企业官网建设流程全解析

上篇写预配置的时候，我把应急移动电源（MPS）的选址和容量配置讲完了。那一步解决的是灾前决策：在台风预警发布之后，把有限的三五台移动电源摆在哪些位置，才能让后续最坏情况下的恢复期望值最大。但真正动手做动态调度之后，我才意识到预配置只是这道题的前半截——故障发生后的十几个小时里，MPS去哪里、供多少功率、什么时候撤离转场，才是整个韧性链条里最烧脑的部分。

动态调度要回答的问题是具体的：已知哪些支路断了、哪些负荷窝在孤岛里、抢修队大概什么时候把哪条线路修好，站在当前时点上，每一台MPS是继续蹲在原来接入点放电，还是拔掉电缆转场去下一个失电区域？到达新接入点之后功率怎么定？什么时候动身才能避免在路上浪费掉最宝贵的“供电窗口”？这些决策交织在一起，构成了一个典型的时空耦合混合整数规划问题。

这篇就把MPS动态调度的完整实现拆开讲：数学模型怎么搭、Matlab里怎么用Yalmip+Gurobi落代码、在33节点配网算例上跑出来的韧性曲线长什么样，以及我复现过程中踩进去的四个坑。内容偏工程和代码，适合正在复现配电网韧性、移动储能应急供电这类方向，或者需要从论文公式走向可运行代码的人。这篇是下篇，默认你已经看过上篇的预配置模型，但如果你只对动态调度部分感兴趣，也可以直接往下看。

1. 动态调度到底在“调”什么：先从预配置的衔接说起

1.1 预配置与动态调度的分工

预配置和动态调度在时间尺度和决策性质上是两类问题。预配置发生在灾前，决策变量是“若干个候选站点，放哪几台MPS、每台多大容量”，它要处理的是未来故障场景的不确定性，常见做法是随机规划、鲁棒优化或者两者的混合。动态调度发生在灾后，决策窗口是故障发生到完全复电这段时间，决策变量变成“每台MPS每个时刻在哪、给谁供电、供多少、什么时候转场”。

这里有一个很多人忽略的点：预配置决定的是MPS的“初始可用状态”，而动态调度决定的是MPS的“全程可用状态”。一台MPS就算预配置位置再正确，如果调度模型僵化、不会跟着修复进程转移，它的价值也会打个大折扣。反过来，如果调度模型能动态调整，那么预配置即使稍微偏离最优，最终的韧性指标也不会差太多。这有点像备货和配送的关系：仓库建得好不好是一回事，配送路径和时机才决定了货能不能真正到达用户手里。

所以可以这样理解两个环节的分工：上篇解决“从哪个起点出发”，这篇解决“怎么走完整个旅程”。动态调度里的“动态”二字，指的不是时间维度本身，而是决策要对系统状态——故障修复进度、负荷变化、MPS余量——做出响应。修复进度一变，MPS的走位就要跟着变，这才是“动态”的核心。

1.2 三类核心决策变量：位置、功率、孤岛归属

MPS动态调度的决策变量可以归成三类。第一类是位置状态变量，用二进制变量 s(k,t,i) 表示第 k 台MPS在时段 t 是否接入候选节点 i。第二类是功率与能量变量，包括每台MPS在接入节点的输出功率 P(k,t,i)、总放电功率 Pdis(k,t)、剩余电量 E(k,t)。第三类是移动动作变量 mv(k,t,i,j)，表示第 k 台MPS在时段 t 是否“正在从 i 向 j 转移”。这个变量是动态调度区别于普通储能调度的关键，也是模型复杂度上升的主要来源。

实际建模型中，位置和移动变量不是互相独立的。一个基本规则是：任何时刻一台MPS要么停在某个接入点供电，要么在路网某条弧上移动，二者只能选其一。为了实现这一规则，我引入了一个“位置唯一性”约束：对每个时段 t、每台 MPS k，所有接入状态和所有移动弧状态求和不超过1。这个约束是所有后续约束的地基——如果它不成立，模型很容易解出“一边在路上跑、一边还在给老节点供电”的荒谬方案。

孤岛归属变量 z(i,t) 也需要说明：它表示失电区域节点 i 在时段 t 是否被纳入MPS供电范围。在很多论文里，这个变量和配电网开关状态变量一起，决定了哪些负荷被“圈进”孤岛。复现时我做了简化：候选接入节点 i 与某个失电区域一一对应，接入即意味着该区域被恢复供电。对研究动态调度的主线来说，这个简化不会改变结论方向，但能显著降低变量规模，让模型在Matlab里跑得更快。

1.3 为什么不能把动态调度当机组组合做

第一次看这类问题的朋友容易产生一个疑问：MPS动态调度跟传统的机组组合（unit commitment）或者多时段经济调度不是一回事吗？都是“离散开停机/位置变量+连续功率变量+目标最大化”的组合。区别非常大。

机组组合假设发电单元固定在线，发出的电通过输电网全网消纳，只要网络不越限，功率想去哪就去哪。MPS不一样，它必须通过道路网络迁移到特定的接入节点，才能给那块区域供电。移动过程需要时间，期间不能供电还在耗电；接入之后也不是全网络消纳，而是只能给局部孤岛供电。所以MPS调度是“交通网络上的离散移动”和“配电网上的连续潮流”耦合在一起的问题，建模时必须显式引入时空网络。

另一个差别在于动态调度的目标更偏向“恢复关键负荷”，而不是“最小化发电成本”。配电网韧性场景下，负荷有不同的重要度权重，目标通常写成最大化加权恢复电量。权重差一个数量级，调度结果就会完全不同：现实中你会毫不犹豫地把最后一度电留给医院和通信基站，模型里的权重就是干这个用的。

2. 时空-能量耦合模型：我最终采用的MILP表达

2.1 目标函数：加权恢复电量与移动惩罚

我复现时采用的目标函数是最大化故障周期内的加权恢复用电量，并叠加一个极小的移动惩罚项，形式如下：

max Σ_t Σ_i w_i · P_rec(i,t) · Δt − γ · Σ_{k,t,i,j} mv(k,t,i,j)

其中 w_i 是负荷区域 i 的重要度权重，P_rec(i,t) 是 t 时段区域 i 的恢复功率，Δt 是时段长度。γ 我取 1e-3 量级，纯粹用于抑制数值上出现的“无意义空跑”——因为移动本身不会给目标函数带来直接收益，不加这个惩罚项有时求出来的路径会有微小的无意义抖动。

权重 w_i 建议作为一个可配置参数暴露出来。我在算例里把关键负荷区域（比如医院、指挥中心）设为1.0，普通商业负荷0.5，一般居民负荷0.1。这样模型在能量紧张时自然会先砍低权重负荷的恢复，而不是平均分配。如果去掉权重，改成总恢复电量最大，解出来往往是“一团和气地均匀恢复”，这在韧性场景下是不符合实际需求的。

2.2 位置与移动约束：时空网络上的MPS运动学

位置与移动约束是这套模型的骨架。设 τ(i,j) 为从候选节点 i 到 j 的旅行时段数，由道路距离除以平均行驶速度向上取整得到。约束包含三部分：

第一，位置唯一性：

Σ_i s(k,t,i) + Σ_{(i,j)} mv(k,t,i,j) ≤ 1，对任意 k,t 成立。

第二，移动与接入的衔接。MPS 只有处在节点 i 的接入状态，才能从 i 出发去 j；到达 j 之后必须占用 j 的接入状态，不能“悬空”。用代码表达就是：

% 从 i 出发前，必须处于 i 的接入状态 Constraints = [Constraints, mv(k,t,i,j) <= s(k,t,i)]; % 到达 j（t+tau_ij时段）后，必须处于 j 的接入状态 if t + tau(i,j) <= T Constraints = [Constraints, mv(k,t,i,j) <= s(k,t+tau(i,j),j)]; end

第三，旅程覆盖互斥。如果 MPS 在 t 时刻从 i 出发前往 j，那么在 [t, t+τ-1] 整个移动窗口内它都不能接入任何节点。这个约束是很多人漏掉的，后面坑一会详细讲。

如果候选节点少、时段粒度粗，也可以把移动做进一步简化：假设“一个时段内可以在任意候选节点间转移”，此时 τ 全部等于1。这个简化在论文复现中很常见，但会乐观估计 MPS 的机动性。我最终版保留了真实旅行时间，用向上取整的时段整数量化，简单且物理可解释。

2.3 能量-功率耦合与负荷恢复约束

能量约束主要是一条SOC递推式：

E(k,t+1) = E(k,t) − Pdis(k,t)·Δt − E_move(i,j)·mv(k,t,i,j)

其中 E_move(i,j) 是移动一次消耗的能量，我按“移动基础功率 × 旅行时间 + 单位里程电耗 × 道路距离”计算。注意移动能耗要和 mv 变量相乘，只有真正发生了转移，这部分的能量才从SOC里扣掉，否则模型会凭空多出一份“白送”的移动能耗，导致结果过度乐观或者无解。

功率约束也比较直接：MPS的输出功率只有在其接入状态下才允许非零，且不能超过最大输出功率。这里需要警惕的就是 BigM 的取值，后面会单独讲。负荷恢复约束是：P_rec(i,t) 不能超过该区域 t 时段的负荷需求，也不能在没有MPS接入时非零。如果有MPS接入，则该区域的恢复功率等于各MPS在该节点注入功率之和（简化模型中忽略网损和电压约束）。

复现版本里我用的是“区域功率平衡+容量校核”的简化潮流，没有逐节点迭代Distflow。原因很简单：动态调度重点在于MPS的时空决策，潮流细节虽然影响最终电压，但它会让模型变成更复杂的非线性/高阶约束，求解难度指数上升。论文里如果严格做了Distflow线性化，效果会更好；如果你想扩展，可以把Distflow加入约束组，模型的骨架不需要改。

3. 从公式到Matlab：Yalmip建模的关键实现

3.1 工程化代码组织

Matlab 上做这种MILP建模，最优选择就是 Yalmip 统一建模 + Gurobi/CPLEX 求解器。Yalmip 的语法直观，尤其擅长处理二进制变量和稀疏约束。我建议不要把代码全部塞在一个 main 里，而是按下面这个结构组织，后续调试会轻松很多：

main_mps_dispatch.m ├── data │ ├── case33bw.m % 33节点配电系统数据 │ └── fault_scenario.m % 故障支路、修复时序、负荷权重 ├── lib │ ├── build_spacetime.m % 生成候选节点、距离矩阵、旅行时间 │ ├── build_yalmip_model.m % 整个MILP模型 │ ├── solve_and_postprocess.m │ └── rolling_horizon.m % 滚动时域闭环调度 └── plot ├── plot_trajectory.m % MPS轨迹/甘特图 └── plot_recovery_curve.m % 恢复率曲线

这个结构的好处是每个文件职责单一：数据文件单独放，是方便你换算例系统（比如换成IEEE123节点）时不用动模型代码；模型函数单独放，是方便你在不换数据的情况下调试算法（比如把开环换成滚动时域）。

3.2 变量定义与约束写入

在 Yalmip 里定义变量时，我建议把维度一次性定义清楚，并用有意义的缩写注释。以下是我代码里的核心变量定义：

s = binvar(nMPS, T, nCand, 'full'); % s(k,t,i): k在第t时段是否接入节点i mv = binvar(nMPS, T, nCand, nCand, 'full'); % mv(k,t,i,j): 转移动作/移动弧 P = sdpvar(nMPS, T, nCand, 'full'); % P(k,t,i): 接入节点i时的注入功率 Pdis= sdpvar(nMPS, T, 'full'); % 总放电功率 E = sdpvar(nMPS, T+1, 'full'); % SOC曲线 P_rec = sdpvar(nCand, T, 'full'); % 各区域恢复功率

约束写入尽量用向量化的方式。比如位置唯一性，如果一层层循环逐个约束写，Yalmip 解析很慢；直接写成：

Constraints = [Constraints, sum(s,3) + sum(sum(mv,3),4) <= ones(nMPS,T)];

一行搞定。这里 sum(s,3) 把候选节点维求和得到 nMPS×T 的矩阵，sum(sum(mv,3),4) 把所有移动弧求和得到 nMPS×T，和矩阵每个元素对应一台MPS一个时段的全部状态。这种写法在变量规模增大后优势非常明显。

目标函数和求解部分也是几行的事情：

obj = -sum(w .* P_rec, 'all') * dt + 1e-3 * sum(mv, 'all'); ops = sdpsettings('solver', 'gurobi', 'verbose', 2, 'gurobi.MIPGap', 0.01); sol = optimize(Constraints, obj, ops);

如果没装 Gurobi，可以临时把 solver 换成 intlinprog 之类的内置求解器，但求解速度会明显下降，建议正式跑数还是用商用求解器。

3.3 求解配置与滚动时域扩展

求解完成后，先检查 sol.problem 是否为0，再通过 value() 取回变量：

if sol.problem == 0 s_val = value(s); mv_val = value(mv); P_val = value(P); P_rec_val = value(P_rec); E_val = value(E); else [primalres, ~, ~, ~] = check(Constraints); % 查看最大约束违反量，定位无解原因 end

滚动时域调度的扩展在工程上非常有意义。思路是：并不一次性解完24小时，而是每个决策周期只看未来 H 个时段的窗口，求解后只执行第一个时段的决策，然后滚动推进。Matlab 里用 for 循环嵌套即可，核心是把当前时段的初始状态（位置、SOC）硬约束进模型，同时把窗口外的变量去掉或固定。我在 lib/rolling_horizon.m 里实现了这个逻辑，后面算例会给出 H 取不同值时的性能差异。

这个扩展之所以重要，是因为现实中故障修复时间高度不确定。开环优化假设抢修队第6小时修好支路，实际上可能第4小时就通了，也可能拖到第9小时。一旦实际情况偏离预测，开环方案就局部失灵；滚动时域每次根据最新状态重新优化，才能把不确定性“滚掉”。

4. 33节点算例实测：韧性曲线是怎么被拉回来的

4.1 算例参数与故障场景

我用的是 IEEE 33 节点配电系统，基准电压12.66kV，系统参数直接取标准数据。MPS 设置为3台，每台容量300kWh，最大输出功率100kW，平均移动速度20km/h，移动基础功率15kW（移动每小时耗能15kWh），单位里程电耗0.6kWh/km。时段分辨率取1h，仿真周期24h。

故障场景设定为主馈线发生三处断线：支路5-6、9-10、14-15 同时故障，形成三个失电区域。修复时序设置为14-15支路在第6小时修复、9-10支路在第12小时修复、5-6支路在第18小时修复。这就意味着，区域C在第6小时后恢复主网供电，区域B在第12小时后恢复，区域A最晚恢复。

候选接入节点我取了三个区域的主干节点：节点6对应区域A，节点10对应区域B，节点14对应区域C。权重分别设为0.5、1.0、0.3，其中区域B是关键负荷区。节点之间的道路距离我按 5~12km 随机生成并固定下来，旅行时间用距离除以速度向上取整得到。

下表是不同策略的对比结果，数据是我在这个简化算例下跑出来的示例结果，趋势比绝对数值更有参考价值。

4.2 结果曲线怎么读：轨迹图、恢复率、SOC

跑完之后最直观的输出是MPS轨迹图，我习惯画成类似甘特图的形式：横轴是时间，纵轴是三台MPS，每一段用不同颜色表示位于哪个接入节点，灰色段表示在移动。从图上能一眼看出调度方案的“走位”是否合理。

我跑出来的开环结果里，三台MPS的走位很有代表性：MPS1 先蹲在区域B支援关键负荷，等到区域B在12小时恢复主网后，它没有继续待着，而是转场去了还没恢复的区域A；MPS2 从区域C出发，在区域C修复后立刻转移到区域A接力；MPS3 则一直在区域A通过节点6供电。三台车形成了交错接力的节奏，而不是各自蹲守原区域。这就是“动态”二字的直接体现。

对比静态部署方案，动态调度多出来的收益主要来自两处：一是区域修复后及时撤出MPS，把能量留给仍然失电的区域；二是通过提前预估旅行时间，避免出现“MPS到新区域时没电了”的尴尬局面。在结果图里，你可以看到静态部署区域B的关键负荷在12小时后依然有功率供给，但此时其实已经不需要了，而区域A的负荷却因为能量不足只能降级恢复。

4.3 数量、容量、窗口长度的敏感性

做 SCI 复现时，光跑一组结果是不够的，审稿人肯定会追问参数的敏感性。我快速跑了几组：

敏感1：MPS数量。1台MPS时加权恢复率只有大约 47%，因为一台车只能蹲一个区域，而且移动到另一个区域时原区域就彻底没人管；2台时到 68%；3台到 82%。数量从2到3收益仍然不小，但这个收益受候选节点数限制——当每个区域都有车占住后，再加车就只能挤在同一个节点，收益骤降。

敏感2：MPS容量。把单台容量从300kWh提到500kWh，恢复率提升并不明显，大约 84%。原因是容量在算例里已经超过了单区域剩余时段的负荷需求，瓶颈变成了MPS数量和移动时间。反过来容量降到100kWh，恢复率掉到 55% 左右，因为车还没到下一个区域就接近没电，机动性被能量硬卡住。

敏感3：滚动时域窗口 H。H=2时恢复率掉到 70% 左右，而且轨迹图显示MPS频繁转场，典型的“只见树木不见森林”；H=6恢复到79%，H=8以上基本接近开环水平。实际工程中，H取“最长旅行时间+2”以上比较稳妥，既能顾及中期态势，又不至于让每轮优化太重。

5. 复现中我踩过的四个坑：从无解到错误解

5.1 坑一：移动与供电互斥没锁住

我第一版模型跑出来的解非常离谱：某台MPS明明在移动弧上已经“出发”了，同一时段它原来的接入节点还在往外输出功率。问题出在互斥约束只约束了出发时刻，没有约束移动过程中的所有时段。

具体说，我一开始写的出发衔接是： mv(k,t,i,j) <= s(k,t,i)

这只能保证“出发那一刻它确实在 i”，但移动过程跨多个时段，中间这些时段 s 变量是自由的，模型当然会搞出“人在路上，电还在供”的方案。

解决方式是在移动窗口内的每个时段都加互斥约束：从 t 出发、旅行时间为 τ，则对 t' ∈ [t, t+τ-1]，都有 Σ_i s(k,t',i) ≤ 1 − mv(k,t,i,j)。写成向量化形式也不难。这个坑给的经验是：涉及移动/转移类模型中，状态互斥必须作用在整个转移区间，而不是只作用在端点。

5.2 坑二：移动能耗没进SOC递推

第二个坑更隐蔽。第一版我为了快速验证模型，在SOC递推里只写了放电项，没写移动能耗项。结果三台MPS从区域A转到区域C再到区域B，行程几十公里，SOC曲线纹丝不动——这等于MPS是“白嫖”的移动，不用消耗能量。看起来目标函数值很好，但物理上完全站不住脚。

把移动能耗项加进递推之后，模型反而先报了一波无解。一开始我以为建模错了，检查后才发现是好几条转场路线的距离太远、移动能耗加起来太大，而MPS的初始SOC又相对有限，导致某些看似“很灵活”的走位根本不可行。这正是真实系统里的硬约束。

这个经历说明一个问题：模型越贴近物理，解的数量越少，但剩下的解才真正可信。复现论文时如果发现结果好得过分，优先检查是不是有物理约束被忽略了。

5.3 坑三：BigM取值太松

复现时有一版求解非常慢，Gurobi跑了快一小时，MIPgap才降到20%。最后定位到原因是BigM系数写得太大：写“P ≤ BigM * s”，我当时顺手填了1e5。线性规划松弛之后，MPS在不接入节点时也能把P撑到很大，整个下界松得没法看，分支定界效率极低。

正确的做法是把BigM取到物理上最紧的上界，比如最大输出功率100kW，或者再乘个1.1的安全系数。改成这种紧BigM之后，同一模型几分钟就收到1%的MIPgap。这条经验对所有MILP建模都适用：BigM不是随便取个“够大”的数就行，取多大会直接影响求解器的收敛曲线。

5.4 坑四：时序索引差一个时段

还有一个非常容易犯的低级错误：时序索引偏移。旅行时间为2个时段，从 t 出发，到达时刻应该是 t+2，但我在一条约束里写成了 t+1，导致MPS到达后“多赚”了一个时段的供电时间。这种错误在最终结果里不太容易被肉眼看出来，但如果你把轨迹图和区域复电时刻对齐，会发现MPS在某些区域的接入时间比理论上多了整整1小时。

定位这类问题的办法是写一个小规模人工可验证的用例：一台MPS、两个候选节点、固定旅行时间，手动推一遍期望的轨迹，再跑模型对比。把这套冒烟测试放在代码目录里，以后改模型时跑一遍就能快速排除低级错误。

6. 给复现者的几点建议

如果你想把这个模型复现到自己数据集上，我的建议是：先跑通小规模冒烟测试，再上大规模算例。我调试时先用一个6节点简化系统、12个时段、1台MPS，模型只有几十个变量，几秒出解。确认位置唯一性、移动衔接、SOC递推、目标函数四块逻辑都对之后，再切换到33节点系统、3台MPS、24时段，这时候绝大多数报错都是规模问题而不是逻辑问题。

模型参数建议全部做成可配置项——权重、惩罚系数、BigM、旅行时间、修复时序，都要能从配置文件读进来。一区论文里的参数设置往往直接影响结论，复现时不要硬编码，否则后面做敏感性分析时你会想砸电脑。

如果后续想从“复现”走向“工程落地”，滚动时域闭环是必须做的一步。开环优化适合离线的性能上限评估，现场调度面对的是不断变化的修复进度和负荷曲线，只有滚动修正才能让MPS的计划真正跟得上现实。代码上可以把滚动窗口 H 设为可配置，跑一遍 H 的敏感性，你就能直观看到“短视”和“远见”之间的差距。

我在复现这套动态调度时最深的体会是：MPS的机动性是珍贵的，但也是有代价的——移动期间不能供电，还要消耗自身能量。一个调度方案真正的难点，不是“去哪”，而是“什么时候舍得放弃眼前能供的负荷，转而去救远处更重要的负荷”。把这个权衡完完整整建进模型、让优化器替你做取舍，韧性曲线自然会被拉起来。