企业官网建设流程全解析

配电网韧性研究这几年最热门的方向之一，就是应急移动电源（MPS）在灾害前后如何发挥最大价值。而MPS预配置，作为整个“预配置+动态调度”体系的第一步，恰恰是最容易被初学者轻视、却最影响复现结果的一环。我翻了不少SCI一区论文，也自己动手用Matlab复现过类似的模型，发现很多人卡住的地方并不是动态调度，而是第一步预配置就没弄明白：MPS应该提前停在哪、为什么停在那、这个决策和灾后的调度是什么关系。这篇先把(上)写透——只讲MPS预配置的建模思路和Matlab实现，动态调度细节留到(下)再展开，这样两篇合起来正好构成一个完整的两阶段随机规划复现闭环。

先说这系列文章的适用对象：正在复现配电网韧性相关论文的研究生、想用Matlab做灾害场景模拟的工程师、以及需要给移动储能电站做前期规划方案的同行。这篇文章不会只丢一个“论文模型”给你，而是会拆清楚模型每一层约束背后的物理含义，再给出可以落地运行的Matlab代码框架。看完之后，你至少能回答三个问题：预配置为什么是两阶段问题里的第一阶段？预配置目标函数到底在优化什么？怎么用Matlab把预配置模型搭出来并求出合理的方案。

1. 研究问题拆解：配电网韧性提升与MPS预配置到底解决什么问题

1.1 配电网韧性：从“停电”到“快速止血”

传统配电网可靠性研究关注的是一般性故障：某条线路跳闸、某台配变过载，这类故障持续时间短、影响范围可控，常规保护与调度就能应付。但配电网韧性（Resilience）面对的完全是另一类问题——极端灾害场景下，多条馈线可能同时跳闸，变电站出线甚至母线都会失压，整个配电网可能陷入大面积停电。台风的狂风暴雨、冬季冰灾的线路覆冰、地震造成的杆塔倒伏，都属于典型的“高影响-低概率”事件，不可能用平时那套可靠性指标去评估。

学界描述配电网韧性时，最常用的工具是韧性曲线：横轴是时间，纵轴是系统剩余供电能力或恢复负荷比例。一场极端事件发生后，曲线会先快速跌落，然后随着故障隔离、应急供电、抢修恢复逐步回升。韧性研究的核心目标，就是要把这条曲线的“跌得慢一些、谷底浅一些、回升早一些”给做出来。MPS预配置就是典型的事前措施：在灾害发生前的预测预警期，把有限的移动电源布置到合理节点，为灾后快速建立应急供电走廊做好物理准备。

这里有必要定义一下MPS。在不少论文里，MPS写作Mobile Power Source，也可以理解为移动储能车（MES）、移动柴油发电车，或者广义的“可移动能量源”。它可以自己带电量，也可以从变电站或健康馈线取电后转运到失电区域。MPS的数量、容量、移动速度都是有限资源，所以预配置不可能覆盖所有负荷，只能针对重点区域做布局。

1.2 MPS预配置与动态调度：两阶段问题的时间分工

从时间维度看，一场典型极端天气过程可以粗略分成三个阶段：预测预警期（灾害发生前几小时到几天）、灾害发展期（几小时）、恢复期（几小时到几天）。MPS预配置发生在预测预警期，动态调度发生在灾害发生与恢复期。

预配置解决的是“车提前停在哪”的问题。动态调度解决的是“灾后车怎么走、接在哪、功率怎么出”的问题。这两个决策在数学上正好构成了两阶段随机规划的骨架：预配置位置是第一阶段决策变量，也叫here-and-now变量，必须在灾害场景真实发生之前确定；移动路径、接入位置、充放电功率、负荷恢复量都是第二阶段决策变量，也叫wait-and-see变量，需要等具体的故障场景信息暴露后再决定。

这里有一个初学者极容易踩的坑：既然灾后还要动态调度，那预配置是不是随便选个点就行？答案是完全可以反过来理解——预配置位置决定了动态调度的初始终端集合，也就决定了灾后调度的可行域上限。如果预配置点选在一段极易被台风刮断的馈线末端，灾后这条路一断，车就被困在孤岛里，连出车的机会都没有。如果预配置点太分散，灾后移动距离拉长，车辆在路上白白消耗恢复窗口。所以预配置是在“拓扑位置可达性”和“负荷需求空间分布”之间做风险对冲，跟“就近原则”完全是两回事。

1.3 为什么“预配置”值得单独开一篇

从代码复现的角度讲，很多论文把预配置和动态调度一起塞进一个两阶段模型，拿到手的第一步就是变量爆炸——根本分不清哪个变量是一阶段的，哪个变量是每个场景一套的二阶段变量。我最初复现时也花了很久才理顺。这篇先把预配置单独拆出来，目标很明确：把阶段一彻底吃透。目标函数长什么样、约束怎么建、为什么这么建、Matlab里对应代码如何组织，都在这一篇里交代清楚。把预配置这个模块整明白，再看动态调度那一篇，就是水到渠成的事。

2. 数学建模精读：预配置阶段的目标函数与约束体系

2.1 目标函数：在不确定性场景下最小化加权负荷损失

预配置优化的标准数学框架是两阶段随机规划。记第一阶段预配置决策为向量x，第二阶段在场景s下的调度决策为y_s，目标函数可以写成：

min C_place(x) + Σ_s ω_s · Q(x, s)

其中C_place(x)是预配置本身的动作代价（比如车辆从驻地出发到达预配置点的移动成本，如果为便于简化也可以直接设为常数或0），ω_s是场景s的发生概率，Q(x, s)是在预配置方案x已经确定、场景s的故障线路已知的前提下，灾后动态调度所能实现的最小加权失负荷量。

Q(x, s)的内部形式是：

Q(x, s) = min Σ_t Σ_n w_n · L_curt(n, t, s)

这里的w_n是节点负荷重要性权重，L_curt是未恢复（被削减）的负荷量。权重设置非常关键，医院、通信基站、消防设施这类敏感负荷权重可以设为10甚至更高，普通居民负荷权重就是1。韧性提升和传统经济调度的目标差异就在这里——它追求的不是电价最低或者网损最小，而是关键负荷的连续供电时间最长、累计失电量最小。

理解这个目标函数，需要抓住一点：预配置不是针对某一个确定的灾难场景做优化，而是对所有可能场景的期望表现负责。这个“期望值”恰恰是两阶段随机规划区别于确定性选址的核心。比如某节点在单一场景下可能是最优位置，但它在其他几个高概率场景里完全不可达，那么它的期望得分就很低，大概率不会被选中。

2.2 第一阶段约束：预配置的唯一性与离散性

预配置阶段的约束看起来很简单，只有三类：

• 每个MPS只能预配置在一个节点：Σ_n x_v,n = 1，对每辆车v成立。
• 每个节点最多停靠一辆MPS：Σ_v x_v,n ≤ 1，对每个节点n成立。
• MPS可用总数限制：Σ_v Σ_n x_v,n = N_mps。

这三条约束保证了预配置方案是一个“一对一”的离散匹配关系，本质上是组合优化里的匹配问题。第二类约束（每个节点最多一辆）很容易被初学者漏掉。漏掉之后，模型可能会把两辆车都放在同一个变电站节点上，虽然目标函数值可能好看，但物理上完全不合理——同一个节点多放一辆车并不会带来更多供电能力，只会浪费资源。为了在空间上形成覆盖，这个约束必须加上。

这里我提一个经验性的补充解释：为什么预配置阶段不做移动时间约束？因为预配置发生在灾害之前，车辆从驻地到预配置点有充足的时间窗口，通常以小时计，完全可以在目标函数里用固定成本处理，或者干脆令其为0，只保留位置决策。把移动时间约束放在第二阶段，才是符合物理规律的。

2.3 场景内约束：移动、容量、潮流三类缺一不可

预配置方案的质量，必须通过第二阶段的场景内约束来检验。因为历史原因，配电网韧性论文里动态调度的约束体系相对统一，主要分成三类。

第一类是移动约束。车辆v在时段t的接入位置Z_v,t必须满足空间可达性约束。设预配置节点为n0，那么灾后初始时刻（t=1）车辆必须出现在n0。如果后续要转移到另一个节点n1，必须满足：从n0到n1的移动时间要小于等于（t-1）个时段的累计时长。实际操作中，一般会提前计算一个可达性矩阵reach_time(i,j)，表示从节点i到节点j的最短移动时间，然后写成整数约束。

第二类是容量与功率约束。每辆MPS的电量SOC_v,t要在上下限之间，充放电功率不能超过额定功率，且充电与放电不能同时进行。这个“不能同时”在数学上是非凸约束，通常用大M法线性化：p_ch ≤ M·γ、p_dch ≤ M·(1-γ)，其中γ是0-1辅助变量。还需要注意充放电效率，实际SOC变化是：

SOC_v,t+1 = SOC_v,t + η_ch·p_ch - p_dch / η_dch

效率系数如果取0.95左右，仿真结果才能贴近真实储能设备的特性。

第三类是潮流约束。配电网在恢复过程中通常要把网络盘活，所以用的是支路潮流模型。为了可计算性，绝大多数论文都用线性化的DistFlow方程：

V_j(t) = V_i(t) - 2·(r_ij·P_ij(t) + x_ij·Q_ij(t))

P_ij(t) = Σ_k P_jk(t) + P_j_load(t) - P_j_MPS(t) - P_j_DG(t)

其中P_j_MPS(t)是MPS注入该节点的功率，P_j_DG是分布式电源出力。这里需要特别提醒：如果只是做选址预配置，可以先用直流潮流或忽略电压约束的版本做一个快速判断；但如果要把结果写进论文，必须回到带电压约束的DistFlow模型，否则优化方案可能在弱网场景下过于乐观——因为实际配电网节点电压偏差是会限制MPS实际可输出功率的。

2.4 线性化处理与模型简化：能省则省

两阶段随机规划天然是混合整数线性规划（MILP），求解规模本身就很大。建模时要注意把一切可以线性化的环节都做掉：

• 充放电互斥条件，用大M法。
• 目标函数里min-max结构，通过把min放到外层、内层Q(x,s)作为各场景最小失负荷量，不需要额外线性化。
• 潮流方程直接在DistFlow线性化版本下构建，不做非线性交流潮流。
• 如果有联络线开关变量，也需要加0-1整数变量，但这类变量数量过多会严重影响求解速度。

实操经验是：能用连续变量表达的，绝不用整数变量；能用线性约束表达的，绝不用非线性约束。预配置本身是整数变量，避不开；但第二阶段的移动路径选择、MPS接入位置也是整数变量，这一块如果能压缩就需要尽量压缩。比如移动路径中关于“车辆不得越过故障线路”的空间拓扑约束，可以通过预计算可达集合并用0-1系数矩阵参与约束，避免引入路径级联变量。

3. Matlab代码实现：核心模块搭建与求解策略

3.1 整体代码架构：数据、场景、模型、结果四层分离

复现这类模型，我最推荐的方式是把代码拆成几个独立脚本，不要全都堆在一个main文件里。原因很简单：两阶段随机规划的调试周期长，中间任何一层出错都会导致结果莫名其妙，模块化之后才能逐层定位问题。一个典型的目录结构是：

• main.m：算例配置和运行骨架。
• case_ieee33.m：拓扑、线路参数、节点负荷、MPS参数。
• scenario_generation.m：蒙特卡洛生成故障场景并做场景削减。
• mps_pre_config_model.m：YALMIP建模、求解、返回预配置位置和期望指标。
• plot_resilience.m：输出韧性曲线和对比图。

main.m只需做三件事：加载数据、生成场景、调用模型脚本。具体业务逻辑全部放到子函数里。

3.2 场景生成模块：蒙特卡洛抽样与场景削减

配电网韧性研究里，灾害场景的生成是决定结果可信度的底座。最常用的方法是按线路故障概率做蒙特卡洛抽样。比如给每条线路设定一个故障概率p_break，然后对每条线路独立采样一个0-1变量，1代表故障。这样做S次，就得到S个场景。场景数据结构建议用struct数组，每个元素存故障线路索引、故障时段范围、以及发生概率。

% 场景生成：按独立故障概率抽样 S = 200; % 初始场景数 K = 12; % 削减后的代表场景数 prob_line = 0.06; % 每条线路故障概率（示例值） scenario_list = struct('broken', cell(1,S), 'prob', 0); for s = 1:S is_break = rand(num_line, 1) < prob_line; scenario_list(s).broken = find(is_break == 1); scenario_list(s).prob = 1 / S; end % 用k-means做场景削减，减少代表性场景数量 [scenario_red, ~] = reduce_scenario(scenario_list, K);

我习惯先抽200个场景，然后削减到10~15个代表场景，再用削减后的场景做两阶段优化。削减算法不复杂：把每个场景的故障线路集合编码成一个one-hot向量，做k-means聚类，取每个聚类中心最接近的真实场景作为代表，该代表的概率等于簇内所有场景概率之和。这步做完，求解规模能降一个数量级，而且对预配置结论影响很小。

3.3 YALMIP建模：变量定义、约束组装、目标函数

Matlab里做这类优化，我基本离不开YALMIP工具箱。用YALMIP有两个好处：一是变量定义直观，二是不用关心底层求解器的接口细节。核心建模逻辑如下：

% 载入数据 data = load_case_ieee33(); N = data.num_node; M = data.num_line; V = 3; % 3辆MPS T = 24; % 24时段 % ---------- 第一阶段变量 ---------- x_place = binvar(V, N); % 每辆车是否停在节点n % ---------- 第二阶段变量（每个代表场景一套） ---------- for k = 1:K z{k} = binvar(V, N, T); % 时段t车辆接入节点 p_dch{k} = sdpvar(V, T); % 放电功率 p_ch{k} = sdpvar(V, T); % 充电功率 soc{k} = sdpvar(V, T); % 荷电状态 L_rec{k} = sdpvar(N, T); % 恢复的负荷量 end Constraints = []; % 每辆车只能选一个预配置节点 Constraints = [Constraints, sum(x_place, 2) == ones(V,1)]; % 每个节点最多停一辆 Constraints = [Constraints, sum(x_place, 1) <= ones(1,N)];

第二阶段约束的关键是“预配置位置与灾后初始接入位置”的耦合。用x_place直接约束z的第1个时段：

% 场景k中，车辆在t=1必须在预配置节点上 for k = 1:K Constraints = [Constraints, sum(z{k}(:, :, 1), 3) == x_place]; end

这一段是整篇代码最容易出错的地方。必须注意维度匹配：z是一个(V,N,T)的三维数组，sum(z(:,:,1),3)会得到(V,N)矩阵，让它等于x_place，就保证了“车停在哪就必须从哪出发”。如果漏掉这条约束，预配置变量和场景内调度变量就完全脱节了，算出来的结果毫无意义。

目标函数要按场景概率加权：

Objective = 0; for k = 1:K L_curt_k = data.L_demand - L_rec{k}; % 失负荷矩阵 (N,T) loss_k = sum(sum(data.w .* L_curt_k)); % 加权失负荷 Objective = Objective + scenario_red(k).prob * loss_k; end ops = sdpsettings('solver', 'cplex', 'verbose', 2, 'miprelgap', 0.01); result = optimize(Constraints, Objective, ops); x_best = value(x_place);

如果Cplex或Gurobi没装，YALMIP自带的内置求解器也能跑小规模问题，但要求解MILP还是建议装一个商用求解器，学术许可证通常是免费申请的。我实测过，同一模型在Cplex和Gurobi下求解速度差别明显，预配置问题在IEEE 33节点系统上，Gurobi往往比Cplex快20%到50%。

3.4 求解策略：当大规模MILP跑不动时的替代方案

两阶段随机规划全变量展开后，变量数量会非常大。如果不想一上来就碰大规模优化，有一个非常实用的替代方案：枚举预配置组合 + 固定第一阶段后的子问题求解。

当节点数较少、MPS数量也不多时，比如IEEE 33节点系统、3辆MPS，预配置的组合数量是C(33,3)=5456。这个数字虽然看起来不小，但每组合只需要解一个第二阶段的确定性等价问题，完全可以用parfor并行跑完。这样得到的预配置方案是全局最优的，因为枚举覆盖了所有可行组合。代码框架大致是：

combos = nchoosek(1:N, V); % 5456行，每行一个三节点组合 n_combo = size(combos, 1); obj_each = zeros(n_combo, 1); parfor c = 1:n_combo x_fixed = zeros(V, N); for v = 1:V x_fixed(v, combos(c, v)) = 1; end % 用写的子问题函数求期望失负荷 [loss, ~] = eval_subproblem(x_fixed, scenario_red, data, params); obj_each(c) = loss; end [min_loss, idx_best] = min(obj_each); best_combo = combos(idx_best, :);

这个“枚举+子问题验证”的思路，本质上就是把两阶段问题的第一阶段摘出来做粗暴搜索，第二阶段用线性规划（少数整数变量）快速求出期望最优值。它最大的好处是：不需要处理复杂的分解算法，也不用担心大规模MILP求解器跑一天还没收敛，代码调试极其友好。当节点规模升级到100以上、MPS数量到5以上时，再用Benders分解或L-shaped方法也不迟。

4. 实验设计与结果可视化

4.1 算例配置：以IEEE 33节点系统为默认测试床

做配电网韧性仿真的默认算例，几乎绕不开IEEE 33节点系统。它是8节点系统的经典扩展版，12.66kV，33个节点，32条支路，5个联络开关，总负荷约3.7MW。在做应急移动电源研究时，我习惯在原始拓扑基础上做如下配置：

• 节点负荷采用一天24小时的归一化曲线，峰值负荷按各节点原始额定值乘以1.2倍放大，给“削峰填谷”留空间。
• 3辆MPS，每辆额定功率100kW，容量300kWh，SOC运行范围0.1~0.9，初始SOC设为0.5。
• 车辆平均移动速度取20km/h，节点间移动时间按地理距离折算，向上取整到1小时。
• 场景的故障线路集从10条易损线路中抽取，每条线路故障概率设为0.1，模拟台风路径覆盖区域。
• 联络开关在故障发生后允许闭合，以形成额外转供路径。

这些参数是我复现同类论文时整理的一组“接近实际、又方便计算”的值。如果你只是为了对论文结果，先按原论文参数跑；如果是为了验证自己代码逻辑，用上面这组默认值就足够。

4.2 对比方案设计：无MPS、随机预配置、优化预配置、事后最优

有了预配置模型之后，如何证明它的价值？光看优化结果不够，必须做对比实验。我常用的对比方案有四种：

• 无MPS：完全不做应急移动电源参与，反映系统基础韧性水平。
• 随机预配置：在33个节点里随机选3个位置放MPS，重复做20次取平均值，代表“没有规划、凭经验放”的结果。
• 优化预配置：用两阶段随机规划求出的方案。
• 事后最优：假设故障场景已知，再回代求解最优预配置位置，这是理论上的“上帝视角”上界，只用来衡量预配置优化的极限增益。

评价指标用两个就够了：累计加权失负荷量（相当于失电能量损失，单位kWh）和恢复比例曲线下面积（恢复比例对时间积分，越接近1说明韧性越好）。

4.3 韧性曲线绘制与解读

绘制韧性曲线时，我习惯将纵轴定义为“系统恢复供电比例”，即当前时段恢复负荷除以全部负荷。代码很简单：

figure; plot(t_hour, ratio_opt, 'b-', 'LineWidth', 1.6); hold on; plot(t_hour, ratio_random, 'g--', 'LineWidth', 1.4); plot(t_hour, ratio_no_mps, 'r:', 'LineWidth', 1.6); xlabel('时间/h'); ylabel('恢复供电比例'); legend('优化预配置', '随机预配置', '无MPS', 'Location', 'southeast'); grid on;

真正有价值的是读曲线时的判断逻辑。通常优化预配置方案会在灾后早期（第2到第4小时窗口）就把恢复比例拉起来，而随机预配置可能会在前期“干瞪眼”一两小时，因为车辆要么离故障点太远，要么所在区域本身就失电。这种差异反映的不只是调度能力，更是“预配置位置”决定的时间窗口优势。所以预配置优化的核心收益往往不体现在最终稳态（稳态时大家都恢复），而是体现在恢复过程的“响应速度”上。

5. 常见问题与踩坑清单

5.1 建模阶段的高频错误

两阶段变量层次混淆是最常见的问题。新手容易把预配置变量写成每个场景一套，导致第一阶段变量变成了场景相关，模型结果不可解释。记住：所有与场景下标k相关的变量都是第二阶段变量，第一阶段变量必须不带k。

目标函数漏乘场景概率也很常见。如果只对每个场景求和而不加权，高概率场景和低概率场景的影响就一样了，预配置方案会严重偏向那些概率极低但破坏极大的场景，得到的方案“看起来很保守，实际很浪费”。

负荷权重w设置不统一是复现论文对不上号的一大原因。很多论文对权重默认全部取1，但实际应用里一定是有差别的。我在复现时建议在说明文档里明确写出：哪些节点是医院/应急负荷，权重多少；哪些节点是普通负荷，权重多少。否则你跑出的韧性与原论文有差异，先不怀疑代码，先检查权重表。

5.2 求解性能优化与数值问题

如果初始场景数取300个，又做了k-means削减到15个，整体规模合理，Cplex求解通常几十秒到几分钟不等。但如果场景削减没做好，或者MPS数量和时段数偏大，MILP求解时间就可能呈指数增长。遇到这种情况，先检查是不是整数变量太多了。

大M系数也容易踩坑。取值过大（比如10^8）会造成数值病态，求解器可能给出满足容差但物理意义错误的解；取值过小（比如只是功率上限的2倍）又可能约束不够松。我习惯把M设为“相关变量理论最大值的10倍”，比如放电功率上限100kW，M取1000就够，再往上没必要。

还有一个容易被忽视的点是求解器的整数容忍度设置。Cplex默认的整型变量容忍度有时候太紧，导致求解很慢。我一般会把miprelgap设为0.01，把IntFeasTol放到1e-5级别，求解速度能提升不少，而结果差距通常小于千分之一。做科研复现完全可以接受。

5.3 复现时容易忽略的细节

移动时间约束的参数设定直接影响动态调度的可行性。我最初复现时忽略了这个约束，直接把车辆从一个节点瞬间转移到另一个节点，结果预配置方案特别激进——车辆可以任意飞到任何地方，导致模型给出“某车初始配置在A节点，灾后瞬间出现在B节点”这种物理不合理的调度。后来加上reach_time矩阵约束后，预配置方案立刻就变得更保守、更贴近实际。

联络开关的状态设置也是一个隐藏变量。IEEE 33系统的5个联络开关默认是断开的，但如果允许故障后闭合联络开关，相当于给恢复过程增加了很多转供路径，系统的韧性基线会大幅抬高。这也意味着MPS预配置的“增量价值”会变小，因为网架自己就能依靠联络线恢复不少负荷。论文里两种假设都存在，你复现时必须看清原论文是“固定开环”还是“允许动态重构”，否则结果差异会非常大。

场景故障线路的设定方式也需要看仔细。有的论文假设所有线路都有相等故障概率，有的论文只对特定区域线路设定故障概率。我在复现时更倾向于用“故障场景由线路故障概率抽样生成”的方式，因为它可以灵活模拟台风范围，也让预配置模型真正面对不确定性。如果想要复现一篇具体论文，建议先核对它用的场景生成方式，再决定自己怎么抽。

我自己的体会是，MPS预配置这个阶段看似只是“放几个点”，但它几乎决定了后面所有内容的上限。预配置放得准，灾后调度哪怕用最朴素的最短路优先策略，韧性指标也不会差；预配置放得偏，后面调度模型再漂亮，也只能在给定的初始点上小修小补。所以复现这类论文，我强烈建议你在预配置阶段多花时间：先吃透两阶段结构，再理解约束背后的物理动机，最后才动手写Matlab代码。顺序反了，就会在一个个数值怪癖里反复横跳。接下来准备写(下)的时候，我会把动态调度部分遇到的两个有意思的问题也整理出来，算是给这个系列的收尾。