企业官网建设流程全解析

要说这次复现经历，最让我头疼也最让我兴奋的，就是这篇配电网韧性提升论文中MPS动态调度部分。上篇已经把应急移动电源的预配置问题讲透了，也就是在灾害来临前，怎么把移动电源提前放到最有利的位置；而下篇的MPS动态调度，才是真正考验模型和算法功力的地方——如何在灾害发生后的连续时段内，让这些移动电源在配电网里"跑起来"，最大化恢复失电负荷。这两者合在一起，才构成了完整的"预配置+动态调度"闭环。而这篇博文，我主要聚焦在下篇的MPS动态调度Matlab实现上，把自己踩过的坑、摸索出的调试技巧、以及最终能跑通的代码逻辑，全部摊开来聊。

先说一句公道话，这个问题的难点不在于"动态调度"四个字本身，而在于MPS（应急移动电源）有着双重属性：它既是电源，又是"可移动的储能"。你得同时建模它的空间位置变化、荷电状态变化、以及接入电网后的功率注入行为。三种时间尺度耦合在一起，再加上配电网的辐射状拓扑约束，模型复杂度直接拉满。我在复现过程中，最大的体会就是：模型不是越复杂越好，而是要把关键约束用最稳健的方式表达出来，否则求解器分分钟给你脸色看。

1. 整体设计与问题建模：为什么MPS动态调度这么难

1.1 配电网韧性提升的核心逻辑

配电网韧性，简单说就是配电网遭遇极端事件（台风、冰灾、地震）后，能够感知、抵御、吸收并快速恢复的能力。传统的配电网规划主要考虑正常工况和N-1故障，但极端灾害往往是多个设备同时故障、甚至大范围停电，这时候常规备用手段就不够用了。应急移动电源（Mobile Power Source，MPS）作为临时电源，可以灵活接入配电网的关键节点，为失电负荷供电，是提升韧性的重要手段。

我复现的这篇SCI一区论文，其亮点在于将MPS的预配置和动态调度纳入统一优化框架。预配置解决的是"灾害前MPS放在哪"的问题，动态调度解决的是"灾害后MPS怎么走、怎么用"的问题。上篇文章已经介绍了预配置部分，本文着重讲动态调度——也就是在灾害发生后的恢复期内，如何通过动态调整MPS的位置和出力，使得整体恢复效果最优。

1.2 动态调度模型的目标与约束拆解

MPS动态调度的目标通常是最小化失电负荷总量，或者最大化恢复供电的负荷价值，也可以加权重表示关键负荷优先恢复。在我复现的这个模型里，目标函数包含两部分：MPS在节点接入后的供电收益（恢复负荷的权重）减去MPS移动和运行的相关成本。

约束条件则复杂得多，主要分成四类：

• MPS荷电状态约束：MPS本身储能有限，放电会减少SOC（State of Charge），可能还可以接入充电点补充电量，所以要追踪每个时段的SOC变化。
• MPS移动约束：MPS从一个节点移动到另一个节点需要时间，且同一时刻只能在一个节点接入；移动路径要符合配电网拓扑（比如只能沿线路走）。
• 配电网运行约束：包括节点功率平衡、线路潮流约束、电压上下限等，通常用DistFlow或线性化潮流方程表达。
• 时间耦合约束：动态调度是一个多时段决策问题，MPS在某时段的位置、出力和SOC会影响到后续时段，所以需要跨时段的状态耦合。

如果把MPS的数量记为M，网络节点数为N，时段数为T，那么决策变量就包含了MNT个二进制接入位置变量，加上连续的出力变量和SOC变量，问题规模随着T的增长会变得相当可敬。因此，几乎所有的这类论文都会采用混合整数线性规划（MILP）来建模，再用成熟的商业求解器求解。这也就要求所有非线性项都必须线性化。

1.3 为什么用MILP而不是启发式算法

有一些人会问：这种动态调度问题，用遗传算法、粒子群这类智能优化算法是不是更简单？我的经验是，如果只是做一个简化版的仿真，智能算法确实能很快出结果，但它有两个致命弱点：一是无法保证收敛到全局最优，二是每次运行结果可能不一样，这对于想复现论文数据的人来说就是灾难。MILP模型配合商业求解器（如GUROBI、CPLEX）则能给出确定性的全局最优解，只要建模正确，结果可复现性极强。当然，前提是你得把模型约束写对，不然求解器也会给出"最优"但其实违反物理规律的解。后面我会专门讲几个我踩过的坑。

2. Matlab实现核心细节：工具选择与代码架构

2.1 测试系统与参数设置

我采用的是配电网领域最常用的IEEE 33节点系统，基准电压12.66kV，基准功率1MVA，总负荷约3.7MW。在Matlab中可以用matpower读取标准数据，也可以直接写成结构体。为了方便做动态调度，我把一天分成24个时段（也可以分96个时段，但求解时间会急剧上升），假设灾害在第1时段发生，造成若干线路断开，形成孤岛。

MPS参数设置如下表所示：

需要注意的是，移动速度这个参数很关键。我一开始设得太快（30km/h），导致求解器总是让MPS满地图乱跑，结果看似恢复了更多负荷，但实际上忽略了移动路径上可能存在的道路损坏问题。后来我把速度调低，并增加了"同一节点恢复后MPS不能随意离开"的约束，结果才合理。

2.2 求解工具链：YALMIP + GUROBI

我在Matlab中的建模首选是YALMIP工具箱，它能把MILP建模过程变得非常优雅。求解器我用的是GUROBI，因为它在处理大规模MILP时速度明显优于CPLEX（至少在我的问题上如此）。如果你没有GUROBI的许可证，也可以用Matlab自带的intlinprog，但求解速度会慢一个数量级，而且在大规模问题上容易内存溢出。

YALMIP的安装很简单，去GitHub下载并添加到路径即可。GUROBI则需要注册学术许可证，安装后记得在Matlab中运行gurobi_setup，然后可以用yalmiptest验证是否配置成功。我的经验是：首选GUROBI，其次CPLEX，intlinprog只作为兜底方案。

2.3 代码结构设计

我习惯按照"数据->参数->模型->求解->绘图"五个模块来组织代码。具体文件结构如下：

MPS_dynamic_scheduling/ ├── main.m // 主程序入口 ├── case33.m // 电网数据定义 ├── config.m // 参数配置 ├── build_model.m // 用YALMIP构建优化模型 ├── solve_model.m // 调用求解器求解 ├── plot_results.m // 结果可视化 ├── utils/ │ ├── distflow.m // DistFlow约束构建 │ ├── mps_mobility.m // MPS移动约束 │ └── soc_update.m // SOC动态约束

主程序的大致流程是：

%% 主程序 clear; clc; close all; addpath('utils'); run config.m; % 加载参数 mpc = case33; % 加载电网系统 model = build_model(mpc, params); % 构建模型 result = solve_model(model); % 求解 plot_results(mpc, params, result); % 绘图

这种模块化设计的好处是，当你想修改目标函数中的权重系数，或者加入新的约束时，不需要牵一发动全身。比如我在后期加入了"关键负荷优先恢复"的权重参数，只需要在config.m里定义权重向量，然后在build_model.m中修改一行代码即可。

3. MPS动态调度实操：关键约束的代码实现

3.1 MPS时空网络状态变量设计

MPS动态调度的核心是把"位置"和"电量"两个状态关联起来。我定义两个二进制变量：

• x(m,n,t)：MPS m在时段t接入节点n（取1）或不在该节点（取0）。
• move(m,n1,n2,t)：MPS m在时段t从节点n1移动到节点n2。

同时定义连续变量：

• p_dch(m,n,t)：MPS m在时段t于节点n的放电功率。
• soc(m,t)：MPS m在时段t结束时的荷电状态。

YALMIP定义如下：

x = binvar(M, N, T); % 位置指示 move = binvar(M, N, N, T); % 移动指示（可能维度很大，需注意内存） p_dch = sdpvar(M, N, T); % 放电功率 soc = sdpvar(M, T+1); % SOC，t=0为初始值

这里要提醒一点：move变量是四维的，当N=33时，单个MPS就有3333T个二进制变量，内存和求解负担非常重。我的优化方式是把移动变量压缩成move(m,path_idx,t)，其中path_idx只列出实际可达的节点对，剔除同一节点和不可达的组合。这一步能将问题规模直接砍掉一半以上。

3.2 位置唯一性与移动约束

每个MPS在任一时刻必须且只能存在于一个地方——要么接入某个节点，要么在移动的路上。这个约束用数学表达就是：

% 每个MPS每个时段最多接入一个节点 for m = 1:M for t = 1:T Model = [Model, sum(x(m,:,t)) <= 1]; end end

移动约束是建模中最容易出错的部分。我们首先要保证：如果MPS在t时刻接入节点n1，且t+1时刻接入节点n2（n1≠n2），那么它必须在t时段内完成从n1到n2的移动，且移动时间不能超过一个时段长度。简化起见，可以设定移动时间不超过1个时段，这样只需要约束：

% 移动起止约束 for m = 1:M for t = 1:T-1 for n1 = 1:N for n2 = 1:N if n1 ~= n2 % 从n1到n2的移动，需要x(m,n1,t)=1且x(m,n2,t+1)=1 Model = [Model, move(m,n1,n2,t) >= x(m,n1,t) + x(m,n2,t+1) - 1]; % 反向移动则禁止（防止来回跑） Model = [Model, move(m,n2,n1,t) <= 1 - x(m,n1,t) + x(m,n2,t+1)]; end end end end end

上面的线性化技巧是把"与"关系转化为不等式，这是MILP建模的经典手法。如果你是新手，可能觉得这些约束有些绕，但记住一个原则：所有逻辑关系都要表达成线性不等式，不能直接写x(1) & x(2)这样的逻辑运算，否则YALMIP会把模型变成非凸问题，求解器根本处理不了。

3.3 SOC动态约束与功率限制

SOC的变化相对直观：放电时SOC减少，如果允许接入充电桩，则可以增加。我这里假设MPS不能从电网取电（只作为临时电源），所以SOC更新方程是：

% SOC动态约束 (t=1:T) for m = 1:M Model = [Model, soc(m,t+1) == soc(m,t) - sum(p_dch(m,:,t)*delta_t) / cap_m]; end

这里cap_m是MPS容量，delta_t是时段时长（小时）。注意离散化时，如果时段较长，功率乘以时间才是能量。很多人在这一步直接把功率加到SOC里，导致单位错乱，结果完全不可用。我建议在建模时统一单位：功率用kW，时间用h，容量用kWh，这样SOC变化量就是纯数值。

功率限制必须与接入位置绑定：

% 如果x(m,n,t)=0，则p_dch(m,n,t)必须为0 for m = 1:M for t = 1:T Model = [Model, p_dch(m,:,t) <= repmat(P_max, 1, N) .* x(m,:,t)]; end end

这个约束用大M法（实际上这里P_max就是M）强制放电功率与接入位置一致。同样，SOC上下限也要约束：

Model = [Model, soc_min <= soc(m,:) <= soc_max];

3.4 配电网潮流约束：DistFlow模型

配电网潮流计算有多种方法，在调度优化中，最常用的是DistFlow分支潮流模型。对于辐射状网络，DistFlow可以写成：

• 节点电压降：V_j^2 = V_i^2 - 2(R_ij P_ij + X_ij Q_ij) + (R_ij^2 + X_ij^2) * (P_ij^2 + Q_ij^2) / V_i^2

这个方程是非线性的。在MILP建模中，我们通常忽略第二项，并使用线性化近似的DistFlow，或者用二阶锥规划（SOCP）松弛。但既然我们选择了MILP，那就得用线性DisfFlow。我的做法是假设电压偏差不大，忽略网络损耗，得到：

% 线性化DistFlow：电压降约束 for ij = 1:L f = branch(ij); t = branch(ij); Model = [Model, V(f) - V(t) == 2*(R(ij)*Pij(ij,t) + X(ij)*Qij(ij,t))]; end

这里V是电压平方变量，Pij/Qij是线路有功/无功功率。此外，节点功率平衡方程需要把MPS注入功率加入进去：

% 节点功率平衡（有功） for n = 1:N Model = [Model, sum(Pij(in_edges, t)) - sum(Pij(out_edges, t)) == ... Pd(n,t) - sum(p_dch(m,n,t))]; end

注意，这里Pd是负荷有功，如果MPS接入则相当于减少从电网侧汲取的有功。如果负荷可以切负荷，那么还要加入zeta变量表示未恢复的负荷比例。我这篇复现里做了简化：假设负荷只能全部恢复或全部不恢复，用二进制recover(n,t)表示是否恢复节点n在时段t的负荷。这样目标函数就可以写成最大化加权恢复负荷。

3.5 求解设置与结果展示

构建完All Model后，设置求解器参数很重要。我的经验是，对于中等规模（T=24，N=33，M=2），GUROBI的MIP Gap默认是1e-4，如果直接求解，可能要几分钟到几十分钟，视计算机而定。为了提高速度，可以设置：

ops = sdpsettings('solver','gurobi','verbose',2); ops.gurobi.MIPGap = 0.01; % 允许1%的gap ops.gurobi.TimeLimit = 300; % 最多求解5分钟 ops.gurobi.MIPFocus = 1; % 偏向快速找到可行解

这样设置后，通常几十秒内就能得到一个较优解。绘图方面，我画出三个图：1）每个时段的恢复负荷比例曲线；2）MPS在空间上的移动轨迹（用地理坐标画线）；3）MPS SOC随时间的变化曲线。结果图上能很直观地看到：MPS是如何先救援重要负荷，再逐步向边缘移动，SOC曲线则呈阶梯状下降，恢复负荷比例逐渐上升。

4. 复现中的常见问题与调试经验

4.1 约束被错误松弛：小心"隐形"的移动耗电

我第一次运行模型时，发现结果中MPS一个时段内能从电网的一端瞬移到另一端，而且SOC不降。后来排查发现，是因为我忘了在SOC更新方程中加入移动耗电项。在真实场景中，MPS移动是需要消耗电量的，通常可以设为每公里消耗的SOC百分比。加了这个约束后，移动行为变得谨慎多了，这也更符合论文的假设。

建议在SOC更新方程中增加一项move_consumption(m,t)：

Model = [Model, soc(m,t+1) == soc(m,t) - sum(p_dch(m,:,t))*delta_t/cap_m - move_energy(m,t)];

其中move_energy是对所有移动距离的求和乘系数：

% 移动耗能约束 for m = 1:M for t = 1:T-1 Model = [Model, move_energy(m,t) == sum(sum(move(m,:,:,t .* dist(n1,n2)))) * k_consume / cap_m]; end end

注意这里的dist(n1,n2)是节点间的距离矩阵，k_consume是单位距离耗能比例。

4.2 求解时间爆炸：如何有效降维

MPS动态调度最大的痛点就是规模。特别是移动变量move是四维的，当M=2, N=33, T=24时，二进制变量数量约为23332*23≈4.8万，加上位置和恢复变量，总二进制变量轻松超过5万。如果初始模型不加任何削减，GUROBI可能几个小时都找不到最优解。

我的解决办法有几点：

1. 限制最大移动距离：实际中MPS不可能在短时间内跨越半个电网，所以只允许满足dist(n1,n2) <= v_max * delta_t的移动候选，其他变量直接不创建。
2. 时段聚合：灾害初期的抢修阶段，可以先用较粗的时段（比如T=12），跑通后再细化。一开始我直接用T=96，模型爆炸到求解器直接Out of Memory，改成T=24后问题迎刃而解。
3. 对称性消除：如果两台MPS是同质的，求解器会把它们视为可互换对象，导致大量对称分支。我通过给MPS增加"初始接入节点编号小的优先"的约束来破坏对称性。

4.3 结果出现"节点功率倒流"问题

某次运行时，我发现恢复负荷比例虽然有上升，但某些线路上的功率方向变成从MPS接入点向外送，而MPS电量和容量明明不足以支撑。查了一圈，问题出在潮流的功率平衡约束上：我用的简化DistFlow没有考虑线路上两个方向都可能有功率的情况，导致在支路功率变量上允许了正负同时存在（即变量无界），优化器就利用这个漏洞"凭空创造"功率。解决方法是给支路功率变量加上合理的上下界，或者把支路功率拆分成正向和反向两个非负变量。

4.4 常见问题速查表

这些坑我想只要复现过类似问题的人，大概率都遇到过。如果你准备上手，建议先跑一个N=5节点的简化网络，把所有约束调试正确，再替换成33节点。这样能极大减少"排错地狱"的时间。

5. 复现心得与扩展建议

5.1 如何让复现结果更贴近论文

论文里的结果通常是在特定算例下得到的，你想完全复现一模一样的数据，几乎不可能，除非作者公开了全部代码和参数。所以我的目标不是"复现出同样的数字"，而是"复现出同样的规律和曲线形态"。如果你发现论文里恢复负荷比例是98%，你的结果是95%，先别慌，看看是不是MPS容量、速度、负荷权重的参数设定有差异。特别是负荷权重，论文里可能用关键负荷等级加权，而你只用总计恢复电量，这会导致调度策略有明显区别。

我的建议是：先按照论文的假设重新推导一遍模型，再把每个参数的物理意义对照清楚，最后才能放心修改成自己的场景。另外，很多论文的潮流约束使用的是二阶锥规划（SOCP），我用的线性DistFlow其实是简化版，所以结果有5%以内的偏差是正常的。如果你追求精度，可以改用YALMIP的optimize(..., ops)直接求解SOCP，但那样就不属于严格的MILP了，求解时间也会变长。

5.2 扩展：多类型移动电源与协同调度

这个项目基础打牢后，你可以很自然地扩展到以下方向：

• 多类型MPS：比如同时有大型储能车和小型移动发电机，它们的容量、速度、成本不同，模型里只需增加MPS类型索引即可。
• 与固定储能协同：把MPS和固定储能（ESS）放在同一框架下，共享节点功率平衡约束，但ESS不能移动，约束要少很多。
• 考虑交通路网约束：MPS移动时间不是简单距离除以速度，还要考虑道路拥堵和损坏。可以建立一个交通网络模型，用最短路径时间矩阵代替简单距离矩阵。

我自己正在尝试的扩展是把动态调度与网络重构（开关操作）联合优化。传统的配电网重构是控制联络开关和分段开关来改变拓扑，从而 transfer 负荷。如果把MPS移动和开关重构放在一起，问题的可行域会变得非常复杂，但恢复能力也会大幅提升。不过这个模型的求解难度系数呈指数增长，我已经做好和求解器长期斗争的准备。

5.3 给初学者的三条建议

第一，不要直接啃大代码。我见过很多同学下来一个几百行的复现包，打开后一脸蒙。正确的打开方式是自己先写一个小模型，比如两节点、一台MPS、三个时段，把每个约束都亲手写出来，理解它们是如何把物理规则翻译成数学不等式的。这个过程虽然慢，但能让你在调试大模型时迅速定位问题。

第二，学会用YALMIP的debug工具。当模型不可行时，YALMIP会提示"infeasible problem"，但不会告诉你是哪条约束出了问题。这时可以借助optimize返回的diagnostics信息，结合check命令检查每个约束的残差，逐步注释可疑约束，二分法定位问题源。我至少有一半的建模错误是靠这个方式找出来的。

第三，注意Matlab版本和工具箱兼容性。YALMIP目前对R2022b以上的版本支持很好，但GUROBI插件有时因为Java版本不匹配而加载失败。建议在开始前仔细阅读官方setup文档，并测试一个简单LP问题，比如min x约束x>=1，确保求解器调用链路通畅。

最后分享一个小技巧：在跑大规模算例时，可以先用较小的MIPGap（比如0.1）快速得到一个可行解，把这个解作为初始解传给后续细化求解（通过assign和optimize的x0参数），能够明显加快收敛。这是我多次实验后发现的"作弊"通道，在复现大论文时特别管用。希望这些踩坑经验和代码思路，能让你在MPS动态调度这条路上少走几步弯路。