配电网韧性下应急移动电源动态调度：Matlab+Yalmip复现与避坑指南

配电网韧性（resilience）这两年在电力系统领域的热度一直没下去，尤其是极端天气导致的大面积停电场景，应急移动电源（MPS）怎么配置、怎么调度，是个特别实际的问题。前段时间我把一个SCI一区的配电网韧性研究的下半篇——MPS动态调度部分，在Matlab里完整复现了一遍，配合上半篇的预配置正好形成一个两阶段闭环。这篇文章只聊下半篇：动态调度到底在优化什么、模型怎么写、代码结构怎么搭，以及我在复现过程中踩过的坑。如果你正打算用Yalmip加求解器做配电网优化复现，或者刚接触移动储能车调度，这篇文章应该能帮你少走不少弯路。

1. 为什么动态调度是韧性提升的关键一环

1.1 预配置是“沙盘推演”，动态调度是“临场指挥”

先搞清楚两阶段的分工。预配置发生在极端事件来临之前，这时候我们知道台风要来了，但不知道具体哪几条线路会断，所以只能在预测和场景分析的基础上，把MPS预先放到若干个候选节点上，这相当于“沙盘推演”。但等故障真正发生，网络拓扑、失电负荷、线路断线位置都成了已知信息，预配置的方案不一定是最优的，甚至可能完全不适用。这时候就需要动态调度登场：在事件发生后，根据实时网络状况，重新决定MPS接下来移动到哪个节点、充放电功率是多少、给哪些负荷供电。

这两步缺一不可。如果只做预配置，相当于交警只知道提前把拖车放在几个路口，却不根据实时事故去指挥拖车；如果只做动态调度，没有预配置的MPS初始位置，调度就少了一半可行的起点。所以这个论文的完整逻辑是预配置给动态调度提供初始解空间，动态调度把韧性目标从“可能恢复多少”变成“实际恢复多少”。

1.2 动态调度到底调什么：位置、功率与网络状态

动态调度的“动态”体现在三个维度。第一是位置动态：MPS是可移动电源，可以在不同节点之间转移，所以核心决策之一是每台MPS在每个时刻接入哪个节点。第二是功率动态：MPS什么时候放电、什么时候充电（如果允许从主网或者未断线区域充电），输出多少有功和无功功率。第三是网络状态动态：配电网中有很多分段开关和联络开关，故障后部分负荷可能失电，但通过调整开关状态、改变供电拓扑，可以让更多的负荷转移到健康的供电路径上。换句话说，动态调度不只是“把移动电源插到哪里”，而是把MPS调度和网络重构放在同一个优化框架里，联合决策。

这就把问题复杂度拉上来了。单纯固定储能调度是一个时序功率管理问题，单纯网络重构是一个组合拓扑优化问题，而MPS动态调度把两者耦合在一起，还要考虑移动时间、容量限制和负荷重要性，数学上是一个混合整数线性规划（MILP）问题。SCI一区论文通常不会只做简单贪心算法，而是用精确模型去求全局最优解，这也是复现价值所在。

1.3 固定储能、网络重构与MPS动态调度的差异

我画过一张对比表，方便理解为什么题目中单独强调“移动”这两个字。

从这个表能看出来，MPS的核心价值是“机动性”，因为极端灾害下故障位置往往具有空间随机性，固定设施可能建错了地方，而移动电源可以事后补救。但机动性也带来额外的建模困难：你不能把MPS当作一台固定位置的储能机，必须考虑它从A点移动到B点需要的时间，以及移动过程中无法供电的周期。这些细节如果忽略，结果会看起来很好，但实际工程上根本不可行。

2. MPS动态调度模型怎么设计

2.1 输入数据与算例基础

我复现时采用的是IEEE 33节点标准算例，这也是配电网优化圈里最通用的测试系统之一。基础数据包括：33个节点的有功、无功负荷曲线，各支路的电阻电抗和容量上限，线路拓扑邻接矩阵。故障场景方面，我在某些时段内设置了三条线路断线，从而把部分节点隔离成失电孤岛。MPS参数上，我设了3台移动储能车，每台额定容量600kWh，最大放电功率100kW，最大充电功率80kW，初始SOC为0.9，移动时间根据节点间道路距离折算成配电网节点间的“电气距离”来近似。时间步长取1小时，调度周期24小时。

这些参数完全可以从论文中读取或自行设定，但要注意：节点间“移动时间”不是单纯的节点距离除以车速，因为在配电网模型中节点之间没有实际道路数据，很多论文的做法是通过节点间的支路长度乘以一个折算系数。这个折算系数会影响约束的松紧程度，如果设置得太离谱，会出现“一小时内MPS从节点1瞬移到节点33”的荒谬结果，所以不能随便拍脑袋。

2.2 目标函数与关键约束的数学表达

动态调度的目标函数一般是最大化恢复收益，最常用的是最小化系统失电负荷，一般写作：

目标函数 = min ∑_t ∑_n ω_n · (P_n^load(t) − P_n^served(t))

其中ω_n是节点n的负荷重要性权重，比如医院、通信基站权重高，普通居民负荷权重低。如果论文里还考虑移动成本、开关操作成本，可以在目标里加惩罚项，但一般不会喧宾夺主。

约束条件通常覆盖以下几类：

• 功率平衡与潮流约束：使用DistFlow线性化模型，忽略网损部分，用节点注入功率和支路功率表达潮流关系。因为要求解全局最优，非线性潮流会让问题变成MINLP，很难收敛，所以大多数SCI论文会采用线性化潮流或者二阶锥松弛，复现时也按这个思路走。
• MPS运行约束：每台MPS每个时刻最多接入一个节点，放电功率不能超过额定功率，SOC随时间变化满足能量平衡。
• 移动约束：MPS从一个节点到另一个节点需要时间，简单处理可以令“t时刻接入i，t+Δ时刻才能接入j”；严格处理则要引入“移动状态”变量，建模成带时延的状态转移。
• 网络运行约束：节点电压上下限、支路容量约束、配电网辐射状拓扑约束（即不能出现环网）。
• 负荷恢复约束：每个节点的恢复负荷不能超过原始负荷，未恢复的负荷就是失电负荷。

2.3 为什么偏偏是MILP

只要看到0-1变量（比如MPS接入位置、开关状态），再加上连续变量（功率、SOC、电压），目标函数和约束都是线性的，这个问题就是一个标准MILP。MILP可以被精确求解，而且商业求解器比如Gurobi、Cplex在处理几万个变量和约束的中等规模问题上是完全能跑的。这也解释了为什么这类论文都强调“Matlab代码实现”——因为Matlab的Yalmip工具箱提供了极友好的建模语言，几行代码就能把数学表达式翻译成求解器能懂的约束，比直接用C++开发模型要快太多。

如果不用MILP而改用启发式算法，比如遗传算法或者粒子群，一方面无法保证全局最优，另一方面每次都要重新调节参数，复现论文数据的难度会急剧上升。所以我的建议是：忠实于论文的MILP框架，先跑通，再考虑如何加速。

3. Matlab复现：从零到能跑的代码架构

3.1 环境准备：Yalmip、求解器与必要的工具箱

复现的第一步不是写代码，是装环境。我用的是Matlab R2022a，建模工具是Yalmip，一个免费的Matlab优化建模工具箱。求解器我用的Gurobi，因为它对MILP的求解能力非常强。如果你没有Gurobi license，也可以先用Cplex或者SCIP，还有Matlab自带的intlinprog也能跑，但小规模可以，规模一大就吃力了。

安装Yalmip不需要额外依赖，直接从官网下载压缩包，解压后把文件夹加到Matlab路径里。Gurobi需要先安装，然后在Yalmip里通过命令yalmiptest测试求解器是否识别。我有个习惯：每台新电脑第一次配好环境后，先跑一个简单MILP算例，确认求解器工作正常，再开项目。

3.2 代码总体框架与核心建模片段

整个动态调度程序按模块化组织，包含顶层的main_mps_dispatch.m、参数文件case33.m、模型约束build_model.m、结果分析plot_results.m等。主程序的基本流程如下：

%% 主程序 main_mps_dispatch.m clear; clc; close all; addpath(genpath('路径')); % 1. 参数初始化 mpc = case33; % 网络数据 mp = mps_param; % MPS参数 [T, N, L, fault_lines] = scenario_setup(); % 时段、节点、线路、故障 % 2. 定义优化变量 x = binvar(n_mps, N, T); % MPS接入位置 P_dch = sdpvar(n_mps, N, T); % 放电功率 P_ch = sdpvar(n_mps, N, T); % 充电功率 soc = sdpvar(n_mps, T); % 荷电状态 z = binvar(N, T); % 节点失电状态（或恢复标志） ... % 3. 目标函数 Objective = sum(omega .* (P_load - P_served)); % 4. 约束集合 Constraints = build_constraints(x, P_dch, P_ch, soc, z, mpc, mp, T, N, fault_lines); % 5. 求解 ops = sdpsettings('solver','gurobi','verbose',2,'gurobi.MIPGap',0.01,'gurobi.TimeLimit',3600); result = optimize(Constraints, Objective, ops);

这只是一个骨架，真正写约束的时候要非常小心矩阵维度。Yalmip里的sdpvar变量如果初始化维度和后面约束里的矩阵不一致，会直接报维度错误，这是我复现初期最痛苦的一点。

3.3 潮流线性化在代码里的落地

DistFlow线性化的核心是把节点电压平方作为变量。定义U(n,t) = V(n,t)^2，忽略网损之后，支路潮流的约束可以写成：

% 支路ij上的功率流约束（线性DistFlow简化版） % 对于每条支路 (i,j) for t = 1:T for k = 1:length(branch) i = branch(k,1); j = branch(k,2); % 支路功率等于下游注入之和 Constraints = [Constraints, ... P_branch(k,t) == -P_inj(i,t) + sum(P_branch(in_branch_from(i),t))]; % 电压降落线性形式（仅在闭合支路上成立，常配合0-1开关变量使用） Constraints = [Constraints, ... U(j,t) - U(i,t) + 2*(r_ij*P_branch(k,t) + x_ij*Q_branch(k,t)) == ... (1 - s_on(k,t))*M]; % s_on为0-1开关变量，用大M松弛 end end

这种写法里，M是一个很大的正数，当支路断开时，等式右边变成一个很大的值，从而松弛了约束。使用大M法时最怕M取太大，导致数值病态，所以我一般会取支路距离乘以容量再乘个系数，尽量降低数值范围。

3.4 移动约束的两种写法

移动约束是MPS模型最大的坑。最粗糙的写法是：

% 错误示例：同一时刻只能在一个节点，但没有移动时延 for t = 1:T Constraints = [Constraints, sum(x(:,:,t),2) <= 1]; end

这只是让MPS不能分身，但没有禁止它“瞬移”。如果有移动时延约束，需要引入移动状态变量。假设移动时间矩阵是travel_time(m,i,j)，那么t时刻在j节点接入的MPS，必须满足它在上一个接入位置i停留过，且当前时刻大于等于到达时间。一种简化的实现思路是增加“上一时刻位置变量”并检查距离：

% 简化版：如果MPS在t和t+1时刻接入的节点不同，则必须满足移动时间 <= 时间步长 for m = 1:n_mps for t = 1:T-1 for i = 1:N for j = 1:N % 若t时刻在i，t+1时刻在j，则travel_time(i,j) <= dt Constraints = [Constraints, ... x(m,i,t) + x(m,j,t+1) - 1 <= travel_time(i,j)/dt]; end end end end

这种写法比真正的移动状态建模简单，但限制是假设1小时内必须可达。如果你的时间步长是15分钟，而MPS从一个节点到另一个节点需要20分钟，那么就没法调度，需要更细致的移动状态建模。大家复现前先看论文对移动时间是如何处理的，我用的是简化版，因为论文算例本身的移动时间设为1小时内可达多数节点，没出大问题。

4. 复现结果与一个完整算例演示

4.1 算例场景设定

我设置了一个比较典型的故障场景：线路8-21、14-15、25-29发生永久性断线，导致节点21、22、23和15、16、17、18以及27、28、29附近形成多个失电孤岛。初始时刻，3台MPS分别停在节点1、8和25。全部负荷的中，设定节点7、16、22为重要负荷，权重是普通负荷的5倍。调度周期24小时，系统总负荷峰值约3.7MW，但断线后失电区域总负荷约0.8MW，其中重要负荷约0.35MW。

4.2 调度结果展示

经过动态调度模型求解后，我得到了一组结果。下表列出了部分时刻的MPS接入位置：

从结果能看到，MPS-2在10点后从节点24移动到了25，MPS-1则在15点后从节点9移动到了18，这正是动态调度对比预配置的价值：它根据负荷时序和故障状态调整了位置。最终的负荷恢复统计是普通负荷恢复率82%，重要负荷恢复率100%。如果没有动态调度，只按预配置初始位置固定不动，普通负荷恢复率大约只有56%，重要负荷恢复率70%。这个对比很直观地验证了动态调度对韧性指标的改善。

4.3 画图与结果验证

结果不能只看数字，还要画出来看趋势。我一般画三张图：第一张是所有MPS接入位置变化的Gantt图，第二张是关键节点负荷恢复率随时间变化的曲线，第三张是SOC变化图。Matlab里画图其实没什么黑科技，主要是用stairs或plot：

figure; for m = 1:n_mps subplot(n_mps,1,m); pos = squeeze(x_result(m,:, :)); % 读取结果 imagesc(pos'); colormap(flipud(gray)); ylabel(['MPS', num2str(m)]); end

更关键的是“结果验证”。由于MILP模型约束很多，有时候求解器返回最优解，但解可能不满足某些物理直觉。我会写一个独立的检查脚本，把解代入每个约束，看最大误差是否在容差范围内。检查SOC连续过程：soc(m,t+1) - soc(m,t)是否等于充电功率减放电功率乘以效率；检查MPS是否同时接入了两个节点：sum(x(:,:,t))<=1；检查失电负荷是不是大于0。这些检查相当于单元测试，能帮你快速定位模型错误。

5. 复现中的坑与排查技巧实录

5.1 求解器报“Infeasible problem”怎么办

这是复现MPS调度时最常见也最让人头疼的错误。我遇到第一次求解不可行时，第一反应是检查所有约束是否写对了。但很快发现，盲目检查太慢。正确办法是先定位“最小不可行集”。Yalmip里没有直接给出，但你可以把约束组分开，先只加网络约束求解，看看是否有可行解；再依次加入MPS容量约束、SOC约束、移动约束。一旦加入某个约束后发现不可行，问题就出在这一组约束里。我自己的经验是不可行80%是三类原因：

• 功率平衡约束太严格：让失电负荷必须完全恢复，但MPS总容量根本不够，这时应该允许负荷不恢复，而不是让模型强行凑平。
• SOC边界矛盾：充电效率小于1，但初始SOC和最终SOC约束设得不合理，导致能量守恒无法满足。
• 移动时间约束过紧：例如1小时内必须到达，但网络里两个点之间的距离需要2小时，模型自然无解。

排查时可以把所有MPS容量设成无限，允许负荷任意丢，先看网络约束是否可行，再逐步恢复，这是最快定位不可行的方法。

5.2 求解时间爆炸的优化技巧

动态调度模型包含MPS接入位置的0-1变量、开关状态的0-1变量、负荷恢复变量，如果再算上移动状态，规模会迅速膨胀。我复现时最开始的模型有大约1.6万个变量，其中二进制变量4200个，Gurobi跑了快两小时才到2%的gap。后来做了三件事把时间缩短到十分钟内：

• 剪掉无关变量：把故障区域之外的节点MPS可接入位置预先固定为0，比如MPS不会去远离故障区域的健康节点，这些二进制变量可以直接剪掉。
• 设置相对MIP gap：工程上不需要0%的gap，我设置gurobi.MIPGap = 0.01，也就是允许1%的次优性，换来的是收敛速度指数级提升。
• 提供初始可行解：先用一个启发式或前一天的调度解作为初始解，告诉求解器“已经有一个可行解了”，它就能剪枝更快。

这三招非常通用，如果你复现其他类似的调度模型，也值得优先尝试。

5.3 移动约束的写法坑

前面提到过度简化移动约束，这里再补充一个实际案例。我最早写的约束只是保证“相邻时刻接入位置一致或者可以通过移动距离校验”，但由于配电网节点矩阵不是完全连通的，有的节点之间根本没有直接支路，travel_time矩阵里填了个无穷大，导致模型在时间步长内无法跨节点移动，变得完全没有调度能力。后来我把travel_time为无穷大的值替换成一个大数，且在大M约束里使用这个数时注意数值范围，问题就解决了。

另外，移动过程中MPS可以保持与电网断开，但这时候它还在继续为自身消耗或待命吗？论文一般假定移动时不充放电，但SOC在移动期间保持不变。这个逻辑如果你写错，比如移动时SOC依然变化，就会导致能量守恒混乱。

5.4 Yalmip的坑与求解器选择经验

Yalmip本身很强大，但有以下细节容易踩坑：第一，binvar和sdpvar的维度必须明确，推荐先写sdpvar(n,N,T)这种形式，不要在循环里动态创建变量。第二，约束写入使用Constraints = [Constraints, expr]这种方式，如果约束之间维度不匹配，会报“Inconsistent dimensions”。第三，求解器返回的solveyalmip状态要检查，比如是inf或者-1（infeasible）。

求解器选择上，我的个人建议是学生尽量申请Gurobi学术许可，它对MILP的求解能力远超开源求解器。如果是大型项目，可以用SCIP，但要接受速度上的差距。千万不要用默认的bmilab等求解器，MILP问题会卡到天荒地老。

6. 复现之后的一些思考与扩展方向

6.1 从确定性调度到鲁棒/随机调度

我复现的这个模型本质是确定性的：给定故障集，给定负荷曲线，求最优调度。但实际中故障集合和负荷曲线都有不确定性。SCI一区文章很可能在理论部分用了场景法或多阶段随机规划，动态调度作为第二阶段的“recourse action”出现。如果论文里没有体现这一层，复现后你可以自己扩展：把故障场景从1个扩展到多个，用样本均值近似或者两阶段鲁棒优化，目标函数变成期望失电最小。这样既能把预配置和动态调度的耦合重新做起来，也能让模型更贴近工程实践。

6.2 动态调度与移动储能车工程约束结合

论文里MPS往往被抽象成“能量块”，但实际应急移动电源可能是柴油发电车或者移动储能装置，它们有最小开机时间、爬坡率、往返补能时间等工程约束。把这些工程约束加入模型，你会立刻发现目标函数和可行域会发生明显变化。比如柴油发电车虽然有燃料补给的灵活性，但燃料补给需要考虑供应点位置；移动储能车则受限于SOC和寿命。我个人建议在复现模型跑通后，选一台真实移动储能车参数替换原来的简化参数，会立刻发现结果的现实意义强很多，这也是论文复现后最好的“落地演练”。

6.3 向多能源系统扩展的可能性

配电网韧性并不只有电这一种能量载体。如果系统里还有微燃机、热泵、蓄热罐，或者燃气网和电网耦合，MPS调度问题就会变成一个电-热-气联合调度问题。这时候移动电源是否还能当作独立单元处理，还是需要和供热管网一起优化，是很值得思考的。我最近正在尝试把MPS动态调度嵌入一个冷热电联供的微网模型里，最大的感受是变量数量呈指数增长，但也因为引入了热负荷的时延特性，调度结果反而更合理了。当然，这条路比较深，适合已经吃透基础模型的朋友再去挑战。

最后说一点个人体会：复现一篇SCI一区论文，最忌讳的是只盯着别人的代码跑通，而不去理解每个约束怎么来的、每个参数怎么设的。我在这个MPS动态调度上踩了那么多坑，回头才发现，坑往往就对应着论文里那几句“为了简化计算，本文做了如下假设”。把这些假设吃透，你的复现才算真正的入门。之后再想往里加东西，就有了底气。