企业官网建设流程全解析

我花了两个周末，把这篇SCI一区论文里的应急移动电源（MPS）预配置模型用Matlab完整复现了一遍。先说结论：这个方向的核心难点不在“怎么写约束”，而在“怎么把韧性提升这个模糊概念翻译成可优化的目标函数”，以及“怎么让预配置结果在后续动态调度阶段真的能用”。这篇是系列的上篇，只讲第一阶段的预配置，动态调度部分留在下篇展开。

复现的是配电网在极端灾害（台风、冰灾这类小概率高损失事件）下的韧性提升问题。核心场景是：灾害还没来（或者刚有预报），手头有一批可移动的应急电源车/移动储能（MPS），预算有限，候选接入节点就那么几个，要在灾害发生前就把这些移动电源“预配置”到最有利的位置上。听着像个选址问题，但真做起来会发现，它嵌套着不确定性建模、多阶段决策、配电网潮流约束，还有和后续调度策略的耦合，水比想象中深不少。

这篇文章适合正在做配电网韧性、应急防灾、或者复现SCI论文的研究生和工程师。如果你是刚接触这个方向，我的建议是先别急着跑代码，把第一部分的数学模型吃透，否则调试的时候会完全不知道错在哪。

1. 项目背景与问题核心拆解

1.1 为什么是“韧性”而不是“可靠性”

在正式拆模型之前，必须先把这个概念掰扯清楚。配电网可靠性（reliability）和韧性（resilience）是两个维度的东西，虽然都涉及供电保障，但应对的事件类型完全不同。

可靠性针对的是日常高频故障——比如某条馈线因树木碰线跳闸、某台配变过载烧毁，这类故障概率相对较高但损失有限，N-1校核、馈线自动化、备自投基本就是为它们准备的。韧性针对的则是极端事件——强台风过境导致多条馈线同时断线、变电站全停、大面积停电持续数小时甚至数天，这种“小概率高损失”场景，传统可靠性手段基本失效。

韧性曲线通常用灾害发生前后的系统性能变化来衡量：灾前处于正常运行状态（预防阶段），灾害来袭后性能骤降（响应阶段），随后逐步恢复（恢复阶段）。移动电源的价值在于，在灾前预配置阶段把电源“弹药”布置到位，在灾后响应阶段靠它们给关键负荷供电，把性能曲线的“谷底”抬高、把恢复时间缩短。

在论文里，韧性提升通常用一个量化指标来表达。常见的有两种思路：一种是加权恢复负荷比例，即整个事件期间实际供给的关键负荷占总需求的比重；另一种是系统韧性损失，即正常供能量与实际供能量的差值。我复现的这篇用的是偏恢复负荷加权的思路，预配置阶段的目标函数就是最大化灾害期间的系统加权供电量。

1.2 MPS预配置到底在优化什么

MPS（Mobile Power Source，移动电源）包括应急发电车、移动储能车、UPS车等，核心特征就是“可移动”。这个可移动属性带来两个决策维度：

• 预配置（本篇文章主题）：灾害发生前，移动电源应该停靠在哪些候选节点，各配置多大容量。
• 动态调度（下篇文章主题）：灾害发生后，移动电源往哪些故障区域移动、接入哪个节点、按什么功率曲线出力。

用军事比喻最直观：预配置是“战前弹药布防”，动态调度是“战中兵力调动”。布防布错了，仗打起来再灵活的调动都是白搭——移动电源在灾害中能否移动到预定接入点，取决于道路是否畅通、故障范围是否阻塞路径，灾害发生后这些条件都是高度不确定的。

所以预配置这个阶段的关键，不是简单的“找个好位置把电源插上”，而是在不确定性条件下做资源投放决策。你得回答三个问题：

1. 从哪些候选节点里选？
2. 每个选中节点布多少容量？
3. 这个布防方案对灾害场景有多敏感？

这三个问题对应到模型里，就是候选节点建模、容量/预算约束、场景不确定性处理。任何一个处理不到位，复现出来的方案在动态调度阶段都会出现“预配置的电源根本调不过去”或者“容量远远不够”的尴尬局面。

2. 数学模型：从韧性曲线到可求解的优化问题

2.1 两阶段决策框架：预配置与调度的耦合关系

这篇论文使用的是一个典型的两阶段随机规划框架。第一阶段（预配置）的决策必须在灾害场景实现之前完成，属于“今天做决定”；第二阶段（动态调度）的决策在灾害场景具体实现之后做出，属于“看着结果再决定”。

用公式表达这个框架：

[ \min_{x \in X} \left( c^T x + \mathbb{E}_\xi [Q(x, \xi)] \right) ]

其中 ( Q(x, \xi) = \min_{y \in Y(x, \xi)} d^T y ) 是第二阶段的最优值函数，(\xi) 是不确定场景（比如线路故障集合、故障持续时间、负荷水平）。注意这里目标函数里有个期望算子，意味着预配置决策必须对一整组可能的灾害场景求期望最优，而不是针对单一确定性场景。

这里有个重要细节：实际复现时，有些论文把第二阶段做成鲁棒优化（min-max），有些做成随机规划（min-期望）。两种路线对预配置结果的影响非常大——鲁棒优化给出的方案通常更保守，倾向于在更多候选节点分散布置资源；随机规划给出的方案更“平均”，可能在少数关键节点集中配置资源。我复现的这篇走的是随机规划路线，场景数量通过蒙特卡洛抽样加场景削减得到一个有限集合。

2.2 第一阶段模型：预配置的目标函数与约束

预配置阶段的决策变量是所有候选节点上MPS的配置状态和容量：

• ( x_{i,k} )：0-1变量，表示第 ( i ) 个候选节点是否配置第 ( k ) 类MPS；
• ( P^{MPS}_{i,k} )：连续变量，表示节点 ( i ) 上第 ( k ) 类MPS的配置容量（kW）。

目标函数需要表达“韧性提升最大化”，但韧性本身不是一个可直接写入求解器的标量。复现时论文将它转化为一个可计算的代理目标：在预配置方案确定的条件下，最大化全场景下加权恢复负荷的期望值。为了计算这个期望，必须联合第二阶段模型，但作为上篇，我可以先给一个侧重预配置本身的简化形式：

[ \max \sum_{i \in \mathcal{N}} w_i \cdot \mathbb{E}_\xi [P^{\text{res}}_i(\xi)] ]

其中 ( w_i ) 是节点负荷权重，( P^{\text{res}}_i(\xi) ) 是场景 ( \xi ) 下节点 ( i ) 的恢复供电量（它在第二阶段模型里通过潮流和调度约束决定）。如果我们把预配置阶段单独拿出来做一个简化版（这也是不少复现代码的实际做法），可以写成：

[ \min \left( \sum_{i \in \mathcal{N}} w_i \cdot \mathbb{E}_\xi [P^{\text{loss}}_i(\xi)] \right) ]

即最小化加权失负荷量期望，与最大化恢复供电是等价的。

预配置阶段的约束包括：

• 预算约束：所有MPS的配置成本之和不超过总预算 ( B )

[ \sum_{i,k} c_{i,k} \cdot P^{MPS}_{i,k} \le B ]

• 容量上限约束：单节点配置容量不超过该节点可用空间/MPS类型上限 ( P^{\max}_{i,k} )

[ 0 \le P^{MPS}{i,k} \le x{i,k} \cdot P^{\max}_{i,k} ]

• 数量/类型耦合约束：按论文假设，同一候选节点最多配置一辆/一台特定类型MPS

[ \sum_k x_{i,k} \le 1, \quad \forall i ]

需要注意，在上面这些约束里，( x_{i,k} ) 和 ( P^{MPS}_{i,k} ) 之间是典型的 big-M 约束，把离散安装决策与连续容量变量关联起来。这一步如果big-M取值不当，会出现“没安装却有容量输出”这类非常隐蔽的bug。

2.3 不确定性场景建模：没这个，预配置就是拍脑袋

预配置最大的坑在于不确定性。灾害场景的随机性主要体现在三个方面：

1. 故障线路集合：哪些线路因灾害断线，通常用每条线路的故障概率描述。台风场景下，地理上接近的线路故障概率高度相关，简单独立抽样会低估区域性停电风险。
2. 故障持续时间：修复时间长短直接影响需要MPS供电的时长，通常假设服从对数正态分布。
3. 负荷水平：关键负荷如医院、通信基站在灾害期间的用电需求可能与平常不同。

复现时我用了蒙特卡洛抽样生成初始场景池（比如抽样500个场景），再用同步回代削减法把场景数降到10到20个。削减的本质是“用少数代表性场景近似原分布”，既要保持期望值的准确性，也要控制优化问题的规模。

要提一句，很多复现代码在场景削减这一步处理得很随意，直接随机抽几个场景就用。这么做轻则结果波动大，重则预配置方案完全偏离论文结论。场景削减不是锦上添花，是保证复现效果的关键步骤。

3. Matlab代码实现：从公式到可运行代码

3.1 整体框架与数据准备

我的复现目录结构如下：

MPS_PrePositioning/ ├── data/ % 配电网数据、场景数据 ├── scripts/ │ ├── main_pre.m % 主程序 │ ├── data_init.m % 参数与拓扑初始化 │ ├── scenario_gen.m % 蒙特卡洛场景生成 │ ├── scenario_reduce.m % 场景削减 │ └── build_model.m % 构建预配置优化模型 └── results/

配电网拓扑这里，我选的是IEEE 33节点系统——节点数不多，足够展示预配置和调度的核心逻辑，也不会让求解器卡死。每个节点有基础负荷数据，按论文设定标记了关键负荷节点（比如节点3、7、18），这些节点在目标函数里有更高的权重 ( w_i )。

各MPS类型的参数我用了一个小表格：

总预算 ( B ) 我设为 120万元，这个数值按论文参数调整过，确保优化结果不是“每个候选点都塞满”或“只在一个点集中配置”这两个极端。

3.2 用Yalmip构建预配置优化模型

我使用Yalmip建模、Gurobi求解。选Yalmip的原因很简单：它允许直接用 ( x_{i,k} ) 和 ( P^{MPS}_{i,k} ) 这种贴近数学模型的方式声明变量，然后以几乎“翻译论文公式”的写法把目标和约束写出来，不用手拼矩阵。

%% build_model.m —— 构建MPS预配置优化模型 % 决策变量 x_pre = binvar(n_candidate, n_mps_type, 'full'); % 0-1 安装决策 p_pre = sdpvar(n_candidate, n_mps_type, 'full'); % 连续 配置容量 % 目标函数（预配置阶段的简化韧性代理） % 注意：完整两阶段模型这里需要包含第二阶段值函数的期望， % 这里我们用“最大化潜在恢复能力”作为替代，具体见正文说明 Objective = -sum(sum(w_candidate' * p_pre)); % 最大化加权配置容量 % 约束集合 Constraints = []; % 1) 安装决策与容量的 big-M 耦合约束 for i = 1:n_candidate for k = 1:n_mps_type Constraints = [Constraints, 0 <= p_pre(i,k) <= cap_max(k) * x_pre(i,k)]; end end % 2) 预算约束 Constraints = [Constraints, sum(sum(p_pre .* cost_matrix)) <= B_total]; % 3) 每个候选节点最多配置一台MPS Constraints = [Constraints, sum(x_pre, 2) <= ones(n_candidate, 1)]; % 4) 配置容量低于节点最大可接纳容量 Constraints = [Constraints, p_pre * ones(n_mps_type,1) <= node_capacity]; % 求解设置 ops = sdpsettings('solver', 'gurobi', 'verbose', 2); optimize(Constraints, Objective, ops); %% 结果输出 P_opt = value(p_pre); X_opt = value(x_pre);

这里有个“潜规则”要说明：上面代码里的目标函数是“简化版”，严格按论文来，预配置的目标函数必须耦合第二阶段动态调度模型来计算期望恢复负荷。但不少复现代码会在第一阶段用一个代理目标——比如最大化加权配置容量——来近似，然后在下篇的动态调度里去验证这个配置方案的效果。这种做法在复现时是常见的工程妥协，但如果你要严格复现论文结果，需要在第二阶段模型完成后把第一阶段目标函数替换为期望值形式，我会在3.4节说明这个替换怎么做。

3.3 场景生成与削减的实现

场景生成是复现里最容易出“看似正确实则离谱”问题的模块。直接给代码：

%% scenario_gen.m —— 蒙特卡洛生成灾害场景 function scenarios = scenario_gen(n_scen, line_fail_prob, fail_duration_params) n_line = length(line_fail_prob); scenarios = struct(); scenarios.fault_lines = false(n_scen, n_line); % 每行一个场景，标记哪些线路故障 scenarios.duration = zeros(n_scen, n_line); % 各故障线路的恢复时间(h) for s = 1:n_scen % 线路状态抽样（有相关性时需用copula或场景树，简单版先独立抽样） scenarios.fault_lines(s, :) = rand(1, n_line) < line_fail_prob; % 故障持续时间抽样（对数正态分布） mu = fail_duration_params(1); sigma = fail_duration_params(2); scenarios.duration(s, :) = lognrnd(mu, sigma, 1, n_line) .* ... scenarios.fault_lines(s, :); end end

抽样完成后别急着用，先用同步回代削减把500个场景缩到10到20个。同步回代的核心思想是：每次挑选一个“距离其他场景最近”的场景删掉，同时把它的概率加到离它最近的保留场景上，反复迭代直到达到目标场景数。

%% scenario_reduce.m —— 同步回代场景削减（核心代码） function [red_scen, red_prob] = scenario_reduce(scenarios, n_keep) n_scen = length(scenarios.fault_lines(:,1)); prob = ones(n_scen, 1) / n_scen; % 计算场景间距离：故障线路集合的汉明距离 + 持续时间的欧氏距离 D = zeros(n_scen); for i = 1:n_scen for j = i+1:n_scen d1 = sum(xor(scenarios.fault_lines(i,:), scenarios.fault_lines(j,:))); d2 = norm(scenarios.duration(i,:) - scenarios.duration(j,:)); D(i,j) = d1 + 0.1 * d2; D(j,i) = D(i,j); end end % 迭代削减 current_set = 1:n_scen; while length(current_set) > n_keep min_cost = inf; to_delete = 0; for idx = 1:length(current_set) i = current_set(idx); others = setdiff(current_set, i); cost = prob(i) * min(D(i, others)); if cost < min_cost min_cost = cost; to_delete = i; end end % 删除一个场景，概率转移给最近场景 others = setdiff(current_set, to_delete); [~, nearest] = min(D(to_delete, others)); prob(others(nearest)) = prob(others(nearest)) + prob(to_delete); current_set = setdiff(current_set, to_delete); end red_scen = scenarios; % 只保留current_set中的场景 red_prob = prob(current_set) / sum(prob(current_set)); end

这段代码我调了很久才稳定。有个容易踩的坑：初始场景池太小，削减后可能只剩几个几乎相同的场景，导致预配置方案“过拟合”到特定故障模式上。我实际测试下来，初始500个场景削减到15个，结果已经比较稳定。

3.4 两阶段耦合：预配置目标函数的正确替换

前面说了，严格版的目标函数应该是“最大化全场景期望恢复负荷”，而恢复负荷是第二阶段模型（动态调度）的优化结果。在Matlab里实现这个耦合，需要把第二阶段的值函数嵌入到第一阶段目标中。

实际操作上，如果第二阶段是线性规划，每给定一组预配置变量，第二阶段问题是一个参数化LP。在Yalmip里可以把两个阶段一次性写成一个大优化问题：

%% 两阶段耦合模型（预配置+各场景下的快速调度） % 第二阶段对每个场景都建立一套调度变量 y_s = cell(n_scenario, 1); Constraints = [Constraints, ...]; % 第一阶段约束 Objective = ...; % 预配置成本 for s = 1:n_scenario % 每个场景下的调度变量 y_s{s} = sdpvar(n_bus, n_time, 'full'); % 比如各时段节点供电量 % 场景相关约束：潮流、线路可用性、MPS发电路径约束等 Constraints = [Constraints, ...]; % 目标函数累加场景期望 Objective = Objective + prob(s) * sum(sum(w' * y_s{s})); end optimize(Constraints, -Objective, ops);

这种一次性建模方式，Yalmip会生成一个包含所有场景变量的大规模模型。场景数15个、时段24个、节点33个的话，变量规模在可接受范围内，Gurobi一般几十秒能解完。但如果你把场景数加到100个，模型规模会急剧膨胀，这时就需要考虑Benders分解或渐进对冲这类分解算法了。复现论文时，通常先用小场景数验证逻辑，再逐步加大规模测试算法极限。

3.5 潮流约束的取舍与线性化

配电网的潮流约束是另一个大坑。精确的DistFlow方程是非线性的：

[ P_{ij} - r_{ij} \frac{P_{ij}^2 + Q_{ij}^2}{V_i^2} = \sum_{k: j \to k} P_{jk} + P_j^{\text{load}} ]

[ Q_{ij} - x_{ij} \frac{P_{ij}^2 + Q_{ij}^2}{V_i^2} = \sum_{k: j \to k} Q_{jk} + Q_j^{\text{load}} ]

直接求解非线性模型，Gurobi无能为力，Yalmip会调用ipopt这类非线性求解器，而这类求解器在混合整数问题上表现很差、动辄不收敛。复现时最常用的做法是线性化DistFlow：忽略电压幅值变化对功率损耗的影响，把 ( V_i^2 ) 近似为常数1（标幺值），从而得到线性约束：

[ P_{ij} - r_{ij} \cdot L_{ij} = \sum_{k: j \to k} P_{jk} + P_j^{\text{load}} ]

[ Q_{ij} - x_{ij} \cdot L_{ij} = \sum_{k: j \to k} Q_{jk} + Q_j^{\text{load}} ]

[ V_i^2 - V_j^2 = 2(r_{ij} P_{ij} + x_{ij} Q_{ij}) - (r_{ij}^2 + x_{ij}^2) L_{ij} ]

其中 ( L_{ij} = (P_{ij}^2 + Q_{ij}^2)/V_i^2 \approx (P_{ij}^2 + Q_{ij}^2) )。如果再把 ( L_{ij} ) 和 ( V_i^2 ) 的关系做进一步松弛（比如用二阶锥松弛），就得到SOCR（Second-Order Cone Relaxation）形式。论文大概率用的是SOCP或者直接用线性DistFlow。

复现时我的建议是：如果论文目的是展示预配置和调度的整体逻辑，用线性DistFlow即可，重点验证MPS配置和调度的优化关系；如果你要复现论文里的精确数值结果（比如特定的电压剖面或损耗数值），则需要用SOCP，且要验证松弛的紧致性（即对偶间隙足够小）。我自己在复现时做了两个版本，发现对预配置结果总体影响不大，但对电压约束的违背情况有明显差异。

4. 实操过程与关键技巧实录

4.1 从论文公式到Matlab变量的映射

复现SCI论文最耗时的一步，是把论文附录或正文里的公式逐条翻译成Yalmip可执行的代码。我的做法是建一个“公式-变量-代码”对照表：

建议直接在代码注释里标注论文公式编号，这样后期回溯调试时能快速定位。比如：

% 式(12)：MPS预配置容量上下界约束 Constraints = [Constraints, 0 <= p_pre(i,k) <= cap_max(k) * x_pre(i,k)];

4.2 求解器选型：为什么是Gurobi而不是linprog

混合整数线性规划（MILP）问题的求解，Matlab自带的linprog只能解纯线性规划，intlinprog虽然支持整数变量，但大模型下性能远不如商业求解器。我对比过：同样的模型，15个场景、33节点，intlinprog跑了将近20分钟还没有收敛到严格最优，Gurobi在默认参数下3分钟内可以拿到最优解。

如果你没有Gurobi许可证，次优选择是CBC（开源MILP求解器，在Yalmip里勾选cbc即可），但求解时间会长一些，而且对数值稳定性要求更高。另外，对于包含大量0-1变量的预配置问题，MIP start（初始可行解）能极大加速求解。怎么给初始解？先用启发式方法（比如按负荷权重排序贪心配置）算一组可行解，然后传给Gurobi：

ops.solvers = 'gurobi'; ops.gurobi.MIPStart = 1; % 启用初始解 assign(x_pre, x_heuristic); assign(p_pre, p_heuristic); optimize(Constraints, Objective, ops);

实测下来，有好的初始解可以把求解时间再缩短40%到60%。

4.3 big-M取值的教训

预配置模型里有一个隐蔽的数值稳定性陷阱：big-M约束。

[ 0 \le P^{MPS}{i,k} \le x{i,k} \cdot P^{\max}_{i,k} ]

这里 ( P^{\max}{i,k} ) 就是big-M的作用。它看起来简单，但如果你把 ( P^{\max}{i,k} ) 设得比实际物理容量大很多（比如为了“保险”设成额定容量的10倍），Gurobi的branch-and-bound过程会出现明显的数值病态，导致求解时间爆炸，甚至给出错误的最优性证明。

我的经验是：( P^{\max}_{i,k} ) 设为该类型MPS额定容量的1.0到1.1倍即可，不需要冗余。如果候选节点还有空间限制（比如停车位大小），就把节点最大可接纳容量作为更紧的上界。每次调完参数后，用Gurobi的quality检查一下解的质量报告，最大约束违背量如果超过 ( 10^{-6} ) 量级，多半就是某个big-M取值不合理。

4.4 结果可视化：预配置方案要不要“看着合理”

代码跑通后，我习惯把预配置结果叠加到配电网拓扑图上。方法很简单：用MATLAB的plot画出33节点拓扑，把选中配置MPS的节点用不同颜色标记，并标注配置的容量和类型。

一幅好的预配置图应该满足几个直觉判断：

• 配置点通常靠近权重高的负荷节点，但会适当分散以兼顾多场景。
• 同一个节点很少配置两台以上的MPS，因为预算约束会限制重复投资。
• 有故障概率较高的线路区域，附近的候选节点被选中的概率更大。

我跑完第一版的时候，发现结果把3台MPS全配置到了同一个节点上。直觉上这不对劲——一个节点断电，三台全废。检查后发现是我在场景削减时把场景池里“该节点附近线路故障”的场景全删掉了，导致预配置模型认为该节点非常安全。修正场景削减逻辑（保留一定比例的故障场景）后，结果就正常了，分成三个不同节点配置。

5. 常见问题与排查技巧实录

5.1 模型不可行：预算约束的边界陷阱

复现时最容易遇到的报错是“Infeasible problem”。排查步骤按顺序来：

1. 先检查预算 ( B ) 是否小到连一台MPS都买不起。如果 ( \min_{i,k} c_{i,k} P^{\max}_{i,k} > B )，模型当然无解。把预算从100万调到150万再看。
2. 检查候选节点数量。如果候选节点只有两个，而MPS类型有三种，每个节点最多配一台，那第三台永远配不出去。这时需要放宽“单节点最多一台”的约束，或者增设更多候选节点。
3. 检查node_capacity是否与初始负荷数据矛盾。比如节点负荷是0，但候选配置容量给了200kW，这不矛盾；但节点最大可接纳容量如果小于额定额定容量，约束可能互相打架。

大多数不可行问题都是参数自洽性问题，很少是模型结构问题。

5.2 Gurobi许可证与Matlab版本兼容

Gurobi版本和Matlab版本之间偶有兼容性问题。我在R2023b上用Gurobi 10.0.3没问题，在R2022a上同样的组合报过“Unable to load gurobi_mex”的错误。排查办法：检查Yalmip的sdpsettings里solver是否被正确识别，运行yalmiptest查看求解器检测状态。如果Gurobi检测不到，多半是gurobi.m这个mex文件没有加入Matlab路径。

另外提一句，Gurobi新版（11.x之后）的license激活方式和旧版不同，如果报“License expires”类错误，先看是否是hostid绑定问题——不少机构版license是绑定机器网卡MAC地址的。

5.3 预配置结果对场景数不敏感？可能有问题

如果跑完代码发现：场景数从5个变到50个，预配置结果竟然完全不变。这有两种可能：

一种是好事：你的预配置方案足够鲁棒，对场景变化不敏感，说明找到了一个“中庸”方案。另一种是坏事：你的场景生成逻辑有bug，生成的50个场景彼此过于相似，等同于只有1个有效场景。

怎么区分？打印每个场景的故障线路集合，数一数有多少种不同的故障组合。如果50个场景里只有3种不同的故障模式，说明蒙特卡洛抽样没有覆盖足够多样的故障区域；如果故障线路集合多样性足够但结果不变，那说明模型对该区域的故障分布确实不敏感。

5.4 与动态调度的衔接：预配置模型必须预留的接口

既然是系列的上篇，这里必须说清楚预配置模型为下篇动态调度预留了什么接口。

预配置的结果要能被动态调度直接用，模型至少要输出三个东西：

1. 配置位置与类型：哪些候选节点上有哪类MPS，这个信息直接决定动态调度中移动电源的“初始位置”。
2. 配置容量：动态调度中每台MPS的可用容量上限，不能超出预配置值。
3. 单位运行成本：如果动态调度模型包含发电成本，需要知道不同类型MPS的边际成本。

我在main_pre.m末尾把预配置结果保存成了一个.mat文件，字段结构为：

results.pre_config = struct(); results.pre_config.node = find(X_opt == 1); % 配置节点 results.pre_config.type = ...; % 对应MPS类型 results.pre_config.capacity = P_opt(X_opt > 0); % 配置容量 save('results/pre_config.mat', 'results');

下篇在动态调度里直接加载这个文件就能用。这是实践中的关键一步——预配置和动态调度如果割裂成两个独立模型，那整套研究就失去了“两阶段协同”的意义。

5.5 数值结果合理性速查表

我总结几个快速判断结果有没有“硬伤”的检查项：

写在最后

到目前为止，我已经把这篇SCI一区论文的第一阶段——MPS预配置——用Matlab完整跑通了。个人体会最深的不是模型本身，而是“复现”两个字背后的耐心活：读懂论文、翻译公式、生成场景、调求解器、排查结果，每一步都可能让你卡上半天。

预配置这一阶段做得扎实与否，直接决定了动态调度阶段的发挥空间。你想想，如果灾害场景变了，预配置的电源全在断电路径上，那动态调度能玩出花来也无力回天。反过来，预配置方案留了足够的余地和灵活性，动态调度才能把恢复效果抬上去。

最后分享一个调试小技巧：跑大规模随机规划之前，永远先建一个“单场景版”——只取一个代表场景，把整个模型跑通，验证目标函数和约束逻辑无误后，再加场景循环、加概率加权。这个习惯帮我省下至少一半的debug时间。

下篇我会把动态调度部分完整拆解，包括MPS移动时间建模、灾害后路径选择、以及和预配置的联合优化问题。到时候见。