韧性电网应急电源优化配置：路网与配电网协同预置模型解析

做韧性电网研究这几年，我常被人问：城市路网配电网和应急电源优化配置，到底该从哪一头抓起？我的回答是，先把“抵抗力”和“恢复力”分清楚。刚过去的极端天气里，不少城市不是输在变电站，而是输在配网线路和交通同时中断，应急电源被堵在路上。我们这套预置模型研究，就是灾前先想好应急电源放哪、放多少、灾后怎么调，把路网约束和配电网约束放进同一个优化框架，让抵抗力和恢复力一起被“计划”出来。无论你是做电网规划、应急管理，还是韧性方向的研究生，这篇内容都可以当成一个可直接拆解的案例模板。

1. 项目背景：极端场景下，“预置”为什么比“抢救”更值钱

1.1 一次复盘会上的典型场景

前阵子参加防灾复盘，调度员提到一个典型情况：220千伏变电站安然无恙，10千伏配网却倒了好几基杆塔。更麻烦的是，连接仓库和灾区的两条主干道，一条积水严重，另一条因桥梁检测临时管制。移动发电车从仓库出发，绕了很久才找到可通行路线，等到电源接入，重要用户已经停了快半天。这种场景不是孤例，极端事件里电力系统和交通系统往往同时受损，而应急电源的价值恰恰体现在“能否及时到位”。

所以后来我做模型时就给自己定了一条规矩：不要只在配电网里算账。路网通不通，直接决定了应急电源能不能发挥价值。这个项目最初就瞄准这个痛点，把路网配电网和应急电源的预置位置打包优化，而不是等故障发生后再临时调车。

1.2 抵抗力与恢复力，不是同一个指标

抵抗力和恢复力经常被混着说，但在模型里它们是可以分开度量的。抵抗力指系统在遭受扰动时保持供电的能力，比如杆塔加固、线路抗风设计、变电站防洪。恢复力指系统故障后回到正常状态的速度，比如抢修力量、应急电源、网络重构。用一条简单曲线来看，横轴是时间，纵轴是供电负荷率，故障发生瞬间曲线掉下去，掉得越少，抵抗力越强；故障后曲线爬回来，爬得越快，恢复力越强。韧性研究里常用曲线下面积衡量总损失，面积越小，系统整体韧性越好。

你可以拿人应对感冒来类比：有人很少感冒，是免疫力强；有人感冒后三天就好，是恢复力强。两个都重要，但要花不同方向的钱。应急电源预置并不会让线路更抗风，却能显著缩短故障后的恢复时间；反过来，加固线路能减少故障发生概率，却不能替代应急供电。所以这个项目没有贪心到把所有手段都装进去，而是聚焦在“用预置移动电源提升恢复力”这件事上，同时尽量不影响系统本身的抵抗力。

1.3 模型定位：从“被动应急”到“主动预置”

传统应急管理思路是“灾中调度”，先看哪里停了电，再派车去现场。这套思路在多数小故障里可行，但在极端事件里可能失效：道路断了、通信乱了、信息还有时间差。预置模型的核心思想是“灾前主动部署”，在灾害预警阶段就把应急电源放到最可能被需要、且灾后最容易到达的位置。这就像消防器材不是等火灾发生后才去买，而是定点放在走廊和楼梯口。

模型的定位不是替代抢修调度，而是在灾前给出一份决策方案：哪里设预置点、放几台多大容量的电源、灾后优先派给哪些负荷。实际应用时，它还可以跟气象预警联动，在台风登陆前提前启动优化计算。后面几章我会把模型骨架、关键约束、算例设计和真实工程中踩过的坑逐一展开。

2. 预置模型的整体设计思路

2.1 两阶段随机优化的骨架

这类问题最常见的数学框架是两阶段随机优化。第一阶段做“灾前决策”，也就是应急电源预置的位置和容量，这个决策必须在灾害场景揭示之前确定。第二阶段做“灾后决策”，在某个具体场景下，移动电源沿路网移动、接入节点、配电网形成孤岛、削减负荷。核心目标，是让第一阶段的预置方案在所有可能场景下的期望损失最小。

目标函数写成文字就是：最小化所有场景概率加权后的负荷损失，再加上预置成本。需要注意，这里的负荷损失不是简单统计电量，而是通常会对停电时间加权，早期停电的代价要高于后期。为什么？因为医院、通信基站、供水泵站这些关键负荷，停电时间越久，衍生风险越大。目标函数里因此会有一个时间权重系数，恢复力就体现在这个权重结构里。

不确定性怎么刻画？如果对灾害概率有把握，可以用随机规划；如果数据太少，就用鲁棒优化或者分布鲁棒优化。我个人的体会是，极端事件历史样本永远不够，直接套随机分布很容易过度自信。后面讲数据噪声处理时我会专门说这个问题。

2.2 路网与配电网的耦合关系

联合建模的关键是找到两个网络的接口。配电网由变电站、馈线、负荷节点组成，路网由道路节点、路段和路口组成。应急电源从某个预置点出发，经过一系列道路到达某个配电网节点，然后把电力注入系统，这就是耦合关系。模型里常见的做法是定义“接入时间变量”，它同时受路网路径和车辆参数影响。

举一个简单例子：假设一台500千瓦发电车预置在节点A，灾后配电网需要它到节点B形成孤岛。模型会先在路网上求A到B的最短可行路径，得到通行时间，再把通行时间输入配电网恢复模型，决定B节点在何时接入电源、能支撑哪些负荷。如果不考虑路网，模型可能会默认电源只需要10分钟就能到任意位置，这显然脱离实际。

所以“路网配电网”不是两个模块简单拼接，而是相互约束。道路损毁场景决定了哪些路径可用，配电网的电气约束决定了电源接入后能不能带得动负荷。任何一个环节被忽略，优化结果都可能“看起来最优、现场用不了”。

2.3 目标函数与决策变量的取舍

第一阶段的决策变量包括：候选点是否启用、每个候选点配置几台移动电源、配置什么类型。第二阶段的变量包括：每台移动电源往哪个节点移动、接入时间、配电网开关状态、负荷削减量。变量多了，模型规模会爆炸，所以要做取舍。

目标函数除了负荷损失和成本，还可以加一个惩罚项，比如未满足重要负荷的权重。实际项目里，我们更关注“边界解”：权重设得太大，模型会不计成本把所有电源堆到医院附近；设得太小，又可能完全忽略关键用户。这个系数需要和供电局实际考核指标对齐，不是拍脑袋定的。

求解上，这类混合整数线性规划在中等规模网络下可以直接用商业求解器解。IEEE 33节点配电网配上30个路网节点，大约几万个变量，十几分钟就能出结果。如果到实际城市规模，就需要场景缩减、Benders分解或拉格朗日松弛，这部分我会在算例里展开。

3. 关键约束：路径可通行、潮流可运行、电源可接入

3.1 路网约束的实用拆解

先看路网。把路网建模成一张有向图，节点可以代表仓库、停车场、路口、配电站点，边代表道路。每条边有条件：正常通行时间、灾害场景下是否可用、是否存在限高限重、是否单向。移动应急电源一般是重型车辆，城市下穿隧道、低垂线缆、承重不足的小桥都可能把它卡住。

路径选择本质是寻找预置点到配电网接入点的最短可行路径。由于道路场景随机变化，每个场景下的最短路径不同，所以模型会把“通行时间”作为场景相关参数。实际操作时，我们可以用Floyd或Dijkstra预计算所有节点对的最短通行时间，再代入优化模型，避免在混合整数规划里直接算路由，求解难度会大幅下降。

有一个细节特别容易忽略：很多道路在灾害后实行单向放行或只允许救援车辆通行。模型如果默认双向畅通，算出来的方案可能根本执行不了。我建议把路网参数至少分三个等级：畅通、管制、中断，而不是简单二分。

3.2 配电网辐射状与潮流约束

配电网侧不能只考虑“有电源就行”，还要满足电气约束。常见配电网是辐射状运行，故障后的孤岛也得保持辐射状，不能环网。移动电源接入某个节点后，节点电压和线路潮流必须在安全范围内。工程简化中常用DistFlow潮流模型，再通过二阶锥松弛变成可求解的凸问题；如果网络不大，直接线性化潮流也能接受。

这部分和预置模型的关系在于：一个预置点放再多电源，如果配电网内部线路容量不够，电也送不出去。所以候选接入点要提前做校核，结合历史负荷数据，避免把全部电源放到同一个变电站出口造成堵塞。

我踩过的坑是，光看有功功率，忽略了无功和电压。移动发电车能发有功，但无功支撑能力通常有限。如果孤岛内线路很长，电压会掉得很快。实际配置时，一定要把电压约束写进去，否则算出来方案在仿真里能跑，一到现场就跳低压保护。

3.3 接入时间与操作窗口

电源车到了现场不等于立刻来电。要做安全措施、放电缆、接线、核相、和现有系统隔离，然后才能带负荷。一套流程下来快则半小时，慢则两三个小时。模型里的“接入时间”不能只包含车辆行驶时间，还得加上操作时间。

更复杂的是同期问题。如果移动电源车不支持并网运行，那它只能作为独立孤岛电源，接入前要把和主网的联络开关断开，期间用户会经历一次短暂停电。这个停电窗口要在优化里显式建模，否则算出来的恢复时间偏乐观。

我建议建模时把时间轴切成以小时为单位的离散时段，接入操作时间至少给1小时。倒不是每台车都那么慢，而是要给现场人员留出安全裕度。夜间、雨天，操作时间翻倍都很正常。

3.4 应急电源类型与参数

表格里的参数是我做算例时常用的初始值，实际项目要根据设备台账和现场试验修正。注意移动储能车响应快，但容量有限，不适合长时间大负荷；移动发电车容量大，却要烧油，灾后燃料供应也得考虑。预置模型里要分别定义每类电源的数量、容量和可用时段。

4. 算例设计与结果解读

4.1 复现所需的网络与数据

算例我推荐从IEEE 33节点配电网开始，这是业内最常用的测试系统。路网不用太复杂，可以搭30个节点、40条左右的道路边，把配电网的变电站节点、关键负荷节点和几个候选应急电源仓库映射到路网节点上。映射关系很重要：配电网节点A和路网节点A是同一个物理位置，移动电源才能实现“从路到电”。

场景方面，按台风影响范围内不同区域设置线路故障概率和道路中断概率，蒙特卡洛采样500个场景，再用k-means聚成20个典型场景。场景太多求解慢，太少又覆盖不了极端组合，20到30个是我测试下来精度和速度比较平衡的范围。数据准备好以后，用Pyomo或YALMIP建模，Gurobi或COPT求解，一般十几分钟能出结果。

如果想快速复现，可以先不放所有场景，只跑一个“最恶劣场景”，验证模型逻辑是否跑通，再扩充到随机场景。我写论文时习惯先小后大，别一上来就上500个场景，不然调试周期会让人崩溃。

4.2 预置模型 vs 灾后再调度

对比实验的对照组是“灾后再调度”：应急电源平时都停在中心仓库，故障发生后根据路况再派车。实验组使用预置模型，提前把部分电源布置到候选点。两个方案用同一组随机场景做测试，结果很有参考性。

在我们的一组典型参数下，灾后再调度的平均负荷损失是1680千瓦时，预置模型是1245千瓦时，降幅约26%；平均恢复时间从9.5小时缩短到5.5小时。背后的原因很直观：出事区域道路中断后，中心仓库的车过不去，而预置点已经在“靠前”的位置，绕行距离大大缩短。

还有一个结果值得注意：预置模型并不会增加很多动用车辆数，甚至相同车辆数条件下，因为布置得更聪明，整体供电能力反而更强。这说明优化不是靠堆设备，而是靠选点。实际应用里，这能直接转化为预算的节省。

4.3 参数敏感性：权重系数、道路损毁概率、电源车速

模型最敏感的参数有三个：负荷权重系数、道路中断概率、移动电源平均车速。我在算例里逐一做了扫描，结果可以当一张实用的调参表。

权重系数的设定要和供电企业实际考核指标对齐。道路中断概率的来源最好是历史洪涝图、地质灾害隐患点，而不是均匀随机。平均车速建议按市区路况每小时30公里取，不要按高速公路速度算，否则恢复时间会被低估。

如果目标是优先保医院，可以在目标函数里把医院负荷权重设为普通负荷的5倍，模型给出的预置点会明显更靠近医院侧，接入路径也更短。这种可解释性，正是预置模型能真正进入实际决策的关键。

5. 工程落地避坑与实用建议

5.1 数据噪声：不要迷信精确概率

做模型的人最容易犯的错，是把参数当成真理。极端灾害样本少，道路中断概率很难估计准，负荷预测本身还有误差。与其追求一个精确概率，不如用区间或模糊集做鲁棒优化。分布鲁棒优化的思路，是在概率分布落在一个集合内的情况下，寻找最坏情形下的最优解。代价是稍微保守一点，但换来的是“大概率不出错”。

实战中，我会把场景生成和参数清洗放在和建模同等重要的位置。花两天整理GIS数据和历史抢修记录，比花两周改进求解算法更有效。电网项目里，脏数据带来的偏差往往比模型误差大一个数量级。

5.2 移动电源接入安全与可实施性

预置模型把电源放到一个位置，但现场能不能接入，还有很多工程细节。电缆长度是否够、接口型号是否匹配、接地方式是否对应、保护定值是否调整，这些在优化模型里统统不会体现。我在一次实地踏勘中发现，某个候选点旁边电源条件很理想，但电缆要穿过一条市政管道，根本无法施工，最后只能把该点从候选集合里删掉。

建议在建模前对所有候选接入点做一次现场勘察，形成“可接入性清单”，至少包含接口型号、空间尺寸、电缆敷设条件、接地条件和与主站通信方式。这个清单既是建模输入，也是灾后操作手册。

移动发电车位置还不要放在低洼处和树下，防止次生灾害。若现场风速过大，重型车辆可能倾覆，预置点要避开风口和山体边坡。

5.3 与调度预案衔接

模型输出的不能只是一堆数学解，还得变成调度员能看懂的东西。我们通常把预置点和接入方案落在一张GIS图上，标注每台电源的编号、容量、建议出发时间和目标接入点，同时配套生成应急调度卡片，一车一卡，抢修队伍照着执行。

灾前演练同样重要。预置方案如果不跑两轮桌面推演，你永远不知道现场会冒出什么问题。调度员临时改接线、交警封路、负荷性质变化，都会让模型方案失效。所以系统里要支持“手动调整”和“重新求解”，不能锁死。

站在系统角度，一个完整的预置决策平台至少包含四块：气象预警接入、场景生成、优化求解、可视化派单。四块解耦，替换任何一个模块都不影响整体。我们项目里就是这么搭的，后续扩展加一个灾害模型或换一种求解器都很方便。

5.4 避坑经验速查表

这些坑我基本都踩过。最让我印象深刻的一次现场对接，模型给出的预置点在逻辑上没有问题，但现场那台发电车的电缆插头是旧型号，配电网接入柜是新标准接口，两边就是接不上。那次之后，我把接口兼容性列进候选点筛选的硬约束，再没出现过同类问题。

如果让我重新做一遍这个题目，我会把勘察和演练的时间再往前压。模型架构再完整，也解决不了现实中“最后一米”的接口问题。说白了，路网配电网和应急电源优化配置，最终考验的不是算法多聪明，而是对现场细节的敬畏。最后分享一个小技巧：拿到预置方案后，先对着地图把每台电源车的实际走向画一遍，逐一核对限高、管制和接入条件，这比反复调算法参数管用得多。