简介：这份资源面向电力系统优化、配电网运行分析方向的研究生、科研人员及工程技术人员，提供基于混合整数二阶锥规划（MISOCP）求解配电网重构问题的完整MATLAB代码。配电网重构通过改变开关状态优化系统指标，可在不增加设备投资的前提下提升配电系统性能，具有较好的经济效益。资源以rar压缩包形式提供，整体约1.31MB，内含完整可运行的MATLAB脚本与配套数据文件，便于读者直接复现MISOCP建模、二阶锥松弛与求解流程，并在此基础上修改网络参数、约束条件或目标函数以适配自身研究场景。目前已有1789人学习下载，适合希望从数学规划角度深入理解配电网重构建模细节、对比启发式与智能优化算法效果的读者参考，也可作为论文复现与课程设计的代码基础。
1. 配电网重构为什么最后都收敛到 MISOCP：一个反直觉的结论
很多人第一次接触配电网重构，直觉上会把它当成一个图论问题：把配电网看成一张图，开关是边，母线是节点，目标是找一棵使网损最小的生成树。这个思路没错，但它只对了一半。真正让工程界头疼的，是"辐射状约束"和"潮流方程"这两件事放在一起之后，问题从组合优化直接掉进了非凸非线性优化的坑里。你可以在脑子里枚举所有开关组合，但一旦节点数上到几十上百，组合数就是天文数字；你也可以用启发式算法去搜，但搜出来的解没有最优性保证，换个负荷场景可能就翻车。
配电网重构（Distribution Network Reconfiguration, DNR）的核心诉求其实很朴素：在满足辐射状运行、电压不越限、线路不超载的前提下，通过改变分段开关和联络开关的开合状态，让全网有功网损最小。问题在于，潮流方程本身是非线性的，而开关状态是 0/1 整数变量，两者耦合在一起，就是一个混合整数非线性规划（MINLP）。这类问题在数学上是 NP-hard 的，直接求解几乎不可能。
那为什么现在越来越多的实现选择把它松弛成混合整数二阶锥规划（MISOCP）？因为配电网有一个非常特殊的物理性质：它的支路电流和节点电压之间的关系，在辐射状结构下可以被二阶锥约束精确地"包"住，而且这个松弛在大多数工况下是紧的——也就是说，松弛后求出来的解，往往就是原问题的全局最优解。这个结论听起来有点玄学，但它背后有严格的数学支撑：DistFlow 潮流模型经过变量替换后，非凸的二次等式约束可以放松成二阶锥不等式，而辐射状拓扑保证了松弛的精确性。
这就是为什么一份基于 MISOCP 的配电网重构 MATLAB 代码值得认真拆解。它不是简单地把问题丢给求解器，而是把"物理模型 → 数学松弛 → 整数建模 → 求解器调用"这条链路完整地走了一遍。搞懂这条链路，你就能理解为什么同样是重构，有人写出来的代码能稳定收敛到全局最优，有人写出来的却经常给出物理上不可行的解。接下来我会从潮流建模开始，一层层拆到源码级的实现细节。
2. DistFlow 潮流模型：为什么非凸约束能被二阶锥"包"住
2.1 从支路功率平衡说起
配电网潮流和输电网潮流最大的区别在于：配电网是辐射状的，而且 R/X 比很大，PQ 分解法在这里根本不适用。工程上最常用的配电网潮流模型是 DistFlow，它把每条支路上的功率流动写成递推形式。对于一条从节点 i 到节点 j 的支路，定义：
- $P_{ij}$、$Q_{ij}$：支路首端流过的有功、无功功率
- $r_{ij}$、$x_{ij}$：支路电阻、电抗
- $I_{ij}$：支路电流幅值的平方（注意是平方，这是关键）
- $v_i$：节点 i 电压幅值的平方
DistFlow 的递推关系可以写成：
$$P_{ij} - r_{ij}I_{ij} - \sum_{k \in \text{child}(j)} P_{jk} = p_j$$ $$Q_{ij} - x_{ij}I_{ij} - \sum_{k \in \text{child}(j)} Q_{jk} = q_j$$ $$v_j = v_i - 2(r_{ij}P_{ij} + x_{ij}Q_{ij}) + (r_{ij}^2 + x_{ij}^2)I_{ij}$$
前两个是节点功率平衡，第三个是电压降方程。注意第三个方程里 $I_{ij}$ 和 $P_{ij}$、$Q_{ij}$ 之间还有一个隐含关系：
$$I_{ij} = \frac{P_{ij}^2 + Q_{ij}^2}{v_i}$$
这个等式就是整个问题的"非凸源头"。它是一个二次等式，把电流、功率、电压三者绑死在一起，导致可行域非凸。如果直接把这个等式丢进求解器，那就是 MINLP，规模稍大就解不动。
2.2 二阶锥松弛到底做了什么
关键的一步来了。把上面那个等式改写成：
$$P_{ij}^2 + Q_{ij}^2 \leq v_i \cdot I_{ij}$$
从等式变成不等式，可行域被"放大"了。这个不等式本身就是一个标准的二阶锥约束（Second-Order Cone），可以写成：
$$\left| \begin{matrix} 2P_{ij} \ 2Q_{ij} \ v_i - I_{ij} \end{matrix} \right|2 \leq v_i + I{ij}$$
这就是二阶锥松弛（SOCP relaxation）的核心。它把原来那个非凸的等式约束，换成了一个凸的锥约束。问题从 MINLP 变成了 MISOCP，而 MISOCP 是有成熟求解器可以处理全局最优的。
那为什么这个松弛是"紧"的？直观理解是这样的：在辐射状配电网中，潮流是单向流动的，没有环流，电压沿着馈线单调下降。这种结构下，最优解不会让 $P_{ij}^2 + Q_{ij}^2$ 严格小于 $v_i I_{ij}$，因为一旦严格小于，就意味着电流被"浪费"了，而网损是电流的增函数，优化目标会自然把解推到锥的边界上。所以松弛后的最优解大概率落在原问题的可行域内，这就是"紧松弛"的物理直觉。
注意：紧松弛不是无条件的。当网络中出现反向潮流、分布式电源渗透率很高、或者电压约束非常紧的时候，松弛可能变松，求出来的解会低估网损。这是 MISOCP 方法最需要警惕的边界条件。
2.3 辐射状约束怎么用整数变量表达
光有潮流约束还不够，配电网必须保持辐射状运行——不能有环，也不能有孤岛。这件事在数学上怎么表达？常见做法是引入两个 0/1 变量：
- $\alpha_{ij}$：支路 ij 上的开关是否闭合（1 表示闭合）
- $\beta_{ij}$：支路 ij 上的功率流动方向（用于辅助建模）
辐射状约束的经典表达方式是：闭合支路数 = 节点数 - 根节点数。也就是说，如果全网有 N 个节点，根节点 1 个，那么闭合的支路必须恰好是 N-1 条。这个约束保证了没有环（环会多一条边），但还不能排除孤岛。排除孤岛需要额外的连通性约束，常见的有单商品流法或者用虚拟流变量来保证每个节点都能从根节点到达。
在 MATLAB 代码里，这部分通常体现为对 $\alpha_{ij}$ 的线性约束：
% 辐射状约束：闭合支路数 = 节点数 - 1 constraints = [constraints, sum(alpha) == num_nodes - 1]; % 连通性约束（单商品流法） % f_ij 为虚拟流变量，每条闭合支路上流过一个单位的虚拟流 for k = 2:num_nodes constraints = [constraints, ... sum(f_in(k,:)) - sum(f_out(k,:)) == 1]; % 每个非根节点消耗 1 单位流 end % 虚拟流只在闭合支路上流动，且容量受 alpha 限制 constraints = [constraints, ... f <= num_nodes * alpha, f >= 0];这段代码的逻辑是：给每个非根节点注入 1 个单位的虚拟流，虚拟流只能沿着闭合支路从根节点流向其他节点。如果某个节点是孤岛，它就收不到虚拟流，约束就会矛盾。这样就把连通性用线性约束表达出来了，不需要引入额外的非线性项。
3. 从数学模型到 MATLAB 代码：YALMIP 建模的取舍
3.1 为什么选 YALMIP 而不是手写求解器接口
MISOCP 问题的求解器有很多选择，比如 Gurobi、CPLEX、MOSEK、SCIP 等。每个求解器的 API 都不一样，如果直接手写接口，代码会变得非常难维护。YALMIP 的价值在于它提供了一层建模抽象：你用接近数学公式的方式写约束和目标函数，YALMIP 负责翻译成求解器能识别的格式。
在配电网重构这个场景里，YALMIP 的优势特别明显。因为二阶锥约束、整数变量、线性约束混在一起，如果手写求解器接口，光是锥约束的矩阵组装就够写几百行。用 YALMIP 的话，锥约束可以直接写成：
% 定义二阶锥约束：||[2P; 2Q; v_i - I]|| <= v_i + I for k = 1:num_branches constraints = [constraints, ... cone([2*P(k); 2*Q(k); v(from(k)) - I(k)], ... v(from(k)) + I(k))]; endcone函数是 YALMIP 提供的二阶锥建模工具，第一个参数是锥的向量部分，第二个参数是标量部分。这样写出来的代码和数学公式几乎一一对应，可读性极高。
3.2 目标函数和变量声明
目标函数是全网有功网损最小，用 DistFlow 变量表达就是：
$$\min \sum_{ij} r_{ij} I_{ij}$$
注意这里用的是 $I_{ij}$（电流平方），而不是电流本身。因为网损是 $I^2 R$，而 $I_{ij}$ 已经定义为电流的平方，所以目标函数是线性的。这是 DistFlow 建模的一个巧妙之处：通过变量替换，把非线性的网损目标变成了线性目标。
在 MATLAB 里，变量声明大概长这样：
% 声明优化变量 P = sdpvar(num_branches, 1); % 支路有功 Q = sdpvar(num_branches, 1); % 支路无功 I = sdpvar(num_branches, 1); % 支路电流平方 v = sdpvar(num_nodes, 1); % 节点电压平方 alpha = binvar(num_branches, 1); % 开关状态（0/1） % 目标函数：网损最小 objective = sum(r .* I); % 求解器配置 ops = sdpsettings('solver', 'gurobi', 'verbose', 1); diagnostics = optimize(constraints, objective, ops);sdpvar声明连续变量，binvar声明 0/1 变量。optimize是 YALMIP 的统一求解入口，ops里可以指定求解器和输出详细程度。这里选 Gurobi 是因为它对 MISOCP 的支持比较成熟，但换成 MOSEK 或 CPLEX 也基本不用改代码，这就是建模层抽象带来的好处。
3.3 开关状态和潮流变量的耦合
有一个细节容易被忽略：当某条支路的开关断开时（$\alpha_{ij} = 0$），这条支路上的潮流必须为 0。这个耦合关系需要用 Big-M 法或者指示约束来表达：
% 开关断开时，支路功率和电流必须为 0 M = 1e4; % 足够大的常数 constraints = [constraints, ... P <= M * alpha, P >= -M * alpha, ... Q <= M * alpha, Q >= -M * alpha, ... I <= M * alpha, I >= 0];Big-M 的取值是个技术活。取太小，可能把可行解误杀掉；取太大，数值稳定性会变差，求解器容易报数值错误。常见的做法是根据线路容量和负荷水平估算一个合理的上界，而不是随便填一个 1e6。我一般会先用一次无开关优化的潮流计算，看看最大支路功率是多少，然后取它的 2 到 3 倍作为 M。
提示：如果求解器报 "numerical trouble" 或者解出来的 alpha 出现小数（理论上应该是 0/1），大概率是 Big-M 太大了。先把 M 调小一个数量级试试。
4. 求解器行为与数值稳定性：那些文档不会告诉你的坑
4.1 为什么松弛解有时候不物理
前面说过，二阶锥松弛在辐射状配电网中通常是紧的，但"通常"不等于"总是"。当出现以下情况时，松弛会变松：
第一种是分布式电源（DG）渗透率很高。DG 会向电网反送功率，导致支路潮流方向不再单一，电压沿馈线的单调性被破坏。这时候锥约束可能不在边界上取等号，求出来的 $I_{ij}$ 会小于实际值，网损被低估。
第二种是电压约束卡得很紧。如果优化问题的最优解本来就在电压下限附近，松弛后的可行域扩大可能导致求解器找到一个"虚假"的更优解，这个解在原问题里其实不满足电压约束。
第三种是网络中存在环网运行的可能。虽然辐射状约束理论上排除了环，但如果连通性约束建模不严谨，求解器可能找到一个"几乎成环"的解，这时候松弛的紧性就不成立了。
判断松弛是否紧的方法很直接：求解完成后，检查每个支路的 $P_{ij}^2 + Q_{ij}^2$ 和 $v_i I_{ij}$ 之间的差距。如果差距都在数值误差范围内（比如 1e-6），说明松弛是紧的；如果某些支路差距明显，那就要警惕了。
% 检查松弛紧性 gap = value(P).^2 + value(Q).^2 - value(v(from)) .* value(I); max_gap = max(abs(gap)); if max_gap > 1e-4 warning('松弛不紧，最大间隙为 %e，解可能不物理', max_gap); end这段检查应该成为每次求解后的标准动作。很多论文里的算例之所以能收敛到全局最优，是因为他们的测试系统恰好满足紧松弛条件，换一个系统就不一定了。
4.2 整数变量的处理与求解时间
MISOCP 的求解时间主要花在分支定界上。整数变量越多，分支定界的树就越大，求解时间指数级增长。配电网重构里，每条支路都有一个 0/1 变量，如果系统有 100 条支路，那就是 100 个整数变量，求解时间可能从几秒涨到几分钟甚至更长。
加速的手段有几个。一是利用辐射状约束减少有效整数变量：闭合支路数固定为 N-1，这意味着大量变量其实是冗余的，可以在预处理阶段固定一些必然闭合的支路（比如根节点附近的支路）。二是设置合理的求解器参数，比如 Gurobi 的 MIPGap 可以适当放宽，从默认的 1e-4 放到 1e-3，求解时间能降不少，而解的质量差别通常很小。三是用热启动，先解一个松弛问题（把 alpha 放松成连续变量），把得到的解作为初始点传给整数求解。
% Gurobi 参数设置 ops = sdpsettings('solver', 'gurobi', 'verbose', 1); ops.gurobi.MIPGap = 1e-3; % 相对间隙容忍度 ops.gurobi.TimeLimit = 300; % 时间上限（秒） ops.gurobi.MIPFocus = 1; % 优先找可行解MIPFocus设为 1 表示求解器优先寻找可行解而不是证明最优性，这在工程场景里很实用——你往往不需要证明这就是全局最优，只需要一个足够好的可行解。
4.3 数值尺度问题
配电网的物理量尺度差异很大：电压是 kV 级别，功率是 MW 级别，电流平方可能是几十甚至几百，而电阻可能是零点几欧姆。这种尺度差异会让求解器的数值稳定性变差。常见的做法是做标幺化（per-unit），把所有量都转换到同一个基准下。
标幺化的另一个好处是 Big-M 的取值更容易合理化。标幺化之后，电压在 1.0 附近，功率在 0 到几之间，电流平方也不会太大，Big-M 取个 10 左右就够了，数值稳定性大幅提升。
5. 避坑与排查：配电网重构 MISOCP 的常见翻车现场
5.1 求解器报 infeasible，但物理上明明有解
现象：求解器返回 infeasible，但你知道这个配电网肯定存在至少一个辐射状运行方式。
原因：最常见的是连通性约束写错了。单商品流法里，虚拟流的容量约束如果设得太小，或者根节点的注入流没有正确设置，就会导致可行域被误杀。另一个常见原因是电压约束和功率约束互相矛盾，比如负荷太重，无论如何重构都满足不了电压下限。
解决：先把所有开关强制闭合，解一个纯潮流问题，看看电压和功率是否越限。如果越限，说明是参数问题不是模型问题。然后逐步放松约束，定位到底是哪个约束导致的 infeasible。YALMIP 提供了optimize的diagnostics输出，可以看到求解器的具体报错信息。
5.2 解出来的开关状态有小数
现象：alpha的值不是 0 或 1，而是 0.3、0.7 这种小数。
原因：这通常意味着求解器没有把整数约束当回事，或者 Big-M 太大导致数值松弛。也有可能是求解器在时间限制内没找到整数可行解，返回了松弛解。
解决：检查binvar是否正确声明，检查 Big-M 是否过大，检查求解器是否支持 MISOCP（有些求解器只支持 SOCP 不支持整数）。如果时间限制太紧，适当放宽TimeLimit。
5.3 网损结果比初始状态还大
现象：优化后的网损比不重构还高。
原因：这几乎总是松弛不紧导致的。求解器找到了一个松弛问题的最优解，但这个解在原问题里不可行，对应的实际网损反而更大。
解决：检查松弛紧性（前面那段代码），如果 gap 太大，考虑增加割平面约束或者改用更紧的建模方式。另一个可能是目标函数写错了，比如把 $I_{ij}$ 当成了电流而不是电流平方。
5.4 求解时间过长，跑一晚上没结果
现象：小系统几秒就出结果，大系统跑几个小时还在分支定界。
原因：整数变量太多，或者求解器参数没调好。
解决：先做变量预处理，固定那些必然闭合的支路。然后设置MIPGap和TimeLimit，接受一个次优解。如果还是太慢，考虑把问题分解：先用启发式算法找一个好的初始解，再用 MISOCP 做局部优化。
5.5 换一个负荷场景就求解失败
现象：在场景 A 下能解，换到场景 B 就 infeasible 或者松弛不紧。
原因：MISOCP 的紧松弛性质依赖于具体的运行工况。负荷水平、DG 出力、网络拓扑的变化都可能破坏紧性。
解决：不要假设松弛总是紧的。每次求解后都检查紧性 gap，如果 gap 大，要么调整模型（加割平面），要么换方法（比如用凸包松弛或者半定松弛）。工程上更务实的做法是：把 MISOCP 解作为一个高质量的初始解，再用局部搜索做微调，保证最终解的物理可行性。
6. 松弛紧性与工程可用性之间的取舍
写到这里，MISOCP 配电网重构的整条链路已经比较清楚了：DistFlow 建模把物理问题写成递推方程，二阶锥松弛把非凸约束凸化，整数变量表达开关状态，YALMIP 做建模抽象，求解器做分支定界。每一步都有它的道理，但每一步也都有它的边界。
最核心的取舍在于：二阶锥松弛的紧性是有条件的，而这个条件在工程现场往往不满足。学术论文里的算例通常是精心挑选的，负荷水平适中、DG 渗透率不高、网络结构规整，这时候松弛紧性很好，MISOCP 能给出全局最优解。但真实的配电网是什么样？负荷波动大、DG 随机出力、三相不平衡、线路参数不准确，这些因素都会让松弛变松。
那是不是说 MISOCP 方法在工程上没用？恰恰相反。它的价值不在于"永远给出全局最优解"，而在于它提供了一个有理论保证的下界。即使松弛不紧，MISOCP 求出来的目标函数值也是原问题最优值的一个下界。这个下界可以用来评估启发式算法的解有多接近最优——如果启发式解的目标值是 100，MISOCP 下界是 95，那你知道启发式解最多还有 5% 的改进空间，这个信息在工程决策里非常有价值。
另一个务实的用法是把 MISOCP 和局部搜索结合起来。先用 MISOCP 求一个解，不管它是否紧，然后把这个解对应的开关状态作为初始拓扑，用局部搜索在邻域里找更好的可行解。这样既利用了 MISOCP 的全局视野，又用局部搜索保证了物理可行性。我一般会这么理解：MISOCP 负责"看得远"，局部搜索负责"走得稳"，两者互补。
验证松弛紧性的方法也值得再强调一遍。不要只看求解器返回的 "optimal" 状态，那个状态只说明松弛问题最优，不代表原问题最优。每次求解后强制走一遍紧性检查，把每个支路的 $P^2 + Q^2$ 和 $vI$ 的差距算出来，看看最大值是多少。如果最大值在 1e-6 量级，可以放心用；如果在 1e-3 以上，就要警惕了，最好用潮流计算验证一下解的实际可行性。
还有一个容易被忽略的点是参数的不确定性。配电网的线路参数、负荷预测都有误差，MISOCP 求出来的"最优"解在这些误差下可能就不是最优了，甚至可能越限。工程上更稳妥的做法是做鲁棒优化或者场景分析：在多个可能的参数场景下分别求解，找一个在所有场景下都表现不错的拓扑。这会增加计算量，但换来的是工程可靠性。
从那以后我每次拿到一份配电网重构的优化结果，都会强制走一遍"紧性检查 → 潮流验证 → 场景扫描"这三步，不管求解器报的是不是 optimal。这个习惯帮我避开了不少"数学上最优、物理上翻车"的坑。希望这份拆解能帮到你，如果你想把这条链路真正跑一遍，代码里的建模细节和求解器配置值得逐行读一遍，尤其是紧性检查那段，建议直接拿来当模板用。
本文还有配套的精品资源，点击获取
