制定的各站充电功率，必须能由下层用户实际响应支撑起来。

这里有个容易忽略的点：上层如果直接决定“各站充电功率”，其实隐含了“用户一定会照做”的假设，这就又退化成单层了。所以在双层模型里，上层通常只决定价格信号或者“建议功率”，然后通过迭代把下层响应反馈回来，形成闭环。我后面在代码里会具体展示。

2.2 下层模型：用户群的充放电响应

下层模型描述用户怎么响应上层的价格或调度指令。如果只考虑经济账，用户会希望在电价最低的时段充电、在电价最高的时段放电，但现实约束是“第二天还要用车”，所以SOC必须保持在一个合理区间内。单辆车的下层优化模型可以写成：

min F_low = sum_t [ pi_j(t) * Pch_i(t) - pi_sell_j(t) * Pdis_i(t) + gamma_i * C_loss_i(t) ]

约束条件包括：

• SOC动态约束：SOC_i(t+1) = SOC_i(t) + Pch_i(t)*eta_ch/4 - Pdis_i(t)/eta_dis/4，这里除以4是因为我们采用15分钟为一个时段，或者按实际时间粒度调整。
• SOC上下限约束：保证用户随时能开车出门，最低SOC不能低于SOC_min_i。
• 充电功率上下限：0 <= Pch_i(t) <= Pch_max_i。
• 放电功率上下限：0 <= Pdis_i(t) <= Pdis_max_i。
• 不能同时充放电约束：Pch_i(t) * Pdis_i(t) = 0。

这个模型单独看很好理解，但真正到大规模式会出问题：如果500辆车、24个时段，每辆车有48个充放电变量加24个SOC变量，总变量数接近4万个，约束数量也很大。虽然Matlab能硬算，但在外层还要反复迭代，速度会很难看。

所以我在实际代码里做了“聚合响应”处理：把用户按接入时段、离开时段、电池容量分成若干个用户群，对每个群定义总充电功率和总放电功率，用平均SOC做近似。这样变量数量大幅下降，迭代速度能提升一个数量级，而且得到的调度方案在统计意义上依然合理。这个方法对做大规模研究来说几乎是必须的，不然你只能在500辆车的小算例上打转。

2.3 双层协调机制与求解路线对比

双层模型建好之后，最大的问题是“怎么求”。目前业界常用三种路线：

• 迭代式求解：上层先给定电价或功率，下层求解得到用户响应，上层根据响应更新策略，反复迭代直到收敛。实现最简单，适合快速跑通流程，但收敛速度要看参数设置，处理不好容易震荡。
• KKT条件转换：当下层是连续线性规划且没有整数变量时，可以写出下层的KKT最优性条件，把它作为上层模型的约束，把双层问题变成单层带互补约束的数学规划问题，再用大M法线性化交给商业求解器。这种方法牺牲一部分建模简洁性，但一次求解能拿到均衡解，不需要迭代。
• 启发式嵌套：外层用遗传算法或粒子群搜索上层决策，内层用线性规划求解下层响应。灵活性高，能处理非凸、含整数的复杂问题，但计算量最大，一般用来做几百辆车的仿真分析。

我把三种路线整理成一个对比表，方便选型：

本项目主体我推荐用迭代式先把模型跑通，然后把KKT转换作为进阶优化方向。这样既能快速得到结果，又能对“最优解在哪”有一个直观认识，不会一上来就被KKT推导劝退。

3. Matlab代码实现：从0到1跑通双层循环

3.1 环境配置与测试数据生成

代码环境我建议使用Matlab R2022a及以上版本，安装Optimization Toolbox。建模语言用Yalmip，求解器用Gurobi或Cplex，没有商业求解器的情况下也可以用内置的linprog/intlinprog先顶着，但大规模双层迭代下速度差距非常明显。Yalmip在GitHub上可以下载，Gurobi有学术授权，申请之后配置起来很简单。

测试数据不需要一上来就用真实数据集，自己生成反而更容易控制场景。下面是一段生成测试数据的示例：

rng(42); Nt = 24; % 时段数，1小时一个时段 Ns = 3; % 充电站数量 Nv = 600; % 电动汽车数量 % 每辆车参数 C_bat = 60; % 电池容量 kWh Pch_max = 7; % 最大充电功率 kW Pdis_max = 5; % 最大放电功率 kW SOC_init = 0.2 + 0.4 * rand(Nv,1); % 初始SOC 20%~60% arrive = randi([7, 20], Nv, 1); % 接入时段 leave = min(arrive + randi([1, 8], Nv, 1), 24); % 离开时段 % 三个站点所在节点的基础负荷（kW） t = 0:Nt-1; P_base = [1500 + 900*sin(t*pi/12).^2; 1200 + 800*sin((t+2)*pi/12).^2; 1800 + 1000*sin((t+1)*pi/12).^2];

为什么要用rng(42)？因为双层迭代对初始条件很敏感，固定随机种子以后，每个人跑出来的结果都一致，方便你对照复现。arrive和leave是最关键的数据，它们决定了每辆车什么时候能充放电，直接影响时空调度结果。

3.2 代码结构设计与变量定义

代码不要全部塞在一个脚本里，否则后面扩展条件一多，根本跑不下去。我推荐下面这个文件结构：

• main.m：主程序，负责参数设置、初始化、调用迭代求解、输出结果。
• data_generate.m：生成测试数据，包括EV参数、基础负荷、分时电价。
• upper_model.m：构建并求解上层优化模型，输入下层上一次响应，输出各站充电/放电功率和电价。
• lower_model.m：构建并求解下层用户响应，输入上层电价/功率，输出实际充放电需求。
• solve_iterative.m：执行迭代主循环，处理阻尼、收敛判断。
• plot_results.m：绘制负荷曲线、SOC曲线、功率分配图。

变量定义上，核心的几个变量是：

Pch = sdpvar(Ns, Nt, 'full'); % 各站点各时段充电功率 Pdis = sdpvar(Ns, Nt, 'full'); % 各站点各时段放电功率 Pg = sdpvar(1, Nt, 'full'); % 根节点购电功率 pi_charge = sdpvar(Ns, Nt, 'full'); % 各站点充电价格 Q_user = zeros(Ns, Nt); % 下层返回的用户响应功率

注意sdpvar是Yalmip声明变量的方式，第三个参数字符串'full'表示这是一个完整矩阵变量，不是对称或对角矩阵。上下层之间通过pi_charge和Q_user这两个变量耦合，迭代时它们不断更新。

3.3 上下层模型核心代码解析

上层模型的核心约束和目标是这样的：

Constraints = []; % 根节点功率平衡：基础负荷 + 站点净充电功率 = 购电功率 Constraints = [Constraints, sum(Pch - Pdis, 1) + P_base_root == Pg]; % 站点充电功率上下限 Constraints = [Constraints, 0 <= Pch <= Pch_ub]; Constraints = [Constraints, 0 <= Pdis <= Pdis_ub]; % 与下层响应的耦合约束 Constraints = [Constraints, sum(Pch, 2) >= Q_user_prev(:, 1)]; % 目标：购电成本 - 放电收益 + 削峰填谷惩罚 Objective = sum(c_buy .* Pg) - c_sell * sum(Pdis(:)) ... + lambda * sum((Pg - mean(Pg)).^2); ops = sdpsettings('solver', 'gurobi', 'verbose', 0); optimize(Constraints, Objective, ops);

这里Q_user_prev是上一次迭代中下层返回给上层的实际充电需求。上层在做计划时不能拍脑袋决定，至少要满足用户已经被激励出来的需求。这种“先预测响应，再制定计划”的思路是迭代法的主心骨。

下层模型如果采用弹性响应模型，代码会非常简单，适合快速迭代：

alpha = 0.5; % 电量对价格的敏感系数 Q_user = Q_base - alpha * (pi_charge - pi_ref); Q_user = min(max(Q_user, Q_min), Q_max);

Q_base是用户不受价格影响时的基准充电需求，pi_ref是基准电价。这个模型虽然简单，但能很好描述“电价越高、充电需求下降”的基本行为，而且不需要求解器，迭代效率非常高。如果你希望做得更精细，可以对每个用户群构建一个LP问题，用linprog求解，目标函数和SOC约束都可以按2.2节里的公式写。

3.4 迭代收敛处理与性能优化

迭代式双层优化最常见的坑就是两侧来回震荡。我实际跑的时候发现，不加任何平滑处理，电价会在峰谷之间反复横跳，永远停不下来。解决办法是给迭代加一个阻尼系数：

rho = 0.3; % 阻尼系数，一般取0.2~0.5 pi_new = pi_old + rho * (pi_calc - pi_old); Q_smooth = Q_smooth + rho * (Q_user - Q_smooth);

收敛条件用相对变化量来判断：

if norm(pi_new - pi_old, 'fro') / norm(pi_old, 'fro') < 1e-3 break; end

有两类问题特别容易让迭代失效。一是下层含整数变量，比如“只能充或只能放”的0-1状态，迭代会出现抖动；解决办法是先松弛成连续变量，跑通之后再对结果做可行性修正。二是目标函数里符号写反，放电收益写成了“加”而不是“减”，导致用户无限放电，系统永远收敛不了。这种错误非常隐蔽，排查时一定要先看目标函数每一项的生理意义。

性能优化方面，最大的经验是不要在迭代循环里反复重新建模。Yalmip建模虽然方便，但每次构建sdpvar和约束都会产生额外开销。如果问题规模固定，可以提前把模型建好，在迭代中只更新参数，或者用assign给旧模型赋初值，省掉重复解析的时间。另外，能用矩阵运算的地方就不要用for循环，Matlab的矩阵乘法效率远高于循环，这一点在500辆车以上的算例中尤其明显。

4. 算例验证与结果解读

4.1 算例参数设置

为了验证双层时空调度策略的效果，我设置了一个可复现的小规模算例。基本参数如下表：

EV接入时间、离开时间、初始SOC按照上一节代码里的方式随机生成，rng(42)固定种子后用同一批数据跑所有场景，这样对比才有说服力。需要强调的是，调度策略对EV接入时间分布非常敏感，晚高峰前接入的车辆越多，削峰空间越大，V2G效果也越明显。

4.2 核心结果与分析

我把三种场景放在一起对比：无序充电、单层有序充电、双层优化充放电。无序充电最简单，即插即充；单层有序充电忽略用户响应，直接做系统最优；双层优化则按照本文的Stackelberg博弈模型求解。

结果整理成表：

这里有个现象值得多说。双层优化场景中，部分车辆在19点到22点的高峰时段放电，把电量反向送回配电网，尤其是靠近重载节点的充电站，V2G放电能直接缓解变压器压力；同时大量充电负荷被引导到凌晨低谷时段，填谷效果非常理想。用户平均日费用下降，是因为放电补贴收入抵消了大部分充电成本，但要注意模型里如果没有电池损耗惩罚，用户会被激励过度放电，实际落地时一定要加入损耗系数，否则结果偏乐观。

从技术指标看，双层优化的峰谷差比无序充电下降了37.6%，比单层有序充电也下降了14.5%。这说明“用户响应”不仅仅是一个让结果更真实的附加条件，它本身就能带来额外的削峰潜力，因为用户会依据价格信号主动调整行为。

4.3 算法对比与规模扩展实测

我还用同一套数据对比了三种求解路线：迭代式、KKT单层化、遗传算法嵌套LP。结果如下：

500辆车时，迭代式优势是速度快、模型改动小；KKT单层化得到的均衡解更精确，但建模复杂度高，扩展到2000辆车时容易内存爆炸；遗传嵌套LP最灵活，能处理复杂非线性约束，但计算时间太慢，不适合在线调度。我在扩展到2000辆车时