企业官网建设流程全解析

简介：面向配电网韧性提升的移动储能预布局与动态调度策略MATLAB程序，适用于电力系统韧性评估、储能规划与动态调度研究，目标用户为高校师生、科研院所工程师及配电网规划人员。程序包含灾前预防与灾后恢复两大模块：灾前部分采用两阶段鲁棒优化框架，将移动储能配置成本与负荷削减成本作为目标函数，并考虑光伏出力不确定性，通过大M法和列与约束生成算法（CC&G）迭代求解；灾后部分采用混合二阶锥规划，直接优化得到最优负荷削减量与各设备出力方案。压缩包约3.56MB，以MATLAB源码文件为主，需配合Gurobi求解环境运行。资源与《面向配电网韧性提升的移动储能预布局与动态调度策略》论文配套，已有462人学习，适合需要复现文献算法、开展韧性提升仿真或进行算法对比研究的读者参考。

1. 这个标题到底在解决什么问题：台风还没来，储能车该停在哪

台风预警发布到预计登陆往往只有十几个小时，配电网里那几台移动储能车（MES）提前停在哪个节点，直接决定了灾后孤岛能恢复多少关键负荷；等故障点陆续明确、路况动态变化，车又该按什么顺序往哪开、到了以后以多大功率放电，又是一层实时决策。标题里“预布局与动态调度”就是把这两层决策统一装进一个优化模型里，用 MATLAB 求解：灾前决定车的停放位置，灾中决定车的移动路径和充放电计划。它解决的不是“多买几台车”，而是“把已有的车停在正确的位置、在正确的时间送到正确的节点”。这套方法适合配电网规划、应急管理的从业者，也适合正在用 MATLAB 做混合整数规划课题的研究生——有可复现的建模框架，也有能直接抄走的主程序骨架。

2. 先把问题写明白：移动储能预布局与动态调度的两阶段数学建模

2.1 为什么是“预布局 + 动态调度”而不是单一优化

固定储能一旦安装，位置就锁死了；移动储能车的价值恰恰在于“可移动”。灾害发生之前，精确故障点未知，只有预测的故障场景和节点重要度，所以要先做预布局——把车放在收益期望最高的备用节点。灾后故障信息逐步清晰，交通条件也在变，再依靠动态调度来决定每辆车往哪跑、在哪放电、是否回撤充电。这两件事如果分开优化，最常见的翻车方式是：预布局阶段把所有车都堆在重负荷节点旁边，结果实际故障出在另一端，车赶过去时黄花菜都凉了；反过来，动态调度阶段无视车的初始位置，给出一个物理上根本来不及走的路线。把两个阶段放进同一个优化问题里，用 t=0 时刻的位置约束把“预布局结果”和“动态调度起点”咬合在一起，才是工程上可靠的建模方式。

2.2 目标函数：韧性不只是“少停电”

通用的目标函数写成：

min Σ_t Σ_k c_move · u_{k,t} + Σ_t Σ_n λ_n · shed_{n,t}

第一项是所有移动储能车在调度周期内的移动成本，u_{k,t}是车的移动标志位；第二项是失负荷惩罚，shed_{n,t}是节点 n 在时刻 t 的削减负荷量，λ_n是节点重要度乘数。医院、供水、通信基站的 λ 取值要明显高于普通居民负荷。

λ 的取值直接决定调度行为：取太小，车会为了省移动成本而不去关键节点；取太大，车会不计代价地绕远路。我一般会让最大 λ 比平均移动成本高一个数量级，保证“恢复关键负荷优先于节约里程”。如果要算韧性指标，一般用韧性提升率 = (无MES失负荷 - 有MES失负荷) / 无MES失负荷，或者统计“关键负荷恢复时长”这类指标。第 4 章给结果时会具体演示怎么算。

2.3 核心约束：把“时间”写进模型

这个问题的约束可以分成四类，每一步都是工程上踩过坑的地方。

第一类是位置一致性约束。每一辆车在任意时刻只能处于一个物理状态：停靠在某个节点，或者正在移动途中。写成Σ_n y_{k,n,t} + move_{k,t} = 1，y_{k,n,t}是二元变量，为 1 表示车 k 在 t 时刻停靠节点 n；move_{k,t}表示车在 t 时刻处于移动状态。

第二类是移动时序约束。车从节点 n 到节点 m 需要τ_{n,m}个时段，用出发事件变量z_{k,n,m,t}表示“车 k 在 t 时刻从 n 出发去往 m”。出发之后到到达之前，车不能停靠任何节点。这条约束是模型里二元变量的大头，也是最容易把模型写到无解的地方。

第三类是 SOC 递推约束，对应标题里“动态调度”的能量维度：

soc(k,t+1) = soc(k,t) - p_dis(k,t)·dt/E + p_ch(k,t)·dt·η/E

同时要有 SOC 上下限，以及充放电互斥约束。注意充放电效率是不对称的，充电 η 和放电 η 分开写。

第四类是配电网功率平衡约束。对每个孤岛，节点注入功率加上移动储能放电功率要满足负荷需求减去削减量。如果只做移动储能调度、不做配电网重构，用简化的节点功率平衡已经够用，误差主要体现在网损，这个在避坑章再展开。

2.4 离散时间系统视角：步长怎么选

在 MATLAB 里做配电网移动储能调度，本质上是把连续时间系统离散化：状态量是每辆车的位置、SOC、充放电功率，控制输入是“出发 / 停靠 / 充电 / 放电”这些离散事件。这正是“离散时间系统”的典型建模场景。

调度步长 dt 直接决定模型大小：dt=1h 时一个 24 时段调度问题，时段数是 24；dt 改成 15min，时段数变成 96，二元变量规模直接翻四倍，求解时间可能涨一个数量级以上。我的习惯是做两套步长嵌套：预布局阶段用 1h 步长筛方案，动态调度阶段对故障发生后的关键 6 小时加密到 15min。不要一上来就全时段 15min 建模，否则模型还没跑起来，先把求解器难死了。

下面用一张表把这四类约束汇总，后面写 YALMIP 代码时可以直接对照。

3. 用 MATLAB 把模型跑起来：YALMIP 建模与主程序骨架

3.1 为什么用 YALMIP 而不是手写 intlinprog

通用做法是用 YALMIP 作为建模层，把数学约束直接“翻译”成代码，再用 MATLAB 优化工具箱自带的intlinprog或者商业求解器求解。YALMIP 的核心价值是省去手工拼稀疏矩阵的体力活，尤其当变量带有(n,m,k,t)四维下标时，手写矩阵拼接极易错位。如果环境里没有 Gurobi 或 CPLEX，sdpsettings('solver','intlinprog')也能跑通小规模算例，但模型一旦超过几千个二元变量，还是建议装商业求解器。

另外要确认 MATLAB 里装了优化工具箱，这直接关系到intlinprog是否存在。YALMIP 在 R2023b 之后的主版本兼容性普遍正常，安装后运行yalmiptest能看到当前可用的求解器列表。

3.2 主程序骨架：数据加载、变量定义、约束与求解

下面是完整可跑通的主程序结构。代码基于 IEEE 33 节点系统做了简化，但包含了预布局和动态调度两层核心。

%% 主程序：配电网移动储能预布局与动态调度 clear; clc; close all; yalmip('clear'); %% 基础数据 load('data33.mat'); % 包含 N,T,dt,负荷曲线,线路参数,travel_time K = 3; % 移动储能车数量 E = 1000; % 每台车容量[kWh] P_max = 500; % 最大充放电功率[kW] soc0 = 0.5; % 初始SOC lambda = 1e3; % 失负荷惩罚系数 tau = travel_time; % 节点间移动时间矩阵 (N x N) %% 决策变量 y = binvar(N,K,T,'full'); % y(n,k,t)=1 车k在t时刻停靠节点n move = binvar(K,T,'full'); % move(k,t)=1 车k在t时刻处于移动 u_dep = binvar(N,N,K,T,'full'); % u_dep(n,m,k,t)=1 车k在t时刻从n出发前往m p_dis = sdpvar(N,K,T,'full'); % 放电功率 p_ch = sdpvar(N,K,T,'full'); % 充电功率 soc = sdpvar(K,T,'full'); % 荷电状态 0~1 shed = sdpvar(N,T,'full'); % 失负荷量 Constraints = []; %% 预布局：t=1时刻的位置即灾前停放位置 Constraints = [Constraints, sum(y(:,:,1),1) == 1]; % 每辆车只能停一处 %% 动态调度：位置唯一性 for k = 1:K for t = 1:T Constraints = [Constraints, sum(y(:,k,t)) + move(k,t) == 1]; end end %% SOC递推与上下限 for k = 1:K for t = 1:T-1 Constraints = [Constraints, soc(k,t+1) == soc(k,t) ... + sum(p_ch(:,k,t))*0.95/E - sum(p_dis(:,k,t))/(0.95*E)]; end Constraints = [Constraints, 0.2 <= soc(k,:) <= 0.9]; Constraints = [Constraints, soc(k,1) == soc0]; end %% 放电功率与停靠状态关联（关键约束） for k = 1:K for t = 1:T Constraints = [Constraints, p_dis(:,k,t) <= P_max .* y(:,k,t)]; Constraints = [Constraints, p_ch(:,k,t) <= P_max .* y(:,k,t)]; end end %% 目标函数 Objective = sum(sum(lambda * shed)) + sum(sum(1e3 * sum(sum(u_dep,2),3))); %% 求解 ops = sdpsettings('solver','intlinprog','verbose',1,'mipgap',0.01); sol = optimize(Constraints, Objective, ops);

这段代码的逻辑顺序很重要：先定义变量，再逐类加约束，最后求解。y(:,:,1)对应 t=1 时刻车的位置，这就是预布局结果；p_dis与y的关联约束保证车只有停靠在某个节点时才能放电，这一步漏掉的话模型会出现“车在半空中放电”的荒谬结果。参数E、P_max、soc0要按实际储能车参数改，lambda的取值会影响车往哪跑，建议先跑一版看轨迹再调。

3.3 预布局层单独输出有什么用

虽然两层在一个模型里，工程上仍然需要单独看预布局结果。做法很简单：求解后打印y(:,:,1)中为 1 的位置。

for k = 1:K n0 = find(y(:,k,1) > 0.5); fprintf('MES %d 灾前停放节点: %d\n', k, n0); end

这段代码的价值是让预布局方案落地成一纸调度单：哪台车停哪个节点、什么时候出发。如果 MES 是租赁的，还可以把 K 从常数改成整数变量，在目标函数里加一项租赁成本，这样模型就能同时回答“租几台、停在哪”。

3.4 移动时间大于一个时段时怎么改

前面 3.2 的代码假设任意两次停靠之间只需要 1 个时段，这在真实配电网里太理想了。实际节点间移动时间可能是 2 到 5 个时段，需要把移动时序约束改成“从 n 到 m 需要 τ(n,m) 个时段内不能停靠”。YALMIP 里最简洁的写法是用implies：

for k = 1:K for t = 1:T for n = 1:N for m = 1:N if n ~= m && t + tau(n,m) <= T Constraints = [Constraints, ... implies(u_dep(n,m,k,t), y(m,k,t+tau(n,m)) == 1)]; Constraints = [Constraints, ... implies(u_dep(n,m,k,t), ... sum(y(:,k,t+1:min(t+tau(n,m)-1,T))) == 0)]; end end end end end

逻辑说明：implies(A,B)表示当 A 为真时 B 必须为真。这里 A 是“车在 t 时刻从 n 出发到 m”，B 包含两个条件——车在t+τ(n,m)时刻到达 m，并且在中间那些时段不占用任何停靠位置。sum(y(:,k,t+1:...)) == 0中的维度需要和 y 的结构严格对应，写错会直接报维度不匹配或产生不可行约束。implies的求解性能略差于显式线性化，但换来的是代码可读性和正确性，对中小规模算例足够。

3.5 求解器选择的黑匣子

YALMIP 只是建模层，真正算模型的是求解器。intlinprog是 MATLAB 自带的混合整数线性规划求解器，优势是不需要额外安装；缺点是二元变量上万以后求解时间明显变长。商业求解器 Gurobi 和 CPLEX 在 YALMIP 里通过sdpsettings('solver','gurobi')调用，求解速度快一到两个数量级，适合做多场景蒙特卡洛。

关于“黑匣子”这个词，求解器内部的分支定界过程对大多数用户确实是个黑匣子。你只能通过输出日志观察 gap 下降曲线。我常设mipgap在 0.01 到 0.05 之间：设太小求解时间爆炸，设太大结果可能偏离最优解很多。预布局方案允许一点次优，动态调度则建议把 gap 收得更紧一些。

4. 从三节点到 IEEE 33 节点：参数怎么设、结果怎么读

4.1 数据准备：先跑小系统再上大系统

我建议新手从三节点系统起步，先把模型逻辑理顺，再迁移到 IEEE 33 节点。三节点系统的 N=3、T=6、K=1，二元变量规模极小，intlinprog 秒解。跑通之后再切换数据文件，把 N 改成 33、T 改成 24。IEEE 33 节点的标准数据可以从 Matpower 的 case33 里导出，包括节点负荷、线路阻抗、拓扑关系。

移动储能车参数按主流 500kW / 1000kWh 车型设定，SOC 范围 0.2 到 0.9，初始 SOC 0.5。故障场景设定为某几条馈线同时断开，把配电网切成若干孤岛。节点间移动时间矩阵tau由路网距离除以平均车速得到，单位要换算成调度步长的整数倍。这一步很容易把单位搞混，比如平均车速 30km/h、步长 1h、节点距离 12km，移动时间就是 0.4 小时，四舍五入到 1 个时段。

4.2 关键参数表：抄作业直接用

下面这组参数是我在类似算例上反复调过的一组起始值，直接套用基本不会出大问题。

这套参数的经验是：λ 和 c_move 必须保持同量级，λ 略大于 c_move。如果 λ 远超 c_move，模型会为了救一个节点让三台车全开过去，实际交通条件根本不允许；反过来如果 c_move 太大，车就停在原地不动，动态调度退化成固定储能。

4.3 结果怎么读：韧性提升率与轨迹表

求解完成后，第一件事不是看目标函数值，而是算三个数：无 MES 时的系统总失负荷、有 MES 时的系统总失负荷、关键负荷恢复时长。

以前面那组参数在一组典型故障场景下的结果为例：无 MES 时总失负荷约 40MWh，有 MES 且做动态调度时总失负荷约 12MWh，韧性提升率就是 (40-12)/40 = 70%。看结果时不能只盯着提升率，还要看负荷削减曲线在时间轴上的分布——很多模型把负荷削减集中在前几个时段，后面完全恢复，这种情况对用户感知并不好，因为停电初期恰恰是医疗和通信最需要保障的时候。惩罚系数λ按节点差异化设置后，调度结果会自动把削减高峰压后，这是目标函数设计时容易忽略的点。

每台车的运行轨迹可以用一张表输出，直观判断调度方案是否合理。

读取轨迹表时重点检查两条：是否存在“移动中放电”的时段，是否存在“同节点双车同时放电但功率超过该节点负荷”的情况。这两类问题是模型约束漏写或参数错误的最常见信号。

4.4 对比实验：固定储能 vs 移动储能动态调度

为了让结果更有说服力，一般再做一个固定储能对照实验。做法是把 t=1 时刻的位置固定死且不允许移动，即去掉move变量和u_dep变量，让每台车只能在一个节点放电。对比结论通常很明显：固定储能在故障点与预置点重合时效果好，故障点偏移时效果锐减；移动储能通过动态调整位置，可以把恢复范围扩大两到三个节点。这个对比也是判断“预布局 + 动态调度”到底值不值得做的关键论据。

5. 避坑清单：求解器找不到、模型无解、结果反复横跳

5.1 现象：YALMIP 报“No suitable solver for this problem”

原因是 YALMIP 没有识别到任何可用的混合整数求解器。常见触发点有两个：一是 MATLAB 安装时没勾选优化工具箱，intlinprog根本不存在；二是 YALMIP 路径没有被正确添加到 MATLAB 搜索路径，或者 YALMIP 版本太老与 R2024a 之后的 MATLAB 不兼容。

解决的固定动作是：先运行which intlinprog，如果返回'intlinprog' not found，说明优化工具箱缺失，需要重装或修复 MATLAB；然后在 MATLAB 里执行addpath(genpath('yalmip文件夹路径'))并savepath。最后运行yalmiptest，确认intlinprog在求解器列表里。这一步是 YALMIP 建模的“开机自检”，别跳过。

5.2 现象：模型求解极其缓慢，两小时不出结果

二元变量爆炸是头号原因。以 33 节点、24 时段、3 台车、全连接移动变量为例，u_dep的完整规模是 N×N×K×T = 33×33×3×24 = 78408 个二元变量，其中大量 n=m 的变量根本没有意义。

解决思路是“砍变量 + 放宽 gap”。把u_dep定义成稀疏变量，只保留n ~= m的元素；把移动范围限制在故障可能涉及的节点集合内，不要做成全连接；再把mipgap从 0.01 放宽到 0.05。还有一种更实用的做法是分层求解：预布局单独跑一次 MILP，把解出的y(:,:,1)固定，再作为初始条件跑动态调度，这样两层分别求解，规模各小一半。

5.3 现象：求解成功但结果出现“车在半空中放电”

这是典型的约束漏写。如果只定义了p_dis和p_ch的上下限，没有把放电功率和停靠位置关联，求解器会利用这个漏洞让车一边移动一边放电，目标函数还很好看，实际完全不可行。

解决办法就是 3.2 代码里那句关联约束：p_dis(:,k,t) <= P_max * y(:,k,t)，同时给p_ch也加上同样的约束。为什么要给充电也加？因为移动过程中充电同样物理不可能。检查结果时，在轨迹表里搜一遍“状态为移动但功率非零”的时段，能快速定位这类问题。

5.4 现象：调度结果反复横跳，车在相邻节点之间来回跑

目标函数里移动惩罚太小或根本没加时，模型会让车无意义地反复移动，因为每多跑一个节点就能重新优化一次放电位置，目标函数反而更优。从结果看就是轨迹表里 MES 每小时都在换节点。

解决方法是把移动成本调高，再加“全调度周期内每辆车最多移动 M 次”的约束。M 一般取 3 到 5，既能保证灵活性，又避免振荡。调参经验是：先看无移动惩罚时的最优解，如果移动次数超过 T/3，就把移动惩罚系数翻倍再跑，直到轨迹稳定。

5.5 现象：预布局结果和动态调度结果对不上

预布局说车停在节点 A，但动态调度一开始就让车从节点 B 出发，或者动态调度方案在 t=1 时刻要求车出现在它根本来不及到达的节点。根源在于两层模型没有共享同一个 t=1 位置约束。

如果两层是分开建模求解的，必须把预布局输出的y(:,:,1)显式写为动态调度的初始条件约束：y_init(:,k) == y_pre(:,k)。如果合在一个模型里，要检查sum(y(:,:,1),1) == 1这个约束是不是写成了对节点求和而非对车辆求和，维度搞反就会出现一辆车占多个节点的矛盾。这个错误很隐蔽，报错却常常是“infeasible problem”，让人摸不着头脑。

6. 进阶打法：滚动时域重调度、蒙特卡洛验证和轨迹可视化

读完前五章，你已经能跑通一个完整的“预布局 + 动态调度”模型。接下来的进阶打法有三个方向：滚动时域、不确定性验证、可视化输出。

滚动时域是把 24 小时的静态调度改成每小时重跑一次的做法。每执行 1 个时段，把当前实际故障信息、交通状态和车辆位置更新进去，重新求解剩余时段的调度问题。这样模型就有“后悔药”可吃：灾前预测的故障点错了，下一时段就调整路线。实现上只需要把循环包一层，每次把当前t0时刻的状态作为新模型的初值。

蒙特卡洛验证是检验方案韧性最常用的手段。按故障位置和持续时间抽样生成 100 到 1000 组场景，对每组场景跑一遍调度模型，统计韧性提升率的期望和 5% 分位数。这一步能回答“预布局在最坏场景下会不会失效”，也是写报告和论文时最有说服力的一张图。代价是计算量大，建议先用低精度 gap 快速跑，确认无误后再加密。

轨迹可视化做的事很简单：用stairs或plot把每台车的节点位置随时间的变化画出来，再把 SOC 曲线画在第二张子图里，两张图上下对齐。实践里我发现，文字描述“车从节点12转移到节点18”远没有一张轨迹图直观——审稿人和领导都更相信图。代码只需要十几行，但值得做。

figure; subplot(2,1,1); stairs(t, pos_MES1, 'LineWidth', 1.5); hold on; stairs(t, pos_MES2, 'LineWidth', 1.5); ylabel('节点编号'); xlabel('时段'); legend('MES1','MES2'); subplot(2,1,2); stairs(t, soc_MES1, 'LineWidth', 1.5); hold on; stairs(t, soc_MES2, 'LineWidth', 1.5); ylabel('SOC'); xlabel('时段');

这段代码中pos_MES是从求解结果里提取的“每个时刻车辆所在节点”序列，soc_MES是荷电状态序列。两个子图共用时间轴，可以直接看出“车在移动时 SOC 不变、停靠放电时 SOC 下降”的物理一致性。如果发现移动过程中 SOC 也在变，回到第 5 章 5.3 节检查关联约束。

我个人的工作习惯是：拿到这类课题，不急着写模型，先把故障场景抽样器和结果可视化写好，再回头调模型参数。这样每次调整约束或惩罚系数，都能通过轨迹图和提升率分布快速看出变化，而不是盯着求解器打印的一堆日志猜问题。配电网韧性的方案验证，本质上是“场景 - 决策 - 评价”三个环节的闭环，把后两个环节的自动化工具先准备好，前一个环节的效率会高很多。希望这篇笔记能帮你在自己的项目里少踩几个坑，把移动储能真正调度到该去的地方。

本文还有配套的精品资源，点击获取