配电网韧性提升：移动储能预布局与动态调度Matlab复现思路

台风扫过之后，断线、倒杆、变电站失压，配电网能不能在黄金时间里保住最关键的负荷？这几年我在组里做配电网韧性方向的研究，感受很深的一点是：固定储能救不了“打一枪换个地方”的故障，真正能跟着故障跑的是移动储能。这篇要讲的，是面向配电网韧性提升的移动储能预布局与动态调度策略在IEEE33节点系统上的Matlab复现思路——从问题建模、数学推导到代码实现，再到复现过程中我踩过的几个真实坑，一次性说清楚。

网上很多标着“完美复现”的代码，拿到手之后其实只是“能跑通”，离论文里的结果差着十万八千里。真正的复现是：你理解了他为什么这样建模，能回答每个约束条件的物理含义，还能在换一个故障场景时作出符合直觉的调整。这篇文章不会只丢给你一段能运行的文件，而是把整个研究和复现链条拆开，按我平时做实验的顺序讲。

1. 为什么配电网韧性研究绕不开移动储能

1.1 韧性不是可靠性

配电网可靠性评估，盯的是常态下的停电指标——SAIDI、SAIFI、年平均停电时间，看的是“一年365天里用户平均停电几个小时”。韧性研究的对象完全不同：台风、冰灾、暴雨等小概率、高影响极端事件，此时常常出现多个元件同时失效，N-1准则直接失效，电网运行人员面对的已经不是“停一条线还是两条线”的问题，而是“整个片区还剩下几条能用的通道”。

韧性这个词翻译成大白话，就是系统面对极端冲击时“能扛多久、掉多少、回得多快”。学术圈一般把它拆成四个阶段：预防、吸收、适应、恢复。预防是灾前准备，吸收是故障中维持多少供电，适应是故障演化时能不能调整运行方式，恢复是故障清除后把负荷全部带回来需要多长时间。移动储能真正发力的，恰恰是吸收和适应这两个阶段——它可以在吸收阶段抬高最低供电水平，在适应阶段跟着故障转移。

1.2 移动储能的独特优势

固定储能位置锁定，这是它的先天短板。极端故障的落点往往有很强的不确定性，一座建在A馈线附近的储能站，如果故障恰恰发生在B馈线，它就只能眼睁睁看着负荷丢失。移动储能不一样，本质上就是一个“可以自己跑的电池”，在预警信息发布后提前开到指定节点，故障后还能根据故障演化情况二次转移。

拿工程上的应急电源车来类比最直观：大型活动保电、医院应急供电，用的就是这种移动储能/移动电源装备。把这种装备纳入配电网的调度决策，本质上就是让它从“事后应急工具”升级为“事前布局的电网资源”。移动储能在预布局阶段可以提前充电、提前靠泊在关键负荷附近，在动态调度阶段又可以按故障演化情况跨馈线支援，这是固定储能永远做不到的。

1.3 预布局与动态调度是同一套决策的两半

很多人第一次接触这个题目时容易犯迷糊：预布局和动态调度到底谁是主谁是次？其实两者是同一个决策问题的两个阶段，只是决策时刻不同。

预布局回答的问题是：灾害预警发出之后、故障发生之前，每台移动储能应该去哪里、在哪里待命、出发前把电量充到多少。动态调度回答的问题是：故障已经发生且逐步演化，储能车应当什么时间出发、沿哪条路径移动、在哪个节点以多大功率放电、哪些负荷优先保。

一句话概括：预布局省下来的时间，就是动态调度多出来的反应时间。如果没有第一阶段，所有储能车都堆在基地站里，故障发生后调用一台车要花几小时才能到位。如果有第一阶段但只做固定预布局，故障一旦不在预期位置，储能车又失去了转移能力。两阶段协同才是这类问题研究的核心价值所在。

2. 算例选定：IEEE33节点系统的底数

2.1 为什么选这个系统

IEEE33节点是配电网研究圈的“Hello World”，公开数据成熟、规模适中，既有辐射状网架又有联络线，足够支撑孤岛划分、故障转移这些实验。重点是：在Matlab里做两阶段鲁棒优化或场景采样调度，33节点系统规模和求解时间的比例很舒服，既能说明问题逻辑，又不会让等待时间磨掉耐心。

对做复现来说，IEEE33还有一层好处——几乎所有配电网重构、故障恢复、韧性评估的论文都用过它，你复现出的结果可以很方便地和不同文献做横向对比。换成PG&E 69节点或其他系统，很多标准数据反而不如33节点这么容易验证。

2.2 基线数据与网络结构怎么读

在写任何代码之前，先把IEEE33节点的基线数据完全吃透。这是一个12.66kV的辐射状配电网，包含33条母线、32条支路和5条联络线，总有功负荷约3.715MW，总无功负荷约2.3Mvar。

部分节点的负荷数据长这样：

这里必须提醒一句：不同文献里IEEE33的联络线编号顺序存在差异，有的把联络线放在支路表末尾，有的单独维护一份开关表。读代码时最容易踩的坑就是支路两端节点号和负荷节点号对不上，后面我会在避坑章节单独展开。

2.3 故障场景怎么设计：台风下的多线路故障

韧性研究里故障场景不能拍脑袋设定为“全部支路断开”，那会直接把模型推入无解区域。更符合实际的做法是：模拟一次台风过境，某几条关键支路同时故障，上级变电站失电，主网失去供电，配电网只能依靠分布式电源和移动储能形成孤岛。

我复现时采用的故障场景生成逻辑是：按蒙特卡洛方式随机抽取故障支路集合，假设每条支路的故障概率与线路长度和暴露程度相关，生成一个场景池。再结合上级电网停电时长这一随机参数，形成带不确定性的场景集合。把这组场景丢进两阶段框架，第一阶段面对所有可能场景做决策，第二阶段在每个具体场景下做最小化失负荷的调度。

移动储能参数方面，我建议设置两台储能车形成对比效果：一台容量600kWh、额定功率100kW，另一台容量400kWh、额定功率75kW，充放电效率都取0.95，可用SOC范围限制在0.1到0.9之间。别把两台车设成完全相同的参数，否则你在结果阶段看不到“大车保主、小车机动”的分工效果。

3. 两阶段模型的数学表达：先定位置，再定功率

3.1 目标函数的三层结构

先别急着写代码，要先理解问题本质。移动储能预布局与动态调度问题，数学上是一个典型的三层结构：

[ \min_{z} \left( C_{pre}(z) + \max_{\xi \in \Xi} \min_{y \in F(z,\xi)} C_{op}(y,\xi) \right) ]

拆开解释：最小层是在给定预布局方案和故障场景下，选择动态调度变量（储能位置、充放电功率、切负荷量），让运行成本和切负荷惩罚最小；中间层是“大自然”在找麻烦——在所有可能的故障场景里挑一个让系统最难受的；最外层是决策者，在知道会发生最坏情况的前提下，选择一个总成本最低的预布局方案。

这个结构和下棋非常像：你先落子布防，对手走一个最狠的破解招法，你再根据对手的招法走最优应手。如果没有中间层的max，问题就退化成普通的单阶段随机优化；加上max之后，求的就是一个在最坏情况下也不至于太差的鲁棒方案。

3.2 预布局阶段：决定储能车去哪、充多少电

第一阶段的决策变量主要是0-1变量 ( z_{k,j} )，表示第 ( k ) 台移动储能是否预布局在节点 ( j )。约束条件最基础的有三条：一是每台储能车只能布置在一个节点，二是预布局节点的选取要考虑该节点是否存在可用储能接入点，三是在预警阶段储能车有充分时间充电到指定SOC水平。

预布局阶段的目标不只是“选个地方停车”，还要考虑节点负荷重要度。医院、通信基站、水厂这类关键负荷，在目标函数里要给予更高的保障权重。工程实现上，通常给每个节点定义一个重要度系数 ( w_j )，切负荷惩罚项里乘以这个系数，这样模型会自动把储能车优先布置到关键负荷附近。

3.3 动态调度阶段：位置切换、充放电与时序耦合

第二阶段是整个模型的核心，也是最容易写错的部分。调度周期设为 ( T ) 个时段，每个时段为 ( \Delta t )，典型设置是24小时调度、每小时一个时段。动态调度变量包括：储能车位置0-1变量 ( x_{k,j,t} )、充放电功率 ( P^{ch}{k,j,t} ) 和 ( P^{dis}{k,j,t} )、储能SOC ( SOC_{k,t} )，以及各节点切负荷量 ( P^{cut}_{j,t} )。

关键约束可以分成五组：

1. 位置唯一性：同一时段内，每台储能车只能出现在一个节点，即 ( \sum_j x_{k,j,t} = 1 )。
2. 移动约束：如果储能车在 ( t ) 时段位于节点A、 ( t+1 ) 时段位于节点B，说明发生了一次移动。移动所需时间取决于路网距离和车速，这个时间需要在模型中显式表达。
3. SOC递推约束：( SOC_{t+1} = SOC_t + \eta_{ch} P^{ch} \Delta t - \frac{P^{dis}}{\eta_{dis}} \Delta t )，充电升SOC，放电降SOC，效率不能忽略。
4. 充放电功率上限与互斥：充放电功率不能同时为正，且单时段功率不能超过额定功率。
5. SOC上下限：一般限制在0.1到0.9之间，防止深度充放电损坏电池。

移动约束是最容易被简化的。很多人直接把位置切换写成“下一时段可以在任意新节点”，这忽略了移动耗时。实际调度中，储能车从节点A移动到节点B，至少要花几个时段，移动期间既不能放电也不能充电。精细一点的做法是构建“路网-时段扩展网络”，把移动路径拆成若干条路段，每条路段消耗固定时段，再用流平衡约束建模。

3.4 配网潮流约束：用DistFlow与SOCP把非线性变成凸问题

配电网的潮流约束不能用输电网常用的牛拉法直接揉进优化模型，计算复杂度和凸性都不理想。这里用DistFlow模型。对每条支路 ( i \to j )：

[ P_j = \sum_{i \to j} (P_{ij} - r_{ij} I_{ij}^2) + P^{load}_j - P^{cut}_j + P^{mess}_j ]

[ Q_j = \sum_{i \to j} (Q_{ij} - x_{ij} I_{ij}^2) + Q^{load}_j - Q^{cut}_j + Q^{mess}_j ]

[ V_j^2 = V_i^2 - 2(r_{ij}P_{ij} + x_{ij}Q_{ij}) + (r_{ij}^2 + x_{ij}^2)I_{ij}^2 ]

再配合支路潮流的欧姆定律 ( P_{ij}^2 + Q_{ij}^2 = V_i^2 I_{ij}^2 )，后者是一个非凸等式，没法直接交给求解器。标准做法是用二阶锥松弛：引入辅助变量 ( v_i = V_i^2 )、( l_{ij} = I_{ij}^2 )，把非凸等式松弛为不等式：

[ \left| [2P_{ij};\ 2Q_{ij};\ v_i - l_{ij}] \right|2 \leq v_i + l{ij} ]

这个形式正好是Gurobi、CPLEX内置支持的二阶锥约束。为什么松弛后不会改变最优解？因为目标函数中电压偏离和网损都是“越紧越有利”的方向，最优点处松弛基本是取等号的，这在绝大多数配电网算例里都被验证过。但注意，仍然需要在求解后做一次基于DistFlow的潮流校验，确认锥松弛误差可以接受。

3.5 为什么要用两阶段而不是单阶段

如果只做故障后的单阶段调度，所有储能的初始位置都在基地站，预布局的时间优势完全丢失。如果只做固定预布局、不做动态调度，储能车故障后就只会守株待兔，遇到故障演化只能干瞪眼。两阶段的价值在于把“今天能定的”和“到时候再定的”分开处理：灾前预警信息更新、储能车驻地和充电计划是今天能定的，故障发生后的移动与功率调度到时候再定。这也是工程里的真实决策逻辑——应急指挥中心永远是分阶段做预案，而不是一次性决定所有细节。

4. Matlab代码架构：从数据表到收敛循环

4.1 目录与模块划分

拿到这个题目后，我的第一反应不是打开Matlab敲代码，而是先把整个工程的目录规划好。复现类项目最怕的就是一个大脚本从头写到尾，改一个参数要全局搜半天。我在实际复现时采用了下面的模块划分：

ieee33_resilience/ ├── main.m % 主程序入口 ├── data/ │ ├── ieee33_bus.m % 节点数据 │ ├── ieee33_branch.m % 支路数据（含联络线） │ └── mess_config.m % 移动储能参数 ├── model/ │ ├── build_distflow.m % DistFlow潮流与SOCP约束 │ ├── build_pre_position.m % 第一阶段预布局模型 │ └── build_dispatch_model.m % 第二阶段动态调度模型 ├── solve/ │ ├── solve_subproblem.m % 子问题求解 │ ├── solve_master.m % 主问题求解 │ └── cg_loop.m % 列与约束生成迭代循环 ├── scen/ │ └── scenario_sample.m % 故障场景生成与聚类 └── result/ ├── analyze_result.m % 结果统计 └── plot_resilience.m % 绘制韧性曲线

这套结构最大的好处是：改储能参数不需要碰潮流模型，换求解器不需要改场景生成，任何一层出问题都能快速定位。我在给A同学讲这个项目时经常强调，代码组织本身就是复现的第一道质量关。

4.2 参数初始化：标幺值换算最容易翻车

IEEE33节点系统本身有明确的基准值，但移动储能参数需要用标幺值换算，这一步是很多人复现时第一道坎。

假设系统基准功率 ( S_B = 10MVA )，基准电压 ( U_B = 12.66kV )，时段长度 ( \Delta t = 1h )。一台600kWh的储能车，能量换算成标幺值要除以10MVA再乘以1小时，得到0.06 p.u.·h；100kW的功率对应0.01 p.u.。这些数字数量级很小，写在代码里容易看错。

我的建议是：在参数文件中保持备用单位和标幺值双份记录，主模型内部统一用标幺值，结果输出时再换算回kW和kWh，避免“单位在哪里丢掉”的经典问题。同时，在数据加载后加一行断言，检查总负荷是否等于3.715MW，这一行断言能拦住一大半数据错位问题。

4.3 核心约束的YALMIP实现片段

Matlab侧我强烈建议用YALMIP做建模层，把求解器细节交给底层，自己专注模型逻辑。以下是DistFlow二阶锥约束的核心片段：

% DistFlow - SOCP约束，T为时段数，nBranch为支路数 constraints = []; for t = 1 : T for bdx = 1 : nBranch f = branch(bdx, 1); % 首端节点 t2 = branch(bdx, 2); % 末端节点 Pij = Pij_t(bdx, t); Qij = Qij_t(bdx, t); vf = v_t(f, t); % v = V^2 l_ij = l_t(bdx, t); % l = I^2 % 二阶锥松弛约束：|| [2P; 2Q; vf-l] || <= vf+l constraints = [constraints, ... cone([2*Pij; 2*Qij; vf - l_ij], vf + l_ij)]; % 电压降落方程 constraints = [constraints, ... v_t(t2, t) == vf - 2*(r(bdx)*Pij + x(bdx)*Qij) ... + (r(bdx)^2 + x(bdx)^2) * l_ij]; end end

YALMIP的cone(y, z)表示满足 ( |y|_2 \leq z ) 的二阶锥约束，写起来很简洁。需要注意cone的第一参数是向量、第二参数是标量，顺序反了会报维度错误。

移动储能SOC与位置约束的代码片段：

% x(k,j,t)：第k台储能在t时段是否位于节点j % Pch(k,t)、Pdis(k,t)：第k台储能t时段的充、放电功率 % soc(k,t)：第k台储能在t时段末的荷电状态 % 位置唯一性：每台储能每时段只能在一个节点 for k = 1 : nMess for t = 1 : T constraints = [constraints, sum(x(k, :, t), 2) == 1]; end end % SOC递推 for k = 1 : nMess for t = 1 : T-1 constraints = [constraints, ... soc(k, t+1) == soc(k, t) ... + eta_ch * Pch(k, t) * dt ... - (1 / eta_dis) * Pdis(k, t) * dt]; end end % 功率上限 constraints = [constraints, 0 <= Pch <= Pmax * ones(nMess, T)]; constraints = [constraints, 0 <= Pdis <= Pmax * ones(nMess, T)];

充放电互斥约束在MILP里用“一台车一个时段最多一个方向有功率”——通过给充放电功率各加一个0-1指示变量，再约束两者和为1实现。这一步如果不加，模型可能同时充电又放电，凭空产生能量，结果完全失真。

4.4 求解器选择与列与约束生成迭代逻辑

这个模型是一个混合整数二阶锥优化问题，规模不小，直接用商业求解器硬解整个两阶段模型基本不可行。我采用的求解框架是列与约束生成算法，也就是C&G。基本流程可以概括为四步：

1. 初始化：给定任意一个初始故障场景，设为当前场景集。
2. 子问题求解：固定第一阶段预布局方案，对所有场景求解动态调度子问题，找到目标值最大的那个场景，也就是当前最恶劣场景。
3. 生成割与列：把最恶劣场景对应的调度变量和约束加入主问题。
4. 主问题求解：在新的场景集下重新求解第一阶段预布局和第二阶段的联合问题，更新下界；如果上下界间隙小于收敛阈值，停止迭代，否则回到第2步。

主问题求解用YALMIP+Gurobi，子问题也一样。Gurobi求解SOCP性能非常稳定，CPLEX也可以。如果手头没有商业求解器，SCIP和CBC能跑但速度会让你崩溃，复现阶段建议优先想办法用商业求解器。

4.5 结果输出的标准化

代码跑通只是第一步，怎么输出结果才决定你能从数据里看出什么。我建议把输出部分统一做成四张图一份表：

• 系统失负荷曲线：横轴时间、纵轴失负荷功率，直观看出故障期间的“谷底”和恢复过程。
• 储能车轨迹图：横轴时间、纵轴节点编号，显示每台储能车的位置演变，核查移动时序是否合理。
• SOC曲线：确认储能车是否在预布局阶段充满、动态调度阶段按预期放电，没有越限。
• 韧性指标汇总表：把总失负荷量、最低电压、关键负荷保障率、求解耗时集中列出，方便对比不同方案。

这一步看似不起眼，实际上决定了你拿到结果后是“觉得合理”还是“只能相信代码”。我见过太多复现项目最后死在结果可视化上——数据算出来了，但画不出能解释问题的图。

5. 复现调试记录：五个容易被论文“隐藏”的坑

5.1 二阶锥松弛的“车库门”问题

第一个坑出在二阶锥约束的电压变量上。如果没有给 ( v_i ) 设置合理上下界，求解器在搜索过程中可能把电压平方 ( v_i ) 压得很低，锥约束被极端松弛，最后得到的“最优值”虽然满足所有约束，却对应一个物理上不存在的电压水平。

处理办法是先给电压加上硬约束：( v_i ) 对应0.9到1.1p.u.电压平方，也就是0.81到1.21。求解完成后，从结果里抽几个典型时段做一次标准DistFlow潮流验证，核对电压和潮流是否匹配。如果锥松弛误差超过1%，就要回头检查是不是目标函数里缺少了对网损或电压的惩罚项，导致松弛没有取等号。

5.2 移动耗时的时段化处理

一次位置切换，到底该消耗多少时间？这是复现里最费心思的地方。如果调度步长是1小时，而储能车在路网上移动一段需要20分钟，那这部分移动时间如何进入1小时为单位的时间轴？

我采用的方案是“路网-时段映射”：先把配电网的节点映射到路网，计算任意两个可连通节点之间的最短路径距离，除以储能车平均移动速度，得到移动分钟数，再换算成重叠的时段数。然后在模型里加一条约束：如果储能车在 ( t ) 时段位于节点A、在 ( t+m ) 时段才位于节点B，那么从 ( t ) 到 ( t+m-1 ) 这些时段内，这台储能车不能提供任何充放电功率。

如果不加这个处理，结果里就会出现“上时段在节点1充电，下时段就在节点30放电”的荒谬场景，而且SOC递推还能自圆其说，特别具有迷惑性。

5.3 惩罚系数量纲错误

目标函数里同时存在储能调度成本、移动成本和切负荷惩罚，三者单位必须完全统一。我第一版代码里切负荷惩罚用了“万元/MWh”，其他成本用了“元/MWh”，结果优化器为了规避几毛钱的微网运行成本，宁可牺牲大量负荷，结果曲线惨不忍睹。

切负荷惩罚的物理意义是“一兆瓦时没供上电，给用户造成多大损失”，这个值是远高于正常售电电价的，通常取几千到上万元/MWh。关键是要和其他成本保持同一货币单位。我在代码里把所有成本都换算成元，切负荷惩罚统一设成8000元/MWh，再按节点重要度加权，这样储能资源的调用顺序才符合直觉：先动储能、再切次要负荷、最后才切关键负荷。

5.4 场景数量与求解时间的平衡

两阶段鲁棒优化天然怕场景爆炸。500个故障场景直接进模型，每个场景背后都是一个混合整数二阶锥子问题，等待时间动辄以小时计。我的处理思路分两步：先用重要性采样和k-means聚类把500个场景压缩到10到20个代表场景，每个场景带一个概率权重；聚类完成后，再单独用原始500个场景做一次事后评估，验证压缩场景上求得方案在完整场景池里仍然表现良好。

求解器参数也要调。MIPGap设到1e-3、输出日志关闭、并行线程设成实际物理核数，这三点加在一起，往往能缩短一半以上求解时间。很多复现版本不收敛，不是模型写错，而是求解器参数太保守，把计算资源全浪费在无谓的MIP分支上。

5.5 支路编号错位：同一个系统，两套支路表

IEEE33节点最大的隐藏陷阱，是“支路表顺序”在不同论文里存在差异。有的文献将联络线放在最后5行，有的文献把联络线混在首端节点编号序列里；更麻烦的是，部分版本中某些支路的两端节点号书写顺序与标准DistFlow表一致，有些却是反的——但这不影响潮流结果，因为潮流本来双向。

可是放到优化模型里，支路方向一旦搞反，二阶锥约束里的电压降落方向就反了，最优解会出现负网损这种荒唐结果。我复现时做了一件很有用的事：在ieee33_branch.m里面写了一个自检函数，把储能全部置零，用标准前推回代潮流算一次节点电压，输出最低电压和总网损，和已知的IEEE33基准结果核对。全部对上之后，才开始跑优化模型。这一步大概花了20分钟，但省下了后面至少两天的排查时间。

6. 结果验证与敏感性分析：韧性指标怎么说话

6.1 韧性指标的量化口径

结果不能只看一个目标函数值。我采用的韧性评估口径有两个：一个是“失负荷面积”，另一个是“关键负荷保障率”。

失负荷面积是把整个事件过程中每个时段的切负荷量累计起来，单位是MWh，表达式就是 ( \sum_t \sum_j P^{cut}_{j,t} \Delta t )。这个指标对应韧性三角形中的“面积损失”，越小说明系统扛住了更多供电需求。关键负荷保障率则是看医院、水厂这类高重要度负荷在整个事件过程中保持供电的比例，切负荷方案会自动优先保证这些节点。

6.2 三组算例对比：没有对比就没有说服力

我跑完模型之后，会把以下三个方案放在同一张表里对比：

这组数字来自我在某模拟项目里的实际复现，不代表所有算例通用，但规律是稳定的：固定储能能抬高低谷，但位置锁死后救不了远端负荷；移动储能两阶段协同方案在失负荷面积上下降明显，关键负荷保障率能拉到九成左右。代价是求解时间变长，毕竟多了一层位置决策。

6.3 故障持续时间与储能容量的敏感性

最后我会做一组敏感性分析：把故障持续时间从4小时逐步拉到12小时，看失负荷面积怎么变化。结论很符合直觉——故障短时，移动储能电量大充裕，效果极其显著；故障拖长到10小时以上，储能SOC耗尽，失负荷面积快速抬升，此时影响结果的不再是位置安排，而是总容量储备。

还有一个值得注意的现象：额外增加第三台200kWh的小型储能车，对4小时短时故障几乎没帮助，因为现有两台车已经够用；但对12小时长时故障改善明显。这说明预布局容量决策不可能凭空拍板，必须结合故障持续时间概率分布做预算。这也是论文里经常安排“MESS数量与容量灵敏度分析”的原因——它不是凑篇幅，而是直接回答工程里“买几台车、买多大”的问题。

把那套代码模块化以后，我又在同一框架里换过PG&E 69节点和孤岛划分场景，核心思路完全不用动，只改数据表和参数配置。这里最深的体会是：复现一篇论文的价值不在于让那个目标函数值跑得更低，而在于你真正拿到了一个可以扩展、可以迁移、可以解释“为什么这样决策”的工具箱。如果你也正在复现这类配电网韧性课题，建议先花半天把数据和潮流基准校验清楚，再动模型，效率会高非常多。