计及充电负荷空间可调度特性的分布式电源与充电站联合配置

每年做配电网规划方案评审的时候，我总能看到一个典型的矛盾场景：一侧是电动汽车充电站的独立规划报告，按“满充负荷”把充电需求折算成确定的节点负荷，每个站都按远期最大规模预留容量；另一侧是分布式电源的接入方案，只考虑光伏、储能自身的出力曲线，几乎没有和充电负荷的时空分布做联动。两份报告单独看都有道理，放到一个台区里核算，问题立刻暴露——光伏大发时段恰好是充电负荷低谷，傍晚充电高峰光伏出力归零，两台10kV变压器不仅要同时喂充电站和居民负荷，还要承受分布式电源反送带来的电压抬升。规划评审会上的常见结论就是“两个项目都暂缓，重新做整体方案”。

这就是分布式电源（DG）与电动汽车充电站（EVCS）联合配置方法真正要解决的问题。早几年大家觉得充电站选址和光伏定容是两条技术线，各做各的就行。但随着电动汽车保有量上升、充电负荷从零星分散变成规模化集中，充电站和分布式电源在同一个配电台区里的耦合效应已经绕不开了。这篇内容我围绕“考虑充电负荷空间可调度特性的分布式电源与电动汽车充电站联合配置方法（Matlab代码实现）”展开，把问题建模、求解框架、Matlab实现思路和踩坑经验完整过一遍。适合正在做配电网规划、充电设施布局或者电动汽车接入研究的工程师和研究生参考，尤其适合手里已经有Matlab基础、想把这个方向跑通出结果的人。

1. 为什么必须联合配置：两个“单独方案”拼在一起会出问题

1.1 规划视角下的真实矛盾

先明确一个概念：充电负荷不是普通的负荷。普通的居民负荷、商业负荷，在规划周期内相对稳定，时序曲线有规律可循。但充电负荷有两个显著特征——时间随机性和空间随机性。时间上，用户什么时候插枪充电无法精确预测；空间上，同一辆电动汽车出现在哪个充电站充电，也不是规划人员拍脑袋能定死的。这两个随机性叠加到配电网里，如果还用传统的“确定性最大负荷”思路规划，结果只有两种：要么过度配置，要么配置不足。

分布式电源的出力特性同样不配合。光伏午间出力大，晚间归零；风电则随风速波动。充电负荷的高峰通常出现在傍晚到夜间，尤其是下班后和长途出行前。如果分布式电源以光伏为主，充电负荷峰值时段恰恰是最缺出力的时候，DG对充电负荷的支撑效果非常有限；而在光伏大发的中午，普通负荷低、充电负荷也低，DG的电力只能反送电网，抬升节点电压。

这组矛盾的本质在于：DG的时序出力曲线和充电负荷的时序需求曲线之间，存在相位错配。想靠分布式电源给充电站供电来减少电网购电，不能只看装机容量够不够，得看它们的时序匹配度够不够。

1.2 独立配置的典型后果

把分布式电源和充电站分开配置，在工程上会带来三类具体后果：

• 变压器容量重复预留。充电站规划按远期峰值负荷预留变压器容量，分布式电源接入又按最大出力预留并网容量，两者叠加导致变压器安装容量远高于实际运行需求，固定资产浪费。
• 电压越限风险放大。充电站集中在负荷末端时，末端电压跌落严重；DG如果也布在末端，午间大发又会导致电压抬升。同样一条馈线，两个独立方案可能是“白天过压、晚上欠压”。
• 网损增加。DG出力和充电负荷在空间上错位，电力需要长距离跨馈线流动，走廊拥堵和损耗同步上升。

这些问题不是预测误差造成的，而是规划方法本身把两个强耦合对象拆开处理导致的系统性偏差。

1.3 联合配置的本质：把不确定性变成调控资源

联合配置的核心逻辑，不是简单地把两个模型拼到一个程序里跑，而是要利用双方的可调度特性互相补偿。分布式电源的可调度特性大家比较熟悉——通过储能、有功/无功控制可以调节出力曲线；但充电负荷的可调度性，很多人还停留在“需求响应削峰”这一层，也就是时间维度上的平移错峰。

实际上，充电负荷还有一层更细、也更容易被规划模型忽略的资源属性，就是题目里强调的空间可调度特性。什么意思？一个城市或一个园区里，充电需求总量是一定的，但具体由哪个充电站承担，用户是有选择权的。充电站建得离负荷中心近、价格合理、排队时间短，需求就多；反过来，一个位置偏、价格贵的充电站，即便装了足够多的桩，实际利用率也可能很低。规划充电站选址和容量时，“需求分布”并不是固定输入，而是会随站址决策发生改变的内生变量。

把空间可调度特性纳入联合配置，等于把原本被当作“刚性负荷”的充电需求，转化成一种可以在空间维度上引导、分配的资源。充电站建在哪、建多大规模，会直接改变负荷在节点间的空间分布；而这个分布又反过来决定了DG应该布在哪、容量多少才能实现最优支撑。这就是为什么标题里的联合配置方法要把“空间可调度特性”放在核心位置——它不只是模型的一个修正参数，而是整个优化框架的设计前提。

2. 空间可调度特性：不是“负荷在哪”，而是“负荷愿意去哪”

2.1 时间可调度与空间可调度的区别

多数研究提到可调度负荷时，指的是时间维度——通过分时电价、有序充电策略，把充电行为从负荷高峰挪到低谷。这在充电桩层面是可行的，但前提是用户在时间上有弹性。空间可调度则是另一维度的弹性：同一个充电需求，可以选择去A站，也可以去B站，甚至可以选择去C站绕一下路再充。

两者的差别可以用一个生活化的例子理解。想象一群人就餐，时间可调度是“大家错峰吃饭，避免食堂排长队”；空间可调度是“食堂附近开了三家餐厅，顾客会根据距离、口味、价格选择去哪家，三家餐厅的客流是动态分配的”。如果规划食堂时假设所有顾客都固定去最近的一家，那对客流峰值的预估一定失真。

对应到充电场景，两座充电站之间的距离、充电价格差异、排队等待时间、沿途耗电成本，都会影响车主的选择。这几项因素叠加，决定了充电负荷在空间上的分配比例。规划模型如果忽略这一层，相当于假设“建到哪，负荷就在哪”，显然偏离实际。

2.2 充电站选择行为的建模思路

把用户选择行为量化进配置模型，目前最常用的做法是多项Logit模型（MNL）。它的基本逻辑是：用户选择某个充电站的概率，与该站相对其他站的“效用”成正比。效用函数可以写成：

U(i, j) = - ω1 × (出行距离) - ω2 × (充电价格) - ω3 × (预计等待时间) + ε

其中ε服从Gumbel分布，经过推导，用户i选择充电站j的概率就是：

P(i, j) = exp(U(i, j)) / Σ_k exp(U(i, k))

这个公式看起来简单，放到配置模型里意义重大。它把“充电需求如何分配到各候选站点”从固定参数变成了站址、容量、电价的函数，而站址、容量恰恰是优化的决策变量。这样一来，充电负荷的空间分布不再是外生给定，而是随优化迭代动态变化。

从工程实现角度，MNL模型有几个细节会影响结果质量：距离项要考虑实际路网距离而不是直线距离，可以先用Dijkstra做路网最短路矩阵；价格项要和当地充电电价政策匹配，分时段的差别也要体现；等待时间一般用排队论M/M/c的近似等待公式估算，先算出各站利用率，再做排队迭代，直至收敛。

2.3 三个实际约束：服务半径、价格响应、排队效应

• 服务半径约束。车主不会为了充电绕路超过一定距离。模型中通常设置一个最大绕行距离，超出该范围的站不进入该用户的选择集。候选集太小会让模型退化成最近的固定站分配，太大又夸大了空间弹性，实际调试中要结合城市规模和充电密度取值。
• 价格响应。电价差是引导空间分配最直接的杠杆。联合配置模型的优化结果如果显示某站利用率过低，可以联动优化充电服务定价，而不是单纯改站址。
• 排队效应。利用率过高的充电站等待时间长，用户会自动转向邻近站。这个反馈机制在静态配置模型里容易被忽略，但它对充电站容量的优化结果影响很大——容量不足时，排队会分流负荷，可能掩盖真实需求，导致扩容推迟。

3. 联合配置模型的数学骨架：目标函数、决策变量和约束条件

3.1 目标函数：综合年费用最小化

联合配置模型的目标函数，我用的是一年综合费用最小，包含六项：

F = C_DG_inv + C_DG_om + C_CS_inv + C_CS_om + C_loss + C_purchase

各项含义如下：

• C_DG_inv：分布式电源的年均投资成本，把总投资按使用寿命等年值折算；
• C_DG_om：DG的年运行维护成本，按年发电量乘以单位运维费用；
• C_CS_inv：充电站建设投资折算到每年的费用，包括变压器、充电桩、土建；
• C_CS_om：充电站运行维护成本；
• C_loss：配电网全年网损费用，注意这里要用时序潮流算积分，而不是用峰值功率估算；
• C_purchase：从上级电网购电的年费用，分布式电源和充电站之间的电力交易按内部结算价处理。

如果规划区域有碳中和考核，目标函数里还可以加碳排放项，形成多目标。这里先按经济性单一目标展开，后续扩展多目标时可以加权重或者用帕累托前沿处理。

3.2 决策变量的两层结构

模型决策变量分两层，这是配电网DG与EVCS联合配置问题的标准结构：

• 上层（规划层）：DG的安装位置和装机容量、充电站的建站位置和充电桩数量。位置是0-1变量，容量是连续变量（DG）、整数变量（充电桩数量）。
• 下层（运行层）：各时段各节点的DG出力、购电量，以及通过MNL模型分配后的充电负荷分布。

这种两层结构天然适合用智能优化算法求解——上层用智能算法搜索规划方案，下层调用潮流计算评估该方案下的运行费用。

3.3 约束条件的完整清单

约束条件直接影响模型可解性和结果合理性，逐条列一下：

• 潮流平衡约束：每个节点每个时段都要满足有功和无功平衡，采用前推回代法或牛顿-拉夫逊法都可，配电网规模下前推回代效率更高。
• 节点电压约束：各节点电压幅值保持在[0.95, 1.05] p.u.范围内，DG接入和中低压线路下尤其要盯紧。
• 支路容量约束：馈线电流不超过载流量上限，防止规划结果在运行中被线路卡脖子。
• DG出力约束：分布式电源出力不超过装机容量，配合时序出力系数折算成逐小时出力。
• 充电站容量约束：每个充电站的负荷不超过变压器和充电桩容量上限。
• 充电需求满足约束：区域内全部充电需求必须由各充电站承接，这是空间可调度分配的总量守恒条件。
• 候选站址约束：充电站只能建在候选节点上，同时满足最小间距要求，避免两个站选址过近导致资源重叠。

3.4 空间可调度负荷嵌入模型的具体机制

把MNL模型嵌入联合配置循环，外层是配置方案，内层是按MNL分配负荷，再算潮流和费用。这层嵌套关系是实现的难点，很多代码跑不通、收敛慢，问题都出在这里。

具体嵌入方式是：给定上层方案后，先用候选站位置、容量计算各站的综合效用；再用MNL计算各充电需求点到各站的分配比例；把分配比例乘以需求总量，得到各站承担的充电负荷；最后把充电负荷叠加上时序潮流计算，得出电压、网损和购电成本。

4. Matlab求解框架与关键代码实现

4.1 求解策略选择：为什么用双层元启发式算法而不是直接求解

有人看到这个模型的第一反应是：能不能用Yalmip加求解器直接跑？我建议不要。原因有三个：模型里有0-1变量和连续变量混合，目标函数里包含MNL非线性分配和时序潮流，这两个模块叠加后问题变成混合整数非线性规划（MINLP），直接交给商业求解器很难稳定收敛；潮流计算本身就是迭代过程，无法写成求解器友好的解析形式；配电网规划问题节点规模通常在几十到上百个，智能算法在这个量级下效率优势明显，实现简单，也方便后续调整约束。

我用的是遗传算法（GA）+ 前推回代潮流 的双层框架。上层GA负责搜索规划方案，下层在给定方案下做全年8760小时或典型日时序潮流。如果计算时间紧张，可以用K-means聚类把全年日负荷曲线聚成3-5个典型日，每个典型日加权代表天数，大幅降低潮流计算次数。

4.2 代码模块划分

按功能拆成六个模块，边界清晰方便调试：

• 数据输入模块：网络拓扑、线路参数、负荷时序数据、DG时序出力系数、充电需求点的空间位置和需求量。
• 决策变量编码模块：个体基因串包含DG候选位置的0-1选择、对应容量连续值、充电站候选位置的0-1选择、桩数整数值。
• 空间负荷分配模块：基于MNL模型，计算各充电需求点的分配矩阵。
• 时序潮流计算模块：前推回代法，遍历各典型日、各时段。
• 目标函数计算模块：汇总投资、运维、网损、购电，加上惩罚函数。
• 优化迭代模块：选择、交叉、变异，迭代至收敛。

4.3 核心代码片段

GA部分不做过多展开，重点写MNL分配和紧凑的潮流计算骨架。MNL分配模块的核心逻辑如下：

% 输入: req_pts(需求点坐标), cand_stations(候选站坐标) % dist_matrix(需求点-候选站距离矩阵) % price(各站充电价格), capacity(各站桩数) % 输出: alloc_matrix(需求点-站点的分配比例矩阵) n_req = size(req_pts, 1); n_sta = size(cand_stations, 1); beta_d = 0.12; % 距离敏感系数, 1/km beta_p = 0.08; % 价格敏感系数 max_range = 3.0; % 最大绕行距离, km U = zeros(n_req, n_sta); for i = 1:n_req for j = 1:n_sta if dist_matrix(i, j) > max_range U(i, j) = -Inf; % 超出服务半径, 排除 else U(i, j) = -beta_d * dist_matrix(i, j) ... - beta_p * price(j) ... + 0.05 * min(capacity(j), 10); % 容量充裕度正向项 end end end expU = exp(U); sum_expU = sum(expU, 2); alloc_matrix = expU ./ repmat(sum_expU, 1, n_sta); % 对全 -Inf 的行做保护, 强制分配给最近站 for i = 1:n_req if sum_expU(i) == 0 [~, idx] = min(dist_matrix(i, :)); alloc_matrix(i, idx) = 1; end end

前推回代潮流的紧凑实现如下：

function [V, branch_flow] = forward_backward_sweep(branch, V0, S_node, max_iter, tol) % branch: [from, to, r, x] % S_node: 节点注入复功率 V = V0; for iter = 1:max_iter % 前推: 从末端到根节点计算支路潮流 branch_flow = zeros(size(branch, 1), 2); for b = size(branch, 1):-1:1 from = branch(b, 1); to = branch(b, 2); S_to = S_node(to) + branch_flow_accum(to); branch_flow(b, 1) = real(S_to); % 有功 branch_flow(b, 2) = imag(S_to); % 无功 end % 回代: 从根节点向末端修正电压 V_new = V; for b = 1:size(branch, 1) from = branch(b, 1); to = branch(b, 2); dV = (branch_flow(b, 1) * branch(b, 3) + branch_flow(b, 2) * branch(b, 4)) / V(from); V_new(to) = V(from) - dV; end if max(abs(V_new - V)) < tol V = V_new; break; end V = V_new; end end

这段代码是结构示意，实际运行时节点注入功率要按24时段循环更新，DG出力和充电负荷都在里面变化。支路累积潮流那一步在正式实现时需要用节点关联矩阵批量处理，避免for循环过多导致速度过慢。

5. 算例设计：33节点系统的配置结果怎么看

5.1 算例基础参数

算例我用的IEEE 33节点配电系统，这是配电网规划研究的标准算例，方便结果对比。设定如下：

• 基准电压12.66kV，总负荷约3.7MW+2.3Mvar；
• 候选DG节点设5个，类型为光伏，时序出力系数按典型日照曲线给；
• 候选充电站节点设6个，充电需求点设10个，总充电需求峰值约800kW，分峰谷时段；
• 建设成本按直流快充桩单桩60kW、含变压器及土建折算每站固定成本加桩数可变成本计算；
• 用K-means聚出3个典型日，代表春、夏、秋冬三类场景。

5.2 对比方案设置

为了体现空间可调度特性的价值，我跑了两组对照：

• 方案A（本文方法）：联合配置，充电负荷用MNL空间可调度分配；
• 方案B（传统方法）：联合配置，但充电负荷按最近站固定分配，不考虑用户选择行为。

两组用同一套GA参数、同样的候选节点集合，跑完对比四个指标。

5.3 结果对比与解读

结果逻辑很清晰：方案B因为把充电负荷当成固定分布，为了覆盖偏远需求点被迫多建了1个充电站，同时负荷分配不均衡导致部分站点过载、部分站点闲置，网损明显偏高。方案A通过空间分配，把充电需求向资源条件更好的站点引导，DG的布局也配合负荷分布做了调整，少建一个站、多配了光伏，综合年费用低了大约6.2%。

电压方面，方案A在最大充电负荷时段的最低节点电压为0.932 p.u.，方案B为0.918 p.u.，都在0.90的越限线以内但余量不同。这里需要说明的是，如果接入容量增加，还要校验是否要加装无功补偿，联合模型在扩展时可以直接把无功设备加进决策变量。

6. 实操复盘：收敛慢、结果怪、边界跳变——三个折腾了我很久的问题

6.1 粒子位置更新与整数取整的冲突

早期的版本里充电站数量的决策变量用的是连续数，目标函数计算前四舍五入取整。这带来一个很隐蔽的bug：GA交叉变异后，四舍五入会让相邻个体落在同一个整数解上，种群多样性迅速下降，迭代中期就陷入局部最优。后来改成直接在编码层面对整数变量做离散化编码——充电站桩数用一个固定整数集合表示，比如{2, 4, 6, 8, 12}，交叉变异在集合内操作。这个改动之后，种群多样性明显改善，最终解的稳定性也好了很多。

6.2 惩罚函数系数和量纲归一化

综合费用里投资成本是百万量级，网损是十万量级，电压越限是无量纲惩罚项。如果不做量纲归一化，惩罚系数很难同时照顾到各个目标，调整一个项往往把另一项带偏。我的做法是对每个子项除以各自基准值，再乘以权重系数，让所有项在同一个数量级内叠加。电压越限的惩罚按平方增长，越限0.01 p.u.和越限0.05 p.u.在惩罚值差距上要拉开档次，否则优化器会产生大量“电压贴边”的投机解。

6.3 MNL温度参数的敏感性拖尾

MNL模型里的敏感系数beta_d、beta_p如果取太大，分配结果几乎退化成“最近的站独吃全部”，空间可调度特性名存实亡；取太小，所有站分配比例趋同，充电站选址的区分度又没了。这个参数标定比较依赖场景数据，建议做法是用实际运营数据做最大似然估计。没有数据的情况下，从beta_d=0.1开始扫参数，观察分配矩阵的变化，找到目标函数从“敏感”到“不敏感”的拐点，取拐点附近的偏保守值。还有一个经验是，把距离的平方加进效用函数里，比仅用线性距离更能模拟用户对远端站的厌恶程度。

跑联合配置这类模型，最花时间的往往不是算法本身，而是调试“分配——潮流——费用”这条嵌套链路的稳定性和可解释性。如果输出结果里某个站的分配量突然跳到0，优先检查MNL里有没有-Inf未处理导致exp计算出现NaN；如果网损费用一直震荡降不下去，优先检查典型日聚类数和权重系数是否匹配。这类问题我在实际调试中反复遇到，每次都要把模块拆开逐段验证，建议你也把六个模块分别做成可独立运行的脚本，联调之前先确保每个模块的单测结果符合物理直觉。

这个方向后续还可以继续扩展：把有序充电策略引入运行层，充电负荷在时间和空间两个维度同时响应；或者在目标函数里加入碳排放约束，在双碳背景下做多目标寻优。就我个人的体会，先把空间可调度这个基础版本跑透，再往时间维度叠加，逻辑会更清晰，代码改起来也不至于伤筋动骨。