复现SCI一区论文这件事新手低估工程量的地方太多了。这个系列的上篇把“配电网韧性提升中应急移动电源预配置”的两阶段鲁棒优化拆完这次接着把下篇——MPS动态调度部分用Matlab完整实现一遍。简单说上一阶段解决的是“灾害发生前移动电源车应该提前停在哪几个节点”这一阶段解决的是“灾害信息逐渐明确后移动电源车如何边跑边送电把关键负荷尽可能救回来”。这不是一个单点静态问题而是带空间移动、时间耦合、容量约束的多时段混合整数线性规划MILP也是这类SCI一区论文里最考验代码功底的部分。我复现这篇论文时模型本身读起来不算难真正费时间的是把每个数学符号落成Yalmip约束再把Cplex的求解性能调到能看。写这篇文章的时候我把数据准备、模型拆解、主程序结构、常见报错这些环节全部重新走了一遍尽量把踩过的坑一次性交代清楚。适合正在做电力系统韧性、移动储能调度、灾害应急恢复方向的研究生参考也适合想从“看得懂论文”进阶到“跑得通代码”的同学。1. 项目全貌韧性、MPS与动态调度到底在调什么1.1 先把“韧性”和 MPS 这两个概念对齐配电网韧性resilience说的是配电网面对极端事件时“扛得住、恢复得快”的能力。和传统可靠性研究的大多数场景不太一样可靠性针对的是N-1、N-2这种常见故障韧性关注的是台风、冰灾、地震这类“小概率、高影响”事件。事件一来往往是成片断线、长时间停电常规的备用电源和转供手段往往不够用这时候就需要应急移动电源这种流动式的保障资源。MPSMobile Power Source应急移动电源可以是移动储能车、应急发电车甚至大容量UPS车核心特征就两个有电能跑。正因为能跑它可以在预配置阶段被提前部署到预测的薄弱点也可以在灾中根据实际故障情况转移到新的供电节点。这个“移动”属性正是算法要解决的核心难点——资源是动态的约束是时变的决策必须跨时段耦合。1.2 预配置和动态调度一前一后怎么衔接上篇说的预配置解决的是“灾害发生之前MPS停在哪儿、容量配多大”。由于灾害到底影响哪条线路事先不知道上篇一般用两阶段鲁棒优化来刻画不确定性第一阶段定MPS预配置方案第二阶段在给定故障场景下做最优负荷恢复调度。预配置的价值是让决策对未来可能的最坏场景负责。动态调度则是“灾害发生后”的决策故障信息逐步明确MPS从预配置的初始位置出发在调度周期内动态选择“什么时候从哪个节点出发、移动到哪个节点、给该节点供多少电”。预配置的结果可以作为动态调度的初始条件两者串联起来就构成灾前-灾后的完整闭环。很多人在复现时容易把动态调度做成单时点贪心每一时刻只看当前网络状态决定MPS去哪。这种短视做法会忽略移动耗时和容量变化带来的跨时段影响结果往往明显差于论文里的全局动态优化。动态调度真正难的地方在时空耦合MPS从A节点到B节点必须花时间移动期间不能再给老节点供电MPS储能容量是有限且有状态变化的这个时段发多了下个时段就发不了。这种“位置—时间—能量”三重耦合决定了模型必须是多时段的整体优化而不是逐时点决策。1.3 这类工作能干什么为什么值得复现如果只看标题可能以为这只是一篇普通优化论文但它的应用价值非常直接每当台风或冰灾预报出现配电网运维单位经常面临一个问题——手头就几台移动发电车到底提前放哪、灾中往哪调人工经验的效率非常依赖调度员水平而这种“预配置动态调度”方法本质上就是一个应急资源调度决策系统能直接给运维人员输出一个参考方案哪台车走什么路线、什么时间停在哪个节点、恢复哪部分负荷。对学术层面来说这类工作是“韧性评估—资源预配置—灾中调度—恢复评估”研究链条的核心环节经常出现在电力系统方向的SCI一区期刊上。复现的价值不只是跑通代码而是把模型从公式翻译成算法、把算法调试到能求解的过程这个能力对做研究的人来说比结果本身更重要。对工程层面来说现在很多城市在做配电网防灾抗灾规划移动储能车也越来越多地进入运维单位实际装备序列。这套算法将来可以嵌入到配网调度系统的辅助决策模块里和气象预警、配网GIS、抢修工单系统联动。对于应急指挥、重要用户保电、灾后快速复电这些场景都有直接的落地空间。2. 动态调度模型从目标函数到约束逐层拆解2.1 目标函数恢复关键负荷的加权总和动态调度模型的目标函数通常写成最大化全部调度时段内各节点恢复负荷的加权和max Σ_t Σ_i w_i · P^rec_{i,t}这里的w_i是节点i上负荷的重要程度权重医院、应急指挥中心、通信基站这些关键负荷权重高普通居民负荷权重低。这么写的含义是MPS的容量是有限的它先去救谁、按什么比例恢复由这个权重引导。有些论文还会在目标函数里加入MPS移动的惩罚项原因是频繁移动在工程上会带来风险和不必要的燃油消耗/电池循环损耗。我在复现时也会在主目标后加一个很小的惩罚系数乘以“是否从A节点移动到B节点”的二进制变量之和。这个系数一定不能取大我一般先看主目标的量级然后取1e-3倍甚至更小。惩罚项只是用来打破“位置切换无差别”的毛病不能喧宾夺主。这里还有个容易被忽略的点目标函数各部分量级要尽量统一。如果负荷恢复量是兆瓦级而惩罚系数是万分之一级别的穿插项数值范围差距过大会给求解器带来不必要的数值压力。我会在建模前把所有功率统一成标幺值或统一换算成kW让量级落在同一个区间内。2.2 核心约束潮流、电压、MPS时空和负荷恢复动态调度模型的约束大致分四块。第一块是配电网潮流。复现这类论文基本都用DistFlow分支潮流模型及其线性化形式。线性化的常用技巧是引入电压平方变量U_jV_j²这样电压降落约束变成线性形式U_j U_i - 2(r_ij·P_ij x_ij·Q_ij)。支路功率平衡则写成节点注入功率等于该节点负荷与流出支路功率之和。一个关键细节MPS在某个节点放电相当于给该节点增加注入功率在功率平衡方程里要加在电源侧而不是负荷侧。如果加反了模型求解出来的物理含义就完全错了。第二块是运行安全约束包括节点电压上下限和支路功率容量限制。正常配网电压幅值一般控制在0.95到1.05 p.u.之间转换成U变量就是0.9025到1.1025。支路容量约束写成流过该支路的有功、无功或视在功率不超过上限具体形式主要看原论文用的哪种我复现时一般用有功和无功分开限定的简化写法先保证潮流合理再考虑精确视在功率约束。第三块是MPS自身的时空耦合约束这是整个模型最核心、也最容易写错的部分。它至少包括同一时段每台MPS只能停在一个节点节点间转移需要时间简化处理时要求“从i移动到j后下一个时段才到达j”移动期间不输出功率储能容量SOC按时间连续变化下一时段的剩余能量等于当前剩余能量减去本时段放电量乘以Δt再除以效率MPS各时段出力不能超过最大输出功率也不能超过当前剩余容量。这些东西在论文公式里通常只是一行行下标真正写代码时要逐个展开漏掉任何一个结果都会很奇怪。第四块是负荷恢复约束。每个节点恢复的负荷量不能超过该节点原始负荷需求同时不能为负。这个约束看似简单但和孤岛问题放一起就会出现不可行——后面我会重点展开。如果原论文还允许动态重构那就要额外增加辐射状拓扑约束引入线路开断的二进制变量和生成树约束。第一次复现时我强烈建议先把故障线路设为固定集合只做MPS调度主线跑通后再考虑加动态重构。拓扑约束和潮流约束一旦耦合起来问题规模会快速变大排错难度也会直线上升。2.3 为什么这是个MILP以及它好在哪这个模型里有连续的功率变量、电压变量、恢复负荷变量也有表示MPS位置的二进制变量以及可能出现的线路开断二进制变量。目标函数和约束是线性或者经过大M法线性化的所以整体是一个标准的混合整数线性规划MILP。MILP的好处是可以直接调用商业求解器Cplex或Gurobi求解不用自己实现复杂的分解算法。分支定界加割平面的框架对配电网这种规模比如33节点、24个调度时段、2到3台MPS基本能在一两分钟内得到最优解或非常接近最优的解。这也是这类论文能被复现的前提——如果模型是非线性、非凸的复现工作量会大很多。因此“把所有关系都写成线性表达式”是建模阶段最重要的原则。逻辑或关系用大M法代替二进制变量与连续变量的乘积通过引入辅助变量线性化这些都是MILP建模的常规操作。后面在Matlab代码部分我会演示怎么把这些原则落成实际约束。3. Matlab复现全过程从环境准备到结果出图3.1 先把环境搞定Matlab、Yalmip和求解器先聊版本问题。我见过很多人在纠结装2023b还是2024a其实对这种优化问题影响非常小。核心在于三件套配齐Matlab本体、Yalmip建模工具箱、一个MILP求解器。这里我以Matlab Yalmip Cplex组合为例这也是学术场景最常见的组合。Yalmip安装非常简单从官方仓库下载zip源码包解压后放到一个全英文路径下路径不要出现中文在Matlab里执行addpath(genpath(D:\tools\yalmip)); savepath;然后在命令行运行yalmiptest正常情况下会列出找到的求解器。如果提示找不到Cplex需要手动把Cplex安装目录里的matlab子目录也加入Matlab路径这一步是很多人容易漏掉的。Cplex安装多说一句。学术版可以直接在官网申请安装时记得选“面向Matlab的接口”。装完之后先做一个最小化测试x sdpvar(1); optimize([x1, x0], -x); value(x)如果输出1说明环境已经可用。这个测试脚本我每次换电脑都先跑一遍能省掉后面无数排查时间。如果遇到安装文件点了没反应或者安装过程中卡在某个进度条多半是安装包路径带中文、或者杀毒软件拦截了进程。解决办法是关掉杀毒软件把安装包解压到纯英文目录再以管理员身份运行setup大多数情况都能解决。提示Yalmip装好后一定要先运行yalmiptest确认求解器被识别再跑优化模型。否则问题会在optimize阶段才暴露排查成本会高很多。3.2 数据准备用IEEE 33节点系统搭一个测试场景复现配电网优化论文最常拿来做测试的公共系统就是IEEE 33节点系统。数据可以从Matpower工具箱里的case33bw获取也可以根据公开文献手动整理。我建议准备好三张表节点表包括节点编号、有功负荷、无功负荷、重要度权重。对一个33节点系统通常假设其中几个节点是医院或重要用户权重取10其他普通负荷取1。线路表包括首端节点、末端节点、电阻、电抗、线路容量上限。原始算例一般是12.66kV中压网络线路参数需要换算成标幺值或直接使用有名值但全模型单位必须一致。MPS参数表包括数量、容量、最大输出功率、移动时间我调试时常用“2台MPS、每台容量2MWh、最大出力0.5MW、移动一条边耗时1个时段”这样规模小便于验证逻辑。故障场景构造上我习惯模拟一次台风导致的线路多重故障随机抽出3到5条线路把它们在调度全时段内的通断状态置为0。一个关键原则故障场景要提前固定不要和动态调度的位置变量混在一起。如果你让求解器自由决定什么时候故障线路恢复那问题性质和论文模型就对不上了求解难度也会急剧上升。如果不想从Matpower抓数据也可以手动构造一个简化版3节点辐射网先跑通。把这个最小模型调试好之后再换33节点。这个“先小后大”的原则能大幅减少排错成本我强烈建议照做。3.3 主程序结构照论文公式翻译成Yalmip约束主程序我习惯按这个结构来写顺序和论文建模顺序保持一致后面查错更方便clear; clc; close all; %% 1. 读入数据 % 定义节点表、线路表、MPS参数、故障集合 %% 2. 时间轴 T 24; dt 1; % 24个时段每时段1小时 %% 3. 变量定义 nb 33; nl 32; nMPS 2; Pmps sdpvar(nb, T, nMPS); % MPS注入功率 xpos binvar(nb, T, nMPS); % MPS位置指示变量 Prec sdpvar(nb, T); % 恢复负荷 V2 sdpvar(nb, T); % 电压平方变量 Pij sdpvar(nl, T); % 支路有功 Qij sdpvar(nl, T); % 支路无功 %% 4. 目标函数Yalmip默认最小化所以取负号 Objective -sum(sum(W .* Prec)); %% 5. 约束 Constraints []; Constraints [Constraints, Prec 0, Prec Pload]; % 依次加入潮流约束、电压约束、MPS时空约束 %% 6. 求解 ops sdpsettings(solver,cplex,verbose,2, ... mip.tolerances.mipgap,0.01, ... mip.tolerances.timelimit,120); optimize(Constraints, Objective, ops); %% 7. 结果分析 MPS_pos value(xpos); P_rec value(Prec);写约束时几个关键点。维度必须严格对齐Matlab的隐式扩展有时候会掩盖维度不一致的问题比如Prec Pload写成Pload是列向量、Prec是矩阵时就会报错。建议所有数据读取后统一reshape成与变量相同维度。大M变量只影响逻辑表达不参与主目标值不要取得太大我用支路容量上限的10倍基本足够。for循环写约束完全没问题33节点乘以24时段这种规模循环几百行约束的性能开销可以忽略关键是逻辑清晰。注意Yalmip默认求解的是最小化问题。如果你的原目标是最大化记得在optimize前对目标函数取负号否则你会得到一个“越大越差”的解而不自知。3.4 出图怎么把结果画得像论文一样有说服力跑通之后至少要画三类图。第一类是各个时间断面的负荷恢复率我习惯按“关键负荷恢复率”和“总负荷恢复率”分开画两条曲线横轴是时段纵轴是恢复比例。第二类是MPS的移动轨迹用节点编号作为纵轴、时段作为横轴画阶梯线能直观看到每台MPS从哪个节点转移到哪个节点、停留多久。第三类是各节点电压箱线图或典型时段的电压分布用于检查电压约束有没有被激活。出图的小技巧MPS轨迹图里给不同MPS用不同颜色和线型关键负荷节点用阴影标出“重要区域”读者一眼就能看到调度逻辑。负荷恢复率曲线要在同一张图里对比“有MPS动态调度”和“没有MPS”两种情况这样才体现方法对韧性的提升量。论文里的核心图其实就是这么来的自己复现时把对比实验一起画出来数据才算真正有意义。4. 复现路上的高频报错与排查实录4.1 高频报错速查表我把自己复现过程中遇到的典型问题整理成一张表现象常见原因处理方法No suitable solver foundYalmip没有检测到Cplex/Gurobi重新添加求解器Matlab路径运行yalmiptest检查The problem is infeasible约束过紧、孤岛节点无电源、大M设置不合理先固定MPS位置跑潮流可行性放宽恢复负荷下限调整大MIndex exceeds array bounds变量维度与数据维度不一致逐个约束检查维度把Pload reshape成与变量一致Out of memory变量太多、时段太多缩短T删除冗余变量和无关约束求解时间过长二进制变量多、数值病态设mipgap为0.01加time limit精简模型求解器一直输出NaN数据里有NaN或Inf检查导入数据尤其注意线路电阻/电抗为0的情况这张表里每一项都是我实际遇到过的不是从错误文档里抄来的。尤其是“No suitable solver found”很多人明明是装了Cplex的却还是报这个错误原因就是没把Cplex的Matlab接口路径加进Matlab。记住Yalmip只是建模层它要调用求解器必须能在Matlab路径里找到求解器对应的mex文件。4.2 排查不可行问题的完整思路不可行infeasible是这类MILP复现里最折磨人的问题我花时间最多的就是这里。排查顺序我基本固定。先固定MPS位置只做固定配置下的负荷恢复看潮流本身是否可解。如果固定位置后可解那问题多半出在位置变量或时空约束上如果固定位置后仍然不可行那大概率是潮流约束、故障线路集合或电压边界出了问题此时再逐条注释约束来定位。第二检查孤岛。配电网发生多重故障后部分节点可能脱离主网形成孤岛如果这些孤岛节点没有MPS接入却要求它们恢复负荷模型必然不可行。我后来在负荷恢复约束里加了一个逻辑只有该节点有电源接入才允许恢复负荷否则允许恢复量为0。这个“允许部分节点不恢复”的松弛看起来简单实际是让模型可解的救命稻草。第三检查大M。大M过大会导致数值范围差异超过10的8次方时Cplex内部缩放会出问题经常出现“伪不可行”。解决办法是把所有大M缩小到实际物理量级的10倍以内并且把功率、电压等变量统一用标幺值表示让数值落在0.01到100之间求解稳定性会明显改善。补充一个排查工具把verbose设为2观察求解日志里“Infeasibility”相关的行Cplex会提示哪一类约束最可能导致冲突。这个提示不一定精确到某一行但能缩小搜索范围。4.3 求解性能调优在这个项目上实际用过的参数调试阶段先用小规模快速验证3节点系统、6个时段、1台MPS跑通了再上33节点、24时段、2台MPS。如果直接上大算例一次求解就要几分钟来回试错一天都试不了几次。正式算例的求解器设置我用的是ops sdpsettings(solver,cplex, ... verbose,2, ... mip.tolerances.mipgap,0.01, ... mip.tolerances.timelimit,180, ... mip.limits.nodes,500000, ... cplex.threads,4);1%的MIP gap在论文场景里已经足够继续降到0.1%可能让求解时间翻好几倍甚至十几倍。如果发现gap卡住不动问题多半出在某个约束写得太松导致分支定界的下界非常差。这种情况下调参数不如回头检查约束往往更有效。还有一个小技巧把“位置唯一性”“MPS容量连续”这类关键逻辑约束写在约束列表最前面。商业求解器虽然会自己预处理但我在心里会有意识地把关键逻辑约束前置遇到大规模问题时排查也方便。5. 复现之外从跑通到改进5.1 和上篇拼起来一条完整的韧性提升闭环如果只做动态调度总觉得少了点“前因”。预配置阶段给出的是MPS的初始位置和容量动态调度阶段用的是实际故障场景下的实时决策。把两段拼接的做法很简单先求解预配置模型得到MPS初始位置再把它作为动态调度模型的初始条件最后比较“预配置动态调度”与“静态固定位置”的负荷恢复曲线差距。这个对比实验在论文里经常是核心结果。我建议复现时把两个阶段放到同一个脚本框架里共享数据结构。MPS参数表定义一次预配置结果存在一个结构体里动态调度直接读取。这样改参数、做灵敏度分析都很方便不至于在两套代码之间反复修改数据结构也避免因为某个参数两边不一致导致结果对不上。5.2 值得尝试的扩展方向基础版本跑通之后有几个扩展方向是复现者通常往上加的。滚动时域调度不一次性求解全部24个时段而是每隔几个时段重新求解一次未来窗口让模型更接近实际调度中“信息逐步更新”的特征。这个改动对代码结构影响不大但对最终结果的变化规律分析比较有价值。考虑不确定性故障场景不确定、负荷波动不确定都可以用鲁棒优化或场景随机优化扩展现有模型。这类扩展是把模型往更高水平论文方向推进的常用手段但求解规模也会明显增大建议在基础模型完全调通后再动手。加入交通网约束MPS移动是在真实道路上完成的行驶速度、路况、道路封锁都会影响转移时间把配电网与交通网耦合建模是近几年的热点方向。混合资源调度把移动储能、固定储能、分布式光伏、抢修人员放到同一个模型里协调优化模型更复杂但更贴近工程实际。比如移动储能车和抢修人员协同车到了故障现场还要有人操作接入这种约束在真实场景里是绕不开的。5.3 这类方法还能用在哪些场景这套建模思路的适用范围比“配电网韧性”四个字要宽。比如工业园区停电检修时可以用移动储能车临时给关键生产负荷保电调度逻辑和MPS动态调度基本一样。比如大型活动保电预先把移动电源部署在重要场馆周边活动期间根据负荷变化动态调整位置。再比如偏远地区微电网在光伏风电出力波动时利用移动储能进行跨区域能量互济。只要问题的核心是“有限的可移动能源资源如何在时间和空间上优化分配”这套“预配置动态调度”的模型框架就都能套用。从宏观视角看随着移动储能、车网互动V2G、无人机应急供电这些装备技术逐步成熟具备“移动性”的电力资源会越来越多。对应的优化调度需求也会从配电网领域扩散到交通、通信、城市应急等多个领域。现在把这套模型吃透后面遇到类似的移动资源调度问题时建模思路可以直接迁移。我个人的体会是复现这种SCI一区论文最值钱的不是最后跑出来的那张对比图而是“把论文公式翻译成约束条件”的这种思维转换。刚开始写Yalmip约束时不要急着一次把全部模型写完先把目标函数写出来然后一条条加约束每加一条跑一次。我一共跑了三十多遍才让模型完全可解最开始的几次全是不可行定位到最后发现是孤岛节点没有电源还要求恢复负荷这种细节论文里根本不会写只有自己动手才会遇到。现在也有人想直接用大模型代写Matlab代码我的建议是基础I/O和画图可以但MPS时空约束这类核心逻辑自己不理解的时候千万不要让它自由发挥否则调试成本比手写更高。最后再分享一个小技巧打开Cplex的求解日志verbose2紧盯“Best bound”的下降过程。如果bound长时间不动不要盲目加求解时间回头检查是不是约束写得过松或者大M取值过大。这类问题用数值手段是调不好的必须回模型层找原因。希望这篇完整记录能帮你少走点弯路把这套移动应急电源调度模型真正玩起来。