企业官网建设流程全解析

前阵子帮几个做配电网规划的朋友审程序，发现一个很有意思的现象：很多人一提到分布式电源优化配置，第一反应就是上智能算法——粒子群、遗传算法轮番上，把网损、电压、成本全塞进适应度函数里，跑个几千代碰运气。倒不是说启发式算法没用，而是这个问题的数学结构，明明可以写得非常干净：潮流约束经过二阶锥松弛之后，配上 MATLAB+YALMIP 建模，用 CPLEX 或 Gurobi 这种商业求解器，几十秒内就能拿到带最优性证明的解。分布式电源优化配置 + 二阶锥 + 编程方法这套组合，正是目前配电网规划论文和工程可研里最主流、也最值得掌握的技术路线。

这篇文章就从一个实际可跑的算例出发，把完整链路走一遍：为什么要用二阶锥、DistFlow 潮流方程怎么一步步松弛成锥约束、MATLAB+YALMIP 里怎么写、CPLEX/Gurobi 怎么调，以及我在这条路上踩过的坑。无论你是刚接触配电网优化的研究生，还是被智能算法坑过、想换个严谨求解方案的工程师，这篇文章应该都能让你少走不少弯路。

1. 为什么分布式电源优化配置会写成二阶锥

1.1 分布式电源配置到底在优化什么

分布式电源优化配置，通俗说就是回答两个问题：分布式电源装在哪里，装多大。这里面既可能包含光伏、风电这类间歇性电源，也可能包含燃气轮机、储能等可调度资源。配好了，可以降低网损、改善电压分布、延缓配电网扩容；配得不好，轻则网损不变甚至上升，重则引起节点电压越限、线路过载、逆潮流倒送等一堆麻烦。

一个完整的优化配置模型，目标函数常见的做法是这几种：

• 年综合费用最小，包含 DG 投资成本、运行维护成本、网损费用，有时还加上购电费用；
• 系统有功网损最小；
• 节点电压偏差最小；
• 或以上多个目标的加权组合。

约束条件则至少包含潮流约束、节点电压上下限约束、支路电流上限约束、DG 安装容量上限约束。如果还考虑了 DG 的选址问题，那就会引入 0-1 整数变量——某个节点建不建 DG——模型就会从纯连续优化升级为混合整数优化。

我在这篇文章里，主线采用"网损最小"作为目标，同时把"DG 是否安装"这个 0-1 决策放进去。这样既能让读者理解 SOCP 松弛的核心，又能完整演示混合整数二阶锥规划（MISOCP）在 YALMIP 里的写法。等你掌握了这个框架，想换成年综合费用目标，或者加时序场景，都是改目标函数和约束集的问题，不用推翻重来。

1.2 潮流约束的非凸性让求解变得尴尬

很多人一开始会想：既然要做规划，那我直接用牛顿-拉夫逊法求解交流潮流，再套一层粒子群、遗传算法去搜 DG 位置和容量不就行了？

这个思路没有错，但问题在于非线性的交流潮流方程是非凸的。非凸意味着什么？意味着整个可行域可能有大量局部极值点，启发式算法只能保证"找到一个可行解"，无法证明这个解离全局最优有多远。运气好的时候找到的解挺漂亮，运气不好就只能在论文里画一张收敛曲线自我安慰。更麻烦的是，外层智能算法每评估一个粒子都要跑一次完整潮流，算 33 节点可能还行，一旦扩展到 100+ 节点、多场景、多时段，计算量会迅速爆炸。

而二阶锥规划（SOCP）不一样。SOCP 是一种特殊的凸优化问题，可行域是凸的，局部最优就是全局最优。再加上 CPLEX、Gurobi 这类商业求解器采用分支定界法处理整数变量，配合线性松弛，可以在有限时间内给出"全局最优解"，并附带最优性间隙（MIP Gap）。在工程可研里，你能给业主一个"这个解离最优解偏差不超过 0.1%"的量化保证，这比启发式算法的一句"算法收敛到最优"要硬气得多。

1.3 为什么偏偏是二阶锥，而不是线性规划

既然凸优化这么好，那直接用线性规划（LP）简化潮流不更省事？这就要看你要什么精度的潮流模型了。

线性化的潮流模型（比如忽略网损的 DistFlow 线性形式）处理规划问题非常快，但它把网损项直接丢掉了——而你优化目标恰恰就是网损，这会陷入一个逻辑矛盾：你想降低的东西，在你的模型里根本不存在。此外线性潮流在电压偏差较大、DG 渗透率较高时，误差会明显变大。

二阶锥的好处在于：它保留了潮流方程里最关键的非线性项 ——有功无功的平方项 —— 但不让这个非线性项破坏凸性。它是"精确性"和"可解性"之间一个非常合适的平衡点。对于辐射状配电网，DistFlow 潮流方程经过变量替换和凸松弛后，可以严格转换成二阶锥形式。在绝大部分实际场景下，这个松弛是精确的，也就是解出来的结果和原交流潮流模型几乎等价。这一点在后面的推导里你会看得很清楚。

这里顺手整理了一个求解器的对比，方便大家做技术选型：

如果模型里没有 0-1 整数变量，那么免费的 ECOS、SCS 完全可以跑完连续 SOCP；一旦加入"节点装不装 DG"这种选址变量，就变成 MISOCP，还是老老实实上 Gurobi 或 CPLEX 吧。

2. DistFlow 潮流方程的凸松弛推导

2.1 先认识 DistFlow：辐射网的潮流专用方程

要做配电网优化，一般不用交流潮流的一般形式（节点导纳矩阵那个），而是用DistFlow 支路潮流方程。它的核心假设很贴合配电网：辐射状结构，根节点是变电站，潮流逐级向外流动，忽略支路对地电容，并把电压相角的影响用较小的误差换掉。

对每条支路i -> j，DistFlow 用四个变量描述潮流：

• P_ij：从节点 i 流向节点 j 的有功功率（支路首端功率）
• Q_ij：从节点 i 流向节点 j 的无功功率
• U_i：节点 i 的电压幅值平方，即U_i = V_i^2
• L_ij：支路 ij 的电流幅值平方，即L_ij = I_ij^2

标准 DistFlow 方程组如下：

P_ij - r_ij * L_ij = sum(P_jk) + P_load_j - P_DG_j Q_ij - x_ij * L_ij = sum(Q_jk) + Q_load_j - Q_DG_j U_j = U_i - 2 * ( r_ij * P_ij + x_ij * Q_ij ) + ( r_ij^2 + x_ij^2 ) * L_ij

其中r_ij、x_ij是支路电阻和电抗，sum(P_jk)表示从节点 j 流向它所有子节点的有功之和。第一个方程是节点有功平衡，第二个是节点无功平衡，第三个是电压降落方程。这三条都是线性的，所以 DistFlow 的非线性只来自最后一个变量关系。

2.2 DistFlow 唯一的非线性项，来自电流的定义

交流电路里电流、功率和电压还有一层天然约束：

I_ij^2 = ( P_ij^2 + Q_ij^2 ) / V_i^2

用我们定义的变量替换，就是：

L_ij = ( P_ij^2 + Q_ij^2 ) / U_i

这是一个等式约束，而且P^2 + Q^2除U的形式是一个非凸约束。问题就出在这里。如果直接把这个约束丢给求解器，整个模型就回到非凸非线性规划的老路上，无法保证全局最优。

二阶锥松弛的做法，就是把这个等式约束放宽成不等式：

L_ij >= ( P_ij^2 + Q_ij^2 ) / U_i

注意这个放宽的方向是精心选择的：原本"等于"，现在允许"大于等于"。也就是说，模型允许电流幅值平方比实际需要的功率/电压比值更大。听起来像是放水，但关键在于，目标函数是网损最小，网损和 L 直接成正比，所以优化器会本能地把 L 压到最小。只要没有其他约束拦着，最优解里的 L 就会贴在不等式边界上，也就是取等号。于是松弛问题和原问题在最优解处等价。

2.3 把不等式写成一目了然的二阶锥标准式

L >= (P^2 + Q^2) / U虽然直观，但要直接进入求解器，最好写成一阶形式的标准二阶锥约束。整理一下：

L * U >= P^2 + Q^2

这个式子两边一乘，看起来仍然不是锥。标准二阶锥的形式是|| [x; y] ||_2 <= z。对上面的约束做一个恒等变形：

4 * ( P^2 + Q^2 ) + (U - L)^2 <= (U + L)^2

展开化简就能得到：

|| [ 2P ; 2Q ; U - L ] ||_2 <= U + L

这才是 YALMIP 里可以直接用的标准形式。如果你用cone()函数，写出来就是：

cone([2*P; 2*Q; U_fb - L], U_fb + L)

cone()在 YALMIP 里定义的是norm(x, 2) <= y，其中第一个参数是列向量，第二个参数是标量。这一句就完整表达了两条支路潮流约束的组合关系，非常干净。

到这里，DistFlow 的四条方程里三条是线性的，最后一条被松弛成了二阶锥约束。整个配电网潮流模型就变成了一个凸的 SOCP 模型。如果再加上 DG 选址的 0-1 变量，就是 MISOCP。

2.4 完整数学模型长什么样

把上面推导的方程拼起来，得到一个可用于编程的完整模型。我用最常用的网损最小目标来展示：

目标函数：

min J = sum( r_ij * L_ij )

考虑投资成本时，可以直接在后面加一项alpha * sum(C_dg_i * S_dg_i)，其中 alpha 是网损费用和投资费用的权重系数。

约束条件：

给变量符号做个统一约定，编程时就不会乱：

3. MATLAB + YALMIP + CPLEX/Gurobi 的工程落地

3.1 环境版本和安装避坑

先说版本。理论上 MATLAB R2019b 及以上都可以，YALMIP 目前仍在活跃更新，直接在yalmip.github.io下载最新压缩包，解压后addpath(genpath('yalmip文件夹'))，再savepath保存路径即可。这种直接从官网拉源码的方式，比很多来路不明的网盘资源靠谱得多。

求解器的安装是大多数人卡壳的地方。Gurobi 相对省心：安装 Gurobi 后，在 MATLAB 里运行 Gurobi 安装目录下自带的gurobi_setup.m，把接口加到 MATLAB 路径，然后yalmiptest就能检测到。CPLEX 则需要 IBM 的安装包，并配好对应 MATLAB 版本的接口。很多老版本 CPLEX 的 mex 文件会因为 MATLAB 版本升级而失效，这时要么换新版 CPLEX，要么在 MATLAB 当前版本的支持矩阵里找对应接口。我个人的建议是：如果新项目没有历史包袱，优先选 Gurobi；如果是和已有 CPLEX 论文代码对比，才用 CPLEX。两者的 MISOCP 求解能力都在第一梯队，但 Gurobi 的授权和安装流程对 MATLAB 用户更友好。

有个容易被忽略的点：如果没有商业求解器授权，可以在 YALMIP 里先用sdpsettings('solver','ecos')或solver','scs'跑连续 SOCP 问题练手。ECOS/SCS 都是免费开源求解器，而且 YALMIP 内置了接口配置文件，路径都不需要自己配。但一旦模型带整数变量，免费求解器能处理的规模和数据稳定性都很有限，还是要回到商业求解器上来。

3.2 算例数据准备：IEEE 33 节点系统和标幺化

我用的是电力系统优化里最常见、也最轻量的IEEE 33 节点辐射状配电网。如果你电脑里有 MATPOWER，可以直接加载它自带的case33bw数据：

mpc = loadcase('case33bw'); baseMVA = mpc.baseMVA; % 基准功率，一般 10 MVA bus = mpc.bus; branch = mpc.branch;

这里有一个非常重要的细节：MATPOWER 的 branch 数据里，电阻电抗单位是欧姆，不是标幺值。节点电压倒是已经给了标幺值形式，所以潮流计算里电压直接可以用，但阻抗必须做标幺化换算：

% 基准阻抗 V_base_kV = bus(1, 11); % 基准电压，case33bw 里是 12.66 kV Z_base = V_base_kV^2 / baseMVA; % Z_base = 12.66^2 / 10 ≈ 16.03 欧姆 r_pu = branch(:, 3) / Z_base; % 支路电阻标幺值 x_pu = branch(:, 4) / Z_base; % 支路电抗标幺值 P_load = bus(:, 3) / baseMVA; % 有功负荷标幺值 Q_load = bus(:, 4) / baseMVA; % 无功负荷标幺值

很多新手把欧姆值直接当期"pu"用，算出来的电压曲线平得诡异，网损也小得离谱，基本就是这个原因。之前我帮人排查一个模型，解出来网损只有 0.0002 pu，明显量级不对，一查就是阻抗没除基准值。

在写模型之前，统计一下基本数据：

n = size(bus, 1); % 33 个节点 nbr = size(branch, 1); % 32 条支路 S_max = 0.2; % 单节点 DG 最大容量，2 MW / 10MVA = 0.2 pu pf = 0.9; % DG 功率因数

另外，对于 33 节点系统，case33bw的支路顺序基本上就是按"父节点 -> 子节点"排列的，大部分支路满足branch(k,1) < branch(k,2)，可以直接用。如果不放心，可以用 BFS 从根节点 1 出发理顺拓扑。这里为了代码简洁，我直接按 MATPOWER 数据方向的常规假设来用。

3.3 YALMIP 核心建模代码逐段拆解

下面这段就是整个 MISOCP 模型的核心。我把每个 block 拆开讲。

第一步：定义决策变量。

U = sdpvar(n, 1); % 节点电压幅值平方 L = sdpvar(nbr, 1); % 支路电流幅值平方 P = sdpvar(nbr, 1); % 支路有功潮流 Q = sdpvar(nbr, 1); % 支路无功潮流 P_DG = sdpvar(n, 1); % DG 有功注入 Q_DG = sdpvar(n, 1); % DG 无功注入 S_DG = sdpvar(n, 1); % DG 配置容量 X = binvar(n, 1); % 选址变量，1 表示该节点安装 DG

如果只做定容不做选址，就把X删掉，S_DG的上限直接用常数S_max卡住。完整版里加上X，展示的是更通用的选址定容模型。

第二步：写约束集合。

C = []; % 电压上下限，根节点电压固定为 1 pu C = [C, 0.95^2 <= U <= 1.05^2]; C = [C, U(1) == 1]; % DG 出力约束 for i = 1:n C = [C, 0 <= P_DG(i) <= S_DG(i)]; % 有功不超过容量 C = [C, Q_DG(i) <= P_DG(i) * tan(acos(pf))]; % 功率因数约束 C = [C, Q_DG(i) >= - P_DG(i) * tan(acos(pf))]; % 考虑容性/感性调节 C = [C, 0 <= S_DG(i) <= S_max * X(i)]; % 容量与选址变量的耦合 end % 可选：DG 总容量约束 % C = [C, sum(S_DG) <= S_total_max];

这里S_DG(i) <= S_max * X(i)是选址和定容的关键耦合约束。如果X(i)=0，容量只能为 0；如果X(i)=1，容量放宽到上限。这种写法在 MISOCP 里非常常见，本质是一个大 M 约束，只不过把S_max当成了 M。

第三步：写支路潮流约束。

for k = 1:nbr fb = branch(k, 1); % 父节点 tb = branch(k, 2); % 子节点 rk = r_pu(k); xk = x_pu(k); % 二阶锥约束，对应 L >= (P^2 + Q^2) / U C = [C, cone([2*P(k); 2*Q(k); U(fb) - L(k)], U(fb) + L(k))]; % 电压降落方程 C = [C, U(tb) == U(fb) - 2*(rk*P(k) + xk*Q(k)) + (rk^2 + xk^2)*L(k)]; end

这一段是整个模型的精髓。cone()的第一参数是[2P; 2Q; U_fb - L]，第二参数是U_fb + L。YALMIP 看到这种结构，会自动识别为二阶锥约束，传给 Gurobi/CPLEX 时也走对应的圆锥接口，速度会快很多。

第四步：节点功率平衡约束。

对于辐射网，每个非根节点只有一个父支路。我用一个parentbr数组记录每个节点的父支路编号，children存每个节点的子支路编号，然后逐节点写功率平衡：

% 计算父子关系 parentbr = zeros(n, 1); children = cell(n, 1); for k = 1:nbr fb = branch(k, 1); tb = branch(k, 2); parentbr(tb) = k; children{fb}(end+1) = k; end % 节点功率平衡 for j = 2:n % 根节点 1 是松弛节点，跳过 kp = parentbr(j); % 父支路编号 rk = r_pu(kp); xk = x_pu(kp); % 流出有功 = 该节点所有子支路首端功率之和 outP = 0; outQ = 0; for kc = children{j} outP = outP + P(kc); outQ = outQ + Q(kc); end % 有功平衡：上游注入减去损耗 + DG - 负荷 = 下游流出 C = [C, P(kp) - rk*L(kp) + P_DG(j) - P_load(j) == outP]; % 无功平衡 C = [C, Q(kp) - xk*L(kp) + Q_DG(j) - Q_load(j) == outQ]; end

这里P(kp) - rk*L(kp)是父支路送达到节点 j 的功率，这个写法扣除了支路损耗，是精确版 DistFlow。很多文献里为了简化会省掉损耗项，对于辐射网 33 节点这种阻抗不大、网损小的问题影响不大，但既然模型里已经引入了 L，顺手把损耗扣掉并不增加复杂度，反而让结果更严谨。

第五步：目标函数和求解设置。

% 目标函数：网络有功损耗最小 J = sum(r_pu .* L); % 求解设置 ops = sdpsettings('solver', 'gurobi', 'verbose', 1, 'gurobi.MIPGap', 1e-3); % 如果用 CPLEX，则： % ops = sdpsettings('solver', 'cplex', 'verbose', 1, 'cplex.mip.tolerances.mipgap', 1e-3); % 求解 result = optimize(C, J, ops);

optimize返回后，result.problem等于 0 表示成功求解，非 0 需要查yalmiperror(result.problem)看具体错误。这是 YALMIP 里最基本也最常被忽略的检查步骤。

3.4 求解器的参数设置细节

在 YALMIP 里设置求解器参数，格式是'求解器名.参数名'。Gurobi 的 MIPGap 在 YALMIP 里的字段名是gurobi.MIPGap，而 CPLEX 是cplex.mip.tolerances.mipgap，两家命名风格差异很大，切换求解器时特别容易搞混。

几个我常用的参数组合：

ops = sdpsettings(... 'solver', 'gurobi', ... 'verbose', 1, ... 'gurobi.MIPGap', 1e-3, ... 'gurobi.TimeLimit', 300, ... 'gurobi.NumericFocus', 1); % 数值稳定性优先

• MIPGap：1e-3 表示当整数解的gap小于 0.1% 时停止，足够工程使用。想要更精确可以设 1e-4，代价是求解时间变长。
• TimeLimit：超过 300 秒强制返回当前最优整数解。规划问题不需要像运行调度那样抢时间，但卡住不动时有一个兜底总比干等强。
• NumericFocus：Gurobi 的数值病态开关，模型里面如果存在数量级相差很大的系数，建议打开。

如果你用的是连续 SOCP（没有X变量），Gurobi 会直接走连续二阶锥算法，不需要设 MIPGap，求解速度通常在几秒以内。加了 0-1 分支之后，求解时间取决于候选节点数量。33 节点如果允许全节点安装，33 个 0-1 变量分支起来也不会太慢；但到 100+ 节点时，就要往下文说的提速技巧上靠了。

4. 结果校验与几个真正有用的工程技巧

4.1 松弛间隙检查：验证"松弛是紧的"

二阶锥松弛的数学优雅是一回事，工程上能不能信是另一回事。跑完模型，第一件事不是画图，而是检查每条支路的松弛间隙。你要确认松弛不等式在最优解处基本都是取等号的，否则模型和原问题就不等价了。

计算方法很简单。对每条支路：

gap = L_opt - (P_opt.^2 + Q_opt.^2) ./ U_parent_opt;

其中U_parent_opt = U_opt(branch(:,1))。如果这个 gap 相对L_opt的比例在 1e-3 量级甚至更小，松弛就是紧的，结果可信。如果某个支路 gap 很大，说明该支路电流被约束拉离了物理下限，可能出现电压越限约束卡得太紧、或者网损目标被其他权重项干扰的情况。

我在实际跑 33 节点案例时，通常所有支路的相对间隙都能低于 1e-8，这已经很接近数值精度极限了。如果你的模型出现较大间隙，先别急着信结果，回头检查一下是不是电压上限约束设得过窄，或者目标函数里额外加的投资项权重过大。

4.2 电压分布：模型结果到底改变了什么

求解完成后，把电压结果取出来开方，就得到每个节点的电压幅值标幺值：

U_opt = value(U); V_opt = sqrt(U_opt);

对比一下两种场景：一是电网不装 DG 的基准潮流电压，二是优化配置 DG 后的电压。你会看到 DG 接入点附近电压有明显抬升。如果某些节点电压抬到了 1.05 附近，说明 DG 容量已经接近该节点的承载上限。这个信息比网损数字更有工程意义，因为配电网规划中电压越限往往是比网损更"硬"的约束——你不可能为了省电费让用户电压超标。

顺手提一句，如果模型里设置了Q_DG的无功调节能力，电压改善效果会比纯有功注入更明显。逆变器型的 DG 完全可以利用无功调节来抑制过电压，这也是分布式电源优化配置里值得深入研究的方向。

4.3 算得快和算得准的几个思路

求解速度问题在 MISOCP 里非常现实。我自己的经验是，以下几招最有效：

• 限制候选节点。工程上不是每个节点都适合装 DG，比如只有末端负荷重、电压偏低的节点才真正需要 DG 支撑。把候选节点从 33 个缩到 5~10 个，整数变量数量直接降一个量级，求解时间可以缩短 10 倍以上。
• 先跑连续松弛，再分支定界。把X变量的整数约束释放成0 <= X <= 1，先解一个连续 SOCP，然后把结果作为整数搜索的热启动值。YALMIP 里可以用assign()和initialized参数把初始解喂给求解器，能显著减少分支数。
• 放宽 MIPGap。工程方案对比阶段，MIPGap 设 1e-2 完全够用；只有最终方案才需要收紧到 1e-3 或 1e-4。
• 统一数量级。这个问题我在项目里反复遇到。如果你把基准功率设为 10 MVA，负荷和 DG 都在 0.01~0.2 pu 之间，电压约束在 1 附近，支路阻抗在 1e-3 量级，这种数量级对求解器非常友好。反过来，如果谁用了瓦特、欧姆、伏特做单位，数值差几十万倍，求解器的线性松弛和数值分解都会出奇奇怪怪的问题。
• 删除冗余变量。不要在模型里定义永远用不到的P_DG、Q_DG的全节点变量。虽然稀疏技术能处理，但约束数量多了会让预求解阶段变慢，也容易埋数值隐患。

这里要给一个小提示：连续 SOCP 和 MISOCP 的求解时间差异是天壤之别。如果模型里不需要干选址，就不要轻易引入 0-1 变量；但如果你要说服业主/导师这个节点该不该投资，那 0-1 变量又是不可或缺的。所以建模之前先想清楚，你要的是"容量优化"还是"选址定容"，这会直接决定模型复杂度和求解策略。

5. 我踩过的坑和这套模型的扩展方向

5.1 三个能让你少加班的坑

第一个坑：把欧姆当标幺用。这个前面已经提过，但我还是想再敲一遍黑板。配电网优化里所有参数必须统一成 pu 值才能进求解器。电压幅值平方 U 默认基准是 1 pu，带进去的电压约束是 0.9025~1.1025（0.95^2 和 1.05^2），如果忘了平方，电压就会约束错位。见到电压曲线全部顶在上限附近的，先查电压约束写的到底是不是平方值。

第二个坑：YALMIP 版本太老导致 cone() 识别异常。老版本 YALMIP 对锥约束的预处理能力有限，某些情况下会直接把锥约束展开成大量线性约束，白白牺牲性能。做事之前先跑一次yalmiptest，确认 YALMIP 能正确识别你写的cone()，再去开 boss 求解器。

第三个坑：松弛不紧时强制用结果做决策。虽然辐射网、网损最小目标下松弛几乎总是紧的，但当你加了小时级时序、储能充放电、响应型负荷之类的新约束后，二阶锥松弛可能在某些时段出现明显间隙。这时候结果会偏乐观，不适合直接出方案。我的习惯是：求解完用 MATPOWER 或牛顿法做一次精确潮流校核，看看锥间隙是否造成实际误差。如果误差超过 1%，我会考虑加入割平面或者改用更严格的多边形近似。

5.2 从静态规划走向更真实的场景

这篇文章里跑的是单时段静态优化。实际工程里，DG 出力是随时间变化的，负荷也有日曲线、季节差异，所以往"多时段"扩展几乎是必然的。扩展方法很直接：把每时刻的负荷作为一组场景，模型里给每条支路、每个节点增加时间维度变量；目标函数改成全时段网损之和。代价是变量数和约束数随周期数量线性增长。这时候前面的"限制候选节点"和"MIPGap 放宽"这两个技巧就变得非常重要。更进一步，还可以用 K-means 或场景削减方法，把 8760 小时的曲线压缩成十几个典型日，解算速度和精度的平衡会好很多。

从模型能力上说，还可以把储能、无功补偿装置、联络开关（配网重构）一并纳入，形成一个包含连续和整数变量的混合整数规划大模型。只要核心的 DistFlow 锥松弛不变，描述储能 SOC 递推的线性约束，描述开关状态的 0-1 变量，都是往现有框架里"加菜"的事。这也是我推荐大家把二阶锥这套方法学扎实的原因——它是配电网优化里的底层基础设施，学会一次，后面几乎所有规划问题都能套同一个 YALMIP 框架。

最后分享一个我自己坚持了很久的习惯：任何优化程序，跑完都必须做一次"基准模型复算"。就是先把 DG 全部设成 0，用同一个 YALMIP 框架解一个没有 DG 的纯网络模型，和 MATPOWER 的精确潮流对比，对不上就说明建模环节有问题，而不是求解器有问题。这是个笨方法，但真的能帮你避开 90% 的模型错误。配电网优化程序写得再快再好，前提都是模型本身站得住脚。