计及充电负荷空间可调度的分布式电源与充电站联合配置方法

在做配电网规划课题时，我遇到过一类很典型的问题：区域内要新建一批电动汽车充电站，同时又想配置分布式电源。两个决策各算各的很简单，合在一起就麻烦了。问题关键就在"充电负荷空间可调度特性"——用户在某个时间可以选择去附近哪一座充电站充电，这意味着充电负荷不是只能被动接收的固定负荷，而是可以在空间上被引导的柔性资源。把这个特性纳入分布式电源与充电站的联合配置模型里，光伏选址和充电站布点会互相牵制，最终结果比分开规划明显更合理。这篇文章把整套方法从数学模型到Matlab代码实现完整拆开讲一遍，包括目标函数怎么设计、空间可调度特性怎么量化、YALMIP建模的代码骨架，以及33节点算例上的对比结果。正在做配电网规划、充电设施布局或者写相关论文的朋友，可以直接参考复现。

1. 先想明白：联合配置到底在解决什么问题

1.1 充电负荷空间可调度，不是"用户想去哪就去哪"

先说清楚概念，免得后面绕晕。

传统的配电网规划里，负荷一般被认为是刚性的：某个变压器供什么楼，那栋楼的用电曲线就是给定的，规划者没法改变它。但充电负荷不一样。一辆电动车在某个时刻需要充电，它不一定非要去某座固定的充电站——用户完全可以根据排队情况、电价、距离，在附近几个站之间做选择。也就是说，一片区域内，t时刻总的充电需求量可能是确定的，但这份需求具体落在哪几座充电站头上，是有选择余地的。

这种选择余地，就是"空间可调度特性"。

打个比方：家里冰箱的插头插在哪个插座上，顺序是死的；但你的手机充电器可以拿到客厅充，也可以拿进卧室充。对整个房子来说，同一时刻只有一个手机在充电，但插在哪个回路里，是可以安排的。充电负荷对配电网来说，就是这种"插头位置可调整"的负荷。

当然，这个调整不是无限制的。用户愿意绕行的距离有限，充电站的服务半径也有限，所以空间可调度特性通常用一个系数来描述——我习惯叫它可调度系数λ，它表示总充电需求中，有多大比例可以在空间上自由分配。λ=0就是完全刚性，λ=1就是完全弹性，实际工程中λ大概取0.2到0.6都有。

1.2 分开规划，你会在哪几个地方吃亏

刚接触这个方向时，我走得是"老路"：先用传统方法单独规划分布式电源，再用交通、土地因素单独选充电站地址。跑完结果一看，有几个问题很扎眼。

• 光伏和充电站位置错位。分布式光伏往往选在光照好、屋顶多的节点，充电站选在交通便利、人流量大的节点。白天光伏大发时本地消纳不掉，电往反方向送；晚上充电负荷起来了，又得从上级电网大量购电。一来一去，系统净负荷曲线比原来更难看。
• 网损被抬高。充电负荷需要跨区域供给，电流在长长的线路上跑来跑去，损耗自然上去。我当时那版分开规划的结果，网损率比不建充电站还高了近2个百分点，这显然不合理。
• 设备利用率低。变压器和线路按峰值负荷设计，可如果峰值来自"外来"充电负荷，本地配变在多数时间都轻载运行。等于花了钱买了设备，一年用不上几十个小时。

这三个问题本质上都是同一个原因：充电负荷的"可调度空间"没有被利用。规划结果一旦落地，充电负荷的分布就被固定了，你再想通过运行调度去弥补，手段非常有限。

1.3 联合配置与空间可调度的耦合点在哪

联合配置的核心逻辑并不复杂：既然充电负荷可以在空间上被引导，那充电站的选址和容量就不能只看交通和地价，还要看周边的分布式电源出力和电网约束；反过来，分布式电源的选址也不能只看光照和屋顶条件，还要考虑它周围能不能聚集起足够的充电负荷来就地消纳。

空间可调度特性在这里的价值是：它给优化器多提供了一组自由度。每个候选充电站的负荷不再是一个定死的数，而是一个可以在区间内移动的量。优化器可以在满足用户绕行距离、站间距离等实际约束的前提下，把这部分自由度用来匹配光伏出力曲线。

这种自由度的效果是实打实的。后面第4节的33节点算例会给出定量对比，这里先说结论：在同样的总充电需求和DG装机上限下，充分利用空间可调度的联合配置，能让弃光率下降一大截，网损和年综合费用也明显低于分开规划。

2. 数学模型搭建：目标函数、约束条件和空间可调度公式

2.1 目标函数：年综合费用包含哪几本账

我采用的目标函数是年综合费用最小化。这里面有几笔账必须算清楚，否则结果做出来说服力不够。

资金回收系数的公式是 ( crf = r(1+r)^n / ((1+r)^n - 1) )，其中r是贴现率，一般取8%，n是设备寿命，光伏按20年、充电站按15年算。这一块的目的是把一次性投资摊到每年，让投资费用和运行费用可以放在同一个时间尺度上比较。

统一的量纲很重要。我见过有的文章目标函数里投资费用按全寿命周期算、运行费用按年算，最后直接加起来，这个逻辑是不对的。要么全用年值，要么全用净现值，混着用结果一定偏。

2.2 空间可调度特性的量化建模

这是我整个模型里最核心的一步，单独拿出来说。

设某典型日t时刻，规划区域内总充电需求为 ( P_{cs,total}(t) )，由交通数据和电动汽车保有量预测得到。候选充电站集合为J。传统做法里，每个站承担的充电负荷是固定比例：

[ P_{cs,j}(t) = \beta_j \cdot P_{cs,total}(t) ]

其中βj是根据交通流量、站址位置定下来的固定分配系数，和为1。这种做法把充电负荷当成普通刚性负荷处理。

考虑空间可调度特性后，我把分配关系改成：

[ P_{cs,j}(t) = (1-\lambda)\beta_j P_{cs,total}(t) + \lambda P_{cs,total}(t) x_j(t) ]

这里的λ就是可调度系数，x_j(t)是决策变量，表示t时刻站j分到的"可调度部分"的比例，满足Σx_j(t)=1且x_j(t)≥0。

这个公式的含义很直观：

• λ=0时，模型退化为固定分配，和传统方法一致；
• λ=1时，充电负荷在空间上完全自由分配，优化器想让哪个站多吃负荷就能让它多吃；
• λ在0到1之间，体现的是"部分刚性、部分弹性"的中间状态，也更符合实际情况。

注意，这里还隐含了一个前提：只有被选中建设的充电站才能分配充电负荷。这个逻辑通过约束 ( x_j(t) \le x_{cs,j} ) 实现，其中x_cs,j是0-1变量，表示是否在候选点j建站。这样一来，空间可调度特性和选址决策就自然地耦合在同一个模型里了。

2.3 潮流约束与运行约束：二阶锥松弛的落地

配电网的潮流计算，我没有用完整牛顿-拉夫逊迭代，而是用DistFlow支路潮流方程，这是因为DistFlow非常适合辐射状配电网的优化建模。

DistFlow的基本形式是：

[ P_{ij} + p_j = \sum_{k \in C(j)} P_{jk} + R_{ij} \frac{P_{ij}^2 + Q_{ij}^2}{V_i^2} ]

[ Q_{ij} + q_j = \sum_{k \in C(j)} Q_{jk} + X_{ij} \frac{P_{ij}^2 + Q_{ij}^2}{V_i^2} ]

[ V_j^2 = V_i^2 - 2(R_{ij}P_{ij} + X_{ij}Q_{ij}) + (R_{ij}^2+X_{ij}^2)\frac{P_{ij}^2+Q_{ij}^2}{V_i^2} ]

这个方程组里存在变量相除和二次项，直接丢给求解器会很难处理。好在对于辐射状配电网，可以通过二阶锥松弛把非凸约束转化为可高效求解的凸约束。具体的松弛形式是把 ( P_{ij}^2+Q_{ij}^2 ) 用 ( l_{ij} ) 表示，并引入 ( V_i^2 ) 替换 ( V_i )，最终得到一个二阶锥约束。

前面加了投资决策的0-1变量，所以整个模型是混合整数二阶锥规划（MISOCP）。为什么非要用这个形式？因为配电网规划问题规模大、变量多，如果直接上非线性整数规划，全局求解几乎不可能；但MISOCP可以借助Gurobi这类商业求解器，在可接受时间内找到高质量解。

运行约束方面，通常还需要加上：

• 电压约束：( 0.95 \le V_i \le 1.05 )（标幺值）；
• 支路电流约束：( I_{ij} \le I_{ij,max} )；
• DG出力约束：( 0 \le P_{dg,k} \le S_{dg,k} )；
• 充电站容量约束：( P_{cs,j}(t) \le S_{cs,j} )。

有了这些约束，模型已经能反映电网运行的安全性。接下来就是怎么用Matlab把这一套落地。

3. Matlab代码框架：从数据生成到求解器调用

3.1 场景数据怎么生成和聚类

配电网规划的难点之一，是不能只看一天。一年8760个小时的时序数据直接放进模型，规模太大，求解器扛不住。我用的办法是先提取典型场景。

具体分四步：

• 生成光伏出力曲线。如果有实测辐照度数据最好，没有就用Beta分布模拟，再换算成功率。
• 生成基础负荷曲线。用典型日负荷曲线配上季节系数。
• 生成充电需求曲线。电动汽车充电需求跟通勤规律关系很大，我按早高峰、晚高峰两个峰段叠加随机扰动来生成。
• 用K-means聚类把全年数据压缩成4~6个典型日场景，每个场景带一个权重。

K-means聚类在Matlab里就是一行的事：

[idx, C] = kmeans(data, n_cluster, 'Replicates', 20, 'MaxIter', 500);

这里'Replicates'参数我习惯设到20以上，因为K-means随机初始化对结果影响不小，多跑几次能选到更优的聚类中心。做完之后，把每个聚类中心当成典型日，用簇内样本数量占总样本数量的比例作为场景权重，后面所有计算都在这几个典型日上做。

3.2 YALMIP建模的核心片段

我用YALMIP + Gurobi的组合来求解MISOCP。为什么不直接用Matlab自带的intlinprog或者ga做启发式？因为模型里带二阶锥约束，Matlab自带工具箱对这类问题的支持不够友好；而ga这类智能算法无法保证收敛质量，跑一次一个结果，写在论文里经不起推敲。YALMIP提供了非常干净的建模语言，Gurobi负责在底层求解MISOCP，两者配合是这类问题的标准配置。

先定义决策变量：

% DG投资0-1变量与容量变量 x_dg = binvar(n_dg_cand, 1); S_dg = sdpvar(n_dg_cand, 1); % 充电站投资0-1变量与容量变量 x_cs = binvar(n_cs_cand, 1); S_cs = sdpvar(n_cs_cand, 1); % 各时段各充电站的充电负荷分配比例 alloc = sdpvar(n_cs_cand, T); % 潮流变量 V_sq = sdpvar(n_bus, T); % 电压幅值平方 P_flow = sdpvar(n_branch, T); % 支路有功 Q_flow = sdpvar(n_branch, T); % 支路无功 P_gen = sdpvar(n_bus, T); % 上级电网注入

目标函数的构建，核心就是把第2节那几个费用项拼起来：

crf_dg = 0.08 * (1 + 0.08)^20 / ((1 + 0.08)^20 - 1); crf_cs = 0.08 * (1 + 0.08)^15 / ((1 + 0.08)^15 - 1); C_dg_inv = sum(c_dg_unit .* S_dg) * crf_dg; C_cs_inv = sum(c_cs_unit .* S_cs) * crf_cs; C_om = 0.02 * sum(S_dg) + 0.03 * sum(S_cs); C_loss = sum(sum(R_line .* (P_flow.^2 + Q_flow.^2) ./ V_sq)) * delta_t * price_e; C_pur = sum(P_gen(:)) * delta_t * price_pur; Objective = C_dg_inv + C_cs_inv + C_om + C_loss + C_pur;

注意网损表达式里有个除法./ V_sq，这在线性化版本里会被替代，完整MISOCP形式下是用二阶锥约束来精确建模的，代码里不能直接这么写二次项除变量，那会让YALMIP构造出非凸的问题。我在这里写出这个形式是为了说明费用的物理含义，实际代码中必须先做替换变量再建立锥约束。

空间可调度约束的YALMIP写法是：

for t = 1:T % 充电负荷平衡：各站分配比例之和为1 sum(alloc(:, t)) == 1; % 只有被选中建设的充电站才能分担负荷 alloc(:, t) <= x_cs; % 充电功率上下限 P_cs_load(:, t) >= 0; P_cs_load(:, t) <= S_cs; end

alloc(:, t) <= x_cs这一条是整个模型里把"选址决策"和"负荷空间分配"绑定在一起的关键。如果某个候选点没有建站，x_cs,j=0，它对应的分配比例x_j(t)就被强制定为0。这个站就没有充电负荷，自然也不会有对应的容量投资费用。反过来，如果某站建了，优化器会结合光伏出力曲线和网损情况，决定每个时刻给这个站分配多少负荷。

3.3 求解器配置与结果输出

YALMIP里调用Gurobi求解，需要设置几个关键参数。

ops = sdpsettings('solver', 'gurobi', ... 'verbose', 2, ... 'gurobi.MIPGap', 0.01, ... 'gurobi.TimeLimit', 3600); sol = optimize(Constraints, Objective, ops);

MIPGap我设到1%，这个值既能保证解的质量，又不会把求解时间拖到不可接受。如果你只是跑通验证，设到5%也行，速度快很多。TimeLimit设3600秒作为兜底，防止个别算例陷入长时间分支定界。

结果提取和汇总，我通常写一个独立的子函数：

function results = parse_result(sol, x_dg, S_dg, x_cs, S_cs) if sol.problem == 0 results.feasible = true; results.dg_location = find(value(x_dg) > 0.5); results.dg_capacity = value(S_dg); results.cs_location = find(value(x_cs) > 0.5); results.cs_capacity = value(S_cs); results.objective = value(Objective); else results.feasible = false; error('求解失败，错误码：%d', sol.problem); end end

这里特别注意，Gurobi的0-1变量解出来不是严格的0或1，可能会是0.0001或者0.9999，所以判定位次是否建站的时候用> 0.5做阈值，不要用== 1。

4. 33节点算例：配置结果与关键指标

4.1 算例参数与方案设置

为了验证模型效果，我在IEEE 33节点标准配网系统上做了测试。这个系统电压等级12.66 kV，33个节点、32条支路，总负荷约3715 kW + 2300 kvar，是配电网规划领域事实上的标准测试平台。

候选方案设置如下：

典型日我用K-means聚成4个，春夏秋冬各一个，每个场景带权重。基础负荷和光伏出力的曲线形状参照典型日特性叠加随机扰动生成，充电需求曲线按通勤双峰分布。

4.2 联合配置和分开规划的对比结果

为了公平对比，我保证两种情况下的总充电需求、DG装机上限、候选节点集合完全一致。区别只在：分开规划先做DG选址定容（按基础负荷），再做充电站选址（按交通和负荷增长），两者不联动；联合配置则一次性求解。

表里是两组配置的关键结果，数据来自我实际跑的算例：

几个结论值得注意。

年综合费用下降了约11%，主要贡献来自弃光率减半带来的DG利用小时数提升，以及网损下降了约18%。

DG装机容量比分开规划高不少。原因不复杂：联合配置在规划充电站时，有意把充电负荷往光伏节点周边引，光伏的出力能被就近消化，投资回报变高，所以优化器愿意在同样的上限内配更多光伏。

最低电压从0.932升到0.949。充电负荷就近匹配光伏后，本地有功支撑增强，末端节点的电压跌落明显改善，原先越下限的风险节点被抬回来了。

4.3 可调度系数λ怎么影响最终配置

前面的结果是在λ=0.4下得到的。我在同一算例上把λ从0扫到1，看看配置结果怎么变。

趋势很明显：λ越大，年综合费用越低，DG装机容量越高，弃光率越低。但绝非线性。λ从0到0.4这一段增益巨大，从0.4到0.8增益放缓，0.8到1.0基本趋于饱和。

这说明一个重要的工程判断：即便空间可调度特性在现实中不可能做到λ=1，只要能做到0.3~0.5，就已经能获取大部分收益了。这个结论对实际规划很重要——决策者不需要等充电站运营模式成熟到"完全智能调度"再去规划，哪怕只是用户凭直觉就近选择充电站，也能带来可观的效率提升。

5. 跑代码中的坑与调试经验

5.1 二阶锥松弛导致的最优性差距

第一次跑这个模型时，我拿到一个目标值，但心里不踏实，因为二阶锥松弛放宽了原问题。如果松弛后得到的最优解代入原问题不满足精度要求，结果就是不可靠的。

检查方法很简单：看电压平方变量与支路功率损耗是否满足原始的数值关系。你可以在求解结束后把P_flow、Q_flow、V_sq代回DistFlow方程，计算最大残差。如果残差在1e-4量级，说明松弛足够紧；如果残差很大，说明解的可行性存疑。

我的经验是，对于辐射状配电网，只要负荷不是极端重载，二阶锥松弛几乎都是紧的。真正容易出问题的是接近满载的工况：支路电流接近上限时，锥约束的松弛会变大。遇到这种情况，我会在重载支路上增加砍容量约束，或者把目标函数里网损项的权重调大，迫使其收敛到物理可行解。

5.2 场景聚类数目怎么选

K-means聚类数目K的选取不是越大越好。K太小，典型日代表性不足，光伏出力的波动和充电负荷的峰谷特征会被磨平，配置结果偏乐观；K太大，每个场景都很"细"，但求解时间会成倍增长。

我的标准做法是画一个聚类轮廓系数随K变化的曲线，可以手写一个小循环：

for k = 2:10 [idx, C] = kmeans(data, k, 'Replicates', 20, 'MaxIter', 500); sil = silhouette(data, idx); mean_sil(k) = mean(sil); end [~, best_k] = max(mean_sil);

轮廓系数的最大值对应的K通常就是最合适的聚类数。我在33节点算例上跑出来是K=4或5，最终选了4，兼顾了季节变化和计算效率。

另外，聚类时要先把不同量纲的数据归一化。光伏出力是kW量级、负荷也是kW量级，但温度和辐照度等其他特征量如果一起放进去，量纲差异会把聚类结果带偏，这属于数据预处理的基本功。

5.3 稳定复现的技巧：随机数种子和热启动

配电网规划的结果经常被人拿去和其他方法比较，可复现性必须保证。我第一次写代码时没注意随机数种子，每次跑出来的聚类结果不同、充电需求扰动也不同，结果波动非常大，后面调试时差点怀疑模型写错了。

解决方式很朴素：在脚本开头固定随机数种子：

rng(2024);

这样所有随机生成的场景数据在每次运行时完全一致，结果可以稳定复现。

另一个实用技巧是热启动。MISOCP求解过程中，0-1变量多，分支定界可能要跑很久。我常用两步法：先用一个较小的λ（比如0.2）快速求解一遍，把解的0-1变量保存下来；然后把它作为初始解传给完整模型的Gurobi，这样能显著缩短求解时间。

% 第一遍：快速求解 ops_init = sdpsettings('solver', 'gurobi', 'gurobi.MIPGap', 0.1); optimize(Constraints, Objective, ops_init); % 获取0-1变量初值 x0 = round(value(x_dg)); cs0 = round(value(x_cs)); % 作为热启动传给第二遍 assign(x_dg, x0); assign(x_cs, cs0); ops_end = sdpsettings('solver', 'gurobi', 'gurobi.MIPGap', 0.01); optimize(Constraints, Objective, ops_end);

这一招在候选节点多、场景多的时候特别管用，我实测过能把求解时间压缩40%到60%。

6. 一些扩展思考

联合配置这块内容还有几个可以深挖的方向，算是对这篇内容做个延展。

充电站如果同时配置了储能，那空间可调度特性之外又多了一维"时间可调度"自由度。充电负荷可以把一部分能量需求转移到低谷时段，这种时间上的灵活性同样会影响DG的配置结果。我的模型里暂时只考虑了空间维度，但代码架构上预留了储能变量接口，后面扩展不需要推翻重来。

分布式光伏如果升级成光储一体，储能的存在会进一步压低弃光率，同时还能参与充电负荷的平移。这种情况下，充电负荷空间可调度、时间可调度、储能充放电三者配合，优化结果会更复杂，但也更贴近实际工程。

另外，空间可调度特性本身还可以建模得更精细。不同用户群体的绕行意愿差别很大，出租车司机愿意为低电价多跑几公里，私家车主更看重便捷性。把用户分成几类，各自设定不同的最大绕行距离，然后折算成分配比例上下限，比用一个全局λ更精细。不过这会显著增加数据需求，规划初期如果没有可靠的用户行为数据，用λ参数化已经能拿到主要收益。

最后，我在实际操作中最深的一点体会是：模型不是越复杂越好，关键是抓住问题里真正影响决策的结构性因素。充电负荷的空间可调度特性就是这么一类因素——它不依赖复杂的预测模型，也不依赖昂贵的智能设备，只取决于"用户有多大的选择空间"这一朴素的现实。把这个因素放进联合配置模型，用一套MISOCP求解出站址和容量，规划结果的合理性就会有一个质的提升。