每年台风季调度屏上总有那么几个节点让我觉得特别无力。线路跳闸不可怕可怕的是关键负荷跟着一起躺平——医院、泵站、通信基站一旦断电抢修压力直接翻倍。这时候如果有一台能跑的储能车提前停在预测的关键位置故障后又可以根据现场情况挪位置、调出力整个恢复过程会从容很多。这正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要解决的问题。这篇文章以IEEE33节点系统为例完整拆解这套策略的建模思路、求解过程和Matlab复现时的关键细节。适合正在做配电网韧性、分布式储能优化调度的研究生以及想用标准算例验证算法效果的工程师。1. 问题本质为什么韧性提升要依赖移动储能1.1 配电网韧性跟传统可靠性是两码事很多刚接触这个方向的人会把韧性和可靠性混在一起这是第一个容易踩的坑。传统可靠性研究的是日常运行中的随机故障指标大多是平均停电时间、平均停电频率这类长期统计量关注的是大部分时间能不能稳定供电。而韧性研究的对象是极端事件比如台风、冰冻、暴雨等小概率大冲击场景关注的是扛不扛得住、恢复得快不快。用一条曲线来理解韧性最直观横轴是时间纵轴是系统性能。事件发生前系统处于正常水平事件冲击瞬间性能陡降随后是持续一段时间的性能低谷直到抢修完成、负荷全部恢复曲线回到正常水平。韧性提升要做的事情就是让曲线往三个方向走——让下降幅度更小、让低谷期更短、让恢复过程更平滑。这里面每一段都有文章可做移动储能主要作用在低谷期供电和恢复期支撑这两个阶段。极端事件还有一个特点让优化问题变得棘手故障信息不确定。台风过境前你只知道可能有几条线路要断但具体是哪几条、断多久根本没法提前确定。这就决定了决策必须分阶段做灾前先拍板一部分动作灾后再根据实际情况做调整。1.2 移动储能凭什么能派上用场固定储能装在一个地方只能服务周边负荷一旦所在馈线故障储能再能打也被困在孤岛里。移动储能不一样它本质上是储能运输载体的组合。以某跨平台系统的实际配置为例一台移动储能车通常有几百千瓦的额定功率、上千千瓦时的容量可以在几小时内从一个节点转移到另一个节点。这意味着三件事灾前可以预布局把储能车提前开到风险区域的薄弱节点避免故障后想用用不上灾中可以根据实际故障情况重新部署哪条馈线断了就开过去支援灵活度远高于固定储能同一个时段储能车在哪里决定了它能给哪些负荷供电这种时空耦合特性使得优化问题的维度和难度都上了一个台阶。你可能会问配电网里不是还有网络重构、应急发电车这些手段吗应急发电车和移动储能的区别在于发电车烧油、响应快但成本和噪音排放是问题移动储能静音、零排放、能量可双向流动还能在故障前后反复调度策略上更灵活。网络重构只改变拓扑不解决电源不足的问题移动储能则是实打实地给孤岛提供一个可控电源。1.3 为什么必须预布局动态调度两步走如果故障场景完全已知那就是一个确定性的部署优化问题把储能车放到最优位置就结束了。但实际灾害场景做不到这一点所以决策必须拆成两个阶段。第一阶段叫预布局发生在灾前。这时候只有灾害预测信息比如哪些线路故障概率高、哪些负荷重要等级高决策内容是每台移动储能初始放在哪个节点。第二阶段叫动态调度发生在灾后。故障场景逐渐明朗决策内容包括储能什么时候从哪个节点搬到哪个节点、在每个节点的充放电功率、哪些负荷可以恢复、网络怎么重构。用一个生活类比就很好理解台风登陆前救援队会把救生艇提前部署到地势低洼的社区这是预布局。台风过后根据哪片区域实际积水最严重再把救生艇调过去这是动态调度。两阶段决策不是多此一举而是极端事件本身的不确定性逼出来的必然结构。2. 数学模型两层协同优化框架怎么搭2.1 目标函数失负荷成本最小化是核心整套模型的目标函数中心项是系统失负荷成本最小化。但这里有个细节需要注意——不同负荷的重要程度完全不一样医院手术室的负荷和普通商业负荷不能混为一谈。所以目标函数里要对每个节点设置权重系数一级负荷权重最高三级负荷权重最低。我复现时建议把权重直接乘在失负荷量上形式大概是这样$$\min \sum_{t \in T} \sum_{i \in N} \omega_i \cdot P_{i,t}^{curt} \cdot \Delta t \sum_{t \in T} \sum_{k \in K} \left( c^{op} \cdot P_{k,t} c^{mv} \cdot M_{k,t} \right)$$其中第一项是失负荷惩罚成本反映韧性水平量纲注意要和第二项统一第二项是移动储能运行成本包括充放电运维成本和移动成本系数乘上移动标志变量。这一项看起来不大但加进去之后储能不会毫无意义地到处乱跑模型行为更符合实际调度习惯。2.2 预布局约束第一阶段决策变量预布局阶段的决策变量是最简单的每个移动储能是否放置在各个候选节点用0-1变量表示。约束也很直接任意一台移动储能只能选择一个预布局位置所有储能数量不超过可用车队规模每个节点的接入容量有上限不能把两台大容量储能堆在同一个节点浪费资源。严格来说第一阶段还应该考虑预布局位置是否接入配电网、是否具备并网条件。在IEEE33节点系统里多数节点都具备接入条件但复现时建议把候选节点集合限定一下比如只允许接入负荷节点剔除纯联络节点这样结果更可信。2.3 动态调度约束第二阶段决策变量动态调度是模型里最复杂的部分核心是移动储能的时间-空间-能量三重耦合。空间维度上需要定义储能的位置状态变量表示某时刻某储能是否在某个节点。每个时段的约束是一台储能要么停在一个节点要么在路上移动二者必居其一。这个逻辑看着简单写错位置约束会导致很离谱的结果——比如储能上一时段还在节点A下一时段没动却出现在节点B。时间维度上储能从节点i移动到节点j需要花费一定的时间这个时间折算成时段数τ。出发约束要求它在移动前必须待在出发节点到达约束要求它在移动完成后才能接入新节点。简化处理时可以认为所有节点间移动耗时均为一个时段但更严谨的做法是引入节点间距离矩阵再除以移动速度换算成时段数。能量维度上就是经典的储能运行约束充放电功率不能同时为正需要引入充放电状态0-1变量各时段荷电状态满足递推关系$SOC_{t1} SOC_t \eta_{ch} P_t^{ch} \Delta t - P_t^{dis} \Delta t / \eta_{dis}$SOC有上下限一般取0.1到0.9调度周期末可以加一个SOC恢复约束让储能回到合理荷电水平方便下一轮调度。2.4 DistFlow潮流与配电网络约束配电网潮流约束我用的是线性化DistFlow模型也就是Branch Flow Model的线性形式。对每条支路$(i,j)$核心方程有两条电压关系$V_j V_i - 2(r_{ij}P_{ij} x_{ij}Q_{ij})$功率平衡节点注入功率等于流出支路功率之和加上本地负荷消耗再减去储能充放电功率。这里有一个细节我吃过大亏IEEE33节点系统基准电压是12.66kV但计算时全部用标幺值。很多复现结果对不上就是因为母线电压的基准值没统一电压约束0.95到1.05的上下限范围写得完全不合逻辑。故障线路的处理方式比较简单——故障支路的通断状态置0该支路从网络中移除。如果允许主动孤岛运行还需要额外处理孤岛内的电压和频率约束纯线性DistFlow框架下一般都假设孤岛能稳定运行只做功率平衡约束。3. 核心难点不确定性建模与模型线性化3.1 场景法还是鲁棒优化怎么选灾害不确定性怎么放进模型是整个复现最核心的决策点。主流的做法有两类。第一类是场景法也叫随机规划。根据历史台风路径和线路故障概率用蒙特卡洛抽样生成若干组故障场景每组场景包含一组断线集合。然后把目标函数写成所有场景失负荷成本的期望调度变量做成随场景变化的。优点是模型直观、好理解用确定性求解器就能解缺点是场景数量少了怕覆盖不全数量多了求解时间爆炸。第二类是两阶段鲁棒优化。第一阶段预布局在不确定实现前决策第二阶段动态调度在不清楚集合中找到最恶劣场景下的应对。不确定性集合通常用基数约束描述比如最多同时断开3条线路。鲁棒解不依赖具体场景概率适合概率信息缺失的情况但求解需要列约束生成CCG迭代代码复杂度明显更高。我的复现方案采用两阶段框架预布局固定动态调度用一个场景集合描述灾害可能性场景集按概率权重参与目标函数。代码里留了一个切换开关可以改成严格的两阶段鲁棒加CCG后面详讲。3.2 移动储能时空耦合约束的具体写法这是最容易被代码坑住的地方。我用二进制变量$p_{k,i,t}$表示储能k在时段t是否位于节点i$s_{k,i,j,t}$表示储能k在时段t是否正在从i向j移动。每个时段的状态唯一性约束$$\sum_{i} p_{k,i,t} \sum_{i}\sum_{j \neq i} s_{k,i,j,t} 1, \quad \forall k, t$$出发约束如果$s_{k,i,j,t}1$意味着上一时段储能必须在节点i表达式为$$s_{k,i,j,t} \le p_{k,i,t-1}, \quad \forall k, i, j, t$$移动耗时的处理如果节点i到节点j需要τ个时段则储能到达j的时刻最早是$t\tau$。为了简化实现很多复现直接令τ1即从一个节点到另一个节点恰好占用一个时段。如果想做精确的行驶时间建模可以增加一个出发标志变量$d_{k,i,j,t}$表示在时段t开始从i出发经过τ个时段后置位相应的$p_{k,j,t\tau}$。这个写法更严谨但约束和变量数量会显著增加。我在实际调试中发现直接暴力展开所有i、j组合会让变量爆炸式增长33节点下$33 \times 32$的移动变量矩阵在24个时段里要建几万个二进制变量。加速的技巧是先把节点间距离矩阵算好过滤掉距离过远的节点对或者只允许储能沿连通路径移动别让它在所有节点对之间自由乱跑。3.3 保证辐射状拓扑的约束配电网正常运行时候是辐射状结构故障后可以通过联络开关重构但结构仍然是辐射状。这个无环约束有两种常见建模方法。一种是用生成树约束借助单商品流思想变电站节点作为根节点从根向每个负荷节点发一个单位的虚拟流每个节点只能有一个父节点且父节点只能来自电气连通方向。这个约束在MILP里是天然线性的写法和网络流约束完全一致。另一种相对暴力的方式是列出一组破坏约束把系统中所有可能形成环路的支路子集枚举出来要求每个环路中至少断开一条支路。但IEEE33节点的环路数量不少枚举麻烦且约束数量庞大我建议用单商品流通用性更好。线性化的问题同样值得说。完整的DistFlow方程里含有电流平方项与电压乘积项是非凸的MILP没法直接处理。复现方案直接采用单商品流约束线性化DistFlow忽略$l_{ij}$高阶项在10MVA基准功率下误差可以控制在工程可接受范围内。如果想更精确可以用二阶锥松弛把不等式写成凸约束配合商用求解器也能解但求解时间几乎翻倍。4. 求解策略CCG两阶段鲁棒求解全过程4.1 为什么用两阶段鲁棒而不是一把梭直接把两阶段模型当成一个大的混合整数规划丢给求解器理论上是可行的但实际根本算不动。原因在于第二阶段动态调度变量要依赖场景变化不等于是为每个场景复制一份同样的变量。一旦场景数量上到几十个变量和约束会膨胀到几十万甚至上百万级别MILP求解器的分支定界树几乎没有收敛的可能。两阶段鲁棒的核心思路是先粗后细第一阶段只做少量全局决策第二阶段针对最恶劣场景做精细应对。CCG算法把这个思路落到迭代框架里每一轮只增加最关键的约束而不是把所有场景一次性塞进模型。4.2 主问题与子问题的拆解用CCG求解两阶段鲁棒优化需要把问题拆成主问题和子问题。主问题对应预布局加动态调度约束决策变量包括储能预布局位置$z_{k,i}$、动态调度变量$x_t$以及一个替代最恶劣场景失负荷成本的辅助变量$\eta$。在第$m$轮迭代中主问题里已经有前$m-1$轮生成的最恶劣场景对应的调度约束和割约束。求解主问题得到当前最优预布局方案和失负荷成本下界。子问题则固定主问题给出的预布局位置$z^*$在最不确定集合中找一个故障场景使得该场景下的失负荷成本最大化。这个max-min的双层结构先对内部最小化问题做对偶变换变成单层的最大化问题再求解得到最恶劣场景以及对应的对偶乘子。第r轮迭代生成的CCG割约束递推形式为$$\eta \ge \sum_{i,t} \omega_i P_{i,t}^{curt, r} \sum_{k,i,t} \lambda_{k,i,t}^r \cdot (z_{k,i} - z_{k,i}^r)$$这个割约束的意义在于当前的主问题解如果导致某个场景下失负荷成本过高就把这个成本对应关系强行压回主问题迫使下一轮预布局方案调整。4.3 CCG迭代收敛流程整个算法流程可以表述为初始化给定一组初始故障场景置迭代计数为0求解主问题得到预布局方案$z^*$和失负荷成本下界LB将$z^*$代入子问题求解得到最恶劣场景和对应失负荷成本更新上界UB如果UB与LB的相对间隙小于设定阈值停止迭代否则将最恶劣场景加入主问题生成新的割约束返回第2步。收敛判据我一般取相对间隙小于0.1%或者迭代次数达到20次。实际复现时发现前几轮gap收敛很快到后期速度明显变慢典型的下降曲线是指数衰减特征的近似。一个加速小技巧是每轮求解子问题后把找到的最恶劣场景先检查是否已经在主问题场景列表中若存在说明已经收敛可以提前跳出循环省掉后面的冗余迭代。5. Matlab复现实操代码骨架与关键节点5.1 代码模块怎么划分一份能反复复现的项目代码建议按模块拆分成统一风格的脚本和函数我在某跨平台系统的复现版本里用的目录结构是这样的数据文件夹存放IEEE33节点的母线、支路参数表以及生成的故障场景矩阵模型函数用Yalmip定义变量、目标函数和各组约束每个约束函数独立实现求解脚本一个主脚本负责组装模型、调用求解器、调度CCG迭代结果可视化画出预布局位置、储能运行轨迹、负荷恢复曲线、电压分布。模块独立最大的好处是调试方便。比如DistFlow约束有问题直接单独跑约束函数断点检查中间变量不用在整个模型里找。5.2 IEEE33节点数据准备IEEE33节点系统是配电网优化领域的标准测试算例33个节点、32条支路基准电压12.66kV总有功负荷3715kW总无功负荷2300kvar网络中含5条联络开关支路。数据准备阶段重点做三件事第一把母线、支路参数表读入成结构化数组。原始算例数据格式很乱为了方便Yalmip索引我习惯把母线节点编号重排成1到33的连续编号支路统一按起点-终点方向存储注意保持所有支路的方向一致。第二根据总负荷按比例分配给各节点得到每个节点的有功和无功负荷向量。这个分配比例在不同文献里可能不一样但只要保证总数一致、权重设置合理结果有可比性即可。第三生成故障场景矩阵。我用的是蒙特卡洛抽样假设每条线路的故障概率独立比如0.3每次抽样得到一组故障支路集合重复抽样生成50个场景。场景太多则抽样时间太长场景太少则覆盖不全我建议先跑20个场景验证代码正确性再逐步加到50到100个做正式实验。5.3 用Yalmip写约束的实战要点Yalmip是Matlab下最顺手的建模工具配合Gurobi用起来很顺手。下面的代码片段是我复现DistFlow电压约束时的写法注意用矩阵运算代替for循环% 定义变量 V sdpvar(nb, nt, full); % 节点电压幅值平方 Pij sdpvar(nl, nt, full); % 支路有功 Qij sdpvar(nl, nt, full); % 支路无功 % DistFlow 电压约束 Constraints []; for t 1:nt for l 1:nl i branch(l, 1); j branch(l, 2); Constraints [Constraints, V(j,t) V(i,t) - 2*(r(l)*Pij(l,t) x(l)*Qij(l,t))]; end end这套代码直观、易读但大规模场景下循环速度慢。优化做法是用稀疏矩阵把支路首末端节点映射成关联矩阵一次性拼出向量化的DistFlow约束速度能提升5到10倍代码更容易出bug建议先跑通再优化。调用求解器的写法很固定ops sdpsettings(solver, gurobi, gurobi.MIPGap, 0.001, verbose, 2); optimize(Constraints, Objective, ops);这个MIPGap参数我实际用下来定在0.1%比较合理。太严了求解时间成倍增加0.001的gap已经能保证结果在工程上有足够精度。5.4 结果可视化与分析复现完成之后最有价值的三个图建议一定画出来。第一个是预布局位置图在IEEE33节点网络拓扑图上把每台移动储能的初始部署位置标出来直观看出算法倾向于把储能车放到哪些负荷权重高、离变电站远的末端节点。第二个是储能动态调度轨迹图横轴是时间纵轴是节点编号把每台储能车的时空轨迹画成折线。这个图能帮你验证时空耦合约束是否真的生效——正常情况下储能车的移动路径应该是相邻节点逐步移动的如果出现跨节点瞬移基本可以确定位置约束写错了。第三个是负荷恢复率曲线横轴时间是调度周期纵轴是恢复负荷占总负荷的比例曲线越高越好。这个图是论文中的核心结果也是验证算法有效性的关键指标。我复现后跑出的典型结果是使用两台移动储能在台风工况下比无储能场景的失负荷成本降低40%左右比固定储能储能位置固定在变电站旁降低15%左右。这个数值不一定和你的场景完全一致但量级关系能说明移动储能的时空可调度价值。6. 复现踩坑记录与效率优化6.1 常见问题速查表我在复现过程中整理了一张踩坑速查表基本覆盖了新手最容易卡住的地方症状根因解决办法电压约束大量越界标幺值基准没统一检查基准电压12.66kV与基准功率10MVA的换算关系储能位置变量出现瞬移出发/到达约束不完整增加$s_{k,i,j,t} \le p_{k,i,t-1}$形式的时序约束求解时间过长无法收敛场景数量过大或MILP变量爆炸固定储能位置先跑连续松弛再启用二进制变量子问题无法对偶内部有二进制变量耦合将子问题中的调度变量约束写成线性形式或者利用大M法拆解结果振荡不收敛CCG割约束推导错误检查对偶变量与主问题变量的对应关系建议用穷举小算例验证Yalmip报solver not foundGurobi路径未配置用yalmiptest命令检查求解器识别情况添加license路径储能同时充放电缺少状态互斥约束增加充放电状态变量及$u^{ch} u^{dis} \le 1$约束6.2 求解效率优化的四个实战技巧模型规模放大之后求解时间会从秒级涨到分钟级甚至小时级这时候优化求解效率是必做的功课。第一个技巧是热启动。把上一轮CCG迭代的预布局变量值作为下一轮主问题初始解传入能显著减少分支定界树的搜索空间。Yalmip里用assign和optimize的warmstart参数即可实现。第二个技巧是变量降维。预布局阶段候选节点往往会给出几十个但实际只有两三台储能理论上只需要枚举有限的组合。可以用约束老实枚举也可以先对负荷重要性排序筛掉明显不可能最优的候选节点把问题规模缩小。第三个技巧是场景缩减。50个场景全跑慢得让人崩溃用K-medoids聚类或者概率距离法把场景缩到10个左右失负荷成本的偏差通常能控制在3%以内求解时间却可以缩短到原来的十分之一。第四个技巧是松弛试探。第一轮先解储能不能移动的版本也就是把动态调度退化为固定储能用这个结果作为移动储能模型下界的估计。这样能提前判断当前参数设置下算法是否合理避免错误参数下白跑几小时。我个人在实际操作中的体会是这套移动储能预布局与动态调度策略最花时间的不是数学推导而是把每一个环节的状态变量和索引理清楚。预布局阶段看似简单实际决策时宁可把储能放在负荷密度高且和关键负荷处在同一馈线群的节点也不要只看线路故障概率而忽略了网络拓扑的连通关系。最后再分享一个小技巧调试时把Yalmip的showprogress选项打开每次CCG迭代都能看到上下界的变化趋势一旦gap不再下降问题多半出在割约束生成或者子问题对偶推导上排查起来能省下大量的时间。这套代码跑通之后换到更大的配电网算例甚至接入实际网络数据核心框架都不需要大改这是我认为这个方向最值得投入时间的原因。