企业官网建设流程全解析

聊聊大规模电动汽车接入的双层优化调度

电动汽车大规模接入配电网，这是最近几年做电力系统规划与运行绕不开的一个话题。我最早接触这个方向是在一个小区配电台区的改造项目里，当时用户侧报装充电桩的需求一下子多了起来，物业来找我们评估配电容量够不够用。表面看是台区扩容的问题，实际上真正麻烦的是充电负荷的时空分布——大家下班回家插上枪就开始充，正好和晚高峰负荷叠在一起，配变过载、线路重载、末端电压偏低这些问题全部被放大。单纯靠扩容解决不了根本问题，因为峰值负荷的出现具有明显的时段性，配电资产利用率不高的时候占多数，按照峰值去扩容，投资回报率非常低。

“双层优化调度”就是从这个时候开始进入我的视野的。它的思路很直接：把配电网运营商和电动汽车用户当成两个独立的决策主体，运营商在上层制定电价策略和调度计划，用户在下层根据电价信号决定什么时候充、充多少。两层之间通过电价和充电功率互相影响、互相博弈，最终得到一个双方都能接受的调度方案。相比传统的单层直接控制，双层结构更贴近实际——毕竟我们没办法强制用户的充电行为，只能通过价格信号去引导。

这篇文章就围绕这套方法展开，从为什么需要双层、数学模型怎么建、求解思路怎么走，到工程落地时常见的坑，我把整个链路完整地过一遍。无论你是做电网调度的工程师、研究电动汽车入网的研究生，还是负责小区充电设施规划的运营人员，相信都能从中找到可以直接落地的参考。

1. 为什么单层优化不够用——双层结构是被现实逼出来的

1.1 单层模型的局限：你管得了线路，管不了人心

我们最早尝试的是传统的单层优化调度模型。思路非常简单粗暴：以配电网运行成本最小为目标，以待调度时段内全部电动汽车的充电功率为决策变量，加上配变容量约束、电压约束、充电站功率上限这些硬性条件，直接求解一个混合整数规划问题。模型跑出来的结果非常理想，充电负荷被安排得明明白白，峰值被削掉了，网损也降下来了。

但问题是，这个结果根本没法落地。原因在于单层模型隐含了一个关键假设：电动汽车用户是完全受控的，系统让你什么时候充你就什么时候充，让你充多少你就充多少。而实际场景中，用户关心的是自己的出行需求和充电费用。早晨出门要满电，晚上回家要便宜，这是两个刚需。如果调度方案让用户凌晨两点爬起来插枪充电，哪怕电费再便宜，也没有人会配合执行。

换句话说，单层优化解决的问题是“理想状态下如何调度”，而双层优化解决的问题是“市场机制下调度方案如何被用户接受、如何真实执行”。一字之差，落地难度完全不同。

1.2 双层结构的本质：上层定价，下层响应

双层优化来源于经济学中的主从博弈（Stackelberg game）思想。配电网运营商是“领导者”，先出牌——制定分时电价、确定可调度时段、发布激励补贴政策。电动汽车用户是“跟随者”，看到电价信号后，在满足自身出行需求的前提下，选择最省钱的充电策略。

这种结构的妙处在于，上下层之间不是简单的命令与服从关系，而是互相影响、互相制约的。运营商定的电价高了，用户就少充或者挪到谷段充，运营商预期的调峰效果就达不到；电价低了，用户倒是愿意配合，但运营商让利太多，经济上又不划算。双层优化要做的就是找到这个博弈的均衡点——用户的自利行为恰好能促成运营商想要达到的系统最优。

我用一个生活化的类比来帮助理解：这就像平台和外卖骑手的关系。平台希望订单在高峰期也有人接，但骑手更愿意在单多价高的时候跑。平台能做的不是强制派单（虽然可以，但骑手会流失），而是动态调整配送费和奖励机制，让骑手的自利选择正好满足平台的服务目标。电动汽车调度也是同样的逻辑。

1.3 哪些场景必须上双层模型

并不是所有电动汽车调度问题都需要双层模型。我的判断标准很简单：只要用户的充电决策对调度结果有显著影响，且用户有自主选择权，就应考虑双层建模。

需要上的场景主要有这么几类：一是居民区规模化充电，用户充电时间自由、目的地固定，对电价最敏感；二是公共停车场快充站，分时电价和充电服务费会直接影响车主选择；三是车网互动（V2G）场景，用户让电动汽车给电网放电，需要有足够的经济激励才愿意参加，单层模型完全无法刻画这种“愿不愿意”的决策过程。

不需要上的场景也有：比如公交车队充电，车辆归属单一运营主体，调度指令可以直接下达到每一辆车，这时候单层模型反而更简单高效。搞清这一点，能避免不少建模过度的问题。

2. 双层模型到底怎么建——把“博弈”翻译成数学公式

2.1 上层模型：配电网运营商的视角

上层的决策主体一般是配电网运营商，或者是负责某个台区、某个充电站集群的聚合商。上层模型的优化目标是在满足电网安全运行约束的前提下，最小化系统运行成本。

目标函数可以写为：

[ \min F_{upper} = C_{loss} + C_{buy} + C_{penalty} ]

其中 (C_{loss}) 是配电网网损成本，(C_{buy}) 是从上级电网购电的成本，(C_{penalty}) 是配变负载率越限、电压越限等安全约束的惩罚项。

决策变量包括：各时段的分时购电价 (p_t)（或零售电价）、充电站的功率调节指令、是否需要启动有序充电控制等。约束条件包括潮流方程、节点电压上下限、支路电流上限、配变容量约束等。

有个细节需要注意：上层模型中要不要引入完整交流潮流方程。早期很多文献用直流潮流近似，计算简单，但没法准确刻画电压约束和网损，对于以配电网络为背景的调度问题误差偏大。我个人的做法是采用DistFlow分支潮流方程，并从二阶锥规划（SOCP）的形式进行松弛，这样既能反映电压和无功的影响，又能在商用求解器里高效求解。

2.2 下层模型：电动汽车用户的充电决策

下层的决策主体是电动汽车车主或充电聚合商（代表一群车主做决策）。下层的优化目标通常是充电费用最小，同时要保证出行需求不受影响。

[ \min F_{lower} = \sum_t (p_t \cdot P_{EV,t}) - \sum_t (\pi_t \cdot P_{EV,t}) ]

其中 (P_{EV,t}) 是用户在第 (t) 个时段充电功率，(p_t) 是充电电价，(\pi_t) 是运营商给出的参与有序充电的激励补贴。也就是说，用户会被电价和补贴这两个信号同时影响。

下层模型的约束条件比较细：

• 电池SOC状态转移约束：(SOC_{t+1} = SOC_t + \eta \cdot P_{EV,t} / B_{cap})
• 充放电功率上限：(0 \leq P_{EV,t} \leq P_{max})
• 离网时SOC约束：(SOC_{dep} \geq SOC_{need})，也就是车主开走的时候电量必须达到心理预期值
• 充电开始结束时间的不可转移约束：用户只在接入电网的时间段内可以充电

这些约束看起来都不复杂，但组合在一起就非常考验建模功底。尤其是“离网SOC需求”这个参数——如果设置得太高，用户可调节的空间很小，调度的灵活性就没了；如果设置得太低，虽然调度空间大了，但用户不敢参加，实际参与率又上不去。我们在实际项目中的处理办法是，通过车主出行调研或者APP端历史数据，统计出不同出行场景的SOC需求分布，再对每个用户做差异化设定。

2.3 上下层耦合：边界变量与迭代反馈

双层模型的关键在于上下层之间通过边界变量耦合。运营商的电价信号作为参数传入下层模型，用户的充电决策结果又反向影响上层的潮流计算和目标函数，这就是完整的闭环。

一个经常被忽略的问题是：电价和用户充电行为之间不是简单的线性关系。电价升高，用户充电量下降，但这个下降不是均匀的，而是阶梯式的——因为用户有SOC需求和离网时刻的硬约束，只有当电价高到一定程度、触发用户改变充电窗口时，充电量才会大幅跳变。这种非线性对应到数学模型里，需要用整数变量描述用户是否在当前时段充电，这也让下层的可行域变成一个非凸集合，给求解带来不小的困难。

3. 双层模型怎么求解——从数学理论到可复现代码

3.1 KKT条件与单层化转化

求解双层优化的经典思路是用下层问题的KKT（Karush-Kuhn-Tucker）条件替换下层优化问题本身，把双层模型转化为单层的带均衡约束的数学规划问题，即MPEC（Mathematical Program with Equilibrium Constraints）。

具体的做法是：先把下层问题写成标准的凸优化形式，然后列写它的拉格朗日函数，对决策变量求导得到驻点条件，再补充可行域约束和互补松弛条件。这些条件全部添加到上层模型后，双层问题就变成了一个单层的非线性优化问题。

这个转化过程听着顺理成章，实操时会有几个容易出错的地方。第一，下层问题必须是凸的，KKT条件才能作为全局最优性的充要条件。第二，互补松弛条件是包含乘积项的非线性表达式，比如 (\lambda \cdot g(x) = 0)，需要用大M法引入辅助二进制变量做线性化处理。第三，线性化过程中大M参数的取值非常敏感——M太大导致数值病态，M太小导致解被错误截断，我一般按约束的实际量纲取一个温和的上界，再通过灵敏度分析验证M的取值不影响最优解。

3.2 整数变量与分段线性化的工程处理

电动汽车调度问题天生包含两类整数变量：一是时空耦合的0-1状态变量（某个时段是不是在充电），二是功率分档变量（充电桩的功率是7kW慢充还是50kW快充），后者在一些高级充电桩上是可以分段调节的。这些整数变量如果完整保留，模型规模稍大一点就很容易变成求解器的噩梦。

我常用的近似处理方案是分段线性化。先把充电功率-效率曲线（实际中充电桩的充电效率和功率并不完全线性）按功率区间分成几段，每段用线性函数逼近。这种做法的好处是保留功率调节的灵活性，同时把非线性成本函数用混合整数线性规划（MILP）近似，整体求解效率比直接用MINLP快好几个数量级。

代价也是存在的：分段多了，整数变量爆炸式增长，求解时间不可控；分段少了，近似误差偏大，甚至可能导致充电功率点在分段边界处反复跳动，出现数值抖动。我自己的经验是，对普通的慢充桩，分成3-4段就足够了；对快充桩（涉及效率变化明显的区间），最多分5段，再多就没实际意义了。

3.3 求解器选型与计算效率对比

近距离看具体项目实现时，求解器的选择直接影响项目进度。

我用过的组合中，MATLAB+Yalmip+CPLEX是入门最快、最省心的方案。Yalmip支持了一整套建模语法，双层转单层后的MPEC问题可以直接用标准优化模型表达，CPLEX对MILP的求解效率也很令人满意。Python生态下推荐的是Pyomo+Gurobi，建模灵活度和可维护性更好，适合工程团队长期迭代。

如果是直接用KKT转化所有约束的完整模型，建议优先考虑Gurobi，因为Gurobi对二次约束的处理能力比CPLEX好不少，而且在处理强对偶条件时数值稳定性更优。对于大规模算例，还可以尝试用启发式算法（粒子群、遗传算法、差分进化等）求解上层问题，下层用精确算法嵌套求解。这种方式不依赖KKT条件的凸性假设，但收敛性没有严格保证，结果质量需要靠多次运行统计来验证。

我自己在项目里通常采用两阶段策略：先跑一次单层化精确求解，得到基准结果；如果问题规模太大，无法在可接受时间内收敛，再切到启发式嵌套方案，两者的解做对比，差距在5%以内就认为工程上可以接受。

4. 从论文到工程——一个可复现的台区算例

4.1 算例参数与场景设定

下面用一个我实际做过的简化台区案例来说明整体流程。场景是一个典型的城市居民小区，配置一台1250kVA的配电变压器，现有峰时基础负荷720kW。小区内计划接入300辆电动汽车，其中70%使用7kW慢充桩，30%使用50kW快充桩。电池容量统一按60kWh计算，车辆接入电网时间集中在18:00到次日08:00，每辆车离网时的SOC需求取80%。

电价设置参考了大部分城市的分时电价结构：峰时（08:00-22:00）1.2元/kWh，谷时（22:00-08:00）0.4元/kWh。上层运营商可以给出的激励补贴上限为0.3元/kWh，补贴预算总额有限，必须在不同时段和不同用户群体之间做分配。

下层模型中，用户被分为两类：价格敏感型（占比60%），愿意为了省钱调整充电时间，只要补贴够高，甚至会愿意参与V2G反向放电；出行刚性型（占比40%），对充电时间的灵活性要求很低，只希望回家即充，电价低一点当然更好，但不愿意牺牲等待时间。

4.2 优化结果分析与对比

我对比了三种方案：方案一是无调度，用户自由充电；方案二是单纯分时电价引导，没有上层优化；方案三是完整双层优化调度。

方案一的结果基本在预料之中：晚高峰18:00-22:00出现充电高峰，系统峰值负荷冲到了约1350kW，配变负载率108%，已经处于持续过载状态。电压方面，末端节点电压最低跌到0.93p.u.，超过了国标规定的±7%偏差范围。

方案二的分时电价已经能够起到一定的削峰作用。一部分价格敏感型用户把充电时间推迟到22:00以后，峰值负荷下降到约1050kW，电压越限问题有所缓解，但配变负载率依然高于95%，容量的裕度仍然不够。

方案三的双层优化结果就比较可观了。上层通过动态调整各时段电价和补贴力度，引导用户把充电窗口整体向后挪移，同时把部分快充负荷引导至凌晨时段，最终峰值负荷降至930kW左右，配变负载率稳定在85%以下，末端电压恢复到了0.97p.u.，网损从方案一的42kW下降了约35%。

值得一提的是，双层优化并没有牺牲用户利益。价格敏感型用户的充电费用比方案一还更低，因为他们在谷时段充电，电费本来就是低谷电价。出行刚性型用户的费用略有增加（因为部分时段要避开晚高峰充电，必然是提前或延后，存在一定的电价损失），但上层通过定向补贴把这部分损失补偿了绝大部分。最终满意度调研中，80%以上的用户对调度方案表示可以接受。

4.3 参数灵敏度分析：这个方法在什么条件下最有效

很多人会关心这个问题：双层优化的效果是普遍的，还是只对特定参数区间有效？我的测试数据表明，影响最大的参数是“用户价格敏感度”和“渗透率”。

有意义的调度优化应该放在渗透率40%以上来考虑：渗透率太低时，电动汽车负荷在系统总负荷中占比有限，调度的收益空间很小，上不上层优化差别不大；渗透率超过某一阈值之后，比如80%，用户群体的整体可调节空间变大，双层优化的削峰率、降损率会呈现出明显的边际递增效应。

价格敏感度方面，如果用户全部是出行刚性型（完全不可调），双层优化退化为无调度场景；如果用户全部是价格敏感型，那么单纯分时电价就已经能做到接近最优的效果，双层优化的增量收益反而不大。双层优化价值最凸显的场景，恰恰是价格敏感型和出行刚性型用户混合共存、比例均衡的区域。这个结论对我们在实际项目中的策略设计非常关键——在用户画像不清晰的情况下，先做调研、再上调度，永远是对的。

5. 工程落地时踩过的坑——给后来者的避坑清单

5.1 用户不响应电价信号，模型再漂亮也是白搭

我们在实验室里跑模型时，总是默认用户是“理性经济人”，看到电价信号就会做出最优响应。但在实际的小区试点中，我发现用户的非理性行为比想象中多得多。

有一部分用户根本不看电价，每天固定时间插枪充电，哪怕凌晨电价只有白天的三分之一，他也不愿意挪时间。还有一部分用户，你给他推送了充电建议和价格对比之后，他的确改了充电时间，但不是改到系统推荐的最优谷段，而是改到了次优时段——原因是那个时段他刚好遛弯回来、顺手插枪，多出来的几块钱电费他觉得无所谓。

这些问题在数学模型中很难精确刻画，工程上的解决办法是在下层模型中加入行为参数，比如用户对电价激励的敏感度系数、用户接受调度建议的概率分布。把行为参数标定完成后，模型的预测精度能提升一大截。

另外一个很实用的办法是让补贴差异化。对价格敏感但时间支配能力强的用户，给出TOU差价型补贴；对时间固定、完全没灵活性的用户，放弃在时间维度上引导，改为在充电功率上做文章——限功率慢充，通过延长充电时间来满足电量需求。被这部分用户占用的功率空间释放出来后，调度可用的调节空间反而变大了。

5.2 求解不收敛或解的质量差，先排查这几个地方

双层优化的代码跑奔溃或者不收敛，是我被问得最多的问题。根据我的经验，90%的情况出在以下几个环节。

第一个是KKT转化时互补松弛条件的线性化参数选择不当。大M值设得太大会导致求解器在数值上分不清可行域边界，设得太小又把一些真正的可行解切掉了。解决方式是先用小规模问题做参数扫描，画出目标函数值随M变化的曲线，选曲线进入平台期的M值。

第二个是下层的强对偶条件处理。使用强对偶定理把下层目标函数代入上层时，一定要检查下层问题是否满足Slater条件。如果用户充电功率存在整数变量，下层就不是严格凸的，强对偶定理不成立，这时强行代换会得到错误结果。这种情况我建议把整数变量固定后求解连续松弛问题，然后再做分支定界校验。

第三个是迭代式计算框架（比如上下层交替迭代法）没有做收敛性预处理。先给定一个初始电价，求下层最优充电策略，再把这个策略带回上层求新电价——这个迭代过程很