配电网韧性这个方向火了挺多年，写论文的人多，能把复现过程讲明白的人不多。最近我把一篇SCI一区论文的下半部分完整跑通了，就是标题里这个“基于配电网韧性提升的应急移动电源预配置和动态调度”。上篇的预配置解决的是“灾前把移动电源摆在哪里”的问题，下篇才是真正见真章的部分：故障已经发生，网络里哪条线路断了、哪些关键负荷还活着，该怎么指挥应急移动电源（MPS）在时间轴上一路转场，什么时段在哪个节点供电，每个小时输出多少功率，中间是否要给自身补电，这些决策全部交给一个动态调度模型来完成。这篇博文就围绕MPS动态调度这个主题，把数学建模、Matlab代码实现、求解配置和复现途中遇到的坑一一交代清楚。
适合谁来读：正在做配电网韧性、孤岛恢复、应急供电方向的研究生，或者需要把这类优化模型用Matlab落地实现的研究者。如果你对YALMIP和混合整数线性规划还不算熟，本文也会尽量把模型和代码的对应关系讲透。
1. 先理清楚MPS动态调度在配电网韧性里的定位
1.1 预配置和动态调度是什么关系
两阶段模型的逻辑很简单：灾害来临前信息不完全，只能根据预报信息决定移动电源的预置位置，这是“预配置”阶段，优化的结果是一组初始布点；灾害发生之后，故障信息明朗了，调度员需要在这条时间轴上不断决策移动电源下一步去哪儿，这就是“动态调度”阶段。两个阶段通过“初始位置”和“初始电量”衔接起来——动态调度不是从零开始，而是从预配置给出的初始条件出发。
我在复现时一开始犯过一个理解错误：以为动态调度就是简单重跑一遍带位置的优化。实际上，预配置和动态调度的信息结构和决策变量都不一样。预配置更接近“带随机灾前信息的位置规划”，动态调度则是一个时间耦合更强、带移动过程约束的调度问题。两者共用一套配电网潮流参数，但动态调度多了MPS的移动路径、停驻时间段、SOC递推这些硬约束。这也是为什么很多论文把这两部分分开建模，分别写两套程序。我在代码里也用两个主文件来组织，共用的网络参数单独放一个配置文件，避免互相污染。
如果只说建模逻辑，动态调度其实可以理解成：给定MPS车队、给定网络故障状态，让它们在一段时间内轮流服务多个孤岛负荷。MPS不是固定储能，它最大的价值就是“能跑”。但这个能力也是麻烦的源头——一旦允许移动，时间维度和空间维度就绑在一起了，MPS在t时刻必须位于某个节点，从A节点换到B节点需要消耗移动时间，移动期间它没法对外供电，这些都会变成数学约束。
1.2 动态调度模型的输入输出
拿到一篇论文，先别急着看公式，先从“输入输出”上想清楚问题是什么。这个动态调度模型，输入是这样几块：
- 配电网静态数据：节点号、支路参数、负荷额定值或时序曲线；
- 故障或重构后的网络拓扑状态，比如哪些线路处于断开状态、哪些节点已经失电；
- MPS初始状态：数量、容量、最大输出功率、初始SOC、初始所在节点；
- MPS移动信息：节点之间的移动时间矩阵，由路网距离和平均车速换算；
- 时段划分：通常以1小时为一个时段，共24或48个小时；
- 负荷优先级权重：关键负荷权重高，普通负荷权重低。
输出则是每个MPS在每个时段的离散动作和连续功率：位置变量（在哪一个节点）、状态变量（供电/移动/待机/充电）、各时段的放电功率、SOC演进曲线。本质上这是一个多时段混合整数线性规划（MILP），离散变量来自位置和状态，连续变量来自功率和SOC，目标函数则是切负荷损失最小化或者恢复负荷电量最大化。
我建议复现的时候先画一张数据流图，把所有输入和输出列清楚，再去看论文里的公式。这一步做扎实了，后面写代码会轻松很多。
1.3 为什么用MILP而不是一套规则
有人会问：动态调度能不能用启发式规则？比如哪儿负荷重要就先去哪儿，供完再跑下一个点。可以，但在故障场景复杂、负荷优先级重叠、多个MPS协同的时候，手写规则很难兼顾全局。MILP的好处是能把所有时间、空间、电量耦合关系一次性丢给求解器，得到一个全局最优解，而且给出来的结果可复现、可验证。代价就是模型规模大了之后求解会比较吃力，这一点后面专门说。
用MILP还有一个原因：配电网的辐射状拓扑、开关状态、孤岛划分这些离散决策，天然就适合用0-1变量表达。MPS在哪个节点供电，也是一个离散选择。把这些统一建模成一个MILP，调度员得到的方案不只是一串指令，还可以给出目标值的下限，方便评估方案质量。
2. 动态调度模型的数学骨架拆解
2.1 目标函数：切负荷损失最小化
大多数韧性恢复类论文的目标函数，是在故障处置周期内让切负荷损失最小。常见写法是：
[ \min \sum_{t=1}^{T}\sum_{i\in N} w_i \cdot P_{i,t}^{shed} \cdot \Delta t ]
其中 (w_i) 是节点i的负荷权重，(P_{i,t}^{shed}) 是节点i在t时段被切除的有功功率，(\Delta t) 是时段步长。权重不是随便加的，它体现了关键负荷优先级：医院、通信基站、供水系统这些会设置高权重，普通居民负荷权重低。这样求解器在无法满足所有负荷时，会优先保住关键负荷。还有一个细节：如果节点已经被切除，(P_{i,t}^{shed}) 就等于该节点的原始负荷需求；如果MPS或上级主网恢复了该节点的一部分负荷，(P_{i,t}^{shed}) 就相应减少。
这里我踩过一个小坑：一开始把目标函数写成所有节点的切负荷功率之和，没有乘负荷权重，结果求解器给出的方案是把功率匀给权重最低的区域，关键负荷反而没保障。后来把权重加回去，方案才符合直觉。所以复现时先确认论文里目标函数到底有没有权重，以及权重是常量还是随机量。
2.2 状态变量：位置、供电、移动、充电
MPS动态调度的难点，其实集中在状态刻画上。需要定义的变量包括：
- 位置变量 (x_{m,i,t} \in {0,1})：MPS m 在 t 时段是否位于节点 i；
- 供电状态 (u_{m,t} \in {0,1})：MPS m 在 t 时段是否向网络放电；
- 移动状态 (v_{m,t} \in {0,1})：MPS m 在 t 时段是否处于移动中；
- 充电状态 (c_{m,t} \in {0,1})：MPS m 在 t 时段是否在充电（如果模型允许给MPS自身补电）。
位置唯一性约束是最基本的：同一台MPS不可能同时出现在两个节点，所以每个时段对每台MPS要加：
[ \sum_i x_{m,i,t} = 1 ]
状态互斥约束也很关键：同一台MPS在同一时段不能既供电又移动，也不能同时充电和移动。写成约束就是：
[ u_{m,t} + v_{m,t} + c_{m,t} \le 1 ]
严格的物理含义是什么？移动中的MPS没有接入配电线路，无法对外供电；充电则依赖于停靠在具备充电条件的节点，大多数场景下也只能在停驻时进行。所以这三个状态是互斥的。当然也存在一些论文假设MPS在移动过程中可以给自身补电，但更常见的是停驻充电。为了简化实现，很多复现者会把“待机”状态和“供电”状态合并成一个“停驻但不供电”的状态，也没问题，关键是保证移动电源要么在接线，要么在转场，不能同时干两件事。
2.3 移动逻辑的时间约束
这是整个模型里最容易写错，也是求解时间最容易被拉爆的部分。MPS从节点 i 转移到节点 j 需要时间 (\tau_{ij})，这个时间由路网距离和平均车速得到。如果 (\tau_{ij}=1) 个时段，那么位置变量的递推可以写成：
[ x_{m,j,t+1} \ge x_{m,i,t} + y_{m,i,j,t} - 1 ]
但如果 (\tau_{ij}>1)，问题就复杂了。我见过不少复现者在博客里说“移动约束写错导致求解器卡死”，原因就在这里。常见做法是引入移动出发变量 (y_{m,i,j,t})，表示MPS在时段t开始从节点 i 向 j 移动。那么可以写出：
- 出发之后必须移动 (\tau_{ij}) 个时段，中途不能停在其他节点；
- 在到达节点 j 前，MPS位置变量对应的节点不能变化；
- 到达后在 (t+\tau_{ij}) 时段位置必须为 j。
这中间会衍生出一大堆时间窗口约束，如果直接展开写成 (\sum_{\tau} x_{m,\cdot,t+\tau}...) 这种形式，模型会变得非常大。我个人在实际复现中采用了一种简化：先把所有节点对之间的最短移动时间计算出来，然后只对 (\tau_{ij}) 小于调度周期且有实际移动价值的节点对建立移动变量，把那些距离太远、根本不可能在调度窗口内完成转场的节点对直接排除掉。这能把移动变量的数量压缩一个量级，同时不影响解的精度。做法很简单：网络节点几十个，但实际可达且需要去服务的节点就是其中一部分，用“预筛选+可达性矩阵”去限制变量空间。
更细一点，移动变量在目标函数里最好不要加成本，因为大多数论文的目标函数只考虑切负荷，加一个移动成本后，权重是拍脑袋定的，很容易破坏主目标，可能出现“为了省钱而不移动”的次优方案。如果确实要加移动成本，也要注意单位统一，否则结果很难解释。
2.4 SOC递推与电量约束
MPS内部有一个电池系统，SOC的递推是模型里时间耦合最强的部分。常见公式：
[ SOC_{m,t} = SOC_{m,t-1} - \frac{P_{m,t}^{out}\cdot \Delta t}{\eta_d} + \eta_c \cdot P_{m,t}^{ch}\cdot \Delta t ]
其中 (P_{m,t}^{out}) 是放电功率，(\eta_d) 是放电效率，(P_{m,t}^{ch}) 是充电功率，(\eta_c) 是充电效率。此外还需要满足：
- (SOC_{m,\min} \le SOC_{m,t} \le SOC_{m,\max})，防止深度放电损坏电池；
- (0 \le P_{m,t}^{out} \le P_{m,\max}^{out}\cdot u_{m,t})，供电功率只有MPS处于供电状态时才允许大于0；
- 如果允许充电，充电功率上限同理乘上充电状态 (c_{m,t})；
- 初始SOC由预配置阶段给出，可设为MPS出站时的满电状态；
- 仿真周期结束时的SOC通常要大于某个下限，比如0.2，这是为了保证MPS在任务结束后还有电量应对突发情况。
很多复现者会在SOC上踩坑：用了MILP以后，SOC是连续变量，但功率和状态之间必须用大M法强耦合。如果大M取值太大，数值病态就会出现，SOC曲线出现锯齿甚至不合理抖动。建议把功率、电量的单位统一，大M取功率上限的1.1到1.2倍就够了，不要图省事取1e6。
2.5 配电网潮流与辐射状拓扑约束
这个部分稍微重一点，因为MPS不是凭空给负荷供电，它需要接入配电网节点，电流要沿线路流到负荷。模型里一般用DistFlow线性化潮流：
[ \sum_{i\in \delta(j)} P_{ij,t} - \sum_{k\in \pi(j)} P_{jk,t} + P_{j,t}^{mps} - P_{j,t}^{load,used} = 0 ]
其中第一项是流入节点j的功率，第二项是流出，(P_{j,t}^{mps}) 是MPS在节点j注入的功率，(P_{j,t}^{load,used}) 是实际供给负荷的功率。电压约束用简化的Delta-V形式：
[ V_{j,t} \approx V_{i,t} - \frac{r_{ij}P_{ij,t}+x_{ij}Q_{ij,t}}{V_0} ]
并给出 (V_{\min} \le V_{i,t} \le V_{\max})。如果复现时只关心MPS调度，很多论文还会进一步把潮流简化成有功功率平衡，忽略无功。但如果在IEEE标准算例上验证，我建议至少保留有功潮流的线性DistFlow，并在代码里加入线路容量约束，避免出现某条线路功率越限的荒唐结果。
辐射状拓扑约束通常伴随着孤岛划分决策。如果动态调度允许MPS接入后形成孤岛，那还需要用单商品流或MST约束保证每个孤岛都是树状结构。这个约束在IEEE 33静态网络上不会太复杂，但在多时段联合调度里，每时段都要保证树形，约束数量会上升。复现时建议先用固定拓扑跑通MPS调度，再逐步放开开关变量，一步一步来。
3. Matlab + YALMIP 实现MPS动态调度的代码要点
3.1 数据结构与参数准备
写这种多时段优化程序的第一个建议：把所有常数集中到一个配置脚本里，用struct保存，不要散落到主程序各处。我习惯这样组织文件：
- config_network.m：录入节点、支路、负荷数据；
- config_mps.m：录入MPS容量、功率、数量、初始位置、初始SOC；
- travel_time.m：计算节点间移动时间矩阵；
- build_optimization.m：构建YALMIP变量和约束；
- run_main.m：主入口，读取配置，求解并保存结果。
移动时间矩阵的生成值得多说一句。MPS在路网上移动，不是电网节点之间直接直线连通的，所以需要先建立路网拓扑。如果没有实际路网数据，可以假设路网距离等于电网支路电气距离的1.2倍，并取平均车速为30到50km/h，再把小时折算成时段。比如两个节点电气距离2km，路网距离2.4km，车速40km/h，那么移动时间就是0.06h，按1h时段取整就是1个时段。取整的时候要注意：实际移动只需0.06h，但一旦进入移动状态，就占用整个时段，这种保守假设在小时级调度里完全可以接受。
3.2 定义YALMIP变量时的经验
在Matlab里用YALMIP定义变量，要特别注意维度设计。我建议统一采用三维变量，维度顺序为（MPS数量, 节点数量, 时段总数）。这样做的好处是后续用矩阵切片写约束非常顺手。下面是一段典型的变量定义：
Nn = size(bus, 1); % 节点数 Nm = 3; % MPS数量 T = 24; % 时段数 x_pos = binvar(Nm, Nn, T, 'full'); % 位置变量 0/1 u_sup = binvar(Nm, T, 'full'); % 供电状态 0/1 v_mov = binvar(Nm, T, 'full'); % 移动状态 0/1 c_chg = binvar(Nm, T, 'full'); % 充电状态 0/1 soc = sdpvar(Nm, T, 'full'); % SOC 连续变量 p_out = sdpvar(Nm, T, 'full'); % 放电功率 p_chg = sdpvar(Nm, T, 'full'); % 充电功率 p_shed = sdpvar(Nn, T, 'full'); % 切负荷功率有人会把位置变量定义成二维（节点, 时段），MPS数量通过循环来处理，这样写比较简单，但约束循环次数多，代码冗长。三维变量虽然初始化时占内存多一点，但配合Matlab的矩阵运算，可以大幅减少for循环。我自己更推荐三维方案，尤其是当节点数到69、时段到48以后，这种写法在代码可读性和执行效率上都是更好的。
3.3 核心约束的代码写法
目标函数可以直接写成矩阵乘法：
Objective = sum(sum(weight * p_shed)) * dt;位置唯一约束：
Constraints = []; for m = 1:Nm for t = 1:T Constraints = [Constraints, sum(x_pos(m, :, t)) == 1]; end end状态互斥约束：
Constraints = [Constraints, u_sup + v_mov + c_chg <= 1];SOC递推约束：
Constraints = [Constraints, soc(:, 2:end) == soc(:, 1:end-1) ... - p_out(:, 2:end).*dt/eta_d + p_chg(:, 2:end).*eta_c*dt];功率上限约束：
Constraints = [Constraints, p_out <= P_max * u_sup]; Constraints = [Constraints, p_out >= 0]; Constraints = [Constraints, p_chg <= P_chg_max * c_chg];切负荷与负荷需求关系：
Constraints = [Constraints, p_shed >= P_load - p_net_local]; Constraints = [Constraints, p_shed >= 0];注意这里没有写全网络潮流约束，真实程序里还要在节点平衡方程中把MPS注入功率、上级主网购电功率和负荷实际供电功率关联起来。节点平衡用矩阵形式写会比较方便，但要小心索引错位。
% 节点注入功率平衡（简化形式：只考虑有功） for t = 1:T P_inj(:, t) = P_sub(:, t) + reshape(sum(p_mps_node(:, :, t), 1), Nn, 1) - P_load_used(:, t); Constraints = [Constraints, B_bus * theta(:, t) == P_inj(:, t)]; % 若使用直流潮流 end这里我故意写了一个直流潮流的示意，因为很多复现版本为了简化会退化成“有电无潮流”的功率平衡。我的建议是至少把DistFlow的线性化版本写进去，否则求解结果在电气上不可行。当然这要看原论文到底有没有考虑网络安全约束，如果论文只做MPS调度的“电源-负荷”匹配，那也可以先不加入潮流。复现者要做的第一件事，是确认原论文的约束清单。
3.4 求解器配置
在YALMIP里调用商业求解器，只需要设置sdpsettings：
ops = sdpsettings('solver', 'cplex', 'verbose', 2, 'showprogress', 1, ... 'cplex.mip.tolerances.mipgap', 0.001); result = optimize(Constraints, Objective, ops);如果没有Cplex或Gurobi，也可以用SCIP、GLPK等开源求解器，但要做好心理准备：带移动约束的MILP在开源求解器手里，求解时间会成倍增加。我实际测试过，IEEE 33节点、3台MPS、24时段、固定拓扑的情况，Cplex大约几十秒能到1%的gap；同样的模型用SCIP可能要几分钟甚至更久。所以如果需要反复调试，建议用小算例（比如9节点、2台MPS、6时段）先在开源求解器上把逻辑调通，最后再换商业求解器跑全模型。
还有一个小技巧：把预配置阶段得到的MPS位置作为初始可行解喂给求解器。YALMIP里可以用assign给变量赋初值，然后用sdpsettings里的'usex0'开启。这样在某些困难算例里能明显加快收敛。
4. 算例复现与结果验证
4.1 测试系统与参数建议
我复现时用的是IEEE 33节点系统，这是配电网韧性研究里最常见的算例。参数设置可以参考这样：
- 调度周期：24小时，步长1小时；
- MPS数量：3台；
- MPS额定容量：800 kWh，最大放电功率250 kW；
- 初始SOC：0.9；
- 移动速度：35 km/h；
- 负荷节点：选择失电区域内的关键节点（如节点12、18、25）；
- 负荷权重：一二级负荷权重5，普通负荷权重1。
这些参数不是唯一的，关键是和原论文尽量保持一致。如果原论文没有公开参数，建议至少做两组不同参数下的敏感性分析，验证模型的行为符合物理直觉——比如MPS容量越大，切负荷量越小；可移动时段越长，恢复效果越好。
4.2 怎么检验解是否是“合理可复现”
跑出结果以后，先别急着写进论文，做几个合理性检验：
- 检查每个MPS每个时段的位置唯一：如果某台MPS在两个相邻时段出现在电气上不可达的节点，说明移动约束缺了；
- 检查SOC曲线：SOC是否越界，SOC是否在放电功率不为0的时段出现跳变；
- 检查状态互斥：同一时段供电、移动、充电状态不能同时为1；
- 检查负荷平衡：所有节点的供电功率加切负荷功率应该等于该时段需求；
- 检查MPS移动时间：从A节点到B节点，移动耗时是否与预设矩阵一致。
这五条相当于模型验证的自测清单。我在复现时专门写了一段后处理脚本，把结果解析成几个可视化图，包括：MPS位置时序图（甘特图）、SOC曲线、各节点切负荷功率热图。位置时序图非常关键，能一眼看出MPS有没有“瞬移”。画法很简单，用imagesc或者patch把每个时段的所在节点标成色块，横轴是时段，纵轴是MPS编号。
4.3 与论文图表对照
复现的最终目的是和原论文的结果形成对照。因为很多论文不公开原始数据，直接对照数值很难，一般是对照趋势和量级。比如原论文表格展示某场景下切负荷积分值是多少MWh，我们跑出来如果是同一个数量级，且最优调度行为相似，就可以认定模型复现成功。如果差了一个数量级，先检查负荷数据的标幺值是否统一，再检查MPS容量和功率是否按论文设置，最后检查目标函数里是否遗漏了权重。
这里必须提醒一句：不要为了对上图就把参数硬调成“看起来一致”的值。复现的意义在于验证论文方法的可复现性，而不是做一个拟合曲线。调参到完全一样没有实际价值，反而会在后续二次开发时埋雷。
5. 复现过程中遇到的坑，以及排查方法
5.1 变量规模爆炸，求解器卡死怎么处理
多时段MILP的常见死法就是变量太多。拿IEEE 33节点、3台MPS、24时段来说，如果位置变量定义为(N_m \times N_n \times T)，就已经有3乘33乘24等于2376个二进制变量。再加上移动出发变量、供电状态、充电状态，二进制变量很容易过万。Cplex对这种规模通常还能对付，但如果把时段改成48，变量直接翻倍，求解时间可能不是翻倍，而是指数增长。
我实际用下来有效的降维手段，按收益排序：
- 预筛选MPS可达节点集合，那些距离远到在调度窗口内跑不到的节点，直接把位置变量抹掉；
- 减少移动出发变量的组合，只保留原论文里MPS可能服务的关键节点之间的移动弧；
- 将负荷曲线按需求大小聚类，对权重极低且负荷很小的节点，不单独建立切负荷变量；
- 合理设置MIP Gap，比如1%以内，不要一上来就0%；
- 一时求不出可行解时，先给MPS赋固定位置，生成一个初始可行解。
我经常遇到的情况是：模型构建只要2秒，求解3小时后还停在5%的gap。这时候先用预筛把变量压到原来的三分之一，再配合初始解，通常几分钟就能落到1%以内。
5.2 大M取值导致数值病态
大M法在MILP里太常见了，但也最容易翻车。比如供电功率上限约束写成：
[ p_{out} \le P_{max} \cdot u_{sup} ]
还好，(P_{max}) 本身就是物理上界，不存在大M问题。但网络潮流里的电压约束、线路投运逻辑，经常要用形如：
[ P_{ij} \le M \cdot z_{ij} ]
这样的约束。如果M取1e6，而实际功率数量级只有1e-2（标幺值），那么求解器的容差会被M的数值依赖破坏，结果出现匪夷所思的抖动。
我的做法是：所有M都取紧上界。比如线路容量已知上限是5MW，那就把M设为5.5；电压偏差上界是0.05p.u.，那就M设0.06。M本身就是约束里的物理上界，没必要放宽到十倍百倍。同时把功率、电压统一成标幺值，能显著提升数值稳定性。
5.3 YALMIP报错和调试的通用方法
YALMIP的报错常见于维度不匹配。尤其是把三维变量切片以后，行数、列数对不上。我的调试方式是分块检查：每加一类约束，先求解一个极小算例，看约束表达式尺寸是否合理。具体做法：
% 在构建完整模型前，先检查约束尺寸 size(Constraints)如果约束数量异常大，多半是循环里把同一组约束重复添加了很多次。另外，遇到不可行时，先减少约束——把移动约束、状态互斥逐一注释掉，看哪一步导致无解。这比对着满屏的约束干瞪眼快得多。YALMIP还提供了一些诊断工具，比如yalmiptest、diagnostic结果里的infeasible constraint list，虽然输出有点晦涩，但配合“注释法”一起用，能定位到具体是哪一行约束出了问题。
5.4 移动逻辑明明写了，还是会出现瞬移
这个坑我印象最深。有一版程序跑出来，MPS在第3时段还在节点5，第4时段突然出现在节点15，而这两个节点之间移动时间要3个时段。查了半天，发现问题是位置变量唯一约束写成了：
[ \sum_i x_{pos}(m,i,t) = 1 ]
但移动出发变量和位置变量之间没有耦合，MPS移动了，位置变量却没跟着变。
正确的做法要在每个时段都建立“位置变化必须匹配移动变量”的耦合约束。简化版本：如果t时段在i、t+1时段在j、且i和j不同，那么MPS必须处于从i到j的移动状态，且移动耗时满足要求。更工程化的写法是引入“到达/出发”时间变量来替代直接的位置转移。建议复现者在代码里专门加一条注释，把耦合约束写成：
% 相邻时段位置变化 => 必须有对应的移动弧 for m = 1:Nm for t = 1:T-1 for i = 1:Nn for j = 1:Nn if i ~= j && travel_time(i,j) <= T Constraints = [Constraints, ... x_pos(m,i,t) + x_pos(m,j,t+1) - 1 <= y_move(m,i,j,t)]; end end end end end这一段的循环量不小，实际程序里会用预筛选后的可达节点集来缩小范围，并且只有当travel_time等于1时才这么写。如果移动耗时大于1个时段，还需要额外的窗口约束，这部分的逻辑比较繁琐，强烈建议先单独写一个“只有MPS移动约束”的小模型去测试。我专门写过这种测试脚本：固定MPS初始位置，给定一个强制目标节点，看求解器能不能在满足最短移动时间的前提下到达目标，能通过这个小算例，移动逻辑基本就稳了。
5.5 切负荷变量与潮流约束之间的口径问题
还有一个容易忽略的坑：切负荷变量 (p_{shed}) 和负荷实际使用功率 (p_{load,used}) 的口径必须一致。有些复现里，目标函数用的是 (p_{shed})，节点平衡方程里用的是 (p_{load,used})，但忘记写两者的关系，结果目标函数优化了一堆切负荷，节点平衡里却依然按全负荷供电来算，误导性很强。
正确的关系是：
[ p_{load,used} = p_{load,base} - p_{shed} ]
如果漏掉这条桥接约束，求解器会“作弊”：一边在目标函数里把切负荷降到0，一边在潮流约束里又要求节点供给全部负荷。这个约束虽然简单，但在大模型里很容易被淹没。建议在构建约束时，把这类“定义型约束”集中放在一起，并加注释标明它所对应的物理含义。
6. 最后分享几点个人操作心得
跑完这个复现项目，我的总体感觉是：MPS动态调度的难点不在公式本身，而在把物理过程变成约束的细节。移动、停驻、放电、补电，这几件事在生活中很容易理解，但要用0-1变量和连续变量把它们严格区分开，细节非常多。代码里任何一个状态变量漏了互斥约束，结果就会在某个时段出现MPS边充电边供电的神奇操作。
对于想上手复现这篇论文的人，我给出一个最实际的建议：先跑小算例，从9节点、2台MPS、6时段开始，把移动约束、SOC递推、节点平衡三条主线逻辑全部调通，再逐步放大到33节点24时段。不然一上来就面对几千个二进制变量，报错都不知道从哪儿查起。
小算例通过后，再对照原论文的图表复现大算例，此时大部分时间会花在调求解器和检查合理性上。这个阶段的耐心很重要，但也是收获最大的阶段。
最后说一个我后续准备做的小扩展：把动态调度的结果反馈给预配置阶段，形成两阶段迭代闭环，这样预配置时就能考虑灾中MPS的实际可达性，而不是只用静态距离。这个想法还在验证中，等有结果了再单独写一篇。
