做配电网研究的人这几年一定绕不开“韧性”这个词。尤其是在极端自然灾害频发、分布式电源比例不断提升的背景下配电网不仅要考虑常规可靠性还要考虑灾后怎么快速恢复、怎么把损失压到最低。这次我复现的这套“面向配电网韧性提升的移动储能预布局与动态调度策略”正好就是针对这个痛点做的。核心载体是IEEE33节点标准测试系统工具是Matlab策略包括灾前的移动储能位置预布局以及灾后的动态调度。虽然标题里写的是“完美复现”但实际复现时很容易在建模细节、时间步长、潮流收敛上翻车这篇文章就专门聊聊这套策略的实现思路、模型拆解、代码逻辑和避坑经验适合正在做配电网韧性、微电网应急、移动储能调度相关课题的同学参考。1. 这个课题到底在解决什么问题——配电网韧性 移动储能预布局 动态调度1.1 为什么要关注配电网韧性而不是只提可靠性很多刚入门的同学会问可靠性和韧性有什么区别为什么现在大家都在谈韧性传统可靠性评估通常假设故障概率已知、故障影响相对固定更多关注平均故障时间、系统可用率这些统计指标。但极端天气台风、冰灾造成的故障往往是多故障同时发生、线路大面积损坏、恢复时间很长这时候平均指标没法反映系统在最恶劣场景下的表现。韧性关注的是系统遭受极端扰动后功能下降的程度有多严重恢复过程快不快有没有能力在有限资源下保障关键负荷供电换句话说可靠性在“平均意义”上考核系统韧性在“最坏时刻”考核系统。这套策略的目标就非常明确在灾害来临前把移动储能MES放到最优的预布局位置在灾害发生之后根据故障场景和实时负荷情况动态调度这些移动储能尽量降低系统负荷削减总量和最大单时段削减量。用 IEEE33 节点系统做载体是因为这个系统拓扑清晰、参数公开非常适合快速验证策略有效性也是研究配电网的经典算例。1.2 移动储能为什么比固定储能更灵活固定储能一旦安装完成位置就固定了能支撑的节点范围有限。移动储能则像“救火队员”可以提前布置到风险高的区域灾后又可以根据实际故障位置随时转移。这就带来了一个很有意思的耦合问题预布局阶段决定的初始位置会直接限制故障阶段能快速到达哪些节点而移动储能从一个节点到另一个节点需要时间这个时间又可能错过关键负荷的支撑窗口。所以预布局和动态调度二者必须联合建模不能分开优化。具体到模型里移动储能的特性包括容量、额定充放电功率、移动速度、移动时间约束、在节点间的路由路径。这些变量会让优化模型从常规的最优潮流问题变成含有时间维度的混合整数规划问题复杂度一下子就上去了。1.3 IEEE33节点的地位与仿真意义IEEE33节点系统是配电网研究里的“标准考卷”包含一个根节点通常是变电站、32条支路、若干联络开关基准电压12.66kV总负荷大约3715kW 2300kvar。它的拓扑结构足够复杂能体现潮流分布、电压降落、重载支路等常见问题又没有大到让优化模型无法收敛。很多新算法、新策略都会先在这类标准系统上验证效果然后再往更大系统推广。所以用IEEE33节点复现这套策略既贴合主流学术评价标准又容易和其他文献横向对比。2. 策略框架与模型构建——预布局与动态调度是如何耦合的2.1 两层优化框架灾前预布局与灾中动态调度这套策略最核心的设计是“两阶段优化”但注意它和传统的“两阶段随机规划”不完全一样。这里的两阶段更强调时间上的先后第一阶段是灾前决策第二阶段是故障后的实时调度。第一阶段假设已知灾害预测信息比如预测哪些线路大概率会故障此时系统可能形成若干个孤岛负荷预测值也已知需要决策的是每台移动储能放在哪个节点以及每台储能是否预留了足够的电量。由于移动储能数量有限不可能每个节点都放一台预布局本质上是有限资源的最优分配问题。这个阶段不考虑灾后移动只考虑“起始位置”和“初始电量”。第二阶段在故障场景发生后系统状态变化了移动储能可以从预布局位置移动到新的节点并且在每个节点执行充放电策略。这个阶段要决策的是每台储能每个时段的移动路径、并网节点、充放电功率。动态调度的难点在于移动是需要时间的储能不能瞬间从一个节点跳到另一个节点因此第二阶段是一个多时段的动态优化。这种“预布局动态调度”的联合建模比单纯做“故障后调度”更优的原因在于如果你不提前预布局等到故障发生再让储能从基地出发可能会因交通距离、道路损毁等因素延误数个小时关键负荷早就失电了。预布局本质上是用“提前量”换“响应速度”。2.2 目标函数与约束条件详解先看目标函数。通常这类论文会设置多个目标最常见的是最小化总负荷削减量或者最小化系统最坏时刻的负荷削减比例。总负荷削减量可以衡量恢复效果的整体水平最坏时刻削减量则对应韧性指标中的“功能下降深度”。为了体现韧性提升很多文献会用“韧性提升率”对比有、无移动储能两种情况。比如定义R 1 - (有MES时的总失负荷量 / 无MES时的总失负荷量)这个值越高说明策略越有效。如果考虑经济性目标函数里还可以加入移动储能的调度成本、充放电损耗成本。但注意学术复现建议优先复现最基本的“负荷削减最小化”目标先保证逻辑正确再逐步加成本项。约束条件方面有几类必须写全配电网潮流约束通常采用DistFlow模型或交流潮流模型的线性化形式。IEEE33节点是辐射状网络DistFlow非常适用。DistFlow把有功、无功、电压幅值之间的关系表达成递推公式便于嵌入优化问题。如果做精确交流潮流非线性约束会让求解时间大幅增加而且移动储能整数变量和潮流非线性混合后很难收敛。移动储能运行约束每个时段的充放电功率不能超过额定功率储能SOC荷电状态要保持在合理范围比如0.1~0.9充放电不能同时进行相邻时段之间SOC存在递推关系SOC(t1)SOC(t)η_cP_chΔt/E_cap - (1/η_d)P_disΔt/E_cap。这里的效率系数和容量标幺化处理很容易写错后文会专门讲。移动路径与时间约束移动储能从节点i到节点j需要的时间由移动速度和路程决定。在一个故障时段内储能要么在某个节点充放电要么在移动途中。建模上常用0-1变量表示“某时刻是否在某节点”移动过程通过节点关联约束来衔接。辐射状拓扑约束除非允许重构否则保持网络拓扑为辐射状如果考虑故障隔离还要设定哪些线路断开。节点电压和支路功率约束如电压幅值在0.95~1.05 pu之间支路电流不过载。2.3 移动储能建模细节移动时间、充放电、容量、接入位置移动储能的参数设定直接影响结果的合理性。我自己复现时常用以下参数单台移动储能容量为500kWh额定功率100kW最大移动速度为30km/h每移动一个节点平均耗时0.5~1小时。这里的“节点间移动时间”需要根据IEEE33节点的地理拓扑进行抽象。IEEE33节点图本身只给出了电气连接关系没有给出实际地理位置因此复现时通常有两种处理一是假设节点间的距离等于线路长度线路数据里有长度但IEEE33原始参数是标幺值需要自己给定基准长度二是直接设定相邻节点移动时间为固定值比如0.5小时。第二种更简单适合快速验证模型但说明结果时最好声明这种简化。接入位置也有讲究。移动储能不能接在任意根节点或者变压器节点上实际上大多数文献设定移动储能可接入线路的任意负荷节点且同一时刻一个节点最多接入一台储能。这样建模时可以引入节点接入数量约束。为了减少整数变量也可以预先筛选候选节点比如剔除那些离故障线路太远的节点或者只保留重要负荷节点。还有一点移动储能本身在移动过程中既不能充电也不能放电这意味着存在一段“空窗期”。如果在故障发生后的最关键时段储能都在路上那预布局就白做了。所以动态调度中要显式判断储能是在路还是已并网这也是很多初学者容易忽略的细节。3. Matlab实现流程与核心代码逻辑3.1 整体代码结构模块化设计才能跑通这套复现我用的是Matlab Yalmip 求解器可以用Gurobi或Cplex。Yalmip是Matlab下的建模工具箱它能把优化问题用接近数学表达式的语法写出来非常适合这种两阶段混合整数规划。代码按功能模块划分建议结构如下case33_parameters.m定义IEEE33节点拓扑、线路参数、负荷数据、移动储能参数。pre_placement_decision.m构建预布局优化模型并求解。dynamic_dispatch_decision.m在给定预布局位置和故障场景下构建动态调度模型并求解。power_flow_check.m用DistFlow或牛顿法校验各时段潮流。scenario_generator.m生成故障场景线路断开组合、负荷波动系数。run_main.m主脚本串联所有模块并输出结果。一开始不要追求一个完整的大程序先把各个模块单独跑通再拼接起来。尤其是潮流校验模块建议用Matpower先算一个基本潮流确认IEEE33数据输入无误再写自己的DistFlow。3.2 关键参数设置与数据准备工作IEEE33节点原始数据在matpower里内置了也可以用网上常见的data表格导入。我用的是手写结构体数组每条线路包含首端节点、末端节点、电阻、电抗、基准长度每个节点包含有功负荷、无功负荷。这里要特别注意单位IEEE33的基准电压是12.66kV基准功率是10MVA或1MVA负荷数值需要归一到标幺值。很多同学直接代入原始kW值导致潮流约束量纲错乱求解结果完全不可用。我习惯把基准功率设为1MVA那么3715kW总负荷就是3.715pu这样电压幅值在1pu附近比较正常。移动储能参数方面第二次复现时我调整为一台500kWh/100kW的储能数量设为3台预布局候选节点为所有带负荷的节点。移动时间按相邻节点0.5小时故障周期为24小时调度间隔为1小时。这样的规模在Yalmip中建模决策变量不会爆炸2小时内基本可以求解。具体的参数设置表格如下参数数值说明节点系统IEEE3312.66kV32条支路基准功率1MVA将负荷转换为pu值故障时段24h调度周期时间步长1h预置SOC可保证最坏场景下仍有电移动储能容量500kWh单台额定功率100kW单台移动速度相邻节点0.5h简化处理初始SOC0.5预布局后可调度SOC范围0.1 ~ 0.9避免深度过放移动储能数量3有限资源3.3 求解算法思路为什么用混合整数线性规划预布局阶段包含0-1变量储能是否放在节点k动态调度阶段包含每个时段、每台储能的接入节点0-1变量和充放电0-1变量所以整体是混合整数优化问题。如果潮流约束采用线性化的DistFlow模型整个问题就是混合整数线性规划MILP可以直接用分支定界法求解。如果加入精确潮流或者电压二次约束就变成MINLP求解难度成倍增加。复现的主流文献大多采用MILP近似因为韧性优化更关注策略逻辑而不是精确的潮流非线性。这里补充一个关键概念线性化后的DistFlow一般写成P_{ij}(t) - sum_{k:(j,k)} P_{jk}(t) P_{j,load}(t) - P_{j,MES,dis}(t) P_{j,MES,ch}(t)Q_{ij}(t) - sum_{k:(j,k)} Q_{jk}(t) Q_{j,load}(t)U_j(t) - U_i(t) 2*(R_{ij}*P_{ij}(t)X_{ij}*Q_{ij}(t))其中U是电压平方。最后一个等式涉及P和U的乘积不是这里已经忽略了二次项只保留一次项因此是线性约束。在IEEE33节点这种电压偏差不大的场景里误差可以接受。如果你追求精确可以用二阶锥松弛但那属于进一步扩展。3.4 核心代码片段解析下面展示动态调度模块里的关键片段不是完整代码但体现建模思路。%% 决策变量 M 3; % 移动储能数量 T 24; % 时段 N 33; % 节点数根节点0或1注意索引 P_ch binvar(M,T); % 充电标志 P_dis binvar(M,T); % 放电标志 beta binvar(N,M,T); % 时刻t储能m是否接入节点n SOC sdpvar(M,T); % 荷电状态 P_ch_val sdpvar(M,T); % 充电功率 P_dis_val sdpvar(M,T); % 放电功率这里的 binvar 是Yalmip的0-1变量。接入节点变量 beta(n,m,t) 是一个三维0-1数组规模333242376个变量加上充放电标志规模并不算小但MILP求解器可以接受。要注意的是必须确保同一时刻一台储能只能接在一个节点所以对每个m,tsum(beta(:,m,t)) 1。移动过程可以这样建模如果储能m在t时刻接入节点i在t1时刻接入节点j且i≠j那么它在这个时段内发生了移动。为了不让储能“瞬移”需要定义移动状态变量 move(i,j,m,t)并强加约束当 beta(i,m,t)1 且 beta(j,m,t1)1 且 i≠j 时move1。此时储能不能充放电。这种约束的直接写法比较繁琐一种简化方式是设定相邻节点移动时间固定为0.5h即小于调度步长1h因此储能可以在1小时内从相邻节点移动到下一个节点但跨多节点移动需要2小时以上。更严谨的做法是建立时空网络流约束每台储能每时段要么停留在原地要么移动到相邻节点且移动期间无充电。具体可在复现时看文献采用的方式。SOC约束片段for m1:M for t1:T-1 SOC(m,t1) SOC(m,t) eta_ch*P_ch_val(m,t)/Ecap - P_dis_val(m,t)/(eta_dis*Ecap); end SOC(m,1) SOC0(m); SOC(m,:) 0.1; SOC(m,:) 0.9; P_ch_val(m,:) 100*P_ch(m,:); P_dis_val(m,:) 100*P_dis(m,:); end注意充放电标志的互斥约束 P_ch(m,t)P_dis(m,t) 1。如果不加这个约束同一台储能可能一边充电一边放电虽然从功率角度看会抵消但实际物理不可能而且会造成SOC不变却损耗效率结果失真。目标函数片段objective 0; for t1:T for n1:N objective objective load_curtail(n,t); % 每个节点的失负荷变量 end end失负荷变量需要小于等于该节点该时段的负荷需求且与MES出力一起参与节点功率平衡。3.5 求解结果如何输出与可视化跑完优化后不要只看目标函数值。我建议至少输出三张图一是各时段系统总失负荷柱状图对比有无人机不是移动储能和无移动储能两种场景二是各时段每台移动储能的接入节点和SOC曲线三是系统最坏时刻的节点电压分布。这些结果能够直观验证策略是否有效。如果观察到有移动储能接入后失负荷仍然很高要检查是不是移动时间约束过强、储能数量太少或者预布局位置不对。4. 复现过程中最容易踩的坑与排查方法4.1 潮流计算不收敛量纲与基准值惹的祸第一次跑代码最常出现的问题就是潮流计算不收敛。排查思路先用Matpower跑一次标准的牛顿法潮流如果不收敛大概率是线路参数或负荷数据输入有误。IEEE33节点基准电压是12.66kV但在标幺值计算时基准功率和基准电压必须配套。比如基准功率取1MVA基准阻抗就是 (12.66kV)^2 / 1MVA ≈ 160.3Ω。如果直接用原始线路的欧姆值除以这个基准阻抗得到的标幺值才是对的。如果基准功率取10MVA电压基准不变基准阻抗变成16.03Ω两种情况得到的标幺值不同绝不能用错。我复现时是把matpower里的bus和branch矩阵直接转换这样能确保参数准确。还有一个小细节IEEE33节点图上通常把根节点编号为1但有些文献或工具从0开始编号。在Matlab数组索引里节点编号和数组下标容易差1导致线路首末节点关联错乱。建议先画一个简单的拓扑图验证连通性。4.2 移动时间约束建模不当储能变成“瞬间移动”这是动态调度里最容易出现“假结果”的地方。如果移动时间约束没有写好求解器可能让储能从节点1直接跳到节点33而不消耗任何时间相当于给储能开了传送门。这样的结果看起来韧性提升很高但现实中完全不可行。解决方法是引入“移动弧”的概念。假设每个时段长度为1小时移动储能每小时最多从一个节点移动到相邻节点。定义二进制变量y(m,i,j,t)表示储能m在t时段从节点i转移到节点j。那么有以下关系接入节点变量 beta 需要满足时空一致性如果 beta(i,m,t)1则t1时刻的接入节点j必须等于i或相邻节点。这个可以通过约束实现sum_{j in N_neighbor(i)} beta(j,m,t1) beta(i,m,t) - 0? 实际上可写为beta(j,m,t1) 的取值受限于 beta(i,m,t) 和移动变量。更简单的实现是用“位置状态转移矩阵”T其中 T(i,j)1 如果储能可以从i移动到j包括原地。然后用线性的“转移约束”要求 beta(m,:,t1) 的分布是 beta(m,:,t) 经T转移后的子集。不过Yalmip里写起来有一点抽象。建议先把移动时间设为所有相邻节点都相同比如0.5小时并把调度步长设为1小时此时储能从节点i到相邻节点j需要1小时刚好可以在一个时段内到达跨相邻节点。这种情况下只需约束t1时刻接入节点j必须满足存在某个i使得 beta(i,m,t)1 且 i与j相邻或相同。在代码中可以写成for m1:M for t1:T-1 for j1:N % 如果t1接入j则t时刻必须在j或j的相邻节点 beta(j,m,t1) sum(Adj(j,:) .* beta(:,m,t)); end end end这里 Adj(j,:) 表示与节点j相邻的节点向量含j本身。这个约束简单有效能防止瞬间移动。4.3 动态调度中的时间步长选择拍脑袋不可取时间步长如果太大比如4小时一步移动储能到达关键节点的时间精度不足无法刻画“故障后1小时需要支撑”的场景。时间步长太小比如15分钟一步那么24小时就有96个时段整数变量爆炸式增长求解器可能跑几个小时都出不来。我做下来的经验是如果需要精细刻画移动过程可以用“滚动时域”思路先以1小时为步长求解然后对最关键的故障后6小时再做15分钟加密。如果只是复现文献的平均效果1小时步长足够了。另外调度周期也不需要固定为24小时可以取故障持续时间恢复时间比如6~12小时这样模型规模更可控。4.4 预布局结果不合理的常见原因有时候跑完预布局发现储能全放在同一个节点附近或者放在一些很偏的位置看起来不合理。要检查三类问题一是目标函数没有考虑“最坏场景”只优化了期望负荷削减导致预布局偏向平均场景二是移动时间成本占目标函数的权重太低储能可以随便跑很远三是候选节点集合设置得太宽最优结果可能把储能放在故障概率低但负荷小的节点看似合理实际上不如放在重要负荷附近。建议在预布局阶段引入“候选节点限制”只允许放在预先评估的高风险区域或者一级负荷节点这样既符合实际情况也能提高求解稳定性。5. 仿真结果分析与扩展思考5.1 不同场景对比有/无移动储能的韧性指标差异复现时我设置了四个场景场景A无移动储能系统遭受线路故障后依靠网络重构/分布式电源支撑。场景B有移动储能但不做预布局故障后从基地出发。场景C有移动储能做预布局但不动态调度只固定在预布局节点放电。场景D完整实现预布局动态调度。对比结果通常是场景D的总失负荷量和最大失负荷量最小场景B次之但场景B在最坏时刻可能因为储能还在路上导致电压崩溃。场景A最差。这个对比能清晰地说明预布局和动态调度各自贡献了多少韧性提升。我复现时设定3条线路同时故障、故障时段6小时场景D比场景A的总失负荷量降低了约40%~60%具体数值跟负荷系数和储能容量有关。5.2 结果指标提取别只盯总失负荷量除了总失负荷量建议额外计算这几个指标系统最坏时刻负荷削减比例这个指标直接反映韧性曲线的最低点。关键负荷恢复时间比如重要节点在故障后多久恢复供电。移动储能平均利用率储能实际放电能量/理论可放电能量用来评估调度策略是否把储能资源榨干或者浪费。节点电压越限次数验证动态接入储能后电能质量是否满足要求。在Matlab中可以用一个结构体 result 保存这些指标最后统一生成表格。这套流程跑熟后换其他配电网系统只需要改参数文件模型部分几乎不用动。5.3 模型扩展方向多时段耦合、多灾害场景、协同重构这套模型还可以往几个方向扩展。一是考虑多时段间的气象信息和负荷不确定性把预布局决策做成两阶段鲁棒优化第一阶段决定储能位置第二阶段在多个故障场景中寻找最恶劣情况进行调度。二是把网络重构开关状态纳入决策变量让移动储能的接入位置和网络拓扑协同优化理论上韧性提升空间更大但模型复杂度会高很多。三是在动态调度中加入交通路况约束把“移动时间”从固定值变成随道路损毁程度变化的参数这更贴近实际应急场景。我自己后续比较看好“移动储能应急发电车”的协同调度因为两者在响应速度和容量规模上互补是一个很有工程价值的方向。最后分享一点个人经验这套代码从搭框架到跑通我花了差不多两个完整周末。最深的体会是两阶段优化不要急着一步到位先把第二阶段动态调度单独放在固定预布局位置上跑通再把第一阶段的预布局结果作为输入接进去。如果第一天就上完整两阶段调试起来变量太多报错都不知道错在哪。第二个建议是去复现论文时先把目标函数和约束逐条列成清单然后用Yalmip一行一行对应不然容易漏约束。最后一个小技巧求解器输出状态一定要检查千万不要只看到有结果就认为是对的我遇到过Gurobi返回可行解但gap偏高的情况结果虽然看起来合理但换一组参数就崩了。把容差设到0.1%再跑一遍才能真正放心。如果你也在复现类似课题建议先拿我这篇文章里的模型和参数跑通基础版本再去读文献里的对比实验。学术复现不是比谁的代码跑得快而是比谁对模型理解得更透。希望这篇分享能让你少踩几个坑。