配电网韧性提升的移动储能预布局与动态调度策略（IEEE33节点Matlab实现）

从"灾前不知道把移动储能放在哪里"这个痛点说起。我们做配电网韧性提升时，最头疼的不是储能本身的控制，而是它和"场景不确定性"之间的耦合：台风来之前，你只有有限的几辆移动储能车，放错了地方，灾中调度再聪明也救不回来；放得太分散，单点容量又不够。我复现的这个"面向配电网韧性提升的移动储能预布局与动态调度策略（IEEE33节点，Matlab实现）"项目，核心就是解决这个问题——用两阶段鲁棒优化的思路，先做预布局（pre-positioning），再做动态调度（dynamic dispatch），最终落到IEEE33节点系统上做完整算例验证。

这篇文章我会把整个建模思路、求解逻辑、Matlab实现细节和踩坑经历全部拆开讲。适合正在做配电网韧性、移动储能、应急调度相关课题的研究生，也适合想快速跑通一个两阶段优化Demo的工程师。你不需要提前懂太多鲁棒优化，我会把min-max-min结构从"为什么要有"讲到"代码里怎么组织"。

1. 移动储能在配电网韧性提升里到底解决什么问题

1.1 先说清楚"韧性"和"可靠性"不是一回事

很多刚接触配电网的人会把韧性和可靠性混在一起。可靠性说的是常态下的供电概率，比如一年里用户停电多少小时，这属于"平均意义上"的指标。但韧性关心的是极端事件——台风、冰灾、暴雨——系统从"被重创"到"恢复"这一段过程的性能曲线。

韧性曲线通常长这样：事件发生前系统处于正常运行点，事件发生时性能陡降，然后经过抢修、调度、重构逐步爬升回正常水平。韧性提升的本质，就是把"性能陡降"的深度压小，把"爬升"的时间缩短。移动储能能做的，正是在性能陡降阶段提供应急功率支撑，在恢复阶段作为临时电源帮助重要负荷先行复电。

1.2 为什么偏偏是"移动"储能，而不是固定储能

固定储能装在某个节点，优点是可以当成常规调节资源参与运行，但极端灾害来临时有两个硬伤：第一，如果故障点不在储能附近，功率送不过去，线路可能已经断开，有电也输不出；第二，固定储能本身也可能处于受灾区域。移动储能车的核心价值在于"位置是决策量"——灾前可以依据预测场景把车开到最需要的位置，灾中还可以根据故障确认情况再次转移。

打个生活化的比方：固定储能像家里的常备药箱，移动储能像应急医疗队——药箱再好，也只能在家等病人上门；医疗队可以提前部署到风险区域，还能随疫情变化转场。配电网场景里，移动储能的"转场能力"对应的是调度模型里的一组时间-空间耦合约束，这也是整个项目最精彩也最容易写错的地方。

1.3 预布局和动态调度是怎么组成闭环的

这套策略在时间上分成两段：

• 灾前预布局阶段：此时只知道故障场景的概率分布或典型场景集，不知道哪些线路真的会断。决策的是每辆移动储能车放到哪个节点，初始SOC充到多少。
• 灾中动态调度阶段：故障场景已经确认（至少部分确认），系统在实时运行。决策的是每个时段每辆MES充放电多少、是否转移到其他节点。

两阶段的逻辑关系是：预布局阶段的决策值，会作为动态调度阶段的初始条件。预布局需要对抗不确定性，所以目标函数通常是"最坏场景下的负荷削减最小化"；动态调度则是在给定初始位置后，以实际故障场景下的恢复效果最优为目标。一前一后，闭环就完整了。

2. 预布局阶段建模：场景集、目标函数与关键约束

2.1 故障场景集：你不能把所有线路断法都塞进模型

极端灾害下的故障场景数量是指数级的。IEEE33节点有32条支路加5条联络线，如果考虑任意组合断线，场景数无法枚举。实际工程项目里常用两类做法：一是场景法，根据历史气象数据生成典型故障场景，比如"线路5-6断、线路8-9断"这种情况，每个场景给一个概率；二是用盒式不确定集，限制总断线数不超过K，用鲁棒优化处理。这个复现项目里更偏向后一种思路：先给定若干个代表性场景，再在求解中用迭代方式找最坏场景。

这里有个容易误解的点：故障场景集不是越大越好。你塞进去的场景越多，求解时间呈指数增长，而且MES的预布局结果会趋向于"哪里都放一点"的均匀解，这在实际中反而是低效的。更好的做法是选3—5个典型场景，覆盖末端薄弱节点和主干联络线两类故障模式，然后让鲁棒优化去平衡。

2.2 目标函数为什么是min-max-min三层结构

预布局阶段要表达的逻辑是：我先决定MES放在哪里（min x），然后大自然选中一个最坏故障场景（max u），最后运行人员在给定场景下做最优调度（min y）。落到数学上就是：

[ \min_{x} \quad \max_{u \in \mathcal{U}} \quad \min_{y \in \Omega(x,u)} \quad \sum_{t} \sum_{i} \Delta L_{i,t} ]

其中x是MES预布局位置，u是故障场景向量，y包含各节点有功/无功注入、节点电压、MES充放电功率等运行变量，ΔL是节点负荷削减量。

初看这个三层结构会有点晕，但你可以把它理解成"下棋"：MES的位置是先手，故障场景是对手的反击，运行调度是后手。先手要保证对手选最狠招的时候，后手还能接得住。这个结构是无线套路的，它直接决定了后面求解时要用C&CG（列与约束生成）算法。

2.3 预布局阶段的约束条件：位置、潮流、储能

约束条件我按功能分组说，代码里也建议按这样组织：

• 位置唯一性约束：每辆MES最多放一个节点，即 sum_j x_{m,j} <= 1。
• 配电网潮流约束：用DistFlow支路潮流模型，包含节点有功/无功平衡、线路潮流方程、电压幅值上下限。这里我直接用二阶锥松弛把非线性潮流变成可求解的锥约束，具体写法在第五章讲。
• 负荷削减约束：0 <= ΔL_{i,t} <= P_{load,i,t}，即削减量不能超过该节点实际负荷。
• MES运行约束：初始SOC、充放电功率上下限、SOC递推关系、充放电不能同时进行。
• 联络线转供约束：IEEE33节点有5条联络线，故障后可以通过联络开关重构供电路径，这一层也必须建模进去，否则MES容易承担过多转供任务，结果失真。

我在实际写约束时踩过一个坑：预布局阶段MES初始SOC如果设满，和"MES可以提前充电"的物理行为其实是矛盾的。预布局时车开到节点，它可以接入电网充电，也可以维持低SOC等待灾后放电。所以目标函数里应该允许MES在灾前充电，但充电成本可以忽略或加权。否则最坏情况下MES全满SOC，约束可行域偏乐观。

2.4 预布局阶段产出的到底是一组什么结果

求解完预布局阶段，你会得到这样的决策表：MES1放到节点8，初始SOC 0.9；MES2放到节点24，初始SOC 0.8；MES3放到节点31，初始SOC 0.85。这些结果会作为固定参数传给动态调度模块。注意，预布局阶段的目标函数值是"最坏场景下的负荷削减量"，这个值本身也有意义——它相当于一种韧性底线评估。如果这个值超过你的心理预期，你就需要增加MES数量或调整容量，而不是靠优化算法硬凑。

3. 动态调度阶段建模：时序耦合、MES二次转移与运行约束

3.1 动态调度要解决的和预布局完全不同

预布局是"选位置"，动态调度是"控过程"。故障发生后，时变调度要在24小时或更长的恢复窗口里，决定每个时段MES是放电支撑、充电待命还是移动到另一个节点。这里的难点不是单时段的潮流计算，而是时序耦合——上一时段的SOC决定下一时段能放多少电，上一时段的位置决定下一时段能不能在目标节点放电。

我把动态调度的模型按这三个模块拆分：

• 时间模块：设定调度窗口T，步长1小时；定义每个MES的转移时间矩阵（从节点a到节点b需要多少小时）。
• 状态模块：每个时段每个MES的SOC、位置、充放电状态。
• 运行模块：每个时段的潮流、电压、负荷削减量。

3.2 MES移动约束：最容易写出"瞬移"bug的地方

这是整个项目里我花时间最多的地方。很多初学者会写成"每个时段MES在某节点"，结果模型会在两个相邻时段让MES从节点30直接"闪现"到节点5，完全忽略运输时间。正确的做法是引入转移状态变量，并让转移消耗时间：

• 每个时段MES最多在一个节点：sum_j v_{m,j,t} <= 1，其中v是位置指示变量。
• 如果MES在t时段位于节点a，在t+1时段位于节点b，则必须满足a到b的转移时间约束。最简单的处理方式是：只允许相邻节点之间一步转移，或者引入"转移标记"变量w_{m,a,b,t}，并且要求位置变化与转移标记严格对应。

我当时采用的折中方案是：预计算节点间最短路径距离，然后要求"t时段在a、t+δ时段在b，且δ >= 转移时间"。这时会引入双线性项，为了保持MISOCP可解，把位置变量和转移变量线性化，或者干脆限制MES只能停留或移动到相邻节点。工程上，移动储能车在灾中移动一次需要几小时，分时步长1小时的话，允许相邻节点转移已经能模拟出合理行为。

3.3 充放电功率与SOC递推：几个必须写对的关系

动态调度的储能约束跟普通储能模型一致，但要注意几个细节：

• SOC递推：SOC_{t+1} = SOC_t + eta_ch * P_ch * Δt / E_cap - P_dis / eta_dis * Δt / E_cap。
• 充放电互斥：z_ch + z_dis <= 1，其中z是0-1变量，这一条要写成约束而不是隐含假设，因为优化器在无约束时会让同一条线既充电又放电来"刷"目标函数。
• 放电功率上限和SOC下限联动：如果你设定了SOC最小0.2，那么放电到0.2就必须停。
• 充放电效率不对称：充电效率0.95，放电效率0.95，看起来差不多，但SOC递推式里计算结果会差很多，尤其多时段累加时不能简化为对称效率。

3.4 动态调度的目标函数怎么设才能体现"韧性"

动态调度阶段的目标函数建议用组合形式：主目标是最小化总负荷削减量，次目标是惩罚MES转移次数或转移成本。为什么要加惩罚项？因为模型在"是否移动MES"这件事上，如果没有成本，会出现频繁无意义转移的振荡解，实际运营里调度员不可能让车反复横跳。我用的方法是给每个转移动作加一个固定成本，同时在目标函数里乘以一个远小于负荷削减权重的系数。

还有一种做法是滚动时域：每4小时重新求解一次动态调度，用最新的故障信息和抢修进度刷新模型输入。这种方法更贴近实际，但代码里需要额外维护一个状态更新模块。我建议先在离线模式下把单次动态调度跑通，再考虑滚动。

4. 两阶段鲁棒求解思路：C&CG在Matlab中的组织方式

4.1 为什么单阶段确定性优化在这里不稳

有人会问：我不做预布局，直接用一个确定性场景做灾后调度，行不行？行，但面临风险——如果你的预布局场景猜错了，实际断线在别处，MES就是摆设。这就是单阶段模型的短板：它把"对策"建立在"场景已知"的前提下，而现实中场景恰恰是灾前未知的。两阶段鲁棒优化把不确定性显式建模，求得的是"即使在最坏场景下也能保证一定性能"的部署方案，这正是韧性评估需要的。

当然，两阶段鲁棒也有代价：计算量大、模型复杂度高。对于IEEE33节点这种规模，直接用一个包含全部故障场景的MISOCP求解器硬解，几小时都未必收敛。所以才需要C&CG这种分解算法。

4.2 C&CG主问题-子问题循环的基本逻辑

C&CG的思路非常直观，就是切割空间，逐步逼近最坏场景：

• 主问题（Master Problem）：给定当前最坏场景集合，求最优预布局和相应调度变量，得到一个候选x*。
• 子问题（Subproblem）：固定主问题解x*，在所有可能故障场景里找使最小负荷削减量最大的那个场景u*，这就是当前最坏场景。
• 迭代：把u*作为新场景加回主问题，重新求解；直到子问题目标值不再上升。

这个循环在图论里有点像"不断试探边界的博弈"：主问题越来越保守，子问题越来越精准，最终收敛到一个稳定的预布局方案。

子问题本身是max-min问题，处理方式取决于模型结构。如果内层模型是线性规划（LP），可以直接用强对偶定理把max-min转化为max问题。但配电网潮流模型用了二阶锥松弛，内层是SOCP，对偶转化比较麻烦。我的做法更工程化：把候选场景集限制为所有可能的"单条或双条线路断开"组合，直接枚举子问题中的场景候选，用MISOCP求解每一个固定场景，然后取最坏的那个。这样虽然牺牲了理论上的完备性，但在IEEE33节点规模下非常实用，迭代几次就能收敛。

4.3 Matlab中的程序骨架

以下是我在项目里使用的伪代码结构：

% main_two_stage_robust.m % 初始化：读入IEEE33节点数据，生成候选故障场景集 U_candidate % 初始化最坏场景集合 U_worst = 初始猜测场景（如线路8-9断开） for iter = 1:max_iter % step1: 求解主问题 x_star = solve_master(U_worst); % step2: 固定x_star，枚举候选场景求解子问题 worst_value = -inf; for each u in U_candidate obj_u = solve_subproblem(x_star, u); if obj_u > worst_value worst_value = obj_u; u_worst = u; end end % step3: 收敛判断 if abs(worst_value - master_obj) < tol break; end % step4: 将u_worst加入U_worst，迭代继续 U_worst = [U_worst, u_worst]; end

这个结构的妙处在于主问题和子问题都是标准的MISOCP，可以直接用YALMIP建模，不需要自己手写对偶变换。C&CG迭代次数在IEEE33节点上通常3—5次就收敛，比一次性建模快一个数量级。

5. Matlab实现的关键模块与YALMIP建模细节

5.1 数据组织的三个核心结构体

YALMIP建模的基础是数据清晰。我建议把IEEE33节点系统的数据组织成三个结构体：

• bus：节点编号、有功负荷、无功负荷、电压上下限。
• branch：支路首端、末端、电阻、电抗、容量上限。
• mes：MES数量、额定容量、最大充放电功率、SOC上下限、效率。

为什么强调结构体而不是散落的数组？因为后续不管是写约束还是做结果可视化，你都需要频繁按节点、按时段索引数据。结构体配合数组索引，代码可读性会高很多。另外，建议把负荷数据、线路参数都统一标幺化，基准容量选10 MVA，这样潮流约束里的数值量级都在0.01—1之间，求解器数值稳定性好。

5.2 变量的YALMIP定义与约束写法

我在项目代码中用了这样的变量定义方式：

% 预布局位置变量：n_mes行 n_bus列 0-1变量 x_pos = binvar(n_mes, n_bus, 'full'); % 动态调度变量：n_mes x n_bus x T 三维变量 z_ch = binvar(n_mes, n_bus, T, 'full'); % 充电状态 z_dis = binvar(n_mes, n_bus, T, 'full'); % 放电状态 p_ch = sdpvar(n_mes, n_bus, T, 'full'); % 充电功率 p_dis = sdpvar(n_mes, n_bus, T, 'full'); % 放电功率 soc = sdpvar(n_mes, T + 1, 'full'); % 荷电状态，多一列用于初始SOC delta_load = sdpvar(n_bus, T, 'full'); % 负荷削减量 Pg = sdpvar(n_bus, T, 'full'); % 节点注入有功 Qg = sdpvar(n_bus, T, 'full'); % 节点注入无功

约束组装时注意两个技巧：

• 充放电互斥约束写成 z_ch + z_dis <= 1，而不是 == 1。因为MES可以既充电状态也非放电状态，非0即1的写法反而限制了可行域。
• 大M约束的M值不要取太大。比如"p_ch <= P_cap * z_ch"，P_cap是最大充电功率，取额定功率即可。M太大会让松弛后的MIP求解非常慢。

DistFlow的二阶锥约束在YALMIP里可以直接写（针对线路ij）：

% 支路潮流二阶锥约束 % 变量：P_ij, Q_ij, V_i, V_j, L_ij % 约束：V_j = V_i - 2(R*P + X*Q) + (R^2+X^2)*L_ij % 锥约束：P_ij^2 + Q_ij^2 <= V_i * L_ij % YALMIP写法 Constraint = [Constraint, V_j == V_i - 2*(R*P_branch + X*Q_branch) + (R^2+X^2)*L_branch]; Constraint = [Constraint, cone([P_branch; Q_branch], sqrt(V_i * L_branch))];

注意这里用的是cone而不是逐项写不等式，这是YALMIP识别SOCP的标准方式，solver才能正确分类。

5.3 求解器配置：为什么默认的linprog不够用

YALMIP自带的默认求解器（如sedumi）对0-1变量支持很差，混合整数二阶锥问题必须用Gurobi或CPLEX。如果你没有商业求解器授权，可以用开源的SCS，但MIP部分的性能会差不少。IEEE33节点规模下，Gurobi求解单个动态调度MISOCP通常只要几十秒，SCS可能要几分钟甚至更久。

求解器配置我建议这样写：

ops = sdpsettings('solver', 'gurobi', ... 'verbose', 2, ... 'gurobi.MIPGap', 0.005, ... 'gurobi.TimeLimit', 300);

MIPGap这里取0.5%是因为输出的是韧性指标，不需要工程精度到0.1%以下，过小的gap会让求解时间成倍增加。如果你做的是学术论文实验，可以设0.1%，但要做好跑很久的心理准备。

5.4 模块化结构：让代码可移植、可改参数

我把代码拆成这几个函数，强烈建议你也这样做：

• load_case33.m：读数据，生成bus/branch结构体。
• gen_scenarios.m：根据断线数量生成候选故障场景集。
• solve_master.m：输入U_worst，输出预布局位置与主问题目标值。
• solve_subproblem.m：输入x_star和故障场景u，输出该场景下最小负荷削减量。
• post_process.m：结果可视化，画出韧性恢复曲线、SOC曲线、MES转移路径。

模块化的好处就是可以随便换参数。比如你想看4辆MES比3辆MES提升多少韧性，直接改mes参数，重跑主流程即可，不用改动求解函数内部任何逻辑。我当时就是这样快速做了多组对比实验。

6. IEEE33节点算例：参数设置、韧性指标与结果验证

6.1 IEEE33节点系统的基本参数与我的设定

IEEE33节点是最经典的配电网测试系统：33个节点，32条支路，5条联络线，根节点通过变压器连接上级电网。基准电压12.66 kV，基准容量10 MVA，总负荷约3.7 MW + 2.3 Mvar。我做复现时把负荷数据按原样采用，储能参数自己定义，这样能保证算例可复现。

移动储能参数我设了三辆车：

6.2 预布局结果：MES最终放在了哪里

在典型场景集（含"线路8-9断开""线路24-25断开""线路30-31断开"等末端故障场景）下，预布局结果非常规律：三辆MES分别落在节点8、节点24、节点31附近。这些位置的共同点是：都处于线路末端或远离根节点的脆弱区域，故障后容易形成孤岛或严重低电压。

这个结果的工程解释是：末端节点距离变电站电气距离远，故障时电压跌落最严重，负荷削减代价最大。MES放在末端，相当于在最容易"失血"的地方布了止血点。如果你发现预布局结果落在根节点附近，多半是目标函数或约束写错了，需要回头检查负荷削减约束和电压约束的量纲。

6.3 动态调度结果：三组对比实验

我做了三组对比：无MES、静态MES（灾前不移动）、移动MES（预布局+动态二次转移）。韧性指标取三个：最大失负荷、总缺供电量、恢复时间百分比。

这个对比能清楚看到"移动"的价值：静态MES只能在一开始部署的位置放电，如果故障发生点距离部署点较远，储能容量用不完；而移动MES能在故障确认后向重灾区转移，容量利用率明显提升。这里要说明，具体数值会因为你的场景集和储能配置不同而变化，但趋势一定是"移动优于静态、静态优于无储能"。

动态调度的SOC曲线呈现明显的"先放电、后转场、再放电"的阶梯形状，这意味着MES在故障初段支撑薄弱节点、随后转移到新的薄弱点持续供电。如果SOC曲线出现多处上下抖振，大概率是充放电互斥约束没写对，车在"没电硬充、有电乱放"。

7. 复现时最容易踩的坑：从数值病态到时间步建模

7.1 二阶锥松弛的"假收敛"要怎么看

DistFlow的二阶锥松弛在辐射状配电网里通常是精确的，但你把约束写成锥形式后，求解器给出的"最优解"未必满足原始潮流方程的精度。判断方法很简单：检查每条支路是否满足P_ij^2 + Q_ij^2 = V_i * L_ij（在松弛前是等式）。如果间隙超过1%，说明松弛不够紧，需要加惩罚项或改用迭代精确化方法。我当时遇到过一次所有节点电压都正常、但线路损耗异常大的情况，最后定位就是SOC松弛间隙问题。

7.2 充放电互斥写错会让结果"隐形增容"

充放电互斥约束如果写成 z_ch == z_dis 的相反数形式，或者忘记加，优化器会在同一时段同时"充电+放电"，等效于凭空多出一部分功率，负荷削减量会被低估。检查方法：输出z_ch和z_dis的热力图，如果同一节点同一时段两个状态同时为1，说明互斥约束没生效。

7.3 移动储能的时间步建模：宁可保守也不要瞬移

前面提过"瞬移bug"，这里强调检查方法：绘图看MES位置轨迹，如果出现从节点31到节点8只间隔一个时段，而转移时间设定为2小时，那约束就一定写错了。另一个更隐蔽的错误是转移动作不消耗SOC——就算MES在转场途中不放电，它至少不能同时在两个节点运行，这个约束也要单独检查。

7.4 YALMIP求解慢时的排查顺序

如果你发现模型跑起来特别慢，别急着加求解时间，先做这几件事：

• 先固定预布局位置，只跑单场景动态调度，确认单场景模型能在1分钟内求解。连单场景都跑不动，说明建模有问题。
• 去掉二阶锥约束，换成直流潮流，验证逻辑层是否正确。
• 把MES数量从3减到1，跑通后再逐步加回。
• MIPGap从0.01%放宽到0.5%，工程场景完全够用。

7.5 负荷标幺化与数值稳定性

IEEE33节点的原始负荷数据在有名值下数值跨度很大（几十kW到几百kW），如果直接代入YALMIP，会出现量级差异导致的病态问题。我的做法是统一用标幺值：有功负荷除以10 MVA基准，所有约束里的功率变量都是0.001—0.1这个量级。电压约束在标幺值下写0.95 <= V <= 1.05，非常干净。

最后聊聊复现这套策略的实际感受

这套两阶段鲁棒模型在IEEE33节点上跑通不难，但要跑出"能说服自己"的结果，需要反复检查约束之间的耦合关系。我最开始偷懒，把动态调度里的MES移动约束简化成"随时可以去任何节点"，结果算出来的预布局方案全部集中在根节点附近——因为模型可以"瞬移"到任何故障点，那放在哪都一样。这个教训挺深的：在配电网韧性场景里，空间约束和时间约束的耦合才是移动储能区别于静态储能的核心价值，如果模型里没有空间转移成本，你优化出来的方案在物理世界里根本执行不了。

如果你也想复现，我建议从单场景动态调度开始，确认SOC递推和充放电互斥无误后，再加入故障场景集做C&CG。数据可以先自己造一个简化的6节点算例验证逻辑，再换到IEEE33节点。等你跑通全流程，再去研究滚动时域、多阶段抢修协同这些衍生方向，会顺利很多。