樱桃小公举1. 项目背景与核心问题
在电力系统领域，配电网的韧性（Resilience）是指系统在遭受极端事件（如自然灾害、人为破坏等）后快速恢复供电的能力。近年来，随着极端天气事件的频发和电力用户对供电可靠性要求的提高，如何提升配电网的韧性成为电力工程领域的研究热点。
移动电源（Mobile Power Source, MPS）作为一种灵活的应急电源，可以在配电网故障时快速部署到关键节点，为重要负荷提供临时供电。然而，MPS的配置和调度面临两个关键挑战：
- 预配置问题：在灾害发生前，如何合理配置MPS的数量和初始位置，以最大化其在灾害发生后的效用？
- 动态调度问题：在灾害发生后，如何根据实际故障情况动态调度MPS，以实现最优的供电恢复？
本系列文章将分上下两篇探讨这两个问题。上篇（本文）重点解决MPS的预配置问题，下篇将探讨MPS的动态调度问题。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术路线与两阶段框架
2.1 鲁棒优化思想
本项目采用鲁棒优化（Robust Optimization）方法来解决MPS预配置问题。鲁棒优化的核心思想是：在最坏情况下（即灾害造成最大破坏时），系统仍能保持较好的性能。这与配电网韧性提升的目标高度契合。
具体到MPS预配置问题，我们需要考虑：
- 灾害可能造成的多种故障场景
- 每种场景下MPS的部署效果
- 在最不利场景下仍能保证关键负荷的供电
2.2 两阶段决策框架
项目采用两阶段决策框架：
-
第一阶段（预配置阶段）：
- 决策变量：MPS的数量和初始位置
- 目标：最小化总成本（包括MPS购置成本和预期停电损失）
- 约束：预算限制、MPS数量限制等
-
第二阶段（运行阶段）：
- 决策变量：MPS的调度方案（假设灾害已经发生）
- 目标：最小化停电损失
- 约束：MPS移动距离限制、供电能力限制等
两阶段框架通过考虑预配置决策对后续运行阶段的影响，实现了长期投资与短期运行的协调优化。
3. 数学模型构建
3.1 符号定义
首先定义模型中使用的主要符号：
-
集合：
- N：配电网节点集合
- S：灾害场景集合
- T：时间段集合
-
参数：
- c_i：在节点i部署MPS的固定成本
- v：MPS的单位容量成本
- d_{is}：场景s下节点i的负荷需求
- r_{ijs}：场景s下从节点i到节点j的路径可用性（0/1）
- B：总预算限制
-
决策变量：
- x_i：是否在节点i部署MPS（0/1）
- y_{ijts}：场景s下时段t从节点i到节点j的功率传输量
3.2 目标函数
目标是最小化总成本，包括MPS部署成本和预期停电损失：
min Σ_{i∈N} c_i x_i + v Σ_{i∈N} Q_i x_i + E[L(x,s)]
其中：
- 第一项：MPS的固定部署成本
- 第二项：MPS的容量成本（Q_i为MPS容量）
- 第三项：预期停电损失（关于场景s的期望）
3.3 约束条件
-
预算约束：
Σ_{i∈N} c_i x_i + v Σ_{i∈N} Q_i x_i ≤ B -
MPS部署约束：
x_i ∈ {0,1}, ∀i ∈ N -
功率平衡约束（对每个场景s和时段t）：
Σ_{j∈N} y_{jits} - Σ_{j∈N} y_{ijts} ≤ d_{is} - Q_i x_i, ∀i ∈ N -
路径可用性约束：
y_{ijts} ≤ r_{ijs} M, ∀i,j ∈ N, t ∈ T, s ∈ S
（M为足够大的正数）
4. Matlab实现详解
4.1 输入数据准备
首先需要准备配电网的基础数据，包括：
- 节点信息（位置、负荷等级等）
- 线路信息（连接关系、阻抗等）
- 灾害场景（每种场景下的故障线路）
matlab复制% 节点数据示例
nodes = struct();
nodes(1).id = 1;
nodes(1).x = 0; nodes(1).y = 0; % 坐标
nodes(1).load = 1.2; % 负荷需求(MW)
nodes(1).priority = 1; % 负荷优先级
% 线路数据示例
lines = struct();
lines(1).from = 1; lines(1).to = 2;
lines(1).impedance = 0.1; % 阻抗(pu)
lines(1).capacity = 5; % 容量(MW)
% 灾害场景示例
scenarios = cell(3,1);
scenarios{1} = [1,2]; % 场景1：线路1-2故障
scenarios{2} = [3,4]; % 场景2：线路3-4故障
scenarios{3} = [1,2,3,4]; % 场景3：多条线路故障
4.2 模型构建与求解
使用YALMIP工具箱构建优化模型：
matlab复制% 定义决策变量
x = binvar(length(nodes),1); % MPS部署决策
Q = sdpvar(length(nodes),1); % MPS容量
% 定义目标函数
cost = sum(c_i.*x) + v*sum(Q); % 初始成本
load_shed = 0; % 停电损失
for s = 1:length(scenarios)
% 对每个场景构建第二阶段问题
[load_shed_s, cons_s] = createSecondStage(nodes, lines, scenarios{s}, x, Q);
cost = cost + probability(s)*load_shed_s; % 加权停电损失
constraints = [constraints, cons_s];
end
% 添加预算约束
constraints = [constraints, sum(c_i.*x) + v*sum(Q) <= B];
% 求解优化问题
ops = sdpsettings('solver','gurobi');
optimize(constraints, cost, ops);
% 获取结果
x_opt = value(x);
Q_opt = value(Q);
4.3 第二阶段问题构建
createSecondStage函数用于构建第二阶段问题：
matlab复制function [load_shed, constraints] = createSecondStage(nodes, lines, failed_lines, x, Q)
% 初始化
N = length(nodes);
load_shed = 0;
constraints = [];
% 创建功率流变量
y = sdpvar(N,N,'full'); % 节点间的功率流
% 负荷削减计算
for i = 1:N
load_shed = load_shed + nodes(i).priority * ...
max(0, nodes(i).load - Q(i)*x(i) - sum(y(:,i)) + sum(y(i,:)));
end
% 添加约束
for i = 1:N
for j = 1:N
% 线路可用性约束
if ismember([i,j], failed_lines, 'rows') || ...
ismember([j,i], failed_lines, 'rows')
constraints = [constraints, y(i,j) == 0];
else
constraints = [constraints, y(i,j) <= lines(i,j).capacity];
end
end
end
end
5. 关键实现技巧与注意事项
5.1 模型加速技巧
-
场景缩减：
对于大规模系统，灾害场景可能非常多。可以采用场景缩减技术（如K-means聚类）选择代表性场景，减少计算负担。matlab复制% 使用K-means进行场景缩减 [idx, C] = kmeans(scenario_matrix, k); % 将原始场景聚类为k类 representative_scenarios = C; % 使用聚类中心作为代表场景 -
并行计算：
不同灾害场景的第二阶段问题是独立的，可以使用Matlab的并行计算工具箱加速。matlab复制parfor s = 1:length(scenarios) [load_shed_s(s), cons_s{s}] = createSecondStage(...); end
5.2 常见问题与调试
-
模型不可行：
- 检查预算约束是否合理（可能预算过低无法满足任何负荷）
- 检查灾害场景是否过于极端（可能导致无可行解）
- 添加松弛变量帮助诊断不可行原因
-
求解时间过长：
- 尝试不同的MIP求解器（Gurobi、CPLEX等）
- 调整求解器参数（如MIPGap、TimeLimit）
- 使用启发式方法获取初始解
-
结果不理想：
- 检查负荷优先级设置是否合理
- 验证MPS容量是否足够支持关键负荷
- 考虑添加更多约束（如MPS最小部署数量）
6. 结果分析与可视化
6.1 结果分析
求解完成后，需要分析MPS的部署方案：
matlab复制% 分析MPS部署方案
deployed_nodes = find(x_opt > 0.5);
fprintf('MPS部署在节点：');
disp(deployed_nodes');
% 计算各场景下的负荷满足率
for s = 1:length(scenarios)
[~, load_met] = evaluateScenario(nodes, lines, scenarios{s}, x_opt, Q_opt);
fprintf('场景%d负荷满足率：%.2f%%\n', s, 100*load_met);
end
6.2 可视化展示
使用Matlab绘图功能展示结果：
matlab复制% 绘制配电网拓扑
figure;
hold on;
for i = 1:length(lines)
plot([nodes(lines(i).from).x, nodes(lines(i).to).x], ...
[nodes(lines(i).from).y, nodes(lines(i).to).y], 'k-');
end
% 标记MPS部署位置
deployed = find(x_opt > 0.5);
plot([nodes(deployed).x], [nodes(deployed).y], 'ro', 'MarkerSize', 10, 'LineWidth', 2);
% 标记关键负荷
critical = find([nodes.priority] == 1);
plot([nodes(critical).x], [nodes(critical).y], 'b^', 'MarkerSize', 8);
legend('线路', 'MPS部署', '关键负荷');
title('MPS预配置方案');
grid on;
7. 扩展与改进方向
-
考虑MPS移动时间：
当前模型假设MPS可以瞬时移动，实际上应考虑移动时间对供电恢复的影响。 -
多类型MPS：
考虑不同类型MPS（如柴油发电机、电池储能等）的混合部署，各自有不同的成本和特性。 -
动态灾害演化：
将静态灾害场景扩展为随时间演化的动态场景，更真实地模拟灾害过程。 -
与分布式电源协同：
考虑配电网中已有的分布式电源（如光伏、风电）与MPS的协同优化。 -
机器学习辅助：
使用机器学习方法预测灾害场景的概率分布，提高场景生成的准确性。
在实际操作中，我发现MPS的部署位置对系统韧性影响极大。一个实用的经验是：优先在电网拓扑的中心位置和关键负荷附近部署MPS，这样可以在大多数灾害场景下快速响应。此外，预算分配不应平均分布，而应重点保障最关键负荷的供电能力，即使这意味着部分次要负荷可能无法得到覆盖。这种"保重点、舍一般"的策略在实际灾害应对中往往更为有效。